植基於消費者特徵與消費行為之個人搭售策略推薦系統 · Web viewKey Words：Recommendation Systems, Data Mining, Neural Network, Product Bundling. 18 編碼

植基於消費者特徵與消費行為之個人搭售策略推薦系統

植基於消費者特徵與消費行為之個人搭售策略推薦系統

李麗華(1)．李富民(2)．陳寶旭(3)．陳育純(4)

(1)( 2)( 3)( 4)朝陽科技大學資訊管理系

1 [email protected] 2 [email protected] 3 [email protected]

　4 [email protected]

摘要

由於網路的發達，使用者可以從網路上搜尋所需要的資料與購買所需之物品，所以企業要如何運用行銷策略來增加其利潤將是一個重要的議題。然而在行銷策略中，商品搭售(Bundling)通常是企業普遍用來促銷商品的行銷手法，藉由商品組合搭售的方式來增加利潤，因此，如何在搭售策略下選擇適當的商品組合就明顯重要。目前有關搭售的文獻中，大部份都以企業本身為出發點，從經濟面來探討商品組合為主，鮮少探討如何依據顧客的喜好來選擇商品組合，然而，企業大部份利潤來自顧客，所以要如何迎合顧客需求刺激購買率便相當重要，故有許多的學者投入客製化(Customization)與一對一行銷(One to One Marketing)的相關研究中，而推薦系統(Recommendation Systems)是一個可以降低消費者搜尋成本、增加企業銷售商機與提昇顧客忠誠度的一種系統。其藉由使用者資料的過濾與預測，達到推薦的效果。此外推薦系統具可將瀏覽者變成購買者、促進交叉購買和提升顧客忠誠度的優點，因此利用推薦系統來協助選擇個人化搭售組合的商品，是一個值得應用的方向，故本研究提出一個應用於搭售商品選擇的協同過濾推薦機制，此機制結合類神經網路(Neural Network)與資料探勘(Data Mining)技術，從現有的資料庫中挖掘交易記錄之關聯性，並依顧客特徵屬性加以分群歸類，最後以產品組合搭售方式對消費者進行推薦。本研究最終目的在利用機制決定適合使用者之搭售策略，並產生個人化之產品搭售組合，藉由有效的推薦組合來提高產品曝光率，並刺激消費者購買欲望，進而增加企業銷售利潤、降低產品存貨成本。

關鍵字：推薦系統、資料探勘、類神經網路、搭售

1.背景、動機與目的

目前台灣上網人口已經相當普及，根據財團法人資訊工業策進會電子商務研究所(Advanced e-Commerce Institute; ACI)的網際網路資訊情報中心(Focus on Internet News & Data; FIND)研究群所進行之「我國網際網路用戶數調查」報告[4]顯示，截至2004年6月底止，國內經常上網人口已達892萬人，此外，台灣網路資訊中心（TWNIC）也在9月6日公布2004年「台灣寬頻網路使用」報告[10]，台灣地區上網人口截至2004年7月中旬止已達約1,274萬人，上網率達56.49%，由此可知網路活動已深入民眾。

基於網路蓬勃發展的現象，企業更應該重視拓展網路並如何運用行銷策略以增加利益。一般而言，搭售是目前普遍用來促銷商品的行銷手法，主要是利用商品組合搭售來增加利潤。搭售(Product Bundling or Tie-in Sales) [15]

REF _Ref89527867 \r \h \* MERGEFORMAT [20]是以某一個特定價格將兩個或兩個以上的商品或服務以組合搭售的方式進行行銷活動，例如唱片行盛行一時的紅配綠促銷活動。藉由商品組合來增加產品的曝光率，並藉此來提高銷售量與利潤或降低存貨成本。然而，適合的搭售策略必須提供給適合的消費者，若其組合商品不受消費者所喜愛，不但會減低消費者購買欲望，並且會降低產品的銷售量，因此，如何選擇適當的搭售策略與適當之商品組合更顯得重要了。

目前大部份的搭售研究多以企業為出發點，從策略面、法律面與經濟學的角度來探討，包括了領導商品、顧客的預期心理價格、消費者剩餘、反托拉斯法，探討普遍消費市場的需求或是普遍大眾的心理認知程度來產生搭售組合等等，鮮少研究探討適合顧客需求的商品搭售策略，更遑論如何利用技術來協助顧客選擇適當的個人搭售商品組合。然而，顧客是企業的重要資產，Peppard研究[23]指出，顧客有助於提升企業利潤，許多企業為了加強顧客的忠誠度，並致力發展新客源，故網站設計無不以顧客導向為趨勢，儘可能滿足顧客需求。然而，企業要保有競爭優勢，必須從瞭解顧客做起，張寶樹研究[5]指出，開發一個新的顧客要比保有一個顧客要多花六到十倍的成本，而且忠誠的顧客也會替企業帶進更多的商業利潤，Peppard[23]指出，公司企業有80%的利潤會來自於20%的顧客。Senecal研究[38]指出眾多企業皆盡力留住顧客的同時，若以個人化為主的網頁更能被消費者所接受與認同，所以，具有個人化服務的網站對企業而言十分重要。不僅如此，Senecal[38]進一步証明消費者會選擇他人使用且評價不錯的品牌，而且亦會使用他先前用過或已買過的商品，所以，為了增加企業的利潤與競爭力，要如何符合顧客需求，增進顧客再購買的欲望，則是各企業應極力發展的重要工程。

不過，也正因為電子商務的迅速發展，使得網路上的資訊量也不斷增加，造成網路環境有著資訊過載(Information Overload)的問題，使用者往往要耗費龐大的的搜尋成本與時間來找到所需要的資訊。目前有許多相關技術與工具被用來協助使用者在網路上搜尋資訊，例如：資訊擷取(Information Retrieval, IR)[34]是使用者過濾或利用關鍵字查找，透過搜尋來取得相關資訊，不過此方法的缺點是過於仰賴正確的關鍵字的功能，若無明確的關鍵字搜尋，是很難找出所需要的資料，並且使用者往往在搜尋過程找到符合的資料時，也會付出過多的資料過濾時間，對於同義但不同詞句則無法找到相關資訊。在這種情況下，若使用者想找到適當的資訊時，相對的就要付出一定的附加成本。為了解決這個問題，有學者提出資訊過濾(Information Filtering)的概念，藉由使用者的歷史資料來加以分析，求得個人偏好，並由此偏好去過濾出適合使用者的資料，而推薦系統(Recommendation System)即採用資訊過濾的技術來分析使用者行為且有效過濾出適合使用者的資訊，其優點就是能夠達成個人化且預測個人喜好，並有效解決資訊過載的問題[37]。

近年來，許多商務網路[25]

REF _Ref89525161 \r \h \* MERGEFORMAT [26]

