淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-2106200917031600
中文論文名稱 資料採礦應用於量販店網路購物與宅配之研究
英文論文名稱 The Study of Data Mining Approach Applied to Hypermarket’s Online Shopping and Home Delivery
校院名稱 淡江大學
系所名稱(中) 管理科學研究所碩士班
系所名稱(英) Graduate Institute of Management Science
學年度 97
學期 2
出版年 98
研究生中文姓名 林益存
研究生英文姓名 Yi-Tsun Lin
學號 696621183
學位類別 碩士
語文別 中文
口試日期 2009-06-08
論文頁數 158頁
口試委員 指導教授-廖述賢
共同指導教授-高棟梁
委員-廖述賢
委員-曹銳勤
委員-劉基全
中文關鍵字 資料採礦  量販店  宅配  資料庫行銷  組合產品  關聯法則  集群分析  網路購物 
英文關鍵字 Data Mining  Hypermarket  Home Delivery  Database Marketing  Bundling  Association Rule  Cluster Analysis  Online Shopping 
學科別分類 學科別社會科學管理學
中文摘要 隨著現代科技的進步,國內的上網人口數逐年增加,在年輕消費族群追求便利、快速的前提下,網路購物成為新的一種消費型態。此外,郵購、電視行銷、網路電子商務等虛擬商店的興起,企業對個人(B2C)的宅配市場也逐漸形成,雖然目前國內宅配業的發展程度不如日本,但國內廠商仍一致看好宅配業的未來發展。
綜合以上敘述,本研究將量販店的網路購物和宅配加以結合,試圖利用關聯法則探勘出未知的生鮮與非生鮮產品的產品組合,並利用集群分析將顧客加以分群,並根據各分群的消費偏好來設計型錄,增加型錄對顧客的吸引力,提供業者一些網路購物與宅配的服務跟建議,期望藉此吸引更多的顧客,開拓更寬廣的市場,為業者賺取更高的利潤。
研究結果發現,隨著顧客集群的不同,其消費偏好、宅配意願及網路購物行為皆有所差異:
1.以蔬菜類的消費偏好為例,集群一的顧客對「根菜類」及「莖菜類」偏好程度最高,集群二的顧客對「葉菜類」及「花果類」偏好程度最高,集群三的顧客對「食用菌類」及「雜類」偏好程度最高。
2.以飲品的宅配意願為例,集群一的顧客對「鮮乳/調味乳」、「果汁」宅配意願最高,集群二的顧客對「碳酸飲料」、「茶類飲料」宅配意願最高,集群三的顧客對「酒類」、「乳酸產品」宅配意願最高。
3.以網路購物的產品為例,集群一的顧客對「衣物服飾」、「化妝/保養品」的網路購物意願最高,集群二的顧客對「書籍雜誌」、「3C產品」的網路購物意願最高,集群三的顧客對「音樂」、「食品」的網路購物意願最高。
英文摘要 With the advancement of the modern science and technology, the domestic population to access the internet increases year by year. Under the young customer to pursue the convenient, fast prerequisite, the online shopping becomes a kind of new comsumption type. In addition, business to customer (B2C) home delivery market gradually take shape, because the virtual stores to rise and develop, e.g. mail-order, TV marketing, e-commerce. Though at present domestic home delivery development inferior to Japan, but the domestic manufacturer still has an optimistic view of the home delivery industry’s future.
Synthesize the above statements, this research to combine online shopping and home delivery, attempt to use the association rule to prospect unknown bundling of fresh products and non- fresh products. Then divided up customers of some clusters by cluster analysis, and design the catalogue based on each of cluster’s consumption preference. By this method to increasing the catalogue’s attraction to customer, and offering hypermarkets some online shopping’s and home delivery’s services and propose. Expect to attract more customers by this, open up the more broad market, earn the higher profit for the hypermarkets.
