利用分类分析发掘消费者最适性之产品项目

輔仁管理評論中華民國97年1月，第十五卷第一期，17-42利用分類分析發掘消費者最適性之產品項目陳垂呈陳垂呈陳垂呈陳垂呈****(收稿日期：96年3月13日；第一次修正：96年4月10日；第二次修正：96年9月3日；接受刊登日期：96年10月26日)摘要摘要摘要摘要在本論文中，我們以消費者之交易資料為探勘的資料來源，每一筆交易資料除了記錄有消費者曾經購買過的產品項目，也記錄著其購買的次序性，以某一消費者為探勘的目標，利用分類分析(classificationanalysis)分別從以下兩方面發掘此消費者最適性的產品項目：一是只考量產品項目是否出現在交易資料中，文中設計一個建構決策樹的方法，以顯示那些產品項目與此消費者之間有關聯性的傾向特徵，藉此做為發掘此消費者最適性之產品項目的依據；二是考量產品項目具有購買次序性，文中設計一個建構決策樹的方法，以顯示那些產品項目與此消費者之間具有購買次序的關聯性傾向特徵，藉此做為發掘具有購買次序之此消費者最適性的產品項目的依據。我們根據所提出的方法，設計與建置一個發掘消費者最適性之產品項目的探勘系統。關鍵詞彙：交易資料，分類分析，次序性壹壹壹壹‧‧‧‧簡介簡介簡介簡介隨著資訊技術迅速的發展，企業可以更加輕易及方便儲存消費者曾經交易的記錄(Laudon&Laudon,2000)。這些交易記錄可能來自於消費者的信用卡交易、大賣場的收銀機、填寫的特徵資料或是網頁的瀏覽記錄等。因此，如何利用這些大量交易記錄，深入分析消費者的交易行為，以改善與顧客之間的關係，並提供最貼切的產品服務，進而提昇顧客的滿意度與忠誠度，是企業經營者必須思考的問題之一。資料探勘(datamining)是從大量資料中找出有用的資訊與知識，目前已廣泛應用在許多的領域中(Han&Kamber,2006)，並已被證明可以有效應用在產品行銷、銷售及顧客服務上，是企業提昇經營優勢與競爭力的重要工具之一(Berry&Linoff,2004;Hui&Jha,2000)。在本論文中，我們以消費者之交易資*作者簡介：陳垂呈，南台科技大學資訊管理系副教授。18輔仁管理評論，第十五卷第一期，民國97年1月料為探勘的資料來源，每一筆交易資料記錄有消費者曾經購買的產品項目及其購買的次序，並以某一消費者為探勘的目標，利用分類分析(classificationanalysis)分別從以下兩方面發掘此消費者最適性的產品項目：1.只考量產品項目是否出現在交易資料中只考量產品項目是否出現在交易資料中只考量產品項目是否出現在交易資料中只考量產品項目是否出現在交易資料中：：：：假設此消費者的交易資料為X，X為一個或以上產品項目所形成的項目組，在探勘的過程中，若交易資料包含X，則設定交易資料與此消費者之間的關聯性為「有」；否則設定其關聯性為「無」。我們視此消費者未曾購買過的產品項目為欲分類的影響屬性，然後利用ID3演算法對交易資料進行分類計算，並建立決策樹。從決策樹的路徑(paths)中，可找出那些屬性項目的狀態會與此消費者之間的關聯性為「有」，即定義其中狀態是「曾經購買」的屬性項目，為此消費者最適性的產品項目。2.考量產品項目具有購買次序性考量產品項目具有購買次序性考量產品項目具有購買次序性考量產品項目具有購買次序性：：：：假設此消費者的交易資料為Y，Y為一個或以上產品項目所形成具有次序性的項目組，在探勘的過程中，若交易資料包含Z，Z為一個或以上產品項目所形成具有次序性的項目組，當Z包含的產品項目等於Y包含的產品項目，則設定交易資料與此消費者之間的關聯性為「有」；否則設定其關聯性為「無」。若交易資料包含Z，則必須依序分解Z之後的產品項目成各項目組，我們視分解後的項目組為欲分類的影響屬性，利用ID3演算法對交易資料進行分類計算，並建立決策樹。從決策樹的路徑中，可找出那些屬性項目的狀態會與此消費者之間的關聯性為「有」，我們即定義其中狀態是「曾經購買」的屬性項目，為具有購買次序之此消費者最適性的產品項目。