隨著國民所得提高及經濟快速成長，工作型態的轉變讓忙碌上班族越來越多，導致「三餐老是在外」的外食人口數量大增。對於外食族來說，利用便利超商填飽肚子已是生活中不可或缺的一部份。目前外食族商機日益擴大，鮮食冷藏、非酒精飲料以及麵包產品推陳出新的速度比一般產品要快上得多，而由於產品同質性極高，光是選購就必須花上一些時間。因此，業者要如何精準地了推薦適當的的產品組合給目標客群、如何運用合適的產品廣告代言人來吸引目標客群、或是利用品牌延伸來提升競爭優勢，便是目前值得研究的議題。
本研究採用問卷調查法，透過資料採礦的方法以集群分析與關聯法，了解消費者於不同時段所購買的產品組合以及偏好的產品廣告代言人，再根據推薦機制導出產品推薦以及挖掘出較適合推出的哪一個自有品牌產品、適合運用哪一種促銷及適用於甚麼平台上推廣，提供業者在產品行銷策略上的參考。
本研究發現不同集群的消費者，於不同的時段其購買產品組合的偏好度、以及對於產品廣告代言人以及促銷活動的喜好皆不大相同，然而從關聯法則找出了消費者的產品偏好與產品廣告代言人與促銷活動之間的關聯性，除此之外，也挖掘出適合做品牌延伸之產品，並於最後提供業者在如何針對目標客群加強經爭優勢之建議。

Rapid economic growth with increasing national income causes more and more busy workers to choose to be out-eaters.  Going to convenience stores (CVS) for food is indispensable to out-eaters’ lives. As the out-eaters’ market expands, the speed of launching new products, such as fresh frozen, non-alcoholic beverages and bread, is faster than others.
However, due to awide variety of products, it takes much time for consumers to choose products what they want to have for lunch or dinner. Thus, it is an essential issue for CVS owners to know how to accurately recommend them appropriate products and to choose right endorsers for brand or product to attract target consumers as well as  do brand extension to enhance the competitive advantage? Therefore, cusomization or one-to-one marketing plays an important role in stisfing consumer’s needs. 
Data mining is a powerful new technology with great potential to help companies focus on the most important information in the data they have collected about the behavior of their customers and potential customers. In this study, we divide consumers into three groups by their consumer profile and then discover each group has different product mixes preference, products endorses as well as new products which are suitbabl to launch based on data mining and association rules.

目錄
中文摘要	I
英文摘要	II
表目錄	VI
圖目錄	IX
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	4
第二章 文獻探討	6
2.1 推薦機制	6
2.1.1 推薦機制之定義	6
2.1.2 推薦機制之技術	7
2.1.3 推薦機制種類	9
2.1.4 小結	10
2.2 促銷	11
2.2.1 促銷工具之種類及分類	13
2.3 產品廣告代言人	17
