應用資料探勘進行顧客關係管理之研究.doc

此文档收集于网络，如有侵权，请联系网站删除應用資料探勘進行顧客關係管理之研究以台灣汽車電子業為例 私立育達商業技術學院資訊管理研究所 私立育達商業技術學院資訊管理研究所 摘要在當今網路發達及顧客至上的時代，產業界的競爭要素，由以往的提升企業內部核心競爭力，轉變成目前以滿足顧客需求為主軸，因此顧客關係管理(Customer Relationship Management)的議題愈來愈受到業界的關注。如何利用資料探勘(Data Mining)的技術，協助企業分析顧客消費資訊，以提昇顧客忠誠度與滿意度，並達到企業利潤的增加，更是顧客關係管理中最重要的任務。隨著資訊科技與現代化管理技術的運用，客製化且重視客戶服務的產品行銷方式，都是促成顧客關係管理被廣為重視與運用的主要因素。本論文是以某間公司為主的個案探討，所選擇的產業為汽車電子業(以車用IT產品為主)，應用針對該產業改良後之RFM(Recently, Frequency, Monetary Amount; RFM)模式做為群集分析之依據，利用資料探勘中集群分析的K-mean模式(K-mean Cluster)和自組織映射圖網路(Self Organizing Map, SOM)二種方法加以分析資料，結合上述方法以此一產業之客戶資料做為客戶分群輸入因子，將所分出的顧客群集做比較，以確定適用於該產業的分群分法及顧客群集數，並針對顧客群集發放問巻，找出顧客群集的影響構面，最後再進行統計分析來驗證結果，根據分析結果設計出符合顧客關係管理概念的客製化服務，以提高顧客忠誠度增加企業利潤。關鍵字：顧客關係管理、資料探勘、汽車電子業、RFM模式、集群分析、K-mean模式、自組織映射圖、問卷分析、統計分析精品文档壹、緒論隨著網際網路興起、國際市場的開放以及顧客至上的時代，對現今企業產生了許多新的挑戰以及新的經營策略。在競爭激烈的環境下，如何創造其競爭優勢並提供優良的產品或最佳的服務來滿足顧客的需求，是現今許多企業所關注的議題。在許多研究報告中指出，若顧客保留率可提高5%，平均每位顧客的價值就能增加25%到100%；以及80%的利潤來自20%客戶，由此可見，保住既有客戶及提高其價值的重要性。因此利用資訊科技來強化與客戶之間的互動，並與客戶建立緊密且長久的關係，讓既有的顧客持續地在此企業進行消費行為將是企業創造利潤的重要關鍵，也因此顧客關係管理就成為當今企業最熱門的議題。在這樣的研究議題下，為了有效解決大量資料所產生的問題，資料探勘(Data Mining)技術已成為近年來愈受重視的焦點，藉由資料探勘技術可以為企業經營者快速地找到他們所需要的資訊。基於台灣新車市場的銷售量已趨於穩定的情況，針對汽車電子的車用IT產品業者，進行資料探勘在顧客關係管理上的應用及探討，以得知此一產業在競爭激烈的環境之下如何減少顧客流失率，增加顧客忠誠度，提高服務品質。一、研究背景在顧客關係管理中，瞭解顧客的特性與消費行為是相當重要的工作。而瞭解顧客的特性與消費行為，最直接的方法就是從企業的交易資料庫中找出相關的資訊或知識。但由於交易資料庫的資料量快速地增加，使得現今資料庫相當的龐大。如何從龐大的資料中，找出它所隱含的知識並且加以利用，已成為一個企業所關心的議題。要探勘潛在顧客與如何快速地開發新顧客通常是業者最積極投入資源進行探討，然而在實際的情況下，多數的業者發現投資在舊客戶上所獲得的利潤回報遠超過投資在新顧客上所獲得的，這也使得業者在資源分配上會較傾向於如何有效地探勘潛在的顧客。除了對於舊有顧客的掌握之外，新顧客的行銷策略也是業者所面對的課題之一，但因新顧客缺乏其相關的交易消費資訊，如何利用既有顧客資料所探勘的資訊來對新顧客提供最適切的行銷建議，也是一項值得投入的研究議題。二、研究動機目前我國的每戶汽車持有量成長快速，其所帶來的相關週邊汽車電子產品市場亦相對地越大。