隨著時代的進步與科技的日新月異，消費者在消費時選擇的付款方式也比以往多元。從最普遍的實體貨幣與塑膠貨幣，到現在消費者只要使用任何行動裝置綁定付款帳戶（信用卡、私人帳戶）就能完成付款。再也不需擔心結帳時找不到零錢或者出門忘記帶錢包。只要擁有行動裝置，便可以輕輕鬆鬆地完成消費。
    網路的普及造就使用者在接收各類資訊的速度比以往更具有時效性；而行動支付的興起除了讓消費者有更多的方式消費外也讓業者們加快腳步準備搶攻這塊大餅。因此行動支付的業者與品牌商要如何透過使用者手機裡的APPS準確地提供資訊吸引消費者消費、如何有效地透過網路的優勢來提升知名度、或者如何利用行動支付與電子商務結合，便是本研究最重要的目的。
    本研究採用問卷調查的方式，透過資料探勘的集群分析（Cluster Analysis）與關聯法則（Association Rule）之方式，歸納出使用者的輪廓，並探討不同族群的使用者與行動支付行為、網路購物行為與服務推薦之關聯。透過使用者、行動支付廠商與品牌商三方面的交互關係，瞭解現今使用行動支付的使用者是否有特定的偏好或者潛在需求。並根據上述方式，從中找尋是否有可行的行動支付行銷模式，以提供行動支付廠商與品牌商作為行銷策略上之參考。

With the progress of the times and rapid technological developments, consumers now have more ways to pay for their consumption than ever, from the most common physical and plastic currencies to completing payments using mobile devices connected to payment accounts (credit cards, private accounts, etc) no longer having to worry about being unable to find change or forgetting to bring the wallet. As long as there is a mobile device, consumption transactions can be completed with ease.
  The popularization of the Internet has made receiving all kinds of information more time-efficient than ever; the emergence of mobile payments has not only provided consumers with more ways to make purchases, but has also prompted business owners to speed up in gaining market share. Therefore, how mobile payment operators and brand owners use APPS in users’ mobile phones to accurately provide information to attract consumers’ consumption, how to effectively enhance popularity through the Internet, and how to combine mobile payment and e-commerce are the most important objectives of this study.
  This study adopted the questionnaire survey method. Through “cluster analysis” and “association rule” in data mining, the user’s profile can be summarized, while the correlations among the different groups of users and action payment behaviors, online shopping behaviors, and service recommendations can be explored. Through the interactive relationships among the three sides, namely, users, mobile payment vendors, and brand owners, an insight was gained into whether or not today’s mobile payment users have specific preferences or potential needs. In addition, based on the above methods, whether or not there is a feasible mobile payment marketing model was determined to serve as a reference for mobile payment vendors and brand owners during marketing strategy formulation.

