小林眼鏡信用卡的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

小林眼鏡客戶資料的統計分析

為了解決小林眼鏡信用卡的問題，作者陳冠全 這樣論述：

隨著科技越來越進步，現代人和電子科技產品日益接觸頻繁，從電視、電腦一直到智慧型手機，使得台灣的視力不良人口有攀升的趨勢，根據中華民國統計資訊網的2013年資料顯示，國小的視力不良率占了49.36%，國中更占了73.66%，視力不良率的提升造成了「眼鏡」此矯正產品的重要性越來越高，眼鏡消費人口逐漸提升，相對地也造成了眼鏡業的激烈競爭。本研究選擇了台灣眼鏡業知名品牌「小林眼鏡」來進行其客戶的研究，運用統計技術和資料採礦(Data mining)的軟體「clementine 12.0」來進行挖掘客戶資訊的工具。本研究先分析小林眼鏡全部商品的銷售金額以及銷售次數的歷年趨勢，找出部分消費商品固定成長或

減退的規律。再分析全部客戶的結構，利用基本的統計圖表呈現客戶特徵，並運用RFM分析法，R(Recently)為最近購買日，F(Frequency)為購買頻率，M(Monetary Amount)為購買金額，從全部客戶中選出重要客戶，並分析重要客戶結構，也將重要客戶與所有客戶做比較的討論。本研究也針對選出的小林眼鏡重要客戶，運用關聯規則的先驗演算法(Apiriori algorithm)挖掘出客戶特性和商品之間的規則，本研究找出重要客戶特性對商品「拋棄式隱形眼鏡」以及客戶特性對商品「藥水」的兩種購買關聯規則，此外，也間接探討先驗演算法中有無設定規則門檻值最小支持度α和最小信心度β所產生的區別。接

下來本研究使用兩個模型種類，羅吉斯迴歸和分類與迴歸樹，來進行對未來會購買拋棄式隱形眼鏡商品的客戶預測，針對「有無事先選取重要變數」和「年份變數資料」分別建立模型，計算模型測試集準確度發現：1. 多使用98年資料的羅吉斯模型解釋能力較佳，但對準確率沒有明顯區別。2. 多使用98年資料的分類與迴歸樹模型準確率較佳。3.「有無選取重要變數」對羅吉斯和分類與迴歸樹模型的準確率沒有明顯區別。4.最重要和次重要的變數都為「99年購買D3個數」和「99年購買E1個數」。5.分類樹與迴歸模型的準確率比羅吉斯迴歸模型高。本研究也探討是否在建立模型前對客戶資料使用平衡技巧時的差別，研究後發現，使用平衡技巧能預測出

更多不會購買隱型眼鏡商品的客戶；不使用平衡技巧則預測出更多會購買隱型眼鏡的客戶。本研究將發現的所有客戶訊息提供給小林眼鏡作為參考，期許小林眼鏡企業能針對這些訊息創造出行銷策略，延長客戶的生命週期，使小林眼鏡永續經營。