- 學位論文
分群演算法在顧客區隔應用之研究
The study of Clustering Algorithm in customer segment
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
摘要
隨著科技的發展，市場的競爭愈來愈激烈，不止是實體商店延伸到虛擬商店，更從本國的地區擴展到全球化的市場，顧客的需求也愈來愈多樣化，因此面對大量顧客的需求，企業如何掌握，並有效的從大量顧客資料中作出區隔，進而針對不同的目標擬定策略，且作出有效的行銷活動並帶來業績，更進一步讓企業獲利。簡而言之，在競爭的市場中企業的獲利來源即是顧客。 正因如此，顧客區隔的觀念被提出，且顧客區隔技術中，不論是在學術或是實務上，K-Means演算法為最普遍的方法之一 (Green and Krieger, 1995)，但K-Means演算法還是有很多缺點，其中最為主要的則是初始值的決定，因為K-Means在初始值的選取是用隨機選取的方式來進行，因此不同的初始值會造成不同的分群結果，也正因如此，更會造成顧客區隔策略的不同。 針對分群初始值的選取問題，林怡伸(2000)提出一個改善分群結果的分群初始值演算法，和K-Means的分群結果比較，Lin初始值演算法有較佳的結果，但是Lin初始值演算法還是有缺點，因為初始群數的決定是需要先決定的。因此本研究利用重力的觀念來決定出初始群數及各群內初始值。 學者歐陽正彥曾經提出利用重力分群的觀念，是在已知初始分群數之下用重力來將資料做分群，然而針對初始值的決定也沒有提出一個較佳的解決方法。因此本研究藉由重力的觀念發展出一個初始值的決定方法，稱為重力演算法。 本研究所提的重力演算法是利用資料本身的重力來吸引投入的隨機點，藉由隨機點被資料重力所吸引而得到初始的分群數及初始值。另外，在重力演算法中針對停止次數的兩個計算方法，一個是關於角度參數的計算，一個則是關於距離參數的計算，讓重力演算法更加的完善。 本研究所提的重力演算法，以六個網路上所取得的資料庫做測試，在測試結果中，重力演算法加K-Means的分群結果皆較K-Means及Lin初始值演算法加K-Means佳，換言之，本研究所提的重力演算法可以為K-Means提供一個更好的初始值決定方法。 不僅如此，為了證明本研究所提的演算法可以應用在實務上，本研究以問卷的方式蒐集了實際資料做分析，在分群結果中描述各群中的情況並提出具體行銷策略建議，幫助企業獲利。
並列摘要
無資料
並列關鍵字
參考文獻
2 林怡伸(民91)，「The Study of Data Mining and Clustering Techniques for Improving Customer Relationship Management Performance」，元智大學管理研究所碩士論文。
1 Abba M.K., and Paul E. G.(1996), “Modifying Cluster-Based Segments to Enhance Agreement With an Exogenous Response Variable,” Journal of Marketing Research, pp.351-363.
3 Anil, Bhatia (1999). Customer Relationship Management, 1st ed. U.S.A.;Don Hull.
4 Anil C., Paul E. G., and John A. R.(1997),”A Feature-Based Approach to Market Segmentation Via Overlapping K-Centroids Clustering,” Journal of Marketing Research, pp.370-377.
5 Bandyopadhyay, S., U. Maulik, and M. K. Pakhira (2001), “Clustering Using Simulated Annealing With Probibilistic Redistrbution,”Interational Journal of Pattern Recognition and Artificial Intellig ence, 15(2), pp.269-285.