以顧客終身價值觀點探討網路團購公司顧客消費型態...

．1 楊雅棠，黃靖紋，楊豐松，吳能惠

－以顧客終身價值觀點探討網路團購公司顧客消費型態-A公司個案研究

以顧客終身價值觀點

探討網路團購公司顧客消費型態

-A公司個案研究

楊雅棠1，黃靖紋 2，楊豐松 3，吳能惠 4

摘要隨著數位化資訊時代的來臨，2010 年臺灣電子商務興起一股網路

團購熱潮，業者運用低價折扣優惠，結合 O2O 的營運模式，吸引許多

消費者喜愛，但如何在競爭激烈的市場中占有一席之地，正是業者們

正在尋找的答案。因此，本研究利用顧客終身價值技術，探討個案網

路團購公司的消費者特徵及消費行為，提供適當的行銷策略，吸引消

費者購買，進而提升市場占有率。

本研究蒐集個案公司 12 個月內的消費者交易資料為研究資料

庫，並運用 RFM 模型計算出每位消費者的顧客終身價值，再根據消

費者特徵進行兩階段式分群及 Apriori 關聯規則分析，瞭解消費者偏愛

的商品及商品組合，提供個案公司一對一行銷策略建議。

關鍵詞：網路團購；顧客終身價值；資料探勘

致理技術學院企業管理系、助理教授 1 致理技術學院企業管理系、服務業經營管理碩士 2 真理大學資訊管理系、助理教授 3 國立空中大學商學系、助理教授 4

商學學報，第 23 期．1 中華民國104年(西元2015年) 第1-34頁

．2

商學學報，第 23 期，民國 104 年

The Study of Consumption Patterns in

Group-Buying Industry with the Perspective

on Customer Lifetime Value Model

Ya-Tang Yang1，Ching-Wen Huang2，

Feng-Sueng Yang3，Neng-Hui Wu4

Abstract With the prevalence of the internet and the coming of the

digital-information era, many industries have begun to enlarge the market

of electric-commerce. In the 2010, the behavior of group-buying has

flourished among e-commences in Taiwan. People in the business

utilizing low-priced discounts combining with the operations in O2O

mode attract lots of consumers’ favors. On the other hand, how to take

advantage of the intense competing e-commerce markets becomes the

most important answer people have been searching for. With the research

of consumers’ characteristics and consumption behaviors of internet

group-buying companies by individual case using the technology of

customers’ lifetime value, the dissertation providers suitable strategies of

marketing for attracting more consumption and improving revenue and

share-of-market further.

