模糊理論於顧客區隔與目標行銷上的應用

模糊理論於顧客區隔與目標行銷上的應用

陳榮昌，朝陽科技大學資管系 王浩永，朝陽科技大學資管系

摘要

本研究目的在於利用模糊理論來改善傳統 RFM 模型分析法，使得顧客的區 隔更符合實際的需要而達到資料探勘支援目標行銷的目的。隨著銷售點系統

（POS）的普及化，使得企業收集了大量且複雜的交易記錄，此記錄隱含著豐富 的資訊，透過完善的分析可以挖掘出有用行銷決策資訊，充實企業的商業智慧

（BI）。RFM 模型是一個不錯的顧客區隔的資料模型，然而隨著顧客需求多樣性 不斷的上升，傳統硬式區隔的 RFM 模型已經不足以描述市場的分佈狀態，因此 我們引入模糊理論的觀念，利用模糊分群法（Fuzzy clustering）與模糊資料模型 在資料的運算過程中保留資料與資料間的不確定性，促使顧客區隔策略的引用更 加的靈活與深入。本研究將以關聯式交易資料庫中的記錄為來源，開發一針對顧 客區隔進行行銷的雛型流程以適應現今交易資料庫中大量且多變的消費者的交 易習性。

關鍵字：資料探勘、顧客區隔、目標行銷、RFM 模型、模糊分群演算法

壹、序論

近年來，隨著銷售點系統（POS）的普及化，使得企業收集了大量且複雜的 交易記錄，此記錄隱含著豐富的資訊，透過完善的分析（如關聯式法則、決策樹、

群聚技術等）可以挖掘出有用行銷決策資訊，隨著企業知識的不斷累積而逐漸成 為企業的商業智慧（BI）。但是顧客的需求是多樣且善變的，這使得傳統大量行 銷（Mass marketing）模式已經無法滿足顧客的需求，如此便促使著市場區隔

（Market segment ）與目標行銷（Target marketing）等策略的出現。市場區隔是 將大範圍的市場顧客區分為數個顧客群聚的流程，而相同區隔之內的顧客具有相

似的消費習性，如此使得行銷主管可以有效率地針對不同區隔內的消費習性進行 不同的行銷手法。市場區隔最明顯的效益在於可以明確的挑選出有興趣的顧客群 聚，進行針對目標顧客的行銷策略。藉由目標顧客選取，行銷主管可以有效地將 行銷資源分配及獲得較高顧客回應率，並且是企業發展差異化、降低成本的關鍵 性決定因素。

雖然在過去的文獻（Sung et al.，1998）（Yuan，2001）（蔡永恆，2000）具 有不錯的方法，但是仍有不足之處，其缺點詳述如下：

一、探勘關聯式交易資料庫（Relational Database）中當要進行群聚分析時必 須決定一個欄位做為群聚的依據，在過去的研究中多以交易編號為主或顧客編號 為主，但以上兩種種方法都存在著其缺點；例如以交易編號為主時，當一位顧客 與企業進行多次交易時，將會留下多筆的交易記錄，但經過群聚分析後，並不能 保證同一位顧客的所有交易記錄都屬於相同的群聚中；換句話說，就是群聚結果 的矛盾。而以顧客編號為主時，一位顧客只有一筆記錄，但是在交易資料庫中的 所有欄位便無法全部轉換而導致部份欄位的流失，而大多數不能轉換的欄位多半 集中在交易資料表中，如此將會使得顧客交易習性資訊的流失。

二、在過去顧客區隔相關的研究中大部分使用硬式分群演算法（Hard clustering），但是本研究認為硬式分群演算法應用在交易資料庫中的缺點在於：

（1） 一般會員卡制的交易資料庫，所記載的記錄應不只一位的使用者，而 是有機會共同使用同一張會員卡的家人、朋友，所以記載的資訊屬性將會是多重 地（multiple）。

