以代工為主的傳統產業，面對現今競爭激烈的電商環境，要如何訂出有競爭力的生產製造程序、銷售策略，乃至人員訓練、機組運轉效能、營運管理策略等等，無不嚴厲的考驗企業應變的能力。因此在若能藉由數據資料建模與分析，彙總出有效的企業營運、市場銷售等資訊，以協助企業制定營運策略，有效提升企業數據價值與營運效率，如此才能讓傳統產業在現況競爭激烈的環境下有著新的生存契機。
　　大數據的應用，在理論架構和硬體能力的進化下，已逐漸變成顯學和趨勢，而傳產因為資金和人力的不足，以及原始數據收集欠缺規劃，造成不當資料或資料短缺等情況實屬嚴重，因此傳產企業當在要踏入數據分析領域時，不免裹足不前，茫然無向而無從做起。
　　本研究之目的，在研究如何將傳產現有的資料加以清洗、分類整理，並運用工具(使用SPSS)做整理過的資料之迴歸分析，以產生可評估量化且適用之參考模型，進而讓傳產企業中的資料，能妥善彙總與分析出有效用的營運資訊，以幫助傳產企業在生產模式與營運決策上能獲得高效率且精準的預測資訊，讓傳產企業在激烈商業競爭環境下，開創藍海，產生新的獲利模式。
　　本研究結果顯示，在一般狀況下，模型導出之公式對次季之銷售額等預測更為精準，是有較佳的參考價值。

In the traditional OEM-based industry, nowadays, facing extremely competitive e-commerce environment, and how to draw up competitive manufacturing procedures, sales strategies, and even personnel training, unit operation efficiency, operation management strategies, etc., these are strictly given the test of the ability for the enterprises. As a result, if data modeling and analysis can be used to summarize effective business operations, marketing, and other information to help enterprises formulate operational strategies, and effectively improve the value of business data and operational efficiency, the traditional industry can have new opportunities under the current competitive environment.
  Under the evolution of the theoretical structure and hardware capabilities, the application of big data has become an obvious phenomenon and trend. Due to the lack of funds, manpower, and the poor or shortage of original data, the transfer of production is about to enter the field of data analysis. Otherwise, you will not be able to start and to know the right direction.
  The purpose of this study is to arrange, classify, and sort the existing data from the traditional industry, and to apply tools (using SPSS) to perform regression analysis of the sorted data to generate a quantifiable and applicable reference model to allow the data to be available. It can help the operation of transferring production or generate a new profit model.
  The results of this study show that under general conditions, the formula derived by the model has reference value for the forecast of sales in the next quarter.

目錄
目錄	v
圖　目　錄	vii
表　目　錄	viii
第 一 章 緒論	1
第一節 研究背景與動機	1
第二節 研究目的	3
第三節 論文章節	3
第 二 章 文獻探討	4
第一節 中小企業定義	4
第二節 傳統產業的定義	6
第三節 資料探勘與數據挖掘	6
第四節 企業績效	8
第五節 商業智慧	9
第六節 資料擷取、轉換及載入	11
第七節 資料倉儲與資料清洗	12
第八節 策略管理	13
第 三 章 研究方法與設計	15
第一節 研究方法	15
第二節 研究設計與研究步驟	15
第三節 個案背景描述	18
第四節 個案數據資料與清洗	18
第 四 章 研究結果與分析	25
第一節 資料描述	25
第二節 相關欄位挑選	25
第三節 建模	25
第 五 章 討論	39
第一節 檢定結果	39
第二節 資料驗證	39
第 六 章 研究結論與建議	45
第一節 研究結論	45
第二節 管理意涵	46
第三節 研究限制與後續研究建議	47
參考文獻	49

 
圖　目　錄
圖2- 1 2017年及2018年中小企業行業分佈百分比	5
圖2- 2 資料探勘步驟	8
圖2- 3 商業智慧的管理意涵	11
圖3- 1 研究設計語研究步驟	16
圖3- 2 資料檔欄位展開圖	22
圖3- 3 SPSS資料樣本集	24

 
表　目　錄
表2- 1 2017年及2018年企業家數、銷售額、人均銷售額概況	5
表3- 1銷貨單資料欄位結構	20
表3- 1銷貨單資料欄位結構(續)	21
表3- 2 客戶資料欄位結構	21
表3- 3客戶別銷售資料欄位結構	23
表4- 1 2015-2018年銷售預設欄位變數已輸入/已移除a	26
表4- 2 2015-2018年銷售預設欄位模型摘要	26
表4- 3 2015-2018年銷售預設欄位變異數分析a	26
表4- 4 2015-2018年銷售預設欄位係數a	27
表4- 5 2015-2018年加客戶型態預設欄位 變數已輸入/已移除a	28
表4- 6 2015-2018年加客戶型態預設欄位　模型摘要	28
表4- 7 2015-2018年加客戶型態預設欄位　變異數分析a	29
表4- 82015-2018年加客戶型態預設欄位　係數a	29
表4- 82015-2018年加客戶型態預設欄位　係數a (續)	30
表4- 9 2019年銷售量預測　變數已輸入/已移除a	31
表4- 10 2019年銷售量預測 模型摘要	31
表4- 11 2019年銷售量預測 變異數分析a	32
表4- 12 2019年銷售量預測 係數a	32
表4- 12 2019年銷售量預測 係數a(續)	33
表4- 13 2019Q4銷售金額 變數已輸入/已移除a	34
表4- 14 2019Q4銷售金額 模型摘要	34
表4- 15 2019Q4銷售金額 變異數分析a	34
表4- 15 2019Q4銷售金額 變異數分析a(續)	35
表4- 16 2019Q4銷售金額 係數a	35
表4- 16 2019Q4銷售金額 係數a(續)	36
表4- 17 2019Q4銷售量 變數已輸入/已移除a	36
表4- 18 2019Q4銷售量模型摘要	37
表4- 19 2019Q4銷售量變異數分析a	37
表4- 20 2019Q4銷售量係數a	38

