現代企業資料庫中，往往擁有龐大的顧客交易資料以及顧客基本資料。為了從資料庫中瞭解顧客行為，目前業界最常使用的是簡單捕捉顧客行為模式的RFM模型，並利用RFM模型找出對企業貢獻度高的顧客，進而進行顧客關係管理。本研究以RFM模型為基礎，將消費頻率的分布情形與變動權重的概念導入，引用「連」(Run)的概念，將一般評估顧客指標的RFM模型加以修正。本文以廣義伽瑪分配模擬出顧客的交易時間，透過線性判別分析比較Hughes和Stone指標，以及本研究所提出的新指標法(S)，這三種RFM模型的顧客判斷正確率以及判斷錯誤所造成的誤判成本。本文研究結果發現，我們提出的新指標法(S)，在重要顧客的判斷正確率上明顯穩定且優於其他兩者；在誤判成本的部份亦低於其他兩種評估方法。

In database of modern enterprise, there are huge amont of customer trade materials and personal information. In order to analyze customer behavior from the database, the RFM model which catches the patterns of customer behaviour is used frequently to find out important customers and to perform  customer relationship management. This research proposes a modified RFM index     based on the distribution of the consuming frequency, variable weights, and the concept of "Run". With simulated customer's trading time by the generalized gamma distribution, we compare the performance of Hughes indicator, Stone indicator, and our new S indicator. We find that our new S indicator is more stable and performs better in the accuracy of the determination of important customers, and has lower misclassification costs.

目  錄
第一章　緒論	1
1.1研究動機與目的	1
1.2研究架構	3
第二章 文獻回顧	4
2.1 RFM模型	5
2.1.1 Hughes建構原則	5
2.1.2 Stone建構原則	6
2.2 LRFM模型	7
2.3 廣義伽瑪分配(Generalized Gamma)	9
2.4 線性判別分析	11
第三章 研究架構與方法	12
3.1 連(Run)的概念	12
3.2 研究構思	14
3.2.1 變動權重想法	16
3.2.2 顧客價值衡量	16
3.3 顧客購買期間基礎模型	17
3.4 線性判別分析	21
第四章 研究結果與討論	23
4.1 資料模擬	23
4.1.1 資料模擬步驟	23
4.2 顧客價值計算	25
4.2.1 Hughes建構原則	25
4.2.2 Stone建構原則	26
4.2.3 新指標法(S)	27
4.2.4 小結	29
4.3 線性判別分析	30
4.3.1 Hughes建構原則	32
4.3.2 Stone建構原則	34
4.3.3 新指標法(S)	36
4.4 綜合結果比較	39
4.4.1 訓練樣本分類正確率	39
4.4.2 測試樣本分類正確率	44
4.4.3 誤判成本	46
第五章 結論與建議	50
5.1 研究結論	50
5.2研究建議	51
參考文獻	53
 
表目錄
【表2.1】Hughes建構原則	6
【表2.2】Stone建構原則	7
【表2.3】LRFM模型（出自：張心馨與蔡獻富）	8
【表2.4】層級貝氏估計的平均間隔時間（出自：羅淑娟與蔡佳璋）	10
【表4.1】列舉三位模擬顧客的交易時間	24
【表4.2】Hughes建構原則的顧客價值	25
【表4.3】Stone建構原則的顧客價值	26
【表4.4】新指標法(S)－連的計算	27
【表4.5】新指標法(S)的顧客價值	28
【表4.6】顧客價值比較表	29
【表4.7】判斷結果比較表	30
【表4.8】誤判成本表	31
【表4.9】Hughes建構原則的訓練樣本判斷結果	32
【表4.10】Hughes建構原則的測試樣本判斷結果	33
【表4.11】Hughes建構原則的誤判成本比較表	33
【表4.12】Stone建構原則的訓練樣本判斷結果	34
【表4.13】Stone建構原則的測試樣本判斷結果	35
【表4.14】Stone建構原則的誤判成本比較表	35
【表4.15】新指標法(S)的訓練樣本判斷結果	36
【表4.16】新指標法(S)的測試樣本判斷結果	37
【表4.17】新指標法(S)的誤判成本比較表	37
【表4.18】重要顧客限制條件	40
【表4.19】三種衡量顧客價值之誤判成本比較表	46
 
