OLLIE:On-Line Learning for Information Extraction Valentin Tablan,Kalina Bontcheva,Diana Maynard,Hamish Cunningham
University of Shef?eld
Regent Court,211Portobello St.
Shef?eld S14DP,UK
{V.Tablan,diana,kalina,hamish}@https://www.doczj.com/doc/485422241.html,
Abstract
This paper reports work aimed at develop-
ing an open,distributed learning environ-
ment,OLLIE,where researchers can ex-
periment with different Machine Learning
(ML)methods for Information Extraction.
Once the required level of performance is
reached,the ML algorithms can be used to
speed up the manual annotation process.
OLLIE uses a browser client while data
storage and ML training is performed on
servers.The different ML algorithms use
a uni?ed programming interface;the inte-
gration of new ones is straightforward.
1Introduction
OLLIE is an on-line application for corpus annota-tion that harnesses the power of Machine Learning (ML)and Information Extraction(IE)in order to make the annotator’s task easier and more ef?cient.
A normal OLLIE working session starts with the user uploading a set of documents,selecting which ML method to use from the several supplied by the system,choosing the parameters for the learning module and starting to annotate the texts.During the initial phase of the manual annotation process, the system learns in the background(i.e.on the server)from the user’s actions and,when a certain degree of con?dence is reached,it starts making sug-gestions by pre-annotating the documents.Initially, some of these suggestions may be erroneous but,as the user makes the necessary corrections,the system will learn from its mistakes and the performance will increase leading to a reduction in the amount of hu-man input required.
The implementation is based on a client-server ar-chitecture where the client is any Java-enabled web browser and the server is responsible for storing data,training ML models and providing access ser-vices for the users.
The client side of OLLIE is implemented as a set of Java Server Pages(JSPs)and a small number of Java applets are used for tasks where the user inter-face capabilities provided by HTML are not enough. The server side comprises a JSP/servlet server, a relational database server and an instance of the GATE architecture for language engineering which is used for driving all the language-related process-ing.The general architecture is presented in Figure 1.
The next section describes the client side of the OLLIE system while Section3details the imple-mentation of the server with a subsection on the inte-gration of Machine Learning.Section4talks about security;Section6about future improvements and Section7concludes the paper.
2The OLLIE client
The OLLIE client consists of several web pages, each of them giving the user access to a particular service provided by the server.
One such page provides facilities for uploading documents in the system from a URL,a local?le, or created from text pasted in a form.A variety of formats including XML,HTML,email and plain text are supported.When a document is created,the
Figure1:The general architecture of OLLIE
original markup–if present–is separated from tex-tual content to prevent it from interfering with the subsequent language processing.
Another page lets the user choose which machine learning algorithm is to be used,the attributes that characterise the instances(e.g.,orthography,part-of-speech),and parameters for the chosen learning method(e.g.,thresholds,smoothing values).The classes to be learnt(e.g.,Person,Organisation)are provided as part of the user pro?le,which can be edited on a dedicated page.All ML methods com-patible with OLLIE have a uniform way of describ-ing attributes and classes(see Section3.1for more details on the ML integration);this makes possible the use of a single user interface for all the ML al-gorithms available.The?ne-tuning parameters are speci?c to each ML method and,although the ML methods can be run with their default parameters,as established by(Daelemans and Hoste,2002),sub-stantial variation in performance can be obtained by changing algorithm options.
Since OLLIE needs to support the users with the annotation process by learning in the background and suggesting annotations,it offers control over the accuracy threshold for these suggestions.This avoids annoying the users with wrong suggestions while assuring that suggestions the system is con?-dent about are used to pre-annotate the data,reduc-ing the workload of the user.
The document editor can then be used to annotate the text(see Figure2).The right-hand side shows the classes of annotations(as speci?ed in the user pro?le)and the user selects the text to be annotated (e.g.,“McCarthy”)and clicks on the desired class (e.g.,Person).The new annotation is added to the document and the server is updated immediately(so the new data becomes available to the ML algorithm too).The document editor also provides facilities for deleting wrong annotations,which are then prop-agated to the server,in a similar way.
The graphical interface facilities provided by a web browser could be used to design an interface for annotating documents but that would mean stretch-ing them beyond their intended use and it is hard to believe that such an interface would rate very high on a usability scale.In order to provide a more er-gonomic interface,OLLIE uses a Java applet that integrates seamlessly with the page displayed by the browser.Apart from better usability,this allows for greater range of options for the user.
The communication between the editor applet and the server is established using Java Remote Method Invocation(a protocol similar to the C++Remote Procedure Call–RPC)which allows the instant no-ti?cation when updates are needed for the document stored on the server.The continuous communication between the client and the server adds the bene?t of data security in case of network failure.The data on the server always re?ects the latest version of the document so no data loss can occur.The session data stored by the server expires automatically after an idle time of one hour.This releases the resources used on the server in case of persistent network fail-ures.
The data structures used to store documents on the server are relatively large because of the numerous indices stored to allow ef?cient access to the annota-tions.The copy downloaded by the client when the annotation process is initiated is greatly reduced by ?ltering out all the unnecessary information.Most of the data transferred during the client-server com-munication is also compressed,which reduces the level of network traf?c–always a problem in client server architectures that run over the Internet.
Figure2:Annotating text in the OLLIE client
Another utility provided by the client is a page that lets the user specify the access rights to the doc-ument/corpus,which determine whether it can be shared for viewing or collaborative annotation(see Section4for details on security).
3Implementation of the OLLIE server While the client side of the OLLIE application is presented as set of web pages,the server part is based on the open source GATE architecture. GATE is an infrastructure for developing and de-ploying software components that process human language(Cunningham et al.,2002).It is written in Java and exploits component-based software de-velopment,object orientation and mobile code.One quality of GATE is that it uses Unicode through-out(Tablan et al.,2002).Its Unicode capabilities have been tested on a variety of Slavic,Germanic, Romance,and Indic languages(Gamb¨a ck and Ols-son,2000;Baker et al.,2002).This allows OL-LIE to handle documents in languages other than English.The back-end of OLLIE uses the GATE framework to provide language processing compo-nents,services for persistent storage of user data,security,and application management.
When a document is loaded in the OLLIE client and subsequently uploaded to the server,its format is analysed and converted into a GATE document which consists of textual content and one or more layers of annotation.The annotation format is a modi?ed form of the TIPSTER format(Grishman, 1997),is largely isomorphic with the Atlas format (Bird and Liberman,1999)and successfully sup-ports I/O to/from XCES and TEI(Ide et al.,2000).1 An annotation has a type,a pair of nodes pointing to positions inside the document content,and a set of attribute-values,encoding further linguistic infor-mation.Attributes are strings;values can be any Java object.An annotation layer is organised as a Directed Acyclic Graph on which the nodes are par-ticular locations in the document content and the arcs are made out of annotations.All the markup contained in the original document is automatically extracted into a special annotation layer and can be used for processing or for exporting the document back to its original format.
1The American National Corpus is using GATE for a large TEI-based project.
Linguistic data(i.e.,annotated documents and corpora)is stored in a database on the server(see Figure1),in order to achieve optimal performance, concurrent data access,and persistence between working sessions.
One of the most important tasks for the OLLIE server is the execution and control of ML algo-rithms.In order to be able to use ML in OLLIE, a new processing resource was designed that adds ML support to GATE.
3.1Machine Learning Support
Our implementation for ML uses classi?cation al-gorithms for which annotations of a given type are instances while the attributes for them are collected from the context in which the instances occur in the documents.
Three types of attributes are de?ned:nominal, boolean and numeric.The nominal attributes can take a value from a speci?ed set of possible values while the boolean and numeric ones have the usual de?nitions.
When collecting training data,all the annotations of the type speci?ed as instances are listed,and for each of them,the set of attribute values is deter-mined.All attribute values for an instance refer to characteristics of a particular instance annotation, which may be either the current instance or one sit-uated at a speci?ed relative position.
Boolean attributes refer to the presence(or ab-sence)of a particular type of annotation overlapping at least partially with the required instance.Nominal and numeric attributes refer to features on a partic-ular type of annotation that(partially)overlaps the instance in scope.
One of the boolean or nominal attributes is marked as the class attribute,and the values which that attribute can take are the labels for the classes to be learnt by the algorithm.Figure3depicts some types of attributes and the values they would take in a particular example.The boxes represent an-notations,Token annotations are used as instances, the one in the centre being the current instance for which attribute values are being collected.