2.3.1 產品廣告代言人之定義	17
2.3.2 代言人之類型與影響因素	18
2.3.3 廣告代言人的理論基礎	21
2.3.4 小結	23
2.4 組合產品	24
2.4.1 組合產品的定義	24
2.4.2 組合產品的分類	25
2.4.3 影響組合產品決策之因素	27
2.4.4 小結	29
2.5 商業智慧	30
2.5.1 商業智慧的定義	30
2.5.2 商業智慧的架構	31
2.5.3 商業智慧之效益	33
2.6 資料採礦	34
2.6.1 資料採礦的定義	34
2.6.2 資料採礦的功能	36
2.6.3 資料採礦的流程	38
2.6.4資料採礦應用的領域	39
2.6.5 小結	43
第三章 研究方法	44
3.1 研究設計與架構	44
3.2 系統架構圖與資料庫設計	45
3.2.1 系統架構與流程	45
3.3 資料庫的設計與建立	48
3.4 問卷設計與發放	55
3.4.1 問卷設計	55
3.4.2 抽樣方法	57
3.4.3 問卷發放	57
3.5.1 關聯法則	59
3.5.2 Apriori演算法	61
3.5.3 集群分析	63
3.6 資料分析軟體 SPSS Clementine	64
第四章 資料採礦與實證分析	67
4.1 回收樣本結構描述	67
4.2 K-means集群分析之探勘	69
4.2.1 分群後的顧客輪廓	71
4.3 消費者輪廓與產品與品牌之推薦機制	76
4.3.1 集群一之各時段之產品組合與促銷活動之推薦機制分析	81
4.3.2 集群二之各時段之產品組合與促銷活動之推薦機制分析	85
4.3.3 集群三之各時段之產品組合與促銷活動之推薦機制分析	90
4.4 集群一之產品廣告代言人與促銷活動之推薦機制分析	95
4.4.1 集群二之產品廣告代言人與促銷活動之推薦機制分析	100
4.4.2 集群三之產品廣告代言人與促銷活動之推薦機制分析	105
4.5 自有品牌延伸之探勘	110
第五章 結論與建議	114
5.1 研究結論	114
5.1.1 各時段之產品組合與促銷活動之推薦機制行銷意涵	114
5.1.2 產品廣告代言人與促銷活動之之推薦機制行銷意涵	118
5.1.3 品牌延伸之推薦機制行銷意涵	123
5.2 產品及品牌光譜之策略分析	125
5.2.1產品及品牌光譜之推薦機制策略分析	127
5.3 研究限制及後續研究之建議	129
5.3.1研究限制	129
5.3.2後續研究之建議	129
參考文獻	131
附錄一	142
附錄二	152
 
表目錄
表2-1 各學者對推薦機制之定義	7
表2-2 各學者對促銷的定義	12
表2-3 各家學者對代言人之定義	18
表2-4 各學者對組合產品的定義	25
表2-5 各學者對商業智慧的定義	30
表2-6 各學者對資料採礦之定義	35
表2-7 資料採礦流程	38
表2-8 資料採礦所應用的領域	41
表3-1 實體、關聯與屬性的概述	50
表3-2 前測問卷發放回收情形	58
表3-3 資料採礦軟體之使用頻率調查	65
表4-1 問卷回收統計表	67
表4-2 基本資料統計表	68
表4-3  K-MEANS分群結果	74
表4-4 集群分析與品牌/產品偏好之整理	79
表4-5 集群一麵包產品偏好之關聯規則	82
表4-6 集群一鮮食冷藏產品偏好之關聯規則	84
表4-7 集群一非酒精類飲料產品偏好之關聯規則	85
表4-8 集群二麵包產品偏好之關聯規則	87
表4-9 集群二非酒精類飲料產品偏好之關聯規則	88
表4-10 集群二鮮食冷藏產品偏好之關聯規則	90
表4-11 集群三麵包產品偏好之關聯規則	92
表4-12 集群三鮮食冷藏產品偏好之關聯規則	93
表4-13 集群三非酒精類飲料產品偏好之關聯規則	95
表4-14 集群一產品廣告代言人類別偏好關聯圖之編號對照表	96
表4-15 集群一代言人代言鮮食冷藏品牌/產品之關聯規則	97
表4-16 集群一代言人代言鮮食冷藏品牌/產品之關聯規則	97
表4-17 集群一代言鮮食冷藏之組合產品與促銷活動之關聯規則	98
表4-18 集群一代言人代言非酒精類飲料品牌/產品之關聯規則	98
表4-19 集群一代言人代言非酒精類飲料品牌/產品之關聯規則	98
表4-20 集群一代言非酒精類飲料之組合產品與促銷活動之關聯規則	100
表4-21 集群二產品廣告代言人類別偏好關聯圖之編號對照表	101
表4-22 集群二代言人代言鮮食冷藏品牌/產品之關聯規則	101
表4-23 集群二代言人代言鮮食冷藏品牌/產品之關聯規則	102
表4-24 集群二代言鮮食冷藏之組合產品與促銷活動之關聯規則	102
表4-25 集群二代言人代言非酒精類飲料品牌/產品之關聯規則	103
表4-26 集群二代言人代言非酒精類飲料品牌/產品之關聯規則	103
