面對當今網路購物的蓬勃發展，購物中心如何創新思維，顛覆購物體驗成為重要成敗關鍵。近來年許多企業往「以消費者為中心的數據驅動」的新零售發展，結合大數據和雲端技術進行精準行銷。大數據技術為改變創新企業營運及服務模式的重要關鍵，為數位行銷產業帶來變革與創新應用。因應大數據(Big Data)浪頭，本研究透過資料探勘技術找出購物中心交易資料庫中有價值的資訊，模擬企業收集顧客資料並進行分析，快速擷取商業價值。
  本研究以台灣某購物中心顧客為主要研究對象，將 98387 筆暑期促銷交易記錄，進行 ID歸戶轉成 59868 位顧客資料，進行後續研究分析。透過 RFM 模型與兩階段群集計算出顧客價值並將顧客分群；再以 CART 決策樹演算法探討客群間的差異性；最後利用關聯準則找出相關產品組合並提出購物中心交叉銷售策略。
  透過研究結果，群集分析將顧客分為「目標導向型顧客」、「衝動型顧客」、「吊牌型顧客」與「機會型顧客」四群，其中衝動型顧客多為高價值顧客；機會型顧客多為中價值顧客；吊牌型顧客多為低價值顧客，再以分類決策樹分析高、中、低價值顧客輪廓，提出未來運用大數據資料建立精準行銷的建議，以期作為日後企業對客群廣告投放、行銷及服務策略訂定之參考依據。

With the rapid growth of online shopping, shopping malls nowadays play a key role in changing people’s buying experiences. In recent years, many enterprises have developed a new retail mode based on data- driven and consumer-centric insights and applied big data analytics and cloud computing to the precision marketing. Big data technology has brought revolutions to innovative businesses and digital marketing. This study aimed to extract the commercial value from the transaction databases of the shopping malls through the data mining and analytics.
  The purpose of this study is to focus on customers in the shopping mall in Taiwan and to convert 98,387 transaction records of summer sales into 59,868 customer data for further analysis and research. Through RFM model and two-stage clustering, customer values and customer cluster were calculated. Then, customer differentiation was analyzed by using CART decision tree algorithm. Finally, the relevant product portfolio was figured out by associative analysis and the cross- selling strategies of the shopping mall were proposed.
  The results of the study indicated that customers were grouped as four types by using cluster analysis: Target- oriented customers, Price- oriented customers, Opportunity- oriented customers and Impulse- oriented customers. In terms of the rank of the commercial value, impulse- oriented customers were ranked the highest of total groups; opportunity- oriented customers were listed the second highest; price- oriented customers were recorded the lowest. After consumer behaviors were analyzed by cart decision tree, the precision marketing with big data technology was brought about. This study aimed to help companies’ strategic decision on the targeted advertising, marketing and service.

目錄	I
圖目錄	III
表目錄	IV
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 研究流程 3
第二章 文獻探討 5
第一節 資料整備與資料探勘 5
第二節 購物中心線上發展 9
第三節 RFM模型 15
第四節 留客管理 17
第三章 研究方法 20
第一節 研究分析流程 20
第二節 資料探勘分析 21
第三節 模型建立及評估 27
第四章 實證分析 33
第一節 RFM分群之建構與兩階段群集分析 33
第二節 CART決策樹之演算 38
第三節 產品關聯分析 44
第五章 結論與建議	46
第一節 研究結論與貢獻 46
第二節 管理意涵及建議 47
第三節 研究限制與未來研究之建議 50
文獻參考	52
一、中文部份 52
二、英文部份 53
三、網頁資料 57
附錄 59
附錄一 顧客ID歸戶流程圖 59
附錄二 CART 決策樹分類結果 60
附錄三 節點ID:61	61
附錄四 節點ID:45	62
附錄五 節點ID:35	63

圖目錄
圖1-1 研究流程圖	4
圖2-1 資料探勘的簡單概念 6
圖2-2 顧客價值矩陣圖 16
圖3-1 研究分析流程 20
圖3-2 決策樹架構	31
圖4-1 F/M指標所建構之象限	34
圖4-2 規則連結圖	45