Keywords: Group-buying; Customer lifetime value; Data mining



壹、緒論

一、研究背景與動機

隨著網際網路的盛行、數位化資訊時代的來臨，許多企業開始發

展電子商務市場，營業型態的改變也帶動了新行銷策略的產生。以往

的行銷策略多為大眾行銷，意旨僅提供一種行銷活動，就希望擄獲所

有消費者的心，其實此行為不但無法真正提供消費者所需要的商品，

也無法提升每位顧客對企業的終身價值。此外，企業的行銷費用也有

限，應將資源投注在最有價值的顧客身上，而非漫無目的的揮霍，最

後只會適得其反。而最理想的行銷方式應是針對每一位消費者的異質

性給予客製化的行銷活動，也就是一對一行銷的概念，唯有將資源做

最有效的利用，減少不必要的支出，才能為公司賺取更多的利潤。

個案公司成立至今，雖為網際網路公司，擁有龐大的資料庫，但

行銷方式仍是以目標導向的方式進行行銷活動，若公司能運用龐大資

料庫的優勢，瞭解消費者的購物行為，提高行銷準確性、減少行銷費

用，必能為公司帶來更多利潤。

二、研究目的

根據前述研究背景與動機所述，本研究欲達成之目的為：

(一) 運用 RFM 模型，探討個案公司的顧客終身價值。

(二) 運用資料探勘技術的群集分析，探討消費者之群集化。

(三) 運用資料探勘技術的關聯規則，探討各群集消費者之消費型態。

(四) 根據分析結果，對網路團購之個案公司提出行銷策略建議。

．4


貳、文獻探討

一、網路團購產業

2008 年 11 月美國芝加哥團購網 GROUPON 成立，為全球帶來一

股網路團購熱潮，想當而然臺灣也不例外。A 公司於 2010 年成立臺灣

第一家網路團購，除了包含原有的 B2B（Business To Business，企業

對企業的電子商業模式）和 B2C（Business To Customer，企業對消費

者的電子商業模式）外，也開起 O2O（Online To Offline，離線商業模

式）的序幕。O2O 為「線上對應線下實體」的意思，也就是消費者是

在網路上付費，至實體店面享受服務或取得商品。

網路團購的營運流程為團購網業者擔任揪團團主的角色，先與商

家談好優惠內容、數量及價格，再於網際網路上以限時限量的方式開

團邀請網友們一起購買，如欲購買的數量到達門檻，則開團成立，也

就是網友們（跟團者）可以用比線下更便宜的價格購買到商品或至實

體店面享受其服務。

2012 年初，雖網路團購市場幾乎由前三大業者占領，但彼此仍希

望能繼續攀升排名及占有率，故紛紛發展出不同的行銷策略。

GROUPON 臺灣努力鞏固餐廳票券市場，GOMAJI 全力開發旅遊與宅

配市場，A 公司則於 3 月開發高單價專區，吸引不同的消費族群。根

據 GoodLife 半價團購情報於 2012 年 6 月的統計顯示，前三大網路團

購網已占 90%以上的團購市場，且月營業額已高達 3 億 4,605 萬元。

亦可發現，於 6 月時 GOMAJI 營業額達到 1 億 4,500 萬元，超越

GROUPON 臺灣，躍身成為臺灣網路團購之龍頭地位(GoodLife 好生

活，2012)。



二、顧客終身價值

企業為永續發展，從商品銷售到顧客關係管理延伸至關係行銷，

其目的都是希望公司賺取更多利潤。Kotler（1996）認為關係行銷的

重心要放在如何和最有價值的顧客建立長期並為公司帶來利潤的關

係，意旨顧客終身價值（Customer Lifetime Value, CLV）對於公司來

說，是決定可否永續發展的關鍵，並定義顧客終身價值為，某一顧客

於有生之年能持續地向公司購買商品，而該公司能獲得利潤的現值

(Kotler, 1996)。

根據美國資料庫行銷研究所 Hughes（1994）的研究顧客資料庫

中，發現最近購買日（Recency）、購買頻率（Frequency）和購買金

額（Monetary）是主要分析消費者終身價值的要素，因而建立 RFM 模

型(Hughes, 1994)。

(一) 最近購買日：期間內顧客最近一次購買至分析時點的天數。天數

越短，表示再次購買的機會較高。

(二) 購買頻率：期間內購買該企業商品的次數。頻率越高，表示與企

業互動越頻繁。

(三) 購買金額：期間內顧客購買該企業商品的總金額。金額越高之顧

客，代表其對企業的營收貢獻越高。

近年來，在許多藉以瞭解顧客相關資訊的方法中，以 RFM 模型

資料分析技術是最為被廣泛運用，且 Kahan（1998）認為 RFM 模型是

非常有用的行為分析工具，不但簡單而且具成本效益，更能提供企業

每位客戶的交易資訊(Kahan, 1998)。RFM 模型的資訊在企業的顧客交

易資料庫中萃取容易，具便利性、主動性、有效更新性，加上 RFM

模型邏輯簡單易懂，行銷人員不需專屬軟體即可進行分析，且可以因

業別的不同與需要自訂 R、F、M 的各自加權，因此普遍為各行業所

．6


應用。由於 RFM 模型強調以客戶過去的消費歷史來區分客戶，能幫

助企業依分析結果擬出顧客關係策略，所以 RFM 模型也常被業界用

來評量顧客忠誠度、顧客貢獻度及衡量顧客價值和顧客獲利能力等

(Hughes, 1994)。

Hughes（1994）認為 RFM 模型中的三個指標的重要性相同，每

位客戶的 R、F、M 屬性沒有給予不同的權重，均分為五等分，總可

分群為 125 群，各群由最高的 5、5、5（15 分）至最低的 1、1、1（3

分），藉此判斷該客戶對企業之價值，以採取不同的行銷策略，利於

增進獲利及降低成本(Hughes, 1994)。

三、資料探勘

資料探勘（Data Mining）的目的是從大量資料中，利用統計分析

與統計模型將隱藏的資訊挖掘出來，以找到資料中有用的特徵

（Patterns）以及關連性（Relationships）。根據 Fayyad（1996）對資

料探勘的定義為，資料探勘是將一個確定有效、從未被發現過及可能

有用的資料，並且能被容易瞭解其模式的掘取過程 (U. M. Fayyad,

Gregory, P.-S. & Smyth, P., 1996)。Kleissner（1998）指出資料探勘是

一種新的且不斷循環的決策分析過程，它能夠從組合在一起的資料

中，發現有價值的知識，提供給企業專業人員參考(Kleissner, 1998)。

丁一賢與陳牧言（2005）認為資料探勘就是針對大量的資料進行處理，

以發掘存在於資料中的知識(丁一賢、陳牧言, 2005)。此外，資料探勘

也是一種資料庫知識發掘過程（Knowledge Discovery in Database,

KDD ）中的一個步驟，而所謂的資料庫知識發掘是一個非細瑣

（Nontrivial）的流程，其目的是在資料中確認出有效益、新奇、潛在

有用以及瞭解資料的樣式(U. M. Fayyad, Gregory, P.-S. & Smyth, P.,

