大數據時代的來臨，已經顛覆以往用傳統人口變量(例如：性別、年齡、地區…等)做分析，取而代之的是每位顧客的過去各種紀錄。現今許多企業擁有龐大的顧客交易歷史資料，為了瞭解顧客的購買行為，最常被使用的是RFM模型，RFM模型可以簡單且有效的描述顧客的行為模式，並找出高價值的客戶，以利企業做出後續的決策。但是近年來越來越多學者提出不同指標修正RFM模型，例如將RFM模型修正為RFMC模型，新指標為叢(Clumpiness)探討每位顧客的購物模式，本研究以RFMC為出發點，提出另一個計算叢的方法並和過去學者的算法進行比較。最後再引用連(Run)的概念，預測顧客下一次的行為。

With the advent of big data era, instead of using demographic variables, such as gender, age, area, to analyze customers’ behavior, customers’ transaction history are used most frequently. Nowadays, many companies have huge amount of customers’ transaction data. In order to understand the behavior of customers, RFM (recency, frequency, and monetary) model is the most common method to use. RFM model is able to simply describe the mode of consuming behavior and find the high-valued customers so that the companies can make the right decisions. However, recent years more and more scholars proposed different method to modify the RFM model. For example, there is a new idea, called RFMC model, using “Clumpiness” to research the customers’ behavior. Therefore, the research in this paper used the RFMC model and a new idea to calculate the “Clumpiness”. Moreover, there is a comparison between this new idea and the other method in calculating “Clumpiness”. Finally, the concept of “Run” is cited to predict the next behavior of the customers.

目錄
目錄	V
表目錄	VIII
圖目錄	IX
第一章	緒論	1
1.1   研究動機與目的	1
1.2   論文架構	3
第二章	文獻回顧	4
2.1  80/20法則	4
2.2  RFM模型	6
2.2.1 Arthur Hughes法	7
2.2.2 Bob stone 法	8
2.2.3 Shaw 法	10
2.3  連(Run)的概念	11
2.4  叢(Clumpiness)的概念	15
第三章	研究方法	18
3.1  研究設計	18
3.2  集中程度	20
3.3  購買行為預測	24
第四章	模擬研究與比較	26
4.1  資料模擬	26
4.2  計算顧客集中程度	27
4.2.1  L2方法、Hp方法和Hp2方法	27
4.2.1  新指標C1,C2	28
4.3  方法比較	29
4.3.1 最終結果	29
4.3.2 時間差異	30
第五章	資料分析與研究結果	33
5.1  資料說明與整理	33
5.2  資料分析	35
5.3  購買行為預測	38
5.3.1 預設行為	38
5.3.2 模型驗證	38
第六章	結論	40
6.1  研究結論	40
6.2  研究建議	41
參考文獻	42

 
表目錄
表2.1  Arthur Hughes 法之RFM權重	8
表2.2  Bob stone 法之RFM權重	9
表2.3  Shaw 法之RFM權重	10
表3.1 顧客分群對應之推銷手法	23
表4.1 模擬資料之叢指標結果	29
表5.1 顧客原始點擊資料	34
表5.2 顧客原始點擊資料轉換結果	34
表5.3 預測顧客行為	38

 
圖目錄
圖1.1 研究架構	3
圖 2.1 殘差圖	12
圖 2.2 殘差圖加入連概念	12
圖 2.3 顧客消費紀錄時間圖	13
圖 2.4 顧客消費紀錄時間圖加入連概念	13
圖 3.1 顧客叢指標計算說明	21
圖 3.2 顧客消費模式與價值分群	23
圖 3.3 連特徵預測購物行為	25
圖4.1 顧客消費模擬資料	26
圖4.2 顧客11、顧客12與顧客13購物時間圖	31
圖4.3 顧客11之集中指標測量演變結果	31
圖4.4 顧客12之集中指標測量演變結果	32
圖4.5 顧客13之集中指標測量演變結果	32
圖5.1 集中型高價值顧客	35
圖5.2 穩定型高價值顧客	36
圖5.3 顧客分群結果	37
圖5.4 顧客預測結果	39

英文文獻
[1]	Bult, J.R. and Wansbeek, T. (1995). Optimal Selection For Direct Mail. Marketing Science 14:4, 378-395

[2]	Jo-Ting Wei, Shih-Yen Lin, Chih-Chien Weng, Hsin-Hung Wu (2012) . A case study of applying LRFM m odel in market segmentation of a children’s dental clinic. Expert Systems with Applications 39 (2012) 5529–5533

[3]	Kristof Coussement, Filip A.M. Van den Bossche, Koen W. De Bock (2014). Journal of Business Research 67 (2014) 2751–2758

[4]	Marcus, C. (1999). A practical yet meaningful approach to customer segmentation. Journal of consumer marketing 15:5, 494-504.

[5]	Reinartz, W. J. and Kumar, V. (2000). On the Profitability of Long-Life Customer in a No contractual Setting: An Empirical Investigation and Implications for Marketing. Journal of Marketing 64, 17-35.

[6]	Sheth & Newman (1999) Customer Behavior: Consumer Behavior and Beyond

[7]	Wei, J. T., Lin, S. Y. and Wu, H. H. (2010). A review of the application of RFM model. African Journal of Business Management, 4(19), 4199-4206.

[8]	Yao Zhang, Eric T. Bradlow, Dylan S. Small(2013). New Measures of Clumpiness for Incidence Data

[9]	Yao Zhang, Eric T. Bradlow, Dylan S. Small(2014). Predicting Customer Value Using Clumpiness:From RFM to RFMC. Marketing Science. Volume 34 Issue 2, March (2015) 195-208

[10]	Yeh, I. C., Yang, K. J., & Ting, T. M. (2008). Knowledge discovery on RFM model using Bernoulli sequence. Expert Systems with Applications, 36, 5866–5871.

[11]	Roberts, M.L(1992). Expanding the role of the direct marketing database. Journal of Direct Marketing, Vol. 2, No. 2, pp. 51-60.

[12]	A.M. Hughes(1994). Strategic Database Marketing. Chicago: Probus Publishing .

[13]	Bob Stone(1995). Successful Direct Marketing Methods. Lincolnwood IL:NTC Business Bools.


中文文獻

[14]	陳慈慧(2009)，以近期購物的連( Runs )特徵修正 RFM 模型。

[15]	謝綺蓉譯，Richard Koch 原著(1998)。『80/20法則』，台北：大塊文化。

[16]	廖月娟譯，Walter Isaacson原著(2013) 。『賈伯斯傳』，天下文化。