REF _Ref89525122 \r \h \* MERGEFORMAT [32]均利用推薦系統來達成過濾資訊及服務顧客為目的，其中例如網路書店的經營典範Amazon[32]累積完整客戶消費記錄，並分析顧客購買行為，最後根據分析結果來預測並推薦；而GroupLens[26]利用評量值來計算與目前顧客其他顧客的相似程度，並由其他相似顧客來預測目前顧客可能喜歡的新物品，進而推薦。目前相關研究[38]已從實驗中驗証，經由專家經驗與推薦系統所推薦的商品會讓消費者覺得更具專業性且具較高之接受度。推薦系統一般可分成內容導向式(Content-based)與協同過濾式(Collaborative-filtering)，Cho and Kim[16]在研究中提到，目前協同過濾是推薦系統中較為成功的一種，亦有不少學者所提出之推薦系統均利用協同過濾技術來做過濾與推薦，學者吳肇銘等人[3]驗証了使用協同過濾的確具有線上商品推薦之成效。協同過濾是一種藉由其他人行為來預測目前使用者的喜好程度的推薦機制，做法是從一群與使用者特徵或購買習性相似的社群，經由分析其偏好並預測，進而產生推薦的一種推薦方法。為了運用協同過濾推薦機制來達成有效推薦的目的，近年來許多學者利用不同的技術做了相關研究，Lee et al.[28]提出模糊記憶關連(Fuzzy Association Memory; FAM)的技術，經由學習過去購買記錄來加以分析過濾，來達到推薦的目的。但由於FAM會因評量項目增加而增加所產生的模糊規則，所以該學者在後來的研究加入類神經網路監督式學習中的倒傳遞網路(Back Propagation Network; BPN)來簡化FAM所產生的模糊規則[29]。而Li et al.[34]則利用顧客歷史檔案，經由分析與探勘關聯法則，最後產生以關聯和個人興趣為主的推薦結果。

　　正因為推薦系統具有分析與預測的功能，且可過濾出適合顧客的商品，更具有將瀏覽者變成購買者、交叉購買和提升顧客忠誠度的優點，根據這些特性，對一般企業而言，推薦系統就很適合被用來協助挑選適當的搭售商品組合，來增加客源與利潤。

為了提升顧客忠誠度，並運用有效的行銷策略來提升企業利潤，本研究提出一個支援產品搭售策略的協同過濾推薦機制，目的在於運用相關技術來支援企業針對顧客做產品搭售策略之有效推薦。本研究技術是整合類神經網路(Neural Network)與資料探勘(Data Mining)二項技術，其中借重的是類神經網路的群聚功能與資料探勘的挖掘隱含資訊的能力。類神經網路技術是從顧客資料庫中藉由顧客的屬性特徵或是其購物、消費或習性的特徵來做群集分析，而資料探勘技術則可用來挖掘交易記錄資料中經常被同時購買商品的關聯法則，找出一些有用或是有趣的資訊。一般來說，利用資料探勘所找出的商品關聯法則是適合被用來對消費者進行推薦的，所以，經由上述之相關技術，期盼能藉由顧客特徵屬性與顧客間過去的交易記錄來自動過濾且找出適合的商品組合，以推薦列表的方式將商品組合推薦給顧客，達到個人化自動搭售推薦的目的，本研究的研究範圍主要在分析消費者消費行為，並探討如何運用現有資料來預測消費者之個人化搭售策略，並產生個人化搭售推薦列表。

2.相關文獻回顧

2.1產品搭售(Product Bundling or Tie-in Sales)

　　搭售(Product Bundling or Tie-in Sales)通常被用來做為商品促銷的行銷策略。Guiltinan於1987年對搭售的定義[20]是指將兩個或兩個以上的商品或服務以組合的方式以一個特定的價格來搭售。例如：資訊商品與保固服務一起搭售、熱門商品與冷門商品的組合、或是電視與視聽設備的商品組合搭售方式。這種以搭售促銷的行銷策略具有可減少生產成本與交易成本、提高市場佔有率的優點[20]。

　　早期研究根據產品的購買彈性將搭售分成兩類，分別為純粹搭售策略(Pure Bundling)與混合搭售策略(Mixed Bundling)，兩者最大的不同在於需不需要一次購買產品組合內的所有商品。其含意分述如下。

(1). 純粹搭售策略(Pure Bundling)：顧客必須以某一個固定價格購買已包裝好的商品組合。

(2). 混合搭售策略(Mixed Bundling)：顧客可以購買成套之搭售組合商品或是商品組合其中的某一項商品。

　　另外Guiltinan(1987)更將混合搭售策略分成「領導式混合搭售策略」(Mixed-leader Bundling)與「聯合式混合搭售策略」(Mixed-joint Bundling)。

　　聯合式混合搭售策略其意義為，當A與B要做為搭售組合時，先指定一個搭售價格PA+B，而有一限制式為PA+B＜PA＋PB，而領導式混合搭售策略是當顧客已經以某一個價格PB來購買B產品時，他就可以在買A商品時只要再付PA*的價格就可以，而PA＞PA*，也就是搭售後的價格會低於原始價格。利用銷售量可用來分辨這兩個混合搭售策略最大的不同，領導式混合搭售策略概念是利用銷售量較佳的商品與銷售量較差的商品來做混合搭售的策略；而聯合式混合搭售策略是將兩個銷售量差不多的商品來做混合搭售的策略。Guiltinan[20]指出，當領導商品出現時，也就是某一項商品的銷售量遠遠的超過另一項商品時，採用領導式混合搭售策略的行銷方式會對提升銷售量有較大的幫助且為較適當的行搭售策略。

在過去搭售文獻方面，簡利曲[12]以桃園縣農會網路超巿為研究對象，探討有機蔬菜可能產生的最適產品組合為主要目的，研究中運用關聯規則找出有機蔬菜之最佳產品組合，期望消費者能花最少時間於網路上找到其所需之產品，另外，鄭婉儀[11]研究以零售業為探討的對象，運用資料探勘從顧客購物籃中針對產品分析，挖掘產品同時被購買之關聯性並瞭解銷售商機，並以顧客購買的相關性產品作為推薦交叉銷售的商品，並從依顧客屬性群分析其購買型態，以發掘潛在目標市場；而曾夢薇[8]研究考量網路市場中數位商品的銷售組合效益，使用賽局理論來建立兩企業產品銷售組合的定價模式，分析產品組合之差異程度，以其尋求企業間利潤最大之銷售組合；2003年，學者朱文山[2]以台灣的茶產業為研究對象，主要研究在公司既有預算下制定行銷組合並探討如何進行市場區隔；另外，2004年學者王郁華[1]延伸朱文山學者之研究，也是以台灣茶產業為主要研究對象，運用互動多目標逐步法與層級分析法來制定產品組合與其訂價策略，並由消費者自行挑選合適的產品並進行組合，以達到其個人化之目的。

　　本研究採用搭售策略的概念於建立推薦列表上，所採用的是混合搭售策略中的聯合式混合搭售策略，以兩個較受顧客歡迎的商品來做組合的搭售策略，藉由產品組合的方式來提高產品的曝光程度並刺激顧客的購買欲望，減少顧客在網路上的商品搜尋成本，且藉由良好的推薦來提高顧客的滿意程度，進而增加其忠誠度。