1996; Fayyad, 1997)。



Berry 與 Linoff（1997）將資料探勘依照主要功能分為以下六類

(Berry, 1997)：

(一) 分類（Classification）：依照分析對象的屬性分門別類加以定義，

建立分類（Class），目的是為建立一個模型，將尚未分類的資料

加以分類，納入各類別中。

(二) 推估（Estimation）：根據既有連續性數值之相關屬性資料，以獲

知某一屬性未知之值。

(三) 預測（Prediction）：根據對象屬性的過去觀察值來推估該屬性未

來之值。

(四) 關聯規則或同質分組（Association Rule or Affinity Grouping）：

從所有物件中決定哪些相關物件應該放在一起，最常被應用在零

售連鎖店的購物籃分析（Market-Basket Analysis）。代表性的演

算法有 Apriori、Aprioritid。

(五) 群集化（Clustering）：將異質母體中區隔為較具同質性之群組

（Cluster），目的是要將組與組之間的差異辨識出來，並對個別

組內相異樣本進行挑選，同質分組相當於行銷術語中的區隔化

（Segmentation）。使用的技巧包括 K-means 及 Agglomeration。

(六) 描述及視覺化（Description and Visualization）：資料探勘是透過

演算法來找出潛在的規則，目的只是單純以讓人容易瞭解的方式

來描述一個複雜的資料意涵，而人類的描述或以一張適當的圖

表，將會比關聯規則來的有價值。

前三項屬於監督式資料探勘（Directed Data Mining），主要是利

用現有資料建立模型，藉此描述某一特定變數；後三項是屬於非監督

式資料探勘（Undirected Data Mining），沒有針對特定的目標變數，

而是從所有變數中去發現是否存在某些關係。

．8


四、群集分析

群集分析是一種傳統的多變量統計分類法，其主要是探討如何將

資料或物件加以分群（Cluster）或是分類（Classify），主要目的是將

相似性與相異性的資料作分群歸類，使同群集的資料具有高度的同質

性，而不同群集則具有高度的異質性，而此資料或物件的表現方法最

常用的是一組特徵向量。

本研究採用兩階段式分群法，兩階段是分群法最初是由 Punj 與

Stewart（1983）所提出，第一階段以階層式分群法中的最小變異數法

做分群，決定群聚的數目與群心，第二階段再以非階層式分群法的

K-means 進行分群。此方法修正階層式分群法中，一旦形成就無法將

群中不適當的觀察值重新分群的缺點，同時也克服 K-means 分群法需

事先決定群數及適當初始點的問題，為目前最常見的方法 (Punj,

1983)。

五、關聯規則

關聯規則最早由 Agrawal 與 Srikant（1993）提出，主要是用來尋

找資料庫中項目之間的關聯性，而 Brin、Motwain、Ullman 與 Tsur

（1993）則指出關聯規則最初是被用於分析市場購物籃（Market Basket

Data）資料的研究，藉由分析顧客之購買行為，找出商品間彼此的關

聯性，以提供給決策者作為商品擺設、進貨、備貨的參考，有助於提

升商品競爭力，以增進商品周轉率提升利潤 (Agrawal, 1994; Brin,

1997)。關聯規則中有兩個重要的參數，分別是支持度（Support）與

信賴度（Confidence），這兩個參數是用來評估所找出的關聯法則是

否能滿足使用者的期望。

Apriori 演算法為挖掘高頻項目組（Frequent Itemsets）的布林值關



聯規則中最具代表之演算法，其後許多關聯規則之演算法大都以

Apriori 為基礎加以延伸改進（陳盈潔，2013），故本研究將利用 Apriori

演算法作為關聯規則的分析方法，以瞭解其群集間潛在、隱藏之關聯

規則，作為最後行銷策略之參考依據。

．10


叁、研究方法

一、研究架構與流程

本研究將利用消費者交易資料計算出顧客終身價值，並利用資料

探勘技術將消費者分群，瞭解其關聯性，以提供企業行銷策略之建議，

因此本研究將利用以下架構（圖 1）以達到提供「行銷策略建議」之

目的。

圖 1 研究架構



二、資料預處理

因應研究需要，本研究依照個案公司之近一年（2012 年 6 月 30

日至 2013 年 7 月 1 日）資料庫資料進行篩選，且排除消費金額為 0

的所有消費者交易資料，經統整後如表 1 所示。

表 1 資料庫內容說明

資料類型資料內容資料筆數

消費者交易資料樣本編號、訂單編號、交易日期、交易

金額、商品編號 1,502,571

（完整）樣本編號、性別、年齡、區域 64,323 消費者基本資料

（不完整） 359,213

商品資料商品編號、商家編號、商品館別、商品

售價、商品類型、商品類別 14,546

由於資料庫所呈現的資料可能無法符合資料探勘分析之需要，故

此階段先將資料轉換為衍生變數（表 2）及變數值（表 3），以利之後

分析使用。

．12


表 2 衍生變數處理

資料類型原變數衍生變數處理過程

訂單編號購買頻率將訂單編號轉為次數

交易日期最近購買日交易日期與研究計算日期的差

距轉換成數值消費者

交易資料交易金額購買金額單筆交易金額加總

性別性別代號將性別轉換為性別代號

生日年齡研究年份減會員生日年份

年齡年齡層將年齡的比率尺度轉換成順序

尺度

消費者基本資料

區域區域代號將縣市轉換為區域代號

商品館別館別代號將商品館別轉換為館別代號

商品類型類型代號將商品類型轉換為類型代號商品類型

商品類別類別代號將商品類別轉換為類別代號

表 3 變數屬性

資料類型變數變數值衡量尺度變數屬性

購買頻率標準化加權值比率尺度量化變數

最近購買日標準化加權值比率尺度量化變數消費者

交易資料購買金額標準化加權值比率尺度量化變數

會員編號代號值名目尺度質化變數

性別代號 1=男性；2=女性名目尺度質化變數

年齡層代號

1=19 歲以下； 2=20 至 29 歲； 3=30 至 39 歲； 4=40 至 49 歲； 5=50 至 59 歲； 6=60 歲以上

順序尺度質化變數消費者

基本資料

區域代號 1=臺北市；名目尺度質化變數



資料類型變數變數值衡量尺度變數屬性 2=新北基； 3=桃竹苗； 4=中彰投； 5=雲嘉南； 6=高屏； 7=宜花東； 8=外島

商品編號代號值名目尺度質化變數

館別代號

1=到店服務； 2=到店取貨； 3=女性服務； 4=旅遊服務； 5=宅配商品； 6=公益商品

名目尺度質化變數

類型代號 1=憑證；2=宅配名目尺度質化變數

類別代號

1=餐廳吃到飽 2=餐廳非吃到飽 3=飲料冰品 4=美體美顏 5=居家用品 6=旅遊住宿 7=其他宅配 8=流行商品 9=美妝保養 10=宅配食品 11=電子商品 12=課程體驗

