層式支援向量機於與多元適性雲形迴歸於顧客分類模式之建構-以健康休閒俱樂部為例

摘要

有监顾客分类之重要性，本研究试图建构更为适切之整合性分类方法，得可处理小样本多类别对维度之复杂形态资料，而植基于以max-cut problem为概念，以支援向量机(SVM)为分类辨识器之HSVM架构上，并结合多元适应性云形回归(MARS)之特徵筛选能力,藉此缩短模式建构时间，提高整体监别能力，同时获致管理实务意涵。遂根据国内某健康休闲俱乐部所提供之会员资料库，进行资料探勘之实证研究，为企业建立一顾客监别模式，加以区分顾客获利性的差异与未来的存续，而提供企业针对不同客群进行投资组合(portfolio)管理的依据，并可在高贡献度顾客流失前，先为企业示警，俾企业及时预应，以拟定适切之行销策略“留住好顾客”。为验证本研究所提出整合方法於建构顾客保留模式之优越分类能力，而根据个案公司所提供之2003年会员资料库，分为三阶段进行实证研究。首先针对可能影响顾客保留及获利性之人口统计、消费行为及相关变数进行蒐集整理及建档，净化後共得901笔；第二阶段则根据前述所得之资料将该俱乐部之现存顾客分为：流失且不具获利性之顾客、流失且具获利性之顾客、保留且不具获利性之顾客、保留且具获利性之顾客四集群；最后阶段则依会员流失之先验机率将总体会员资料数等比划分为训练样本及测试样本，以5-fold交叉验证，进行模式一般化及稳健性评估。在模式训练中，分别利用LDA、BPN、SVM、HSVM及整合MARS与HSVM建构三种顾客监别模式，并根据测试结果。预测该模式对未来顾客监别能力之优劣，亦参酌误置机率与误置成本及建模时间，进而比较各模式整体分类表现之良窳。实证结果显示，本研究所提出之整合方法可有效缩短SVM之训练时间并提高模式之监别能力，亦可获致有关顾客分类之管理资讯。除着眼分类方法之改善，此顾客分类模式若经适度调整，亦可延用於其他产业或相关领域，更形本研究之实务价值。