การประยุกต์ใช้กฎความสัมพันธ์เพื่อวิเคราะห์พฤติกรรมการซื้อสินค้าในร้านสะดวกซื้อ ของนักศึกษาด้วยเทคนิคเหมืองข้อมูล กรณีศึกษา: ร้านสะดวกซื้อบริเวณมหาวิทยาลัยราชภัฏร้อยเอ็ด

ผู้แต่ง

  • อุณนดาทร มูลเพ็ญ
  • จุฑารัตน์ จิตต์ถนอม
  • จุฑารัตน์ จิตต์ถนอม

คำสำคัญ:

เหมืองข้อมูล, การวิเคราะห์ข้อมูล, กฎความสัมพันธ์, ร้านสะดวกซื้อ

บทคัดย่อ

เทคนิคเหมืองข้อมูลได้ถูกนํามาประยุกต์ใช้ในงานธุรกิจอย่างแพร่หลาย ทั้งธุรกิจค้าส่ง ค้าปลีก ธุรกิจให้บริการ เป็นต้น ประเทศไทยมีธุรกิจเหล่านี้เกิดขึ้นจำนวนมากและเป็นที่นิยมของลูกค้า ส่งผลให้เกิดข้อมูล
การซื้อจำนวนมากและธุรกิจมีการแข่งขันทางการตลาดที่สูงในการเข้าถึงกลุ่มลูกค้าเป้าหมาย ข้อมูลการซื้อสินค้าของลูกค้าสามารถนำมาวิเคราะห์เพื่อจัดรายการส่งเสริมการขายให้สัมพันธ์กับความต้องการเลือกซื้อสินค้าได้อย่างไร การสร้างกฎความสัมพันธ์ของข้อมูลจากการซื้อสินค้าของลูกค้าจะสามารถเข้าถึงกลุ่มลูกค้าเป้าหมายได้และสร้างความได้เปรียบทางการแข่งขันได้ งานวิจัยนี้มีวัตถุประสงค์ เพื่อวิเคราะห์ความสัมพันธ์ระหว่างรายการสินค้าจากคำสั่งซื้อ และเพื่อวิเคราะห์ความสัมพันธ์การซื้อสินค้าของลูกค้าสำหรับการวางแผนการจัดรายการส่งเสริมการขาย โดยใช้กฎความสัมพันธ์ด้วยอัลกอริทึมเอฟพี-กโรธ (FP-Growth) ของเทคนิคการทำเหมืองข้อมูล ตามกรอบแนวคิด คริส์ป-ดีเอ็ม (CRIPS-DM) ในการวิเคราะห์ข้อมูลใช้ข้อมูลรายการซื้อสินค้าขนมและเครื่องดื่มจากร้านสะดวกซื้อบริเวณมหาวิทยาลัยราชภัฎร้อยเอ็ด จังหวัดร้อยเอ็ด โดยผู้วิจัยได้ทำกล่องเก็บใบเสร็จไว้หน้าร้านสะดวกซื้อแล้วบันทึกไว้ในระบบฐานข้อมูล ระหว่างเดือน มกราคม - มีนาคม ปี พ.ศ. 2565 โดยการเก็บข้อมูลมาจากร้านสะดวกซื้อจากเซเว่น-อีเลฟเว่น (7-11) จำนวน 3 สาขา และโลตัสเอ็กซ์เพรส (Lotus Express) จำนวน 1 สาขา บริเวณมหาวิทยาลัยราชภัฏร้อยเอ็ด จำนวนใบเสร็จที่จัดเก็บได้จำนวน 400 ชิ้น ผู้วิจัยได้เลือกใช้โปรแกรม RapidMiner Studio 9.1 และใช้อัลกอริทึมเอฟพี-กโรธ เพื่อหากฎความสัมพันธ์ ผลการวิจัยตามวัตถุประสงค์ข้อ 1 คือ ผลการวิเคราะห์ข้อมูลการสั่งซื้อแบ่งเป็น 2 กลุ่ม คือ 1) กลุ่มที่เลือกซื้อสินค้าที่เป็นขนมหรือของกินเล่น
พบกฎที่น่าสนใจ 5 กฎ มีค่าความเชื่อมั่นร้อยละ 93.8 92.9 91.7 91.2 และ 90.0 ตามลำดับ 2) กลุ่มที่เลือกซื้อสินค้าที่เป็นประเภทเครื่องดื่ม พบกฎที่น่าสนใจ 5 กฎ มีค่าความเชื่อมั่นร้อยละ 97.9 92.0 92.0 90.8 และ 90.8 ตามลำดับ และผลการวิจัยตามวัตถุประสงค์ข้อ 2 คือ กฎความสัมพันธ์ที่ดีที่สุด คือ กลุ่มที่เลือกซื้อสินค้าที่เป็นประเภทเครื่องดื่ม มีค่าความเชื่อมั่นร้อยละ 97.9 นั่นคือ เมื่อลูกค้าซื้อสินค้า Yum Yum (อาหารกึ่งสำเร็จรูป) และ Pepsi (เครื่องดื่ม) แล้วมีโอกาสจะซื้อ Oishi (เครื่องดื่ม) ด้วย รองลงมาคือ เมื่อลูกค้าซื้อสินค้า Yum Yum (อาหารกึ่งสำเร็จรูป) MaMa (อาหารกึ่งสำเร็จรูป) แล้วมีโอกาสจะซื้อ Cream-o (คุกกี้) ด้วยถึงร้อยละ 93.8