目前台灣新車市場的銷售量已慢慢趨於穩定，但每輛車所使用之汽車電子設備卻逐年上升，所帶來的附加價值亦相對增加，但由於汽車電子對國內而言，算是一尚未成熱發展及定義的產業，由於缺乏全面的市場調查，台灣汽車電子產業現況可說處於一片渾沌不明的狀態，相對的對於汽車電子業的相關研究呈現明顯的不足，因此實有深入研究之必要，為本研究動機之一。由於以往應用RFM顧客價值分析模式在顧客關係管理的研究上，大多以時效性較高的產業做分析及探討，並無對購買時間區隔較長的產業做研究，故本研究試著對RFM模式做適當的修改，針對汽車電子業顧客關係管理做資料探勘研究，以探討業者如何對故有的銷售資料做分析，有效地探勘出潛在的顧客，這些問題皆是值得研究的課題，為本研究動機之二。三、研究目的要解決前述顧客保留與開發潛在顧客的問題，可以利用資料探勘（Data Mining）對過去顧客的交易記錄進行有意義的規則或是模型探詢。基本上在汽車電子銷售業者的顧客交易記錄中，業者會根據資料庫（Data Base）或是資料倉儲系統（Data Warehouse System）的架構設計彙整有關顧客的個人基本屬性資料，例如：姓名、年紀、職業、收入、居住位置、喜好、消費記錄（包含車款樣式、電子產品型號、消費金額）等，除了這些銷售端的資料外，顧客在購買產品後，與公司最重要的互動就是售後服務及產品維護，利用業者的服務項目資料，如：服務項目、服務時間、服務金額、車主等，即可建立完整的顧客資料模型，再利用群集分析，例如：類神經自組織映射圖網路(Self Organizing Map, SOM)、K-mean模式(K-mean Cluster)等以及問卷分析，最後再用統計技術，例如：迴歸分析（Regression Analysis）、變異數分析（Analysis of Variance）或是多變量分析（Multivariate Analysis）等來進行必要的研究。在這樣的研究議題下，主要的研究之目的可歸納為以下二點：1. 應用改良後之RFM模式及資料探勘技術將顧客資料分群，找出不同顧客群集之特性，以設計出符合汽車電子業之產品及服務品質量表，找出其產品及服務品質之整體構面，進而改善缺失並增進與顧客間互動的關係，以減少顧客流失率，增加顧客忠誠度。2. 利用分群結果及問卷調查，以幫助企業找出符合顧客的行銷策略及其客製化服務項目，提供給管理決策者作為汽車電子業做好顧客關係管理參考之依據。貳、文獻探討在此章節主要介紹關於本研究主題相關的文獻資料，將分別對國內汽車電子業現況、資料探勘、RFM顧客價值分析模式、集群分析做概略的回顧與整理，以做為本研究參考依據之方向。一、國內汽車電子業概況依據科技產業資訊室(2005)6從全球看台灣汽車電子市場發展的機會，專家預估在未來5年內，一輛汽車的電子裝置成本將占整車成本的25%以上，對我國以IC半導體為優勢而言是全新商機。如下圖一及表一所示，據拓樸產業研究所統計，2004年，一輛新車僅裝配1,518美元的電子產品，到2008年預估將有1,882美元，年複合成長率達到5.5%。2004年全球車用電子市場已達1,224.61億美元，約為筆記型電腦的兩倍，佔整個半導體產業的八成。圖一、全球車用電子市場規模來源：WSTS、Strategy Analytics，拓樸產業研究所整理(2005/05)表一、全球車用電子市場規模來源：Strategy Analytics, IEK-ITIS (2004/11)(一)台灣車用電子的機會目前國內在面板產業與消費性電子產業蓬勃發展，可應用於汽車上的電子產品與技術眾多，台灣廠商可往與安全較無相關的車身系統與駕駛資訊系統發展、或與汽車零組件廠商配合將傳統汽車零組件電子化；或以現有的電子產品取代傳統的汽車零組件。微軟於2005年4月與華碩、廣達、緯創等大廠談論合作機會，搶攻車用電腦市場。系統廠商表示，微軟目前主推的解決方包含視窗汽車電子（Windows Automotive），視窗CE與視窗XP嵌入方案等3大類，對台灣資訊OEM廠商而言，雙方合作確實是一個契機。