การวิเคราะห์พฤติกรรมลูกค้าแบบเรียลไทม์สำหรับธุรกิจอีคอมเมิร์ซด้วยเทคนิคเหมืองข้อมูลแบบไฮบริด
คำสำคัญ:
การวิเคราะห์พฤติกรรมลูกค้า, เรียลไทม์, ธุรกิจอีคอมเมิร์ซ, เทคนิคเหมืองข้อมูลแบบไฮบริดบทคัดย่อ
การศึกษางานวิจัยในครั้งนี้ มีวัตถุประสงค์เพื่อ 1) พัฒนาโมเดลการวิเคราะห์พฤติกรรมลูกค้าแบบเรียลไทม์ โดยใช้การผสมผสานของเทคนิคเหมืองข้อมูล และ 2) เพื่อเปรียบเทียบประสิทธิภาพของเทคนิคเหมืองข้อมูลแบบไฮบริด กับเทคนิคการวิเคราะห์ข้อมูล แบบดั้งเดิม ดำเนินการเก็บรวบรวมข้อมูล โดยมีการสกัดและดึงข้อมูลจากเว็บไซต์ (Web Scraping) และทำการเชื่อมต่อโปรแกรมประยุกต์ (API) เพื่อดึงข้อมูลจากแพลตฟอร์มอีคอมเมิร์ซและโซเชียลมีเดีย คือ ซ้อปปี้ (Shopee) ลาซาดา (Lazada) และแอมะซอน (Amazon) ที่เกี่ยวกับพฤติกรรมการซื้อของลูกค้า เช่น รีวิวสินค้า ความคิดเห็นของลูกค้า และการบริการ การประเมินผลลัพธ์ของโมเดลใช้ตัวชี้วัดมาตรฐาน คือ ความถูกต้องความแม่นยำ ความระลึก และความถ่วงดุล ความเร็วในการประมวลผลข้อมูล และความสามารถในการรองรับข้อมูลขนาดใหญ่ ตามลำดับ
ผลการวิจัยพบว่า เทคนิคเหมืองข้อมูลแบบไฮบริดแสดงให้เห็นถึงความสามารถในการเพิ่มประสิทธิภาพการวิเคราะห์พฤติกรรมลูกค้าแบบเรียลไทม์ได้อย่างมีนัยสำคัญ โดยโมเดลการแบ่งกลุ่ม (Clustering) ร่วมกับการจำแนกประเภท (Classification) มีค่าความถูกต้องสูงสุดร้อยละ 92.50 และความเร็วในการประมวลผล พบว่า การแบ่งกลุ่มร่วมกับการจำแนกประเภทมีความเร็วสูงสุด 1.80 วินาที และการเปรียบเทียบประสิทธิภาพของเทคนิคเหมืองข้อมูลแบบไฮบริดกับเทคนิคการวิเคราะห์ข้อมูลแบบดั้งเดิม ผลการวิจัยชี้ให้เห็นว่า โมเดลที่ใช้เทคนิคเหมืองข้อมูลแบบไฮบริดมีความถูกต้องและประสิทธิภาพสูงกว่าการใช้เทคนิคเดี่ยว โดยเฉพาะ เค-มีนส์ (K-Means) ร่วมกับต้นไม้สุ่ม (Random Forest) ที่ให้ความถูกต้องร้อยละ 92.50 ผลการวิจัยนี้สามารถนำไปใช้ในการพัฒนาโมเดลการวิเคราะห์พฤติกรรมลูกค้าแบบเรียลไทม์ เพื่อช่วยธุรกิจในการตัดสินใจ และวางกลยุทธ์การตลาดที่มีประสิทธิภาพ โดยสามารถนำไปปรับใช้ในระบบการพาณิชย์อิเล็กทรอนิกส์ และโซเชียลมีเดียเพื่อเพิ่มความพึงพอใจและการมีส่วนร่วมของลูกค้า
เอกสารอ้างอิง
สมัคร ชัยสงวน. (2561). การพัฒนาระบบวิเคราะห์ความรู้สึกแบบเรียลไทม์ของนักศึกษาบนเฟซบุ๊กโดยใช้ตัวจำแนกข้อมูลนาอีฟเบย์ สำหรับภาษาไทย. วิทยานิพนธ์วิทยาศาสตรมหาบัณฑิต มหาวิทยาลัยสุโขทัยธรรมาธิราช.
เอกรัฐ รัฐกาญจน์. (2564). การเปรียบเทียบอัลกอริทึมสำหรับการวิเคราะห์ข้อมูลแบบเรียลไทม์. วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น: วิศวกรรมศาสตร์และเทคโนโลยี, 9(1), 1-8.
Abbasimehr, H., & Shabani, M. (2021). A new methodology for customer behavior analysis using time series clustering: A case study on a bank’s customers. Kybernetes, 50(2), 221-242.