（2） 當使用硬式分群演算法時，將會對顧客明確（crisp）的區分，但是當 其顧戶特性是多變地、不確定地（uncertainly）時，仍使用硬式分群演算將會使 其適應力降低。

基於以上兩種理由；所以本研究選擇模糊群聚演算法，正因為模糊群聚演算 法具有多重隸屬的特性，在實際的應用環境中的適應性及可解釋性較高。

基於以上兩個在過去的文獻中發現到的不足之處，本研究將提出以改良型 RFM 模型與模糊群聚演算法加以改善；並提出一套雛型分析流程與以改善以上 所發現的兩個缺點。

因此我們將針對交易資料庫以模糊群聚演算法進行群聚分析，再使用模糊 RFM 模型指派各個群聚結果的類別；接著運用決策樹的分析各個群聚結果並且

將其以語意化的規則呈現，並交叉分析群聚類別間的屬性差異，再針對其差異予 其建議的行銷策略。

貳、相關研究 一、RFM 模型

在顧客區隔的研究中常以 RFM 模型（Miglautsch，2000）來將顧客的消費 習性加以量化再予以評量； RFM 全名為「最近交易時間（Recency）」、「交易頻 率（Frequency ）」與「交易金額（Monetary）」。「最近購買時間」為量測時間長 短的度量，即計算顧客最後一次交易至今的時間長短。「購買頻率」為量測頻率 多寡的單位，即量測一段時間內顧客所交易的次數。「購買金額（Monetary）」為 量測金額大小的度量，即記錄一段時間內顧客所交易的平均金額大小。

而目標行銷中 RMF 常被使用在直效行銷（Direct marketing）上，例如郵寄 促銷型錄時目標客群的選擇，普遍使用 RFM 模型作為直效行銷工具之優點為 :

（一）增加顧客回應率 （二）降低郵寄的成本（三）有助於大量客製化的行銷。

以下是常見以傳統 RMF 模型為基礎的量測方法：

（一）Stone RFM

傳統計算 R、F、M 三維度的參數，如各維度的權重、計分方法等，多依據 行銷主管主觀的設定，其中以 Stone 所提出的 RFM 方法（Stone，1989）為此類 計算的代表。 Stone 利用過去的交易資料庫計算每個顧客的最近購買時間（R）、

購買頻率（F）、購買金額（M），其三維度的分數計算如下: R 值，若該顧客消費 期間於本季（三個月內）則 R=24；半年內則 R=12，依此類推。F 值計算方法為 購買頻率乘上四；M 值為消費金額乘上 10%（一成），再將 RFM 三值予以加總；

若總合大過預設的門檻值，則視為潛在購買顧客。但其 RFM 三值的計分法是依 經驗法則來設定，因此無法適應於多變的交易資料庫。

（二）顧客五等分法

學者（Miglautsch，2000）提出將 Stone RFM 精神的予以延伸的改良方法為 顧客五等分法；其方法是將交易資料庫中的 R、F、M 三維度均分為五等分，R 值是將最近的交易時間由遠至近排序，再均分為五等份，其分數由 5 至 1 分。F 值則是將的交易次數，由多至少，也均分為五等份。M 值是將交易金額由多至

少，均分為五等份，此法將顧客區分為 35 種的顧客等級。但此法對於同總分之 顧客等級，例如（1,2,3）、（2,3,1）、（3,2,1）等，並無法分辨出其差異。

（三）行為五等分法

行為五等分法（Miglautsch，2000）也將 R、F、M 三個維度區分為五等分，

其 R 值的給定與 Stone 相同；依時間上的固定長度區間分割，再給予其分數。F 值則將僅購買一次的顧客區分為第一等分，其分數為 1 分，其餘的顧客再求其平 均購買次數，若高於此平均次數者區分為另一等分其分數為 2 分，依此類推，直 至五等分為止；M 值的給定與顧客五等分法的 M 值相同。此法較之前兩法具有 彈性，會依據顧客的行為動態地分配其切割的比例 。