NB代工龍頭廠商廣達電腦日前成立汽車電子事業群，由於集團擁有廣明光電在DVD播放機的製造能力，並且有面板技術，決定切入車用液晶顯示與娛樂平台等汽車解決方案。另外，華碩亦對汽車電子相當重視、緯創則將重點放在汽車電子裝置組裝。台灣投入車用電子的廠商不少，車王電子、怡利電子、聯積、憶聲、天下航太、飛鷹航太，甚至是鴻海，都有計劃投入汽車電子領域。不過，上述廠商除了鴻海志在發展高階連接器，其他廠商的切入點，多半在於GPS產品，事業模式多半以OEM為主，外銷到其他國家。在車用電子控制類產品上，台灣多家工業電腦廠商已經進軍汽車電子，包括威達電腦、研華等等。這類產品多半做為汽車的統一控制系統，一片體積小的主機板就可以整合多種應用，並且控制多個汽車系統。威達電董事長郭博達就認為，汽車電子的控制系統，最適合內嵌式軟體與工業電腦，未來整合在工業電腦的汽車系統也會越來越多。未來台灣電子廠商切入車用半導體或車用感測器市場，除了要面對與國際大廠直接競爭的壓力外，高品質及高技術的進入障礙亦是一大挑戰。就以車用半導體為例，廠商要克服的挑戰包括了數位與類比技術的整合、車規於溫度、濕度、耐震、產品生命週期等標準要求嚴格及專利屏障等。在車用IT產品方面，目前廠商出貨的重點在於GPS，但是，這類的產品更多元。包括DVD播放器、LCD電視、GPS系統、MP3音響、數位電視系統等，都是車用IT產品的新興應用。這些IT產品，過去本就是台灣廠商擅長的領域，甚至在LCD電視、DVD播放器、GPS系統等，台灣原本就具有產業製造的優勢，要順勢延伸到汽車領域並不難，但是，要與汽車供應鏈有更深的結合。台灣在資訊產業的實力，足以讓台灣在汽車電子產業中扮演整合者。而在本研究中所描述的汽車電子業，主要是以車用IT產品方面的業者做為研究之對象。(二)台灣IA整車計畫在科技產業資訊室(2005)6從全球看台灣汽車電子市場發展的機會中有提到，在2005年3月由裕隆集團號召鴻海、廣達、華碩、仁寶電腦等電子鉅子，將和裕隆合組新公司，共同推動IA整車計畫，開發新車和汽車電子零組件。據了解，IA整車計畫總投資額高達120億到至150億元。IA整車計畫（IT&AT），I代表資訊電子業，A代表汽車業，目標就是整合資訊電子業和汽車業的資源，藉由整車開發，帶動資訊電子和汽車業突破目前格局。合作開發完全屬於台灣的整車系統，包括汽車底盤、汽車晶片、行車電腦、倒車雷達、電子穩定系統、剎車系統、巡航系統、安全氣囊、安全保護系統和汽車視訊等多項電子消費產品。同時，行政院開發基金管理委員會將通過投資IA整車計畫15億元，是開發基金近五年來挹注金額最多的單項民間投資案，經濟部也計劃動用科專預算支援IA計畫開發新技術。參與IA整車計畫的廠商將共組新公司，裕隆集團持股五成。裕隆轉投資的華擎引擎公司，配合IA整車計畫，預定開發一系列1.8到2.4公升引擎；同時IA整車計畫將建立汽車系統研發平台，一方面整合參與該計畫的資訊鴻海等IT大廠的資源，開發關鍵車用電子技術，同時，將研發成果轉移給參與計畫的IT大廠，協助其進軍汽車電子巿場。經濟部工業局分析，汽車是系統整合的火車頭產業，關聯性強，IA整車計畫如果推動成功，可提升電子、化學、機械產業技術，創造每年數千億元產值。經濟部決心與業者共同推動IA開發計劃，2004年台灣零汽車組件業有2400億元的產值，出口產值佔1400億元，力圖在四年內，將外銷汽車零組件的金額上推到三千億元的水準。二、資料探勘在現今網際網路發達及資訊傳輸進步的時代，各行各業都保存了大量的資料，如無法加以利用將成為無意義的垃圾。然而這些資料中可能帶有共同可疑模式(Pattern)及關係(Relation)，相關的可疑模式及關係經過整理、萃取，即可變成有用的資訊。資料探勘技術即是可將之轉換成有用的資訊的工具。在學術界有學者譯將Data Mining一詞譯為資料採礦、資料挖礦、資料發掘、資料探勘，在本研究中將以資料探勘一詞來做Data Mining的中譯。