目錄
謝辭I
中文摘要II
英文摘要III
目錄V
表目錄X
圖目錄XII
第一章 緒論1
1.1研究背景與動機1
1.2研究目的7
1.3研究方法與流程8
第二章 文獻探討9
2.1行動支付9
2.1.1行動支付-定義9
2.1.2行動支付-服務模式10
2.2行動應用程式13
2.2.1行動應用程式-定義13
2.2.2行動應用程式-發展與趨勢13
2.3數位行銷14
2.3.1數位行銷-定義14
2.3.2數位行銷-應用與發展15
2.4推薦機制16
2.4.1推薦機制-定義16
2.4.2推薦機制-分類16
2.5資料探勘18
2.5.1資料探勘-定義18
2.5.2資料探勘-功能20
2.5.3資料探勘-流程22
第三章 研究方法23
3.1研究設計與架構23
3.2資料庫的設計與建立25
3.3問卷設計與發放32
3.3.1問卷設計32
3.3.2問卷發放34
3.4關聯法則與集群分析36
3.4.1關聯法則36
3.4.2 Apriori演算法39
3.4.3集群分析41
3.5資料分析軟體 SPSS Modeler44
第四章  資料探勘與實證分析45
4.1回收樣本結構描述45
4.2 SPSS Modeler資料探勘46
4.2.1分群結果之使用者輪廓48
4.3使用者輪廓與行動支付消費行為與數位行銷52
4.4使用者輪廓與行動應用程式開發分析53
4.4.1集群一（行動嘗鮮少女族）使用者輪廓與APPS之關聯53
4.4.2集群二（質感生活品味族）使用者輪廓與APPS之關聯55
4.4.3集群三（3C  電子科技族）使用者輪廓與APPS之關聯57
4.4.4小結59
4.5使用者使用行動支付行為之分析61
4.5.1集群一（行動嘗鮮少女族）使用者使用行動支付行為之關聯61
4.5.2集群二（質感生活品味族）使用者使用行動支付行為之關聯63
4.5.3集群三（3C  電子科技族）使用者使用行動支付行為之關聯65
4.5.4小結67
4.6行動支付整合與線上消費之推薦分析69
4.6.1集群一（行動嘗鮮少女族）行動支付整合與線上消費之關聯69
4.6.2集群二（質感生活品味族）行動支付整合與線上消費之關聯71
4.6.3集群三（3C  電子科技族）行動支付整合與線上消費之關聯74
4.6.4小結76
第五章 結論與後續研究建議78
5.1研究結論78
5.1.1使用者輪廓與行動應用程式之推薦機制79
5.1.2使用者使用行動支付行為之推薦機制80
5.1.3 APPS行動支付整合與線上消費之推薦機制82
5.2管理意涵84
5.2.1使用者輪廓與行動應用程式開發之管理意涵84
5.2.2使用者使用行動支付行為之管理意涵91
5.2.3使用者使用網路購物行為之管理意涵98
5.2研究限制102
5.3後續研究建議103
參考文獻104
附錄一116

表目錄
表1-1 2019年資策會產業情報研究所–行動支付大調查4
表1-2 2019年資策會產業情報研究所–最常使用的行動支付調查5
表2-1資料探勘流程22
表3-1實體、關聯與屬性的概述27
表3-2問卷發放回收情形34
表3-3有效問卷之基本資料統計表35
表4-1問卷回收統計表45
表4-2 K-MEANS分群結果51
表4-3集群一 使用者輪廓與APPS之關聯法則54
表4-4集群二 使用者輪廓與APPS之關聯法則56
表4-5集群三 使用者輪廓與APPS之關聯法則58
表4-6使用者輪廓與APPS使用偏好之三群異同處60
表4-7集群一 使用者使用行動支付行為之關聯法則62
表4-8集群二 使用者使用行動支付行為之關聯法則64
表4-9集群三 使用者使用行動支付行為之關聯法則66
表4-10使用者使用行動支付行為之三群異同處68
表4-11集群一 行動支付整合與線上消費之關聯法則71
表4-12集群二 行動支付整合與線上消費之關聯法則73
表4-13集群三 行動支付整合與線上消費之關聯法則75
表4-14消費偏好與服務推薦之三群異同處77
表5-1各集群之行動應用程式開發建議87
表5-2集群使用行動支付行為建議94
表5-3各集群使用線上購物行為建議100

圖目錄
圖1-1用戶平均每月手機APP下載量2
圖1-2 2010~2017 IOS APP STORE APP下載量3
圖1-3 防盜刷，5大保護措施報你知6
圖1-2 研究流程圖8
圖2-1 遠端支付與近端支付分析圖11
圖2-2資訊管理金字塔19
圖3-1研究架構圖24
圖3-2概念性資料庫：E-R圖28
圖3-3邏輯性資料庫設計圖30
圖3-4實體資料庫關聯圖31
圖3-5問卷架構圖33
圖3-6 APRIORI演算法產生後選項目集合與高頻項目集合推導過程41