名目尺度質化變數

商品資料

商家代號代號值名目尺度質化變數

．14


三、顧客終身價值操作型定義與衡量

本研究顧客終身價值採用 Hughes（1994）所提出之 RFM 模型計

算，將 R、F、M 三項指標區分成五等分，每等分則給予不同的分數。

表 4 為 RFM 模型之積分計算方式。

表 4 Hughes 之積分計算分法

五等分轉換 Recency Frequency Monetary 1 分剩餘 20% 剩餘 20% 剩餘 20%

2 分天數最短

前 60%~80% 消費次數最多前 60%~80%

消費金額最多前 60%~80%

3 分天數最短

前 40%~60% 消費次數最多前 40%~60%


4 分天數最短

前 20%~40% 消費次數最多前 20%~40%


5 分天數最短前 20%

消費次數最多前 20%

消費金額最多前 20%

資料來源：本研究整理

四、分析方法

本研究將利用 SQL Server 2008 完成前置處理，之後利用 IBM

SPSS Statistics 21 計算出顧客終身價值及群集分析，最後利用 IBM

SPSS Modeler 14.1 將資料做關聯規則分析，以利最後行銷決策之判斷。

(一) 群集分析

本研究採用兩階段式分群法，第一階段使用最小變異數法，以決

定群組個數，第二階段再運用 K-means 分群法進行群集分析。K-means

分群法可將顧客群集分為指定的群數，而且比較不容易受到不適當之

屬性（構面）、異常點與不同的相似度（距離）的影響(梁維萍, 2007)。



K-means 分群分析流程，詳如圖 2。

圖 2 K-means 分群分析流程

(二) 關聯規則

本研究採用 Apriori 演算法進行關聯規則分析，Apriori 演算法是

由 Agrawal et al.（1994）所提出，為資料探勘中最普遍用來探勘關聯

法則的演算法(Agrawal, 1994)。Apriori 演算法藉由大筆資料庫的挖角

來發掘出明確的、有用的或未知等關係與特徵，以幫助解釋或預測結

果，目的是找出交易中可能有相關聯的產品項目 (林宜屏，2011)。

Agrawal et al. (1994)對於 Apriori 的基本定義如下：

K-means 分群分析

設定 C 個群集數

隨機選取 C 個初始群集中心

分派所有資料與最近的群集中心

重新計算新的群集中心

K-means 分群分析完成

各群集間的資料是否有被重複分派

否

是

．16


1. ，為所有項目所形成的集合。

2. ，D 為交易資料庫，為 D 的一筆交易紀錄。

3. 關聯規則 X→Y，X、Y 為項目集，且，表示為若購買 X

的同時也可能會購買 Y。

4. 支持度（Support）=X 出現在資料庫 D 中的次數/資料庫 D 的總

筆，表示為資料庫中同時出現 X 和 Y 的交易紀錄之比例。

5. 信賴度（Confidence）=X 和 Y 同時出現在資料庫 D 中的次數/X

出現在資料庫 D 中的總筆，表示信賴度在 X 出現的條件下，Y

也會出現的比例。

6. 必須符合以下兩點，去除不顯著的資料項：

(1) 支持度最小支持度。 (2) 信賴度最小信賴度。

在 Apriori 演算法其步驟，首先須制訂最小支持度及最小信賴度的

門檻值來過濾規則，接著進行資料庫掃描，根據最小支持度找出高頻

的單項目集（Frequent Itemsets），並利用高頻單項目集結合產生候選

2 項目集（Candidate2-Itemset），重複掃描資料，直到不再出現新的

候選項目集為止。



肆、資料分析與結果

一、樣本結構分析

(一) 消費者資料分析

本研究針對個案公司消費者樣本資料進行敘述性統計分析，結果

顯示消費者性別集中為女性（ 65.3%），年齡層集中於 30~39 歲

（40.1%），居住區域以臺北市地區（22.7%）居多，其次為新北基

（21.4%）及桃竹苗（18.2%），詳細消費者基本資料如表 5。

表 5 消費者基本資料之敘述性統計

變數項目個數占比(%) 排除遺漏值占比(%) 性別

1 2

男女

未知

50,20894,639

278,689

11.922.365.8

34.7 65.3

- 年齡層

1 2 3 4 5 6

19 歲以下 20~29 歲 30~39 歲 40~49 歲 50~59 歲 60 歲以上

未知

9,12212,29825,89110,025

2,4024,800

358,998

2.22.96.12.40.61.1

84.8

14.1 19.1 40.1 15.5

3.7 7.4

- 區域

1 2 3

臺北市新北基桃竹苗

96,29690,58077,255

22.721.418.2

22.7 21.4 18.2

．18


變數項目個數占比(%) 排除遺漏值占比(%) 4 5 6 7 8

中彰投雲嘉南高屏

宜花東外島

67,59736,55645,685

7,6261,941

16.08.6

10.81.80.5

16.0 8.6

10.8 1.8 0.5

總計 423,536 100.0 100.0

(二) 商品資料分析

本研究將個案公司商品館別與消費者交易資料進行敘述性統計

（表 6）。以消費筆數觀察，到店服務消費筆數最高（51.9%），其次

為宅配商品（24.5%）及女性服務（15.0%）；以消費金額觀察，到店

服務最高（44.4%），其次宅配商品（26.4%），女性服務與旅遊服務

同為 12.2%。

到店服務消費筆數雖占總消費筆數 51.9%，但因到店服務的消費

金額較低，故到店服務消費金額占總消費金額比率降至 44.4%；反觀

旅遊服務消費筆數僅占總消費筆數 3.9%，但旅遊服務為高單價商品，

故消費金額占比提升至 12.2%。

表 6 商品館別與消費者交易資料之敘述性統計單位：新台幣元

項目分類消費筆數占比(%) 消費金額占比(%)

到店服務 780,049 51.9 $442,334,960 44.4 到店取貨 67,989 4.5 $47,455,056 4.8

女性服務 225,051 15.0 $121,524,399 12.2 旅遊服務 58,311 3.9 $121,086,277 12.2 宅配商品 368,705 24.5 $262,997,801 26.4

商品館別

公益商品 2,466 0.2 $746,050 0.1

總計 1,502,571 100.0 $996,144,543 100.0



商品類型與消費者交易資料進行敘述統計結果如表 7，商品類型

分為憑證與宅配，憑證類消費筆數與消費金額均占總比分別為 56.6%

與 56.3%，宅配類消費筆數與消費金額為 43.4%與 43.7%，憑證類與宅

配類在消費筆數與消費金額占比無明顯變動。

表 7 商品類型與消費者交易資料之敘述性統計單位：新台幣元


憑證 850,838 56.6 $561,025,841 56.3 商品類型

宅配 651,733 43.4 $435,118,702 43.7

總計 1,502,571 100.0 $996,144,543 100.0

商品類別與消費者交易資料之敘述統計分析結果如表 8，商品類

別分為 14 類。以消費筆數觀察，餐廳非吃到飽（27.4%）最高，其次

為宅配食品（19.9%）及居家用品（15.0%）。以消費金額觀察，以餐

廳非吃到飽（21.3%）最高，其次為宅配食品（17.2%）及居家用品

（13.9%）。

由以上結果可得知，消費筆數與消費金額於商品類別分類中，排

名上無太大差異，但百分比有些微的增減變動。旅遊住宿消費筆數占

比 5.0%，消費金額占比提升至 12.2%，主要為旅遊住宿屬於高單價商

品，故所有分類增加幅度最高（7.2%）。另外，宅配食品於消費筆數

與消費金額均排名第二，但此分類單價較低，雖消費筆數占比 19.9%，

消費金額占比卻降至 17.2%，所有中分類跌幅最多（2.7%）。

．20


表 8 商品類別與消費者交易資料之敘述性統計單位：新台幣元


餐廳吃到飽 98,964 6.6 $120,684,049 12.1 餐廳非吃到飽 412,222 27.4 $212,329,258 21.3

飲料冰品 57,714 3.8 $22,520,299 2.3 美體美顏 57,917 3.9 $47,542,778 4.8 居家用品 225,734 15.0 $138,239,676 13.9 旅遊住宿 75,125 5.0 $121,135,653 12.2

