陳列在便利商店架上的各式飲料產品琳瑯滿目，綠茶、果汁、牛奶、咖啡、汽水、包裝水等，您會如何選擇呢？對於現代人來說，飲料早就是生活中不可或缺的一部份。目前飲料市場的商機日益擴大，飲料產品推陳出新的速度比起消費者所購買過的產品要快上許多，身為消費者的我們不難發現架上的飲料商品越來越雷同，光是選購就必須花上一些時間。因此我們不僅要問消費者忠誠於偏好的產品嗎？消費者對於口味挑剔嗎？那麼在消費者心中的產品有沒有偏好的排序？有沒有光譜般的漸層現象？

    本研究主要以本體論的觀念，將消費者的基本資料、購買行為、飲料產品及促銷活動區分為四個本體做一概念化的描述。且利用本體論為基礎形塑出關連資料庫，包含消費者資料庫、購買行為資料庫、飲料產品資料庫及促銷資料庫來描述出消費者的購買行為，並依本體的概念設計相關問卷。

    最後利用所建立之關聯資料資庫透過資料採礦的方法以二階段分群方法與關聯法則，將顧客輪廓、生活型態與購買行為等因素加以分析，做為市場區隔的依據。再以每群的消費者所購買的飲料產品做偏好的排序，找出每群消費者的飲料產品光譜，最後以啤酒品牌做品牌排序，找出每群消費者的品牌光譜，並利用關聯法則挖掘其消費關聯，得以尋求較佳的行銷策略。

In convenience stores, the sheer amount of various beverages on the shelves are stunning, from green tea, fruit juice, milk, coffee, soft drinks, packaged water and so on, how do you choose? For modern people, beverages have already become an indispensable part of life. As the beverage market expands, it’s not uncommon to come across similar beverages offered by different brands. We therefore spend much time choosing. Thus, we must ask: is the consumer loyal to a certain product or demanding in regards of taste? Does the consumer have a preference ranking of products? Is there a gradual spectrum phenomenon present?
    
    The thesis is based on the ontology concept, using four constructs—basic consumer data, data for consumer behavior, data for beverage product and data for promotion—to form a conceptive description and to design a questionnaire. We also used the ontology concept approach to form an association database that includes a basic consumer data database, a consumer behavior database, a beverage product database and a promotion database to describe consumer behavior.
    
    Finally, through the association rule and cluster analysis of data mining, we analyzed consumer adumbration, lifestyle habits and purchasing behavior. Then, we found each cluster’s consumer preference and product spectrum. The results of this research could provide suggestions and advice on management for future researchers, as well as help relevant practitioners increase their competitive capability.

