整合人工免疫系統與K-means於顧客關係管理之分群應用｜國立臺灣科技大學博碩士論文系統

簡易檢索 / 詳目顯示

回結果列表

研究生：	江妮蓉 Ni-Jung Chiang
論文名稱：	整合人工免疫系統與K-means於顧客關係管理之分群應用 Integration of Artificial Immune System and K-means for Customer Relationship Management (CRM) Clustering Application
指導教授：	郭人介 Ren-Jieh Kuo
口試委員:	許總欣 Tsung-Shin Hsu 楊文鐸 Wen-Dwo Yang
學位類別：	碩士 Master
系所名稱：	管理學院 - 工業管理系 Department of Industrial Management
論文出版年：	2010
畢業學年度：	98
語文別：	中文
論文頁數：	128
中文關鍵詞：	分群分析、人工免疫系統、克隆選擇、K-means演算法、顧客關係管理
外文關鍵詞：	cluster analysis, artificial immune system, clonal selection, K-means, customer relationship management
相關次數：	點閱：458 下載：5
分享至:	分享至facebook 分享至twitter

查詢本校圖書館目錄查詢臺灣博碩士論文知識加值系統勘誤回報

上一筆

本研究主要整合人工免疫系統方法與K-means演算法，提出一套新的分群分析方法，本研究命名為AISK演算法，透過Iris、Glass、Wine和Breast Cancer等基準資料集與K-means、和2006年黃庭瑋結合粒子群演算法和K-means方法的PSKO分群演算法，以及人工免疫系統方法(Artificial Immune System,AIS)比較群集效益。結果分析後，AISK為本研究評估出最佳的分群分析方法。
在個案研究中，本研究以某網路花店之顧客交易資料為例。本研究先將原始交易資料作RFM模型轉換，再應用分群分析方法進行兩階段分群，在第一階段中先以自適應共振理論2神經網路（ART2）自動找出群數，接著第二階段中再以K-means、PSKO、AIS與AISK各演算法找出最佳的分群結果，最後可得ART2+AISK為最佳的兩階段分群方法。同時也證實了AISK不論在基準資料集或是真實案例中均有良好的分群效果表現。接著再把顧客價值分群結果進行顧客關係管理的應用討論，以提供企業一個參考依據。

This study intends to propose a novel clustering analysis approach, artificial immune system K-means (AISK), which combines artificial immune system based on the clonal selection principle with the well known K-means algorithm. In order to evaluate its computational performance, three clustering analysis methods including particle swarm K-means optimization (PSKO) and K-means and artificial immune system (AIS) are employed for comparison via Iris, Glass, Wine and Breast Cancer benchmark data sets. The simulation results indicate that AISK has the best clustering performance both in efficiency and accuracy.

For further assessing AISK’s capability, we discuss a case study, which is an E-commerce about marketing flowers and plants, provides the related customers transaction information. In the first place, we uses RFM model to transform customers transaction information into customer lifetime value (CLV). What’s more, we apply a two-stage method, which first uses the adaptive resonance theory 2 (ART2) network to determine the number of clusters and then employs K-means, PSKO, AIS, AISK algorithms to find the final solution. As a result, ART2+AISK is the best two-stage clustering method. Results of the experiment show that the AISK algorithm outperforms other methods both in benchmark data sets and a real-world clustering problem at the same time. Through customer clustering based on their customer lifetime value, the business can draw up a marketing planning to manage and control the relationship between an enterprise and customers.

摘要…………………………………………………………………………………  I
ABSTRACT…………………………………………………………………………….II
誌謝………………………………………………………………………………… III
目錄………………………………………………………………………………… IV
表目錄……………………………………………………………………………… VI
圖目錄………………………………………………………………………………VII
第一章	 緒論………………………………………………………………………….1
1	研究背景……………………………………………………………………1
1.1 台灣花卉產業現況……………………………………………………1
1.2 網路花店產業現況與面臨之困境……………………………………3
2	研究動機……………………………………………………………………5
3	研究目的……………………………………………………………………8
4	研究範圍與限制……………………………………………………………9
5	研究架構………………………………………………………………….10
第二章	 文獻探討……………………………………………………………………11
1顧客關係管理（Customer Relationship Management CRM）…………11
1.1 顧客關係管理定義………………………………………………….11
1.2 顧客關係管理之流程架構………………………………………….13
1.3 顧客關係管理應用價值與益處…………………………………….17
1.4 資料探勘技術於顧客關係管理之應用…………………………….19
2 顧客價值分析…………………………………………………………….21
2.1 RFM 模型…………………………………………………………….22
2.2 RFM指標分數之建構…………………………………………………23
2.3 RFM模型於顧客關係管理上的應用…………………………………25
3 分群分析………………………………………………………………….26
3.1 分群分析的定義與應用領域……………………………………….26
3.2 分群分析的程序…………………………………………………….27
3.3 分群分析的方法…………………………………………………….28
4 人工免疫系統演算法(Artificial Immune System)………………….35
4.1 簡介………………………………………………………………….35
4.2 相關發展…………………………………………………………….38
4.3 相關應用…………………………………………………………….42
第三章	 研究方法……………………………………………………………………47
1 資料收集………………………………………………………………….47
2 分群方法………………………………………………………………….47
2.1 AISK ……………………………………………………………………48
3 分群方法驗證…………………………………………………………….53
第四章	 實驗分析……………………………………………………………………55
1 資料集介紹……………………………………………………………….56
2 資料前置處理…………………………………………………………….57
3 AISK演算法參數分析與設定…………………………………………….58
3.1 參數分析…………………………………………………………….58
3.2 田口實驗設計……………………………………………………….62
3.3 參數設定…………………………………………………………….66
4 演算法評估標準………………………………………………………….67
5 實驗結果與分析………………………………………………………….68
5.1 演算法收斂情形…………………………………………………….68
5.2 演算法分群結果…………………………………………………….71
5.3 檢定分析…………………………………………………………….73
6 小結……………………………………………………………………….74
第五章	 實證分析…………………………………………………………………..75
1 研究流程………………………………………………………………….76
2 實證資料前置處理……………………………………………………….77
3 分群分析………………………………………………………………….79
3.1 分群群數的決定…………………………………………………….79
3.2 分群效果比較……………………………………………………….80
4 顧客價值分析…………………………………………………………….82
4.1 ART2+AISK分群結果分析……………………………………………82
4.2 顧客價值區隔分析………………………………………………….82
5 小結……………………………………………………………………….87
第六章	 結論與建議…………………………………………………………………88
1	結論……………………………………………………………………… .88
1.1 基準資料集實驗分析……………………………………………….88
1.2 實證分析…………………………………………………………….88
2 研究貢獻………………………………………………………………….89
3 未來研究方向…………………………………………………………….89
參考文獻…………………………………………………………………………….91
附錄一 實驗結果（一）…………………………………………………………...100
附錄二 實驗結果（二）…………………………………………………………..104
附錄三 實證結果………………………………………………………………….112
附錄四 自適應共振理論II神經網路……………………………………………113

                                

詳見論文內容, 參考文獻章節.

全文公開日期 2015/06/24 (校內網路)
全文公開日期本全文未授權公開 (校外網路)
全文公開日期本全文未授權公開 (國家圖書館：臺灣博碩士論文系統)

簡易檢索 / 詳目顯示

相關論文