科技的進步改變了人們的生活型態，電視購物逐漸被消費者所接受。依據經濟部統計台灣的無店面零售業從2002年的819億元成長到2011年的1,755億元，電視購物在過去幾年內快速成長和普及化，消費者越來越依賴在電視購物台購買商品，電視購物己逐漸成為未來消費的主要模式，電視購物台營運表現也十分驚人。
　　宅經濟是近年來熱門話題，消費者不出門都能在家進行消費，讓電視購物產業在經濟蕭條中還能逆勢成長。2010年購物台透過電視購物頻道來銷售房地產，電視購物提供多樣化的商品內容，已深深虜獲消費者的心，達到不出門就能購足消費者所需。 
　　本研究採用問卷調查法，以900位的電視購物消費者為研究對象，問卷回收之後資料建立關聯性資料庫，以SPSS Clementine為分析工具，透過資料探勘做集群分析以找出消費者輪廓，並運用關聯法則瞭解消費者對於電視購物代言人及商品的光譜現象。並依據消費者輪廓及偏好描繪出產品行銷知識地圖及代言人行銷知識地圖，由知識地圖中，發掘出不同集群之間的購買動機、交易機制偏好等需求，找出最佳的代言組合並進行推薦，進一步整合成企業不可或缺的商業智慧。
　　運用資料庫探勘出消費者電視購物行為模式的推薦機制，利用代言人及產品光譜策略分析圖，提出策略建議。從代言人、時段、顧客輪廓及產品間的操作歸納出，消費者於電視購物的四個商業模式，新市場策略、滲透策略、低價策略、精品策略，期望能提供相關業者有關於電視購物市場脈動的一些新觀點，為電視購物市場帶來更蓬勃的發展。

Nowadays, the technology improvement has changed people’s lifestyle and it has made that consumers gradually accepted television (TV) shopping . According to statistics by Ministry of Economic Affairs, non-store retailing market in Taiwan has grown from NT$81.9 billion in 2002 to NT$175.5 billion in 2011. Obviously, TV Shopping become popular and also develops rapidly over the past few years. More and more consumers rely on TV shopping to purchase products for their needs. TV Shopping will be the main purchase model in the future.
The study used questionnaires to 900 samples TV shopping consumers for the study, questionnaires were collected data to create relational database to the SPSS Clementine analysis tool. In order to identify consumers’ contour by cluster analysis K-Means. Furthermore, it utilizes association rules (Apriori) to realize how consumers Endorsers spectrum and Product spectrum between in TV shopping. It can be outlined the knowledge map of product marketing and Endorsers marketing in TV shopping based on consumers contour and preference. From knowledge map, it can discover the purchase motivation in different cluster, transaction preference or other demands. Thus, it can acquire the best advertising combination and proceed with recommendation; meanwhile, it is helpful to create the essential business intelligence via further integration. 