目錄		III
表目錄		VI
圖目錄		VII
第一章 緒論	1
1.1 研究背景與動機	1
1.2 研究問題與目的	3
1.3 研究方法與流程	5
第二章 文獻探討	6
2.1 本體論	6
2.1.1 本體論的定義與發展	7
2.1.2 本體論的分類與特性	8
2.1.3 本體論的應用	9
2.1.4 小結	10
2.2 市場區隔相關理論	10
2.2.1 市場區隔的定義	10
2.2.2 市場區隔的程序	13
2.2.3 市場區隔的變數	15
2.2.4 市場區隔準則與功能	17
2.2.5 小結	18
2.3 光譜	19
2.3.1 光譜的定義	19
2.3.2 光譜的特性與分類	19
2.3.4 小結	21
2.4 資料採礦	22
2.4.1 資料採礦的定義	22
2.4.2 資料採礦的功能	24
2.4.3 資料採礦的流程	26
2.4.3 小結	28
2.5 品牌	29
2.5.1 品牌的定義	29
2.5.2 品牌與產品關係	30
2.5.3 品牌資產	31
2.5.4 小結	35
2.6 本章小結	36
 
第三章 台灣飲料商品現況分析	37
3.1 飲料市場經營現況	38
3.2 啤酒市場經營現況	39
3.3 飲料的分類方法	41
3.4 非酒精飲料、酒精飲料與啤酒的通路分析	42
3.5 本章小結	45
第四章 研究方法	46
4.1 研究設計與架構	46
4.2 本體發展與設計	47
4.2.1 本體設計	47
4.2.2 本體設計工具與建構	50
4.2.3 本體形式	51
4.3 系統架構圖與資料庫設計	55
4.3.1 系統架構與流程	55
4.3.2 資料庫的設計與建立	57
4.4 問卷設計與發放	63
4.4.1 問卷設計	63
4.4.2 抽樣方法	65
4.4.3 問卷發放	65
4.4.4 信度與效度分析	66
4.5 關聯法則與集群分析	68
4.5.1 關聯法則	68
4.5.2 	Apriori演算法	70
4.5.3 集群分析	72
4.6 資料分析軟體 SPSS Clementine	73
第五章 資料分析及探勘	77
5.1 回收樣本結構描述	77
5.2 市場區隔與消費者輪廓之探勘	79
5.3 消費者之產品光譜與品牌光譜知識挖掘	83
5.3.1 集群一之產品光譜與品牌光譜分析	85
5.3.2 集群二之產品光譜與品牌光譜分析	90
5.3.3 集群三之產品光譜與品牌光譜分析	95
5.4產品及品牌光譜各類型特性	100
5.5 本章小結	105
第六章 結論與建議	106
6.1 研究結論	106
6.2 管理意涵之建議	107
6.2.1利用產品光譜建立飲料產業的競爭力	108
6.2.2 產品及品牌光譜強化品牌資產	112
6.2.3產品及品牌光譜策略分析	114
6.2.4產品及品牌光譜之應用	116
6.3 後續研究之建議	117
參考文獻	118
一、中文資料	118
二、英文文獻	119
三、網路資料	123
附錄一 前測問卷	124
附錄二 正式問卷	130
表1-1 我國食品飲料業產值	2
表2-1 市場區隔之相關定義	12
表2-2 行銷目的與適合之區隔變數	17
表2-3 光譜各類型特性	20
表2-4 資料採礦定義	23
表2-5 資料採礦之功能	25
表2-6 資料採礦流程	27
表3-1 	2006年各類酒類產品飲用率調查結果	44
表4-1 實體、關聯與屬性的概述	57
表4-2 前測問卷發放回收情形	65
表4-3 資料探勘軟體之使用頻率調查	74
表5-1 問卷回收統計表	77
表5-2 基本資料統計表	78
表5-3 	TWOSTEP分群結果	81
表5-4 集群一產品偏好之關聯規則	87
表5-5 集群一啤酒品牌購買行為	89
表5-6 集群二產品偏好之關聯規則	92
表5-7 集群二啤酒品牌購買行為	94
表5-8 集群三產品偏好之關聯規則	97
表5-9 集群三啤酒品牌購買行為	99
表5-10非酒精類飲料產品光譜特性	100
表5-11酒精類飲料產品光譜特性	103
表6-1 集群與關連之整合分析表	108
圖1-1 研究流程圖	5
圖2-1 文獻探討架構圖	6
圖2-2 本體論分類圖	8
圖2-3 目標行銷的步驟	11
圖2-4 資料採礦流程圖	26
圖2-5 品牌知識組成	31
圖3-1 	2002~2008年飲料商品產值	38
圖3-2 	2002~2008啤酒產業產值	40
圖3-3 	2005年與2006年便利商店各類飲料銷售金額結構	43
圖4-1 研究設計圖	46
圖4-2 消費者本體圖	47
