以類神經網路預測 網路再購意圖的相關因素 指導老師：陳榮昌老師 報告者： 10254608 蕭世岳 10254606 彭兆瑋.

Presentation on theme: "以類神經網路預測 網路再購意圖的相關因素 指導老師：陳榮昌老師 報告者： 10254608 蕭世岳 10254606 彭兆瑋."— Presentation transcript:

1 以類神經網路預測 網路再購意圖的相關因素 指導老師：陳榮昌老師 報告者： 10254608 蕭世岳 10254606 彭兆瑋

2  摘要  緒論  文獻回顧  研究方法與工具  研究結果  結論與建議 報告大綱

3  資訊科技 (IT/IS) 的使用及接受度已受到廣泛的討論。 但欲使 IT/IS 有長期性的發展與成功，重要的是使用 者能否持續性地使用。  針對 IT/IS 的創新決策過程中之「接受度」與「持續 性」兩階段流程，本研究冀以網路再購意圖為依變 項，彙整並提出相關的影響因素，再利用類神經網 路的建模方式，加以分析並驗證本研究所提出的架 構。 摘要

4  本研究採用問卷調查法收集 371 份有效樣本，經由倒 傳遞類神經網路進行因果影響之分析。  研究結果發現，認知有用性、先前的體驗、網路自 我效能、服務品質、商品的選擇性及網站的特色對 網路再購意圖有顯著的影響。

5  隨著科技日新月異的發展，網路購物將逐漸成為消 費者的購物習慣與偏好，電子商務的發展對企業而 言就更加重要；虛擬通路也帶給許多產業不同的商 機。  除了吸引消費者透過虛擬通路完成交易外，提升網 路客戶的忠誠度及網路的再購意向是從事網路購物 業者的重要課題。 序論

6  本研究將研究範疇定位於持續性購物層面，藉由探 討過去學者所提出之影響網路購物再購意向的各個 相關因素進行彙整。  透過類神經網路的建模與分析方法，藉由其可建構 非線性模型之能力，推導出影響網路購物滿意度之 重要因素結構，進而加以分析並加以分類，以了解 消費者的網路再購行為 序論

7 文獻回顧  針對 IT/IS 的創新決策過程中之「接受度」與「持續 性」兩階段流程的相關研究：  第一階段： TRA (The Theory of Reasoned Action) TAM (Technology Acceptance Model) TPB (Theory of Planned Behavior)  第二階段： ECT (Expectation- Confirmation Theory 被廣泛使用於探討消費者的滿意度、後續的 購買行為及服務行銷等消費者行為。

8  針對類神經網路的應用上，大多數的研究將其應用 於財務分析及預測、工程分類上，較少研究將其應 用於社會科學的議題中。  因此本研究彙整影響網路再購意圖之重要因素進行 探討，並視其為輸入變項，以倒傳遞類神經網路模 式加以建模並分析，以探究網路消費者再購意圖之 影響因素及其行為分析。 文獻回顧

9  再購意圖的影響因素： 本研究推論使用者利用網際網路購物後，若有較高 的自我效能，則會產生較高的持續使用意向；並且 有較高的自我效能，對於使用績效也會有較正面之 影響。  影響電子商務顧客忠誠度的相關因素： 1. 客製化 2. 接觸的相互作用 3. 培養 4. 關注 5. 社群 6. 選擇性 7. 方便性 8. 特性 文獻回顧

10  本研究採用倒傳遞類神經網路作為主要的分析工具  倒傳遞網路增加了隱藏層，使其具備建構非線性模 型之能力，且改用平滑可微分的轉換函數，使網路 可應用最陡坡降法導出修正加權值的公式。 研究方法與工具

11  本研究針對再購意圖提出下列 16 個構念，分別為： 產品品質、服務品質、系統品質、資訊品質、認知 有用性、認知愉悅性、先前的體驗、網際網路自我 效能、客製化、接觸的互動性、涵化、關注、社群、 選擇性、方便性、特色。  對此 16 個構念，本研究將以類神經網路建構並探討 此相關因素對購物次數、購物金額與滿意度之貢獻 程度。 研究方法與工具

12 本研究之模型 研究方法與工具

13  抽樣 由於本研究欲探討網路再購意圖要因的趨動因素， 並據此將網購群加以分類。故選擇網路問卷之方式 取得研究資料。同時利用紙本問卷，以便利抽樣方 式，針對有網購經驗的使用者進行調查。 研究方法與工具

14  資料分析 本研究擬以 SPSS 12.0 進行敘述性統計整理回收之問 卷資料，藉由簡單的敘述性統計之百分比、次數分 配等分析來觀察樣本分佈，並使用驗證性因素分析 （ CFA ）衡量問項，以驗證量表之信、效度。

15 研究方法與工具  BPN 分析（ Super PCNeuron 5.0 ） ( 一 ) 隱藏層層數：兩層 ( 二 ) 隱藏層處理單元數目 ：本研究以 16 個輸入層與 3 個輸出層為設定，將隱藏層處理單元數設定為 20 。 ( 三 ) 學習速率 ( 四 ) 慣性因子 ( 五 ) 加權值更新方式

16  透過本研究之測試，最終參數值設定為： 1 層隱藏層、 2 個隱藏層處理單元、學習循環 3500 次、學習速率 初始值為 9 、慣性因子初使值為 0.7 。在此參數設定 下之類神經網路驗證結果，其測試範例之誤差均方 根為 0.079 ，且沒有過度學習的情形發生，各構面之 因素權重值亦有較好的解釋 研究結果

17

18

19 結論與建議  實務意涵  後續研究建議