二、利潤風險矩陣

在目標行銷策略中對於目標顧客的鑑別是非常重要的，因為企業必須對目標 的顧客施以正確的行銷方法，才能獲得到事半功倍的功效。一般常見的顧客鑑別 類型（蔡永恆，2000）是將顧客依照對企業貢獻的利潤程度及顧客叛離的風險程 度兩個維度，劃分為四個象限；即為四種基本顧客類別，最佳型顧客、忠誠型顧 客、高風險型顧客與無益型顧客，如圖一所示。

圖一 利潤風險矩陣

針對不同類別型顧客施以不同地行銷手法，使得企業能兼顧顧客關係維護及 獲取利潤兩者的平衡。當面對最佳型顧客類型時，因為此類型的顧客忠誠度與供 給企業的利潤兩者都是高的，所以必須儘量將其保留住；並使其對企業持續地保 持高忠誠度與高利潤。而對於忠誠型顧客類型，由於其忠誠度高但是對企業的利 潤卻是低的，因此其行銷手法應盡量促使交易次數增加或是針對利潤高的商品、

服務進行促銷活動。高風險型顧客其特色是在於此類的顧客可能被近期的行銷策 略所吸引，而在短期間使企業獲得較高利潤，但是其對企業的忠誠度卻是低的，

所以叛逃的風險相對也較高，對於此類顧客的行銷手法應該鞏固與企業間長時間 相互信賴的關係。最後針對忠誠度低且無法供給企業利潤的無益型顧客類型，建 議不需要花費過多的行銷經費在此類的顧客身上；因此對以上四類的顧客，企業 應該將行銷策略的焦點放在提升忠誠型顧客的利潤與增加高風險型顧客的忠誠 度之上。

三、群聚分析

資料群聚方法（Data clustering）在資料挖掘的領域中是相當重要的研究方向，

由於分群方法的主要目標是依資料的分佈特性，將資料中相似度較高的資料點視 為同一群集，所以可將全部的資料區分為不同特性的群集，在過去的研究中（Han et al. ， 2000 ） 將 資 料 群 聚 方 法 ， 區 分 為 切 割 式 （ Partitioning ）、 階 層 式

（Hierarchical）、密度式（Density based）、格子式（Grid based），但是以上四類 都屬於硬式群聚方法（Hard clustering）；所謂硬式群聚方法指的是每一筆資料僅 屬於一個獨立且互斥的群聚。而另一方面，也有所謂的模糊的群聚方法（Fuzzy clustering） 指的是每一筆資料可以依照其隸屬程度，分屬於一個以上的群聚。

圖二 硬式群聚與模糊群聚

而 被 資 料 點 所 隸 屬 程 度 由 隸 屬 函 數 （ Membership function ） 所 決 定

（ZADEH，1965），假設現在預期分群數為 k（c1,c2,…, ck），所有的資料點為 n 點（x1,x2,…,xn），則我們可以用一個 k×n 大小的矩陣 U 來表示每個資料點所隸 屬於每個群聚的程度多寡 ：

U=［uij］i=1…k,j=1…n

uij 稱為隸屬函數，代表資料點 xj 隸屬於群聚中心點 ci 的程度，隸屬值越高，

即代表此資料點隸屬於該群聚的程度越高。而每一資料點對於所有群聚中心的隸 屬值總合為 1：

∑

i 1

uij = 1

而其常見的 FCM（Dunn，1974）（Bezaek，1981）演算法可以概述如下：

（1）選擇預群聚的數目k（2

≤

≤

∑

= k

i 1

ij =1 的限制式 。

（2）將隸屬矩陣U^（m）內的歸屬函數值uij帶入下式

vi =

∑

j p

uij

1( )

1

∑

n

j j

p

ij x

1(u )