圖目錄
【圖1.1】研究架構流程圖	3
【圖2.1】以顧客關係類型矩陣為基礎之顧客分群	8
【圖3.1】殘差圖	12
【圖3.2】加入連概念的殘差圖	13
【圖3.3】顧客消費時間紀錄圖	13
【圖3.4】加入連概念的顧客消費時間紀錄圖	14
【圖3.5】三位顧客消費時間紀錄圖	14
【圖3.6】加入連概念的顧客消費時間紀錄圖	15
【圖3.7】固定參數 的廣義伽瑪分配機率密度函數圖	18
【圖3.8】固定參數 的廣義伽瑪分配機率密度函數圖	19
【圖3.9】固定參數 的廣義伽瑪分配機率密度函數圖	20
【圖3.10】線性判別分析示意圖	21
【圖4.1】訓練樣本正確分類率之直方圖	39
【圖4.2】五種條件下之訓練樣本正確分類比較圖	41
【圖4.3】訓練樣本重要顧客正確分類率之直方圖	42
【圖4.4】五種條件下之訓練樣本重要顧客正確分類比較圖	42
【圖4.5】測試樣本正確分類率之直方圖	44
【圖4.6】五種條件下之測試樣本正確分類比較圖	44
【圖4.7】測試樣本重要顧客正確分類率之直方圖	45
【圖4.8】五種條件下之測試樣本重要顧客正確分類比較圖	45
【圖4.9】訓練樣本C1/C2=2之誤判成本比較圖	47
【圖4.10】測試樣本C1/C2=2之誤判成本比較圖	47
【圖4.11】訓練樣本C1/C2=5之誤判成本比較圖	48
【圖4.12】測試樣本C1/C2=5之誤判成本比較圖	49

參考文獻
【英文文獻】
[1] Allenby, G. M., Leone, R. P., and Jen, L. (1999). A Dynamic Model of 
Purchase Timing With Application to Direct Marketing. Journal of the American Statistical Association, 365-373.
[2] Schmittlein, D.C and Peterson, R.A. (1994). Customer Base Analysis:
 An Industrial PurchaseProcess Application. Marketing Science 13, 
41-67.
[3] Roberts, M. L. (1992). Expanding the Role of the Direct Marketing Database. Journal of Direct Marketing 6, 51-60. 
[4] Bult, J.R. and Wansbeek, T. (1995). Optimal Selection For Direct Mail. Marketing Science 14:4, 378-395.
[5] Marcus, C. (1999). A practical yet meaningful approach to customer segmentation.  Journal of consumer marketing 15:5, 494-504.
[6] Reinartz, W. J. and Kumar, V. (2000). On the Profitability of Long-Life Customer in a No contractual Setting: An Empirical Investigation and Implications for Marketing.  Journal of Marketing 64, 17-35.
[7] Groth, R. (1999). Data Mining: Building Competitive Advantage, Prentice Hall PTR. 
[8] Hughes, A. M. (1996). Boosting response with RFM.  Marketing Tools 5, 4-10.
[9] Stone, B. (1994). Successful Direct Marketing Methods, 5th ed., Lincolnwood, IL. NTC Business Books. 

[10] Lee, G., Sung, T. K. and Chang, N. (1999). Dynamics of modeling in data mining: interpretive approach to bankruptcy prediction.  Journal of Management Information Systems 16, 63-85.
[11] Trevino, L. J. and Daniels, J. D. (1995).  FDI theory and foreign direct investment in the United States: a comparison of investors and non-investors.  International Business Review 4, 177-194. 
[12] Kim, J. C., Kim, D. H., Kim, J. J., Ye, J. S. and H. S. Lee. (2000). Segmenting the Korean housing market using multiple discriminant analysis. Construction Management and Economics 18, 45-54. 
[13] Cook, John D. (2008). Inverse Gamma Distribution.



【中文文獻】
[14] 唐瑩荃、林朝興，以顧客價值分析與權重漸進探勘來進行協力式音樂推薦，南台科技大學資訊管理學所，資訊、科技與社會，第六卷 第一期，2006，1-26頁。
[15] 羅淑娟、蔡佳璋，應用層級貝氏法於線上消費行為管制之探索研究，台北科技大學工業工程與管理系，商管科技季刊，第六卷 第二期，2005。
[16] 張心馨、蔡獻富，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，成功大學企業管理系所，資訊管理學報，第十一卷 第四期，2004，161-203頁。

[17] 蔡劍霞、王懿德、余菁蓉和俞旭昇。判別分析應用於台灣上市公司之股價表現─以半導體業、光電材料及元件業為例。國立暨南國際大學資訊管理學系，2004，第一屆台灣作業研究學會學術研討會暨2004年科技與管理術研討會。 
[18] 謝綺蓉譯，Richard Koch 原著。『80/20法則』，台北：大塊文化，1998。