流通業界在面對系統資料越來越龐大，如何在原已建置或即將建置的商業智慧系統(BI)之基礎上，結合巨量資料之新觀念，以延續商業智慧系統的生命週期與未來發展，為目前流通業界重要的議題。
本研究旨在探討流通業在建置商業智慧系統後，如何以商業智慧為基礎延伸應用巨量資料的概念，進而如何整合巨量資料之理論以維持商業智慧系統的價值。本研究先經文獻分析探究流通業與巨量資料的定義，進而發展一雛型系統，再運用專家訪談之研究方法蒐集流通業導入意願及現況問題。專家使用雛型系統後，經訪談彙總出的建議結果：流通業界應使用巨量資料的概念，延伸發展商業智慧系統，流通業界可使用RFM(Recency Frequency Monetary)模型了解顧客貢獻以及流通業可使用巨量資料的資料價值化定義來產生新的獲利模式。本研究成果可提供流通業界利用巨量資料建置商業智慧系統之參考。

The retailing industry when facing the growing large volume of system data, how to integrate the novel big data concept with the existing business intelligence (BI) system or BI system about to establish; and how to expand the BI system’s life cycle and its further development became an essential issue.
The research aims to discuss how the retailing industry extend the application of the big data concept after BI-system been established and further integrate the big data theories to maintain the value of existing BI systems. A prototype system was developed after literature analysis of the definitions of “Retailing Industry” and “Big Data”. And then the expert interview method was adopted to find the intention and status quo of the industry on big data application. After the prototype system been trailed by the experts, it is summarized and suggested that: 1. the retailing industry shall utilize the big data concept to extend BI systems; 2. RFM (Recency Frequency Monetary) model can be used to evaluate customers’ attribution; and 3. the data value definition of big data can be used to generate new profit modes. The research achievements can be provided to the retailing industry as references to apply big data in BI system establishment.

目錄
目錄	IV
表目錄	VI
圖目錄	VII
 第一章　緒論	1
1.1	研究背景與動機	1
1.2	研究目的	4
1.3	研究流程	5
 第二章　文獻探討	7
2.1	流通業	7
2.1.1	流通業的定義	7
2.1.2	流通業的趨勢	10
2.2	整合性資訊系統	12
2.2.1	整合性資訊系統的定義	12
2.2.2	整合性資系統架構	16
2.3	商業智慧	17
2.3.1	商業智慧的定義	17
2.3.2	商業智慧系統的開發步驟	20
2.4	BSC平衡計分卡	24
2.4.1	BSC平衡計分卡的定義	24
2.4.2	BSC平衡計分卡相關文獻	26
2.4.3	BSC平衡計分卡評量方式	27
2.5	顧客價值評估分析	28
2.5.1	RFM的定義	28
2.5.2	RFM相關文獻	29
2.6	資料探勘	31
2.6.1	資料探勘的定義	31
2.6.2	資料探勘的運用	32
2.7	巨量資料	33
2.7.1	巨量資料的定義	33
2.7.2	巨量資料相關研究	34
 第三章　研究方法與步驟	40
3.1	研究方法	40
3.2	研究步驟	43
 第四章　雛型系統建構	45
4.1	雛型系統開發工具與技術	45
4.2	系統功能與架構	48
4.3	巨量資料用於流通業可探討之雛型系統	52
4.3.1	相關性(Correlation)	52
4.3.2	資料化(Datafication)	54
4.3.3	價值化(Value)	56
4.3.4	顧客指標模型(RFM)	58
4.3.5	巨量資料的新商業模式性	60
 第五章　觀察評估系統	61
5.1	訪談問卷設計	61
5.2	訪談結果分析	63
 第六章　研究結論與建議	74
6.1	研究結論	74
6.2	管理意函	76
6.3	研究限制	77
6.4	未來研究建議	77
參考文獻	78