圖4-3 消費者購買行為本體	48
圖4-4 飲料本體圖	48
圖4-5 促銷活動本體圖	49
圖4-6 	PROTÉGÉ 2000套裝軟體使用者介面	50
圖4-7 	PROTÉGÉ 2000套裝軟體操作介面	50
圖4-8 消費者基本資料之本體論圖	51
圖4-9 消費者行為之本體論圖	51
圖4-10 飲料產品之本體論圖	52
圖4-11 促銷活動之本體論圖	53
圖4-12 本體論圖	54
圖4-13 系統架構圖	56
圖4-14 概念性資料庫設計E-R圖	58
圖4-15 邏輯性資料庫	60
圖4-16 資料庫轉換圖	62
圖4-17 資料庫關聯圖	62
圖4-18 問卷架構圖	64
圖4-19 	APRIORI演算法產生之後選項目集合與高頻項目集合	71
圖4-20 	CLEMENTINE 12.0版使用介面	76
圖5-1 資料節點串流圖	79
圖5-2 	TWOSTEP集群分佈圖	80
圖5-3 產品光譜圖	83
圖5-4 品牌光譜圖	84
圖5-5 集群一飲料產品關連圖(調整後)	85
圖5-6 集群一產品光譜圖	86
圖5-7 集群一產品偏好之關連規則蛛網圖(調整後)	87
圖5-8 集群一啤酒品牌關聯圖(調整後)	88
圖5-9 集群一啤酒品牌之品牌光譜圖	88
圖5-10集群一啤酒品牌購買行為蛛網圖(調整後)	89
圖5-11集群二飲料產品關連圖(調整後)	90
圖5-12集群二產品光譜圖	91
圖5-13集群二產品偏好之關連規則蛛網圖(調整後)	92
圖5-14集群二啤酒品牌關聯圖(調整後)	93
圖5-15集群二啤酒品牌之品牌光譜圖	93
圖5-16集群二啤酒品牌購買行為蛛網圖(調整後)	94
圖5-17集群三飲料產品關連圖(調整後)	95
圖5-18集群三產品光譜圖	96
圖5-19集群三產品偏好之關連規則蛛網圖(調整後)	97
圖5-20集群三啤酒品牌關聯圖(調整後)	98
圖5-21集群三啤酒品牌之品牌光譜圖	98
圖5-22集群三啤酒品牌購買行為蛛網圖(調整後)	99
圖6-1 飲料產品之行銷知識地圖	110
圖6-2 產品及品牌光譜圖	112
圖6-3 產品及品牌光譜分析圖	114

一、中文資料
1.尹相志(民93)。資料採礦－網際網路應用與顧客價值管理。台北市：維科。
2.郭常銘譯(民95)。行銷學。台北市：麥格羅．希爾國際股份有限公司。（原著出版年：2003）。
3.林建煌(民89)。行銷管理。台北：智勝文化事業公司。
4.林建煌(民91)。消費者行為。台北：智勝文化事業公司。
5.林欽榮(民93)。行銷管理。台北：揚智文化事業公司。
6.洪順慶(民88)。行銷管理。台北：新陸書局股份有限公司。
7.韋端(民92)。Data Mining概述以Clementine7.0為例。，台北縣新莊市：中華資料採礦協會。
8.陳志銘、郭庭魁、杜玉蓉、蕭幼霖、周佳樺譯(民94)。消費者行為。台北市：台灣培生教育出版股份有限公司。（原著出版年：2003）。
9.陳順宇(民94)。多變量分析。台北：華泰文化事業股份有限公司。
10.黃俊英(民93)。行銷管理。台北：華泰文化事業股份有限公司。
11.曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯 (民94)。資料探勘Data mining。台北市：旗標。
12.品牌保姆手冊(林碧翠、李桂芬譯) （民84）。台北市：時報出版社。(原著出版年:1995)
13.資料庫管理與應用(林慶德譯)（民92）。台北市：培生。(原著出版年:2002)
14.吳宗信(民95)。零售業品牌延伸與產品線延伸之探勘－以家樂福為研究對象。淡江大學管理科學研究所碩士論文，未出版，台北縣。
15.黃尹嬿 (民93)。品牌行銷中產品風格傳遞設計價值之研究。大葉大學設計研究所碩士論文，彰化縣。
16.曾愉雅(民96)。資料採礦於壽險市場需求鏈探勘與新產品組合開發之研究。淡江大學管理科學研究所碩士論文，未出版，台北縣。
17.溫志皓（民94）。資料探勘應用於需求鏈協同設計與新產品開發之研究。國防大學國防管理學院資源管理研究所碩士論文，未出版，台北縣。
18.謝文雀 譯、許士軍 校定(民87)。行銷管理-亞洲實例。台北:華泰。
19.蕭富峰，行銷策略。民95，台北：華泰文化事業股份有限公司。
二、英文文獻
1.Aaker, D., and Alvarez del Blanco, R. (1995). Estatura de la marca: medir el valor por productos y mercados. Harvard Deusto business review, 69, 74-87.
