第三章 研究方法
第一節 個案民宿介紹
本研究選擇了台東某民宿作為個案進行研究，針對此個案設計行銷方式，以 了解於社群網站上的行銷方式是否能有效幫助個案增加訂房率且吸引潛在顧客，
以下便針對個案民宿進行簡介。本研究中的個案民宿成立於 2012 年，位於台東 市東海運動公園正對面，民宿前方道路雖為巷弄，但馬路卻相當寬闊，到了夜晚 附近社區寧靜，民宿對面還有一大片稻田，隨著時間變換可欣賞到綠色的稻浪及 金黃色結實累累的稻穗，且民宿鄰近正氣路觀光夜市、鐵花村、海濱公園、森林 公園等，市區景點大概只需約五分鐘的車程，若需搭乘大眾運輸工具前往花東縱 谷及東部海岸，在鐵道藝術村旁的台東轉運站有台灣好行的路線，距離民宿一樣 約五分鐘車程，民宿附近交通可說是相當便利。
個案民宿位於一排連棟房屋的邊間，大地色系的建築物，外觀簡單乾淨，搭 配上外地人所稱只有在台東才看得到的台東藍的天空、立體的白雲，心境頓時豁 然開朗起來。一進到屋內，和煦的陽光灑落室內空間，窗明几淨，一樓偌大的公 共空間有日式和室、舒適的桌椅，位於客廳一隅的白色書櫃則有台東相關的旅遊 書籍、資訊，可供旅人在此放鬆地沙盤推演旅遊行程，旅客們也能在這邊互相交 流，待在民宿就像是回到自己家一樣地溫暖。
個案民宿的特色為日式簡約風格、乾淨舒適、親切服務、親子友善。民宿內
光線充足，燈光柔和，一塵不染，由於民宿經營者打掃不假他人之手，才能將民 宿的住宿品質維持良好，民宿經營者自己因為也有小朋友，所以更加了解父母的 需求，因此強調親子友善，民宿可提供澡盆、奶瓶消毒鍋、電鍋、冰箱等給帶小 嬰兒前來住宿的父母們。
個案民宿經營者是一對在台東土生土長的謝氏姐妹花，兩位大學都到外地求 學，但由於熱愛台東這塊土地及考慮就近照顧年邁的雙親，因此還是選擇返鄉創 業經營民宿。她們的經營理念是秉持著日本人所說的「一期一會」的態度，將所 有的客人都當做是這輩子只會來住宿一次，因此她們用對台東的這份熱情，竭誠 並親切的招待、服務前來住宿的旅客。民宿的名字之所以為日本地名，且民宿的 風格之所以為日式簡約，是因為謝氏姐妹從小受到接受過日本教育的外祖父母所 影響，且因舅舅三十年前便移民至日本，幾次到日本探親旅遊，耳濡目染之下，
漸漸喜歡上日本文化，她們成為了不折不扣的哈日族，只要到了日本旅遊，她們 便會採買適合民宿的日式裝飾品，在民宿內隨處可見。
謝氏姐妹就如同許多其他民宿經營者，憑藉著對於民宿的熱情和對台東這片 土地的情感，仍然積極投入民宿的經營並提供完善的服務，但卻從未受過專業的 飯店房務與財務管理訓練，雖然曾經住過的旅客都給予極為高度的評價，創造了 優良的民宿口碑，卻無法兼顧在大量開發潛在顧客上，因此，本研究選擇此一民 宿作為研究對象，為其設計行銷策略，企圖了解此社群行銷策略是否能有效幫助 民宿經營者開發潛在顧客，使其經營更加穩定或更上一層樓 （湯方凱，2015）。
第二節 研究方法
在這個資訊科技不離身的時代，無時無刻都能有大量的資料產生。例如：零 售業使用電子化結帳系統、交通業利用 APP 叫車系統及醫療機構使用電子化病例 資料庫等，但該如何從這大量的資料裡挖掘出隱藏且有用的資訊，並利用現代化 科技的協助來做出最有利的決策，這方法就是「資料採礦」（Data Mining）。
一、資料採礦之定義
根據 Frawley, Paitetsky, Matheus （1991） 認為資料採礦是從資料庫中挖掘不 明確以及潛在有用的資訊過程。Fayyad （1996）認為資料採礦是由已存在的資料 中去發掘出仍未知的新事件。Berry and Linoff（1997）認為資料採礦是使用自動或 半自動的方法對大量的資料進行分析，找出有意義的關聯或法則。綜觀所有學者 對資料採礦的定義，大致上就是指從大型資料庫裡頭所儲存的資料中去發掘一些 有趣的規則。而資料採礦同時也被稱做資料規則分析、資料庫中挖掘知識、資料 探勘等。
如前所述，有些人將資料採礦與資料庫中的知識探索（Knowledge Discovery in Databases ,KDD）交互著使用。資料庫知識探索是指在大量資料中，發現知識的整 個程序與步驟。而資料採礦是資料庫知識探索中，能有效率地從資料中找出資料 模式及法則的一個程序。
二、資料採礦之功能
關聯法則（Association Rule）及集群（Clustering）等五項功能，以下簡單介紹這 五項功能：
A. 分類（Classification）
分類就是根據現有的資料特性來決定要將其歸類到哪個集群，並建立判 別的準則對未知的資料加以分類。分類的技術包含了決策樹（Decision Tree
