[2018年最新整理]以自我组织映射图神经网路为基底之两阶层分群方法分析RFM变数.docVIP

以自我組織映射圖神經網路為基底之兩階層分群方法分析RFM變數 陳思翰 國立台北科技大學 工業工程與管理研究所 s3378007@.tw 羅淑娟 國立台北科技大學 工業工程與管理研究所 sclo@.tw 摘要 在類神經網路領域中，自我組織特徵映射圖是一個優秀的資料探勘工具，它可以將高維度的輸入圖樣投影至低維度的拓撲方格上，而且能夠供給人們目視與探查資料群集的性質，此外，若資料量增加時，研究者也可透過拓撲節點的增加精確地進行數量分析。在此篇論文中，本研究針對電子商務及行銷學上相當著名的RFM變數進行顧客分群的動作，過往的公司企業通常直接採用一些通用的非監督式分群法來區隔顧客，所得到的結果雖尚能稱善，但本研究秉持建立更優良的分群方式以完成更精確的顧客分群過程之精神，嚐試採用廣義K-平均法與模糊C-平均法對拓撲網路圖進行分群，這樣的過程稱之為兩階層式的分群法，換言之，本研究先使用自我組織特徵映射圖的技術產生拓撲網路圖，接著再以不同的分群方式對該拓撲網路圖進行第二階段的分群，實驗結果顯示，不論是以效率或速度的層面觀之，此種分群方法比傳統式直接分群的結果更好。 關鍵字：廣義K-平均法、模糊C-平均法、自我組織特徵映射圖、RFM模型、兩階層式分群法 壹、緒論 近二、三十年來，由於網際網路與資訊技術的發展，資料庫行銷已逐漸取代傳統大眾行銷，成為行銷思維的主軸，有賴於電腦技術的精進，網路公司透過程式或軟體的設計，很輕鬆地搜羅、記錄每位顧客交易資訊。當鉅量的資料由四面八方匯入，硬碟的運轉聲吵得更沸沸揚揚之時，一般公司或許會對於掌握精確且大量顧客的資料而感到自鳴得意，然而，面臨技術分析之時，往往像是面對一大堆無用的資料一般，沒法將它們解讀成有用的資訊而感到興致索然、無所適從。 顧客分群，是資料庫行銷中重要的一環，它以顧客購買行為為基礎，運用統計模式或類神經模型將具有相同或類似消費型態特徵値的顧客歸為同一群體，再從分群的結果透過通用的統計量如平均數、標準差等以決定激進、潛在、流失等狀態的客群，此時，公司面對異質的客群，可以擬定截然不同的行銷策略，除了讓策略適其所歸，更能省去龐大的成本與時間。 分群技術面臨的頭一個問題為：變數的選擇，哪些變數對於每位顧客而言是具有足夠代表性的？Kahan (1998)曾說：「RFM模式是最常用於行為分析的技術，它能簡單又快速地應用於你的顧客資料。」Miglautsch (2000)則說：「RFM模式的目的是提供一個簡單的架構，將顧客行為予以數量化，一旦量化之後，就可以將顧客區分為不同的類別，並開始做利益分析。」因此，本研究將使用這個可描繪顧客消費行為縮影的模式作為實驗變數。 變數決定之後，緊接而來的問題為：以RFM模型作為本研究資料分析的變數為前提，面對同一筆顧客資料，何種分群演算方式可以達成「快速分群」、「組間變異大、組內變異小」的願景？亦即，何種分群方式可以得到較最佳的分群結果？目前已發展相當多種非監督式的分群方法，如傳統多變量統計學中的K-平均法 (K-Means)、凝聚型群聚法 (Agglomerative Clustering Method) 以及將模糊理論引入K-平均法的模糊C-平均法 (Fuzzy C-Means, 簡稱FCM)，此外，尚有類神經網路中的向量量化 (Vector Quantization, 簡稱VQ)、自我組織特徵映射圖 (Self-Organizing Feature Map, 簡稱SOFM)、自適性共振理論II (Adaptive Resonance Theory II, 簡稱ART 2)、自適性共振理論II-A(Adaptive Resonance Theory II-A, 簡稱ART 2-A)、模糊自適性共振理論等(Fuzzy Adaptive Resonance Theory, 簡稱Fuzzy ART)等，它們都有不錯的分群功能。然而，也有不少已發表的文獻指出，混合式的分群方法如：監督式學習分類法與非監督式學習分群法所構成的架構或兩個非監督式分群法所構成的混合架構都能得到較好的分群成效(林昇甫等人，1996)，本研究實驗發現，神經網路中的自我組織特徵映射圖雖有目視分群的缺憾，但當其拓撲網路放大之後，可更細緻地將輸入圖樣分送至各節點 (node)，而其目視輔助技術中常用的擊中直方圖 (Hits Histogram) 或U-矩陣 (U-Matrix) 中的鴻溝 (gap) 將更明顯，更容易供人為判定。除了處理機能較強大之外，自我組織特徵映射圖的分群精確度也能提升，Juha Vesanto與Esa Alhoniem (2000)以三個不同資料集驗證此論點；而Karypis等人 (1999)所提出的Chameleon之兩階段方法，亦驗證了分群結果的可信賴