2.Aaker and Keller (1990). Consumer Evaluations of Brand Extensions, Journal of Marketing, 54, 27.
3.Agrawal, R., Imielinski, T., and Swami, A. (1993). Mining association rules between sets of items in large databases. ACM SIGMOD Conference, Washington DC, USA, 254¬-259.
4.Agrawal, R., and Srikant, R. (1994). Fast Algorithms for Mining Association Rules. Proceeding of the 20th International Conference on Very Large Database, 487-499.
5.Akaah, I. P. and P. K. Korgaonkar. (1988). A Conjoint Investigation of the Relative Importance of Risk Relatives in Direct Marketing. Journal of Advertising Research 28, 38-44.
6.Bernaras, A., Laresgoiti, I. and Corera, J. (1996). Building and reusing ontologies for electrical network applications. In Proceedings of the12th ECAI, Budapest, Hungary, 298¬-302
7.Boote (1981),Marketing Segmentation by Personal Value and Salient Product Attributes,Journal of Advertising Research,(21)1, 29-35.
8.Beatty S. E. and Smith M. S. (1987). External searh effort: an investigation across several product categories. Journal of Consumer Reasearch, 14, 83-95.
9.Berry, M.J.A. and Linoff, G. (1997). Data Mining Technique for Marketing, Sale, And Customer Support, NY：Wiley Computer.
10.Coenen, F., Goulbourne, G. and Leng, P. (2004). Tree Structures for Mining Association Rules. Data Mining and Knowledge Discovery, 8(1), 25¬-51.
11.Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. and Zanasi, A. (1998). Discovering Data Mining from Concept to Implementation. NJ : Prentice Hall Press.
12.Derbaix, C. (1983) Perceived Risk and Risk Relievers：An Empirical Investigation, Journal of Economic Psychology 3 (1), 19-38.
13.Fayyad, U. M., Piatetsky, S.G.., and Smyth, P. (1996). The KDD Process for Extracting Useful Knowledge from Volumes of Data. Communications of the ACM, 39(11), 27-34.
14.Fensel, D., Benjamins, V. R., Motta, E. and Wielinga, B. (1996).UPML : A framework for knowledge system reuse, In Proceedings of the 16th International Joint Conference on AI ( IJCAI - 99 ) , Sweden, 16- 21.
15.Frawley, W. J., Paitetsky-Shapiro, G. and Matheus, C. J.(1991). Knowledge Discovery in Databases: An Overview, Knowledge Discovery in Databases. California: AAAI/MIT Press, Menlo Park, CA,1-30.
16.Gruber, T. R.（1993）. A translation approach to portable ontology specifications. Knowledge Acquisition, 5(2), 199-220.
17.Guarino, N. and P.Giaretta(1995).Ontologies and Knowledge Bases Towards Terminological Clarification, Proc. of KB and KS, 95, 25-32
18.Huhns, M. N. and Singh, M. P. (1997). Ontologies for Agents. IEEE Internet Computing, 6(1), 81-83.
19.Hendler, J. (2001). Agents and the Semantic Web. IEEE Intelligent Systems, 16(2), 30-37.