求出 k 個群聚中心 {v_i^{( k)}|i=1,…,m}的值，其中 p 為大於 1 的常數。

（3） 將{v_i^{( k)}|i=1,…,m}代入下式

uij=

∑

−

−

−

−

m q

m q j

m i j

v x

v x

1

) 1 /(

1 2

) 1 /(

1 2

)

||

||

/ 1 (

)

||

||

/ 1 (

求出新的隸屬矩陣U^（k+1）。

（4） 計算△=||U^（k+1）－ U^（k） || ＝ max i,j| |的值，若小於或等於容許 值 △，則視為已收斂，便結束FCM 分群程序；若大於容許值，則令k = k+1 回 到第二步驟繼續執行計算。

) ( ) 1

( k

ij k

ij u

u ⁺ −

四、決策樹分析

決策樹分析可以視作樹狀結構來看待的預測模型，其中樹的每一個分支

（Branch）都是一個分類的問題，樹葉是該分類資料的其中一部份，而最終節點 是其欲分類的目標。但是在真實的決策邊界，並非垂直於任一特徵軸，而在決策

樹切割特徵時是使用垂直於特徵軸的線性方程式以逼近真實的決策邊界，進而產 生許多的分割節點（陳宏銘，2001）；如圖三所示。這些技術起源是為了統計目 的而發展出來的，希望能自動進行決策程序並提供分類的規則。由於自動化進行 決策導向，所以從假設檢定的產生，到完整的檢定，並可與其他資料挖掘技術相 互整合。其中常見的決策樹方法如 CART（Breiman，1984）、CHAID（Kass，1980）、 ID3（Quinlan，1986）、C4.5、C5（Quinlan，1993）；分述如下。

CART（Classification And Regression Tree）是在每一個分支節切割資料時，

藉著單一輸入變數函數（分散度），來建構一個二元決策樹。分散度（diversity）

則是用來評估一個切割的屬性變數的衡量標準，最好的切割變數是能夠降低一組 資料的分散程度，而 CART 是採用經濟學的分散度量法中的吉尼比率（Gini ratio）。

CART 的最大優點之一，就是會自動檢驗模型，找出最佳的樹狀結構。

CART 先建立一個非常複雜的樹，再根據交互測試及檢驗的結果，將樹修剪成最 佳的一般樹。根據各種修剪版本對測試集資料的效能，來決定修剪的結果。另外 CART 具有處理遺漏值（Miss Value）的能力。當某筆記錄值遺漏時，可以透過 替代（Surrogate）的方式來處理；替代是樹中真正的分割值和預測子的模擬，所 以 CART 會利用手上的資訊決定最佳的分割。

圖三 真實決策邊界與決策樹的類別邊界

CHAID（Chi-squared Automatic Interaction Detection，）透過卡方統計檢定 來計算所有可能預測變數的預測值；另外，CHAID 也會自動將相似的數值合併 起來。卡方統計檢定的定義是每一個樣本中期望值與觀測值之間的標準差的平方 和。此項檢驗主要是衡量事件的機率，由於機率可以表現兩者之間的關聯性與差

異性，因此可用來決定兩個變數是否應該合併，合併直到該變數呈現顯著的差 異。根據卡方統計檢定，能夠產生最大差異的分類的變數，即被選為該節點的分 隔變數。

ID3（Iterative Dichotomiser 3）利用資訊獲利（Information Gain）為依據，

選擇最佳的資訊獲利點，以此屬性作為決策樹的分支，使得所建構出的決策樹為 一簡單的樹狀結構。

資訊獲利（Information Gain）是以某一屬性為決策樹節點所產生的子決策樹 之熵值（Entropy）與資料集合的熵值所決定。若一資料集合 C 之資料分屬於 j 個 不同的類別，則此資料集合之熵值 E（C）為：

E（C）=-

∑

j

j

j p

p *log₂

pj=（屬於類別j 的總資料數）/（C 的總資料數）

選擇某一屬性 Ai 為決策樹分支節點，意謂著在此節點下建立 m 個子節點，

並將原本屬於母節點的所有資料分配至適當的子節點中，而每一個子節點所包含 的資料其屬性 Ai 的值皆相同。因此，以屬性 Ai 為決策樹節點所產生的子決策 樹之熵值計算如下：

