信用政策(Credit Policy)的制定

企業擬定信用政策一般係由下列四個要素所構成:

1. 信用期間(Credit Period):信用期間是指企業給予客戶的付款期間，

企業通常會根據客戶的正常存貨特有期間或是產品銷售週期來決 定信用期間的長短。

2. 信用標準(Credit Standard):為了獲得企業給予信用交易的使用，客 戶所需具備的最低財務力量。在決定信用標準時，企業的主要考慮 因素是，客戶延遲付款或賴帳不還的可能性。

3. 收款政策(Collection Policy):企業為了催收已過期的應收帳款所遵 循的程序。收款政策的改變會影響到銷售額、收現期間、壞帳損失 百分比，以及願意享受購貨折扣客戶的百分比。

4. 現金折扣(Cash Discount):企業為了鼓勵客戶提前付款所給予的購 貨折扣。

一般而言，信用政策的放鬆會導致銷售額的增加，但基於下列原因，公司 的成本也會跟著提高：

1. 為了生產更多的貨物，必須投入更多的人工與原料。

2. 應收帳款會隨著銷售額的增加而增加，故公司必須負擔較前為多的應 收帳款持有成本。

3. 壞帳損失以及現金折扣費用也會隨著銷售額的增加而增加。

因此，在信用政策的制定上，除了客戶的交易信用屬性以及整體環境的景 氣外，必須配合企業本身的生產能力、財務能力以及風險承擔能力做全盤的考 量，才能掌握最佳的財務平衡狀況。

2.2 資料探勘(Data Mining)的理論技術與相關應用

在知識爆炸的時代中，現代的企業體常常需要面對許多有關客戶、供 應商、競爭對手以及工業趨勢等資訊；如大量的性別、年齡、職業、住址、

購買習慣、供應商售價表、市場銷售數量與競爭對手價格策略，以及賣場 上上千個商品的售價與分類；而他們往往只知道努力的擷取資訊，但卻均 無法有效地使用它們。近幾年，企業也體認到他們所收集到資料只有少部 份是有效的被使用到。因此，在此需求的情況下，出現了一系列結合各種 資料探勘技術(Data Mining Techniques)的新型產品以及服務，使得一般企 業所蒐集的資訊可以經由此技術而發揮最大的效用，在本節中，就對資料 探勘的理論與技術做相關介紹。

2.2.1 資料探勘的定義與程序

在人類決策的過程中，會經過一定的步驟。經濟學者 H. A. Simon 在 1960 年代提出一般人解決問題的四個階段，分別為情報、設計、選擇及實 施，成為較為大家所熟知且引用的模式。此外，毛治國教授認為「決策」

可拆解成「見、識、謀、斷、行」等五個步驟。對企業來說，「見識」是一 種「如何權衡環境、審時度勢，為企業診斷問題、發掘機會」的工作。它 的原則是「了解全局、洞察趨勢、把握重點」；它的重點在「為企業定義正 確的問題」。因此，企業在決策的制定過程中，如何蒐集充分的資訊，並從 其中過濾出有價值的資訊情報，以找出真正問題的核心，對未來企業所制 定決策的品質具有重大的影響，而資料探勘的工作，就是有效的從龐大的 資料中取得較不為人知，具有參考價值的資訊。曾任職於IBM 北美決策支 援策劃部的Evangelos Simoudis 為資料探勘做出以下定義 -「資料探勘是 從一個龐大的資料庫中將正確、以前未發覺卻非常重要的資訊加以抽離出 來，並利用這些資訊來做出重要決策的過程。」。

過去在資料庫應用上，經常使用資料庫查詢的功能，透過簡單的程序 與排列之後，顯示出較為表面、淺層的資訊，但若是想知道更深入的資訊，

在面對龐大的資料，卻都束手無策。資料探勘不僅僅只對資料庫提出一個 查詢的要求，事實上，它是一個更加複雜的程序；利用它，使用者可以從 排列方式雜亂無序、未結構化的資料中找出並規劃出有用的資訊。有別於 傳統的資料庫查詢，資料探勘是自行找出隱含於資料庫中的相關性，並且 以一種可令人理解的方式呈現出來；舉例來說，它可能會偵測出有相似特 性的客戶群，並決定其中哪些群組的人最可能對新產品或活動會有所回

應。因此可以得知的是資料探勘技術會找出兩種有用的資料；一種是傳統 中大家認為有用的資料；另一種是因為其所顯示出的訊息有別於以往較為 突出且對於企業而言較為有用的資料。

由於資料探勘的任務主要是由龐大的資料中找出有意義的資料，因此 通常依照下列五個步驟進行：

1. 決定企業探勘資料的目的：企業在決定進行資料探勘前，必須清楚的 定義出其所面臨的問題以及所欲達成的目標，再衡量需要採用何種技 術完成任務。這是非常直覺，卻也是關係到未來進行資料探勘任務成 敗的關鍵，因此決定最終目標之後，才能進一步規劃利用適當的資料 以及技術以達成目標。