2.2推薦系統(Recommendation System)

推薦系統是一個可以幫助使用者過濾網路上龐大資訊，並且推薦適合資訊給使用者的資訊系統，並且也是目前在電子商務中常被應用於過濾網路資訊及達到個人化服務與預測個人喜好的技術，在電子商務上如何有效運用工具來協助企業增加其競爭力是很重要的，目前有不少網站已成功使用推薦系統於電子商務上，其中較著名之成功案例包括了Amazon[32]、CDNow[37]、GroupLens[26]，亦有學者在此研究方向略有著墨，如Lee et al.[31]運用智慧型代理人(Intelligent Agent)技術來支援線上個人化推薦系統，Ji et al.[22]提出一個從企業資料中找出顧客模型的方法，其首先在貝氏網路上建立一個藉由學習顧客過去的購買歷史記錄的顧客模型，並運用機率推論來產生有效之即時推薦，Lee and Liu[30]提出一個在網路購物內容上整合相關技術來做資訊擷取與資訊過濾的方法，其運用 Agent與Web Mining的技術來自動搜尋並選擇產品，Ansari et al.[13]用五項資訊來源來做為推薦的依據，包括了個人獨特的喜好與先前選過的商品、產品偏好屬性、其他人的喜好或選擇、專家判斷與可預測喜好的獨特特微，Niu et al.[34]建立一個以顧客個人檔案為基礎的產品階層來達到更有效的個人化電子商務，其運用興趣關聯的方式來產生推薦。

一般來說，推薦系統主要有兩種方法[36]，分別為內容導向式(Content-base)與協同過濾式(Collaborative Filtering)，內容導向式[33]推薦機制是從使用者搜尋的過程中，大量收集有用或是使用者可能有興趣的項目並過濾出資訊，換言之，即運用使用者歷史交易資料來預測的一種推薦機制。

協同過濾推薦系統在1992年被Goldberg and Colleague所提出[19]，其是透過其他使用者的評價來推薦適當資訊給使用者的推薦機制，藉由一群與使用者相似的群體對某項目的評價來分析預測使用者對此項目的喜好程度，並做為推薦與否的依據。

在過去協同過濾的研究中，Tapestry[19]是最早運用協同過濾推薦機制的一個電腦系統，它主要被用來過濾垃圾郵件。此外Cho et al.[17]利用WebCF-DT的推薦系統，它是先用一個時間架構來定義顧客在一段時間內的購物行為，再利用決策樹來分析時間架構去找出目標顧客、透過顧客瀏覽行為即：瀏覽過程、購物籃資料與實際上購買商品，來分析出顧客喜好，觀察並計算產品被瀏覽行為的關聯法則，最後經相似度計算來做最常被購買的商品、閱覽後購買率最高者和推薦最近商品等三種型式的推薦。之後Cho et al.[16]再提出WebCF-PT，並運用相關概念，改善產品分類方式，來達到個人化推薦的目的。Roh et al.[35]則提出一個SCP(SOM cluster-indexing CBR CF predictor)推薦系統，它是運用主成份分析法(Principle Component Analysis; PCA)來決定自映式組織網路(Self-Organize Map; SOM)輸出層的聚類數量，再經由SOM聚類結果的群聚中心值和評量值取出最相近的值，並從案例庫(Case Base)中取回案例，最後利用皮爾森相關系數算出彼此的相關性並利用預測公式算出目標顧客。Changchien and Lu[14]則是利用類神經網路非監督式學習中的自映式組織網路(SOM)來將顧客聚類，再利用改良於資料探勘約略集合論(Rough Set)的繼承類別樹(CIT)從資料庫中取出關聯法則並利用這個程序來支援線上推薦系統。

由上述文獻可知，協同過濾推薦系統普遍被用來分析使用者習性，並可達個人化推薦，故本研究採用協同過濾推薦機制分析消費者之習性，並做個人化搭售策略與產品推薦。

2.3 資料探勘(Data Mining)

研究[24]指出留住舊有顧客所須之成本為尋找一位新顧客成本的六分之一，而企業如何運用既有顧客資料去制定企業行銷策略一直是各企業極力在推動的部份，一般來說，資料庫中的檔案總是相當龐大，資料之間的相關性也相當複雜，直到資料探勘技術的發展，對企業發掘顧客習性與發展顧客關係管理來說是很重要的消息。

　　Han在Data Mining: Concepts and Techniques一書[21]中提到，資料探勘是一種從大量資料中發掘有趣型樣的作業，並且這些資料可以被儲存在資料庫、資料倉儲或其他的資訊儲存體中。

資料採勘目前已普遍被應用在現實生活上，如分群技術及關聯規則，其中分群的技術是以一種『物以類聚』的概念，在事先無法知道歸類群數的情況下，經由計算最小差異的個體形成一群，將相似的物品聚在一起，達到分群的效果較常見的例子，如大賣場運用關聯規則去找出消費者的購買習性；運用分類技術，利用項目本身屬性歸類到適合的類別。

本研究在此是引用資料探勘中關聯規則，預期從大量資料中去找出商品項目間的相關性，以用來協助決定搭售商品組合參考之依據。

2.3.1 關聯式規則(Association Rule)

　　關聯式規則探勘[21]是從資料庫大量資料項目集合之間去發現有趣的關聯或項目相關性。也就是利用資料探勘技術中的關聯式規則，從資料與資料之間去找出其相關性，找出其有意義的資訊。例如：Walmark從賣場的銷售系統的記錄中得知男性顧客到賣場買了啤酒後，會順便帶一包尿布，或是買了尿布會順道帶啤酒，所以可以找到尿布與啤酒的相關性很高，在發現了這些規則之後，賣場就可以依這些商品來做可增加產品銷售量與整體利潤的行銷策略。

　　關聯式規則的表示形式為：X(Y；其中X及Y為資料庫中的任意項目集合，且X∩Y=

f

，X即為前因項目集(Antecedent Itemsets)，而Y為後果項目集(Consequent Itemsets)。並使用支持度(Support)與信賴值(Confidence)兩個評量指標來做為是否通過門檻值，並產生法則(Strong Rules)，如式(1)與式(2)。

1. 支持度(Support)：X(Y，代表項目集合X在資料庫中所佔的比例，也就是說，在資料庫中同時包含的次數。

資料庫的總交易筆數

在資料庫中出現的次數

與

項目集合

Y

X

Y

X

Support

=

®

)

(

(1)

2.信賴值(Confidence)：X(Y，當項目集合X發生時，項目集合Ｙ也會跟著發生的機率。換句話說，就是在資料庫中X已發生的所有情況下，包含X亦包含Y的次數。

在資料庫中出現的次數

項目集合

次數

在資料庫中同時出現的

與

X

Y

X

Y

X

Confidence

=

®

)

(

(2)