其他宅配 42,257 2.8 $29,685,639 3.0 流行商品 137,166 9.1 $62,618,278 6.3 美妝保養 34,840 2.3 $19,581,631 2.0 宅配食品 299,399 19.9 $170,922,121 17.2 電子商品 55,743 3.7 $47,014,873 4.7

商品類別

課程體驗 5,490 0.4 $3,870,288 0.4

總計 1,502,571 100.0 $996,144,543 100.0

二、顧客終身價值之群集分析

本研究先依消費者訂單資料及消費者基本資料中交易日期、訂單

數及交易金額計算出顧客終身價值，分別購買頻率（R）、最近購買

日（F）及購買金額（M）三變數。接著將此三個變數運用 IBM SPSS

Statistics 21 之兩階段式分群法進行群集分析，第一階段使用階層分群

法中最小變異數法決定群組個數，第二階段運用非階層分群法中

K-means 分群法進行群集分析。

分群完成後，依各群集消費行為予以命名，並針對各群集人口統

計資料與各類別進行統計檢定。



(一) 顧客終身價值兩階段分群分析

將顧客終身價值-購買頻率（R）、最近購買日（F）及購買金額

（M）進行兩階段式分群法分析，分群結果得到最小變異數分析建議

分群為 4，接著再將三個變數設定群集數為 4，執行 K-means 分群。

分群後顯示集群品質良（0.4），各群集最後群集中心點的距離如表 9，

第 1 群與第 2 群間距離最近，相差 2.682，第 2 群與第 4 群間距離最

遠，相差 3.084。

表 9 最後集群中心點間的距離

集群第 1 群第 2 群第 3 群第 4 群

第 1 群 - 2.682 2.947 2.857

第 2 群 2.682 - 2.985 3.084

第 3 群 2.947 2.985 - 2.846

第 4 群 2.857 3.084 2.846 -

(二) 顧客終身價值 K-means 分群分析

根據顧客終身價值進行 K-means 分群結果，整理出各群集消費者

消費行為如表 10。

．22


表 10 K-means 群集消費者消費行為單位：新台幣元

人數平均購買金額群集

個數占比

(%) 金額

占比

(%)

平均最近

購買日

平均購買頻率

命名

第 1 群

123,523 29.2 $5,103.72 59.2 77.36 6.04 高價值顧客群

第 2 群

102,586 24.2 $2,277.74 26.4 106.29 5.28 忠實

顧客群

第 3 群

77,026 18.2 $386.98 4.5 88.19 1.23 潛力

顧客群

第 4 群

120,401 28.4 $849.21 9.9 235.09 1.00 流失

顧客群

總計 423,536 100.0 - 100.0 - -

第 1 群消費者，人數占比 29.2%，平均每人購買金額 5,103.72 元，

貢獻購買金額超過總營業額的一半，定義此消費群為「高價值顧客

群」。

第 2 群消費者，人數占比 24.2%，平均每人購買金額 2,277.74 元，

共貢獻 26.4%的購買金額；平均最近購買天數 106.29 天。平均購買頻

率 5.28 次，僅次於高價值顧客群消費者，定義此消費群為「忠實顧客」。

第 3 群消費者，人數占比 18.2%，平均每人購買金額僅有 386.98

元，但平均最近購買日 88.19 天、平均購買頻率 1.23 次，此群消費者

可能為近期加入且有購買意願者，故定義此消費群為「潛力顧客群」。

第 4 群消費者，人數占比 28.4%，平均每人購買金額 849 元，平



均最近購買日 235.09 天，且平均購買頻率 1 次，此群消費者已有流失

的危機，定義此消費群為「流失顧客群」

三、顧客終身價值之關聯規則分析

本研究將各消費群組選擇出最適最小規則支援與最小規則信心

度，並進行關聯規則分析。由表 11 可知，忠實顧客群最小規則支援為

5.0，最小規則信心度為 50.0 時，最高例項已超過總分群數一半

（ 56,330/102,586=54.9%），即消費者購買前項產品占全部產品之

54.9%，且更高最小規則支援與最小規則信心度之最高例項未超過總

分群數一半（49,854/102,586=48.6%），故本研究將以此規則做為忠實

顧客群關聯規則之設定。

高價值顧客群最小規則支援為 5.0，最小規則信心度為 50.0 時，

例項已接近總分群數一半（56,378/123,523=45.6%），因此以此規則為

高價值顧客群關聯規則之設定值，並將分析結果列示於表 12 及 13。

潛力顧客群關聯規則中，最小規則支援與最小規則信心度均較

低，故取最小規則支援為 1.0，最小規則信心度為 10.0 做為設定值。

流失顧客群於關聯規則中無法找出其規則，故無法進行關聯規則分析。

表 11 各群集 Apriori 規則篩選（商品類別分類）

最小規則支援 5.0 4.0 4.0 1.0 1.0 1.0 1.0 最小規則信心度 50.0 60.0 50.0 25.0 20.0 15.0 10.0

最高例項 56,378 32,150 56,378 56,378 56,378 56,378 56,378 高價值顧客群個數 99 97 157 2,812 3,001 3,081 3,109

最高例項 56,330 19,119 56,330 56,330 56,330 56,330 56,330 忠實顧客群個數 61 36 84 874 1,260 1,553 1,679

最高例項 - - - 2,797 2,797 2,797 9,483 潛力顧客群個數 0 0 0 1 4 7 22

最高例項 - - - - - - - 流失顧客群個數 0 0 0 0 0 0 0

．24


表 12 高價值顧客群關聯規則分析（商品類別分類-依支援度排序）

序

號前項例項

支援

度

(%)