Since linguistic information,such as part-of-speech and gazetteer class,is often used as at-tributes for ML,OLLIE provides support for iden-tifying a wide range of linguistic information-part-of-speech,sentence boundaries,gazetteer lists,and named entity class.This information,together with tokenisation information(kind,orthography,and to-ken length)is obtained by using the language pro-cessing components available with GATE,as part of the ANNIE system(Cunningham et al.,2002).See Section5for more details on the types of linguistic features that can be used.The user chooses which of this information is to be used as attributes.
An ML implementation has two modes of func-tioning:training–when the model is being built, and application–when the built model is used to classify new instances.Our implementation consists of a GATE processing resource that handles both the training and application phases.It is responsible for detecting all the instances in a document and col-lecting the attribute values for them.The data thus obtained can then be forwarded to various external implementations of ML algorithms.
Depending on the type of the attribute that is marked as class,different actions will be performed when a classi?cation occurs.For boolean attributes, a new annotation of the type speci?ed in the attribute de?nition will be created.Nominal attributes trigger the addition of the feature speci?ed in the attribute de?nition on an annotation of the required type sit-uated at the position of the classi?ed instance.If no such annotation is present,it will be created.
Once an ML model is built it can be stored as part of the user pro?le and reloaded for use at a later time. The execution of the ML processing resource is controlled through con?guration data that selects the type of annotation to be used as instances,de?nes all the attributes and selects which ML algorithm will be used and with what parameters.
One good source of implementations for many well-known ML algorithms is the WEKA library (Witten and Frank,1999).2It also provides a wealth of tools for performance evaluation,testing,and at-tribute selection,which were used during the devel-opment process.
OLLIE uses the ML implementations provided by WEKA which is accessed through a simple wrap-per that translates the requests from GATE into API calls“understood”by WEKA.The main types of re-quests dealt with by the wrapper are the setting of 2WEKA homepage:https://www.doczj.com/doc/485422241.html,/ml/weka/
Figure3:Example of attributes and their values.
con?guration data,the addition of a new training in-stance and the classi?cation of an application-time instance.
4Security
Because OLLIE is deployed as a web application —accessible by anyone with Internet access,secu-rity is an important https://www.doczj.com/doc/485422241.html,ers store documents on the server and the system also keeps some personal data about the users for practical reasons.3All users need to be provided with a mechanism to authen-ticate themselves to the system and they need to be able to select who else,apart from them,will be able to see or modify the data they store on the server. Every user has a username and a password,used to retrieve their pro?les and determine which doc-uments they can access.The pro?les also contain information specifying the types of annotations that they will be creating during the annotation process. For example,in the case of a basic named entity 3Storing email addresses for instance is useful for sending password reminders.recognition task,the pro?le will specify Person,Or-ganisation,and Location.These tags will then be provided in the document annotation pages.
The access rights for the documents are handled by GATE which implements a security model simi-lar to that used in Unix?le systems.Table1shows the combination of rights that are possible.They give a good granularity for access rights,ranging from private to world readable.
The set of known users is shared between GATE and OLLIE and,once a user is authenticated with the system,the login details are kept in session data which is stored on the OLLIE server.This allows for automatic logins to the underlying GATE platform and transparent management of GATE sessions.
5ML Experiments and Evaluation
To the end of evaluating the suitability of the ML algorithms provided by WEKA for use in OLLIE we performed several experiments for named entity recognition on the MUC-7corpus(SAIC,1998).We concentrated on the recognition of ENAMEX enti-
User User’s Group Other Users Mode Read Write Read Write Read Write “World Read/Group Write”+++++-“Group Read/Group Write”++++--“Group Read/Owner Write”+++---“Owner Read/Owner Write”++----
Table1:Security model—the access rights
ties,i.e.,Person,Organisation,and Location.The MUC-7corpus contains1880Organisation(46%), 1324Location(32%),and887Person(22%)an-notations in100documents.The task has two ele-ments:recognition of the entity boundaries and clas-si?cation of the entities in the three classes.The re-sults are summarised below.
We?rst tested the ability of the learners to iden-tify correctly the boundaries of named https://www.doczj.com/doc/485422241.html,-ing10-fold cross-validation on the MUC7corpus described above,we experimented with different machine learning algorithms and parameters(using WEKA),and using different attributes for training. 5different algorithms have been evaluated:Zero R and OneR–as baselines,Naive Bayes,IBK(an implementation of K Nearest Neighbour)and J48 (an implementation of a C4.5decision tree).
As expected,the baseline algorithms performed very poorly(at around1%).For IBK small windows gave low results,while large windows were very in-ef?cient.The best results(f-measure of around60%) were achieved using the J48algorithm.
The types of linguistic data used for the attribute collection included part of speech information,or-thography(upper case,lower case,initial upper case letter,mixture of upper and lower case),token kind (word,symbol,punctuation or number),sentence boundary,the presence of certain known names and keywords from the gazetteer lists provided by the ANNIE system.Tokens were used as instance an-notations and,for each token,the window used for collecting the attributes was of size5(itself plus two other tokens in each direction).
Additional information,such as features on a wider window of tokens,tended to improve the re-call marginally,but decreased the precision substan-tially,resulting in a lower F-measure,and therefore the trade off was not worthwhile.
We also tested the algorithms on a smaller news corpus(which contained around68,000instances as opposed to300,000for the MUC7corpus).Again, the J48algorithm scored highest,with the decision table and the K nearest neighbour algorithms both scoring approximately1percentage point lower than the J48.
The second set of experiments was to classify the named entities identi?ed into the three ENAMEX categories:Organisations,Persons and Locations. Using10-fold cross-validation on the MUC7corpus described above,we experimented with the WEKA machine learning algorithms and parameters,and using attributes for training similar to those used for boundary detection.The best results were achieved again with the J48algorithm,and,for this easier task,they were situated at around90%.The at-tributes were chosen on the basis of their informa-tion gain,calculated using WEKA’s attribute selec-tion facilities.
The named entity recognition experiments were performed mainly to evaluate the WEKA ML algo-rithms on datasets of different sizes,ranging from small to fairly large ones(300,000instances).The different ML algorithms had different memory re-quirements and execution speed,tested on a PIII 1.5GHz PC running Windows2000with1GB RAM. From all algorithms tested,the decision table and decision tree were the slowest(325and122seconds respectively on68,000instances)and required most memory-up to800MB on the big datasets.Naive Bayes was very fast(only0.25seconds)with1R fol-lowing closely(0.28seconds).
6Further Work
OLLIE is very much work-in-progress and there are several possible improvements we are considering. When dealing with a particular corpus,it is rea-
sonable to assume that the documents may be quite similar in terms of subject,genre or style.Because of that,it is possible that the quality of the user ex-perience can be improved by simply using a list of positive and negative examples.This would allow the system not to make the same mistakes by always missing a particular example or always annotating a false positive–which can be very annoying for the user.
The big difference in execution time for differ-ent ML algorithms shows that there are practical advantages that can be gained from having more than one ML algorithm integrated in OLLIE,when it comes to supporting the user with the annotation task.Since the two experiments showed that Naive Bayes performs only slightly worse than the best, but slower algorithms,it may be feasible to train both a fast Naive Bayes classi?er and a slower,but more precise one.In this way,while the slower ML algorithm is being re-trained on the latest data,OL-LIE can choose between using the older model of this algorithm or the newly re-trained faster base-line,depending on which ones gives better results, and suggest annotations for the current document. As with other such environments,this performance is measured with respect to the latest annotated doc-ument.
We hope to be able to integrate more learning methods,e.g.,TiMBL(Daelemans et al.,1998)and we will also provide support for other people willing to integrate theirs and make them available from our OLLIE server or run their own server.
We plan to experiment with other NLP tasks,e.g, relation extraction,coreference resolution and text planning for language generation.
Finally,we are working on a Web service imple-mentation of OLLIE for other distributed,Grid and e-science applications.
7Conclusion
OLLIE is an advanced collaborative annotation en-vironment,which allows users to share and annotate distributed corpora,supported by adaptive informa-tion extraction that trains in the background and pro-vides suggestions.
The option of sharing access to documents with other users gives several users the possibility to en-gage in collaborative annotation of documents.For example,one user can annotate a text with organi-sations,then another annotate it with locations.Be-cause the documents reside on the shared server one user can see errors or questionable markup intro-duced by another user and initiate a discussion.Such collaborative annotation is useful in the wider con-text of creating and sharing language resources(Ma et al.,2002).