我們根據所提出的方法，設計與建置一個探勘系統，以發掘消費者最適性的產品項目。本文各章節介紹如下：第貳節介紹資料探勘技術、及其產品行銷管理的相關研究；第參節以某一消費者為探勘的目標，說明利用分類分析發掘此消費者最適性之產品項目的探勘過程；第肆節以某一消費者為探勘的目標，說明利用分類分析發掘具有購買次序之此消費者最適性的產品項目的探勘過程；第伍節根據所提出的方法，設計與建置一個探勘系統，以發掘消費者最適性的產品項目；最後在第陸節中做一結論。貳貳貳貳‧‧‧‧相關研究相關研究相關研究相關研究利用分類分析發掘消費者最適性之產品項目19資料探勘是從大量資料中挖掘出潛在有用的資訊與知識，發現專家尚且未知的新關係，以提供企業專業人員的決策參考。資料探勘可完成以下的工作：關聯規則(associationrules)、分類分析(classificationanalysis)、分群(clustering)、次序相關分析(sequentialpatternanalysis)及預測(prediction)等(Chenetal.,1996;Han&Kamber,2006)，利用資料探勘於行銷決策及市場預測等活動，可以提供非常有價值的參考資訊(Berry&Linoff,2004;Hui&Jha,2000)。在交易資料庫中，Agrawaletal.(1993)首先利用關聯規則表現產品項目之間的關聯性，例如項目組X與Y之間有一關聯規則被表示成X→Y，X、Y為包含一個或以上項目所形成的項目組，且X∩Y=∅，則關聯規則所顯示出的傾向特徵為：若消費者曾經購買X，則也會有購買Y的傾向特徵。就消費者的產品行銷而言，可將Y之產品項目推薦給曾經購買X的消費者。目前，探勘關聯規則及其應用是資料探勘最重要的研究主題之一，已有許多相關研究被陸續提出(Agrawal&Srikant,1994;Srikant&Agrawal,1995;Parketal.,1997;Hanetal.,2000,2004;Tsay&Chiang,2005;Peietal.,2006;Xu&Wang,2006)。以上探勘產品項目之間關聯性的過程中，會忽略考量項目出現的購買次序性，但在現實消費者購物的交易中，除了記錄購買的產品項目，也會記錄購買的時間。因此，若將消費者購買產品的時間也列入考量，則可發掘消費者購物的次序性。例如，消費者在購買「洗衣機」之後，也會有購買「烘衣機」的傾向。在探討產品項目之間次序性的研究中，次序相關分析是最常被使用來分析消費者購物之次序性的方法之一，其將每一位消費者曾經購物的交易資料，視為一群有次序性之產品項目的集合，次序相關分析的目的就是在擷取最常出現具有次序性的項目組，並且包含最大的項目個數，其相關研究可參考(Agrawal&Srikant,1995;Srikant&Agrawal,1996;Chenetal.,2003;Yu&Chen,2005;Zaki,2001;Wang&Wang,2006;Yun&Leggett,2006;Tanetal.,2006)。藉由資料探勘技術所找出的規則，是反映出其當時所探勘之資料庫中資料的傾向特徵，在探勘的過程中，不同的探勘技術需要設定不同參數值。例如找出的關聯規則X→Y是否有意義或是有用，必須判斷是否符合所設定的「最小支持度」及「最小信賴度」，最小支持度可表示產品X∪Y的市場大小，最小信賴度可表示產品X與Y之間關聯的強度，因此各參數值的設定，有賴於管理者的經驗、智慧及需求。20輔仁管理評論，第十五卷第一期，民國97年1月至於找出的規則如何有效應用，必須有賴於管理人員擬定相關的行銷策略。例如關聯規則「便當」→「飲料」成立，其顯示的傾向特徵為：若消費者購買便當，則也會有購買飲料的傾向。管理人員擬定的行銷策略可能為：同時購買便當與飲料可打95折的優惠以進行促銷；或是進行消費者適性化的產品推薦，管理人員擬定的行銷策略可能為：把飲料放置於便當的旁邊，以方便消費者拿取，叮嚀門市人員當有人購買便當時，詢問其是否要購買飲料，因為這些消費者是最有可能會購買的。