E（Ai）=

∑

k

k E ck

n

n )* ( ) (

其中k _C =為資料集合 C 中 A_i 屬性值相同的物件子集合k E（ C_k ）為物件子集合C_k 之熵值

n 為物件集合 C 的總資料數 n_k 為物件子集合 C_k 的資料數

資訊獲利（Information Gain）是指因選擇屬性 Ai 為決策樹分支節點而帶來 熵值的改變程度大小，也就是原來物件集合的熵值與以 Ai 為決策樹節點的子決 策樹之熵值間的差距：

) ( ) ( )

(A_i E C E A_i

G = −

ID3 已能解決一般機器學習的問題，但是以資訊獲利為選擇分割屬性的準則 會導致於選擇屬性值較多的屬性，但是當集合 C 分割後的子樹都只有一筆資料 時，會使其分割後的所獲得的資訊獲利最大，然而此分割並沒有太大的意義，所 以便有學者改進此缺點，為 C4.5。

C4.5、C5 此法是由 ID3 改進而來，其差異在於 C4.5 以獲利比（Gain-Ratio）

作為切割屬性衡量方法，如此將資訊獲利正規化的方法將可以減少 ID3 分割節點 偏重過多子樹的影響。獲利比：

) ( ) ) (

(

i i

i IV A

A A G

GR =

其中 GR（ A i）為 Ai 屬性對 C 的資料集合進行分割所得的資訊獲利率 IV

（ Ai ）為 Ai 屬性的資訊值為

-

∑

= m

m

m

m p

p

1

log2

*

其中 pm =（C 集合中屬於 Ai 屬性值 am 的總資料數）/（C 的總資料數）

若描述資料的屬性包括連續性屬性（Continuous）或資料集合中存在有相衝 突（Conflicting 即屬性值相同，但卻分割於不同分類的資料）的資料，則 ID3 技 術並不能有效地構建出精簡且低錯誤率的決策樹。而 C4.5 對於連續性數值屬性 節點分割方法，是先將資料集合依此屬性做排序，再依序找出相鄰二物件的屬性 值中點，稱為分割點（Cut Point），然後以評估函數（Evaluation Function）計算，

能得較佳評估值者即依此屬性值中點做二元分割。

參、研究架構與方法

完 整 的 關 聯 式 交 易 資 料 庫 應 該 包 含 顧 客 屬 性 資 料 庫 （ Customer Profile Database）、顧客交易資料庫（Transactional Database）與產品屬性資料（Product Attribute Database）。在過去的文獻中多半傾向於個別資料庫的分析；如（Vellido，

1999）以顧客屬性資料庫進行分群分析，（Sung et al.，1998）以傳統 RFM 模型 將消費者的消費習性進行分群分析，但是並沒有同時考慮到三者間交互的影響。

由上述文獻可知過去的研究中僅少是同時包含顧客屬性、交易資料與產品屬性資 料庫的完整資料來作分析，所以本研究將針對完整的交易資料庫進行群聚分析。

一、系統架構

因此本研究將針對完整的交易資料庫以 Fuzzy clustering 進行群聚分析，再 使用 RFM 模型指派各個群聚結果的類別；此後運用決策樹的技術對各個群聚結 果進行分析並且以語意化的規則呈現，並交叉分析群聚類別間的屬性差異，再針 對其差異予其建議的行銷策略；如圖四所示。

二、交易資料庫的整合

在完整的關聯式交易資料庫應該包含顧客屬性、交易資料與產品屬性資料 庫，每個資料庫都有其獨特的欄位，例如顧客屬性包含年齡、性別、所得、教育 程度、婚姻狀態、小孩數、職業等的欄位；交易資料庫包含購買時間、購買次數、