[01] 王茁。(2005) 。『商業智慧』，博碩文化股份有限公司。新北市。
全國法規資料庫網站。(2015)。中小企業認定標準。from https://law.moj.gov.tw/LawClass/LawAll.aspx?pcode=J0140003
[02] 余立宣。(2015)。資料探勘於資訊設備維修之研究。育達科技大學碩士論文，苗栗縣。
[03] 吳啟賓（2002）。跨國企業資源能力、全球資源配置與控制協調機制對經營績效影響之研究。中國文化大學國際企業管理研究所碩士論文，台北市。
[04] 吳婉琪。(2018)。供應鏈透明度和大數據分析使用對服務創新影響之研究 －以供應鏈敏捷性為中介之分析。國立雲林科技大學碩士論文，雲林縣。
[05] 肖飛、齊立磊。(2013)。大資料處理技術與探索。計算機與現代化，2013(9)，75-77。
[06] 周佳欣。(1997)。臺灣中小企業策略性轉型之研究。東吳大學碩士論文，台北市。
[07] 林思瑢(2001)，以財務及非財務性指標評估建築投資業經營績效之研究，國立中央大學土木工程研究所。
[08] 柯芊菲。(2016)。台灣電子業代工轉型之探討-以A公司為例。國立成功大學碩士論文，台南市。
[09] 徐子珺。(2017)。大數據分析的能力對供應鏈的知識重組與敏捷性之影響。國立臺灣科技大學碩士論文，台北市。
[10] 徐文復&廖明芳。(2000)。傳統產業的新春天。管理雜誌，124-126。
[11] 徐辰瑜。(2017)。運用大數據探討製造業客戶開發與需求之研究-以某精密零件公司為例。僑光科技大學碩士論文，台中市。
[12] 國家發展委員會。(2016)。緣起及架構。from https://www.ndc.gov.tw/Content_List.aspx?n=C2B00972B2ADA711
[13] 張怡瑄。(2017)。生產效率改善模式之研究：大數據分析方法。東海大學碩士論文，台中市。
[14] 梁定澎。(2009)。決策支援系統與企業智慧。台北：智勝文化。
[15] 陳世卿。(2019)。五金製品製造業動態能力、組織認同與競爭優勢關係之研究。國立臺中科技大學碩士論文，台中市。
[16] 陳柏成。(2015)。銷售預測之研究-以F公司為例。國立中正大學碩士論文。
[17] 陳淑絹。(2019)。企業大數據分析能力現況調查之研究。國立中央大學碩士論文，桃園縣。
[18] 經濟部中小企業處。(2019)。108年中小企業白皮書。from https://www.moeasmea.gov.tw/list-tw-2345
[19] 詹凱雁。(2018)。應用資料探勘於銷售預測之探討─以K公司自行車攜車架產品為例。國立虎尾科技大學碩士論文，雲林縣。
[20] 劉育吟。(2020)。運用正規化迴歸分析線上銷售預測：以在亞馬遜上的運動商品為例。國立臺灣大學碩士論文。
[21] 謝依珊（2001）。淺談台灣傳統產業的轉型。生活科技教育，34（8），20-24。
[22] Andersen, B., & Pettersen, P.-G. (1995). Benchmarking handbook: Springer Science & Business Media .
[23] Berry, M. J., & Linoff, G. (1997). “Data mining techniques: for marketing, sales, and customer support,” John Wiley & Sons, Inc .
[24] Evans, H., Ashworth, G., Chellew, M., Davodson, A.,& Towers, D. (1996). Exploiting Activity-based Information: Easy as ABC ? Management Accounting, 74(7), 24-29.
[25] Geiger., J. G. 2002. “ How data warehousing supports BI,” Business Finance, USA, 8, 42.
[26] Guska, O. (2020). Essays on the application of the machine learning methods in finance and policy evaluation.
[27] Jiawei, H., & Kamber, M. (2001). ”Data mining: concepts and techniques. San Francisco, CA, itd,” Morgan Kaufmann, 5.
[28] Lerer, L. (2002). Pharmaceutical Marketing Segmentation in the Age of the Internet. International Journal of Medical Marketing, 2, 159-166.
[29] Morris, H., Liao, H., Padmanabhan, S., Srinivasan, S., Lau, P., Shan, J., & Wisnesky, R. (2008). Bringing Business Objects into Extract-Transform-Load (ETL) Technology. In 2008 IEEE International Conference on e-Business Engineering, 709-714. IEEE.
[30] Murugan, & Asokan. (2003) Business Intelligence Techniques: A Perspective from Accounting and Finance, New York, Springer.
[31] Negash, S. (2004). “Business Intelligence,” Communications of the Association for Information Systems, 13(15), 177-195.
[32] Piateski, G., & Frawley, W. (1991). “Knowledge discovery in databases,” MIT press.
[33] Rasmussen, N., Paul, S., & Per O.Solli. (2002). Financial Business Intelligence, New York, John Wiley & Sons.
[34] Sharma, R. 2000. “Business intelligence: Clues from trends,” Australian CPA, 70(1), 22-23.
[35] Sloma, R. S. (1980). How to Measure Managerial Performance. Macmillan P.C., 66-89.
[36] Steers, Richard M. (1975). Problems in the Measurement of rganizational Effectiveness. Administrative Science Quarterly, 20, 546-58.
[37] Szilagyi, A. D. (1981), Management and Performance, California Goodyear pub., 39.