表目錄
表 1 1：Gartner Group CIO十大策略性科技要務	2
表 2 1：台灣GNP成長與流通業態發展關連表	8
表 2 2：國內流通百貨業發展歷程	10
表 2 3：ARIS 四項觀點	14
表 2 4：ARIS三階段任務	15
表 2 5：商業智慧相關文獻表	18
表 2 6：BSC平衡計分卡相關文獻表	26
表 2 7：RFM相關文獻表	29
表 2 8：資料探勘的應用彙整表	32
表 2 9：2015十大戰略科技趨勢	36
表 4 1：QlikView與其他BI工具的優勢表	45
表 4 2：雛型系統整合BSC構面後之功能表	48
表 4 3：雛型系統整合巨量資料功能表	50
表 4 4：RFM顧客指標定義與評估顧客	58
表 5 1：個案訪談問項設計參考文獻彙整表	61
表 5 2：雛型系統訪談問卷內容	62
表 5 3：受訪專家背景介紹	63
表 5 4：深入訪談結果分析	64
表 5 5：專家訪談內容重點彙整	69

圖目錄
圖 1 1：研究流程圖	5
圖 2 2：ARIS模式化各觀點常用的圖形	16
圖 2 3：商業智慧系統架構雛形	21
圖 2 4：商業智慧系統資料流向	22
圖 2 5：商業智慧系統使用介面之範例	22
圖 2 6：BSC平衡計分卡的四大構面圖	25
圖 2 7：2015年的十大戰略科技趨勢涵蓋三大範疇圖	34
圖 3 1：系統發展研究過程	40
圖 4 1：QlikTech International(2013)	46
圖 4 2：QlikView可呈現介面之一	47
圖 4 3：QlikView可呈現介面之二	47
圖 4 4：雛型系統之Database Script Edit	49
圖 4 5：雛型系統之Star Schema	49
圖 4 6：整體系統流程圖	51
圖 4 7：巨量資料的相關性-2(Correlation)	53
圖 4 8：巨量資料的資料化(Datafication)	55
圖 4 9：巨量資料的價值化(Value)	57
圖 4 10： RFM模型	59
圖 4 11：商品資料獲利模式流程	60
圖 4 12：商品相互碰撞分析	60

參考文獻
一、中文部份
[1]	台灣連鎖加盟協會 TCFA，2014，『2014 連鎖店年鑑』。
[2]	台灣經濟研究院 TIE，2014， 『2014年我國批發及零售業分析』。
[3]	許英傑、黃慧玲、黃銘傑，2005，『公平交易法對流通事業垂直交易限制行為之規範』，第13卷，第1期，11-54頁。
[4]	王貳瑞、蔡登茂、侯君溥，2004，『物流管理』，台北，普林斯頓國際。
[5]	吳姝蒨，2002，『商業智慧的應用面向與成功導入關鍵要素』，電子化企業經理人報告，12-22頁。
[6]	王茁，2005，『商業智慧』，博碩文化股份有限公司，新北市。
[7]	梁定澎，2006，『決決策支援系統與企業智慧』，智勝文化事業有限公司。
[8]	劉衍麟，2012，『探討商業智慧應用於生產管理決策分析』
[9]	Robert S. Kaplan、David P. Norton 著、朱道凱譯，1999，『平衡計分卡－資訊時代的策略管理工具(The Balanced Scorecard－Translating Strategyinto Action) 』，安侯企業管理公司，35~48頁，51~73頁，185~233頁。
[10]	簡玠忠，2013，『基於 Hadoop框架建立巨量資料分析處理模型研究』。
[11]	高勇，2008，『啤酒與尿布－神奇的購物籃分析』，清華大學出版，北京。
[12]	邱宏彬、蘇建源，2004，『一個可彈性支援顧客關係管理與資料庫行銷之模糊RFM Model』，電子商務學報，第6卷，第2期，149~173頁。
[13]	許雅涵、徐武永、李世能，2011，『運用RFM 模型分析顧客消費行為與貢獻度之研究及應用實務-以中油會員卡顧客為例』，石油季刊，第47卷，第1期，83~100頁。
 