The result of research find, with the difference of customer's cluster, lead each cluster’s consumption preference, inclination of home delivery and online shopping exist some differences:
1. Take the consumption preference of the vegetables as an example, the customers of cluster one have a highest perference to “ Root vegetables “ and “ stem vegetables “. The customers of cluster two have a highest perference to “ leaf vegetables “ and “ flower and fruit vegetables “. The customers of cluster three have a highest perference to “ edible fungus vegetables “ and “ miscellany vegetables “.
2. Take the home delivery’s inclination of the drink as an example, the customers of clusters one have a highest inclination to “ fresh milks / flavored milk “, “ fruit juice “. The customers of cluster two have a highest inclination to “carbonated beverages “, “ tea beverages “. The customer of cluster three have a highest inclination to “ liquor “, “yogurt beverages “.
3. Take the products of online shopping as an example, the customers of clusters one have a highest inclination to “ clothes dress “, “ makeup /skin care products “. The customers of clusters two have a highest inclination to “ books magazine “, “ 3C products “. The customers of clusters three have a highest inclination for the intensity to “ music “, “ food “.
論文目次 目錄
表目錄 VI
圖目錄 VIII
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 4
第二章 文獻探討 6
2.1 量販店 6
2.1.1 量販店之定義 6
2.1.2 量販店的特性 11
2.1.3 量販店的種類 12
2.1.4 國內量販店的發展 14
2.2 宅配 17
2.2.1 宅配的定義 17
2.2.2 宅配的特性 20
2.2.3 宅配服務之經營型態 26
2.2.4 宅配服務業與其他貨運業務之比較 29
2.3 網路購物 32
2.3.1 網路購物的定義 32
2.3.2 網路購物的型態 33
2.3.3 傳統行銷與網路行銷模式的比較 35
2.4 組合產品 37
2.4.1 組合產品的定義 37
2.4.2 組合產品的類型 39
2.4.3 影響組合產品決策之因素 42
2.4.4 探討生產者面之組合產品相關文獻 44
2.4.5 探討消費者面之組合產品相關文獻 45
2.5 資料採礦 47
2.5.1 資料採礦的定義 47
2.5.2 資料採礦的功能 49
2.5.3 資料採礦的流程 51
2.6 資料庫行銷 53
2.6.1 資料庫行銷的定義 53
2.6.2 資料庫行銷的功能 56
2.6.3 資料庫行銷的優點 59
2.6.4 資料庫行銷可能的缺點 60
2.7 本章小結 61
第三章 個案公司-家樂福 62
3.1 家樂福的簡介 62
3.2 台灣家樂福簡介 64
3.3 台灣家樂福經營現況 66
3.4 台灣家樂福生鮮食品分類 67
3.5 家樂福網站相關資訊及功能 70
3.6 家樂福網路購物及宅配之優缺點 71
第四章 研究方法 73
4.1 研究設計與架構 73
