การประยุกต์ใช้การเรียนรู้เชิงลึกเพื่อวิเคราะห์ประสิทธิภาพ ของการตลาดดิจิทัลในภาคธุรกิจ
คำสำคัญ:
การเรียนรู้เชิงลึก, การวิเคราะห์ประสิทธิภาพ, การตลาดดิจิทัลบทคัดย่อ
การศึกษาวิจัยในครั้งนี้มีวัตถุประสงค์ 1) เพื่อประยุกต์ใช้งานเทคนิคการเรียนรู้เชิงลึกในการวิเคราะห์ประสิทธิภาพของการตลาดดิจิทัล 2) เพื่อเปรียบเทียบประสิทธิภาพโมเดลการเรียนรู้เชิงลึกสำหรับการวิเคราะห์ข้อมูลจากแพลตฟอร์มดิจิทัล และ 3) เพื่อประเมินประสิทธิภาพของการตลาดดิจิทัลโดยใช้ตัวชี้วัดทางการตลาด โดยใช้ข้อมูลจากแพลตฟอร์มสื่อสังคมออนไลน์
การพาณิชย์อิเล็กทรอนิกส์ และระบบโฆษณาออนไลน์ จำนวน 57,000 เรคคอร์ด 29 แอททริบิวต์ โดยใช้ตัวชี้วัดในการวิเคราะห์ 2 กลุ่ม ได้แก่ 1) ตัวชี้วัดด้านการตลาดดิจิทัล (อัตราการมีส่วนร่วม, อัตราการคลิก และผลตอบแทนจากการลงทุน) และ 2) ตัวชี้วัดด้านประสิทธิภาพของโมเดลการเรียนรู้เชิงลึก (Accuracy, Precision, Recall, F1-Score และ RMSE)
ผลการวิจัยพบว่า การใช้โมเดล BERT ในการวิเคราะห์ข้อความ ความคิดเห็น และอารมณ์ของลูกค้าจากโพสต์ มีค่าความถูกต้องสูงสุด ร้อยละ 92.50 และเพิ่มอัตราการมีส่วนร่วม ได้ถึงร้อยละ 25.00 แสดงให้เห็นว่าการวิเคราะห์ความคิดเห็นของลูกค้าเป็นปัจจัยสำคัญที่ช่วยปรับปรุงการตลาด โดยข้อความที่มีเนื้อหาบวกมีผลต่อยอดขายมากกว่าข้อความทั่วไป ผลการเปรียบเทียบโมเดล พบว่า โมเดล BERT มีความถูกต้องสูงสุด ร้อยละ 92.50 ส่วนการประเมินประสิทธิภาพของการตลาดดิจิทัล พบว่า ให้ผลลัพธ์ที่ดีที่สุดใน
ทุกตัวชี้วัดได้ถึงร้อยละ 27.80 อัตราการคลิกร้อยละ 12.60 และผลตอบแทนจากการลงทุนร้อยละ 18.20 ตามลำดับ การวิจัยยังชี้ให้
เห็นว่าการวิเคราะห์ความคิดเห็นของลูกค้า โดยเฉพาะความคิดเห็นบวก มีผลกระทบต่อยอดขายและแสดงถึงความสำคัญของการใช้เทคโนโลยีการเรียนรู้เชิงลึกในการเข้าใจพฤติกรรมและความต้องการของลูกค้า และผลการวิจัยนี้สามารถนำไปปรับปรุงกลยุทธ์การตลาดดิจิทัล เพื่อสร้างความสัมพันธ์และเพิ่มผลตอบแทนจากการลงทุนอย่างมีประสิทธิภาพ
เอกสารอ้างอิง
Adwan, A. A., Kokash, H., Adwan, R. A., & Khattak, A. (2023). Data analytics in digital marketing for tracking the effectiveness of campaigns and inform strategy. International Journal of Data and Network Science, 7(2), 563-574.
Alaparthi, S., & Mishra, M. (2020). Bidirectional encoder representations from transformers (BERT): A sentiment analysis odyssey. Journal of Marketing Analytics, 9(2), 118-126.
Alghizzawi, M., Alhanatleh, H., Alhawamdeh, Z. M., Ahmed, E., & Al-Gasawneh, J. A. (2023). The Intersection of digital marketing and business performance. Migration Letters, 20(8), 1202-1214.
Azad, H. K., Sharma, R., & Verma, R. (2024). Click-through rate analysis for understanding user behavior in information retrieval. In 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT) (pp. 1-7). IEEE.
Bajeja, N. (2024). Digital marketing strategies to improve customer experience and engagement. Journal of Informatics Education and Research, 4(1), 569-578.
Berliana, E. V., & Riasetiawan, M. (2024). Comparative analysis of naïve bayes classifier, support vector machine and decision tree in rainfall classification using confusion matrix. International Journal of Advanced Computer Science & Applications, 15(7), 560-567.
Beng, T. W., & Ming, L. T. (2020). A Critical review on engagement rate and pattern on social media sites. In International Conference on Digital Transformation and Applications (pp. 1-4). ICDXA.