表4-27 集群二代言非酒精類飲料之組合產品與促銷活動之關聯規則	104
表4-28 集群三產品廣告代言人類別偏好關聯圖之編號對照表	105
表4-29 集群三代言人代言鮮食冷藏品牌/產品之關聯規則	106
表4-30 集群三代言人代言鮮食冷藏品牌/產品之關聯規則	106
表4-31 集群三代言鮮食冷藏之組合產品與促銷活動之關聯規則	107
表4-32 集群三代言人代言非酒精類飲料品牌/產品之關聯規則	107
表4-33集群三代言人代言非酒精類飲料品牌/產品之關聯規則	108
表4-34集群三 代言非酒精類飲料之組合產品與促銷活動之關聯規則	109
表4-35自有品牌延伸－非酒精類飲料產品之關聯規則	110
表4-36自有品牌產品、產品廣告代言人與平台之關聯規則	112
表5-1不同時段產品組合與促銷活動之推薦整理表	116
表5-2 產品廣告代言人推薦鮮食冷藏產品組合	120
表5-3 產品廣告代言人推薦非酒精類產品組合	120
表5-4 2011/6~2012/05 7-ELEVEN 代言人與本研究代言人比較表	121

圖目錄
圖1-1 2010全國外食各族群飲食狀況	1
圖1-2 研究流程圖	5
圖2-1 HEIDER’S 平衡理論	21
圖2-2 平衡理論在推薦式廣告之應用	22
圖2-3 ＭOWEN 與 BROWN(1980)平衡理論延伸	23
圖2-4 消費者偏好和組合產品	28
圖2-5 IBM商業智慧之架構	32
圖3-1研究架構圖	45
圖3-2系統架構圖	47
圖3-3概念性資料庫設計：E-R圖	51
圖3-4邏輯性資料庫設計圖	53
圖3-5資料庫轉換圖	54
圖3-6資料庫關聯圖	54
圖3-7問卷架構圖	56
圖3-8 APRIORI演算法產生之後選項目集合與高頻項目集合	62
圖4-1 資料節點串流圖	69
圖4-2 K-MEANS集群分佈圖	70
圖4-3 鮮食冷藏食品之產品關連圖	76
圖4-4 產品光譜圖	77
圖4-5 各時段之產品組合與促銷活動之推薦機制分析關聯	77
圖4-6 產品廣告代言人與促銷活動之產品推薦機制分析	78
圖4-7 品牌延伸之推薦機制分析	78
圖4-8 集群一產品組合偏好關聯圖	81
圖4-9 集群一產品組合偏好光譜圖	81
圖4-10 集群一鮮食冷藏產品組合偏好關聯圖	83
圖4-11 集群一鮮食冷藏產品組合偏好光譜圖	83
圖4-12 集群一非酒精類飲料產品組合偏好關聯圖	84
圖4-13 集群一非酒精類飲料產品組合偏好光譜圖	84
圖4-14 集群二麵包產品組合偏好關聯圖	86
圖4-15 集群二麵包產品組合偏好光譜圖	86
圖4-16 集群二非酒精類飲料產品組合偏好關聯圖	87
圖4-17 集群二非酒精類飲料產品組合偏好光譜圖	88
圖4-18 集群二鮮食冷藏產品組合偏好關聯圖	89
圖4-19 集群二鮮食冷藏產品組合偏好光譜圖	89
圖4-20 集群三麵包產品組合偏好關聯圖	91
圖4-21 集群三麵包產品組合偏好光譜圖	91
圖4-22 集群三鮮食冷藏產品組合偏好關聯圖	92
圖4-23 集群三鮮食冷藏產品組合偏好光譜圖	92
圖4-24 集群三非酒精類飲料產品組合偏好關聯圖	94
圖4-25 集群三非酒精類飲料產品組合偏好光譜圖	94
圖4-26 集群一產品廣告代言人類別偏好關聯圖	96
圖4-27 集群一產品廣告代言人類別偏好光譜圖	96
圖4-28 集群二產品廣告代言人類別偏好關聯圖	100
圖4-29 集群二產品廣告代言人類別偏好光譜圖	101
圖4-30 集群三產品廣告代言人類別偏好關聯圖	105
圖4-31 集群三產品廣告代言人類別偏好光譜圖	106
圖4-32 自有品牌延伸之關聯圖	111
圖4-33 自有品牌延伸－非酒精類飲料產品之行銷地圖	112
圖4-34自有品牌產品、產品廣告代言人與平台之關聯圖	113
圖4-35 自有品牌產品、產品廣告代言人與平台之行銷地圖	113
圖5-1 各時段之產品組合與促銷活動之行銷知識地圖	117
圖5-2產品廣告代言人與促銷活動之行銷知識地圖	122
圖5-3 品牌延伸之產品與產品廣告代言人之行銷知識地圖	124
圖5-4 產品及品牌光譜策略分析圖	125

一、中文文獻
方珍玲、盧珀芳、王俊豪 (2009)。促銷工具對百貨公司化妝保養品試用與再購行為之影響分析。行銷評論，6(3)，369-390。 
吳肇銘 (2008)。以消費者購買決策階段為基礎之適性化推薦系統設計與績效之研究。資訊管理展望，10(2)，19-43。
林慶德 (2003)。資料庫管理與應用。台北：培生。
林陽助、李宜致、林吉祥、林婉婷 (2009)。折扣幅度，促銷方式與品牌知名度對消費者品牌評價及購買意願之影響—以行動電話為例。 東吳經濟商學學報，67，1-46。 
唐瓔璋、 彭宜君 (2009)。品牌對零售商價格促銷策略調節效果之研究。 國立交通大學管理學院碩士在職專班經營管理組學位論文。新竹市。