4.2 系統架構圖與資料庫設計 74
4.2.1 系統架構與流程 74
4.2.2 資料庫的建立與設計 76
4.3 問卷設計與發放 82
4.3.1 問卷設計 82
4.3.2 抽樣方法 84
4.3.3 問卷發放計畫 84
4.3.4 信度與效度分析 85
4.4 關聯法則與集群分析 87
4.4.1 關聯法則 87
4.4.2 Apriori演算法 89
4.4.3 集群分析 91
4.5 資料分析軟體 SPSS CLEMENTINE 92
第五章 資料探勘與實證分析 96
5.1 回收樣本結構描述 96
5.2 市場區隔與消費者輪廓描繪之探勘 98
5.3 組合產品之探勘 103
5.4 資料庫行銷之探勘 111
5.5 網路購物與宅配之探勘 117
第六章 結論與建議 125
6.1 研究結論 125
6.2 管理意涵與對業者之建議 126
6.2.1 組合產品 127
6.2.2 資料庫行銷 128
6.2.3 宅配與網路購物 130
6.2.4 總結 134
6.3 研究限制 136
6.4 後續研究之建議 136
參考文獻 138
一、 中文文獻 138
二、 英文文獻 141
三、 網路及其他資料 147
附錄 148
附錄一 前測問卷 148
附錄二 正式問卷 153
表目錄
表1.1 綜合商品零售業營業額及成長率 1
表2.1 美國對量販店之相關定義 7
表2.2 日本對量販店之相關定義 8
表2.2 日本對量販店之相關定義(續) 9
表2.3 國內對量販店之定義 10
表2.4 台灣量販店類型比較 14
表2.5 宅配之定義 19
表2.6 宅配業與其他貨運業務之差異比較 30
表2.6 宅配業與其他貨運業務之差異比較(續) 31
表2.7 傳統行銷與網路行銷之比較表 36
表2.8 組合產品之定義 38
表2.9 影響生產者使用「組合產品策略」的影響因素 43
表2.10 資料採礦之定義 48
表2.10 資料採礦之定義(續) 49
表2.11 資料採礦之功能 51
表2.12 資料採礦流程 52
表2.13 資料庫行銷之定義 55
表2.13 資料庫行銷之定義(續) 56
表3.1 法商家樂福發展大事記 63
表3.2 台灣家樂福發展大事記 65
表3.3 台灣家樂福營業績效一覽表 67
表3.4 家樂福蔬菜類生鮮食品整理 68
表3.5 家樂福海鮮類、水果類生鮮食品整理 68
表3.6 家樂福肉品及冷凍食品生鮮食品整理 69
表3.7 家樂福非生鮮產品整理 69
表3.8 家樂福網站分類的服務及功能 70
表3.8 家樂福網站分類的服務及功能(續) 71
表3.9 量販店之網路購物及宅配比較 72
表4.1 實體、關聯與屬性的概述 76
表4.2 問卷發放計畫 85
表4.3 資料探勘軟體之使用頻率調查 93
表4.4 資料探勘之節點六大分類 94
表5.1 問卷回收統計表 96
表5.2 基本資料統計表 97
表5.2 基本資料統計表(續) 98
表5.3 TWO-STEP分群結果 101
表5.4 組合商品-蘿蔔的關聯法則 104
表5.5 組合商品-水梨的關聯法則 105
表5.6 組合商品-個別商品之關聯法則 106
表5.7 組合商品-豬肉肉塊的關聯法則 108
表5.8 組合商品-豌豆的關聯法則 109
表5.9 組合產品-三集群蔬菜類關聯法則 110
表5.10 集群消費偏好資料分析 111
表5.10 集群消費偏好資料分析(續) 113
表5.11 集群消費偏好彙整 114
表5.12 型錄中各產品類別應占版面比例 115
表5.12 型錄中各產品類別應占版面比例(續) 116
表5.13 三集群之宅配資料比例 118
表5.14 三集群的宅配偏好之關聯法則 119
表5.15 三集群之網路購物資料比例 121
表5.16 三集群的網路購物之關聯法則 122
表5.17 宅配偏好之關聯法則 124
表5.18 宅配與網路購物偏好之關聯法則 124
表6.1 三集群之宅配與網路購物異同點 126
表6.2 三集群之宅配偏好及意願 131
表6.3 三集群之網路購物行為及偏好 133
圖目錄
圖1.1 消費者目前使用之購物方式 2
圖1.2 消費者過去三個月到過的零售店 3
圖1.3 研究流程圖 5
圖2.1 組合產品的類型 39
圖2.2 消費者偏好和組合產品 42
圖4.1 研究設計圖 73
圖4.2 系統架構圖 75
圖4.3 概念性資料庫ER圖 77
圖4.4 邏輯性資料庫 79
圖4.5 資料庫轉換圖 81
圖4.6 實體資料庫關聯圖 81
圖4.7 問卷架構圖 83
圖4.8 APRIORI演算法產生之後選項目集合與高頻項目集合 90
圖4.9 CLEMENTINE 12.0版使用介面 95
圖5.1資料節點串流圖 99
圖5.2 TWO-STEP集群分佈圖 100
圖5.3 組合商品-蘿蔔之蛛網圖 104
圖5.4 組合商品-水梨之蛛網圖 105