Downloads

Download data is not yet available.

Author Biographies

อุณนดาทร มูลเพ็ญ

คณะบริหารธุรกิจและการบัญชี มหาวิทยาลัยราชภัฏร้อยเอ็ด

จุฑารัตน์ จิตต์ถนอม

คณะบริหารธุรกิจและการบัญชี มหาวิทยาลัยราชภัฏร้อยเอ็ด

จุฑารัตน์ จิตต์ถนอม

คณะบริหารธุรกิจและการบัญชี มหาวิทยาลัยราชภัฏร้อยเอ็ด

References

คนึงนิจต์ หนูเช็ก และคณะ. (2018). การจัดการสินค้าและบริการในธุรกิจ ค้าปลีกสมัยใหม่ ประเภทซุปเปอร์มาเก็ต. Journal of Management Sciences Suratthani Rajabhat University, 5(2), 131-154.

ณัฏญาพร ชื่นมัจฉา และนิเวศ จิระวิชิตชัย. (2559). การหากฎความสัมพันธ์จากฐานข้อมูลการซื้อสินค้าของลูกค้าโดยใช้เทคนิคเอฟพี-กโรธ. Science and Technology RMUTT Journal, 6(1), 122-131.

นัฐพงษ์ ประทีป ณ ถลาง และคณะ. (2563). เทคนิคการทำเหมืองข้อมูลแบบการสร้างกฎความสัมพันธ์ในการจัดการร้านอาหาร. วารสารวิชาการซายน์เทค มรภ.ภูเก็ต, 4(1), 1-12.

สุภาพรรณ คงมณีพรรณ (2562). การหากฎความสัมพันธ์จากฐานข้อมูลการซื้อผลิตภัณฑ์เสริมอาหารยี่ห้อมายเฮลท์ของลูกค้า โดยใช้อัลกอริทึ่มเอฟพีโกรท และแบ่งกลุ่มลูกค้าตามพฤติกรรมการซื้อสินค้ามายเฮลท์ โดยใช้เทคนิคอาร์เอฟเอ็ม ด้วยโปรแกรมแรพพิดไมเนอร์: กรณีศึกษาของร้านยาเชนแห่งหนึ่ง. วารสารระบบสารสนเทศด้านธุรกิจ (JISB), 5(4), 21-39.

Asuquo, E. E. & Igbongidi, B. P. (2015). Retail Store Merchandise Assortment and Display and Their Influence on Consumer Impulse Buying Behaviour in North West Nigeria. Global Journal of Management and Business Research: E-Marketing, 15 (6), 1-8.

Levy, M. & Weitz, B. A. (1998). Retailing Management. (3rd ed.). New York: McGraw-Hill.

Miller, H. J. & Han, J. (2009). Geographic Data Mining and Knowledge Discovery. (2rd ed).

London: CRC press.

Pride, W. M. et al. (2006). Marketing: Core Concepts and Applications. Brisbane: John Wiley & Sons.

Ramasamy, S. & Nirmala, K. (2020). Disease Prediction in Data Mining Using Association Rule Mining and Keyword Based Clustering Algorithms. International Journal of Computers and Applications, 42(1), 1-10.

RapidMiner. (2014). RapidMiner Studio Manual. Retrieved January 29, 2022, from https://docs.rapidminer.com/ download/RapidMiner-v6-user-manual.pdf.

Theeramunkong, T. (2017). Introduction to Concepts and Techniques in Data Mining and Application to Text Mining. (2nd ed). Bangkok: Thammasat University Press.

Xu Y. (2016). Research of Association Rules Algorithm in Data Mining. International Journal Database Theory Application, 9(6), 119-30.

Yamane, T. (1973). Statistics: An Introductory Analysis. (3rd ed). New York: Harper & Row.

Downloads

เผยแพร่แล้ว

2022-06-30