Michael將之定義為：為了發現有意義的模式或規則，以自動或半自動的方式，來勘查、分析大量資料所進行的流程12。它可從大量的資料中，萃取出隱含、過去不為人所知且可信與有效的知識，依照使用者所設定的參數，在一群未經處理的資料中找到使用者感興趣的資訊，經過某些特殊的處理後，作為使用者決策判斷的參考依據。資料探勘是從整個資料庫裡的資料，利用一種或多種電腦技術來自動分析或擷取知識的過程，資料探勘的目的是在資料中發現趨勢與樣式。一般而言，資料探勘有下列不同的功能：1、描述（Description）：對資料集（Data set）提供一個簡要的屬性描述，以便與其它資料區分。2、分析（Analysis）：分析是對一大群的資料加以檢查，以找出其中的某些規則或特徵如出現的頻率、趨勢、變動、相似的順序性及順序的種類等。3、關聯（Association）：對一群資料項進行分析以發現其間的因果關係或關聯性，這些出現頻繁的關係或關聯性多以關聯法則（Association Rules）的形式來表示其屬性與數值的情況，如XY意謂凡是滿足條件X的資料亦極可能滿足條件Y。4、分類（Classification）：對一組訓練資料進行分析以建立一對應之資料分類模型，在此過程中將可產生一決策樹（decision tree）或一組分類的法則（classification rules），用於對未來或資料庫中的資料進行瞭解及分類各資料的特性。5、分群（Clustering）：一個群體是一個由資料物件（Object）相似度高的資料所組成的集合，相似度（similarity）可以用距離或其它函數來表示（群體之間的相似度要低、群體內部的相似度要高），而分群即是以此對一個資料集加以分析以區分其中各別資料所屬的群體。6、預測（Prediction）：對於某些缺失的資料或一具特定屬性的資料分佈，預測其可能的數值。三、RFM模式在顧客關係管理的許多研究中，發展出相當多的模式來提供企業有效的工具，來幫助經營者瞭解其顧客，進而制訂正確且能滿足顧客需求的行銷策略。而在這許多模式中，RFM Model是其中相當著名的方法。RFM Model主要是在分析且衡量顧客的消費行為，由於顧客的消費行為是相當抽象且難以衡量的，因此必須透過一些可衡量的指標性參數來進行分析與衡量。而其中最近購買時間（Recently）、購買頻率（Frequency）與購買金額（Monetary）三個參數，就是一個具參考性且指標性參數，簡稱為RFM。根據Arthur Hughes1的研究中指出，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為評量顧客忠誠度與顧客貢獻度時，最常使用的一個評估法7。以下為RFM之三項參數的說明：1. 最近購買時間(Recently)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高，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，則表示著此顧客的購買行為可能改變或是變節至他處消費。2. 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。3. 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。四、群集分析群集分析是一種傳統的多變量統計分類方法，其主要是探討如何將資料或物件加以分群(cluster)或是分類(classify)，主要目的就是依照收集的樣本將它分成數個群數，使得群內個體間高度的同質性，以及不同群體高度的異質性，而此資料或物件的表現方法最常用的是一組特徵向量。然而目前群集分析主要分成多變量分析、類神經網路及遺傳演算法等。而多變量分析已經被許多學者所應用，目前可區分成階層式(hierarchical)、非階層式(non- hierarchical)等方法。而類神經網路主要分成監督式學習與非監督式學習，透過權重的過程，來加速學習率的提昇。