）、記憶基礎推理（Memory-Based Reasoning）及連結分析（Link analysis
）。
B. 推估（Estimation）
推估就是利用連續性資料來推估未知的值。推估的技術包含了相關分析
（Analysis of Correlation）、類神經網路（Neural Networks）及迴歸分析。
C. 預測（Prediction）
預測是根據現有的資料來推估未來可能會發生的趨勢或數值，並且和推 估還有分類這兩個功能很相似。預測的技術包含了迴歸分析（Regression Analysis）、時間數列分析（Time Series Analysis）與類神經網路（Neural Networks）等。
D. 關聯法則（Association Rule）
找出資料之間的關聯性並判定這些資料是在一起最久的。最常應用在賣 場產品擺設上，藉由各種商品之間的關聯性來決定商場的購物動線。關聯法則 的技術包含了 Apriori 演算法等。
E. 集群（Clustering）
集群並沒有預先對要歸類的群體加以定義，而是依照其資料特性來分類，
目的在於找出「組內異質，組間同質」的群集。集群的技術包含了 K-means 法、
兩階段方法（Two Steps）和判別分析等。
三、資料分析流程
本研究期望從個案民宿的訂房資料中，發掘出隱藏於資料中未知之資訊。本 研究依據 Fayyad（1996）所提出的資料庫知識發掘（KDD）步驟進行資料選擇（Data Selection）、資料前置處理（Data Pre-processing） 、資料轉換（Data Transformation） 、 資料探勘（Data Mining） 及解釋與評估（Interpretation and Evaluation）等五個流 程進行處理。
一、資料選擇（Data Selection）
首先針對個案民宿所在之產業環境進行研究，蒐集個案民宿相關資料，界定 研究目標，並從中選擇合適資料，做為後續分析所需之目標資料。
本研究取得之初級資料為台東市區某民宿之訂房資料，資料選取的期間為民 國 106 年 1 月 1 日至 106 年 12 月 31 日，針對民宿顧客選擇何種管道訂房，例如：
Facebook, Agoda, Booking.com, Expedia, Asiayo 等等，顧客年齡、國籍、訂購之房 型、入住天數作為統計的項目，以其民宿之顧客為主要研究對象。
二、資料前置處理（Preprocessing）
針對所選擇之目標資料內容進行分析，配合研究目標選擇所需之資料，將重 複、缺漏、不一致、及與後續分析無關的資料去除。例如本研究所蒐集之訂房資 料中，顧客資料中部分資料內容涉及顧客個人資料，如電子郵件帳號等，基於保
依據研究目標選定進行分析之資料，並將資料轉換成代碼表示，以利後續進 行資料探勘分析。
本研究將訂房資料之紙本記錄輸入至 Microsoft Excel 作為初步資料的原始 檔案來源，並且以 Microsoft Access 作為資料庫作業平台。因為本研究原始輸入資 料為 XLS 格式的資料，在此先用 Excel 作為轉換格式的工具，將轉換後的資料 輸入至 IBM SPSS Modeler 進行分群之步驟。分群後之群體資料導入，再進一步 進行關聯法則的探勘。
四、資料探勘（Data Mining）
依據上一階段資料轉換所得之資料，利用 Aproiori 演算法進行顧客選擇之訂 房網站屬性分群，並利用關聯規則分析找出資料間的樣式（Pattern）或模型
（Model）。
五、解釋與評估（Interpretation / Evaluation）
針對資料探勘所得到的結果加以分析與解釋，並與民宿營運現況相結合，將 資料探勘結果轉換成民宿實際能夠執行的方案，並於執行一段時間後，對執行情 形進行評估，做為後續調整或修正模型之參考，以真正達到協助民宿增加訂房率 之目標。
四、Apriori 演算法
為現今研究關聯法則中最具代表性的演算法之一，由 Agrawal and Srikant 等 兩位學者於 1994 年首先提出，其後許多關聯法則的技術皆根據此演算法加以延 伸改進。Apriori 是從資料庫中散亂且複雜的大量資料中，挑選出有意義的項目集 合，利用循序漸進的方式，找出資料庫中項目的關係，當資料中最多個項目共同
出現，且其出現的次數為最高次數的群落，此群落的組合便是這些資料中的主要
資料來源：郭胤成，2016；Agrawal et al., 1993