進階搜尋


 
系統識別號 U0026-0812200911305459
論文名稱(中文) 售後服務型產品之顧客關係管理—以空調業為例
論文名稱(英文) Customer Relationship Management for After-Sale Service Type In Air Condition Industry
校院名稱 成功大學
系所名稱(中) 工業與資訊管理學系專班
系所名稱(英) Department of Industrial and Information Management (on the job class)
學年度 93
學期 2
出版年 94
研究生(中文) 余志聰
研究生(英文) Chih-Tsung Yu
電子信箱 r3792117@ccmail.ncku.edu.tw
學號 r3792117
學位類別 碩士
語文別 中文
論文頁數 80頁
口試委員 指導教授-吳植森
口試委員-利德江
口試委員-耿伯文
中文關鍵字 決策樹  售後服務  顧客關係管理  資料探勘  類神經網路 
英文關鍵字 artificial neural network  after-sale service  CRM  data mining  decision tree 
學科別分類
中文摘要 摘要

  最近幾年,資訊科技的快速進展,造成全球化競爭的白熱化,大多的市場出現供給過於需求的狀況,形成了由過去的產品主導顧客需求而轉變為顧客主導產品的發展,顧客變成了重要的關鍵,誰能快速即時滿足顧客需求,誰就能立足於市場。因此,以顧客為核心的顧客關係管理(CRM),變得十分重要。顧客關係管理是一個整合銷售(售前),行銷(售中),售後服務(售後)等工作的一套系統。據調查,企業吸引一位新顧客所花的成本是維持舊顧客的五至十倍。對企業而言,維持舊顧客比開發新客戶要來得有利。提供完善的售後服務便是維持舊顧客最好的方法。
  整合資訊科技與顧客服務資料庫系統的功能,快速即時滿足顧客的需求,更可預測顧客的行為而提早一步為顧客提供服務。本研究的目的,是希望運用資訊科技的技術,以顧客為核心,發展出適合各種類型的顧客宣傳策略(售前),顧客行銷策略(售中),售後服務策略(售後),以維持舊顧客的忠誠度,吸引新顧客,增加企業的競爭優勢。
  藉由既有的顧客服務資料庫中的顧客資料,另件交易及保養的歷史記錄等,運用資訊科技的技術及依顧客的需求及用途,產品的特性等性質,將顧客區分成不同的類型,而給予不同需求的適時售後服務。
  本研究用資料探勘(Data mining)的技術,以空調產業為案例,使用非監督學習之決策樹模式,依顧客特性分群,區分出重要的「黃金群」、「高價值群」、「潛力群」等顧客。使用監督學習之倒傳遞類神經模式建立再次保養的預測模型。並使用關聯法則分析產品與顧客特性之間的關係,讓顧客服務資料庫發揮更大的功能提升企業適應多變的顧客需求環境,增加企業的競爭能力。




英文摘要 none






論文目次 目錄
致謝…………………………………………………………Ⅰ
摘要…………………………………………………………Ⅱ
目錄…………………………………………………………Ⅲ
圖目錄 ………………………………………………………Ⅴ
表目錄 ………………………………………………………Ⅶ
第一章 緒論……………………………………………1
1.1 研究動機 …………………………………………1
1.2 研究目的 ………………………………………4
1.3 研究範圍與限制……………………………………5
1.4 研究流程……………………………………………5
第二章 文獻探討 ……………………………………8
2.1 售後服務 …………………………………………8
2.2 顧客關係管………………………………………13
2.3 顧客終生價值 ……………………………………14
2.4 資料探勘 …………………………………………16
2.4.1 資料探勘任務……………………………………16
2.4.2 企業與顧客之資料探勘相關應用………………19
2.4.3 決策樹……………………………………………20
2.4.4 類神經網路………………………………………21
2.4.5 關聯法則…………………………………………22
2.4.6 售後服務與顧客關係管理 ……………………23
2.4.7 小結………………………………………………25
第三章 研究方法 ………………………………… 26
3.1 研究架構………………………………………… 26
3.2 資料前置處理……………………………………27
3.3 尃業知識之資料欄位 ……………………………29
3.4 使用資料探勘進行顧客關係管理………………33
3.4.1 探勘工具軟體……………………………………33
3.4.2 關聯法則探勘工具………………………………35
3.4.3 交叉驗證…………………………………………36
第四章 實證分析……………………………………………37
4.1 資料來源說明及敘述……………………………37
4.2 顧客分群模式……………………………………38
4.2.1 自行維修顧客之非監督式分群模式……………39
4.2.2 評估自行維修顧客非監督分群模式……………43
4.2.3 公司保養顧客之非監督式分群模式……………45
4.2.4 評估公司保養顧客非監督式分群模式…………49
4.2.5 自行維修顧客之監督式分類模式………………51
4.2.6 類神經網路預測模式……………………………54
4.3 關聯法則推論……………………………………56
第五章 結論與建議………………………………………62
5.1 研究結論…………………………………………62
5.2 研究建議…………………………………………66
參考文獻……………………………………………………68
參考文獻 參考文獻

中文部分

彭文正譯, 資料採礦-顧客關係管暨電子行銷之應用,Berry, M. J. A. and Linoff, G.. S.,著,維科圖書有限公司,台北縣,2000年。

陳曉開譯,客戶關係管理手冊,初版,Dyche, J.著,台灣培生教育出版股份有限公司,台北市,2003年1月。

黃營杉譯,策略管理,第四版, Hill, C. W. L., and Jones, G. R.著,華泰文化事業股份有限公司,台北市,1999。

陳宇芬譯,電子商業:理論與實例,Kalakota, R. and Robinson, M.著,美商普林帝斯霍爾國際出版有限公司台灣分公司,台北市,2000年9月。