A number of Machine Learning approaches for Information Extraction have been developed re-cently,e.g.,(Collins,2002;Bikel et al.,1999),in-cluding some that use active learning,e.g.,(Thomp-son et al.,1999)or offer automated support,e.g, (Ciravegna et al.,2002),in order to lower the over-head of annotating training data.While there ex-ist corpora used for comparative evaluation,(e.g., MUC or the CMU seminar corpus),there is no easy way to test those ML algorithms on other data,eval-uate their portability to new domains,or experiment with different parameters of the models.While some of the algorithms are available for experimentation, they are implemented in different languages,require different data formats,and run on different plat-forms.All of this makes it hard to ensure experimen-tal repeatability and eliminate site-speci?c skew ef-fects.Also,since not all systems are freely available, we propose an open,distributed environment where researchers can experiment with different learning methods on their own data.
Another advantage of OLLIE is that it de?nes a simple API(Application Programming Interface) which is used by the different ML algorithms to ac-cess the training data(see Section3.1).Therefore, the integration of a new machine learning algorithm in OLLIE amounts to providing a wrapper that im-plements this API(a straightforward process).We have already provided a wrapper for the ML algo-rithms provided by the WEKA toolkit which can be used as an example.
Although OLLIE shares features with other adap-tive IE environments(e.g.,(Ciravegna et al.,2002)) and collaborative annotation tools(e.g.,(Ma et al., 2002)),it combines them in a unique fashion.In ad-dition,OLLIE is the only adaptive IE system that al-lows users to choose which ML approach they want to use and to comparatively evaluate different ap-proaches.
References
[Baker et al.2002]P.Baker, A.Hardie,T.McEnery,
H.Cunningham,and R.Gaizauskas.2002.EMILLE,
A67-Million Word Corpus of Indic Languages:Data Collection,Mark-up and Harmonisation.In Proceed-ings of3rd Language Resources and Evaluation Con-ference(LREC’2002),pages819–825.
[Bikel et al.1999]D.Bikel,R.Schwartz,and R.M.
Weischedel.1999.An Algorithm that Learns What’s in a Name.Machine Learning,Special Issue on Natu-ral Language Learning,34(1-3),Feb.
[Bird and Liberman1999]S.Bird and M.Liberman.
1999.A Formal Framework for Linguistic Anno-tation.Technical Report MS-CIS-99-01,Depart-ment of Computer and Information Science,Uni-versity of Pennsylvania.https://www.doczj.com/doc/485422241.html,/-abs/cs.CL/9903003.
[Ciravegna et al.2002]F.Ciravegna, A.Dingli, D.Pe-trelli,and https://www.doczj.com/doc/485422241.html,er-System Coop-eration in Document Annotation Based on Informa-tion Extraction.In13th International Conference on Knowledge Engineering and Knowledge Management (EKAW02),pages122–137,Siguenza,Spain. [Collins2002]M.Collins.2002.Ranking algorithms for named entity extraction:Boosting and the voted per-ceptron.In Proceedings of the40th Annual Annual Meeting of the Association for Computational Linguis-tics(ACL’02),Philadelphia,PA.
[Cunningham et al.2002]H.Cunningham, D.Maynard, K.Bontcheva,and V.Tablan.2002.GATE:A Frame-work and Graphical Development Environment for Robust NLP Tools and Applications.In Proceedings of the40th Anniversary Meeting of the Association for Computational Linguistics.
[Daelemans and Hoste2002]Walter Daelemans and V′e ronique Hoste.2002.Evaluation of Machine Learning Methods for Natural Language Processing Tasks.In LREC2002Third International Conference on Language Resources and Evaluation,pages755–760,CNTS Language Technology Group,University of Antwerp,UIA,Universiteitsplein1(bldng A), B-2610Antwerpen,Belgium.
[Daelemans et al.1998]W.Daelemans,J.Zavrel, K.van der Sloot,and A.van den Bosch.1998.Timbl: Tilburg memory based learner version1.0.Technical Report Technical Report98-03,ILK.
[Gamb¨a ck and Olsson2000]B.Gamb¨a ck and F.Olsson.
2000.Experiences of Language Engineering Algo-rithm Reuse.In Second International Conference on Language Resources and Evaluation(LREC),pages 155–160,Athens,Greece.[Grishman1997]R.Grishman.1997.TIPSTER Ar-chitecture Design Document Version2.3.Techni-cal report,DARPA.https://www.doczj.com/doc/485422241.html,/-div894/894.02/related projects/tipster/. [Ide et al.2000]N.Ide,P.Bonhomme,and L.Romary.
2000.XCES:An XML-based Standard for Linguis-tic Corpora.In Proceedings of the Second Interna-tional Language Resources and Evaluation Confer-ence(LREC),pages825–830,Athens,Greece.
[Ma et al.2002]X.Ma,H.Lee,S.Bird,and K.Maeda.
2002.Models and tools for collaborative annotation.
In Proceedings of3rd Language Resources and Evalu-ation Conference(LREC’2002),Gran Canaria,Spain. [SAIC1998]SAIC.1998.Proceedings of the Sev-enth Message Understanding Conference(MUC-
7).https://www.doczj.com/doc/485422241.html,/iaui/894.02/-
related projects/muc/index.html.
[Tablan et al.2002]V.Tablan, C.Ursu,K.Bontcheva,
H.Cunningham, D.Maynard,O.Hamza,Tony
McEnery,Paul Baker,and Mark Leisher.2002.A unicode-based environment for creation and use of language resources.In Proceedings of3rd Language Resources and Evaluation Conference. [Thompson et al.1999]C.A.Thompson,M.E.Califf,and R.J.Mooney.1999.Active learning for natural lan-guage parsing and information extraction.In Pro-ceedings of the International Conference on Machine Learning,pages406–414.
[Witten and Frank1999]I.H.Witten and E.Frank.1999.
Data Mining:Practical Machine Learning Tools and Techniques with Java Implementations.Morgan Kauf-mann.
