顧客關係管理(Customer Relationship Management, CRM) 系統是指包含每位顧客的基本資料及互動歷史紀錄及合成的顧客群資料庫，而系統的使用者可以透過一些分類手法例如資料探勘(Data Mining)、決策樹(Decision Tree) 等找尋資料庫中有價值的資訊。其中分類樹演算法在資料庫分析中佔有一席重要的地位，而多數的論文大都是利用一組資料庫資料，使用類似的分類樹演算法去比較哪種分類樹演算法的成效較佳，鮮少針對分類條件來探討。所以本研究的目的希望能夠提出一個能夠在資料庫分類結束後用來評量每個分類條件中子集合的基準模式。

因此本研究選用的分類樹演算法為CHAID分類樹演算法，原因在於CHAID能夠一次形成多個決策點，比較貼近實際情形。接著藉用多元邏輯斯迴歸求出期望機率π(x)，利用π(x)評量在同一分類條件下那個子集合最符合分析人員的期待。

最後我們可以了解在分類後使用期望機率時，因為會考慮到兩個分類條件之間的相關性，故能比未使用期望機率更迅速達到目標資料筆數。

Customer Relationship Management (Customer Relationship Management, CRM) system that contains basic information on each customer interaction and synthesis of historical records and database customers, and systematic classification of users through a number of methods such as data mining (Data Mining), decision tree (Decision Tree) to find the database and other valuable information. Which the decision tree analysis of algorithms in the database occupies an important position, while the majority of the papers are the use of a database, use a similar decision tree algorithm to compare the decision tree algorithms which achieve better results, fresh less to discuss the conditions for classification. The purpose of this study therefore hopes to be able to propose a classification of the end of the database used to assess the conditions of each classification in a subset of the benchmark model.

Therefore, we choose the CHAID decision tree algorithms in this study, because CHAID can be due to the formation of a number of policy points, compared close to real-world scenarios. Followed by multiple logistic regression used to derive expectations of probability π(x),π(x) to assess the use of classification in the same subset under the conditions that most analysts expectations.

Finally, we can understand the use of expectations in the expectations of probability, because the two categories will take into account the correlation between the conditions, it can not use more than likely look forward to more rapidly achieve the target amounts of information.

目 錄
摘要 ii
英文摘要 iii
致謝 v
目錄 vi
圖目錄 viii
表目錄 ix
第一章 序論 1
1.1 研究背景與目的 1
1.2 研究限制與假設 2
1.3 研究架構與流程 2
第二章 文獻探討 4
2.1 顧客關係管理 4
2.1.1 顧客關係管理之定義 5
2.1.2 顧客關係管理之相關文獻 7
2.2 類別資料分析 10
2.2.1 類別資料分析種類與相關文獻 10
2.3 決策樹分類法 13
2.3.1 決策樹的種類與比較 14
第三章 研究方法 18
3.1 卡方自動交互檢測演算法(CHAID演算法) 18
3.2 多元邏輯斯迴歸 21
3.3 研究方法流程 24
第四章 模式驗證 26
4.1 案例簡介 26
4.2 敘述統計分析 27
4.3 CHAID分析 28
4.4 多元邏輯斯迴歸分析 31
第五章 結論與未來方向 43
5.1 結論 43
5.2 未來方向與建議 43
參考文獻 45
附錄A 47
附錄B 53
附錄B.1 53
附錄B.2 61
附錄C 65
附錄C.1 65
附錄C.2 67

圖目錄
圖1.1：研究架構圖 3
圖2.1：CRM流程圖 5
圖2.2：CRM Business Cycle 8
圖2.3：CRM Business Cycle結合QFD 9
圖2.4：決策樹樹狀圖 14
圖3.1：CHAID流程圖 20
圖3.2：解釋變數Xi與條件A之邏輯迴歸模型 22
圖3.3：Multiple Logistic Regression流程圖 23
圖3.4：研究方法流程圖 25
圖4.1：adult資料庫 26
圖4.2：年收入中各職業之預測機率圖 34
圖4.3：年收入中各年齡之預測機率圖 35
圖4.4：年收入中每週工作時數之預測機率圖 36
圖4.5：年收入中性別之預測機率圖 37
圖4.6：年收入中各職業(CHAID)之預測機率圖 38
圖4.7：年收入中每週工作時數(CHAID)之預測機率圖 39
圖4.8：亂數抽樣後子集合(年齡)>50k之機率圖 42
圖4.9：亂數抽樣後子集合(每週工作時數)>50k之機率圖 42
圖A.1：STATISTICA-CHAID分類法操作流程1 47
圖A.2：STATISTICA-CHAID分類法操作流程2 47
圖A.3：STATISTICA-CHAID分類法操作流程3 48
圖A.4：STATISTICA-CHAID分類法操作流程4 48
圖A.5：STATISTICA-CHAID分類法操作流程5 49
圖A.6：STATISTICA-CHAID分類法操作流程6 49
圖A.7：STATISTICA-CHAID分類法操作流程7 50
圖A.8：STATISTICA-CHAID分類法操作流程8 50
圖A.9：STATISTICA-CHAID分類法操作流程9 51
圖A.10：STATISTICA-CHAID分類法操作流程10 51
圖A.11：STATISTICA-CHAID分類法操作流程11 52