圖5.5 組合商品-個別商品之蛛網圖 107
圖5.6 組合商品-豬肉肉塊之蛛網圖 108
圖5.7 組合商品-豌豆之蛛網圖 109
圖5.8 宅配產品之蛛網圖 120
圖5.9 網路購物之蛛網圖 123
圖6.1 組合產品管理意涵示意圖 127
圖6.2 資料庫行銷管理意涵示意圖 128
圖6.3 宅配管理意涵示意圖 130
圖6.4 網路購物管理意涵示意圖 132
圖6.5 組合產品、資料庫行銷、宅配及網路購物之關聯性 134
圖6.6 家樂福網站功能建議 135

參考文獻 參考文獻
一、 中文文獻
尤丁白(民80)。量販店之市場區隔及行銷策略研究-以台北縣市為實證研究。國立台灣大學商學研究所碩士論文。未出版。台北市。
方文昌、王俊人(民87)。商業概論。龍騰文化。
尹相志(民93)。資料採礦-網際網路應用與顧客價值管理。台北市:維科。
李章偉(民90)。資料庫行銷之顧客價值分析:以3C流通業為例。國立台灣大學國際企業學研究所碩士論文。台北市。
李毓祥(民91)。部分工時人力運用與組織績效之實證研究-以量販店為例。靜宜大學企業管理研究所。台中縣。
李金靖(民93)。宅配業服務品質構面及滿意度之研究。國立台北大學企業管理學系碩士論文。台北縣。
呂學卓(民92)。專業型宅配經營策略之分析研究。長榮大學經營管理研究所碩士論文。台南縣。
吳宗信(民95)。零售業品牌延伸與產品線延伸之探勘-以家樂福為研究對象。淡江大學管理科學研究所碩士論文。未出版。台北縣。
周華泰、杜富燕(民91)。零售管理。初版。台北:華泰書局。
林朝賢(民84)。資訊高速公路在企業經營與顧客服務上之應用研究。國立中山大學資訊管理研究所碩士論文。未出版。高雄市。
林慧晶(民86)。資料庫行銷之顧客價值分析與行銷策略應用。國立台灣大學國際企業學系碩士論文。未出版。台北市。
林正修、徐村和 (民88)。量販店經營實務與個案分析。台北:世界商業文庫。
林沛傑(民89)。電子商務模式下的宅配系統比較。物流技術與戰略。第17 期。頁63-70。
林小萍(民91)。我國宅配業經營模式及關鍵成功因素之探討。國立台灣科技大學工業管理系碩士論文。未出版。台北市。
林慶德 譯(民92)。資料庫管理與應用。台北市:培生。(原著出版年:2002)。
邱毓萍(民90)。資訊豐富度對網路購物意願之研究。國立交通大學傳播研究所碩士論文。未出版。新竹市。
邱淑貞(民94)。以C2C 觀點探討宅配公司與通路商之結盟模式。國立東華大學全球運籌管理研究所碩士論文。未出版。花蓮縣。
官振華(民86)。WWW使用者運用電子購物意願之研究以人格特質、購買涉入與網路使用行為探討。國立中央大學資訊管理研究所碩士論文。未出版。桃園縣。
施仁和(民89)。台灣百貨量販業供應鏈管理參考模式之研究。國立台北科技大學商業自動化與管理研究所碩士論文。未出版。台北市。
黃文隆(民88)。抽樣方法。台中:滄海。
黃成忠(民93)。台灣量販店經營及獲利模式之研究(以家樂福及大潤發為例)。義守大學資訊管理學系碩士論文。高雄縣。
黃秀娥(民93)。宅配業務關鍵成功因素之研究-以中華郵政台南縣郵局包裹業務為例。國立成功大學高階管理碩士在職專班碩士論文。台南市。
曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯(民94)。資料探勘Data mining。台北市:旗標。
高旻暉(民96)。不同生活型態下的商店形象對商店忠誠度的影響-以高雄市家樂福量販店為例。義守大學管理研究所碩士論文。高雄縣。
韋端(民92)。Data Mining 概述以Clementine7.0 為例。台北縣新莊市:中華資料採礦協會。
張保隆、伍忠賢(民94)。零售業管理。台北市:全華科技圖書股份有限公司。
張麗蓉、黃淑如 (民89)。商業概論。台北市:華立圖書。
陳淑慧(民90)。企業對夥伴正向認知與合作動機對其競爭優勢影響之研究-以宅配業為例。靜宜大學企業管理學系碩士論文。未出版。台中縣。
陳浩文(民91)。量販店之價值定位與關係結合策略配適之研究。國立東華大學企業管理學系碩士論文。花蓮縣。
陳振(民89)。風起雲湧—台灣宅配 戰國元年 (1)。物流技術與戰略。第16期。頁62-69。
陳振(民89)。風起雲湧—台灣宅配 戰國元年 (2)。物流技術與戰略。第17期。頁48-52。
陳廣(民95)。家樂福超市攻略。台北縣:大利文化股份有限公司。
楊逢杰(民97)。以本體論為基礎的資料採礦方法於飲料產業的產品光譜及品牌光譜之研究。淡江大學管理科學研究所碩士論文。未出版。台北縣。
經濟部商業司(民91)。流通業產業研究報告。台北市:經濟部。
歐陽恬恬(民89)。宅配經營特性分析與郵局面對宅配之挑戰與因應。國立台灣大學土木工程學研究所碩士論文。台北市。
劉金珊(民92)。台灣宅配廠商策略配適之個案研究。國立東華大學企業管理學系碩士論文。花蓮縣。