謝文雀譯,行銷管理-亞洲實例,初版,Kotler, P., Ang, S. H., Leong, S. M., and Tan,.C. T. 著,華泰書局,台北市,1998年6月。

劉復芩、邱天心譯,CRM關鍵32堂課,Teglia, D. J., and Vassal’lo, L.著,Freeland, J. G 編,美商麥格羅.希爾國際股份有限公司台灣分公司,台北市,2003。

邱掁儒譯,客戶關係管理-創造企業與客戶重複互動的客戶聯結技術,Wayland, R. E., and Cole, P. M.著,商業周刊出版,台北市,1999。

林柏甫,客戶關係管理應用於顧客保留及顧客成長以電子業為例,國立成功大學高階管理碩士在職專班論文,2002年。

林偉修,產品品質、服務品質與顧客購後行為關係之研究:以辦公家具個案公司為例,國立台灣大學國際企業學研究所碩士論文,2003年。

張信雄,現代銷售管理的理論與實務,修訂八版,復文書局,台南市,1998年。

張俊榮,顧客關係管理參考模式之研究,國立台北科技大學商業自動化與管理研究所碩士論文,2000年。

閔庭祥,顧客關係管理系統之價值模型建構,國立中央大學資訊管理學系博士論文,2001年。

英文部分

Agrawal, R., and Srikant, R., 1994. Fast algorithm for mining association rules in large databases, Proceedings of The 20th International Conference on Very Large DataBases, 487-499.

Baesens, B., Verstraeten , G.., Poe , D. V. D., Egmont-Petersen, M., Kenhove , P. V., and Vanthienen , J., 2004. Bayesian network classifiers for identify the slope of the customer lifecycle of long-life customers, European Journal of Operational Research, 156 (2) 508-523.

Chae, Y. M., Ho, S. H., Cho, K. W., Lee, D. H., and Ji, S. H., 2001. Data mining approach to policy analysis in a health insurance domain, International Journal of Medical Informatics, 62(2-3) 103-111.

Changchien, S. W., Lee, C. F. and Hsu, Y. J., 2004. On-line personalized sales promotion in electronic commerce, Expert Systems with Applications, 27(1) 35-52.

Cohen, H. D., 2004. Exploiting response models—optimizing cross-sell and up-sell opportunities in banking, Information Systems, 29(4) 327-341.

Eriksson, K. and Mattsson, J., 2002. Managers’ perception of relationship management in heterogeneous markets,Industrial Marketing Management. 31(6) 535-543.

Flexer, A.,2001. On the use of self-organizing maps for clustering and visualization, Intelligent Data Analysis, 5(5) 373-384.

Freeman, J. A. and Skapura, D. M.,1992. Neural Networks Algorithms,Applications,and Programming Techniques, Addison-Wesley, New York.

Gupta, S. and Lehmann, D. R., 2003. Customer as assets. Journal of Interative Marketing, 17(1) 9-24.

Han, J., and Kamber, M., 2000.Data Mining :Concepts and Techniques, Morgan Kanfmann.

Hsieh, N. C., 2004. An integrated data mining and behavioral scoring model for analyzing bank customers, Expert Systems with Applications, 27 (4) 623-633.

Hui, S. C., and Jha, G., 2000. Data mining for customer service support, Information & Management, 38 (1) 1-13.

Hwang, H., Jung T., and Suh , E., 2004. An LTV model and customer segmentation based on customer value : a case study on the wireless telecommunication industry, Expert Systems with Applications, 26 (2) 181-188.

Jiao, J. and Zhang, Y., 2005. Product portfolio identification based on association rule mining, Computer-Aided Design, 37(2) 149-172.

Kim,Y. S., and Street ,W. N., 2004. An intelligent system for customer targeting: a data mining approach, Decision Support Systems, 37 (3) 215-228.

Kouris, I. N., Makris, C. H., and Tsakalidis, A. K., 2005. Using Information Retrieval techniques for supporting data mining, Data & Knowledge Engineering, 52(3) 353-383.

Kuo, R. J., Ho, L. M. and Hu,C. M., 2002. Cluster analysis in industrial market segmentation through artificial neural network, Computers & Industrial Engineering, 42(2-4) 391-399.


Lariviere, B., and Poel, D. V. D., 2004. Investigating the role of product features in preventing customer churn, by using survival analysis and choice modeling : The case of financial services, Expert Systems with Applications, 27(2) 277-285.

Mathieu, V., 2001. Service Strategies within the manufacturing sector: benefits, costs, and partnership, International Journal of Service Industry Management, 12 (5) 451-475.

Maxham Ⅲ, J. G.., 2001. Service recovery’s influence on consumer satisfaction, positive word-of-mouth, and purchase intentions, Journal of Business Research,54(1) 11-24.

Roiger, R. J. and Geatz, M. W.,2003. Data Mining : A tutorial-Based Primer, Addison Wesley.

Rygielski, C., Wang, J. C., and Yen, D. C.,2002, Data mining techniques for customer relationship management, Technology in Society, 24(4) 483-502.

Shaw, M. J., Subramaniam , C., Ta, G. W., and Welge , M. E., 2001. Knowledge management and data mining for marketing , Decision Support Systems, 31 (1) 127-137.

Wei, C. P., and Chiu, I. T., 2002 . Turning telecommunications call details to churn prediction : a data mining approach, Expert Systems with Applications, 23 (2) 103-112.

Werbos, P. J., 1974. Beyond Regression:New tools for Prediction and Analysis in the Behavioral Sciences, Ph.D. dissertation, Harvard University, Cambridge, MA.

Zeithaml, V. A. and Bitner, M. J., 2000 . Service Marketing: Integrating Customer Focus Across the Firm, McGraw-Hill.
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2008-07-12起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2010-07-12起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw