การพัฒนาตัวแบบพยากรณ์การรักษาฐานลูกค้า ด้วยเทคนิคการเรียนรู้ของเครื่อง: กรณีศึกษาธุรกิจแฟรนไชส์จุดรับส่งพัสดุ
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) พัฒนาตัวแบบพยากรณ์ข้อมูลด้วยเทคนิคการเรียนรู้ของเครื่องที่สามารถทำนายการกลับมาใช้บริการ 2) เปรียบเทียบประสิทธิภาพของตัวแบบที่สร้างด้วยเทคนิคการเรียนรู้ของเครื่อง และ 3) วิเคราะห์ปัจจัยสำคัญที่ส่งผลต่อการรักษาฐานลูกค้าในธุรกิจแฟรนไชส์จุดรับส่งพัสดุ ในส่วนของวิธีดำเนินการวิจัยได้อ้างอิงตามกระบวนการมาตรฐานการทำเหมืองข้อมูล โดยใช้ข้อมูลรายการธุรกรรม (เดือนสิงหาคม 2568 ถึงมกราคม 2569) ข้อมูลถูกจัดเตรียมด้วยการสกัดคุณลักษณะตามกรอบแนวคิดการวิเคราะห์พฤติกรรมลูกค้าด้วย ปัจจัยด้านความใหม่ ความถี่ และ มูลค่าทางการเงิน ร่วมกับปัจจัยการใช้บริการเก็บเงินปลายทาง และนำเทคนิคการสังเคราะห์ข้อมูลรูปแบบตารางด้วยโครงข่ายเชิงปริปักษ์ มาใช้ในการปรับสมดุลของข้อมูลในชุดการเรียนรู้ เพื่อยกระดับประสิทธิภาพของตัวแบบพยากรณ์ ก่อนดำเนินการเปรียบเทียบประสิทธิภาพของอัลกอริทึมการเรียนรู้ของเครื่อง คือ เทคนิคการถดถอยโลจิสติก เทคนิคป่าสุ่ม เทคนิคเอ็กซ์จีบูสต์ และ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน ผลการวิจัย
ตอบวัตถุประสงค์ดังนี้ 1) ผลการพัฒนาตัวแบบพยากรณ์สำเร็จ ได้ตัวแบบที่สามารถขจัดความไม่สมดุลในการเรียนรู้ของตัวแบบได้ 2) ผลการเปรียบเทียบพบว่า ตัวแบบเทคนิคเอ็กซ์จีบูสต์ มีประสิทธิภาพในการพยากรณ์สูงที่สุด
โดยให้ค่าพื้นที่ใต้กราฟ เท่ากับ 0.8462 ซึ่งมีความเหมาะสมที่สุดในการนำไปประยุกต์ใช้เพื่อพยากรณ์การกลับมา
ของลูกค้า 3) ผลการวิเคราะห์ปัจจัยสำคัญพบว่า ปัจจัยด้านความใหม่ของการใช้บริการ เป็นตัวแปรที่มีอิทธิพล
ต่อการพยากรณ์มากที่สุด ตามด้วยสถานะการใช้บริการเก็บเงินปลายทางผลลัพธ์จากงานวิจัยนี้บ่งชี้ว่าการใช้ชุดข้อมูลจากธุรกิจขนาดเล็กสร้างตัวแบบพยากรณ์ สามารถนำตัวแบบนี้ไปใช้เป็นเครื่องมือสนับสนุนการตัดสินใจเพื่อวางแผนกลยุทธ์การรักษาฐานลูกค้าเชิงรุกเพิ่มอัตราการใช้บริการซ้ำ และสร้างความได้เปรียบทางการแข่งขันในธุรกิจขนส่งได้
อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ข้อความและบทความในวารสารนวัตกรรมการบริหารและการจัดการ เป็นแนวคิดของผู้เขียน ไม่ใช่ความคิดเห็นและความรับผิดชอบของคณะผู้จัดทำ บรรณาธิการ กองบรรณาธิการ วิทยาลัยนวัตกรรมการจัดการ และมหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์
ข้อความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการีพิมพ์ในวารสารนวัตกรรมการบริหารและการจัดการ ถือเป็นลิขสิทธิ์ของวารสารนวัตกรรมการบริหารและการจัดการ หากบุคคลใดหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือกระทำการใดๆ จะต้องได้รับอนุญาติเป็นลายลักษณ์อักษรจากวารสารนวัตกรรมการบริหารและการจัดการก่อนเท่านั้น
เอกสารอ้างอิง
กาญจนา หฤหรรษพงศ์ และ ปิยมาศ จิตตระ. (2561). การวิเคราะห์แบบ RFM ในการแบ่งกลุ่มผู้ใช้งานเครื่องพิมพ์และเครื่องถ่ายเอกสารในองค์กร กรณีศึกษาสํานักวิชาสารสนเทศศาสตร์ มหาวิทยาลัยวลัยลักษณ์. วารสารวิชาการการจัดการเทคโนโลยีสารสนเทศและนวัตกรรม, 5(1), 21-29.
จามรกุล เหล่าเกียรติกุล. (2558). เหมืองข้อมูลเบื้องต้น : Introduction to Data Mining. กรุงเทพฯ : แดเน็กซ์ อินเตอร์คอร์ปอเรชั่น.