2015年elearning发展趋势 1.大数据 elearning涉及的数据量越来越大，而传统的数据处理方式也变得越来越难以支撑。 仅在美国就有46%的大学生参加在线课程，而这也仅仅是一部分elearning用户而已。虽然大数据的处理是一个难题，但同时也是改善elearning的一个良好的契机。 下面是大数据改善elearning的一些案例。 大数据能够使人们更深入的了解学习过程。例如：对于（课程）完成时间及完成率的数据记录。 大数据能够有效跟踪学习者以及学习小组。例如：记录学习者点击及阅读材料的过程。 大数据有利于课程的个性化。例如：了解不同的学习者学习行为的不同之处。 通过大数据可以分析相关的学习反馈情况。例如：学习者在哪儿花费了多少时间，学习者觉得那部分内容更加有难度。 2.游戏化 游戏化是将游戏机制及游戏设计添加到elearning中，以吸引学习者，并帮助他们实现自己
的学习目标。 不过，游戏化的elearning课程并不是游戏。 elearning的游戏化只是将游戏中的元素应用于学习环境中。游戏化只是利用了学习者获得成功的欲望及需求。 那么，游戏化何以这么重要？ 学习者能够回忆起阅读内容的10%，听讲内容的20%。如果在口头讲述过程中能够添加画面元素，该回忆比例上升到30%，而如果通过动作行为对该学习内容进行演绎，那么回忆比例则高达50%。但是，如果学习者能够自己解决问题，即使是在虚拟的情况中，那么他们的回忆比例则能够达到90%！（美国科学家联合会2006年教育游戏峰会上的报告）。近80%的学习者表示，如果他们的课业或者工作能够更游戏化一些，他们的效率会更高。（Talent LMS 调查） 3.个性化 每位学习者都有不同的学习需求及期望，这就是个性化的elearning如此重要的原因。个性化不仅仅是个体化，或差异化，而是使学习者能够自由选择学习内容，学习时间以及学习方式。 相关案例： 调整教学进度使教学更加个性化； 调整教学方式使教学更加与众不同； 让学习者自己选择适合的学习方式； 调整教学内容的呈现模式（文本、音频、视频）。
连锁咖啡厅顾客满意度涉入程度对忠诚度影响之研究以高雄市星巴克 为例 Document number【SA80SAB-SAA9SYT-SAATC-SA6UT-SA18】
连锁咖啡厅顾客满意度对顾客忠诚度之影响－以高雄 市星巴克为例 The Effects of Customer Satisfaction on Customer Loyalty—An Empirical study of Starbucks Coffee Stores in Kaohsiung City 吴明峻 Ming-Chun Wu 高雄应用科技大学观光管理系四观二甲 学号：06 中文摘要 本研究主要在探讨连锁咖啡厅顾客满意度对顾客忠诚度的影响。 本研究以高雄市为研究地区，并选择8间星巴克连锁咖啡厅的顾客作为研究对象，问卷至2006年1月底回收完毕。 本研究将顾客满意度分为五类，分别是咖啡、餐点、服务、咖啡厅内的设施与气氛和企业形象与整体价值感；将顾客忠诚度分为三类，分别是顾客再购意愿、向他人推荐意愿和价格容忍度，并使用李克特量表来进行测量。 根据过往研究预期得知以下研究结果： 1.人口统计变项与消费型态变项有关。 2.人口统计变项与消费型态变项跟顾客满意度有关。 3.人口统计变项与消费型态变项跟顾客忠诚度有关。 4.顾客满意度对顾客忠诚度相互影响。 关键词：连锁、咖啡厅、顾客满意度、顾客忠诚度 E-mail
一、绪论 研究动机 近年来，国内咖啡消费人口迅速增加，国外知名咖啡连锁品牌相继进入台湾，全都是因为看好国内咖啡消费市场。 在国内较知名的连锁咖啡厅像是星巴克、西雅图极品等。 本研究针对连锁咖啡厅之顾客满意度与顾客忠诚度间关系加以探讨。 研究目的 本研究所要探讨的是顾客满意度对顾客忠诚度的影响，以国内知名的连锁咖啡厅星巴克之顾客为研究对象。 本研究有下列五项研究目的： 1.以星巴克为例，探讨连锁咖啡厅的顾客满意度对顾客忠诚度之影响。 2.以星巴克为例，探讨顾客满意度与顾客忠诚度之间的关系。 3.探讨人口统计变项与消费型态变项是否有相关。 4.探讨人口统计变项与消费型态变项跟顾客满意度是否有相关。 5.探讨人口统计变项与消费型态变项跟顾客忠诚度是否有相关。 二、文献回顾 连锁咖啡厅经营风格分类 根据行政院（1996）所颁布的「中华民国行业标准分类」，咖啡厅是属於九大行业中的商业类之饮食业。而国内咖啡厅由於创业背景、风格以及产品组合等方面有其独特的特质，使得经营型态与风格呈现多元化的风貌。 依照中华民国连锁店协会（1999）对咖啡产业调查指出，台湾目前的咖啡厅可分成以下几类：
e-learning时代：企业培训大公司先行 正如印刷书籍造就16世纪后的现代大学教育，互联网的普及，将使学习再次发生革命性的变化。通过e-learning，员工可以随时随地利用网络进行学习或接受培训，并将之转化为个人能力的核心竞争力，继而提高企业的竞争力。 从个人到企业，从企业到市场，e-learning有着无限的生长空间，跃上时代的浪尖是必然，也是必须。 企业培训:e-learning时代已经来临 约翰-钱伯斯曾经预言“互联网应用的第三次浪潮是e-learning”，现在，这个预言正在变为现实。 美国培训与发展协会(ASTD)对2005年美国企业培训情况的调查结果显示，美国企业对员工的培训投入增长了16.4%，e-learning培训比例则从24%增长到28%，通过网络进行学习的人数正以每年300%的速度增长，60%的企业已使用网络形式培训员工;在西欧，e-learning市场已达到39亿美元规模;在亚太地区,越来越多的企业已经开始使用e-learning…… 据ASTD预测，到2010年，雇员人数超过500人的公司，90%都将采用e-learning。 e-learning:学习的革命 正如印刷书籍造就16世纪后的现代大学教育，互联网的普及，将使学习再次发生革命性的变化。 按照ASTD给出的定义,e-learning是指由网络电子技术支撑或主导实施的教学内容或学习。它以网络为基础、具有极大化的交互作用，以开放式的学习空间带来前所未有的学习体验。 在企业培训中，e-learning以硬件平台为依托，以多媒体技术和网上社区技术为支撑，将专业知识、技术经验等通过网络传送到员工面前。通过e-learning，员工可以随时随地利用网络进行学习或接受培训，并将之转化为个人能力的核心竞争力，继而提高企业的竞争力。 据IDC统计，自1998年e-learning概念提出以来，美国e-learning市场的年增长率几乎保持在80%以上。增长速度如此之快，除了跟企业培训本身被重视度日益提高有关，更重要的是e-learning本身的特性: 它大幅度降低了培训费用，并且使个性化学习、终生学习、交互式学习成为可能。而互联网及相关产品的开发、普及和商业化是e-learning升温最强悍的推动力。 数据表明，采用e-learning模式较之传统模式至少可节约15%-50%的费用，多则可达
6月21日 85度C VS. 星巴克SWOT分析 星巴克SWOT分析 优势 1.人才流失率低 2.品牌知名度高 3.熟客券的发行 4.产品多样化 5.直营贩售 6.结合周边产品 7.策略联盟 劣势 1.店內座位不足 2.分店分布不均 机会 1.生活水准提高 2.隐藏极大商机 3.第三空间的概念 4.建立电子商务 威胁 1.WTO开放后，陆续有国际品牌进驻 2.传统面包复合式、连锁咖啡馆的经营 星巴克五力分析 １、供应商：休闲风气盛，厂商可将咖啡豆直接批给在家煮咖啡的消费者 ２、购买者：消费者意识高涨、资讯透明化（比价方便） ３、同业內部竞争：产品严重抄袭、分店附近必有其他竞争者 ４、潜在竞争者：设立咖啡店连锁店无进入障碍、品质渐佳的铝箔包装咖啡 ５、替代品：中国茶点、台湾小吃、窜红甚快的日本东洋风...等 ８５度ｃ市場ｓｗｏｔ分析： 【Strength优势】 具合作同业优势 产品精致 以价格进行市场区分，平价超值 服务、科技、产品、行销创新，机动性强 加盟管理人性化 【Weakness弱势】 通路品质控制不易 品牌偏好度不足 通路不广 财务能力不健全 85度c的历史资料，在他们的网页上的活动信息左邊的新聞訊息內皆有詳細資料，您可以直接上網站去查閱，皆詳述的非常清楚。