至於遺傳演算法則利用其交配、突變來找尋最佳化的分群效果。以下將介紹各群集分析的方法。1. 階層式分群法主要是利用凝聚(agglomerative)與分離(divisive)的方式，將樣本的個體視為一群，然後將相近的個體合成同一群，依次的結合使得群組愈來愈少，最後所有個體結成一群，或是經由相反的程序，將所有個體從同一群，一一分離出為個別的群數。此種方法最大的好處可以使決策者依據實際需要，選擇最適當的群數，作為區隔市場之依據。2. 非階層式分群法首先是先決定K個集群中心，用來當作起始的分群中心，而後，依各個體到各中心點距離遠近，重新移動個體到最近的群體，並計算出各群體新的中心點，然後繼續再移動各個體到最接近的群體，直到群聚結果不再改變或滿足某種限制為止，如群聚中心值的改變量小於預設值、重複的次數超過預設值等等，如下圖二所示。圖二、非分層式分群法參、研究方法本研究期望利用所收集的顧客消費行為資料，分析資料庫裡所隱含的資訊，來提升顧客對公司的消費，讓顧客在決定消費之前，能夠提供顧客所需要的產品與服務使顧客滿意，享受客製化的服務。本研究針對國內汽車電子業某家公司為例，做個案的研究探討，應用改良後之RFM的顧客價值分析模式及資料探勘技術，將改良後的RFM變數做為分群之標準，再用集群分析方法和類神經自組織映射圖網路加以分析資料，結合上述方法以此一產業之客戶資料做為客戶分群輸入因子，將所分出的顧客群集做一比較結果，以確定適用的分群分法及顧客群集數，並針對顧客群集發放問巻，找出顧客群集的需求，最後再進行統計分析來驗證結果，依此分析結果設計出符合顧客的客製化服務項目及產品行銷策略，以提供給汽車電子業管理決策者做好顧客關係管理之參考依據。而本研究的主要研究方法與步驟將分為三個部分做詳細說明，第一節說明改良後的RFM模式，第二節說明所使用之群集分析方法的步驟及比較，最後一節說明問卷設計及統計分析方法。一、改良RFM模式在眾多顧客關係管理(CRM)的分析模式中，RFM模式是被廣泛提到的。在胡興民8RFM與CRM中說明一般的RFM模式中，R(Recently)表示客戶最近一次購買的時間有多遠，F(Frequency)表示客戶在最近一段時間內購買的次數，M(Monetary)表示客戶在最近一段時間內購買的金額。一般的分析型CRM著重在對於客戶貢獻度的分析， RFM則強調以客戶的行為來區分客戶。 在RFM模式的分析上，一般會用顧客絕對貢獻金額來分析客戶是否流失，但是絕對金額有時會曲解客戶行為。因為每個商品價格可能不同，類型也不同，對不同產品的促銷有不同的折扣，所以採用相對的分級(例如R、F、M都各分為五級)來比較消費者在級別區間的變動，則更可以顯現出相對行為。企業用R、F的變化，可以推測客戶消費的異動狀況，根據客戶流失的可能性，列出客戶，再從M（消費金額）的角度來分析，就可以把重點放在貢獻度高且流失機會也高的客戶上，重點拜訪或聯繫，以最有效的方式挽回更多的顧客與商機。由於本研究所探討的案例是汽車電子業，並以車用IT產品為主，例如：DVD播放器、LCD電視、GPS/GPRS系統、MP3音響、數位電視系統、防盜系統。由於這類的產品是屬於耐久性產品，但是售後服務與顧客互動較頻繁的產業，例如GPS系統的新增服務、防盜系統的功能升級、產品的維護等，這樣的動作在本論文中皆稱之為服務，故將RFM模式的前二項變數做些微的修改，如下所示：1. R(Recently)最近一次購買的時間顧客最近一次接受服務的時間。2. F(Frequency)最近一段時間內購買的次數顧客最近一段時間內接受服務的次數。3. M(Monetary)則維持不變，表示客戶在最近一段時間內購買及接受服務的金額。經由以上對RFM模式三項變數的小幅度修改後，在計算顧客的貢獻程度上，便可得知該顧客對公司產品的使用程度和與公司互動的程度，程度值愈高者則可判定為具有較高貢獻潛力的顧客群，因為顧客若和公司有良好的互動，相對的，此顧客為公司所帶來的附加價值也會越高。