高銘賢 (2011)。促銷方式，商圈型態對促銷成效影響之研究-以全家便利商店為例。國立高雄第一科技大學行銷與流通管理研究所學位論文。高雄市。
郭溥淵、林鴻南、 劉籹君、吳國瑞、林玉梅 (2010)。決策建議採納行為¬以個人投資推薦系統為例。資訊管理展望，12(1)，1-19。
張右峻、陳微鈞 (2010)。商業智慧與空間資訊的整合應用。國土資訊系統通訊，74，13-19。 
張瑋玲 (2011)。資料採礦於精品業需求鏈推薦機制探勘之研究。 淡江大學管理科學研究所碩士班學位論文。新北市。
曾貝莉(2010)。高低價產品組合之促銷策略分析。正修學報，23， 145-154。 
楊亨利、黃仁智 (2008)。具整體觀點考量之推薦系統：以家庭親子為例。中華管理評論國際學報，11(3)，1-26。
廖述賢、溫志皓 (2011)。資料探勘理論與應用。台北市：博碩。
薛賢文 (2002)。促銷方式，產品線延伸策略，產品涉入與品牌評價之關係。國立中正大學企業管理研究所學位論文。嘉義縣。
 
二、英文文獻
Aaker, D. A. (1973). Toward a normative model of promotional decision making. Management Science, 19(6), 593-603. 
Aaker, D. A. (1990). Brand extensions: The good, the bad, and the ugly. Sloan Management Review, 31(4), 47-56. 
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749. 
Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Paper presented at the ACM SIGMOD Record, 22(2), 207-216. 
Agrawal, R., Mannila, H., Srikant, R., Toivonen, H., & Verkamo, A. I. (1996). Fast discovery of association rules. Advances in Knowledge Discovery and Data Mining, 12, 307-328. 
Akbay, C., & Jones, E. (2005). Food consumption behavior of socioeconomic groups for private labels and national brands. Food Quality and Preference, 16(7), 621-631. 
Almeida, M. S., Ishikawa, M., Reinschmidt, J., & Roeber, T. (1999). Getting started with data warehouse and business intelligence. IBM Redbooks, 
Alspector, J., Kolcz, A., & Karunanithi, N. (1998). Comparing feature-based and clique-based user models for movie selection. Paper presented at the Proceedings of the Third ACM Conference on Digital Libraries, 11-18. 
Bergemann, D., & Ozmen, D. (2004). Optimal pricing policy with recommender systems. Proceedings of P2PEcon 2004, Harvard, Cambridge, 2004. 
Blattberg, R. C., & Neslin, S. A. (1989). Sales promotion: The long and the short of it. Marketing Letters, 1(1), 81-97. 
Braunstein-Minkove, J. R., Zhang, J. J., & Trail, G. T. (2011). Athlete endorser effectiveness: Model development and analysis. Sport, Business and Management: An International Journal, 1(1), 93-114. 