而找出關聯法則有以下二個步驟:

1.找出大於最小支持度(Support)的項目集合（Large Itemsets）。

2.再使用第一步驟所產生的Large Itemsets 來產生大於最小信賴度(Confidence)的關聯式規則。

關聯式規則可以從資料庫中找出項目間的隱藏資訊，這對推薦系統來說是很大的幫助，可做為推薦依據，許多學者也利用關聯法則來協助推薦系統，其中Changchien & Lu[14]利用改良約略集合論(Rough Set)的繼承類別樹(Class Inhendence Tree; CIT)從資料庫中取出關聯法則去支援線上推薦系統，而Wang and Shao[39]利用整合群聚演算法與關聯法則探勘技術來做個人化推薦技術。Wang et al.[40]運用關聯法則來協助化妝品公司做個人化推薦。Lee et al.[27]亦是整合關聯法則與協同過濾技術來協同線上個人化推薦等等，故本研究亦採用關聯法則來做為個人推薦之依據。

2.4類神經網路(Artificial Neural Network;ANN)

根據類神經網路(ANN)模式應用與實作[9]一書中對類神經網路的定義為：一種計算系統，包括軟體與硬體，它使用大量簡單的相連人工神經元來模仿生物神經網路的能力。

類神經網路一般依學習模式可被分成監督式學習網路與非監督式學習網路[9]。前者定義為：從問題領域中取得訓練範例，並從中學習輸入變數與輸出變數的內在對映規則，以應用於新案例。例如：感知機(Percptron)，倒傳遞網路(Back-Propagation Network; BPN)等，而後者之定義為：從問題領域中取得訓練範例，並從中學習範例的內在聚類規則，以應用於新案例。例如：自映式組織(Self-Organizing Map; SOM)，自適應共振理論網路(Adaptive Resonance Theory; ART)等。

類神經網路技術目前常常被用來應用在股市預測、字母辨識、人臉影像辨識[18]與顧客關係管理等生活層面上。類神經網路不僅常被用來做預測，其聚類的功能的表現也被許多學者肯定並廣泛被引用，其中自映式組織網路(SOM)與自適應共振理論網路(ART)兩個神經網路模型是較常見的聚類工具，其特徵與使用條件也不盡相同。

目前ANN在推薦系統領域上的表現已被學者注目，並常被引用的技術工具，例如陳致傑[7]運用類神經網路的ART聚類技術來替廣告業者做網站廣告之自動化推薦；此外，Changchien and Lu[14]和Roh et al.[35]均運用SOM聚類結果，來協助個人化協同過濾推薦，故本研究亦採用ANN來做為聚類工具。

2.4.1 自適應共振理論網路(Adaptive Resonance Theory；ART)

　　自適應共振理論網路(Adaptive Resonance Theory；ART)於1976年由Grossberg所提出來，ART屬於非監督式的網路學習模式，它時時處於學習及測試狀態。自適應共振網路[9]的基本原理可溯自認知學，人類的記憶系統儲存著一些已知的事物，當它記憶新的新事物時，對於以前所記憶的事物又需保留，這有時可能有矛盾。然而一個好的記憶系統必需具有以下二個要求：

1.穩定性：當新的事物輸入時，舊的事物應適當地保留。

2.可塑性：當新的事物輸入時，應訊速地學習。

為了解決穩定性與可塑性之間的矛盾，本研究採用自適應共振理論網路中的「警戒值測試」來解決。

輸入層

輸出層

W

t

W

b

輸出向量

輸入向量

輸入層

輸出層

輸入層

輸出層

W

t

W

b

輸出向量

輸入向量

W

t

W

b

輸出向量

輸入向量

圖1 自適應共振理論網路架構圖

ART網路架構如圖一，其架構分層分述如下：

(1). 輸入層：該層即為ART網路起點，而輸入值則是由0與1所組成的輸入向量。

(2). 輸出層：該層是依據輸入向量經由連結運算所產生的聚類結果。

(3). 網路連結：介於輸入層與輸出層之間的網路連結加權。

①.Wb：輸入向量對輸出節點之匹配值，匹配值高的輸出節點優先做警戒值測試。

②.Wt：輸出節點對輸入向量的相似值，並判斷是否通過警戒值

ART至今已發展出許多模式，像ART1、ART2、Fuzzy ART…等。其中ART1只接受二元值的輸入，ART2接受二元值與連續值，而Fuzzy ART則是接受模糊集合值。

由於本研究之訓練樣本並無法事先得知其聚類結果，故採非監督式學習網路。非監督式學習網路包括了自組織映射圖網路(SOM)與自適應共振理論網路(ART)，由於ART具備了學習速度快，所耗費的記憶空間較小，並且不必事先設定其聚類群數，故本研究採用ART來做聚類處理。

此外，在屬性設計方面，陳致傑學者[7]提到ART屬性向量節點編碼設計方式一般可以分為三種，分別為二進位設計法、位移設計法與堆疊設計法，雖然堆疊設計法比起二進位設計法需要較多之節點數，但是其可表現特徵屬性程度大小分布與明顯聚類，其優點優於其他二種設計方式，故本研究採用堆疊設計法來設計個人特徵屬性。

3.產品搭售推薦系統(Product Bundling Recommendation System; PBRS)

　　搭售策略是企業較普遍採用之行銷策略，然而要如何利用消費者習性，並用來預測下一步可能購買的商品搭售組合與消費者適合的搭售策略，乃為本研究所著重的研究範圍。推薦系統是有助於企業對消費者做個人化服務，目前在學術界與產業界亦有不錯的發展，故本研究提出一個具分析消費者習性的產品搭售推薦系統(PBRS)，其系統架構如圖二所示，並藉由此系統來達到本研究預期達到個人化搭售策略與個人搭售推薦之目的。

圖2 本研究之系統架構圖

在架構流程中，協同過濾推薦機制之技術上整合了類神經網路(Neural Network)與資料探勘(Data Mining)兩個模組，從相關資料庫中經由這兩個模組的技術取得資料中可能隱含之資訊，而透過這些資訊來協助決定適合顧客之搭售策略與產生搭售產品組合，進而產生搭售推薦列表來推薦給使用者。本研究提出PBRS的處理程序流程大略分成下列步驟：

步驟一：運用類神經網路ART模型，藉由顧客資料庫取出顧客特徵，並依據特徵透過類神經網路ART模組快速分群的方式予以群聚。接著，運用資料探勘技術，從現有的資料庫交易找出關聯式規則(Association Rules)。

步驟二：分析使用者購買行為並產生個人化搭售策略與商品組合－觀察並計算與顧客特徵相同群集之購買習性這些法則來分析交易記錄中產品的關聯性與顧客潛在交易行為，並參考步驟一所產生之法則資料來協助系統決定出適合顧客之產品搭售策略與運用關聯法則的相關資訊來產生商品組合。

步驟三：產生推薦列表－步驟二決定出搭售策略之後，依固定比率找出最適合消費者搭售策略之前N項商品(Top-N)以商品組合的方式來做搭售推薦，進而產生個人化之搭售推薦列表。

而本研究推薦系統流程詳述如以下章節。

3.1 類神經網路模組

TB

PB

c

P

Q

RS

jk

k

jk

jk

+

=

圖3 顧客聚類流程

類神經網路模組在此步驟　

主要的目的就是將特徵屬性相似的顧客歸類成一個群體，利用類神經網路技術ART將顧客群聚。在此模組的流程如圖三所示，首先從顧客資料庫中將顧客基本特徵屬性資料取出，並依顧客屬性特徵加以編碼[7]，編碼後即為ART的輸入檔，最後將此輸入檔匯入ART網路，從ART輸出可得到分群的結果。

其中，本研究採用ART網路架構[9]如圖四所示，其架構可分成三個部份，分別為輸入層、輸出層與網路層，各層詳述如下：

輸入層

輸出層

W

t

W

b

輸出向量

輸入向量

輸入層

輸出層

輸入層

輸出層

W

t

W

b

輸出向量

輸入向量

W

t

W

b

輸出向量

輸入向量

圖4 自適應共振理論網路架構圖

(1).輸入層：為變數輸入網路的起點，在本研究中就是個人特徵屬性值，屬性值可以是性別、教育程度、年收入、家中小孩人數與是否擁有房子等，而本文所提及之N個重要特徵屬性在此被定義為X1~Xi，i

Î

N，每一個Xi值都可以為M個二元值，被表示成Xi ={B1,B2,…,Bj}，j

Î

M，Bj

Î

[0,1]即代表每個Xi均為由j組成的二元碼，但輸入值則是由0與1所組成的輸入向量。

(2).輸出層：網路從輸入層之第一個輸入節點開始，直到所有的輸入層之輸入節點都學習完畢，本研究輸出層的輸出節點即為依個人特徵屬性所聚類的結果。

(3).網路連結：即每一個輸入層之輸入單元與輸出層之輸出單元之間有二根網路連結加權。

①加權值Ｗb，是用來運算輸入向量對輸出單元的匹配值，警戒值測試將優先使用匹配值高的輸入單元。

②加權值Ｗt，是用來判斷輸出單元有無通過警戒值測試。

ART網路在此步驟最主要依據個人特徵屬性將顧客分群，分群的目的在取出相似顧客，在接下來的步驟中，就可以依同群集內的資料來做分析。

3.2 資料探勘模組

資料探勘模組最主要的目的在探討產品之間的關聯性，利用類神經網路模型－ART在上一個步驟所聚類的結果，從交易資料庫之全部交易記錄與同群顧客交易記錄，取出每筆交易的商品資料項目，並利用資料探勘中關聯法則演算法，來找出產品資料庫中產品交易購買頻率。其步驟流程如圖五所示，首先會從交易資料庫中將交易記錄取出並將每個項目予以編碼(本研究採用的資料探勘工具輸入值必須為數值資料)，編碼後的檔案即為資料探勘工具的輸入檔，藉由資料探勘工具將其關聯法則取出，找出項目之間的關聯式規則，如ItemA→ItemJ，其中A與J即為產品項目。最後，運用資料探勘可以找出群間與全部交易記錄的關聯法則，而這些關聯法則就是本研究商品組合搭售策略的重要依據。

圖5 資料探勘處理程序

3.3 產品組合與搭售策略

　　在關聯法則產生後，依信賴度(confidence)與支持度(support)值由大到小排序，這些規則將會被用來做商品組合策略的依據。本研究依商品的銷售情況分為三類，分別為熱門(H)、普通(G)、非熱門(C)，然而，每樣商品皆會依據其銷售情況而被歸類到其中一類。

商品組合搭售策略是

將這三類產品以交叉混合的方式(如表一所示)來做為本研究搭售策略的所有策略類別。透過前兩個步驟分析顧客特徵與消費行為所產生的結果，再從顧客的歷史購買記錄來算出顧客對商品的喜好程度，作為產生搭售策略商品組合的依據。以下章節即說明如何運用顧客過去之消費記錄來判斷每位顧客適合的搭售策略，並計算顧客對每樣商品的偏好值，依此偏好值做為取出關聯法則，再參考前步驟顧客之個人化搭售策略，產生個人化搭售推薦列表。

表1 產品搭售組合策略矩陣

商品

熱門(H)

普通(G)

非熱門(C)

熱門(H)

熱門搭熱門(HH)

熱門搭普通(HG)

熱門搭非熱門(HC)

普通(G)

普通搭普通(GG)

普通搭非熱門(GC)

非熱門(C)

非熱門搭非熱門(CC)

3.3.1 產品組合與搭售策略之步驟

前面章節提到，先將顧客依據其個人特徵屬性與消費記錄予以分群，運用資料探勘來找出群間與所有顧客之關聯法則，本研究即可運用這些資訊來做個人化商品搭售組合的策略。以下為產生個人商品搭售組合之步驟：

步驟一：設αk即可被搭售商品量的門檻值，令商品k的門檻為αk。

步驟二：令CPk為商品k被購買的總次數，i代表i個單位時間，而TPik則為在單位i時間內購買過商品k(通過αk門檻值)的總人數。

步驟三：計算商品熱門程度值(Hk)

i

TP

TP

H

k

ik

k

´

=

　　　　　　　 (3)

其中TPik

：

在單位i時間內購買過商品k的總人數，

k

TP

：

買過商品編號k的平均人數。

步驟四：設定熱門商品之門檻值β1及非熱門商品之門檻值β2，從步驟三算出那些商品為熱門Hk*、非熱門Ck*和普通商品Gk*。

if Hk >β1，then Hk*= Hk ，

elseif Hk <β2 ，then Ck*= Hk ，

Else Gk*= Hk。

步驟五:從顧客的交易資料來找出購買過之商品，判斷該顧客所購買的商品屬於那一類商品，接著再累計此顧客購買之熱門、非熱門或普通之商品數量；最後由所累計之數量可找出組合策略。其步驟說明如下：

如表二所示，本研究搭售策略(Sab)包含了上述六種，令有一顧客k正進行購買，其交易內容之商品為一商品陣列：｛Pn|n為商品代號｝現將此陣列利用步驟四所得之Hk*、Ck*和Gk*值替換，建立另一陣列：

表2 產品搭售組合策略矩陣

商品(Sab)

熱門 (Sa1)

普通 (Sa2)

非熱門 (Sa3)

熱門(S1b)

熱門搭熱門(S11)

熱門搭普通(S12)

熱門搭非熱門(S13)

普通(S2b)

普通搭普通(S22)

普通搭非熱門(S23)

非熱門(S3b)

非熱門搭非熱門(S33)