劉文良(民94)。網際網路行銷策略與經營。台北市:眳p出版社。
簡士豪(民93)。由資源觀點探討個案宅配公司之核心資源與競爭優勢-以新竹貨運與台灣宅配通公司為例。逢甲大學土地管理所碩士論文。台中市。
二、 英文文獻
Aaker, Kumar, D., & Day, G. (2001). Marketing Research 7th Edition, Wiley Inc. NY.
Adams, W. J. & Yellen, J. L. (1976). Commodity Bundling and the Burden of Monopoly. Quarterly Journal of Economics , 90(3), 475-498.
Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. ACM SIGMOD Conference, Washington DC, USA, 254-259.
Agrawal, R., & Srikant, R. (1994). Fast Algorithms for Mining Association Rules. Proceeding of the 20th International Conference on Very Large Database , 487-499.
Amaratunga, D., & Cabrera, J. (2004). Mining data to find subsets of high activity. Journal of Statistical Planning and Inference , 122(1), 23-41.
Angelide, M. (1997). Implementing the Internet for Business:A Global Internet Opportunity. International Journal of Information Management , 17(6), 405-419.
Berry, M. J. A., & Linoff, G. (1997). Data Mining Techniques for marketing, sales, and customer support. NY:John Wiley and Sons Inc.
Cabena, P., Hadjinian, P., Stadler, R., Verhees, J., & Zanasi, A. (1998). Discovering data mining from concept to implementation. NJ: Prentice Hall Press.
Cespedes, F. V., & Smith, H. J. (1993). Database marketing:New rules for policy and practice. Sloan Management Review , 34(4), 7-16.
Chen, Y. M. (1997). Equilibrium Product Bundling. Journal of Business , 70(1), 85-103.
Chen, Y. L., & Shen, C. C. (2005). Mining generalized knowledge from ordered data through attribute-oriented induction techniques. European Journal of Operational Research , 166(1), 221-245.
Cheung, C. M. K., Chan, G. W. W., & Limayem, M. (2005). A critical review of online consumer behavior:Empirical research. Journal of Electronic Commerce in Organizations , 3(4), 1-19.
Coenen, F., Goulbourne, G., & Leng, P. (2004). Tree Structures for Mining Association Rules. Data Mining and Knowledge Discovery , 8(1), 25-51.
Crampes, C., & Hollander, A. (2005). Product specification, multi product screening and bundling:the case of pay TV. Information Economics and Policy , 17(1), 35-59.