Broniarczyk, S. M., & Alba, J. W. (1994). The importance of the brand in brand extension. Journal of Marketing Research, 214-228. 
Burke, R. (2000). Knowledge-based recommender systems. Encyclopedia of Library and Information Systems, 69(Supplement 32), 175-186. 
Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User Modeling and User-Adapted Interaction, 12(4), 331-370. 
Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. and Zanasi, A. (1998). Discovering data mining from concept to implementation. NJ: Prentice Hall Press.
Campbell, L., & Diamond, W. D. (1990). Framing and sales promotions: The characteristics of a? good deal? Journal of Consumer Marketing, 7(4), 25-31. 
Carroll, A. (2008). Brand communications in fashion categories using celebrity endorsement. Journal of Brand Management, 17(2), 146-158. 
Chandon, P., Wansink, B., & Laurent, G. (2000). A benefit congruency framework of sales promotion effectiveness. The Journal of Marketing,64(4), 65-81. 
Chang, J., Wall, G., & Tsai, C. T. S. (2005). Endorsement advertising in aboriginal tourism: An experiment in taiwan. International Journal of Tourism Research, 7(6), 347-356. 
Charbonneau, J., & Garland, R. (2010). Product effects on endorser image: The potential for reverse image transfer. Asia Pacific Journal of Marketing and Logistics, 22(1), 101-110. 
Claypool, M., Gokhale, A., Miranda, T., Murnikov, P., Netes, D., & Sartin, M. (1999). Combining content-based and collaborative filters in an online newspaper. Paper presented at the Proceedings of ACM SIGIR Workshop on Recommender Systems, 1-11. 
Cook, J. P. (2000). Consumer culture and television home shopping programming: An examination of the sales discourse. Mass Communication & Society, 3(4), 373-391. 
Dean, D. H., & Biswas, A. (2001). Third-party organization endorsement of products: An advertising cue affecting consumer prepurchase evaluation of goods and services. Journal of Advertising, , 41-57. 
Engel, J. F., Kollat, D. T., & Roger, D. (1973). Blackwell, consumer behavior. New York: Holt, Rinehart, and Winston. 
Erdogan, B. Z. (1999). Celebrity endorsement: A literature review. Journal of Marketing Management, 15(4), 291-314. 
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37. 
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). The KDD process for extracting useful knowledge from volumes of data. Communications of the ACM, 39(11), 27-34. 
Frawley, W. J., Piatetsky-Shapiro, G., & Matheus, C. J. (1992). Knowledge discovery in databases: An overview. Ai Magazine, 13(3), 57. 
Freiden, J. B. (1984). Advertising spokesperson effects: An examination of endorser type and gender on two audiences. Journal of Advertising Research, 24(5), 33-41. 
Gaeth, G. J., Levin, I. P., Chakraborty, G., & Levin, A. M. (1991). Consumer evaluation of multi-product bundles: An information integration analysis. Marketing Letters, 2(1), 47-57. 
Ghemawat, S., Gobioff, H., & Leung, S. T. (2003). The google file system. Paper presented at the ACM SIGOPS Operating Systems Review, 37(5), 29-43. 
Goldberg, D., Nichols, D., Oki, B. M., & Terry, D. (1992). Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35(12), 61-70. 
Harding, W. (2003). BI crucial to making the right decision, Financial Executive, Morristown, NJ, 19(2), pp. 49-50.
Halonen-Knight, E., & Hurmerinta, L. (2010). Who endorses whom? meanings transfer in celebrity endorsement. Journal of Product & Brand Management, 19(6), 452-460. 
Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS), 22(1), 5-53. 
Howard, D. (1989). Business Intelligence, Gartner Inc.
Hui, S., & Jha, G. (2000). Data mining for customer service support. Information & Management, 38(1), 1-13. 
Inman, J. J., & McAlister, L. (1993). A retailer promotion policy model considering promotion signal sensitivity. Marketing Science,12(4) , 339-356. 
Johnson, M. D., Herrmann, A., & Bauer, H. H. (1999). The effects of price bundling on consumer evaluations of product offerings. International Journal of Research in Marketing, 16(2), 129-142. 
