隨著國人外食習慣逐漸增長，餐飲業發展也備受關注，而中式速食是餐飲業提升其經營效率的一個方向。本研究之個案公司即為一中式複合式快餐連鎖業者，該公司之策略為提升顧客消費單價與提升服務速度，並確立以提升套餐選購率做為行動方針。而該公司套餐是以固定的基底內容再加上特色主餐與主食類品項而成。欲實施此行動方針，必須確保固定的套餐基底內容是否符合顧客喜好，以及該基底內容價錢是否合乎其水準。因此，本研究利用個案公司所提供的POS資料中找尋到隱含的顧客喜好並透過關聯分析找出餐點品項間的關聯性。本研究亦將套餐基底設計視為最佳化問題，欲將套餐基底品項間的關聯最大化，並以求解所得之最佳套餐基底作為套餐設計之依據。本研究考量到POS資料隨營運成長將造成的效率問題，因此建置hadoop分散式運算平台，並採用平行FP-Growth 演算法作為關聯分析工具。透過資料清除、篩選、探勘、套入模型後本研究方法以個案公司之POS資料實證，結果顯示，透過本研究所提出的方法設計出求解所得之套餐基底內容，品項間的支持度較原有之套餐基底內容高，且價錢也在合理範圍內，顯示本研究方法於實務上的可行性。

As the growth of dining-out population in the recent years, the development of the food and beverage industry is getting attention, and Chinese fast-food restaurants are particularly considered as the way to improve the operating efficiency in the food and beverage industry. The case company of this study is a Chinese fast food chain restaurant. To enhance its operating efficiency, the company's tactics are to encourage the expenditure by customer per transaction and to improve the service speed by serving more value meals (i.e. combo) to customers. The design of the company’s value meal is based on some fixed base items coupled with main dishes. To implement this operational policy, the company must confirm that the base items for value meals meet customer preferences, as well as appropriate prices. This study utilizes the POS data to find implicit information regarding customer preferences by the association analysis between individual items. The design of the value meal base is considered as an optimization problem where the objective is to maximize the overall associations in a value meal base. Considering the fast growth of POS data in the future, we adopt Hadoop as the computing platform, and use parallel FP-Growth algorithm for association analysis. Through data cleaning, filtering, and solving the optimization model, the empirical results confirm that the proposed approach is feasible. The results demonstrate that our designs of value meals render greater associations among items in a value meals than the current menu of the company can support.

目錄
 第一章	緒論	1
1.1.	研究背景與動機	1
1.2.	研究目的	3
1.3.	研究流程	5
 第二章	文獻探討	6
2.1.	連鎖速食業	6
2.1.1.	定義與特性	6
2.1.2.	經營與行銷活動	7
2.2.	資料探勘	8
2.2.1.	定義與特性	8
2.2.2.	關聯規則（Association rules）	10
2.2.3.	應用	15
2.3.	Hadoop平台	16
2.3.1.	起源與特色	16
2.3.2.	運作	17
 第三章	研究方法	19
3.1.	最佳化（Optimization）	19
3.2.	應用關聯規則探勘於套餐設計	21
3.3.	平行關聯演算法（Parallel Association algorithms）	21
 第四章	實驗結果與分析	27
4.1.	資料分析	27
4.2.	實驗資料準備	33
4.3.	實驗結果	35
4.3.1.	各套餐基底之內容品項相聯偶對支持度	38
4.3.2.	各套餐基底之內容品項相聯偶對加總平均支持度	42
4.3.3.	各套餐基底之支持度	43
4.4.	結果分析	43
 第五章	結論與未來研究方向	45
5.1.	結論與研究貢獻	45