故在群集分析及問卷分析後，可在產品品質與服務品質兩點上獲得具體的行銷建議與策略。二、群集分析方法本研究運用資料探勘的技術，採用兩種分群方法，分別是統計分析軟體(SPSS 11.0) 9中群集分析的K-mean模式(K-mean Cluster) 10及類神經網路軟體(MATLAB 7.0)11的自組織映射圖網路(Self-Organizing Map, SOM)模式5，利用上述群集分析方法將分群結果做一比較，以得知那種分析結果較符合本研究所探討之產業人口結構，在以下三個小節分別對此兩種方法在本研究中的變數設定及運算步驟做簡單的介紹，並說明如何對此兩種不同的分群結果做比較。(一)K-mean模式運算步驟在統計的群集分析方法中，本研究使用非階層式群集分析中最常用的K-mean模式，若已知顧客的分群數，則K-mean模式可以將顧客群體分成指定的群數。首先使用SPSS 11.0統計分析軟體來進行顧客分群，各項設定如下：1. 輸入變數：最近一次購買產品後接受服務的時間、購買產品後最近一段時間內接受服務的次數及最近一段時間內購買的金額。2. 群集個數設定：3個群集。3. 計算顧客資料向量條件：歐基里德距離測度。K-mean 模式在本研究中的符號定義如下：顧客的總數。：每一個顧客所代表的向量。：顧客分群數(在運算前須先決定所要分群之數量)。 ：各個顧客群集所包含的顧客函數。：第 i 個群集顧客中的第 j 個顧客向量的二元歐基里德距離測度矩陣。K-mean模式在顧客分群之演算步驟如下：步驟 1. 依據預先設定顧客群集的群數，先將顧客分為 C 個群集，而且每個群集的顧客成員選擇是經過資料庫中隨意選取所產生的。步驟 2. 計算所有的顧客向量的歐基里德距離測度矩陣。 其中，1代表在歐基里德距離測度矩陣中，假如第 j 個顧客向量 屬於群集 i ，而0表示第 j 個向量 不屬於群集 i 。步驟 3. 計算所有的顧客資料向量到各個群集中心顧客向量的成本函數。 其中， 為在群集 i 內部的最小成本函數。通常距離函數可以被應用在 i 群集 向量，因此符合全部成本函數可寫成： 並將每個顧客資料分派到與其距離最近的中心顧客資料向量所屬的群集。步驟 4. 重新計算每個群集顧客資料向量的中心點。其中， 為各個顧客群集所包含的樣本函數的大小。亦為 。步驟 5. 重複步驟2、3，直到各群集沒有顧客資料向量，被重新分派的情形出現為止。(二)SOM模式運算步驟在SOM模式中，本研究選擇以MATLAB 7.0軟體來進行顧客分群工作，並選取與K-mean模式相同的三項變數，以便於之後與K-mean模式顧客分群結果做比較。其類神經網路設定如下： 1. 輸入變數型態：最近一次購買產品後接受服務的時間、購買產品後最近一段時間內接受服務的次數及最近一段時間內購買的金額。2. 輸出變數型態：二維矩陣網路拓撲。3. 網路學習法則：鄰近距離。4. 轉換函數：f(x)=x。SOM在顧客分群的符號說明如下所示：輸出層中競爭後的優勝單元，為鄰近中心，此鄰近中心表示其在分群中最具有代表性的資料欄位因子。：鄰近中心的拓撲座標，即該具代表性資料在二維矩陣中的座標位置。：範例資料在輸出層第j個處理單元的拓撲座標。：範例資料分群時在第t次學習循環時的鄰近半徑。：在範例資料分群網路設定時，所設定的鄰近半徑縮小因子。：鄰近距離，也就是由鄰近中心的範例資料和輸出層處理單元中第j個範例欄位因子的拓撲座標所決定。：範例資料分群網路所設定之學習速率。：在範例資料分群網路設定時，所設定的學習速率縮小因子。：鄰近係數，為範例資料分群時鄰近半徑和鄰近距離的函數。SOM在顧客分群之演算步驟如下：步驟 1.設定參數。步驟 2.設定顧客資料分群的起始權數 ，此起始權數通常以隨機亂數設定。並決定顧客資料分群的鄰近半徑 和學習速率 之值。步驟 3.輸入新的顧客資料輸入欄位因子向量。步驟 4.計算訓練顧客資料輸入欄位因子向量與輸出層各神經元之距離，以表示。步驟 5.