購買金額、購買所在地；產品屬性資料庫包含產品類別、供應商、保固期、售價。

圖四 系統架構圖

當要進行群聚分析時必須決定一個欄位作為群聚的依據，多半以交易編號為 主或顧客編號為主，兩者分述如下：

1. 以交易編號為主：由於以交易編號為主時，當一位顧客多次進行交易 時，將會留下多筆的交易記錄，在經過群聚分析後，其不保證同一位顧客的所有 交易記錄都屬於相同的群聚中；換句話說，就是一位顧客可能分屬於完全互斥的 群聚結果，如此將導致於分析群聚結果時的矛盾。

2. 以顧客編號為主：由於以顧客編號為主，一位顧客只有一筆記錄，但是 在交易資料庫中的所有欄位便無法全部轉換而導致資訊的流失，例如購買時間、

成本、 保固期等欄位，無法在一筆記錄中表達出多次的購買記錄，而大多數不 能轉換的欄位多半集中在交易資料庫中。

在我們的架構中，是採用的以顧客編號為主的整合方式，為解決欄位轉換而 導致顧客交易習性資訊流失的問題，而本研究利用 RFM 模型來取代因為欄位轉

換而導致顧客交易習性資訊 。

三、模糊群聚演算法

在過去的顧客區隔研究中（Vellido，1999）（Sung et al.，1998）（Yuan et al.，

2001） 對於多半使用硬式分群演算法，但是在本研究中選擇模糊群聚演算法，

其原因在於：

1. 在一般會員卡制的交易記錄，所記載的資料應不只一位的使用者，而 是共同使用此張會員卡的家人、朋友，所以記載的資訊會是多重地。

2. 若是使用硬式分群演算法是將客戶用明確的切割方式，但是若其客戶 的特性是不明確地，此時使用硬式分群演算會過於牽強。

基於以上兩個理由；所以本研究選擇模糊群聚演算法，因為模糊群聚演算法 具有多重隸屬的特性，在此種的應用環境中的適應性及可解釋性較高。

四、RFM 群聚類別給定

接下來將各經由模糊群聚演算法的群聚結果中各群聚 R、F、M 三個欄位各 別的平均值，再應對至專家訂定隸屬函數（Membership Function），以找出各群 聚 R、F、M 三維度的表現程度，如圖五所示。

圖五 RFM 對應的隸屬函數

再依使用者的需求定義交易特性 R、F、M 三個屬性分數與利潤風險矩陣中 的四類顧客的類型（最佳型顧客、忠誠型顧客、高風險型顧客與無益型顧客）之 間的規則；例如同一群聚內的顧客，其 R、F、M 屬性值都為高時，則企業將此 類的顧客歸類為最佳型的顧客類型；依此類推將可將所有的群聚結果都分配其相 符的顧客類型。

五、決策樹分析

利用決策樹分析以所有含有類別的群聚結果作為原始資料，藉以分辨出不同 類別的特徵規則並且將原始資料以類別的方式區隔開，再建立其分類法則。為了 解釋分群的結果所以在此程序中引入決策樹分析，分析具有何種變數特性的顧客 會被分在相同的群聚結果內；並且將語意化的規則呈現出來，有助於高階主管者 的決策。

但是在傳統的決策樹分析技術中，其欲分類的目標必須是互斥且獨立分群結 果（一筆記錄只屬於單獨且不重複的群聚結果）；由於模糊分群結果是一筆記錄 可依其隸屬程度大小分屬於不同的群聚結果，這意味著傳統的決策樹技術並不適 用於模糊分群的結果，所以必須將模糊分群結果進行解模糊化才能夠以傳統的決 策樹技術進行分析。

六、交叉分析與建議的銷售策略與規則

由於所有原始資料再經過分群，決策樹之後將會包含不同的類別以及特徵屬 性，故本研究以集合（Set）概念運用在交叉分析各群聚間相異的屬性，並以語 意化規則的方式呈現。以集合論中的交集（Intersection）及差集（Difference）觀 念，找出群聚間屬性相互交集之外的屬性，便是屬性間的差集；期望能從差集結 果中找出關聯性及可解釋性的銷售策略與規則，如圖六所示。