20.Hoyer and Brown (1990). Effects of Awareness on Choice for A Common Repeat－Purchase, Journal of Consumer Research, 17, 141-148
21.Hui, S. C., and Jha, G. (2000). Data mining for customer service support. Information and Management, 38(1), 1-13.
22.Kantardzic, M. (2003). Data mining: concepts, models, methods and algorithms. NJ: Wiley Press.
23.Keima, D. A., Pansea, C., Sipsa, M., and Northb, S. C. (2004). Pixel based visual data mining of geo-spatial data. Computers and Graphics, 28, 327-344.
24.Keller, K. L. (1993). Conceptualizing, Managing, and Managing Customer-based Brand Equity. Journal of Marketing, Vol.57, 1-22
25.Kagami, N., Iwamoto, R., and Tani, T. (2005). Application of data mining method(ID3) to data analysis for ultra deep hydrodesulfurization of straight-run light gas oil- determination of effective factor of the feed properties to reaction rate of HDS. Fuel, 84(2-3), 279-285
26.Kouris, I. N., Makris, C. H. and Tsakalidis, A. K. (2005). Using Information Retrieval techniques for supporting data mining. Data and Knowledge Engineering, 52(3), 353-383.
27.Kleissner, C. (1998). Data mining for the enterprise. Proc. of the Thirty-First Hawaii International Conference, 7, 295-304. 
28.Kolter, P. (1997). Marketing Management (9th ed.). New Jersey: Prentice-Hall.
29.Kolter, P. (2006). Marketing Management: Analysis, Planning, Implementation and Control (12th ed.). Englewood Cliffs, NJ: Prentice Hall Press.
30.Liao, S. H., and Chen, Y. J. (2004). Mining customer knowledge for electronic catalog marketing. Expert Systems with Applications, 27, 521-532.
31.Maedche, A. M., Boris, S., Ljiljana, S., Rudi, and Raphael. (2003). Ontology for Enterprise Knowledge Management. IEEE Intelligent Systems, 18, 26-33.
32.Nicholson, S. (2006). The basis for bibliomining: Frameworks for bringing together usage-based data mining and bibliometrics through data warehousing in digital library services. Information Processing and Management, 42(3), 785-804.
33.Oliver, R. (1999). Value as Excellence in the Consumption Experience, 43-62, London and New York: Routledge.
34.Santos, M. Y., and Amaral, Luis. A. (2004). Mining geo-referenced data with qualitative spatial reasoning strategies. Computers and Graphics, 28(3), 371-379.
35.Sheth, J. N, Mittal,B. and Newman, B. I. (1999). Consumer behavior. Orlando：Dryden Press.
36.Smith, B. and Welty, C. (2001). Ontology: Towards a New Synthesis, In Proceedings of the International Conference on Formal Ontology in Information Systems, Ogunquit, Maine, USA, 3-9.
37.Smith, W. R. (1956). Product differentiation and market segmentation as Alternative marketing strategies. Journal of Marketing, 21(1), 3-8.
38.Swartout, B., Patil, R., Knight, K. and Russ, T. (1997). Toward distributed use of large-scale ontologies, In Spring Symposium Series, Ontological Engineering, AAAI Press, Stanford. 33-40.
Wang Y. F., Chuang Y. L., Hsu, M. H., and Keh H. C.(2004). A personalized recommender system for the cosmetic business. Expert Systems with Applications, 26, 427-434. 
三、網路資料
1.IT IS智網：http://www.itis.org.tw/index.jsp
2.台灣經濟研究院：http://www.tier.org.tw/
3.台灣菸酒股份有限公司：http://www.ttl.com.tw
4.行政院主計處：http://www.dgbas.gov.tw/mp.asp?mp=1
5.食品工業發展研究所：http://www.firdi.org.tw/
6.國庫署菸酒管理資訊網：http://www.nta.gov.tw/dbmode93/