圖3-7資料探勘工具滿意度（2015）44
圖4-1集群大小分配圖47
圖4-2集群分布圖48
圖4-3資料探勘模型路徑圖52
圖4-4集群一 行動應用程式使用習慣偏好之蛛網圖53
圖4-5集群二 行動應用程式使用習慣偏好之蛛網圖55
圖4-6集群三 行動應用程式使用習慣偏好之蛛網圖57
圖4-7集群一 使用者使用行動支付行為之蛛網圖61
圖4-8集群二 使用者使用行動支付行為之蛛網圖63
圖4-9集群三 使用者使用行動支付行為之蛛網圖65
圖4-10集群一 行動支付整合與線上消費之關聯之蛛網圖69
圖4-11集群二 行動支付整合與線上消費之關聯之蛛網圖72
圖4-12 集群三 行動支付整合與線上消費之關聯之蛛網圖74
圖5-1使用者輪廓與行動應用程式之知識地圖88
圖5-2使用者使用行動支付行為之知識地圖95
圖5-3使用者使用網路購物行為之知識地圖101

參考文獻
一、	中文部分
史元瑜（2014）。探討消費者在智慧型手機上使用行動支付意願－以NFC技術為例（未出版之碩士論文）。私立東吳大學，台北市。
台灣奧美互動關係行銷公司（譯）（2008）。數位行銷：超時代行銷人的必修課（原作者：Wertime, K., & Fenwick, I.）。台北市：天下雜誌。
林蓬榮（2009）。網路行銷：趨勢、策略與技能。台北市：新文京開發出版股份有限公司。
林慶德（譯）（2003）。資料庫管理與應用（原作者：Jeffrey, A. H., Marry, B.P., & Fred, R. M.）。台北市：台灣培生教育出版股份有限公司。
胡自立（2015）。虛擬經濟—行動支付之影響與商機研究：國內篇—行動支付發展現況與影響。台北市：經濟部技術處。
翁世吉與田育任（2014）。「行動商務」支付應用發展趨勢。財經資訊季刊，78，19-26。
曹春蕾（2010）。瀚斯寶麗品牌發展策略探討—在產品設計及行銷手法方面（未出版之碩士論文）。國立臺灣科技大學，台北市。
張彥淳（2006）。影響消費者採用行動付款因素之研究（未出版之碩士論文）。國立中央大學，桃園市。
曾文賢（2014）。消費者對NFC行動付款使用意向之研究（未出版之碩士論文）。中華大學，新竹市。
曾憲雄、蘇秀滿、蘇東興、曾秋蓉、王慶堯（2005）。資料採礦。台北市：旗標科技股份有限公司。
陳聖智（2011）。便利商店應用數位行銷個案之研究—以統一超商CITY CAFÉ為例（未出版之碩士論文）。國立雲林科技大學，雲林縣。
陳尊鈺（2011）。非營利組織社群媒體行銷運用之研究－以Facebook為例（未出版之碩士論文）。中臺科技大學，台中市。
陳宗天與王俐涵（2018）。推薦系統之研究內涵與主要研究議題。Electronic Commerce Studies，16 (2)，161-188。
陳郁昕與柳綠兒（譯）（2013）。31 個與眾不同的 APP 設計圖解：從發想到設計實務的完美演出（原作者：白潤華）。台北市：碁峰資訊股份有限公司。
廖述賢與溫志皓（2012）。資料探勘理論與應用：以 IBM SPSS modeler為範例。 台北市：博碩文化股份有限公司。
劉文良（2017）。網路行銷（Vol. 第二版）。台北市：碁峰資訊股份有限公司。
蔡世雄（2014）。行動支付發展之要素分析（未出版之碩士論文）。國立中山大學，高雄市。
蔡碧鳳（2003）。策略創業軌跡之探討。國立清華大學，新竹市。
謝邦昌（2014）。SQL Server資料採礦與商業智慧-適用SQL Server。台北市：碁峰資訊股份有限公司。
謝彥如（2013）。行動微型應用程式在數位行銷應用上之研究（未出版之碩士論文）。國立臺灣藝術大學，新北市。


二、	英文部分
Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Paper presented at the Acm Sigmod Record, Washington DC, USA. , 22(2) 254-259. 
Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. Paper presented at the Proceedings of the 20th International Conference on very Large Database, Santiago, Chile. , 20 487-499. 
Berry, M. J., & Linoff, G. S. (1997). Data mining techniques: For marketing, sales, and customer relationship management. New York, NY: John Wiley & Sons. 
Chen, P. P. (1976). The entity-relationship model—toward a unified view of data. ACM Transactions on Database Systems (TODS), 1(1), 9-36. 
