English  |  正體中文  |  简体中文  |  Items with full text/Total items : 85800/114447 (75%)
Visitors : 22924598      Online Users : 446
RC Version 6.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
Scope Tips:
  • please add "double quotation mark" for query phrases to get precise results
  • please goto advance search for comprehansive author search
  • Adv. Search
    HomeLoginUploadHelpAboutAdminister Goto mobile version
    Please use this identifier to cite or link to this item: http://nccur.lib.nccu.edu.tw/handle/140.119/122262


    Title: 人工智慧在電子商務的應用
    The application of artificial intelligence in e-commerce
    Authors: 莊俊辰
    Chuang, Chun-Chen
    Contributors: 謝明華
    Hsieh, Ming-Hua
    莊俊辰
    Chuang, Chun-Chen
    Keywords: 人工智能
    電子商務
    大數據
    機器學習
    決策樹分析模型
    零售業
    深度學習
    監督式學習
    非監督式學習
    聚類分析模型
    AI
    Big data
    E-commerce
    Machine leaning
    Python
    Scikit-Learn
    Date: 2019
    Issue Date: 2019-02-12 15:42:44 (UTC+8)
    Abstract: 近年來,科技的快速使得人工智慧技術快速竄起,各種數據挖掘技術在整
    個在線零售領域皆得到廣泛採用,並結合了一系列關於客戶可用性和價值的知
    名業務指標,例如顧客購買鄰近度(Recency),頻率(Frequency)和貨幣
    (Amount)之 RFM 模型,以及客戶生命價值模型等,對於英國和國際上的許
    多在線零售商,尤其包含電商龍頭亞馬遜(Amazon)、沃爾瑪(Walmart)、
    樂購(Tesco)等領先之電子商務公司,數據挖掘已成為一種普遍之方法,透過
    創建以客戶為中心的商業智能和支持以客戶為中心的營銷的業務流程的組成部
    分亦發展成熟,數據挖掘技術獲得市場競爭優勢的重要工具。
    本文透過 UCI 資料庫中,在英國在線零售之消費數據資料,應用 RFM 模
    型的架構,並使用 K-means 聚類模型將顧客做分群,其中,每一群體皆具有其
    劃分之價值與意義,可清楚識別每個族群市場中的消費者特徵,進一步進行數
    據分析已提供企業以客戶為中心的行銷策略,更顯示現代在線零售業和數據挖
    掘技術分析,所帶來的數據訊息其重要性日益增加,運用 Python 之開源軟體
    Scikit-Learn 之聚類分析模型 K-Means 進行數據分析,為未知客戶資料進行分
    類,此外,透過聚類分群結果將資料分群並貼上標籤,再使用機器學習之監督
    式學習模型--決策樹分析演算法建構分類模型,將已貼標籤之資料分割為訓練
    模型以及測試模型以進行建構、分析模型之配適度。
    根據本文實證分析結果發現,由於聚類分析之分群結果每一群體之資料個
    數差異較大,對企業較有利之客戶(類別 2)於 8,082 個客戶中僅包含 26 個客
    戶,因此建構決策樹模型精確度較低,整體精確度約為 74%,其中,類別 2 之
    客戶皆無正確被分類,由結果可說明蒐集資料好壞之重要性,因此,資料蒐集
    量增加、數據前處理以及使用多種模型進行配適度分析,皆可改善其結果。
    關鍵詞:機器學習、深度學習、監督式學習、非監督式學習、聚類分析模型、
    決策樹分析模型、Python、Scikit-Learn、電子商務、零售業
    Reference: Adobe. (2018). Digital Intelligence Briefing. 43.
    Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and
    Regression Trees. Monterey, CA: Wadsworth. Wadsworth
    Statistics/Probability Series: Wadsworth Advanced Books and Software,
    Belmont, CA.
    Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20
    (3), 273-297.
    Deloitte. (2018). 2018 零售力量與趨勢展望. 1-49.
    IBM. (2018). Shifting toward Enterprise-grade AI.
    Provost, F., & Fawcett, T. (2013). Data Science for Business: What you need to
    know about data mining and data-analytic thinking: " O'Reilly Media, Inc.".
    PwC. (2017). 2017 年全零售報告 Total Retail 2017. 1-25.
    .
    Website
    1. Scikit-Learn Retrieved from http://scikit-learn.org/stable/index.html
    2. TensorFlow Retrieved from https://www.tensorflow.org/tutorials/
    3. Louis Columbus(2017/10). 80% of Enterprises Are Investing In AI Today.
    Retrieved from https://www.forbes.com/sites/louiscolumbus/#1bf1a39e09ef
    4. IDC(2018). 2018 年台灣 ICT 市場十大趨勢預測
    Retrieved from www.idc.com/itexecutive
    5. UCI Retrieved from https://archive.ics.uci.edu/ml/index.php
    Description: 碩士
    國立政治大學
    經營管理碩士學程(EMBA)
    105932011
    Source URI: http://thesis.lib.nccu.edu.tw/record/#G0105932011
    Data Type: thesis
    DOI: 10.6814/THE.NCCU.EMBA.031.2019.F08
    Appears in Collections:[經營管理碩士學程EMBA] 學位論文

    Files in This Item:

    File SizeFormat
    201101.pdf1284KbAdobe PDF111View/Open


    All items in 政大典藏 are protected by copyright, with all rights reserved.


    社群 sharing

    著作權政策宣告
    1.本網站之數位內容為國立政治大學所收錄之機構典藏,無償提供學術研究與公眾教育等公益性使用,惟仍請適度,合理使用本網站之內容,以尊重著作權人之權益。商業上之利用,則請先取得著作權人之授權。
    2.本網站之製作,已盡力防止侵害著作權人之權益,如仍發現本網站之數位內容有侵害著作權人權益情事者,請權利人通知本網站維護人員(nccur@nccu.edu.tw),維護人員將立即採取移除該數位著作等補救措施。
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - Feedback