According to the database, it researches the recommendation pattern of consumers behavior in TV shopping. TV shopping, customer contour and product operation, it sums up four business models in TV shopping: new marketing strategy, penetration strategy, low-cost strategy, quality product strategy, and the study anticipates that the related enterprise in TV shopping can offer new views about TV shopping market and then grow more vigorous development in TV shopping market.

目錄
謝  辭	I
中文摘要	II
英文摘要	III
目錄	IV
表目錄	VII
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	4
1.3 研究方法與流程	5
第二章  文獻探討	6
2.1 電視購物文獻探討	6
2.1.1 國內電視購物頻道	9
2.1.2 電視購物主持人	12
2.1.3 小結	16
2.2 推薦機制	16
2.2.1 推薦機制的定義	17
2.2.2 推薦機制的種類	19
2.2.3 小結	21
2.3 資料探勘	21
2.3.1 資料探勘的定義	22
2.3.2 資料探勘的功能	24
2.3.3 資料探勘的流程	26
2.3.4 資料探勘的商業之應用	28
2.3.5 小結	29
2.4 代言人光譜	29
2.4.1 光譜的定義	30
2.4.2 代言人光譜的應用	31
2.4.3 小結	34
2.5 商業智慧	35
2.5.1 商業智慧的定義	35
2.5.2 商業智慧的發展	37
2.5.3 商業智慧的系統發展程序	39
2.5.4 小結	40
第三章 研究方法	41
3.1 研究設計與架構	41
3.1.1 概念性資料庫	45
3.1.2 邏輯性資料庫	47
3.1.3 實體性資料庫	49
3.2 問卷設計與發放	50
3.2.1 問卷設計	50
3.2.2 問卷架構	53
3.2.3 抽樣方法	54
3.2.4 研究樣本	54
3.3 關聯法則與集群分析	56
3.3.1 關聯法則	56
3.3.2  Apriori演算法	59
3.3.3 集群分析	62
3.4 資料分析軟體SPSS Clementine	65
第四章 資料探勘與實證分析	69
4.1 樣本結構描述	69
4.2 市場區隔與消費者輪廓之探勘	71
4.2.1 分群後的顧客輪廓	73
4.2.2 分群後的消費者偏好	80
4.3 電視購物代言人之探勘Apriori演算分析	88
4.3.1 代言人之關聯法則分析	89
4.3.2 商品組合之關聯法則分析	93
4.3.3 滿意度之關聯法則分析	99
第五章 結論與建議	104
5.1 研究結論	104
5.2 管理意涵建議	105
5.2.1 產品行銷知識地圖	105
5.2.2 代言人光譜分析	108
5.2.3 代言人及產品光譜策略分析	111
5.2.4 代言人推薦機制之應用	114
5.3 研究限制及後續研究建議	117
參考文獻	119
附錄一 前測問卷	127
附錄二 正式問卷	132
 
表目錄
表2- 1各學者對電視購物的定義	8
表2- 2台灣電視購物台現況	11
表2- 3電視購物台無店舖販售通路比較表	12
表2- 4各學者對推薦機制的定義	18
表2- 5資料探勘定義	23
表2- 6資料探勘流程	27
表2- 7資料探勘的商業之應用	28
表2- 8各學者對偏好定義	32
表2- 9各學者對商業智慧的定義	36
表2- 10發明家及軟硬體發開商對商業智慧的貢獻	38
表3- 1實體、關聯與屬性的概述	45
表3- 2產品類別一覽表	52
表3- 3問卷發放時間表	55
表3- 4問卷發放對象表	56
表3- 5資料探勘軟體之使用頻率調查	66
表4- 1問卷回收統計表	69
表4- 2基本資料統計表	70
表4- 3 K-Means分群結果－顧客輪廓	73
表4- 4電視購物潛在開發族群-顧客輪廓之蛛網圖演算分析表	76
表4- 5電視購物目標鎖定族群-顧客輪廓之蛛網圖演算分析表	77
表4- 6電視購物都會藍領族群-顧客輪廓之蛛網圖演算分析表	79
表4- 7 K-Means分群結果－消費者偏好	81
表4- 8電視購物潛在開發族群-消費者偏好之蛛網圖演算分析表	83
表4- 9電視購物目標鎖定族群-消費者偏好之蛛網圖演算分析表	85
表4- 10電視購物都會藍領族群-消費者偏好之蛛網圖演算分析表	87
表4- 11集群一 代言人之關聯法則分析表	90
表4- 12集群二 代言人之關聯法則分析表	91
表4- 13集群組合 代言人之關聯法則分析表	93
表4- 14集群一 商品組合之關聯法則分析表	95
表4- 15集群二 商品組合之關聯法則分析表	97
表4- 16集群組合 商品組合之關聯法則分析表	98
表4- 17集群一 滿意度之關聯法則分析表	100
表4- 18集群二 滿意度之關聯法則分析表	102
表4- 19集群組合 滿意度之關聯法則分析表	103
 
圖目錄
圖1- 1無店面零售業年營業額圖	2
圖1- 2台灣電視購物市場規模	3
圖1- 3研究流程圖	5
圖2- 1資料探勘的方式與功能	26