分類分析是從已知的物件群中，根據所訂定的屬性條件進行分類，決策樹(decisiontrees)與決策法則(decisionrules)是分類分析最常被使用的兩種表示法。例如，若對消費者曾經購買過的產品項目進行分類，把消費者對某一產品的購買意願分為「高」與「低」兩種類別,，再將消費者之交易資料中其他的產品項目、或是人口特徵項目視為影響屬性，經由分類計算所建構的決策樹中，可得知影響購買此產品之意願高低的關鍵屬性。資料進行分類分析時，一般可以產生不只一種的分類模式，但期望得到的分類模式是越精簡越好。以決策樹為例，若決策樹的高度(height)愈小，其路徑(paths)包含的節點數目也較少，則表示可用愈少的屬性便能分類出所有物件。因此，一個好的分類技術，應該具有精簡及預測能力佳的特性，目前常被利用的分類技術有ID3(Quinlan,1986;Gaddametal.,2007;Wuetal.,2006;Liu&Zhou,2006;Xu,2005)、CN2(Clark&Niblett,1989)、倒傳遞類神經網路(back-propagation)(Rich&Knight,1991)等。Berry&Linoff(2004)指出對物件的分類及預測而言，利用分類分析所建搆的決策樹是強大且常被使用的工具，由其導出的規則可以很容易被人類瞭解、及用來粹取描述物件類別的模型或是對趨勢的預測。目前分類分析已廣泛應用在許多的領域中，例如信用核證(creditapproval)、醫療診斷(medicaldiagnosis)、銷售(sales)、顧客服務、及選擇性行銷(selectivemarketing)等(Berry&Linoff,2004;Han&Kamber,2006)。因此，若能從交易資料中，利用分類分析建構產品項目之間關聯性的決策樹，對產品銷售及行銷預測必可提供相當有用的資訊。本研究以消費者之交易資料為探勘的資料來源，每一筆交易資料包含曾經購買的產品項目及其次序，並以某一消費者之交易資料X為探勘的目標，探討在分類技術中，是否可以解決此消費者與其他項目之間關聯性的問題，並延伸至包含有購買次序之項目間關聯性的問題。即一是只考量產品項目是否出現在交易資料中，發掘此消費者最適性的產品項目；二是增加考量產品項目的利用分類分析發掘消費者最適性之產品項目21次序性，發掘具有購買次序之此消費者最適性的產品項目。例如X與Y之間有一關聯規則X→Y，X、Y為包含一個或以上項目所形成的項目組，且X∩Y=∅，則關聯規則所顯示出的傾向特徵為：若消費者曾經購買X，則也會有購買Y的傾向特徵。此問題在探勘關聯規則之研究領域中，應是最典型、最重要及最廣泛的問題，而本研究目標即在探討如何利用分類技術有效地解決以上的問題。參參參參‧‧‧‧發掘消費者最適性之產品項目發掘消費者最適性之產品項目發掘消費者最適性之產品項目發掘消費者最適性之產品項目在消費者曾經購買過的產品項目中，除了可反映出消費者本身的需求傾向，也可顯示出產品項目之間的關聯性，若能從消費者曾經購買過的產品項目中，找出產品項目之間的關聯性，對企業擬訂消費者個人化的產品行銷策略，必可提供相當有用的參考資訊。此一章節中，我們以消費者之交易資料為探勘的資料來源，每一筆交易資料包含有消費者曾經購買過的產品項目，並以某一消費者為探勘的目標，對於此消費者曾經購買的產品項目，視之為已知的適性化產品，對於未曾購買而有傾向會購買的產品項目，則利用分類分析做為發掘此消費者最適性之產品項目的方法依據。一、探勘方法一、探勘方法一、探勘方法一、探勘方法在分類分析幾種較具有代表性的方法中，如CHAID(Hartigan,1975)、CART(Breimanetal.,1984),ID3(Quinlan,1986)、C4.5(Quinlan,1993)、及NeuralNetworks(Widrowetal.,1994)等，高淑珍(2004)曾整理Katharina&D