序

號前項例項

支援

度

(%) 1 宅配食品 56,378 45.6 13 美體美顏 18,095 14.6

2 餐廳非吃到飽 55,540 45.0 14餐廳吃到飽、宅配

食品 16,168 13.1

3 居家用品 51,932 42.0 15流行商品、餐廳非

吃到飽 15,430 12.5

4 餐廳吃到飽 34,277 27.7 16居家用品、餐廳非

吃到飽、宅配食品

14,835 12.0

5 流行商品 32,150 26.0 17 其他宅配 14,753 11.9

6 餐廳非吃到飽、宅

配食品 28,800 23.3 18 飲料冰品 14,158 11.5

7 居家用品、宅配食

品 27,414 22.2 19

旅遊住宿、餐廳非

吃到飽 14,088 11.4

8 居家用品、餐廳非

吃到飽 22,366 18.1 20

流行商品、居家用

品、宅配食品 12,970 10.5

9 流行商品、居家用

品 20,193 16.3 21

旅遊住宿、宅配食

品 12,513 10.1

10 餐廳吃到飽、餐廳

非吃到飽 20,139 16.3 22

餐廳吃到飽、居家

用品 12,506 10.1

11 電子商品 19,125 15.5 23旅遊住宿、居家用

品 11,898 9.6

12 流行商品、宅配食

品 18,437 14.9 24

餐廳吃到飽、餐廳

非吃到飽、宅配食

品 11,829 9.6



表 13 高價值顧客群關聯規則分析（商品類別分類-依規則支援排序）

前項後項信心度

(%) 規則支援

(%) 宅配食品餐廳非吃到飽 51.1 23.3 餐廳非吃到飽宅配食品 51.9 23.3 居家用品宅配食品 52.8 22.2

流行商品居家用品 62.8 16.3 餐廳吃到飽餐廳非吃到飽 58.8 16.3 流行商品宅配食品 57.3 14.9 居家用品、餐廳非吃到飽宅配食品 66.3 12.0 餐廳非吃到飽、宅配食品居家用品 51.5 12.0 居家用品、宅配食品餐廳非吃到飽 54.1 12.0

流行商品、宅配食品居家用品 70.3 10.5 流行商品、居家用品宅配食品 64.2 10.5 餐廳吃到飽、宅配食品餐廳非吃到飽 73.2 9.6 餐廳吃到飽、餐廳非吃到飽宅配食品 58.7 9.6 電子商品居家用品 57.4 8.9 流行商品、餐廳非吃到飽宅配食品 68.9 8.6

流行商品、宅配食品餐廳非吃到飽 57.7 8.6 飲料冰品餐廳非吃到飽 72.3 8.3 流行商品、居家用品餐廳非吃到飽 50.3 8.2 流行商品、餐廳非吃到飽居家用品 65.8 8.2 美體美顏餐廳非吃到飽 54.0 7.9 電子商品宅配食品 50.5 7.8