2. 資料收集與整合：目標明確之後，就必須掌握進行資料探勘所需要的 資料。資料的來源不外乎存在於企業內部或是外部，最好的狀況是這 些資料都是立即可使用的，然而往往實際所遇到的狀況是企業必須面 對龐大、雜亂無章、格式不統一且與資料庫系統不相容的資料，若不 經過適當的資料格式整理與篩選，可能會導致之後的資料探勘工作無 法順利進行下去，或造成最後產生的結果出現偏差的情形，因此在此 一步驟，必須決定需要哪些資料，收集資料以及依照資料庫支援的格 式與所用到資料欄位屬性訂定資料格式，最後進行資料整理。

3. 選擇適當的資料探勘功能：不同的應用領域，不同的問題型態，以及 需要應用到的技術，必須選擇對應的資料探勘功能來解決。例如零售 賣場想要訂定產品的搭配銷售策略，則必須採用關聯分析的功能了解 消費者的採購偏好。關於資料探勘的功能，會在下一節作詳加介紹。

4. 結果分析：在上一步驟得到探勘的結果，但是不是所產生的結果立即 可以使用，有時候也會產生偏差或是完全錯誤的結果，因此必須將結 果加以分析，並進行專業評估與解讀，探討分析結果的正確性以及造 成結果背後潛在的意義。

5. 知識應用：經過分析的可用結果，便可應用在實際問題的解決上或是 策略規劃上。由以上步驟探索出的知識，有些是顯而易見的，也有些 是隱晦不明，必須讓專家做進一步的判斷或是對結果進行合理的解

釋，才能成為實務上能夠直接的應用，有時候專家解讀出的結果會另 一個新的資料探勘任務的開始。

圖 2-1 資料探勘(Data Mining)所運用的技術整合

關於資料探勘所牽涉到的技術領域，如圖 2-1 所示，為了要達到所需 的功能，資料探勘整合包括以下的技術：

1. 資料庫技術(Database Technology)：藉由資料庫技術，龐大的資料得以 儲存以及做適當的排列與運算，以方便快速的存取，增加資料探勘的效率。

2. 機器學習(Machine Learning)：利用人工智慧中的機器能夠長期觀察與 學習的特性，從大量的資料中，分析過去的行為模式並模擬未來可能發展 的趨勢。

3. 專家系統(Expert System)：專家系統的特色在於蒐集人類過去的知識與 經驗，建構一套知識庫(Knowledge Base)，藉由經驗法則與邏輯的推理，

大量又快速的搜尋出最佳的解決方案。

4. 統計技巧(Statistics)：資料探勘的技術是建構於在統計基礎上，大量的 資料經過統計後的結果後可顯示較有意義的資訊。

5. 形象化(Visualization)：龐大且雜亂無章的資料，透過圖形化或是形象化 的處理方式，將更能夠由其中看出有意義的行為趨勢或是資料的分布狀況。

6. 其他的規則(Other Disciplines)：某些資料透過基本的統計處理無法產生 有意義的結果，資料必須依靠其他的規則整理後將能顯示出其背後潛在的 意義。

2.2.2 資料探勘的功能應用與限制

資料探勘具有提供相當重要資訊的技術，近年來也廣為學術界或是企 業所注重，但是在實際上該如何應用。根據資料探勘所提供的四項主要功 能，依照功能需求與執行程序，研究學者更進一步將資料探勘的運作分為 四種主要類型：

1. 關聯性運作(Association)：關聯性運作的靈感來自於為了解決零售 企業的問題，主要功能是去發掘哪些事物總是同時發生，也稱為購物 籃分析；美國一個應用資料探勘技術做關聯分析的有名實例是零售連 鎖商Walmart 發現的「星期四、尿布和啤酒」。也就是在審視各銷售點 之終端機所獲得的記錄後發現在禮拜四晚上，消費者通常會同時購買 尿布和啤酒。這樣的發現提供了 Walmart 更多可與此結合的行銷點子。

事實上，購物籃分析就是達成交叉銷售的方法。藉由這些資料，零售 商們可以調整貨架的擺設位置，進而設計推銷活動，以期能更有效地 將商品賣出。除了實體的零售量販店之外，目前許多新興的網站，也 大量應用關聯性技術，透過搜集網友對於網頁瀏覽的偏好、廣告的點 閱以及經常搜尋的關鍵字等的間接資料，或是直接在該網站上消費過 的商品資訊，推測出網友對於何種商品具有潛在的消費動機，以主動 提供相關商品的消費資訊以刺激其購買意願。而對於非商業相關的領 域，澳洲健康保險委員會曾使用資料探勘技術來找尋其資料的關聯 性；他們的資料探勘工作主要是針對一些不必要的醫療檢驗，而尋找 的目標則是利用通常會同時進行檢驗的代碼，找出其間的關聯性。一 些專家認為有些檢驗工作是多餘的，根本不需要做的；而且利用這個 技術同時發現了許多的實例，足以替委員會節省大量的金錢。

2. 序列特徵(Series Characteristic)：預測是根據對象屬性之過去行為

2. 序列特徵(Series Characteristic)：預測是根據對象屬性之過去行為