ชาญชวัฒน์ ภัคดีศรี. (2566). การพัฒนากลยุทธ์ทางการตลาดโดยใช้วิทยาศาสตร์ข้อมูลในการจัดกลุ่มลูกค้าตามพฤติกรรมการซื้อสินค้า [การค้นคว้าอิสระปริญญามหาบัณฑิต, มหาวิทยาลัยธรรมศาสตร์]. วิทยาลัยนวัตกรรม. https://digital.library.tu.ac.th/tu_dc/frontend/Info/item/dc:313603
ณรรฐคุณ วิรุฬห์ศรี, ลัทธพล โชครัตน์ประภา, ณัฐณิชา ศรีสมาน และพรทิพย์ เดชพิชัย. (2565). การวิเคราะห์แบ่งกลุ่มลูกค้าโดยใช้พฤติกรรมการซื้อเชิงลึก: กรณีศึกษา บริษัทผู้ผลิตอาหารสัตว์เลี้ยงแห่งหนึ่ง. วารสารวิทยาศาสตร์ลาดกระบัง, 31(1), 103-120.
ปัณดารีย์ สุนทรวราภาส, น้ำทิพย์ ตระกูลเมฆี, และ สูรีนา มะตาหยง. (2563). การวิเคราะห์แบบ RFM ในการแบ่งกลุ่มผู้ใช้งานตามพฤติกรรมการยืมทรัพยากรสารสนเทศ ของสำนักทรัพยากรการเรียนรู้คุณหญิงหลงอรรถกระวีสุนทร มหาวิทยาลัยสงขลานครินทร์. วารสารบรรณศาสตร์ มศว, 13(1), 30-45.
ปรารถนา ด่านก่อโพธิ์. (2567). การพยากรณ์ยอดขายโดยใช้อัลกอริทึม XGBoost และ TimesFM [วิทยานิพนธ์ปริญญามหาบัณฑิต, จุฬาลงกรณ์มหาวิทยาลัย].
https://www.cp.eng.chula.ac.th/~prabhas/thesis/prathana_complete_2024.pdf
วิรากานต์ กิตติบวรกุล, ศรายุทธ นนท์ศิริ, และ พิชิตชัย คำอินทร์. (2565). การเปรียบเทียบประสิทธิภาพเทคนิคการเรียนรู้ของเครื่องสำหรับการบำรุงรักษาเชิงคาดการณ์ของเครื่องยนต์อากาศยาน. วารสารวิชาการสมาคมสถาบันอุดมศึกษาเอกชนแห่งประเทศไทย (ฉบับวิทยาศาสตร์และเทคโนโลยี), 11(1), 16–29.
Ang, L., & Buttle, F. (2006). Customer retention management processes: A survey of Australian companies. European Journal of Marketing, 40(1/2), 83-99. https://doi.org/10.1108/03090560610637329
Gundogdu, S. (2022). Hepatitis C Disease Detection Based on PCA–SVM Model. Hittite Journal of Science and Engineering, 9(2), 111-116.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). John Wiley & Sons.
Kim, J., & Seok, J. (2024). ctGAN: Combined transformation of gene expression and survival data with generative adversarial network. Briefings in Bioinformatics, 25(4), bbae325. https://doi.org/10.1093/bib/bbae325
Korstanje, J. (2021). Gradient Boosting with XGBoost and LightGBM. In Advanced Forecasting with Python. (pp. 203-221) Apress. Berkeley, CA. https://doi.org/10.1007/978-1-4842-7150-6_15.
Meric, E., & Ozer, C. (2022). Symptom Based Health Status Prediction via Decision Tree, KNN, XGBoost, LDA, SVM, and Random Forest. In Proceedings of International Conference on Computing Intelligence and Data Analytics, Koceli, Turkey, 193-207.
Monisha, A. S., Suresh Kumar, N., & Sreeramulu, M. (2020). Customer Segmentation and Repurchase Intention using RFM Model and Machine Learning. International Journal of Engineering and Advanced Technology, 9(4), 2142-2146.
Moon, Jaeuk & Jung, Seungwon & Park, Sungwoo & Hwang, Eenjun. (2020). Conditional Tabular GAN-Based Two-Stage Data Generation Scheme for Short-Term Load Forecasting. IEEE Access. 8. 205327-205339. https://doi.org/10.1109/ACCESS.2020.3037063.
Phanbua, P., Arwatchananukul, S., Hristov, G., & Temdee, P. (2025). CTGAN-augmented ensemble learning models for classifying dementia and heart failure. Inventions, 10(6), 101. https://doi.org/10.3390/inventions10060101
Rizkyanto, H., & Gaol, F. L. (2023). Customer segmentation of personal credit using Recency, Frequency, Monetary (RFM) and K-means on financial industry. International Journal of Advanced Computer Science and Applications, 14(4), 312-318. https://doi.org/10.14569/IJACSA.2023.0140417
Sinchana, K. C., Anthraper, M. G., Sanjaykumar, K., Kumari, S., & D., U. (2025). Synthetic data generation using CTGAN with agentic workflows and retrieval-augmented generation. Proceedings of the 5th International Conference on AI Research (ICAIR 2025), 5(1), 472-480. https://doi.org/10.34190/icair.5.1.4280
Sunarya, P.A., Rahardja, U., Chen, S.C. , Choi, K., & Ku, C. T. (2024) Deciphering Digital Social Dynamics: A Comparative Study of Logistic Regression and Random Forest in Predicting e-Commerce Customer Behavior. Journal of Applied Data Sciences, 5(1), 100-113. https://doi.org/10.47738/jads.v5i1.155
Xu, L., Skoularidou, M., Cuesta-Infante, A., & Veeramachaneni, K. (2019). Modeling tabular data using conditional GAN. In Proceedings of the 33rd International Conference on Neural Information Processing Systems (Article No. 659, pp. 7335–7345). Curran Associates Inc.