飲料冰品宅配食品 63.7 7.3 餐廳吃到飽、居家用品餐廳非吃到飽 68.7 7.0

．26


伍、結論與建議

一、結論

本研究以 A 個案網路團購公司為例，藉由資料庫資料（消費者基

本資料、消費者交易資料及商品資料）進行顧客價值分析模型建立與

群集分析，並透過資料探勘技術中關聯規則發掘目標顧客群喜愛的商

品及組合，以提供個案公司行銷策略規劃。茲依據研究結果歸納結論，

提供個案公司行銷策略建議，及說明本研究之限制與未來研究建議。

二、行銷策略建議

(一) 整體行銷策略建議

研究顯示個案公司消費者特徵為女性居多，年齡層以 30~39 歲為

主要消費群，地區則是集中在臺北市地區。消費行為以到店服務、宅

配商品及女性服務類的購買占比及金額最高，且以憑證類為多數，商

品類別則特別喜愛餐廳非吃到飽、宅配食品及居家用品。但在個案公

司資源有限情況下，如何於眾多消費者中，提供行銷策略，才能讓效

益極大化呢？因此，本研究建議可針對不同消費者特徵提供行銷策

略，如：女性消費者占整體會員比 65.3%，年平均消費金額為 3,569.37

元，因此可針對此群消費者提供行銷策略，將行銷資源集中，減少不

必要的支出，提高行銷成效，且行銷預算須低於每位消費者年平均消

費金額，增加獲利空間。再者，女性消費者喜愛到店服務類商品，以

憑證類為主要購買類型，商品類別則是喜愛餐廳非吃到飽、宅配食品

及居家用品，故可以相關產品做為行銷活動商品，如：異國餐廳票券、

鍋物燒烤票券、生鮮宅配食品、熱門宅配美食、生活用品。



另外，電子商務為讓消費者快速付款及便利性，因此消費者基本

資料為非必填欄位，針對此類型的會員，建議可提供整體消費者均喜

愛的熱門行銷商品。經由本研究分析，得知到店服務類商品占整體比

例 51.9%，為商品館別中最熱門，商品類型則以憑證類為主，商品類

別以餐廳非吃到飽、宅配食品及居家用品為銷售數量最多者，因此建

議行銷商品為：異國餐廳票券、鍋物燒烤票券、生鮮宅配食品、熱門

宅配美食、生活用品；若欲提高利潤，建議可提供旅遊住宿票券、樂

園門票及吃到飽餐廳票券類的行銷活動。

(二) 分群行銷策略建議

本研究運用 K-means 集群分析，將個案公司消費者分為高價值顧

客群、忠實顧客群、潛力顧客群及流失顧客群，以利面對異質性消費

者，能給予差異化行銷策略及一對一行銷策略，並將資料做最有效的

利用，達到最大的效益，為公司賺取更多利潤。因此本研究針對各群

集提供以下建議：

1. 高價值顧客群：高價值顧客群占總會員數 29.2%，占總消費金額

59.2%，平均購買金額 5,103.72 元，為公司貢獻度最高之顧客群。

本研究建議，可針對此群消費者建立會員分級 VIP 制度，提供

專屬高檔商品獨享優惠、每月壽星優惠……等活動，維持消費者

與公司互動關係。

2. 忠實顧客群：忠實顧客群占總會員數 24.2%，占總消費金額

26.4%，平均購買金額 2,277.74 元，整體貢獻雖比高價值顧客群

少，但平均購買頻率為 5.28，屬於公司忠實消費者。此群集消

費者喜愛餐廳非吃到飽商品，建議可針對各節慶或情境，提供各

種組合式商品。另外，也可提供滿額折抵活動，以增加消費者購

買金額，引導消費者成為高價值顧客群。

3. 潛力顧客群：潛力顧客群占總會員數 18.2%，占總消費金額

．28


4.5%，平均最近購買日 88.19，此群消費者雖貢獻度較低，但近

期均有購買商品，可能為新進會員，正嘗試購買個案公司商品，

作為滿意度之判斷，若商品獲得消費者喜愛，未來有機會成為高

價值顧客群或忠實顧客群，但若商品不滿意，亦有可能成為流失

顧客。因此，本研究建議可推薦優質商品給此群消費者，建立消

費者對個案公司之滿意度，並可藉由問卷方式瞭解消費者是否有

不滿意的地方。或是提供登入集點回饋活動，吸引消費者定期登

入網站，進而提升消費者回訪率，增加購買機率。

4. 流失顧客群：流失顧客群占總會員數 28.4%，占總消費金額

9.9%，雖平均購買金額高於潛力顧客群，但平均最近購買日及

平均購買頻率均是最低，消費者已許久未至網站購買。流失顧客

群購買美體美顏、旅遊住宿及課程體驗類比其他群集多，由於此

些類型屬體驗型消費，可能過往體驗效果不佳，導致消費者不願

再次購買。因此如需重新建立消費者對於網站的信心，建議可建

立評鑑制度，藉由其他消費者給予商品的評分，提供商品品質保

證。並利用 EDM 的方式，將評分較高的商品通知給消費者，並

且確保商品品質如同消費者評分，重新讓此群消費者對網站商品

感興趣。



參考文獻

1. 丁一賢、陳牧言，2005，資料探勘：滄海出版。

2. 中国互聯网絡信息中心，2013，第 31 次中国互联网络发展状况统计报告。

3. 中華民國電子商務年鑑，2012，我國電子商務市場發展現況，資策會 MIC

Retrieved from

http://ecommercetaiwan.blogspot.tw/2012/10/blog-post_29.html。

4. 方文昌、汪志堅，2010，電子商務 Electronic Commerce：智勝文化。

5. 呂季芳、簡嘉瑩、葉華瑋，2007，消費者購買行為與品牌忠誠度關係之

研究. 碩士論文，實踐大學。

6. 東森新聞，2013，台灣人愛用 line 用戶飆 1700 萬全球第三，東森新聞

Retrieved from

https://tw.news.yahoo.com/%E5%8F%B0%E7%81%A3%E4%BA%BA%E6

%84%9B%E7%94%A8line-%E7%94%A8%E6%88%B6%E9%A3%861700

%E8%90%AC-%E5%85%A8%E7%90%83%E7%AC%AC%E4%B8%89-08

0538013.html。

7. 林宜屏，2011，以數位化行銷提升企業經營之競爭優勢，碩士論文，朝

陽科技大學。

8. 林祥生、劉益豪，2008，應用資料採礦探討國際線航空旅客之線上購票

行為，運輸計劃，37：2，197-235。

9. 財團法人台灣網路資訊中心， 2012 ，台灣寬頻網路使用調查， from

http://stat.twnic.net.tw/item04.htm。

10. 財團法人資訊工業策進會，2012，101 年度新網路時代電子商務發展計

畫：我國 B2C 電子商店調查結案報告。

．30


11. 張勝立、李怡慶、黃銑扶、吳世望，2002，談顧客關係管理在醫療服務

業的適用性及其障礙，醫務管理期刊，3, 1-16。

12. 梁維萍，2007，資料探勘應用於顧客價值分析以支援行銷策略之研究-以

光通訊產業為例，碩士論文，國立交通大學。

13. 陳盈潔，2013，應用交通資料蒐集與發佈設備及資料探勘法協助觀光地

區交通管理策略之研究：以桃園大溪老街為例，碩士論文，國立中央大

學。

14. 陳順宇，2004，多變量分析：華泰文化事業股份有限公司。

15. 創市際市場研究顧問公司，2013，ARO/MMX 公佈 2013 年 7 月 Media

Metrix 網路流量報告，from

http://www.insightxplorer.com/news/news_09_02_13.html。

16. 彭雅芬，2005，以群聚及啟發式方法求解時窗限制下車輛巡迴路線問題，

碩士，朝陽科技大學。

17. 黃仕豪，2012，RFM 模型於保險業顧客價值分析--以國內 A 壽險公司為

例，壽險管理，25, 173-190。

18. 黃建江，2007，顧客終身價值，商場現代化，17。

19. 黃致諳，2004，資料探勘技術用於結合客戶價值與客戶消費行為的直效

行銷之研究，碩士論文，國立台灣科技大學。

20. 楊清潭，2003，應用資料探勘技術於顧客價值分析之研究，碩士論文，

東吳大學。

21. 楊惠琴，2006，網路合購知覺風險與合購一項影響因素之研究，碩士論

文，東吳大學。

22. 楊碧瑜，2011，台灣團購網站的現況與趨勢發展。

23. 廖志德，2002，顧客忠誠度管理-不容易但絕對值回票價，能力雜誌，557,

22-28.。

24. 熊明德，2000，What is 電子商務？E-Commerc (pp. 14-24): 數位時代。



25. 劉世琪，2003，應用資料挖掘探討顧客價值-以汽車維修業為例，碩士論

文，朝陽科技大學。

26. 劉俐伶，2011，電子商務平台團購行為合作對象之選擇策略，學士論文，

美國基督教効力會基督書院。

27. 劉柏余，2013， Data Mining 與 RFM 模型於保險業客群分析應用--以國

內 A 壽險公司為例，壽險管理，26，173-187。

28. 劉羿杏，2006，資料採礦技術在拍賣網站消費模式之應用，碩士論文，

淡江大學。

29. 蔣文育，2012，應用顧客價值模型與資料探勘技術於資料庫行銷規劃--

咖啡連鎖店為例，觀光旅遊研究學刊，7:2, 59-69.。

30. Agrawal, R. a. S., R. (1994). Fast Algorithm for Mining Association Rules in

Large Databases. Paper presented at the VLDB '94 Proceedings of the 20th

International Conference on Very Large Data Bases, Santiago de Chile, Chile.

http://dl.acm.org/citation.cfm?id=672836.