表目錄
表2-1 資料探勘之定義 8
表2-2 資料探勘之六大功能 9
表2-3 百貨公司與購物中心之比較 10
表2-4 購物中心地區區隔 11
表2-5 百貨公司業(包含購物中心與百貨公司)各地區銷售額比重分布概 
      況 12
表2-6 購物中心四大類型 12
表2-7 RFM模型建構原則 17
表3-1 購物中心顧客特性 22
表3-2 變數資料編碼表 23
表3-3 顧客00013之所有交易紀錄 24
表3-4 生成消費金額 25
表3-5 顧客00013之三筆交易	25
表3-6 生成消費頻率 25
表3-7 前六位顧客RFM之指標	26
表3-8 RFM資料檔之敘述統計	26
表3-9 刪除離群值之RFM敘述統計 27
表3-10 刪除RFM離群值之購物中心顧客特性 28
表3-11 興趣度數值的經濟面解釋 31
表3-12 三種決策樹演算法整理 32
表4-1  RFM分群結果之單因子變異數分析 34
表4-2  RFM分群敘述統計 34
表4-3 第一階段分群結果 35
表4-4 四個群組的RFM 35
表4-5 群集分析結果之單因子變異數分析 36
表4-6 RFM與群集分析分群結果比較 37
表4-7 變數之角色與層級 39
表4-8 抽取樣本前後比較 39
表4-9 變數重要性程度 41
表4-10 CART決策樹分群驗證結果 42
表4-11 隨機樣本之規則 43
表4-12 關聯分析之資料 44
表4-13 五大商品類別關聯規則 45
表5-1 顧客價值矩陣 49

一、中文部份
1.王一芝(2019年12月)。實體零售大逆襲，比電商還賺。天下雜誌，688，198-199。
2.王品方、鄭宇、庭郭訓志(2018)。應用羅吉斯迴歸分析在個性化旅遊景點推薦模型之研究。Journal of Data Analysis, 13(6), 51-75。
3.王慧華(2019)。顧客價值與商品關聯規則之研究¬－以小型電商為例。淡江大學企業管理學系碩士在職專班學位論文。
4.何恆毅(2010)。建立商業智慧之DataMining預測模型－以零售業為例。輔仁大學應用統計學研究所碩士學位論文。
5.林子能(2016)。以決策樹為基礎之企業雲端服務推薦。淡江大學企業管理學系碩士班學位論文。
6.林繼謙（2019）。運用資料探勘及RFM分析法於顧客價值之研究-以S百貨為例。國立中興大學行銷學系所碩士論文。
7.施雅月、賴錦慧譯(2008)。資料探勘。台灣培生教育出版股份有限公司。
8.范瀞云（2014）採礦技術於購物中心顧客群消費行為之研究。國立政治大學統計研究所碩士論文。
9.袁慶林、何小明(2005)。顧客價值戰略與企業競爭優勢。商場現代化，10(453), 64-66。
10.高文信(2019)。應用資料探勘於銀行顧客行銷分析。淡江大學企業管理學系碩士在職專班學位論文。
11.張心馨、蔡獻富(2004)。以 Data Mining 技術結合 SOM 和 K-Mean 的消費者分群方法於顧客關係管理和績效獲利性評估之實證研究。資訊管理學報，11(4)，161-203。
12.張嘉鑠(2013)。運用資料探勘技術探討顧客價值與消費行為之研究─ 以零售業連鎖專賣店為例。國立臺北大學企業管理學系碩士學位論文。
13.許哲瑋(2003)。資料挖掘與統計方法應用於資料庫行銷之實證研究─以美妝保養品業為例。國立臺北大學企業管理學系研究所碩士學位論文。
14.郭瀚揚(2019)。資料探勘應用之研究：零售業的 RFM 分析架構。
15.楊東震、蔡文甲(2004)。台灣購物中心競爭力指標之建議與分析。中華管理學報, 5(1), 77-90。
16.謝邦昌、鄭宇庭(2016)。零售資料採礦。新陸書局股份有限公司。
17.簡禎富、許嘉裕(2014)。資料挖礦與大數據分析。前程文化。
18.魏莞婷、丁台怡(2011)。應用資料採礦技術探討顧客關係管理之研究-以雜誌出版業為例。Journal of Data Analysis, 6(5), 77-90。
19.羅之盈(2016年4月)。數位體驗－金牌企業的新戰場。天下雜誌，596，46-52。