(1) 若Pn

³

Hk*則該項為熱門，故在陣列中新增一個符號H，

若Pn

£

Ck*則該項為非熱門，故在陣列中新增一個符號C，

若Hk* < Pn

(2) 將此一陣列內之H，C，G符號做累計Count並分別放入策略矩陣中。

(3) Count不可為

f

。

步驟六:找出適當的搭售策略。

將各種產品組合的次數存入搭售策略矩陣內，並取出最大的產品組合，做為該顧客之個人化搭售策略。

⇒ Max Count(Sab) a,b＝1、2或3, a ≤ b。

步驟七：根據顧客j的購買記錄與群間的交易記錄來產生商品的推薦分數(RSjk)

(4)

Qjk

:

與顧客j同群間，商品k的購買量，

Pk

:

單一商品總銷售量，

PBjk

：

顧客j對商品k的購買次數，

TB

：

個人購買總次數，

c

：

群數，

k

：

產品編號。

步驟八：產生個人化搭售總推薦列表

從顧客買過的商品中，運用關聯法則去找出另一個可能購買的商品，依據上個階段所算出來的推薦值做由大到小的排序，並參考步驟六所選擇的搭售策略來產生商品組合產生個人化總推薦列表。

步驟九：產生Top-N推薦列表

根據初步總推薦列表的前N項熱門組合來推薦。

4. 實驗

本研究以實作來驗證所提之架構PBRS(Product Bundling Recommendation Systems) 是否可達到預期效果，本實驗主要目的有二，一為推薦具個人化之搭售策略，第二為產生個人化產品組合推薦列表。

本研究採用MSSQL中一個食品資料庫－Foodmart2000來模擬網路商場的資料庫，並採用『顧客基本資料』、『交易記錄』與『產品資料』三個資料表來分析，並做為驗證研究方法之實驗。首先，本研究資料分析之範圍是採用交易資料庫中期間由1997/1/1到1997/6/30共六個月的商場交易記錄來分析，共9894筆交易記錄與4257位消費者個人資料，並以1997/7/1到1997/7/31共一個月的商場交易記錄來評估運用本研究之研究方法推薦之個人化搭售策略的推薦成效。

本研究所做實驗相關模組所採用工具為Matlab 6.5之二種外掛工具來達到本研究預期達到之目的，分別為類神經網路的群聚工具－ART，與資料探勘中挖掘關聯規則工具－ARMADA，利用ART的快速群聚特性來幫助本研究將相似顧客聚類，與ARMADA來挖掘資料庫中的關聯法則，以利於探討交易資料中，產品項目與產品項目之間的相關性與所隱藏的資訊。

本研究採用Matlab6.5的ART外掛程式做為聚類工具，將特徵屬性以堆疊設計法來將資料予以編碼，才可得到依屬性而得到聚類的分群結果。在輸入類神經網路模組前，本研究選定幾個個人特徵屬性來做為分群的基準，分別為性別(gender)、教育程度(education)、年收入(yearly income)、是否擁有住宅(house owner)和家中小孩人數(children at home)共5個屬性來做為ART的輸入向量。

在各種警戒值(介於0到1之間的值)情況之分群結果如圖六所示，為了取得一個較適合之分群點，本研究以膝點（Steepest Knee）判斷法[6]來決定，所謂膝點是指所有警戒值下，群數明顯下降的一個轉折點。故以膝點判斷可得知，在警界值為0.85的情況下，較適合以ART依據顧客特徵屬性來分群，共將4527位顧客分成91群，若統計其內特徵，並取出每節點之最大值，即可得到每個群集的群特徵屬性。

聚類群數

0

20

40

60

80

100

120

140

160

180

200

1

0.95

0.9

0.85

0.8

0.75

0.7

0.65

0.6

0.55

0.5

0.45

0.4

0.35

0.3

0.25

0.2

警戒值

群數

群數

圖6 各警戒值下之群內數

表3 列舉顧客依交易記錄計算得之個人搭售策略

C_id

組合策略Top-2

1

2

3

GG

5

GG

10

GH

GG

20

GG

GC

21

GG

23

GC

28

GG

30

GH

GG

36

GH

39

GG

GC

表三即依顧客消費記錄所計算而得之個人化搭售策略推薦列表，其中欄位『C_id』即為顧客的編號、『推薦策略』即為根據前半年交易記錄所產生個人搭售策略之推薦結果，接著運用資料探勘技術找出所有顧客交易記錄與聚類後同群間中之關聯規則，再參考顧客對每項產品之偏好值將各組合予以排列得到總排序表，再由總序表之Top-10做為產品組合推薦列表(如表四所示)，即為個人化Top-10產品組合推薦列表。

表4 第三群顧客編號10之產品組合推薦列表

TOP-10

產品組合

TOP-10

產品組合推薦列表

1

107＆3

1

Computer Magazines＆Canned Fruit

2

56＆49

2

Plastic Utensils&Cooking Oil

3

26＆59

3

Muffins & Dehydrated Soup

4

50＆61

4

Sugar & Freh Vegetables

5

19＆18

5

Soda & Paper Wipes

6

60＆61

⇒

6

Frozen Vegetables& Freh Vegetables

7

56＆61

7

Plastic Utensils & Freh Vegetables

8

18＆61

8

Paper Wipes& Freh Vegetables

9

91&61

9

Bologna & Freh Vegetables

10

91＆5

10

Bologna&Pasta

表5 列舉七月份顧客搭售推薦策略與其命中與否

cus_id

date

搭售方式

是否命中

推薦

策略

cus_id

date

搭售方式

是否命中

推薦

策略

30

23-Jul-97

GH

1

GH

GG

118

16-Jul-97

GG

1

GG

36

29-Jul-97

GH

1

GH

128

28-Jul-97

GH

1

GH

39

6-Jul-97

GC

1

GG

GC

169

27-Jul-97

GH

1

GH

GC

43

14-Jul-97

GG

0

GC

170

10-Jul-97

GG

0

GC

44

17-Jul-97

GG

1

GH

GG

177

20-Jul-97

GH

0

GG

49

20-Jul-97

GG

1

GH

GG

188

6-Jul-97

GG

1

GH

GG

74

27-Jul-97

GG

1

GG

192

23-Jul-97

GG

0

GH

GC

112

5-Jul-97

GG

0

GC

206

29-Jul-97

GH

0

GG

115

23-Jul-97

GG

0

GH

在搭售策略推薦成效方面，本研究採1997/7/1~1997/7/31一個月資料來驗證，在此為了驗證個人化搭略策略之成效，先分析七月份顧客交易記錄中是屬於何種搭售方式，再利用比對的方式來看，本研究所推薦之搭售策略是否有命中七月顧客交易記錄中產品組合的搭售策略，在判斷是否命中顧客實際交易記錄上，推薦項目與搭售方式比須相同，其值為1(即為命中)，否則為0(即為非命中)。其結果如表五所示，其中欄位『cus_id』即為顧客的編號、『date』為日期、『搭售方式』為根據七月交易記錄所產生之搭售方式、『推薦策略』即為根據前半年交易記錄所產生個人搭售策略之推薦結果、最後『是否命中』即為判斷系統根據前半年交易記錄所產生的推薦結果，是否與七月份之搭售方式吻合。

