隨著政府制定週休二日的制度後，民眾有空暇時間來規劃並從事休閒運動，因此間接活絡運動相關產業之發展，104年我國民眾的「運動裝備」消費支出約為580億元，顯示了民眾在購買運動商品的消費能力之高，但由於運動商品層出不窮導致運動商品同質性極高，光是瀏覽運動商品時就必須花上一段時間，在選擇購買運動商品時更是手足無措。因此，業者該如何更精準地抓住顧客所偏好的運動商品、如何運用合適的促銷活動來吸引目標客群及利用目標客群的消費行為來做為參考依據提升商場競爭優勢，便是目前值得研究之議題。
本研究採用問卷調查的方式，透過資料探勘的方法以集群分析與關聯法則，歸納出顧客輪廓，並探討現今顧客的偏好與運動行銷公司經營模式中各要素彼此間的關聯性，從顧客偏好、消費行為、課程偏好、促銷等各種不同要素中探索，期望從中挖掘出尚未發現的法則，幫助運動相關業者的運動商品推薦機制以及新課程設計，以供運動行銷公司欲創業者及經營者做經營上之參考。

After the government enacts the system of weekend, people have the leisure time to plan and engage in leisure sports, which indirectly accelerate the development of sport-related business. People in Taiwan spend fifty-eight billion on the "sports equipments" in 2015, and it shows that people’s capacity in the purchase of sports commodities is high. However, due to the continuous invention of sports goods resulting in the high homogeneity, people spend much time browsing sports goods and even become hesitated in buying sports goods. Therefore, how to more accurately grasp the customer's preferred sports goods, how to use the appropriate promotions to attract the target customers and how to take advantage of the consumer behavior of the target consumers as a reference to enhance the competitive advantage of the mall are the issue to be discussed. 
The study uses the procedure of questionnaire survey, by using data mining approach to the cluster analysis and association rules to analyze the customer profile. This paper explores the relationship between the preferences of current customers and the factors in the business model of sports marketing companies, and also explores the different elements from customer preferences, consumer behavior, curriculum preferences and promotion. It is expected to dig out the unfound law, which can help the industry's sports commodity recommendation mechanism and the new curriculum design and become the references for entrepreneurs and operators in the sports marketing company.

目錄
謝辭	I
中文摘要	II
英文摘要	III
目錄	IV
表目錄	VIII
圖目錄	X
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	5
1.3研究方法與流程	6
第二章 文獻探討	7
2.1運動行銷發展	7
2.1.1運動目的	7
2.1 2運動行銷定義	10
2.2消費行為	12
2.2.1消費行為的定義	12
2.2.2消費行為影響因素	14
2.2.3消費行為模式	15
2.3新產品開發	17
2.3.1產品創新的定義	17
2.3.2新產品的定義	17
2.3.3新產品開發的原則	18
2.4推薦機制	20
2.4.1推薦機制的定義	20
2.4.2推薦機制的技術	22
2.4.3推薦機制的種類	23
2.4.4小結	24
2.5資料探勘	25
2.5.1資料探勘的定義	25
2.5.2資料探勘的功能	27
2.5.3資料探勘的流程	29
第三章 研究方法	31
3.1研究設計與架構	31
3.2系統架構圖與資料庫設計	32
3.2.1系統架構與流程	32
3.3資料庫的設計與建立	34
3.4問卷設計與發放	40
3.4.1問卷設計	41
3.4.2抽樣方法	45
3.4.3問卷發放	46
3.5集群分析與關聯法則	47
3.5.1集群分析	47
3.5.2關聯法則	48
3.5.3 Apriori演算法	51
3.6資料庫分析軟體 SPSS MODELER	54
第四章 資料探勘與實證分析	55
4.1回收樣本結構描述	55
4.2 K-MEANS集群分析之探勘	58
4.2.1分群後之顧客輪廓	60
4.3運動族群之推薦機制探勘	65
4.4運動商品與促銷活動之推薦機制分析	66
4.4.1集群一(陽光型男族群)運動商品與促銷活動之推薦機制分析	67
4.4.2集群二(妙齡個性族群)運動商品與促銷活動之推薦機制分析	68
4.4.3集群三(精算家庭族群)運動商品與促銷活動之推薦機制分析	70
4.4.4小結	71
4.5運動者輪廓與專業課程之新課程開發分析	72
4.5.1集群一(陽光型男族群)專業課程與促銷活動之新課程開發分析	73
4.5.2集群二(妙齡個性族群)專業課程與促銷活動之新課程開發分析	74
4.5.3集群三(精算家庭族群)專業課程與促銷活動之新課程開發分析	76
4.5.4小結	77
第五章 結論與後續研究建議	78
5.1研究結論	78
5.1.1運動者輪廓於運動商品推薦機制之結論	78
5.1.2運動者輪廓與新課程開發之結論	79
5.2管理意涵	81
5.2.1運動者輪廓於運動商品推薦機制之管理意涵	81
5.2.2運動者輪廓與新課程開發之管理意涵	86
5.3研究限制	90
5.4後續研究建議	91
參考文獻	93
一、中文文獻	93
二、英文文獻	96
三、網路資源	100
附錄一	101
表目錄
表 2-1 六種運動目的定義	7
表 2-2 各學者對運動行銷定義	11
表 2-3 各學者對消費行為之定義	13
表2-4 各學者對新產品之定義	18
表 2-5 各學者對推薦機制之定義	21
表2-6 各學者對資料探勘之定義	26
表2-7 資料探勘流程	29
表3-1 實體、關聯與屬性的概述	36
表3-2 問卷發放回收情形	47
表4-1 問卷回收統計表	56
表4-2 基本資料統計表	56
表4-3 K-MEAN分群結果	63
表4-4 集群一商品總類與消費偏好品牌與促銷之關聯法則	68
表4-5 集群二商品總類與消費偏好品牌與促銷之關聯法則	69
表4-6 集群三商品總類與消費偏好品牌與促銷之關聯法則	71
表4-7 集群一專業課程與行為模式、促銷之關聯法則	74
表4-8 集群二專業課程與行為模式、促銷之關聯法則	75
表4-9 集群三專業課程與行為模式、促銷之關聯法則	77
表5-1 各集群之推薦機制建議	84
表5-2各集群之新課程開發建議	88
圖目錄
圖1-1 我國運動人口調查、統計	1
圖1-2 104年國人規律運動人口比率	2
圖1-3 100年~105年我國運動服務業之總體營收	3
圖1-4 100年~104年我國運動中心、健康俱樂部之總營業額	3
圖1-5 研究流程圖 (資料來源：本研究整理)	6
圖 2-1 消費者決策制訂圖	15
圖3-2 系統架構圖	33
圖3-4 邏輯性資料庫設計圖	39
圖3-5 實體資料庫關聯圖	40
圖3-6 問卷架構圖(一)	43
圖3-7 問卷架構圖(二)	44
圖3-8 APRIORI演算法產生之後選項目集合與高頻項目集合	53
圖3-9 資料探勘工具滿意度（2013）	54
圖4-1 SPSS MODELER流程圖	55
圖4-2 集群大小分配圖	58
圖4-3 集群分布圖	60
圖4-4 資料探勘模型	65
圖4-5 運動商品推薦機制模型圖	66
圖4-6 集群一消費行為與促銷活動之蛛網圖	67
圖4-7 集群二消費行為與促銷活動之蛛網圖	68
圖4-8 集群三消費行為與促銷活動之蛛網圖	70
圖4-9 新課程開發模型	72
圖4-10 集群一專業課程與促銷活動之蛛網圖	73
圖4-11 集群二專業課程與促銷活動之蛛網圖	74
圖4-12 集群三專業課程與促銷活動之蛛網圖	76
圖5-1 運動者輪廓於運動商品推薦機制知識地圖	85

尹相志（2004）。資料採礦－網際網路應用與顧客價值管理。台北，維科出版社。
何欣容（2014）。資料採礦於臉書商業模式推薦機制之研究。淡江大學管理科學所碩士班學位論文。
吳書緯（2015）。資料探勘於網路互動式科技整合性行銷之研究。淡江大學管理科學學系碩士班學位論文。
周何和邱德修（2001）。國語活用辭典。台北，五南。
林慶德（2003）。資料庫管理與應用。台北，培生。
林靈宏和張魁峰（2006）消費者行為學。台北市：五南圖書出版股份有限公司。
徐揚 (民88)。正視運動行銷的功能-談運動從業人員的運動行銷正確觀。大專體育雙月刊，44，67-72。
徐元民(民95)。體育學導論(第二版)，台北:品度出版社。
許哲維（2012）。資料採礦於便利商店推薦機制之研究。淡江大學管理科學學系碩士班學位論文。
陳贊吉（2012）。絲織產業產品創新的概念，絲織園地第81期 P. 29。
曾光華（2006）。行銷管理。台北，前程文化。
楊志勇（2015）。資料探勘應用於LINE商業模式與推薦機制之研究。淡江大學管理科學學系碩士班學位論文。
雷文谷（2007）。運動事業經營與管理。臺北縣五股鄉：普林斯頓國際。 蕭富峯（1991）。廣告行銷讀本。台北市：遠流出版。
廖述賢（2007）。資訊管理。台北，雙葉書廊。
廖述賢和溫志皓（2012）。資料探勘理論與應用: 以 IBM SPSS modeler為範例。台北，博碩文化股份有限公司。
廖俊儒和程紹同 (2012) 。申辦大型國際運動賽會成功與失敗因素之研究。台灣 體育學術研究，52，81-96。
蔡碧鳳（2003）。策略創業軌迹之探討。國立清華大學科技管理研究所碩士學位論文。
劉常勇（2002）。新產品開發程序。高雄，中山大學。
謝一睿(民85)。台南市保齡球消費者之生活型態，運動餐與頻率和保齡球消費行為之研究。國立台灣師範大學體育研究所碩士論文，為出版，台北市。
謝邦昌(2014)。 SQL Server資料採礦與商業智慧。台北，碁峰資訊股份有限公司。
蘇維杉(民92)。台灣運動產業發展的趨勢與挑戰。台東大學體育學報，1，169-188。

 
二、英文文獻
Agrawal, R., Imieliński, T., and Swami, A. (1993). Mining Association Rules between sets of items in large databases. ACM SIGMOD Record, 22(2), 207-216.
Agrawal, R., & Srikant, R. (1994, September). Fast algorithms for mining association rules. In Proc. 20th int. conf. very large data bases, VLDB (Vol. 1215, pp. 487-499).
Bergemann, D., & Ozmen, D. (2004). Optimal pricing policy with recommender systems. Proceedings of P2PEcon 2004.
Berry, M. J. A., and Linoff, G. (1997). Data Mining Techniques for marketing, sales, and customer support. NY, John Wiley and Sons Inc.
Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A. (2013). Recommender systems survey. Knowledge-based systems, 46, 109-132.
Chen, H. S. (2015). The Decision Making of the New Product Promotion under Turbulent Environment Through Real Option with GM (1, 1). Journal of Grey System, 18(4), 213-224. 
Coenen, F., Graham, G. and Leng, P. (2004). Tree structures for mining association rules. Data Mining and Knowledge Discovery, 8(1), 25-51.
Colleen, M. (2015). Data Mining and Predictive Analysis: Intelligence Gathering and Crime Analysis (2th ed.). Butterworth-Heinemann Press.
Cremonesi, P., Garzotto, F. & Turrin, R. (2012). Investigating  the persuasion potential of recommender systems from a quality perspective: An empirical study. ACM Transactions on Interactive Intelligent  Systems (TiiS), 2(2), 11.
David, h. s., & Benedikte, A. (2004). Facyors predicting the effectiveness of Celebrity endorsements advertisements. European Jouanal of Marketing, 38(11/12), 1509-1526.
Engel, J. F., Blackwell, R. D., & Minard, P. W. (1993). Consumer Behavior.(7th ed.). Chicago: The Dryden Press.
Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17, 3-37.
Han, J. (2006). Data mining, southeast asia edition: Concepts and techniques. Morgan kaufmann Press.
Hofacker, C. F., Malthouse, E. C. & Sultan, F. (2016). Big data and consumer behavior: Imminent opportunities. The Journal of Consumer Marketing, 33(2), 89-97.
Hui, S., & Jha, G. (2000). Data mining for customer service support. Information and Management, 38(1), 1-13.