二、英文部份
[1]	Duhigg, C. 2012. ”The power of habit: Why we do what we do in life and business,” Random House.
[2]	Sakaguchi, T., and Frolick, M. N. 1997. “A Review of the Data Warehousing Literature, Journal of Data Warehousing ,”  2(1) , pp. 34-54.
[3]	Wang, D., and Liu, T. 2010. “The Revolution of Retail Enterprise Network Marketing in Big Data Era ,” Eastern Acamic Forum, pp. 12-13.
[4]	Mayer-Schönberger, V., and Cukier, K. 2013. “Big Data,” pp. 12-13. 
[5]	Rampersad, H. K. 2005. “Total Performance Scorecard: Aligning Human Capital with Business Strategy and Ethics. Nanyang Business Review,” 4(1), pp. 71-99.
[6]	Lycett, M. 2013. “Datafication': Making sense of (big) data in a complex world European Journal of Information Systems,” 22 (4), pp. 381-386.
[7]	Hughes, A. M. 1994. “Strategic Database Marketing: The Masterplan for Starting and Managinga Profitable, Customer-based Marketing Program. Irwin Professional,”
[8]	Piateski, G., and Frawley, W. 1991. “Knowledge discovery in databases. MIT press,”
[9]	Berry, M. J., and Linoff, G. 1997. “Data mining techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc ,”
[10]	Gartner Group . 2012. ” The Best Ten Technogy Chosen by the CIOs of Global Enterprise in 2011,” Liu, T.
[11]	Dresner, H. 1989. “Business Intelligence,” Gartner Inc.
[12]	Umble, E. J., and Michael, M. 2003. “Enterprise resource planning: implementation procedures and critical success factors,” European Journal of Operational Research, 146, pp. 241-257.
[13]	Ross, J. W. 1999. “Surprising facts about implementing ERP,” IT Pro, 4, pp. 65-68.
[14]	Scheer, A. W. 1992. ”Architecture of integrated information systems, ARIS,” IDS.
[15]	Vassiliadis, P., and Sellis, T. 1999. “A survey of logical models for OLAP databases,” ACM Sigmod Record, 28(4), pp. 64-69.
[16]	Kolter, P. 1994. “Marketing management: Analysis planning. Implementation and control,” Englewood Cliffs, New Jersey : Prentice-Hall, 9th ed.
[17]	Sharma, R. 2000. “Business intelligence: Clues from trends,” Australian CPA, 70(1), pp. 22-23.
[18]	Geiger., and J. G. 2002. “ How data warehousing supports BI,” Business Finance, USA, 8, pp. 42.
[19]	Nunamaker, J. R., Chen, J. F., and Purdin, T. D. M. 1991. ”Systems Development in Information Systems Research,” Journal of Management Information Systems, 7, pp. 89-106.
[20]	Chen, C. P., and Zhang, C. Y. 2014. ”Data-intensive applications, challenges, techniques and technologies: A survey on Big Data,” Information Sciences, 275, pp.314–347.
[21]	Higdon, R., Haynes, W., Stanberry, L., Stewart, E., Yandl, G., Howard, C., Broomall, W., Kolker, N., and Kolker, E. 2013. ”Unraveling the Complexities of Life Sciences aData,” Big Data, 1(1), pp. 42-50.
[22]	Jiawei, H., and Micheline, K. 2006. ”Data mining: concepts and techniques. San Francisco,” ISBN, 10.
[23]	Sakaguchi, T., and Frolick M. N. 1997. ”A Review of the Data Warehousing Literature,” Journal of Data Warehousing, 2(1) , pp.34-54.
[24]	Jiawei, H., and Kamber, M. 2001. ”Data mining: concepts and techniques. San Francisco, CA, itd,” Morgan Kaufmann, pp.5.