最佳型與高風險型 顧客間屬性的差異

忠誠型與無益型顧客 間屬性的差異 最佳型與忠誠型顧客 間屬性的差異

高風險型與無益型 顧客間屬性的差異

圖六 群集交叉分析示意圖

因此本研究流程將包含五個主要的步驟，交易資料庫的整合、模糊群聚演算 法、RFM 群聚類別給定、決策樹分析以及最後交叉分析與建議的銷售策略與規 則。期望能從與用者與系統的互動中，找出有效的銷售策略與規則，並有助於企 業高階決策者作為改善顧客區隔及維持客戶關係的依據。

肆、實例說明

接下來將以一個完整的範例詳加介紹；首先將原始的交易資料庫使用模糊群 聚演算法中的 FCM 演算法，將原始資料區分 C1、 C2、 C3 三群；如圖七所示。

再將分配至 C1 顧客之記錄取出，應對至由專家建立 R、F、M 三個維度各 別的歸屬函數，並找出 C1 群的顧客記錄中最近交易時間（R）、交易頻率（F）」

與「交易金額（M）」其所歸屬的程度為多少；如圖八所示，C1 群中顧客的最近 交易時間隸屬於高的程度為 0.4、低的程度為 0.6，交易頻率隸屬於高的程度為 0.2、低的程度為 0.8，交易金額隸屬於高的程度為 0.1、低的程度為 0.9。依此類 推可得到屬於 C1、 C2 與 C3 的 R、F、M 隸屬程度，表一所示。

圖七 FCM 分群結果

圖八 群聚一的 R、F、M 隸屬程度示意圖

由具經驗的決策者來主導規則庫的建立，其規則庫必須將顧客的四種類型與 R、F、M 三者表現的高低做一對應；在不同的應用領域、企業甚至不同決策者 會依照其過往的經驗而建立相異的規則庫，本範例所建立的規則庫如表二。

表一 各群聚結果的 R、F、M 隸屬程度

R F M 群聚

編號 高 低 高 低 高 低

1 0.4 0.6 0.2 0.8 0.1 0.9

2 0.2 0.8 0.6 0.4 0.8 0.2 3 0.7 0.3 0.2 0.8 0.3 0.7

如範例所示，依照規則庫中的規則可以發現 C1 群聚中之顧客的交易習性

（RFM 皆為低時）最接近忠誠型的顧客類型，但是又並非百分之百的隸屬；此 時再依據 C1 群聚中 RFM 三變數的隸屬函數，對應至由專家所訂立包含 RFM 三 變數的忠誠型顧客之隸屬函數，可得到 C1 群聚中之顧客的交易習性隸屬於忠誠 型顧客之隸屬程度為 0.76；如圖九所示。

表二 規則庫

R F M 顧客類型 高 低 低 無益型 高 低 高 高風險型 高 高 低 忠誠型 高 高 高 最佳型 低 低 低 忠誠型 低 低 高 忠誠型 低 高 低 忠誠型 低 高 高 最佳型

接著先將模糊群聚結果進行解模糊的處理，再利用決策樹分析將各個群聚結 果的特徵分析擷取；如圖十所示。

將各個群聚特徵使用差集合的觀念將其相異的屬性強調出來，再進行交叉分 析，例如薪資小於 8 萬 5 千或者薪資大於 8 萬 5 千且有兩個小孩並交易過 B 類 商品的顧客為群聚二的最佳型顧客與薪資大於 8 萬 5 千且有兩個小孩和交易過 C 類商品的顧客為群聚一的忠誠型的顧客間的屬性差異在於交易過的商品 B 類商 品或 C 類商品；便可推知，在同樣的條件之下，交易過 B 類商品的顧客易於

圖九 忠誠型顧客之隸屬函數

成為最佳型的顧客，而僅交易過 C 類商品的顧客則易於成為忠誠型的顧客；所 以針對其差異可以向群聚一的顧客加強行銷 B 類商品，以促使其類別由忠誠型 轉變成為最佳型的顧客，如此企業才可利用顧客類型轉變以加強顧客的忠誠度及 對公司的利潤。最後將其規則整理成為語意化規則的形式，建議給行銷決策者進 行決策上的輔助，如表三所示。