5.2.	建議與後續研究	46
參考文獻	47
表目錄
表1-1 各行業營業額變動	1
表1-2 餐飲業營業額變動	1
表1-3 2008年連鎖速食店家數概況	2
表4-1 各分店交易筆數	27
表4-2 各分店交易分布比例	28
表4-3 各分店單點交易筆數	28
表4-4 各分店單點交易分布比例	28
表4-5 各分店套餐選購率（以全數單點品項為分母）	30
表4-6 各分店套餐選購率（排除單點飲料品項為分母）	30
表4-7 天氣與品項之強關聯規則	32
表4-8 原有套餐基底內容單品項支持度	33
表4-9 原有套餐基底內容品項相連偶對支持度	34
表4-10 實驗一N=2各套餐基底之內容品項相聯偶對支持度	38
表4-11 實驗一N=3各套餐基底之內容品項相聯偶對支持度	38
表4-12 實驗一N=4各套餐基底之內容品項相聯偶對支持度	39
表4-13 實驗一N=5各套餐基底之內容品項相聯偶對支持度	39
表4-14 實驗一N=6各套餐基底之內容品項相聯偶對支持度	40
表4-15 實驗一N=7各套餐基底之內容品項相聯偶對支持度	40
表4-16 實驗二N=2各套餐基底之內容品項相聯偶對支持度	41
表4-17 實驗二N=3各套餐基底之內容品項相聯偶對支持度	41
表4-18 實驗一相聯偶對支持度加總平均	42
表4-19 實驗二相聯偶對支持度加總平均	42
表4-20 實驗一套餐基底內容品項同一單交易出現筆數	43
表4-21 實驗二套餐基底內容品項同一單交易出現筆數	43
圖目錄

圖1-1 研究架構圖	5
圖2-1 FP-tree construction[5]	12
圖2-2 Mining frequent patterns with FP-tree by pattern fragment growth[5]	13
圖2-3 創建FP-tree 流程	14
圖2-4 FP-Growth挖掘頻繁樣式流程	15
圖2-5 Hadoop的分散式檔案系統(HDFS)結構[3]	17
圖2-6 MapReduce框架[3]	18
圖2-7 MapReduce範例	18
圖3-1 The Parallel Counting Algorithm[7]	22
圖3-2 F-list	23
圖3-3 The Parallel FP-Growth Algorithm[7]	24
圖3-4 The Aggregating Algorithm[7]	25
圖3-5 研究方法流程	26
圖4-1 交易分布比例	29
圖4-2 營收分布比例	29
圖4-3 各分店套餐選購率（以全數單點品項為分母）	31
圖4-4 各分店套餐選購率（排除單點飲料品項為分母）	31

參考文獻
[1]	Agrawal, Rakesh, Tomasz Imieliński, and Arun Swami. "Mining association rules between sets of items in large databases." ACM SIGMOD Record. Vol. 22. No. 2. ACM, 1993.
[2]	Apache Hadoop, http://hadoop.apache.org/ , January 5, 2015.
[3]	Apache Hadoop, “Apache Hadoop-1.2.1 HDFS Architecture Guide”, http://hadoop.apache.org/docs/r1.2.1/hdfs_design.html, January 5, 2015.
[4]	Fayyad, Usama, Gregory Piatetsky-Shapiro, and Padhraic Smyth. "From data mining to knowledge discovery in databases." AI magazine 17.3 (1996): 37.
[5]	Han, Jiawei, Jian Pei, and Yiwen Yin. "Mining frequent patterns without candidate generation." ACM SIGMOD Record. Vol. 29. No. 2. ACM, 2000.
[6]	Dean, Jeffrey, and Sanjay Ghemawat. "MapReduce: simplified data processing on large clusters." Communications of the ACM 51.1 (2008): 107-113.
[7]	Li, Haoyuan, et al. "Pfp: parallel fp-growth for query recommendation." Proceedings of the 2008 ACM conference on Recommender systems. ACM, 2008.
[8]	Park, Jong Soo, Ming-Syan Chen, and Philip S. Yu. An effective hash-based algorithm for mining association rules. Vol. 24. No. 2. ACM, 1995.
[9]	Agrawal, Rakesh, and Ramakrishnan Srikant. "Fast algorithms for mining association rules." Proc. 20th int. conf. very large data bases, VLDB. Vol. 1215. 1994.
[10]	Sadalage, Pramod J., and Martin Fowler. NoSQL distilled: a brief guide to the emerging world of polyglot persistence. Pearson Education, 2012.