Kantardzic, M. (2011). Data mining: Concepts, models, methods, and Algorithms. Wiley-IEEE Press.
Kouris, I. N., Makris, C. H. and Tsakalidis, A. K. (2005). Using information retrieval techniques for supporting data mining. Data and Knowledge Engineering, 52(3), 353-383.
Kotler, P. (1997). Marketing Management: Analysis, Planning and Control. (9th ed.).New Jersey: Prentice-Hall Inc.
Kristin, R. N. & Matkovsky, I. P. (1999). Using Data Mining Techniques for Fraud Detection. SAS Institute Inc.and Federal Data Corporation.
Markham, S. K., Kowolenko, M. & Michaelis, T. L. (2015). Unstructured text analytics to support new product development decisions. Research Technology Management, 58(2), 30-38. 
Mullin, B. J. & Hardy, S., & Sutton, W. A. (1993). Sport Marketing. U.S.A: United Graphics, Inc. / Dekker Bookbinding.
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.
Othman, M. and Goodarzirad, B., (2013), Restaurant Color’s as Stimuli to Enhance Pleasure Feeling and Its Effect on Diners’ Behavioral Intentions in the Family Chain Restaurants, Journal of Tourism, Hospitality and Culinary Arts,5(1),75-101.
Ottenbacher, M., & Harring, R.J. (2007). The innovation development process of Michelin- starred chefs. International Journal of Contemporary Hospitality Management, 19(6), 444-460.
Padmanabhan, B., and Tuzhilin, A. (2002). Knowledge refinement based on the discovery of unexpected patterns in data mining. Decision Support Systems, 33(3), 309-321.
Pitts, B. G., & Stotlar, D. K. (1996).Fundamentals of sport Marketing. Morgantown: Fitness Informatuon Technology, Inc.
Ricc, F., Rokach, L., Shapira, B. & Kantor, P. B. (2011). Recommender systems handbook . Springer Press.
Robert, A. P. (2005). Response Construction in Consumer Behavior Research. Journal of Business Research, 58, 348-353.
Sampson, P. (1970). Can Consumers Create New Product? Journal of the Marketing Research Society, 12(1), 40-52.
Schafer, J. B., Konstan J. A. & Ried, J. (2001). E-commerce recommendation applications. Applications of data mining to electronic commerce, 5(1-2), 115-153.
Schiffman, L. G., & Kanuk, L. L. (1991).Consumer Behavior. (2nd ed.).New Jersey: Prentice – Hall.
Scott, N. (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.
Seo, H. J., Cha, J. S., and Kang, S. K., 2014, A Study of Nail Contents Design Based on the Women’s Psychology and Emotion, International Journal of Multimedia and Ubiquitous Engineering, 9(5), 195-202.
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.
Song, X. M. & Montoya-Weiss, M. M. (1998). Critical development activities for really new versus incremental products. Journal of product innovation management, 15(2), 124-135.
Srikant, R. and Agrawal, R. (1997). Mining association rules with item constraints. Paper presented at the KDD, 97, 67-73.
Stanton, W. J., Etzel, M. J. & Walker, B. J. (1994). Fundamentals of marketing (10th Ed.). New York: McGraw Hill, Inc.
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, Z. J. (2004). The role of drag in insect hovering. Journal of Experimental Biology, 207(23), 4147-4155.
Walter, G. G., & Paul, G. W. (1970). Consumer Behavior: An intergrated framework. New York: Richard D. Irwin 
Williams, R. G. (1982). Consumer Behavior Fundamental and Strategies. St. Paul Minn: West Publishing Co.
Xiao, B. & Benbasat, I. (2007). E-commerce product recommendation agents: Use, characteristics, and impact. Mis Quarterly, 31(1), 137-209.
三、網路資源
經濟部統計處: http://dmz9.moea.gov.tw/gmweb/advance/AdvanceQuery.aspx
銀髮福祉資源網: 
http://nkutagingcol.blogspot.tw/
TTR台灣趨勢研究:
http://www.twtrend.com/share_cont.php?id=54
教育部體育署-各族群的運動健身秘笈:
http://www.sa.gov.tw/wSite/ct?xItem=12162&ctNode=1308&mp=11