การสร้างแบบจำลองปัจจัยการซื้อผลิตภัณฑ์ทำผมของผู้ประกอบการธุรกิจร้านทำผม โดยใช้เทคนิคการจัดกลุ่มแบบสองขั้นตอน

บทคัดย่อ

งานวิจัยนี้ได้นำเสนอการวิเคราะห์ปัจจัยการซื้อผลิตภัณฑ์ซาลอนของผู้ประกอบการธุรกิจร้านซาลอน โดยใช้เทคนิคการทำเหมืองข้อมูล สำหรับการศึกษานี้ได้แบ่งการศึกษาออกเป็นสองส่วน คือ ส่วนที่หนึ่งเป็นการใช้เทคนิคการจัดกลุ่มแบบสองขั้นตอน (Two stage clustering) จากประเภทของผลิตภัณฑ์ที่สั่งซื้อเพื่อแยกผู้ประกอบการธุรกิจซาลอนตามผลิตภัณฑ์ที่สั่งซื้อ  ในเบื้องต้นได้ทำการเก็บรวบรวมข้อมูลผู้ประกอบการธุรกิจ ซาลอนในเขตพื้นที่กรุงเทพมหานคร จำนวน 526 ระเบียน 20 คุณลักษณะ โดยใช้เทคนิคโครงข่ายประสาทเทียม (SOM) เพื่อหาจำนวนกลุ่มที่เหมาะสมและใช้เทคนิคเคมีนส์ (K-Means) ในการจัดกลุ่มข้อมูล จากการจัดกลุ่มข้อมูลแบบสองขั้นตอนพบว่า จำนวนกลุ่มที่เหมาะสมมีจำนวน 3 กลุ่ม โดยกลุ่มที่ 1 มีสมาชิกจำนวน 191 ระเบียน กลุ่มที่ 2 จำนวน 223 ระเบียนและกลุ่มที่ 3 จำนวน 112 ระเบียน สำหรับการศึกษาในส่วนที่สองเป็นการวิเคราะห์ปัจจัยที่มีผลต่อการซื้อผลิตภัณฑ์ของผู้ประกอบการในแต่ละกลุ่มโดยสร้างแบบจำลองพฤติกรรมการสั่งซื้อผลิตภัณฑ์โดยใช้เทคนิคการจำแนกข้อมูล (Classification) ในรูปแบบของกฎ โดยในกลุ่มที่ 1 มีจำนวนกฎ 15 กฎ ในกลุ่มที่ 2 จำนวน 20 กฎและในกลุ่มที่ 3 จำนวน 14 กฎ ซึ่งประโยชน์ที่ได้รับจากการศึกษานี้ทำให้ผู้ขายผลิตภัณฑ์ซาลอนสามารถวิเคราะห์พฤติกรรมของผู้ประกอบการธุรกิจซาลอนเพื่อเป็นแนวทางในการจัดการรูปแบบกลยุทธ์การขายผลิตภัณฑ์ต่อไปในรูปแบบของแบบจำลองพฤติกรรมของผู้บริโภค สำหรับแนวทางในการศึกษาต่อ คือ การศึกษาเทคนิคการจัดกลุ่มข้อมูลเทคนิคอื่นๆ  นอกเหนือจากเทคนิคเคมีนส์ และศึกษาเทคนิคการจำแนกข้อมูลในการสร้างแบบจำลองเพิ่มเติมนอกเหนือจากเทคนิคต้นไม้ตัดสินใจ

Model Creation of Buying Hairdressing Products’Factors by Salon Bussiness Using Two Stages Clustering Techniques

This research demonstrates the factors of buying hairdressing products by data mining techniques. The study could be divided into two parts. The first part is two stages clustering considered by hairdressing product. The collected data were 526 records and 20 features according to the hairdressing/salon business in Bangkok Metropolitan Region. Self-Organizing Maps (SOM) were employed to estimate the number of clusters. In addition, K-Means were applied for clustering the data.  The number of clusters could be divided into 3 groups which were 191 records, 223 records and 112 records respectively. The second part is the factor analysis of buying hairdressing products by different hairdressing/salon business. According to the classification technique, the model was created in the form of rules comprising 15 rules for the first cluster, 20 rules for the second cluster and 14 rules for the third cluster. The future study should focus on other clustering and classification techniques apart from the techniques used in this study.

DOI: http://dx.doi.org/10.14456/becj.2016.2