圖2- 2放射能源的波長範圍	31
圖2- 3行銷光譜圖	32
圖2- 4代言人光譜圖	33
圖2- 5產品光譜圖	34
圖2- 6商業智慧的系統發展程序	40
圖3- 1研究架構圖	42
圖3- 2系統架構設計圖	43
圖3- 3概念性資料庫設計Entity-Relationship圖	46
圖3- 4邏輯性資料庫設計圖	48
圖3- 5資料庫關聯圖	50
圖3- 6問卷架構圖	53
圖3- 7 Apriori演算法產生的選項目集合和高頻項目集合	61
圖3- 8 Apriori五維度演算路徑	62
圖3- 9集群分析方法架構圖	63
圖4- 1資料節點串流圖	71
圖4- 2 K-Means集群分佈圖	72
圖4- 3電視購物潛在開發族群-顧客輪廓之蛛網圖	76
圖4- 4電視購物目標鎖定族群-顧客輪廓之蛛網圖	78
圖4- 5電視購物都會藍領族群-顧客輪廓之蛛網圖	80
圖4- 6電視購物潛在開發族群-消費者偏好之蛛網圖	84
圖4- 7電視購物目標鎖定族群-消費者偏好之蛛網圖	86
圖4- 8電視購物都會藍領族群-消費者偏好之蛛網圖	88
圖4- 9集群一 代言人及消費時段偏好之蛛網圖	90
圖4- 10集群二 代言人及消費時段偏好之蛛網圖	92
圖4- 11集群組合 代言人及消費時段偏好之蛛網圖	93
圖4- 12集群一 商品組合偏好之蛛網圖	96
圖4- 13集群二 商品組合之蛛網圖	97
圖4- 14集群組合 商品組合之蛛網圖	99
圖4- 15集群一 滿意度之蛛網圖	101
圖4- 16集群二 滿意度之之蛛網圖	102
圖4- 17集群組合 滿意度之蛛網圖	103
圖5- 1產品行銷知識地圖	106
圖5- 2代言人行銷知識地圖	109
圖5- 3代言人及產品光譜圖	111

中文文獻
Brenda（2009）。購物台的異想世界：一個電視購物專家的告白。臺北市：原色文化出版社。
尹相志（2007）。SQL Server 2005 Data Mining資料採礦與Office 2007資料採礦增益集。臺北市：悅知文化出版社。
王茁（2005）。商業智慧。臺北市：博碩文化出版社。
王凱（2001）。超媒體電腦媒介環境中消費者涉入與廣告效果研究－廣告情境與導引策略的調節影響（博士論文）。取自國家圖書館。（索書號：494.8 005D 90-3）
匡宏波、韋端、鄭宇庭、謝邦昌（2003）。Data Mining概述-以Clementine 7.0為例。臺北市：中華資料採礦協會。
江宏祥（1994）。有線電視購物頻道消費決策模式之研究（碩士論文）。取自國家圖書館。（索書號：541.83 004M 84-7）
行政院新聞局。有線廣播電視法【華總一義字第09200239041號令】（2003年12月24日）。
吳仁和（2011）。資訊管理：企業創新與價值創造（三版）。臺北市：智勝文化出版社。
吳萬益（2011）。企業研究方法（四版）。臺北市：華泰文化出版社。
呂長民（2009）。行銷研究：企業研究方法實務應用。臺北市：前程文化出版社。
林慶德（譯）（2006）。資料庫管理與應用（原作者：Jeffrey Hoffer）。臺北市：全華圖書有限公司。（原著出版年：2003）
高皇、呂文琬（2010）。賺錢力：一兆金山任你挖。臺北市：環球波音國際有限公司。
陳志銘、陳逸如（譯）（2007）。請你跟我這樣做：洞悉業務員、廣告、政法人物的六大心理戰術。（原作者：Robert B. Cialdini）。臺北市：培生教育出版社。（原著出版年：1993）
陳怡伶（2003）。電視購物頻道與製造商品牌聯盟對知覺品質之影響（碩士論文）。取自國家圖書館。（索書號：541.83 006M 92-15）
陳怡萍（2005年8月）。前進的動力：東森購物靠明星SALES拼業績，遠見雜誌，230，89-91。 
陳健麟（1997）。有線電視購物消費行為之研究。南開學報，第2期，頁205-222。
陳鴻興、陳詩涵（譯）（2008）。色彩工程學：理論與應用（原作者：大田登）。臺北市：全華圖書有限公司。
陳耀茂（譯）（2006）。資料採礦利用Clementine使用手冊（原作者：牛田一雄、 高井勉、木暮大輔）。臺北市：鼎茂圖書有限公司。（原著出版年：2003）
黃書倩（譯）（2003）。色彩學的基礎（原作者：山中俊夫）。臺北市：六合出版社。
經濟部統計處新聞資料（2012）。商業動態調查統計報告，批發、零售及餐飲業動態調查。臺北市：經濟部。
葉日武（譯）（2005）。消費者行為：建立行銷策略（九版）（原作者：Hawkins, Best & Coney）。臺北市：前程文化出版社。（原著出版年：2004）
葉華鏞（2001）。有線電視收視戶對於『購物頻道』收視動機、收視行為與購買行為之關聯性研究-以大台北地區為例（碩士論文）。取自國家圖書館。（索書號：541.83 009M 90-12）
廖述賢（2007）。知識管理。臺北市：雙葉書廊有限公司。
廖述賢、溫志皓（2009）。資料採礦與商業智慧。臺北市：雙葉書廊有限公司。
廖述賢、溫志皓（2012)。資料探勘理論與應用。臺北市：博碩文化有限公司。
 
英文文獻
Adriaans, P., & Zantinge, D. (1996). Data Mining. NY: Wesley.
Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. Paper presented at the Proc 20th Int Conf very Large Data Bases VLDB, 1215(1558601538), 487-499.
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.
Bergemann, D., & Ozmen, D. (2004). Optimal Pricing Policy with Recommender Systems. MA: Harvard Cambridge.
Berry, M. J., & Linoff, G. (1997). Data Mining Techniques: For Marketing, Sales, and Customer Support, NY : Wiley.
Brehm, J. W. (1956). Post-decision changes in desirability of choice alternatives. Journal of Abnormal and Social Psychology, 52,  384-389.
Burham, R. W., Hanes, R. M., & Bartleson, C. J. (1963). Color: a guide to basic facts and concepts, NY: Wiley.
Cabena, P., Hadjinian, P., Stadler, R., Verhees, J., & Zanasi, A. (1998). Discovering Data Mining: from Concept to Implementation. NJ : Prentice Hall.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM1.0 Step-by-Step data mining guide. Retrieved from http://www.crisp-dm.org, August .
Cho, Y. H., & Kim, J. K. (2004). Application of web usage mining and product taxonomy to collaborative recommendations in e-commerce. Expert Systems with Applications, 26(2), 233-246. 
Coenen, F., Goulbourne, G., & Leng, P. (2004). Tree Strucctures for Mining Association Rules: Data Mining and Knowledge Discovery. Kluwer Academic Publishers Hingham, 8(1), 25-51.
Cook, J. P. (2000). Consumer Culture and Television Home Shopping Programming: An Examination of the Sales Discourse. Mass Communication and Society, 3(4), 373-391.
Deepak, P. (2007). Business Intelligence for Telecommunications. New Delhi: CRC Press.
Dsavid, L. W., & Aidan, R. V. (2004). Policy Analysis: Concepts and Practice(4nd ed.).NJ: Pearson Prentice Hall. 
Engel, J. F., Martin, R., Warshaw, T. C., & Kinnear, B. R. (2000). Promotional Strategy (9nd ed.). Cincinnati OHIO: Pinnaflex edu- Cationalresources.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37-54.
Fitzgerald, B. (2003). Using BI tools to turn information into action. Financial Executive, 19(2), 46-47.
Frawley, W. J., Piatetsky-Shapiro, G., & Matheus, C. J. (1992). Knowledge discovery in databases: An overview. AI Magazine, 13(3), 57-70.
Fritchie, L. L., & Johnson, K. P. (2003). Personal selling approaches used in television shopping. Journal of Fashion Marketing and Management, 7( 3), 249-258.
Geiger, J. G. (2002). How data warehousing supports BI. Business Finance, Loveland, CO, 8(3), 42.
Grant, A., Guthrie, K., & Ball-Rokeach, S. J. (1991). Television Shopping-Media System Dependency Perspective. Communication Research, 18(6), 773-798.
Grupe, F. H., & Owrang, M. M. (1995). Database Mining Discovering New Knowledge And Cooperative Advantage. Information Systems Management, 12(4).
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3nd ed.). CA: Morgan Kaufmann.
Harding, W. (2003). BI crucial to making the right decision, Financial Executive, 19(2), 49-50.
Haskett, M. (2000). An introduction to data mining. part 1: Understanding the critical data relationship in the corporate data warehouse, Enterprise Systems Journal, 15, 32-34.
Haubl, G., & Murray, K. B. (2006). Double agents: Assessing the role of electronic product recommendation systems. MIT Sloan Management Review, 47 (3), 8-12.
Howard, D. (1989). Business Intelligence. CT: Gartner.
Hui, S. C., & Jha, G. (2000). Data mining for customer service support. Information & Management, 38(1), 1-13. 
Hung, L. P. (2005). A Personalized Recommendation System Based on Product Taxonomy for One-to-One Marketing Online. International Journal of Expert Systems with Applications, 29(2), 383-392.
IBM SPSS (2011). Modeler User’s Guide. IBM Press.
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), 279-285. 
Kantardzic, M. (2002). Data Mining: Concepts, Models, Methods, and Algorithms, NJ: Wiley.
Kleissner, C. (1998). Data mining for the enterprise. Paper presented at the System Sciences, 1998., Proceedings of the Thirty-First Hawaii International Conference,7, 295-304.
Kouris, I. N., Makris, C. H., & Tsakalidis, A. K. (2005). Using Information Retrieval techniques for supporting data mining. Data and Knowledge Engineering, 52(3), 353-383.