31. Anderberg, M. R. (1973). Cluster Analysis for Application: Academic, Inc.

32. Berger, P. D. a. N., N. I. (1998). Customer lifetime value: Marketing models

and applications. Journal of Interactive Marketing, 12(1), 17-30. doi:

10.1002/(SICI)1520-6653(199824)12:13.0.CO;2-K.

33. Berry, M. J. A. a. L., G. S. (1997). Data Mining Techniques: For Marketing,

Sales, and Customer Support: John Wiley & sons.

34. Brin, S., Motwani, R., Ullman, J. D., and Tsur, S., . (1997). Dynamic Itemset

Counting and Implication Rules for Market Basket Data,. Paper presented at

the ACM SIGMOD Conference on Management of Data. http://dl.acm.org

/citation.cfm?id=253325.

．32


35. Cheung, C. M. K., Chan, G. W. W. and Limayem, M. (2005). Acritical review

of online consrmer behavior: Empirical research. Journal of Electronic

Commerce Organizations, 3(4), 1-19. doi: 10.4018/jeco.2005100101.

36. Engel, J. F., Blackwell, R. D. and Kollat, D. T. (1993). Consumer Behavior

(7 ed.). Chicago: The Dryden Press.

37. Examiner, S. M. (2013). 2013 年社群媒體行銷產業報告 , from http://

www.inboundjournals.com/social-marketing-underlearning-stage/.

38. Fayyad, U. M., Gregory, P.-S. and Smyth, P. (1996). The KDD process for

extracting useful knowledge from volumes of data. Communication of the

ACM, 39, 27-34.

39. Fayyad, U. M., Gregory, P.-S., Smyth, P. and Uthurusamy, R. (1996).

Advances in Knowledge Discovery and Data Mining. Moenlo Park, CA,

USA: American Association for Artificial Intelligence.

40. Fayyad, U. M. a. S., P. (1997). Data mining and KDD: promise and

challenges. 13.

41. GoodLife 好生活. (2012). 2012 年 6 月台灣半價團購市場-較上月成長 9.2%

Retrieved 07/02, from http://blog.goodlife.tw/.

42. Goodman, J. C. (1992). Leveraging the Customer Database to your

Competitive Advantage. Direct Marketing, 55(8).

43. GROUPON 台灣官方網站. (2013, 09/19), from http://www.groupon.com.tw/.

44. Gupta, S. a. L., D. R. (2003). Customers as assets. Journal Of Interactive

Marketing, 17(1). doi: 10.1002.

45. Hughes, A. M. (1994). Strategic Database Marketing (4 ed.): McGraw-Hill.

46. Hughes, A. M. (2001). 資料庫行銷實用策略 (張倩茜, Trans.)。台灣：美

商麥格羅‧希爾.



47. Kahan, R. (1998). Using Database Marketing Techniques to Enhance Your

One-to-One Marketing Initiatives. Journal of Consumer Marketing, 15(5),

491-493.

48. Kim, B. D., Min, S.O. and Shin, J.C. (1999). Calculating lifetime values of

business customers for a telecommunications company. Journal of Database

Marketing, 7, 254-264.

49. Kleissner, C. (1998). Data Mining for the Enterprise. Paper presented at the

the Thirty-First Hawaii International Conference, Kohala Coast, HI.

50. Kotler, P. (1996). Marketing Management: Analysis, Planning, Implementation,

and Control (9 ed.): Prentice Hall College Div.

51. Kumar, V. a. V., R. (2004). A Customer Lifetime Value Framework for

Customer Selection and Resource Allocation Strategy. Journal of Marketing,

68, 106-125.

52. Lab42. (2012). SHOPPING AND SHIPPING: A LOOK AT HOW PEOPLE

SHOP ONLINE.

53. MIC 產業情報研究所 . (2012). 台灣網友網路購物行為分析 , from

http://mic.iii.org.tw/.

54. Miglautsch, J. R. (2000). Thoughts on RFM Scoring. Journal of Database

Marketing, 8, 67-72.

55. Mulhern, F. J. (1999). Customer Profitability Analysis: Measurement,

Concentration, and Research Directions. Journal of Interactive Marketing,

13(1), 25-40.

56. Punj, G., Stewart, D. W. (1983). Cluster analysis in marketing research:

Review and suggestions for application. Journal of marketing research.

57. Reicheld, F. F. a. S., W.E. (1990). Zero Defections: Quality Comes to

Services. Harvard Business Review, 68, 105-110.

．34


58. Robert, C. B., Gary, G. and Jacquelyn, S. T. (2001). Customer Equity:

Building and Managing Relationships as Valuable Assets: Harvard Business

Press.

59. Schiffman, L. G. a. K., L. L. (1991). Consumer Behavior: Prentice-Hall

International.

60. Sgarma, S. (1996). Applied Multivariate Techniques: John Wiley & Sons,

Inc.

61. Shaw, M. J., Subramaniam, C., Tan, G. W. and Welge, M. E. (2001).

Knowledge management and data Mining for marketing. Journal of

Decission Support System, 31.

62. Stone, B. (1995). Successful Direct Marketing Methods (Fourth ed.):

McGraw-Hill/Contemporary.

63. TechOrange 科技報橘. (2012). 【創市際 IX 專欄】網路購物，消費者最在

意的不是價格，是時間, from

http://techorange.com/2012/10/03/ix-time-is-more-important-than-price-of-i

nternet-shopping/.

64. Wyner, G. A. (1996). Customer Valuation: Linking Behavior and Economics.

Journal of Marketing Research, 8.

以顧客終身價值觀點探討網路團購公司顧客消費型態...

Documents

Transcript of 以顧客終身價值觀點探討網路團購公司顧客消費型態...

以顧客終身價值觀點 探討網路團購公司顧客消費型態...

Documents

Transcript of 以顧客終身價值觀點 探討網路團購公司顧客消費型態...

以顧客終身價值觀點探討網路團購公司顧客消費型態...

Transcript of 以顧客終身價值觀點探討網路團購公司顧客消費型態...