圖十 決策樹分析

表三 行銷建議規則 群聚

編號

最佳 型

忠誠 型

高風 險型

無益 型

群聚規則 建議行銷方法

1 0 0.76 0 0 IF 決策樹重要分

支變數

then 保持此類客戶 並增加其對公司的利潤

2 0.86 0 0 0 IF 決策樹重要分

支變數

then 保持此類客戶 並增加其對公司的關係

3 0 0 0.733 0 IF 決策樹重要分

支變數

then 積極維持住此類顧客 使 其忠誠度增加

伍、結論

隨著企業收集資訊的機制日漸完備，使得企業收集了大量且複雜的交易記 錄，再透過完善的分析流程便可發覺到實用地行銷決策支援，這將逐漸累積企業 的商業智慧。本研究主要在於了解近年關於顧客區隔的方法並提出一個以模糊理 論來改善傳統 RFM 模型為基礎的雛型流程，使得顧客區隔更符合實際的環境而 達到資料探勘以支援目標行銷的決策；促使顧客區隔策略的引用更加的靈活與深 入。

總體而言，在面對多樣且善變的顧客需求環境中，能夠快速且準確的鑑別出 各種類型的顧客類型；予以合適的產品或服務，精準的投其所好，如此對企業與 顧客雙方而言皆能互謀其利。透過本研究所提出的雛型流程，將使行銷決策者迅 速地得到最精簡且可用性高的行銷決策建議。

陸、參考文獻

Bezdek, J.C., Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, New York, 1981.

Stone, Bob ,successful direct marketing methods ,4th ed., 1989,NTC Business Books Breiman, L., Friedman, J.H., Olshen , R.A. and Stone,C.J., Classification and

Regression Trees, 1984, Wadsworth Belmont.

Carol H. Anderson, Strategic Marketing Management , Crummer Graduate School of Business ,2000.

Dunn .J.C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters, J. Cybernet. ,1974,Vol 3 (3) , pp. 32-57.

Han,J , kamber, M. ,Data Mining : Concepts and Techniques ,2000 ,Morgan kaufmant1.

Kahan, R., Using database marketing techniques to enhance your one-to-one marketing initiatives, Journal of Consumer Marketing, 1998,Vol.15, No.5, pp.

491-493.

Kass, G.V., An Exploratory Technique for Investigating Large Quantities of Categorical Data. Applied Statistics , 1980., pp.119-127.

Miglautsch ,John ,Thoughts on RFM Scoring ,Journal of Database Marketing, 2000,Vol.8,No1,pp2-7.

Quinlan J.Ross., C4.5: Programs for machine learning, Morgan Kaufmann Publishers, 1993.

Quinlan J.Ross., Induction of decision trees. Machine Learning , 1986,Vol 1, pp.81-106.

Sung Ho Ha , Sang Chan Park, Application of data mining tools to hotel data mart on the Intranet for database marketing, Expert Systems with Application, 1998,Vol 15, pp.1-31.

Vellido, A., Lisboa, P.J.G and Meehan, K.,Segmentation of the on-line shopping market using neural networks , Expert Systems with Applications, 1999,Vol 17, pp. 303-314.

Yuan, S.T., Chang, W.L., Mixed-Initiative Synthesized Learning Approach For

Web-Based CRM, Expert Systems with Applications, 2001 ,Vol 20, pp. 187-200.

Zadeh L. A., Fuzzy sets ,Information and Control, 1965,Vol. 8, No.3, pp. 338-353,.

蔡永恒，應用資料挖掘技術研究銀行顧客消費行為，私立靜宜大學資訊管理所碩 士論文，2000 年

陳宏銘，設計最佳化之演化式模糊決策樹，私立逢甲大學資訊工程學系碩士論文

，2001 年