找出最小距離者，即顧客資料輸入欄位因子的優勝單元，代表該群組的中心位置，以 來表示。步驟 6.再調整顧客資料欄位因子輸入層與輸出層間的連結權數，以 來表示。以 為鄰近中心，即顧客資料的欄位因子輸出層中經過競爭後的優勝單元。：是顧客資料分群網路設定之學習速率 ：第 個顧客資料分群時輸出層處理單元之鄰近係數。步驟 7.最終目的希望能將顧客分群的RMS值降至最低，故在學習過程中每經一次學習循環則會降低學習速率與鄰近半徑，不斷地重複步驟3到步驟6，直到穩定狀態才停止學習。 (三)分群結果之比較本研究針對顧客的產品購買記錄及產品服務維護記錄，包括最近一次購買產品後接受服務的時間 (Recently)、購買產品後最近一段時間內接受服務的次數 (Frequency)及最近一段時間內購買的金額 (Monetary Amount)等三項變數做為輸入變數，採用統計方法的群集分析K-mean模式以及類神經網路中的SOM模式，分別得到不同的結果，然後利用此結果做為分群的依據。在K-mean模式中，為了驗證群集顧客的劃分界線是否合適，本研究採用變異數分析來對K-mean模式分群結果做檢定。相對的，在SOM模式中，為了驗證顧客的群集劃分界線是否合適，同樣採用變異數分析對SOM模式分群結果做檢定，而以上檢定的目的是為了確定在分群結果中，群集與群集的數值差異為最大(代表群集外的異質性)，而群集內的數值差異為最小(代表群集內的同質性)，利用此變異數分析來驗證分群結果。在本研究中，使用K-mean與SOM模式將顧客明確的分成三個群集，而且每一個群集間的平均最近一次購買產品後接受服務的時間、平均購買產品後最近一段時間內接受服務的次數及平均最近一段時間內購買的金額，皆能在各個群集間產生明顯而一致的差異性，經由兩種分群模式的群集差異性做比較，並且利用兩種分群模式的三項輸入變數做變異數分析，來觀察顧客分群對各項變數是否皆具有顯著性差異，以此比較之結果來判斷那種方法較適合本研究所探討之產業顧客結構。三、問卷設計在確定顧客群集之後，會針對分析後之顧客群集發放問卷，利用個別訪談的方式進行問卷調查。本研究的問卷設計內容共分為五大部分，包含顧客基本資料、顧客偏好及家庭狀況資料、顧客預期感受之產品及服務品質、顧客實際感受之產品及服務品質、顧客對產品及服務品質的重視程度之衡量，本問卷的量表採用的是李克特式量表(Likert-type Scale)5的五點量表做問卷。問卷設計內容敘述如下：1. 個人基本資料此部份包含了受訪者的個人基本資料，例如：性別、年齡、居住地區、教育程度、個人所得等，藉以瞭解顧客在人口統計上的特徵。2. 個人偏好及家庭狀況資料此部份包含了受訪者的個人偏好及家庭狀況資料，即：職業、興趣、家庭成員數、出遊頻率等，藉以瞭解顧客在平時對汽車電子產品的需求和使用程度。3. 顧客預期感受產品及服務品質的衡量其目的在於瞭解顧客對汽車電子業者所預期感受之服務及產品品質。4. 實際感受產品及服務品質的衡量實際感受產品及服務品質的衡量，目的在於瞭解顧客對各產品及服務品質之實際感受程度。5. 對產品及服務品質重視程度的衡量產品及服務品質重視程度的衡量，目的在於瞭解顧客對於各產品及服務品質的重視程度。肆、結論本研究依據顧客價值之概念，藉由資料庫中個別顧客的基本資料及產品服務維護記錄進行改良之RFM(Recently, Frequency, Monetary Amount; RFM)顧客價值分析，並利用資料探勘的群集分析將顧客資料分群，找出不同顧客群集之特性。最後利用分群結果做問卷調查及統計分析，以幫助企業找出符合顧客的行銷策略及其客製化服務項目，提供給管理決策者作為汽車產業做好顧客關係管理參考之依據。由於顧客分群的目的在於找出具有相同屬性的顧客，以便於針對不同屬性的顧客群集提供不同的行銷模式或是不同的管理機制，若是顧客分群數太多將可能導致群集與群集間的顧客屬性過於接近，便失去顧客分群的意義。因此在本研究顧客資料庫中，會用群集分析設定三個群集顧