最後，從七月份來店購買的顧客扣除新進顧客，共1140位顧客，在這一千多位顧客中，運用本研究方法分析其交易記錄並推薦適合的搭售策略給顧客，在推薦的策略中，並有770個搭售策略推薦命中顧客的交易記錄所隱含的策略，搭售策略推薦命中率為0.6754。

5. 總結與未來研究

本研究提出一個植基於消費者個人特徵與消費行為的PBRS系統，與先前大都以企業為主的搭售研究有區隔之外，運用目前普遍用來分析消費者需求的推薦系統來配合搭售策略，進而達成本研究所期望產生之個人化搭售策略與其產品組合之推薦。透過系統運作，從資料庫中將相似的顧客聚類，並透過資料探勘從交易資料庫中找出顧客購物喜好，再運用一連串產生搭售策略的步驟來產生個人化產品搭售組合推薦列表。

最後，本研究所提出之PBRS系統預期可用來協助企業來達到以下效益：

1.個人化搭售策略與個人化產品組合推薦：過去搭售研究大都以企業為出發點，本研究藉由分析個人與社群的消費習性，產生適合群體之個人化的產品組合推薦列表的搭售策略與適時之個人化產品組合推薦。

2.降低產品搜尋成本：從顧客的個人特徵與消費習性著手，分析相似顧客的購買行為，推薦顧客較偏好的商品，減少顧客在網路上的商品搜尋成本。

3.提昇顧客忠誠度：藉由個人化推薦來提高顧客的滿意程度，增加其忠誠度。

4.增加產品曝光率：本研究首先將協同過濾的概念來輔助搭售策略之運用，找出適合顧客搭售之商品，並藉由產品組合的方式來提高產品的曝光機率，提醒顧客可能沒注意到的商品並刺激顧客的購買欲望，使其購買意願增加。

5.有效解決顧客交易資料稀少問題：本研究所計算而得之偏好程度值乃藉由參考同群間的交易記錄得到顧客對產品的偏好程度，再參考顧客本身對該產品的偏好程度，故若顧客交易資料過少或是沒有買過某一項商品，亦可從相似顧客對產品的喜好程度來預測。

致謝

在此感謝朝陽科技大學專題研究計畫(計畫編號：CYUT92-M-009)之補助。

參考文獻

[1] 王郁華(2004)，行銷產品組合決策支援系統，輔仁大學訊管理學系碩士論文，台北。

[2] 朱文山(2003)，整合廣告郵件及網路為基行銷組合決策支援系統之研究，輔仁大學資訊管理學系碩士論文，台北。

[3] 吳肇銘、金志聿、林怡秀(2004)，協同過濾技術在商品推薦系統上之應用與成效評估，第十五屆國際資訊管理學術研討會，台北：福華國際文教會館(中原大學資訊管理系主辦)。

[4] 李雅萍(2004)，我國網際網路用戶數調查， http://www.find.org.tw/0105/howmany/howmany_disp.asp?id=86，經濟部技術處產業電子化指標與標準研究計畫/資策會ACI-FIND。

[5] 張寶樹(2003)，顧客關係管理系統導入效期與關鍵成功因素之研究，中原大學企業管理研究所碩士學位論文，桃園。

[6] 郭盛揚(2004)，以顧客交易特徵為基礎的顧客分群方法，朝陽科技大學資訊管理系碩士論文，台中。

[7] 陳致傑(2001)，廣告網站推薦及遴選模式之研究，朝陽科技大學資訊管理系研究所碩士論文，台中。

[8] 曾夢薇(2004)，數位產品廠商訂價模式及產品組合策略，雲林科技大學工業工程與管理系碩士論文，雲林。

[9] 葉怡成(2002)，類神經網路模式應用與實作，儒林圖書有限公司。

[10] 劉哲文(2004)，台灣寬頻網路使用，財團法人台灣網路資訊中心, http://www.twnic.net.tw/NEWS4/50.html。

[11] 鄭婉儀(2002)，應用資料挖掘於交叉銷售之研究，台北大學企業管理學系碩士論文，台北。

[12] 簡利曲(2001)，運用Data Mining之購物籃分析探討網路購物之最適產品組合，台北大學企業管理學系碩士論文，台北。

[13] Ansari, Asim, Essegaier, Skander and Kohli, Rajeev(2000), “Internet recommendation systems”, Journal of Marketing Research, Vol.37, No. 3, pp. 363-375.

[14] Changchien, S.-Wesley and TzuChuen Lu (2001), “Mining Association Rules Procedure to Support On-Line Recommendation by Customers and Products Fragmentation,” Expert Systems with Applications , Vol. 20, No. 4, pp. 325-335.

[15] Chen, Yongmin (1997), “Equilibrium Product Bundling,” The Journal of Business, Vol. 70, No. 1, pp.85-103.

[16] Cho, Yoon Ho and JaeKyeong Kim (2004), “Application of Web Usage Mining and Product Taxonomy to Collaborative Recommendations in E-Commerce,” Expert Systems with Applications , Vol. 26, No. 2, pp. 233-246.

[17] Cho, Yoon-Ho, JaeKyeong Kim, and SoungHie Kim (2002), “A Personalized Recommender System Based on Web Usage Mining and Decision Tree Induction,” Expert Systems with Applications , Vol. 23, No. 3, pp. 329-342.

[18] Feraud Raphael, Olivier J. Bernier, Jean-Emmanuel Viallet, and Michel Collobert (2001), "A Fast and Accurate Face Detector Based on Neural Networks", Pattern Analysis and Machine Intelligence, IEEE Transactions on, Vol. 23, No.1, pp. 42 -53.

[19] Goldberg, David, David Nichols, Brian M. Oki, and Douglas Terry (1992), “Using Collaborative Filtering to Weave an Information Tapestry,” Communications of the ACM , Vol. 35 , No.12, pp.61-70.

[20] Guiltinan, Joseph-P. (1987), “The Price Bundling of Services: A Normative Framework,” Journal of Marketing, Vol. 51, No. 2, pp.74-85.

[21] Han, Jiawei and Micheline Kamber (2001), “Data Mining Concepts and Techniques,” San Diego : Academic Pressm, Morgan Kaufmann Publishers.

[22] Ji, Junzhogn, Sha, Zhiqiang and Liu Chunnian(2003), “Online Recommendation Based on Customer Shopping Model in E-commerce,” IEEE/WIC International Conference on Web Intelligence, pp. 68-74.

[23] Peppard, Joe (2000), “Customer Relationship Management(CRM) in Financial Services,” European Management Journal, Vol.18, No.3, pp.312-327.

[24] Kalakota, R., Robinson, M., (2001), e-Business:Roadmap for Success, 2nd Ed Addison Wesly.

[25] Kim, Jae-Kyeong, YoonHo Cho, WooJu Kim, JeRan Kin and JiHae Suh (2002), “A Personalized Recommendation Procedure for Internet Shopping,” Electronic Commerce Research and Application, Vol. 1, No. 3-4, pp. 301-313.