表目錄
表2.1：顧客關係管理之定義彙整 6
表2.2：二維列聯表 11
表2.3：三維列聯表 11
表2.4：決策樹演算法整理表 16
表2.5：決策樹演算法比較表 16
表3.1：虛擬變數範例 21
表4.1：代碼轉換表 27
表4.2：分類條件子集合資料統計表 27
表4.3：挑選分類條件子集合資料統計表 28
表4.4：年收入統計表(CHAID) 28
表4.5：職業統計表(CHAID) 29
表4.6：年齡統計表(CHAID) 30
表4.7：每週工作時數統計表(CHAID) 30
表4.8：性別統計表(CHAID) 30
表4.9：概度比統計量 (原始) 31
表4.10：概度比統計量 (CHAID) 32
表4.11：收入-職業次數統計表與勝算 34
表4.12：收入-年齡次數統計表與勝算 35
表4.13：收入-每週工作時數次數統計表與勝算 36
表4.14：收入-性別次數統計表與勝算 37
表4.15：收入-職業(CHAID)次數統計表與勝算 38
表4.16：收入-每週工作時數(CHAID)次數統計表與勝算 39
表4.17：每週工作時數(303、304、305)之勝算比 40
表4.18：職業(102、104、110)之勝算比 41
表4.19：分類條件挑選比較表 41
表5.1：優先分類項整理表 43

Arash Shahin and Payam Nikneshan(2008), “Integration of CRM and QFD”, The TQM Journal, Vol.20 No.1, pp68-86.

Dominique Hanghton and Samer Oulabi(1997),“Direct marketing modeling with CART and CHAID”, Journal of Direct marketing, Vol.11 N0.4, pp-42-52.

Ful-Chiang Wu and Chi-Hao Yeh(2006), “A comparative study on optimization methods for experiments with ordered categorical data”, Computers & Industrial Engineering No.50, pp220–232.

G.V. Kass(1980), “An Exploratory Technique for Investigating Large Quantities of Categorical Data”, Applied Statistics, Vol.29 No.2, pp-119-127.

Howard Solomon(2000),”Battle waged over state of CRM”, Computing Canada, March 3, 2000, Vol. 26. No. 5.

Liem Ferrysnto, “Analyzing Experiments with Ordered Categorical Data”, available at: http://www.isixsigma.com/library/content/c080804.asp .

M. Gasparini and J. Eisele(2003), “Compositional Ideas in the Bayesian Analysis of Categorical Data with Application to Does Finding Clinical Trials”, available at: http://dugi-doc.udg.edu/handle/10256/686 .

V.N.Nair(1986), “Testing in Industrial Experiments With Ordered Categorical Data”, Technometrics, Vol.28 No.4, pp 283-291.

Young Moon Chae et al.(2001), “Data mining approach to policy analysis in a health insurance domain”, International Journal of Medical Information, Vol.62, pp 103-111.

Agresti A., An Introduction to Categorical Data Analysis, Wiley, 1996.

David W.Hosmer & Stanley Lemeshow, Applied Logistic Regression, Second Edition, Wiley, 2000.

Jiawei Han & Micheline Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, 2001.

簡禎富，林昀萱，鄭仁傑，「建構模糊決策樹及其在有交互作用之半導體資料之資料挖礦以提昇良率之研究」，品質學報，第十五卷第三期，193 ~210頁，民國97年8月。

蔡家昌，「應用決策樹歸納法探討台灣行動電話市場區隔」，國立台北大學，碩士論文，民國91年。

盧坤利，「台灣地區企業採用顧客關係管理系統之影響因素研究」，國立台灣大學，碩士論文，民國89年。

Alan Agresti著，類別資料分析導論，劉應興譯，華泰文化出版，台北市，民國92年。