Kadiyali, V., Vilcassim, N., & Chintagunta, P. (1998). Product line extensions and competitive market interactions: An empirical analysis. Journal of Econometrics, 89(1), 339-363. 
Kagami, N., Iwamoto, R., & Tani, T. (2005). Application of datamining 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. 
Kantardzic, M. (2011). Data mining: Concepts, models, methods, and algorithms Wiley-IEEE Press. 
Knobbe, A. J. (2005). Multi-relational data mining. Paper presented at the Proceeding of the 2005 Conference on Multi-Relational Data Mining, 1-118. 
Kotler, P. (2010). Principles of marketing: A south asian perspective, 13/E Pearson Education India.
Kotler, P. (2011). Reinventing marketing to manage the environmental imperative. Journal of Marketing, 75(4), 132-135. 
Liao, S. H., & Chen, Y. J. (2004). Mining customer knowledge for electronic catalog marketing. Expert Systems with Applications, 27(4), 521-532. 
Liao, S. H., Chen, C. M., & Wu, C. H. (2008). Mining customer knowledge for product line and brand extension in retailing. Expert Systems with Applications, 34(3), 1763-1776. 
Liao, S. H., Chen, J. L., & Hsu, T. Y. (2009). Ontology-based data mining approach implemented for sport marketing. Expert Systems with Applications, 36(8), 11045-11056.
Liao, S., Chen, Y., & Lin, Y. (2011). Mining customer knowledge to implement online shopping and home delivery for hypermarkets. Expert Systems with Applications, 38(4), 3982-3991.
Linden, G., Smith, B., & York, J. (2003). Amazon. com recommendations: Item-to-item collaborative filtering. Internet Computing, IEEE, 7(1), 76-80. 
Linoff, G. S., & Berry, M. J. (2002). Mining the web: Transforming customer data into customer value. John Wiley & Sons, Inc. 
Linoff, G. S., & Berry, M. J. (2011). Data mining techniques: For marketing, sales, and customer relationship management . Wiley Computer Publishing. 
Liu, M. T., & Brock, J. L. (2011). Selecting a female athlete endorser in china: The effect of attractiveness, match-up, and consumer gender difference. European Journal of Marketing, 45(7/8), 1214-1235. 
Liu, M. T., Shi, G., Wong, I. K. A., Hefel, A., & Chen, C. Y. (2010). How physical attractiveness and Endorser–Product match-up guide selection of a female athlete endorser in china. Journal of International Consumer Marketing, 22(2), 169-181. 
Lynch, J., & Schuler, D. (1994). The matchup effect of spokesperson and product congruency: A schema theory interpretation. Psychology and Marketing, 11(5), 417-445. 
Madden, C. S., Caballero, M. J., & Matsukubo, S. (1986). Analysis of information content in US and japanese magazine advertising. Journal of Advertising,15(3) , 38-45. 
Martinez, E., & De Chernatony, L. (2004). The effect of brand extension strategies upon brand image. Journal of Consumer Marketing, 21(1), 39-50. 
Mela, C. F., Gupta, S., & Lehmann, D. R. (1997). The long-term impact of promotion and advertising on consumer brand choice. Journal of Marketing Research,34(2) , 248-261. 
Meyers-Levy, J., & Sternthal, B. (1993). A two-factor explanation of assimilation and contrast effects. Journal of Marketing Research,30(3) , 359-368. 
Nicholls, J., Roslow, S., & Laskey, H. A. (2011). Sports event sponsorship for brand promotion. Journal of Applied Business Research (JABR), 10(4), 35-40. 
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 & Management, 42(3), 785-804. 
Paun, D. (1993). When to bundle or unbundle products. Industrial Marketing Management, 22(1), 29-34. 
Pauwels, K., Silva-Risso, J., Srinivasan, S., & Hanssens, D. M. (2004). New products, sales promotions, and firm value: The case of the automobile industry. Journal of Marketing,68(4) , 142-156. 
Pazzani, M. J. (1999). A framework for collaborative, content-based and demographic filtering. Artificial Intelligence Review, 13(5), 393-408. 
Resnick, P., & Varian, H. R. (1997). Recommender systems. Communications of the ACM, 40(3), 56-58. 
Ricci, F. (2002). Travel recommender systems. IEEE Intelligent Systems, 17(6), 55-57. 