Cready, W. M. (1991). Premium Bundling. Economic Inquiry , 29(1), 173-179.
Dansby, R. E., & Conrad, C. (1984). Commodity bundling. American Economic Review , 74(2), 377-381.
Dolan, R. J., & Simon, H. (1996). Power Pricing:How Managing Price Transforms the Bottom Line. NY: The Free Press.
Drumwright, M. E. (1992). A Demonstration of Anomalies in Evaluations of Bundling. Marketing Letters , 3(4), 311-321.
Eppen, G. D., Hanson, W. A., & Martin, R. K. (1991). Bundling New Products, New Markets, Low Risk. Sloan Management Review , 32(4), 7-14.
Fayyad, U. M., Gregory, P. S., & Smyth, P. (1996). Form data mining to knowledge discovery in database. AI Magazine, 17(3), 37-54.
Fayyad, U., & Stolorz, P. (1997). Data mining and KDD:promise and challenges. Future Generation Computer Systems , 13, 99-103.
Forney, J. C., Park, E. J., & Brandon, L. (2005). Effects of evaluative criteria on fashion brand extension. Fashion Marketing and Management , 9(2), 156-165.
Frawley, W., Piatesky, G. S., & Matheus, C. (1991). Knowledge Discovery in Database:An Overview, Knowledge Discovery in Database. AAAI/MIT Press.
Gaeth, G. J., Levin, I. P., Chajraborty, G., & Levin, A. M. (1990). Consumer Evaluation of Multi-Product Bundles:An Information Integration Approach. Marketing Letters , 2(1), 47-57.
Guiltinan, J. P. (1987). The Price Bundling of Services:A Normative Framework. Journal of Marketing , 51(2), 74-85.
Ha, S. H., & Park, S. C. (1998). Application of data mining tools to hotel data mart on the Intranet for database marketing. Expert Systems with Applications , 15(1), 1-31.
Han, J., & Kamber, M. (2006). Data Mining:Concepts and Techniques(2nd Edition). Morgan Kaufmann, San Francisco.
Hanson, W. A., & Martin, R. K. (1987). Optimal Bundle Pricing. Management Science , 36(2), 155-174.
Harlam, B. A., Krishna, A., Lehmann, D. R., & Mela, C. (1995). Impact of Bundle Type, Price Framing and Familiarity on Purchase Intention for the Bundle. Journal of Business Research , 33(1), 57-66.
Hughes, A. M. (1994). Strategic Database Marketing. Chicago:Probus Publishing.
Hughes, A. M. (2000). Strategic Database Marketing.(2nd ed.). NY: McGraw-Hill.
Hui, S. C., & Jha, G. (2000). Data mining for customer service support. Information and Management , 38(1), 1-13.
Kantardzic, M. (2003). Data mining:concepts, models, methods and algorithms. NJ: Wiley Press.
Kopalle, P. K., Krishna, A., & Assuncao, J. L. (1999). The role of market expansion on equilibrium bundling strategies. Managerial and Decision Economics , 20(7), 365-378.
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.
Kotler, P. (2000). Marketing Management(10th Edition). Prentice Hall Press, Inc.
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 and Data Analysis , 50(4), 1113-1130.
Liao, S. H., & Chen, Y. J. (2004). Mining customer knowledge for electronic catalog marketing. Expert Systems with Applications , 27(4), 521-532.
Little, D. C. (1979). Decision Support Systems for Marketing Managers. Journal of Marketing , 43(3), 9-26.
Mankila, M. (2004). Retaining Students in retail Banking Trough Price Bundling:Evidence from the Swedish Market. European Journal of Operation Research , 155(2), 299-316.
Nagle, T. (1984). Economic Foundation for Pricing. Journal of Business , 57(1), 3-26.
Naylor, G., & Frank, K. E. (2001). The effect of price bundling on consumer perceptions of value. Journal of Service Marketing , 15(4), 270-281.
Ngai, E. W. T., & Wat, F. K. T. (2002). A Literature Review and Classification of Electronic Commerce Research. Information and Management, 39(5), 415-429.
