资料探勘应用於零售业之研究.DOC

HYPERLINK javascript:submitForm(2) 資料探勘應用於零售業之研究 摘???? 要 ?? ?在傳統零售商店購買的消費模式，從歷史交易資料中，整理並擷取出有意義的資訊。對於現今顧客需求改變的速度很快，如何在快速的變動中，掌握客戶最新的需求，進而使企業與顧客之間維持良好的互動，使顧客滿意並提高忠誠度，資料挖掘技術是一個不錯的解決方案。在資料探勘的技術中，關聯規則是最常被用來描述消費者的消費習慣。本報告主要動機，是希望以資料挖掘相關技術，針對零售業進行各種預測，找出正確的目標客群及相關商品推薦分析，並且減少成本及資源的浪費。 關鍵詞： ? 緒論 1.1研究背景與動機 本研究之背景與動機如下： POS系統普及，銷售資料大量累積 流通通路扁平化，零售業利潤降低，競爭激烈 即時決策分析日益重視 1.2 研究目的 本報告的研究目的如下： 一、建立分析機制，針對不同客群提供適合的產品服務。 二、提出最適資料挖掘方法，降低系統成本，增加其效能。 1.3 研究範圍及限制 ??? 本報告的研究範圍為： ??? 一、台灣零售業的狀況分析[4] ??? 二、目前就一家零售業的銷售狀況進行個案分析 ??? 三、資料挖掘的方法是以關聯分析法則為主 1.4 研究方法 本研究第一階段先對零售業的顧客價值指標進行探討，在顧客價值指標的討論上將採用最常被應用的RFM模式，將其指標作為群集化分析之變數，將顧客分成不同群組，接著運用分類把不同價值顧客群，進而預測顧客的價值及特性。第二階段則運用資料挖掘(Data Ming)中的 群集化、分類、關聯分析的功能。最後則應用關聯分析的功能找出可能的商品推薦。 1.5 研究流程 確定研究主題與方向 確定研究主題與方向 文獻探討 資料收集 資料挖掘、分析 關聯分析 找出消費者行為 群集化 對顧客進行分群 商品分類 購買商品需求特性 結論及貢獻 2文獻探討 2.1資料挖掘功能 功能 說明 應用之技術 適用領域 分類(Classification) 預先定義好分類規則，再將資料依照規則進行分類，建立分組 基因演算/類神經網路/統計/模糊邏輯案例推理/決策樹 客戶評鑑分類 推估(Estimation) 根據既有連續性數值之相關屬性資料，以獲致某一屬性未知之值 類神經網路/時間序列分析/迴歸分析 利率預測 預測(Prediction) 根據對象屬性之過去觀察值來推估該屬性未來之值 迴歸分析/時間數列分析/類神經網路方法 購物籃分析 關聯式法則(Association) 簡單來說就是決定兩個物件的關聯性計算方式，合乎要求的就應該放在一起 案例庫推理/集合理論/統計 購物籃分析 分群(Clustering) 將異值母體中區隔為較具同質性之群組(cluster)，其目的是要將組與組之間的差異辨識出來，並對個別組內之相似樣本進行挑選。 基因演算/類神經網路/統計模糊邏輯案例推理/決策樹 K-Means法 Agglomeration法 基因演算法 客戶評鑑分類 2.2 RFM模式定義 根據Hughes Arthur的研究，RFM通常以平均數來代表。利用這三種指標可以用來衡量企業與顧客的關係，判定出每位顧客的價值性，據以擬出顧客關係策略。企業常利用RFM指標將顧客量化評分，其目的在量化顧客消費行為，使其符合科學行銷公式應用。RFM為「最近購買時間(Recency)」、「購買頻率(Frequency)」、「購買金額(Monetary Amount)」三個字的縮寫，為評量顧客忠誠度與顧客貢獻度時，最常使用的一個評估法。 最近購買時間(Recency) .為測量時間的一個量度，包含最後一次購買時間，即計算由最後一次購買起算至現在之時間。購買某產品之時間距現時愈近，隱含著該顧客再次選購此產品之購買程度愈，若最近購買日期離現時愈遠，隨著時間之拉長，該顧客之持續購買慾隨之降低，則表示此顧客的購買行為可能改變或是轉換至他處消費。 購買頻率(Frequency) 測量一個時段內顧客所購買的總次數，例如一季、一個月、甚至一個星期，或是測量顧客在此時間內與公司之互動程度，購買頻率愈高代表此顧客與公司互動程度愈高。購買記錄中若購買某產品之頻率愈高，表示該顧客對此產品有愈高的熱衷程度，持續購買之動機亦較強。 購買金額(Monetary Amount) 決定在某一時段內購買的總金額，顧客購買某產品之總金額亦代表著對此產品之興趣指標，亦為對公司之實質金錢貢獻。某顧客對某產品消費愈多的金額，代表該顧客大量購買此產品，對此商品具有大量之需求。 3.資料分析 3.1資料簡述 特徵描述 台北店 新竹店 交易筆數(2006/01/01~2006/04/30) 908,591 3,673,300 945,325 3,703,773