顧客滿意度形成品牌重於產品的行銷模式。你可以在上他們家網站找找看！【Opportunity机会】 勇于變革变革与创新的经营理念 同业策略联盟的发展、弹性空间大 【Threat威胁】 同业竞争对手(怡客、维多伦)门市面对面竞争 加盟店水准不一，品牌形象建立不易 直，间接竞争者不断崛起(壹咖啡、City Café．．．) 85度跟星巴克是不太相同的零售，星巴客应该比较接近丹堤的咖啡厅，策略形成的部份，可以从 1.产品线的宽度跟特色 2.市场区域与选择 3.垂直整合 4.规模经济 5.地区 6.竞争优势 這6點來做星巴客跟85的区分 可以化一个表，來比较他們有什么不同 內外部的話，內部就从相同产业來分析(有什麼优势跟劣势) 外部的話，一樣是相同产业但卖的东西跟服务不太同，来与其中一个产业做比较(例如星巴客) S(优势):點心精致平价,咖啡便宜,店面设计观感很好...等等 W(劣势):对于消费能力较低的地区点心价格仍然较高,服务人员素质不齐,點心种类变化較少 O(机会):对于点心&咖啡市场仍然只有少数的品牌独占(如:星XX,壹XX...等),它可以透过连锁店的开幕达成高市占率 T(威协):1.台湾人的模仿功力一流,所以必须保持自己的特色做好市场定位 2.消費者的口味变化快速,所以可以借助学者"麥XX"的做法保有主要的點心款式外加上几样周期变化的點心 五力分析 客戶讲价能力（the bargaining power of customers）、 供应商讲价能力（the bargaining power of suppliers）、 新进入者的竞争（the threat of new entrants）、 替代品的威协（the threat of substitute products）、 现有厂商的竞争（The intensity of competitive rivalry）
Elearning 平台未来发展新趋势
随着e-Learning概念被大众逐渐所接受，如今许多e-Learning公司纷纷涌现，现基本形成三大氛围趋势。一类提供技术（提供学习管理平台，如上海久隆信息jite公司、Saba公司、Lotus公司）、一类侧重内容提供（如北大在线、SkillSoft公司、Smartforce公司、Netg公司）、一类专做服务提供（如Allen Interactions公司）。不过随着e-Learning发展，提供端到端解决方案的公司将越来越多，或者并不局限于一个领域，如目前北大在线除提供职业规划与商务网上培训课件外，还提供相应的网络培训服务，e-Learning作为企业发展的添加剂，必将成为知识经济时代的正确抉择。 e-Learning的兴起本身与互联网的发展应用有着密切关联，它更偏重于与传统教育培训行业相结合，有着扎实的基础及发展前景，因而在大部分互联网公司不景气之时，e-Learning公司仍然被许多公司所看好。 权威的Taylor Nelson Sofresd对北美的市场调查表明，有94%的机构认识到了e-Learning的重要性，雇员在10000人以上的公司62.7%都实施了e-Learning，有85%的公司准备在今后继续增加对e-Learning的投入。而54%的公司已经或预备应用e-Learning来学习职业规划与商务应用技能。 面对如此庞大的e-Learning市场，全世界e-Learning公司将面临巨大机遇，但竞争也更加激烈。优胜劣汰成为必然。将来只有更适应市场需求，确保质量，树立信誉，建设自有品牌的公司才更具备有竞争力。那么未来e-Learning到底将走向何方？ 如今很多平台开发厂商以及用户都很关心这个问题。其实从e-Learning诞生到现在，如今大家有目共睹，移动终端上的3-D让我们的体验飘飘欲仙，该技术放大了我们的舒适度；云计算使得软件的访问轻而易举；全息图像为学习环境提供了逼真的效果；个性化的LMS使得用户可以学会更多专业人员的从业经验；更多的终端、更低廉的带宽连接为现实向世界提供解决方案的能力。 个性化学习是e-Learning平台共同追求的目标，力求解决单个群体的日常需求，将成为elearning平台下一阶段发展的新追求。那么个性化的学习将为何物呢？它又将通过何途径来实现呢？ 移动学习 移动学习（M-learning）是中国远程教育本阶段发展的目标方向，特点是实现“Anyone、Anytime、Anywhere、Any style”（4A）下进行自由地学习。移动学习依托目前比较成熟的无线移动网络、国际互联网以及多媒体技术，学生和教师使用移动设备（如无线上网的便携式计算机、PDA、手机等），通 模板版次：2.0 I COPYRIGHT? 2000- JITE SHANGHAI
顾客满意度测评报告 星巴克咖啡连锁店顾客满意度测评报告 一、报告摘要 我们对本公司的星巴克咖啡连锁店进行了顾客满意度指数测评。通过对珠海市范围内92名用户的问卷调查，测评出星巴克咖啡连锁店的顾客满意度指数为。测评结果反映出顾客对星巴克咖啡连锁店的满意程度，以及存在的急需解决的问题，我们对此提出了针对性的改进建议。 二、基本情况介绍 行业分类：快餐行业 调查地点：广东省珠海市 调查方法：问卷发放地点为珠海市各星巴克咖啡店门口，进行实地人员访问调查，并在现场对研究主题加以解说，对受访者之提问加以解析，以防止漏答或乱答所产生之无效问卷，以求收集到最多、最正确的资料。 调查时间：2011年10月23日~10月30日 样本数量：92份 样本情况：2个星期内光顾星巴克咖啡店的顾客 调查机构：星巴克咖啡连锁公司 报告撰写：星巴克咖啡连锁公司 三．正文 1、测评的背景 随着咖啡产业的开发，咖啡的激烈竞争及消费者意识升高压力，提升咖啡店的服务品质，追求顾客的满意，进而提高顾客的忠诚度已成为咖啡店经营管理者一個重要课題。为了更深入、客观地了解顾客对本公司主导星巴克系列产品的需求和使用感受，开展了顾客满意度指数的测评工作。本次测评的目的是： 确定影响星巴克系列产品顾客满意度指数的主要因素； 了解顾客对星巴克系列产品的满意度水平； 分析店铺环境、服务质量等因素对满意度结果的影响； 分析星巴克咖啡连锁店与竞争对手相比较存在哪些强项和薄弱环节。
2、测评指标设定 该模型主要由6种变量组成，即顾客期望、顾客对质量的感知、顾客对价值的感知、顾客满意度、顾客抱怨、顾客忠诚。其中，顾客期望、顾客对质量的感知、顾客对价值的感知决定着顾客满意程度，是系统的输入变量；顾客满意度、顾客抱怨、顾客忠诚是结果变量。 顾客满意度指数测评指标体系分为四个层次： 第一层次：总的测评目标“顾客满意度指数”，为一级指标； 第二层次：顾客满意度指数模型中的6大要素，如下所示； 顾客对星巴克的期望 顾客对星巴克质量的感知 顾客对星巴克价值的感知 顾客对星巴克的满意度 顾客对星巴克的抱怨 顾客对星巴克的忠诚 为二级指标 第三层次：由二级指标具体展开而得到的指标，为三级指标； 第四层次：三级指标具体展开为问卷上的问题，形成四级指标。 测评体系中的一级和二级指标适用于所有的产品和服务，实际上我们要研究的是三级和四级指标。见下表： 顾客满意度指数测评的二、三级指标
企业战略E l e a r n i n g在企业里的发展与展望 集团文件发布号：（9816-UATWW-MWUB-WUNN-INNUL-DQQTY-
★★★文档资源★★★【摘要】E-learning是知识经济时代新兴的一种学习方式。它以其丰富的信息资源、友好的交互性能以及优良的开放性等特点而越来越受到人们的青睐。在知识经济时代，合理地利用时间，高效地接受信息，更快地更新知识已成为人们占主导地位的价值观念。互联网的建立为快捷化的学习提供了良好的内部和外部环境。文章首先对E-learning进行了简单介绍，其次阐述了E-learning在我国企业的发展现状；最后提出未来E-learning在我国企业里最好的发展途径就是建立“企业大学”培训方式。 【关键词】E-learning；现状；展望 E-learning自从20世纪90年代以来，被称作“第四媒体”的互联网以其无限的容量、广阔的覆盖面实现了人类传播史上新的****，一个个由它创造的新景观，不断向人们展示它独特的魅力。此外，E-Learning以其网络化、个性化、可管理等优点成为一种新的技术应用时尚，受到各国企业培训的青睐。中国的E-Learning市场在经过几年的培育以后，国内的企业开始对E-Learning表现出浓厚的兴趣，并逐步实施E-Learning的解决方案。E-Learning是一种不同与传统企业培训的一种培训方式，有自己独特的优势，如果不考虑区别，培训很难达到预期的效果。 一、E-learning