[11]	Shvachko, Konstantin, et al. "The hadoop distributed file system." Mass Storage Systems and Technologies (MSST), 2010 IEEE 26th Symposium on. IEEE, 2010.
[12]	Pang-Ning, Tan, Michael Steinbach, and Vipin Kumar. "Introduction to data mining." Library of Congress. 2006.
[13]	王美春（2010）。餐飲業行銷策略-以繫前緣為例(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/98285036790471648952
[14]	台灣連鎖暨加盟協會（2009），2009年台灣連鎖店年鑑，台北市。
[15]	向文章（2010）。消費者對中式速食之滿意度分析：以鬍鬚張為例(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/91485182372684999599
[16]	行政院主計處（2009），家庭收支調查表統計，http://win.dgbas.gov.tw/fies/a11.asp?year=98
[17]	行政院主計處（2011），中華民國行業標準分類（第9次修訂），http://ebook.dgbas.gov.tw/public/Data/342211223371.pdf
[18]	行政院主計處（2013），人力資源調查，http://ebook.dgbas.gov.tw/public/Data/442591129QOB48BYE.pdf
[19]	行政院主計處（2013），家庭收支調查統計表，http://win.dgbas.gov.tw/fies/a11.asp?year=102
[20]	行政院統計處（2014），商業營業額統計月報，https://www.moea.gov.tw/Mns/dos/content/ContentLink.aspx?menu_id=9425
[21]	吳則雄（2007）。台灣餐飲業顧客互動、服務品質、信任與顧客忠誠度關係之研究-以中南部國際觀光旅館餐廳為例(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/42851841477734746926
[22]	吳若瑩（2014）。西式速食業顧客滿意度影響因素研究-以摩斯漢堡為例(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/19187612527427855805
[23]	翁政雄. (2011). 從購買意願資料中挖掘高度相關性的關聯規則. 資訊管理學報, 18(4), 119-138.
[24]	翁慈宗.(2009). 資料探勘的發展與挑戰. 科學發展期刊 (442), 34-37.
[25]	袁新民（2010）。產品與服務品質對顧客滿意度影響之研究:以上海東方既白中式速食連鎖餐廳為例(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/68865538336391479026
[26]	常世杰（2013）。利用資料探勘Apriori演算法預測零售賣場之個人購物行為(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/54156741797287784479
[27]	許倩棱. (2012). 餐飲業之經營現況與未來趨勢. 財團法人商業發展研究院. 線上檢索日期: 2015 年, 4.
[28]	陳垂呈. (2003). 以資料探勘技術發掘消費者之最適性產品項目. 朝陽商管評論, 2(1), 1-13.
[29]	陸嘉恒. (2012). Hadoop 實戰技術手冊. 佳魁資訊.
[30]	楊純明. (2014). 鉅量資料及其在農業生產上之應用潛力. 作物, 環境與生物資訊, 11 (1):, 51-56.。
[31]	經濟部統計處（2012），101年批發、零售及餐飲業經營實況調查報告。
[32]	葉進儀, 林珊, & 郭文熙. (2008). 應用以約定值為基礎之演算法於關聯規則探勘. 資訊管理學報, 15(4), 123-149.
[33]	廖虹雲（2004）。利用資料探勘來預測顧客對不同產品類別之偏好程度(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/72474751991477620628
[34]	廖原豐（2006）。因果關聯規則挖掘(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/80559966542985185490
[35]	鄭莞蓉（2012）。餐飲業服務品質與顧客滿意度之研究(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/20874023846827373172
[36]	謝玲娟（2009）。連鎖餐飲業教育訓練成效評估與服務品質之研究---以中式速食業為例(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/78272851660225972404
[37]	魏秀蕙（2014）。MapReduce架構下循序樣式探勘演算法之效能分析(碩士論文)。 取自http://handle.ncl.edu.tw/11296/ndltd/79374683245283274029
[38]	懷特, White, T., 王耀聰, 電腦科學, 辜文元, 資訊工程, ... & 資訊工程. (2011). Hadoop 技術手冊. 碁峰資訊