Bourahouat, G., Abourezq, M., & Daoudi, N. (2024). Improvement of Moroccan dialect sentiment analysis using Arabic BERT-based models. Journal of Computer Science, 20(2), 157-167.
Chen, L., Pelger, M., & Zhu, J. (2024). Deep learning in asset pricing. Management Science, 70(2), 714-750.
Computer, J. H., Honova, S. M., Computer, V. P., Setiawan, C. A., & Parmonangan, I. H. (2023). Sentiment Analysis of skincare product reviews in indonesian language using IndoBERT and LSTM. In 2023 IEEE 9th Information Technology International Seminar (ITIS) (pp. 1-6). IEEE.
Deepa, M. D. (2021). Bidirectional encoder representations from transformers (BERT) language model for sentiment analysis Task. Turkish Journal of Computer and Mathematics Education (TURCOMAT), 12(7), 1708-1721.
Fitrianingsih, F., & Zuraeni, B. (2024). Analisis ramalan cuaca di Sekupang, Kota Batam menggunakan algoritma decision tree dan confusion matrix. EKOSPHERE: Jurnal Ekonomi Pembangunan dan Manajemen,
(3), 15-26.
Ghahremani-Nahr, J., & Nozari, H. (2021). A survey for investigating key performance indicators in digital marketing. International Journal of Innovation in Marketing Elements, 1(1), 1-6.
Hamdani, N. A., Muladi, R., & Maulani, G. A. F. (2022). Digital marketing impact on consumer decision-making process. In 6th Global Conference on Business, Management, and Entrepreneurship (GCBME 2021) (pp.
-158). Bandung: Atlantis Press.
Heaton, J. (2018). Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning. Genetic Programming and Evolvable Machines, 19(1), 305-307.
Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2021). A survey of convolutional neural networks: analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12), 6999-7019.
Liu, B., Yu, L., Che, C., Lin, Q., Hu, H., & Zhao, X. (2023). Integration and performance analysis of artificial intelligence and computer vision based on deep learning algorithms. Applied and Computational Engineering, 64(1), 44-50.
Mijwil, M. M., & Aljanabi, M. (2023). A comparative analysis of machine learning algorithms for classification of diabetes utilizing confusion matrix analysis. Baghdad Science Journal, 20(5). 1712-1728.
Rahardja, U. (2022). Social media analysis as a marketing strategy in online marketing business. Startupreneur Business Digital (SABDA Journal), 1(2), 176-182.
Rahman, B. (2024). Optimizing customer satisfaction through sentiment analysis: a BERT-based machine learning approach to extract insights. IEEE Access, 12, 151476-151489.
Ramagundam, S. (2020). Machine learning algorithmic approaches to maximizing user engagement through ad placements. International Journal of Scientific Research in Computer Science Engineering and Information Technology, 6(3), 1163 – 1175.
Roy, S., Sharma, P., Nath, K., Bhattacharyya, D. K., & Kalita, J. K.. (2018). Pre-processing: a data preparation step. Encyclopedia of Bioinformatics and Computational Biology, 1, 463-471.
Sayeed, M. S., Mohan, V., & Muthu, K. S. (2023). BERT: A review of applications in sentiment analysis. HighTech and Innovation Journal, 4(2), 453-462.
Sivarajah, U., Kamal, M. M., Irani, Z., & Weerakkody, V. (2017). Critical analysis of big data challenges and analytical methods. Journal of Business Research, 70, 263-286.
Smith, J. F. (2024). Using return on investment and resiliency return on investment for preparedness. Public Administration Review, 84(2), 213-217.
Torres, J. F., Hadjout, D., Sebaa, A., Martínez‑Álvarez, F., & Troncoso, A. (2021). Deep learning for time series forecasting: a survey. Big Data, 9(1), 3-21.
Ullal, M. S., Hawaldar, I. T., Soni, R., & Nadeem, M. (2021). The role of machine learning in digital marketing. Sage Open, 11(4), 1-12.
Van Houdt, G., Mosquera, C. & Nápoles, G. (2020). A review on the long short-term memory model. Artificial Intelligence Review, 53(8), 5929-5955.
Wankhade, M., Rao, A. C. S. & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review, 55(7), 5731-5780.
Yim, K. H. (2020). A study on digital marketing promotion strategy and implementation strategy implementation plan of global SMEs. Journal of Digital Convergence, 18(11), 195-205.
Yoganandham, G. (2024). Evaluating the effectiveness of digital marketing strategies in higher education in India: impact on the sector and the construction of quality knowledge. Degrés, 9(7), 12-26.
ดาวน์โหลด
เผยแพร่แล้ว
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ตีพิมพ์ในวารสาร เป็นงานเขียนของนักวิจัยหรือนักวิชาการแต่ละท่านโดยเฉพาะ มิใช่ความเห็นและความรับผิดชอบใดๆ ของกองบรรณาธิการวารสารการจัดการและการพัฒนา มหาวิทยาลัยราชภัฏอุบลราชธานี
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารฯ ถือเป็นลิขสิทธิ์ของวารสารการจัดการและการพัฒนา มหาวิทยาลัยราชภัฏอุบลราชธานี หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะต้องทำการอ้างอิงมายังวารสาร