依据美国教育部2000年度“教育技术******”权威的论述，认为“E-learning”是一种受教育的方式，主要包括新技术条件下的沟通机制和人与人之问的交互作用。这些沟通机制与方式主要指：计算机网络、多媒体、专业内容网站、信息搜索、电了图书馆、远程学习与网上课堂等.通过该概念可以引伸为通过互联网进行的教育及相关服务。其作用主要有：提供了学习的随时随地性;改变传统的教师作用和师生之问的关系；提高学生批判性思维和分析能力；极大地改变课堂教学的目的和功能。 二、E-learning在我国企业里的发展现状 中国大陆关于E-learning问题的研究热潮比国外滞后近10年左右，中国台湾要比大陆早一些，有关E-learning研究的文章，有许多都是对外国资料的引入，本土化的E-learning研究还十分少，主要原因是E-learning确实还是新生事物，其发展还需要很长的一个过程。尤其是在企业培训方面的学术论文很少。而研究新员工E-learning培训的就少之又少了。在中国大陆，E-learning研究主要有两个方向：（1）学术界（主要是教育技术界），将视角放在了远程教育，关注网络学历教育，学校的网络课堂建设，学习支持服务系统的建设等等，几乎与网络远程教育是一个概念；（2）企业培训及咨询业，焦点则是落在企业的培训，且重点放在企业管理培训。对于新员工的E-learning培训方面的研究，无论是国外，还是国内，都很少见到有专门的分支研究，而是常常在企业E-learning培训系统中作为案例或是系统的一个部分来解说。现
连锁咖啡店顾客满意度涉入程度对忠诚度影响之研究以台北市星巴克 为例 Document number【SA80SAB-SAA9SYT-SAATC-SA6UT-SA18】
连锁咖啡店顾客满意度、涉入程度对忠诚度影响之研 究-以台北市星巴克为例 The Effects of Customer Satisfaction and Involvement Levels on Customer Loyalty—An Empirical study of Starbucks Coffee Stores in Taipei City Area 郭佳铭 Chia Ming Kuo 高雄应用科技大学观光管理系四观三甲 中文摘要 近年来咖啡馆不断地在大街小巷崛起，可见各品牌咖啡馆的战国时期已然展开，连锁品牌的引进与知名财团的投入，不外乎是因为看好国内咖啡市场，着眼於其背後可观的商机，但到底台湾的咖啡市场还有多大的发展空间随着国人饮用咖啡的习惯逐渐养成，频率日渐升高，各咖啡品牌展店的数目和速度也全力加快，市场供需间的竞争自然日渐白热化，因此，各咖啡连锁店如何锁定目标客层，培养满意的顾客群，进而建立消费者对其的忠诚度，就必须各凭本事了。本研究试图针对咖啡连锁店建构消费者满意度与忠诚度间关系的架构，并纳入消费者本身对咖啡的涉入程度加以探讨，希望能提供相关业者在经营管理上与行销策略上的建议与修正。 本研究选定的产业范围为咖啡连锁店，碍於人力与时间的限制，选定台北市作为本研究的研究地理范围，并定义本研究所指咖啡连锁店乃是在台北市具有七家分店以上的咖啡连锁业者。本研究选定星巴克六家台北市咖啡店之消费者作为研究母体，根据过往研究结果预期得知以下研究结果： 1.「人口统计变数」对「满意度」或对「忠诚度」的差异只有部分显着。 2.「涉入程度」对「满意度」或对「忠诚度」的差异皆为显着。 3.「满意度」与「忠诚度」具有显着的关联性。 4.「涉入程度」对满意度与忠诚度间关系具有中介效果。 针对以上研究结果，本研究提出以下建议：研究计画提建议 1.吸引一个新顾客所需花费的成本是留住一个旧有顾客的五倍之多(Kolter, Leong, Ang & Tan,1996)，显见提升消费者忠诚度的重要性，而本研究发现消费者满意度与忠诚度间的确呈现正向关系，表示满意度的提升能有效带动忠诚度，使得消费者愿意再次购买、推荐亲朋好友购买，甚至可以容忍产品价格的些微上涨，因此，咖
e-Learning基本知识（2008） 一、e-Learning概念及定义 E-learning又称电子化学习，是指通过计算机、网络等数字化方法进行学习与教学的活动，它充分利用IT技术所提供的、具有全新沟通机制与丰富资源的学习环境，实现一种新的学习方式。 （1）广义地讲，E-learning指电子化、数字化或互联网化学习。 （2）狭义地讲，E-learning指互联网化学习，因为互联网对人们工作和生活的影响越来越巨大，特别是在学习方面，日益成为一种主流的学习方式。 （3）从企业角度讲，E-learning是一种学习与绩效提升的解决方案，它通过网络等技术实现学习的全过程管理（设计、实施、评估等），使学习者获得知识、提高技能、改变观念、提升绩效，最终使企业提升竞争力。] 综上，E-learning是由网络电子技术支撑或主导实施的教学内容和学习，它是网络与信息科技（指学习管理系统-learning management system）、教学内容和学习技术的完美结合。包括因特网在线学习和内部网在线学习两种基本方式。 二、e-learning的历史及发展趋势 1、在E-learning已经得到了重视和较为广泛的运用： （1）在E-learning的发源地美国，自从1999年，在美国加州的online Learning大会上第一次提出这个概念以来，在全球范围内电子化学习的应用一直保持了一个很高的增长速度； （2）美国92%的大型企业已经或开始采用在线学习，其中60%的企业已经将e-Learning 作为企业实施培训的主要辅助工具。 （3）截止到2004年，全球20%的企业运用了在线学习模式； （4）据IDC(互联网数据中心)的估计，E-learning将达到占企业总训练量的40%，而传统的教室训练将下降至60%； （5）据ASTD（美国培训与发展协会）预测，到2010年，雇员人数超过500人的公司中90%都将采用E-learning进行培训。 2、在中国，E-leaning经历了一个逐渐被接受的过程： （1）从1999年已经有人开始研究E-learning的企业应用； （2）2001年国外在线学习公司开始进入中国 （3）2002年开始，很多中国大型的金融、通讯企业开始采用在线学习，如工行、太保、中移动、中国电信等企业。但由于发展阶段和需求的不同，国外的系统在中国无法大规模地推广和有效使用，市场呼唤国内的专业化企业能够开发出有效的系统和内容以满足市场不断增长的需求。 （4）04、05年在线学习以各种方式在中小企业开始运用2004年以来，中国企业E-learning 在加速发展之中，企业的HR部门逐渐看到了应用E-learning能为企业带来的优势，不但节省经费、时间、人力，而且使企业内部知识得到快速的更新，成为企业竞争力提升必不可少的一部分。另外，市场上也出现了一些能够提供很好内容和服务的供应商，如以时代光华为代表的e-learning提供商。 2001年e-learning的市场总额为52亿美元，预计2006年市场总额将达到237亿美元，年平均增长率为35.6%。这主要是由于这种新的学习培训模式确实能够大幅降低培训的
星巴克的困境 一、服务产品分析 (一) 星巴克的战略与差异化定位 1. 服务发展战略： 为人们提供“第三空间”的享受，倡导将生活与咖啡结合起来，将享受咖啡时的体验交错在人们的生活中； 2. 差异化定位： (二) 服务设计过程产生难点和解决 1. 服务设计过程中的难点： 服务不同于有型的产品，它具有四种主要的特性：不可储存性、无形性、同步性和可变性。 星巴克的战略与差异化 定位 服务设计过程产生难点和解决服务包的构成与服务的 传递
导致人们只能通过语言来描述服务，这就需要星巴克解决服务设计中的两个问题： （1）. 过于简单，不全面； （2）. 主观性较强，阐述具有偏见 2. 服务设计过程中难点的解决： （1）. 服务过程中提供丰富多样的产品，如零售渠道销售咖啡产品、咖啡豆和咖啡粉 等，让用户从多个角度感受到了星巴克的品牌价值和服务主张； （2）. 无形的服务通过有形的产品表现出来，如用户在进入星巴克之前，可能会尝试 星巴克的冰淇淋，让用户切实感受到星巴克的优质产品。 (三) 服务包的构成与服务的传递 1. 服务包的构成 （1）. 核心服务——提供根本服务 为顾客提供最好的咖啡和周边产品，如罐装咖啡、咖啡粉、咖啡豆和冰淇淋等。 （2）. 便利性服务——增加服务可获得性 咖啡粉、罐装咖啡等产品遍布在机场、餐厅和旅馆；（购买前） 星巴克服务场所多位于交通密集、可见度高的场所；（购买前） 整个咖啡购买过程当中，3分钟内的服务承诺；（购买中） 拟引进自主咖啡机，用户更方便地获取咖啡；（购买中） 会员卡制度，为顾客提供方便的；（购买中） 提供享用咖啡的场所，用户可以更方便地品尝咖啡（购买后） （3）. 支持性服务——增加服务的互动性 合作者被鼓励和顾客交谈，为顾客提供意想不到的惊喜； 提供点心、苏打水和果汁和咖啡相关的器具； 无线高速上网； 与其他顾客进行互动，周围的环境让顾客愿意留下来 （4）. 顾客参与 核心服务 便利性 服务 辅助性 服务 顾客参与