二、英文部份
1. Agrawal, R., Imieliński, T., & Swami, A. (1993, June). Mining association rules between sets of items in large databases. In Acm sigmod record(22(2), 207-216). ACM.
2. Anderson, J. C., Narus, J. A., & Van Rossum, W. (2006). Customer value propositions in business markets. Harvard business review, 84(3), 90.
3. Berry, M. J., & Linoff, G. S. (2004). Data mining techniques: for marketing, sales, and customer relationship management. John Wiley & Sons.
4. Berry, M. J., & Linoff, G. S. (2004). Data mining techniques: for marketing, sales, and customer relationship management. John Wiley & Sons.
5. Bó, G. D., Milan, G. S., & Toni, D. D. (2018). Proposal and validation of a theoretical model of customer retention determinants in a service environment. RAUSP Management Journal, 53(2), 202-213.
6. Chen, J., & Han, W. (2010, April). Study on the marketing measures based on customer value. In 2010 2nd IEEE International Conference on Information Management and Engineering (pp. 199-202). IEEE.
7. Clemes, M. D., Gan, C., & Zhang, J. (2014). An empirical analysis of online shopping adoption in Beijing, China. Journal of Retailing and Consumer Services, 21(3), 364-375.
8. Cullinan, G. J. (1977). Picking them by their batting averages' recency-frequency-monetary method of controlling circulation. Manual release, 2103.
9. Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37-37.
10. Grönroos, C. (1999). Relationship marketing: challenges for the organization. Journal of Business Research, 46(3), 327-335.
11. Güçdemir, H., & Selim, H. (2015). Integrating multi-criteria decision making and clustering for business customer segmentation. Industrial Management & Data Systems, 115(6), 1022-1040.
12. Hosken, D. S., Olson, L. M., & Smith, L. K. (2012). Do retail mergers affect competition. Evi (dence from grocery retailing. Federal Trade Commission, Bureau of Economics, Working paper no. 313.
13. ICSC NEWS. SCTWeak, 10/18/2013, Vol. 18, Issue 42
14. Jamnagarwala,F, Tijare,P.A. (2019). Data mining with clustering on big data for shopping mall’s dataset. International Journal of Innovative Research in Advanced Engineering. 1(6), 27-31
15. Jarrar, Y. F., & Neely, A. (2002). Cross-selling in the financial sector: customer profitability is key. Journal of Targeting, Measurement and Analysis for Marketing, 10(3), 282-296.
16. Jiang, P. (2000). Segment-based mass customization: an exploration of a new conceptual marketing framework. Internet Research, 10(3), 215-226.
17. Kamakura, W. A., Wedel, M., De Rosa, F., & Mazzon, J. A. (2003). Cross-selling through database marketing: a mixed data factor analyzer for data augmentation and prediction. International Journal of Research in marketing, 20(1), 45-65.
18. Kara, A., & Kaynak, E. (1997). Markets of a single customer: exploiting conceptual developments in market segmentation. European journal of Marketing, 31(11/12), 873-895.
19. Kessler, R. C., McGonagle, K. A., Zhao, S., Nelson, C. B., Hughes, M., Eshleman, S., ... & Kendler, K. S. (1994). Lifetime and 12-month prevalence of DSM-III-R psychiatric disorders in the United States: results from the National Comorbidity Survey. Archives of General Psychiatry, 51(1), 8-19.
20. Kiraidt, A. A., & Novik, N. A. (2018). Digital technologies in marketing.
21. Kotler, P., & Keller, K. L. (2001). A framework for marketing management (Vol. 2). Upper Saddle River, NJ: Prentice Hall.
22. Liu, R. Q., Lee, Y. C., & Mu, H. L. Customer Classification and Market Basket Analysis Using K-Means Clustering and Association Rules: Evidence from Distribution Big Data of Korean Retailing Company1.
23. Lord, R., Bolton, N., Fleming, S., & Anderson, M. (2016). Researching a segmented market: Reflections on telephone interviewing. Management Research Review, 39(7), 786-802.
24. Ma, H. (2015). A Study on Customer Segmentation for E-Commerce Using the Generalized Association Rules and Decision Tree. American Journal of Industrial and Business Management, 5(12), 813.
25. Marcus, C. (1998). A practical yet meaningful approach to customer segmentation. Journal of Consumer Marketing, 15(5), 494-504.
26. Morris, N. (2009). Understanding digital marketing: marketing strategies for engaging the digital generation.
27. Parasuraman, A. (1997). Reflections on gaining competitive advantage through customer value. Journal of the Academy of Marketing Science, 25(2), 154.
28. Patel, A.B. (2018). Application of Data Mining for Customer Behaviour and Customer Relationship Management in Retail Marketing. International Journal of Innovative Research in Computer and Communication Engineering, 6(12), 956-9522,
29. Reichheld, F. F., & Sasser, W. E. (1990). Zero defections: Quality comes to service. Harvard Business Review, 68(5), 105–111.
30. Ronjan, J., Goyal, D. P., & Ahson, S. I, (2008). Data mining techniques for better decisions in human resource management systems. International Journal of Business Information Systems, 3(5), 464-481
31. Shaw, M. J., Subramaniam, C., Tan, G. W., & Welge, M. E. (2001). Knowledge management and data mining for marketing. Decision Support Systems, 31(1), 127-137.
32. Sinha, I., & DeSarbo, W. S. (1998). An integrated approach toward the spatial modeling of perceived customer value. Journal of Marketing Research, 35(2), 236-249.
33. Spiteri, J. M., & Dion, P. A. (2004). Customer value, overall satisfaction, end-user loyalty, and market performance in detail intensive industries. Industrial Marketing Management, 33(8), 675-687.
34. Sun, S. (2011). On the Interaction and Integration of Cross Selling and Customer Relationship Management. Contemporary Logistics, (2), 121.
35. Sweeney, J. C., & Soutar, G. N. (2001). Consumer perceived value: The development of a multiple item scale. Journal of Retailing, 77(2), 203-220.
36. Tanaka, T., Hamaguchi, T., Saigo, T., & Tsuda, K. (2017). Classifying and Understanding Prospective Customers via Heterogeneity of Supermarket Stores. Procedia Computer Science, 112, 956-964.
37. Tavakoli, M., Molavi, M., Masoumi, V., Mobini, M., Etemad, S., & Rahmani, R. (2018, October). Customer segmentation and strategy development based on user behavior analysis, RFM model and data mining techniques: a case study. In 2018 IEEE 15th International Conference on e-Business Engineering (ICEBE) (pp. 119-126). IEEE.
38. Weinstein, A. (2002). Customer retention: a usage segmentation and customer value approach. Journal of Targeting, Measurement and Analysis for Marketing, 10(3), 259-268.
39. Weinstein, A., & Cahill, D. J. (2014). Lifestyle market segmentation. Routledge.
40. Yaping, Y.(2005).Customer Relationship Management: the core of relationship marketing. Journal of Hubei Broadcasting & Television University, 22(1), 81-83
41. Zuo, L., & Guo, J. (2019, January). Customer Classification of Discrete Data Concerning Customer Assets Based on Data Mining. In 2019 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS) (pp. 352-355). IEEE.
 