Kristin, R. N., & Matkovsky, I. P. (1999). Using Data Mining Techniques for Fraud Detection. NC: SAS Institution and Federal Data.
Krugman, D., & Eckrich, D. (1982). Differences Between Cable and Pay-Cable Audiences. Journal of Advertising Research, 22(4), 23-29.
Lee, T. S., Chiu, C. C., Chou, Y. C., & Lu, C. J. (2006). Mining the customer credit using classification and regression tree and multivariate adaptive regression splines. Computational Statistics & Data Analysis, 50(4), 1113-1130. 
Li, Y., Lu, L., & Xuefeng, L. (2005). A hybrid collaborative filtering method for multiple-interests and multiple-content recommendation in E-commerce. Expert Systems with Applications, 28(1), 67-77.
Lichtenstein, S., & Slovic, P. (2006). The construction of preference. NY: Cambridge University Press.
Liu, D. R., & Shih, Y. Y. (2005). Integrating AHP and Data Mining for Product Recommendation based on Customer Lifetime Value. Information and Management, 42(3), 387-400.
Moss, L. T., & Atre, S. (2003). Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications. Boston, MA: Addison Wesley. 
Mundy, J., Thornthwaite, W., & Kimball, R. (2006). The Microsoft Data Warehouse Toolkit: With SQL Server 2005 and the Microsoft Business Intelligence Toolset. IN: Wiley Publishing.
Newton, I. (1704). Optics or a treatise of the reflections, inflections and Colors of light (4nd ed.). NY: Dover.
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: an International Journal, 42(3), 785-804.
Percy, L., Rossiter, J., & Elliott, R. (2001). Strategic Advertising Management. Australasian Marketing Journal, NY: Oxford University press, 9(2), 90-91.
Resnick, P., & Varian, H. R. (1997). Recommender Systems, Communications of the ACM, NY:ACM, 40(3), 56-58.
Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., & Riedl, J. (1994). GroupLens: An open architecture for collaborative filtering of netnews. Paper presented at the Proceedings of the 1994 ACM Conference on Computer Supported Cooperative Work, 175-186. 
Rubin, A. M. (2002). The uses-and-gratifications perspective of media effects, NJ: Lawrence Erlbaum.
Rubin, A. M., Perse, E. M., & Powell, R. A. (1985). Loneliness, parasocial interaction, and local television news viewing. Human Communication Research, 12(2), 155-180. 
Sametz, R., & Maydoney, A. (2003). Storytelling through design. Design Management Journal. 14(4), 18-34.
Santos, M. Y., & Amaral, L. A. (2004). Mining geo-referenced data with qualitative spatial reasoning strategies. Computers Graphics, 28(3), 371-379.
Schafer, J. B., & Riedl, J. T. (2001). Electronic-Commerce Recommender Applications, Journal of Data Mining and Knowledge Discovery, 5(1/2), 115-153.
Scherer, K. R. (2005). What are emotions? and how can they be measured? Social Science Information, 44(4), 695-729. 
Sharma, A. (1990). The persuasive effect of salesperson credibility: Conceptual and empirical examination. The Journal of Personal Selling and Sales Management, 10(4), 71-80. 
Sharma, R. (2000). Business intelligence: Clues from trends, Australian CPA, Melbourne, Australia, 70(1), 22-23.
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. 
Solomon, B. (1994). TV Shopping Comes of Age, Management Review, American Mana- gement Association, 83(9), 22-26.
Stephens, D. L., Hill, R. P., & Bergman, K. (1996). Enhancing the consumer-product relationship: Lessons from the QVC home shopping channel. Journal of Business Research, 37(3), 193-200. 
White, C. J. (1999). The IBM Business Intelligence Software Solution, Database Associates International.
 
網路資料
Euromonitor國際市調公司（2011）。台灣電視購物(Home shopping)產業概況。台北市廣告代理商業同業公會。取自：http://www.taaa.org.tw/產業直擊－台灣電視購物產業概況。
中央廣撥電台（2009）。新聞辭典。取自：http://www.rti.org.tw/ajax/ media/content4.aspx?id=1120/宅經濟。
東森購物官方網站ETMall購物台。取自：http://www.etmall.com.tw/
美好購物電視線上購物官方網站ViVaTV購物台。取自：http://www.vivatv.com.tw/
富邦購物官方網站momo購物台。取自：http://www.momoshop.com.tw/
森森百貨官方網站U-Life購物台。取自：http://www.u-mall.com.tw/
劉德泰（2002)。淺談商業智慧系統發展的方法。資策會FIND數位教育研究中心。取自：http://www.iiiedu.org.tw/