Alam, M. A., Nabil, A. R., Mintoo, A. A., & Islam, A. (2024). Real‑time analytics in streaming big data: Techniques and applications. Journal of Science and Engineering Research, 1(01), 104-122.
Afzal, A., Khan, L., Hussain, M. Z., Hasan, M. Z., Mustafa, M., Khalid, A., Awan, R., Ashraf, F., Khan, Z. A., & Javaid, A. (2024). Customer Segmentation Using Hierarchical Clustering. In 2024 IEEE 9th International Conference for Convergence in Technology (I2CT) (pp. 1-6). Pune, India. https://ieeexplore.ieee.org/document/10543349
Anand, S. S., & Hughes, J. G. (1998). Hybrid data mining systems: the next generation. In Pacific-Asia Conference on Knowledge Discovery and Data Mining (pp. 13-24). Springer Berlin Heidelberg.
Bakirarar, B., Cosgun, E., & Elhan, A. H. (2024). Hybrid model approach in data mining. Communications in Statistics-Simulation and Computation, 53(10), 4998-5007.
Baranauskas, G., & Raišienė, A. G. (2021). Reflections on the customer decision-making process in
the digital insurance platforms: an empirical study of the baltic market. Applied Sciences, 11(18).
https://doi.org/10.3390/app11188524
Burney, V., Arnold-Saritepe, A., & McCann, C. M. (2023). Rethinking the place of qualitative methods in behavior analysis. Perspectives on Behavior Science, 46(1), 185-200.
Chaffey, D., & Smith, P. R. (2022). Digital marketing excellence: planning, optimizing and integrating online marketing. Routledge.
Chhabra, G. S., William, P., Lanke, G. R., Jain, K., Lakshmi, T. V., & Varshney, N. (2023). Comparative analysis of data mining based performance evaluation using hybrid deep learning approach. In International Conference on Mobile Radio Communications & 5G Networks (pp. 607-621). Springer Nature Singapore.
Chung, K., Quach, S., & Thaichon, P. (2022). Introduction to artificial intelligence (AI): Definition and scope of AI.
In Artificial Intelligence for Marketing Management (pp. 3-17). Routledge.
Côté, P. O., Nikanjam, A., Ahmed, N., Humeniuk, D., & Khomh, F. (2024). Data Cleaning and Machine Learning: A Systematic Literature Review. Automated Software Engineering, 31(2). https://doi.org/10.1007/
s10515-024-00453-w
Laudon, K. C., & Traver, C. G. (2021). E-commerce 2020-2021: business, technology, society. Pearson Education.
Lei, L., Guo, X., & Zheng, R. (2024). An innovative dynamic anomaly detection method based on hybrid data mining technology for building energy Consumption. Energy and Buildings, 319, 114-559.
Li, B., & Lei, Q. (2022). Hybrid IoT and data fusion model for e-commerce big data analysis. Wireless Communications and Mobile Computing, 2022(1). https://doi.org/10.1155/2022/2292321
Li, H. (2023). Research on Hybrid Data mining methods for social media sentiment analysis. In Proceedings
of the 2023 4th International Conference on Big Data Economy and Information Management
(pp. 204-209). ACM.
Madhumita, G., Das, T., Das, S., Khatri, E., Ravisankar, P., & Hemachandu, P. (2024). IoT and AI for real-time customer behavior analysis in digital banking. In International Conference on Recent Trends in Computer Science and Technology (ICRTCST) 2024 5th (pp. 198-203). Jamshedpur, India: RVS College of Engineering and Technology. https://ieeexplore.ieee.org/document/10578458
Seyyedabbasi, A., Aliyev, R., Kiani, F., Gulle, M. U., Basyildiz, H., & Shah, M. A. (2021). Hybrid algorithms based on combining reinforcement learning and metaheuristic methods to solve global optimization problems. Knowledge-Based Systems, 223. https://doi.org/10.1145/3659211.36592
Solomon, M. R. (2020). Consumer Behavior: Buying, Having and Being. Pearson Education.
Sreenivasa, B. R., & Nirmala, C. R. (2019). Hybrid location-centric e-commerce recommendation model using dynamic behavioral Traits of Customer. Iran Journal of Computer Science, 2(3), 179-188.
Varoquaux, G., & Colliot, O. (2023). Evaluating machine learning models and their diagnostic value.
In Machine Learning for Brain Disorders (pp. 601-630). Humana Press.
Whang, S. E., & Lee, J. G. (2020). Data collection and quality challenges for deep Learning. Proceedings of the VLDB Endowment, 13(12), 3429-3432.
Wolniak, R. (2023). Functioning of Real-Time Analytics in Business. Scientific Papers of Silesian University of Technology Organization and Management Series Silesian University of Technology, 172, 659-677.
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