[26] Konstan, J.-A., B. N. Miller, D. Maltz, J. L. Herlocker, L. R. Gordon, and J. Riedl (1997), “GroupLens: Applying Collaborative Filtering to Usenet News,” Communications of ACM, Vol. 40, No. 3, pp.77-87.

[27] Lee, C.-H., Y.H. Kim, and P.k. Rhee (2001), “Web Personalization Expert With Combining Collaborative Filtering and Association Rule Mining Technique,” Expert Systems with Applications, Vol. 21, No. 3, pp. 131-137.

[28] Lee, Dong-Seop, GyeYoung Kim and HyungIl Choi (2003), “A Web-Based Collaborative Filtering System,” Pattern Recognition, Vol. 36, No. 2, pp.519-526.

[29] Lee, Dong-Seop, GyeYoung Kim and HyungIl Choi (2004), “Inference of Recommendation Information on The Internet Using Improved FAM,” Future Generation Computer Systems, Vol. 20, No. 2, pp. 265-273.

[30] Lee, Raymond S.T. and Liu, James N.K.(2004), “iJADE Web-Miner: An Intelligent Agent Framework for Internet Shopping,” IEEE Transactions on Knowledge and Data Engineering, Vol. 16, No. 4, pp. 461-473.

[31] Lee, Wei-Po, ChinHung Liu, and ChengChe Lu (2002), “Intelligent Agent-Based Systems for Personalized Recommendations in Internet Commerce,” Expert Systems with Applications , Vol. 22, No. 4, pp. 275-284.

[32] Linden, G.., B. Smith, and J. York (2003), “Amazon.com Recommendations: Item-to-Item Collaborative Filtring,” Internet Computing, IEEE , Vol. 7, No. 1, pp.76-80.

[33] Meteren, Robin van and Someren, Maarten van (2000), “Using Content-Based Filtering for Recommendation,” Proceedings of ECML Workshop: Machine Learning in New Information Age, pp.47-56.

[34] Niu, Li, Yan Xiao Wei, Zhang, Cheng Qi and Zhang Shi Chao(2002), “Product Hierarchy-based Customer Profiles for Electronic Commerce Recommendation,” Proceedings of the First International Conference on Machine Learning and Cybernetics, pp. 1075-1080.

[35] Roh, Tae-Hyup, KyongJoo Oh and Ingoo Han (2003), “The Collaborative Filtering Recommendation Based on SOM Cluster-Indexing CBR,” Electronic Commerce Research and Application , Vol. 25, No. 3, pp.413-423.

[36] Sarwar, Badrul, George Karypis, Joseph Konstan, and John Riedl (2000), “Analysis of Recommendation Algorithms for E-Commerce,” Proceedings of the ACM E-Commerce 2000 Conference, pp.158-167.

[37] Schafer, J. Ben, Joseph Konstan, and John Riedl (1999), “Recommender System in E-Commerce,” Proceedings of the First ACM Conference on Electronic Commerce, pp.158-166.

[38] Senecal, Sylvain and Jacques Nantel (2004), “The Influence of Online Product Recommendations on Consumers’ Online choices,” Journal of Retailing, Val. 80, No. 2, pp.159-169.

[39] Wang, Feng-Hsu and HsiuMei Shao (2004), “Effective personalized recommendation based on time-Framed Navigation Clustering and Association Mining,” Expert Systems with Applications , Vol. 27, No. 3, pp. 365-377.

[40] Wang, Yi-Fan, YuLiang Chuang, MeiHua Hsu, and HuanChao Keh (2004), “A Personalized Recommender System for The Cosmetic Business,” Expert Systems with Applications , Vol. 26, No.3, pp. 427-434.

Product Bundling Recommendation Systems based on Consumer’s Behavior and Characteristic

Li-Hua Li

Fu-Ming Lee

Pao-Hsu Chen

Yu-Chun Chen

Department of Information Management, Chaoyang University of Technology

Due to the convenience of the Internet, people can search for whatever information they need and buy whatever they want on the web. In the age of e-commerce, it is important for firms to develop web-based marketing strategy. As for promotion strategy, product bundling is usually considered by firms as an effective weapon of increasing revenue. What kind of products should be included in a product bundling has been a critical issue under this promotion strategy. Most of the previous studies of product bundling discussed how firms can maximize their revenues by choosing appropriate products to form a product bundling list. Such a producer-oriented product bundling strategy may not be in accordance with the needs of consumers. Since firms’ revenues is rooted in how their products can satisfy consumer’s needs, customization or one-to-one marketing plays an important role in developing product bundling strategy.

Recommendation system (RS) is a platform that can be used to reduce the searching costs of consumers, increase the effectiveness of firms’ promotion strategies and enhance consumer’s loyalty. By analyzing consumer’s profile, RS can predict consumer’s purchasing behaviors and then make a purchasing recommendation for consumer. With these benefit, RS has great potential to improve the effectiveness and efficiency of firm’s product bundling strategy.

Because of RS’s good ability in analyzing consumer behaviors, our study proposes a web-based collaborative filtering mechanism for firm’s product bundling strategy. With the combination of neutral network and data mining, our RS technology can find the relatedness of consumer’s transaction records, classify consumers according to their attributes and then make recommendation to consumer. The purpose of our study is to build a RS mechanism which can develop consumer-oriented product bundling strategy, increase the degree of customization for a product bundling and then lower the firm’s inventory costs.

Key Words：Recommendation Systems, Data Mining, Neural Network, Product Bundling.

� EMBED Equation.3 ��

� EMBED Visio.Drawing.11 ��

編碼

探勘

交易資料數值型態

交易

記錄

(個人特徵屬性)

(聚類結果)










輸入網路

顧客資料庫

c

個人搭售策略

資料探勘模組

c





個人化搭售策略與推薦總表

Item與Item之關聯法則


交易資料庫

聚類

聚類

商品熱門程度


搭售策略與

產品組合模組

產品分析模組

類神經

網路

資料

探勘


使用者



協同過濾推薦機制

推薦

Top-N

推薦

列表


○ ○ …………... …○

○ ○ … …… ○

分群結果

交易資料庫(TDB)





c

18

TB

PB

c

P

Q

RS

jk

k

jk

jk

+

=

_1187712772.unknown

_1196694150.vsd
�

�

_1203863966.unknown

_1203933497.unknown

_1203934683.unknown

_1196694152.vsd
�

�

_1196694153.vsd
�

�

�

_1196694151.vsd
�

�

�

�

�

_1190154450.unknown

_1191280824.unknown

_1196694149.vsd
�

�

�

_1190127408.unknown

_1163358597.unknown

_1187703018.unknown

_1180182529.vsd
�

�

_1163356294.unknown

Documents

植基於消費者特徵與消費行為之個人搭售策略推薦系統 · Web viewKey Words：Recommendation Systems, Data Mining, Neural Network, Product Bundling. 18 編碼