企业e-Learning在线学习建设方案 企业培训是企业提升员工技能、提高员工个人能力素质的有效手段，企业对于培训需求的确定，是企业培训管理者根据企业自身的发展、企业员工岗位的任务要求以及员工的个人能力素质目标来确定的。 新形式下，大多数大型企业为了迅速建设自己的高效团队，纷纷建设企业大学，以培养高素质人员，为了节省成本，都青睐于引入e-Learning机制，为员工提供方便灵活的学习方式。 企业引入e-Learning后，培训效果将取得较大的提高，您的企业将会： 1.充分利用企业内部培训资源，创造反复使用的学习内容 2.降低培训成本，大大节省面对面培训的花费，如教师费用、场地费用、差旅费用 3.降低员工离职所带来的损失 4.提高培训效率，与面授培训相结合，可以最大化的提高培训效率. 经过大量的企业应用后，根据调查结果显示，实施e-Learning后的直接效果： ☉面授培训时间缩减了↓40% ☉差旅的费用下降了↓50% ☉培训的完成率增加了↑2倍 ☉员工培训总数增加了↑25% ☉学习曲线加快↑60％ ☉内容保持力提高↑25－60％ ☉学习收获增加↑56％ ☉连贯性增强↑50－60％ ☉培训过程压缩↓70％或更高 ☉内容传递的准确减少了教学过程中偏差↓26% XR-e-Learning企业版是专门为企业实施网络学习（e-Learning）而打造的网络培训和知识管理平台，它是针对合作企业内部人才培养的特点，专门为合作企业单独设计的。包含了实现企业内部知识管理体系的功能，同时可以与企业的其他系统如OA、绩效等管理平台及数据库无缝联接起来，是将传统教育形式（面授、阅读等）与在线网络学习有机结合在一起的一套教育综合管理系统。平台支援企业所独有的：技能管理、学习管理、内容管理、知识管理、教室管理及工作流管理等。尤其是其操作界面打破了传统的表格式管理界面，具有独创的
小组成员：李丹胡燕徐钰容韩乐 星巴克环境分析报告 目前国内咖啡消费60%为速溶咖啡，传统冲泡方式的咖啡消费仅占30%。据统计，中国速溶咖啡是40%的年增率，传统咖啡是30%的年增长率，可见，未来中国的消费增长空间极大，中国的咖啡消费市场是一块可口的蛋糕。星巴克看好中国市场的巨大潜力，致力于在不久的将来使中国成为星巴克在美国之外最大的国际市场。自1998年3月在台湾开出第一家店和1999年1月在北京开出大陆第一家店以来，星巴克已在中国大陆、香港、台湾和澳门开设了近 500多家门店，其中约230家在大陆地区。 （一）宏观营销环境： 1, 对于咖啡来说，文化环境最重要。在中国，历来被国民所接受的是茶叶。而茶叶和咖啡，有些水火不容的味道。让习惯喝茶的中国人来普遍地喝咖啡还有很长的路要走。星巴克在以绿茶为主要饮料的国家的初步成功，可以说明其理念能被不同文化背景所接受。 2, 消费者支付能力提高。近年来，中国经济飞速发展，国民生活水平显著提高，消费水平也在与日俱增，为星巴克在中国扩大市场提供了条件.。 3, 中国人口总量巨大，因而营销的市场广阔。同时咖啡没有特别的年龄阶段以及性别的限制，主要是针对职业结构和受教育程度等结构特点，开展营销活动。 4，地理分布对咖啡来说很重要，但其重要逐渐减小。地理分布决定了自然条件，也就在一定程度上决定了人们的生活习惯以及地区的经济。随着经济的发展和咖啡文化的普及，此影响减弱，但也是不可忽视的一方面。一般来说，人口密度大，顾客越集中，营销成本就越底。因此，开在繁华的街道，对星巴克来说，是非常有益的。 （二）微观营销环境： 1, 对于企业内部，星巴克提供非常全面且多样化的职业发展机会。星巴克所有的职位都将提供不同的职业发展机会–以及极佳的培训和福利条件。坚持员工第一原则，对员工大量投资。建立了完善的薪酬福利制度，增加员工福利，同时，对员工进行非常培训，即栽培和辅导训练。使员工对企业的满意度高，流失率少，能够为顾客提供一流的服务水平。而且，星巴克认为，在服务业，最重要的营销管道式分店本身，而不是广告，通过员工的完美服务，使星巴克赢得信任和口碑。
连锁咖啡厅顾客满意度对顾客忠诚度之影响－以高雄市星 巴克为例 The Effects of Customer Satisfaction on Customer Loyalty—An Empirical study of Starbucks Coffee Stores in Kaohsiung City 吴明峻 Ming-Chun Wu 高雄应用科技大学观光管理系四观二甲 学号：1093136106 中文摘要 本研究主要在探讨连锁咖啡厅顾客满意度对顾客忠诚度的影响。 本研究以高雄市为研究地区，并选择8间星巴克连锁咖啡厅的顾客作为研究对象，问卷至2006年1月底回收完毕。 本研究将顾客满意度分为五类，分别是咖啡、餐点、服务、咖啡厅内的设施与气氛和企业形象与整体价值感；将顾客忠诚度分为三类，分别是顾客再购意愿、向他人推荐意愿和价格容忍度，并使用李克特量表来进行测量。 根据过往研究预期得知以下研究结果： 1.人口统计变项与消费型态变项有关。 2.人口统计变项与消费型态变项跟顾客满意度有关。 3.人口统计变项与消费型态变项跟顾客忠诚度有关。 4.顾客满意度对顾客忠诚度相互影响。 关键词：连锁、咖啡厅、顾客满意度、顾客忠诚度 E-mail：hisoka47@https://www.doczj.com/doc/485422241.html,
一、绪论 1.1研究动机 近年来，国内咖啡消费人口迅速增加，国外知名咖啡连锁品牌相继进入台湾，全都是因为看好国内咖啡消费市场。 在国内较知名的连锁咖啡厅像是星巴克、西雅图极品等。 本研究针对连锁咖啡厅之顾客满意度与顾客忠诚度间关系加以探讨。 1.2研究目的 本研究所要探讨的是顾客满意度对顾客忠诚度的影响，以国内知名的连锁咖啡厅星巴克之顾客为研究对象。 本研究有下列五项研究目的： 1.以星巴克为例，探讨连锁咖啡厅的顾客满意度对顾客忠诚度之影响。 2.以星巴克为例，探讨顾客满意度与顾客忠诚度之间的关系。 3.探讨人口统计变项与消费型态变项是否有相关。 4.探讨人口统计变项与消费型态变项跟顾客满意度是否有相关。 5.探讨人口统计变项与消费型态变项跟顾客忠诚度是否有相关。 二、文献回顾 2.1连锁咖啡厅经营风格分类 根据行政院（1996）所颁布的「中华民国行业标准分类」，咖啡厅是属于九大行业中的商业类之饮食业。而国内咖啡厅由于创业背景、风格以及产品组合等方面有其独特的特质，使得经营型态与风格呈现多元化的风貌。 依照中华民国连锁店协会（1999）对咖啡产业调查指出，台湾目前的咖啡厅可分成以下几类： 2.1.1欧式咖啡
星巴克咖啡客户关系管理现状分析及解决方案 内容摘要：通过对星巴克的客户特征、客户满意、客户忠诚、客户保持及客户关系管理现状的分析，设计其客户满意体系、客户保持方案及CRM系统方案，全面了解关于客户关系管理方面的问题。 目录 星巴克咖啡客户关系管理现状分析及解决方案 (1) 1企业基本背景 (2) （1）星巴克概况 (2) （2）星巴克品牌 (4) （3）发展大事记 (5) 2客户特征分析 (5) （1）“星巴克”名字由来和定位 (5) （2）调查研究 (6) A年龄 (6) B教育程度 (6) C职业 (6) 3客户满意、客户忠诚现状分析 (6) （1）企业因素 (7) （2）产品因素 (8) （3）营销与服务体系 (9) （4）沟通因素 (11) （5）客户体验 (11) （6）小结 (12) 4客户保持现状分析 (12) （1）为顾客提供免费商品（购买会员资格后才可享受） (13) （2）客户体验 (13) （3）服务创新 (14) （4）渠道创新 (14) （5）消费教育 (15) （6）口碑营销 (15) 5客户关系管理中存在的问题分析 (15) （1）品牌的迷失。 (15) A 经济下滑，购买力下降。 (15) B扩张无度，加速品牌平淡化。 (15) C 品牌泛化，无异于品牌自宫。 (16)