Cho, C. (2003). The effectiveness of banner advertisements: Involvement and click-through. Journalism and Mass Communication Quarterly, 80(3), 623-645. 
Cho, C. (2004). Why do people avoid advertising on the internet? Journal of Advertising, 33(4), 89-97. 
Coenen, F., Goulbourne, G., & Leng, P. (2004). Tree structures for mining association rules. Data Mining and Knowledge Discovery, 8(1), 25-51. 
Emmanouilidis, C., Koutsiamanis, R., & Tasidou, A. (2013). Mobile guides: Taxonomy of architectures, context awareness, technologies and applications. Journal of Network and Computer Applications, 36(1), 103-125. 
Fan, L., & Suh, Y. (2014). Why do users switch to a disruptive technology? an empirical study based on expectation-disconfirmation theory. Information & Management, 51(2), 240-248. 
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37-37. 
Frawley, W. J., Piatetsky-Shapiro, G., & Matheus, C. J. (1992). Knowledge discovery in databases: An overview. AI Magazine, 13(3), 57-57. 
Garvin, D. A. (1984). What does 'product quality' really means. Sloan Management Review, 26(1), 25-43. 
Hofacker, C. F., Malthouse, E. C., & Sultan, F. (2016). Big data and consumer behavior: Imminent opportunities. Journal of Consumer Marketing, 33(2), 89-97. 
Hoffer, J. A., George, J. F., & Valacich, J. S. (2002). Modern systems analysis and design (3rd ed.). New Jersey, NJ: Prentice Hall. 
Hui, S. C., & Jha, G. (2000). Data mining for customer service support. Information & Management, 38(1), 1-13. 
Kantardzic, M. (2011). Data mining: Concepts, models, methods, and algorithms. New York, NY: John Wiley & Sons. 
Katarya, R., & Verma, O. P. (2016). A collaborative recommender system enhanced with particle swarm optimization technique. Multimedia Tools and Applications, 75(15), 9225-9239. 
Kleissner, C. (1998). Data mining for the enterprise. Paper presented at the Proceedings of the Thirty-First Hawaii International Conference on System Sciences, Hawaii, USA. , 7(6) 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. 
Li, Y., & Yeh, Y. (2010). Increasing trust in mobile commerce through design aesthetics. Computers in Human Behavior, 26(4), 673-684. 
Markham, S. K., Kowolenko, M., & Michaelis, T. L. (2015). Unstructured text analytics to support new product development decisions. Research-Technology Management, 58(2), 30-39. 
Melville, P., & Sindhwani, V. (2017). Recommender systems. Encyclopedia of Machine Learning and Data Mining, , 1056-1066. 
Mitra, K., Reiss, M. C., & Capella, L. M. (1999). An examination of perceived risk, information search and behavioral intentions in search, experience and credence services. Journal of Services Marketing, 13(3), 208-228. 
Padmanabhan, B., & Tuzhilin, A. (2002). Knowledge refinement based on the discovery of unexpected patterns in data mining. Decision Support Systems, 33(3), 309-321. 
Schafer, J. B., Konstan, J. A., & Riedl, J. (2001). E-commerce recommendation applications. Data Mining and Knowledge Discovery, 5(1-2), 115-153. 
Srikant, R., Vu, Q., & Agrawal, R. (1997). Mining association rules with item constraints. Paper presented at the Kdd, Calafornia, USA. , 97 67-73. 
Tan, P., Steinbach, M., Karpatne, A., & Kumar, V. (2018). Introduction to data mining (2nd ed.). Boston, MA: Pearson. 
Wang, W., & Benbasat, I. (2008). Attributions of trust in decision support technologies: A study of recommendation agents for e-commerce. Journal of Management Information Systems, 24(4), 249-273. 
Wang, Y., Chuang, Y., Hsu, M., & Keh, H. (2004). A personalized recommender system for the cosmetic business. Expert Systems with Applications, 26(3), 427-434. 
Xiao, B., & Benbasat, I. (2007). E-commerce product recommendation agents: Use, characteristics, and impact. MIS Quarterly, 31(1), 137-209. 
