簡易檢索 / 詳目顯示
| 研究生： |
莊俊辰 Chuang, Chun-Chen |
|---|---|
| 論文名稱： |
人工智慧在電子商務的應用 The application of artificial intelligence in e-commerce |
| 指導教授： |
謝明華
Hsieh, Ming-Hua |
| 學位類別： |
碩士
Master |
| 系所名稱： |
商學院 - 經營管理碩士學程(EMBA) Executive Master of Business Administration(EMBA) |
| 論文出版年： | 2019 |
| 畢業學年度： | 107 |
| 語文別： | 中文 |
| 論文頁數： | 50 |
| 中文關鍵詞： | 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 |
| 外文關鍵詞： | Machine leaning |
| DOI URL： | http://doi.org/10.6814/THE.NCCU.EMBA.031.2019.F08 |
| 相關次數： | 點閱：474 下載：139 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
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。
第壹章 緒論 ....1
第一節 研究背景與動機....1
一、 市場現況.....1
二、 零售業市場現況.....3
第二節 研究目的.....5
第貳章 文獻回顧 ......6
第一節 人工智慧（Artificial Intelligence, AI） .....6
一、 人工智慧（AI）的演進 .....6
二、人工智慧（AI）的應用........9
第二節 傳統機器學習技術.....11
一、 監督式學習（Supervised Learning）： .....11
二、 強化學習（Reinforcement Learning）： .....15
三、 無監督式學習（Unsupervised Learning）：......15
第三節 深度學習技術.....17
一、 卷積神經網絡（Convolutional Neural Network, CNN） ....18
二、 遞歸神經網絡（Recurrent Neural Network, RNN） ....20
第四節 零售業市場況......23
一、全球零售業市場概況.....23
二、零售業面臨的挑戰.......25
第參章 人工智慧技術 .......28
一、 Scikit-Learn：.......32
二、 TensorFlow .....35
第肆章 實證分析 .......38
第一節 資料來源與研究對象......38
第二節 RFM 模型之聚類分析 ......40
一、 數據前處理（Data pre-processing）......41
二、 基於 RFM 模型之聚類分析（Clustering）......42
三、 類別資料之決策樹分析（Decision Tree） .......47
第伍章 結論與建議 ......49
參考文獻 .....50
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