(2)服务质量下降。 (16) (3)解决方案 (16) 6客户价值识别 (16) （1）客户价值定位 (16) a.企业为客户创造或提供的价值。 (16) b.客户为企业创造的价值。 (16) （2）客户价值的定义 (17) 7客户满意度评价指标体系设计 (17) 8客户保持方案设计 (18) 9CRM系统方案设计（系统功能、及子系统功能） (19) （1）CRM系统定义 (19) （2）CRM系统功能 (19) A接触活动 (19) B业务功能 (19) C数据仓库功能 (19) （3）CRM各子系统功能 (20) 10小结 (22) （1）星巴克成功原因 (22) （2）自己的收获 (22) 1企业基本背景 （1）星巴克概况 星巴克（英文：Starbucks） NASDAQ：SBUX 港交所：4337 星巴克（Starbucks）是美国一家连锁咖啡公司的名称，1971年成立，为全球最大的咖啡连锁店，是世界领先的特种咖啡的零售商，烘焙者和星巴克品牌拥有者。旗下零售产品包括30多款全球顶级的咖啡豆、手工制作的浓缩咖啡和多款咖啡冷热饮料、新鲜美味的各式糕点食品以及丰富多样的咖啡机、咖啡杯等商品。其总部坐落美国华盛顿州西雅图市。此外，公司通过与合资伙伴生产和销售瓶装星冰乐咖啡饮料、冰摇双份浓缩咖啡和冰淇淋，通过营销和分销协议在零售店以外的便利场所生产和销售星巴克咖啡和奶油利口酒，并不断拓展泰舒茶、星巴克音乐光盘等新的产品和品牌。除咖啡外，星巴克亦有茶、馅皮饼及蛋糕等商品。星巴克在全球范围内已经有近12,000间分店遍布北美、南美洲、欧洲、中东及太平洋区。
星巴克服务质量差距模型分析 一、服务质量差距模型 星巴克作为全球最大的咖啡连锁店，其提供的服务一直被作为研究对象进行研究，但是通过查找文献发现，对其基于服务质量差距模型一直空白，而其又拥有较高的研究价值，所以通过对成都地区星巴克部分门店的走访调查以及总结归纳，对星巴克服务质量差距模型进行了简要分析。 二、服务蓝图 服务蓝图是一种有效描述服务传递过程的可视技术。通过服务蓝图技术，将星巴克门店提供给一般消费者服务的全过程记录下来，以便于更好的观察该服务组织的服务质量差距产生的位置。 三、发现差距 通过对成都星巴克总府路王府井店进行观察，并随机对顾客进行了询问，总结出了几条该店在服务上与顾客期望感知之间的差距。并对这些差距对照服务质量差距模型进行了分类汇总
星巴克服务上与顾客期望感知之间的差距分类汇总表 四、差距描述与原因诊断 （一）消费者期望与管理认知之间的差距差距描述： 顾客和星巴克的管理者直接对于门店合适的面积的观点似乎并不一致。顾客期望能够得到一个宽松的，相对不太拥挤的环境。然而，星巴克总府路王府井门店的面积和顾客期望之间是有一定的差距的。 经过调查发现，春熙路商圈内的星巴克门店不少于五家。在与考察的门店相隔一个天桥的对面便有两家星巴克，然而，通过询问前来消费的顾客得知，他们对其他门店的存在并不太清楚。 原因： 1.营销研究导向不充分——类似于星巴克这种服务提供组织，店铺需要铺设在高地租的商圈内，由于客流量大，经常需要在同一个商圈中开设几家门店。可以采取的措施是在店内标示出附近星巴克门店的具体位置，以提醒消费者周围并不是只有这里一家。 2.缺乏向上沟通——在一般的服务传递中，员工没有及时向上级传递这一问题。
复旦大学eLearning教学平台 用户手册 2010年9月
1. 前言 (3) 2. 教学平台模块简介 (3) 2.1 个人工作空间 (4) 2.1.1 主页 (4) 2.1.2 个人资料 (5) 2.1.3 所属站点 (7) 2.1.4 日程 (9) 2.1.5 资源 (9) 2.1.6 通知 (17) 2.1.7 站点设置 (17) 2.1.8 用户偏好 (20) 2.1.9 账户信息 (22) 2.1.10 帮助 (22) 2.2 教师使用手册 (23) 2.2.1 主页 (23) 2.2.2 课程大纲 (23) 2.2.3 日程 (27) 2.2.4 通知 (27) 2.2.5 资源 (30) 2.2.6 作业 (30) 2.2.7 练习与测验 (35) 2.2.8 成绩册 (45) 2.2.9 投递箱 (47) 2.2.10 网站内容 (48) 2.2.11 花名册 (49) 2.2.12 站点信息 (49) 2.2.13 讨论区 (50) 2.2.14 站内消息 (50) 2.2.15 调查工具 (51) 2.2.16 帮助 (53) 2.3 学生使用手册 (53) 2.3.1 主页 (53) 2.3.2 课程大纲 (53) 2.3.3 日程 (54) 2.3.4 通知 (54) 2.3.5 资源 (54) 2.3.6 作业 (55) 2.3.7 练习与测验 (57) 2.3.8 成绩册 (57) 2.3.9 投递箱 (58) 2.3.10 网站内容 (58) 2.3.11 花名册 (58) 2.3.12 站点信息 (59) 2.3.13 讨论区 (59)
目录 1 绪论 (1) 1.1 国内外现状综述 (1) 1.2 论文研究内容及意义 (2) 2 江动集团的现状及面临的主要问题 (3) 2.1 江动集团的现状 (3) 2.2江动集团面临的的主要问题 (3) 2.3江动集团问题的解决措施 (4) 3 江动集团满意度测评流程及其内容构成 (5) 3.1 顾客满意度的内涵 (5) 3.2 江动集团顾客满意度测评的步骤 (7) 3.3 江动集团顾客满意度测评问卷的设计 (8) 3.3.1 测评问卷设计的思路 (8) 3.3.2 江动集团测评问卷的优化 (9) 3.4 江动集团顾客满意度评价问卷的调查 (14) 3.4.1 确定调查对象 (14) 3.4.2 实施调查的方法 (14) 3.5 江动集团满意度测评的报告 (14) 4 江动集团顾客满意度测评指标体系权重计算及结果分析 (15) 4.1 江动集团对顾客满意度的测评指标体系 (15) 4.1.1 满意度测评指标体系的原则 (15) 4.1.2 江动集团满意度测评指标体系的构成 (15) 4.1.3 测评指标的量化 (17) 4.2 指标体系权重计算及结果分析 (17) 4.2.1 顾客满意度测评指标体系权重的确定 (17) 4.2.2 指标体系权重的计算 (19) 4.2.3 指标体系权重的结果分析 (22) 5 江动集团顾客满意度指数计算及结果分析 (24) 5.1 江动集团顾客满意度指数的计算及结果分析 (24) 5.1.1 江动集团顾客满意度调查表调查结果分析 (24) 5.1.2 江动集团顾客满意度指数计算 (24) 5.2 确定改进对象及方法 (26) 6 总结和展望 (30) 参考文献 (31) 致谢 (32)
南京医科大学网络自主学习平台邀请招标书 招标书编号： 公司： 因教案管理需要，拟采购以下网络软件系统和服务。现发出邀请招标文书，凡符合招标书要求的厂商均可按要求填写招标文件，参与投标。投标有关内容如下： 一、标的说明 网络自主学习平台软件系统，具体要求见附件。 二、招标单位要求 、投标单位必须有独立法人资格要求并响应本次招标技术规格要求。 、付款方式：安装调实验收合格后付，剩余在半年后付清。 、报价方式：人民币价格。 三、标书要求 、标书一式四份，正本一份、副本三份。 、标书内容： （）具有法人资格，国内注册专业生产、经营（投标设备名称）符合参加本次招标的投标人资格。 （）公司情况介绍、经营许可证（产品生产许可证）、税务登记证书、法人授权投标人证明、公司对本次项目承诺书等有效资质证明。 （）报价：人民币价格，金额单位“万元”，保留两位小数，单价和总价应包括安装、调试、售后服务等相关的所有费用。 （）系统详细的技术参数、售后服务承诺、价格；报价含设计、安装、调试费等全部费用，保价表中的配置要求为基本要求，投标的配置需高于或等于配置表中的要求，报价采用一次性报价。 （）服务（包括售后）承诺、执行进度和期限。 （）主要业绩情况说明。 、投标文件须密封并在封口加盖公章。 四、评标方式
招标人在对投标人的实力、信誉、价格、业绩及服务等综合因素进行综合评定的情况下确定中标人。对未中标人，招标小组将不作任何解释。 五、其他要求 投标人请仔细阅读招标文件，并按要求编制和提交投标文件。 、投标标书是合同不可分割的一部分，参与投标即视为对本邀标书要求的接受。 、请投标人务必仔细阅读本招标文件，严格遵照标书内容应标，投标书不符合邀标书的要求即视为废标。 、投标文件发布时间：20XX年1月9日上午～时（北京时间）。投标文件发布地点：南京医科大学教务处。 、投标截止时间：：20XX年1月15日时整前（北京时间）。投标人应在规定的时间内将制作的投标文件一式四份密封加盖公章后送达南京医科大学教务处办公室。 联系人：南京医科大学教务处喻荣彬 联系电话： 特此邀请。 南京医科大学 20XX年1月9日