Schafer, J. B., Konstan, J. A., & Riedl, J. (2001). E-commerce recommendation applications. Data Mining and Knowledge Discovery, 5(1), 115-153. 
Shih, Y. Y., & Liu, D. R. (2008). Product recommendation approaches: Collaborative filtering via customer lifetime value and customer demands. Expert Systems with Applications, 35(1-2), 350-360. 
Shmueli, G., Patel, N. R., & Bruce, P. C. (2011). Data mining for business intelligence: Concepts, techniques, and applications in microsoft office excel with XLMiner Wiley. 
Silvera, D. H., & Austad, B. (2004). Factors predicting the effectiveness of celebrity endorsement advertisements. European Journal of Marketing, 38(11/12), 1509-1526. 
Simonin, B. L., & Ruth, J. A. (1995). Bundling as a strategy for new product introduction: Effects on consumers' reservation prices for the bundle, the new product, and its tie-in. Journal of Business Research, 33(3), 219-230. 
Srikant, R., Vu, Q., & Agrawal, R. (1997). Mining association rules with item constraints. Paper presented at the KDD, 97, 67-73. 
Tsiros, M., & Hardesty, D. M. (2010). Ending a price promotion: Retracting it in one step or phasing it out gradually. Journal of Marketing, 74(1), 49-64. 
Wang, W., & Benbasat, I. (2008). Attributions of trust in decision support technologies: A study of recommendation agents for e-commerce. Journal of Management Information Systems, 24(4), 249-273. 
Wang, Y. F., Chuang, Y. L., Hsu, M. H., & Keh, H. C. (2004). A personalized recommender system for the cosmetic business. Expert Systems with Applications, 26(3), 427-434. 
Wei, Y. Z., Moreau, L., & Jennings, N. R. (2005). A market-based approach to recommender systems. ACM Transactions on Information Systems (TOIS), 23(3), 227-266. 
Xiao, B., & Benbasat, I. (2007). E-commerce product recommendation agents: Use, characteristics, and impact. Mis Quarterly, 31(1), 137-209. 
Yadav, M. S. (1995). Bundle evaluation in different market segments: The effects of discount framing and buyers’ preference heterogeneity. Journal of the Academy of Marketing Science, 23(3), 206-215. 
Yadav, M. S., & Monroe, K. B. (1993). How buyers perceive savings in a 
bundle price: An examination of a bundle's transaction value. Journal of Marketing Research,30(3) , 350-358.

三、網路資料
KDnuggets. (Octorbor 2009). Data Mining Tools Used Poll. Retrieved from http://www.kdnuggets.com/polls/2010/analytics-data-mining-industries-applications.html.
7-ELEVEN‧Always Open。2010年12月23日，取自：
http://www.7-11.com.tw/
7net雲端超商–最貼近您的線上購物網。2010年12月23日，取自：
http://www.7net.com.tw/7net/rui001.faces
生活者資料庫 (2010年7月29日)。全台六成「老外族」。2010年12
月23日，取自：http://life.trendgo.com.tw/epaper/642
林祝菁 (2011年1月19日)。統一超鮮食業績 打敗麥當勞。2012年1
月13日，取自：
http://money.chinatimes.com/news/news-content.aspx?id=20110119000131&cid=1210
徐仁全 (2009年6月)。遠見雜誌 (第252期)。外食人口大調查 全台
330萬天天外食族逼近北縣總人口。2012年1月13日，取自：
http://www.gvm.com.tw/Boardcontent_13117.html
鄭雅菁 (2011年3月30日)。動腦雜誌。發現黃金單身客。2012年1月
13日，取自：
http://tw.mag.chinayes.com/Content/20110330/7502C20450A64CB0A29B793C2AA43BEF.shtml
聯合利華飲食策劃 (2011年3月5日)。世界飲食趨勢及台灣外食族飲
食調查。2012年1月13日，取自：
http://www.unileverfoodsolutions.tw/who-we-are/news/detail-1216._quotquot_quotquot_quotquot.html
蔡碧鳳 (2003)。企業與顧客的關係在那裡？。2011年5月3日，取自：
	http://www.dsc.com.tw/newspaper/45/45-6.htm