三、網頁資料
1.字媒體，購物中心定位規劃和運營管理實操大全，2019年12月18日。
網址：https://zi.media/@yidianzixun/post/Y5kqtq
2.台經院產經資料庫，綜合商品零售業景氣趨勢調查報告，2019年10月5日。
網址：https://tie.tier.org.tw/db/content/index.aspx?sid=0I207351128864496628&mainIndustryCategorySIds=0A007646526591894465
3.台經院產經資料庫，百貨公司業基本資料，2019年10月4日。
網址:
https://tie.tier.org.tw/db/content/index.aspx?sid=0J029537486881102608&mainIndustryCategorySIds=0A007646526591894465
4.台經院產經資料庫，百貨公司業之現況與展望，2019年10月4日。
網址：https://tie.tier.org.tw/db/content/index.aspx?sid=0I362504066477210834&mainIndustryCategorySIds=0A007646526591894465
5.草根影響力新視野，結合虛擬網站與實體商店的Mashop，2019年12月18 日。網址：http://grinews.com/news/%E7%B5%90%E5%90%88%E8%99%9B%E6%93%AC%E7%B6%B2%E8%B7%AF%E8%88%87%E5%AF%A6%E9%AB%94%E5%95%86%E5%BA%97%E7%9A%84mashop/
6.科技橘報，迎向數位新局，企業得認清數位經營「形」與「神」，2019年12月18。
網址：https://buzzorange.com/techorange/2016/10/14/gamerule-of-future/
7. 91APP，新零售、全通路、O2O | 為何觀念大家都有，卻少有品牌做得到位，2019年10月15。
網址：https://www.91app.com/blog/new-retail-concept/
8. 91APP，2019虛實整合不可忽視的四大關鍵，2019年10月15日。
網址：https://www.91app.com/blog/2019-four-key-point-of-new-retail/
9.運用大數據分析達到精準行銷，在對的市場找到對的客戶，2020年6月20。
網址：https://blog.ocard.co/knowhow/%E7%B2%BE%E6%BA%96%E8%A1%8C%E9%8A%B7/