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 , 42(3), 785-804.
Paun, D. (1993). When to Bundle or Unbundle Products. Industrial Marketing Management , 22(1), 29-34.
Salinger, M. A. (1995). A Graphical Analysis of Bundling. Journal of Business , 68(1), 85-98.
Santos, M. Y., & Amaral, L. A. (2004). Mining geo-referenced data with qualitative spatial reasoning strategies. Computers and Graphics , 28(3), 371-379.
Scansaroli, J. A. (1997). Interactive Retailing:Consumers online. Chain Store Age , 73(1), 5A-8A.
Schmalensee, R. (1984). Gaussian Demand and Commodity Bundling. Journal of Business , 57(1), S211-S230.
Simonin, B. L., & Julie A. R. (1995). Bundling as a Strategy for New Product Introduction:Effects on Consumer’s Reservation Price for the Bundle, the New Product, and Its Tie-in. Journal of Business Research , 33(3), 221.
Shani, D., & Chalasani, S. (1992). Exploiting Niches Using Relationship Marketing. Journal of Consumer Marketing , 9(3), 33-42.
Shaw, R. M., & Stone, M. (1990). Database marketing:Strategy and implementation. NY:John Wiley and Sone, Inc.
Spencer, S., & Lawley, M. (2006). Improving customer service:Issues in customer contact management. European Journal of Marketing , 40(1), 218-232.
Stone, B. (1995). Successful Direct Marketing Methods. 37-59, Lincolnwood, IL:NTC Business Books.
Stone, M., Woodcock, N. & Wilson, M. (1995). Managing the Change from Marketing Planning to Customer Relationship Management. Long Range Planning, 29, Oct, 675-68.
Stremersh, S., & Tellis, G. J. (2002). Strategic Bundling of Product and Price: A New Synthesis for Marketing. Journal of Marketing , 66(1), 55-72.
Thelen, S., Mottner, S., & Berman, B. (2004). Data mining:On the trail to marketing gold. Business Horizons , 47(6), 25-32.
Toroslua, I. H., & Yetisgen, Y. M. (2005). Data mining in deductive databases using query flocks. Expert Systems with Applications . 28(3), 395-407.
Venkatesh, R., & Mahajan, V. (1993). A Probabilistic Approach to Pricing a Bundle of Products and Services. Journal of Marketing Research , 30(4), 494-508.
Wang Y. F., Chuang, Y. L., Hsu, M. H., & Keh, H. C. (2004). A personalized recommender system for the cosmetic business. Expert Systems with Applications , 26(3), 427-434.
Weir, L., & Hibbert, S. (2000). Building donor relationships:An investigation into the use of relationship and Database Marketing by Charity Fundraisers. The Service Industries Journal , 20(2), 114-132.
Yadav, M. S., & Monroe, K. B. (1993). How Buyers Perceive Savings in a Bundle Price:An Examination of a Bundle Transaction Value? Journal of Marketing Research , 30(3), 350-358.
Yadav, M. S. (1994). How Buyers Evaluate Product Bundles:A Model of Anchoring and Adjustment. Journal of Consumer Research , 21(2), 342-353.
Yadav, M. S. (1995). Bundle Evaluation in Different Market Segments:The Effect of Discount Framing and Buyers’ Preference Heterogeneity. Journal of the Academy of Marketing Science , 23(3), 206-215.
三、 網路及其他資料
大潤發官方網站,http://www.rt-mart.com.tw/
中華民國經濟部,http://www.moea.gov.tw/
行政院主計處,http://www.dgbas.gov.tw/
行政院經濟建設委員會,http://www.cepd.gov.tw/
家樂福,http://www.carrefour.com.tw/
國際貿易局,http://cweb.trade.gov.tw/
愛買網站,http://www.fe-geant.com.tw/
經濟部技術處,http://doit.moea.gov.tw/
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2010-07-01公開。
  • 同意授權瀏覽/列印電子全文服務,於2010-07-01起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信