三、	網路部分（英文）
Bank for International Settlements (2012). Innovations in retail payments. Retrieved from
 	https://www.bis.org/cpmi/publ/d102.pdf
Kristin, R. N., & Matkovsky, I. P. (1999). Using Data Mining Techniques 
	for Fraud Detection. Retrieved from
http://www.heliton.ufpa.br/arquivos/tri/fraud/dmfraud.pdf
Muenchen, B. (2015). Rexer Analytics Survey Results. Retreived from https://r4stats.com/2015/10/13/rexer-analytics-survey-results/
四、	網路部分（中文）
Wendy（2017年4月）。一次看懂行動支付：什麼是遠端支付、近端支付？國內有哪些方案？ T客邦。2018年12月12日，取自https://www.techbang.com/posts/23218-a-read-operation-pay-basic-concepts-solutions-graphic-all-set-pchome231-touch-the-future-author-zhang-yajun
今日新聞（2017年9月）。你嗶了嗎／行動支付防盜刷掌握3步驟、5防漏。eNews。2018年12月15日，取自
https://enews.tw/article/922860
王孟倫（2017年8月）。ApplePay遭盜刷 金管會：將瞭解2銀行是否有疏失。自由時報。2018年2月15日，取自https://ec.ltn.com.tw/article/breakingnews/2174038
林孟嫻（2017年9月）。App市場飽和？美國市調報告：51%用戶一個月沒下載任何App。SmartM新網路科技。2019年3月22日，取自https://www.smartm.com.tw/article/34303937cea3
金融監督管理委員會（2015年4月）。金管會已完成發布「電子支付機構管理條例」相關授權法規命令並自104年5月3日起受理申請案。金融監督管理委員會。2018年12月15日，取自
https://www.fsc.gov.tw/ch/home.jsp?id=96&parentpath=0,2&mcustomize=news_view.jsp&dataserno=201504300003&toolsflag=Y&dtable=News
高敬原（2018年11月）。無現金社會一定好？走最快的瑞典現在也要放慢腳步了。數位時代。2018年12月12日，取自
https://www.bnext.com.tw/article/51395/sweden-cashless-society
郭芝榕（2014年10月）。行動購物瘋！半數民眾愛用，15.4%高度滿意。數位時代。2018年4月13日，取自
https://www.bnext.com.tw/article/34218/BN-ARTICLE-34218
陳鷖人（2018年3月）。行動支付普及率 今年有望破5成。工商時報。2018年04月23日，取自https://www.chinatimes.com/newspapers/20180309000259-260202?chdtv
楊玉奇（2016年9月）。行動支付當道，驅動經濟新革命。台北產經資訊網。2019年3月21日，取自
https://www.taipeiecon.taipei/article_cont.aspx?MSid=711302242025024236&MmmID=1201&CatID=653635047463112672
雷健恆（2018年7月）。你知道App Store在十年間賺了你們多少錢嗎?。ifanr。2018年9月29日，取自
http://www.ifanr.com/1059522
資策會產業情報研究所（2018a）。【行動支付大調查一】近四成手機用戶曾使用行動支付 LINE Pay、Apple Pay認知度最高。資策會產業情報研究所。2019年12月31日，取自
https://mic.iii.org.tw/IndustryObservations_PressRelease02.aspx?sqno=486
資策會產業情報研究所（2018b）。【行動支付大調查二】用戶最常用Line Pay Apple Pay 街口支付 2020年第一波收斂。資策會產業情報研究所。2018年7月13日，取自
https://mic.iii.org.tw/IndustryObservations_PressRelease02.aspx?sqno=487
資策會產業情報研究所（2019年1月）。【行動支付大調查】消費者愛好排名變動 本土業者成長幅度最大。資策會產業情報研究所。2019年5月20日，取自
https://mic.iii.org.tw/IndustryObservations_PressRelease02.aspx?sqno=504
鄭天澤（2017年6月）。2017年台灣寬頻使用網路調查報告。財團法人台灣網路資訊中心。2019年2月14日，取自https://www.twnic.net.tw/download/200307/20170721e.pdf
鄭緯筌 （2014年2月）。Gartner~至2017年，App下載量將突破2680億次。數位時代。2019年3月18日，取自https://www.bnext.com.tw/article/31022/BN-ARTICLE-31022