การแบ่งกลุ่มผู้บริโภคเนื้อหาจากการคัดเลือกคุณลักษณะที่มีความสำคัญ ต่อการยกเลิกบริการด้วยการจัดกลุ่มแบบผสมผสาน

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาตัวแบบการแบ่งกลุ่มผู้บริโภคเนื้อหาจากการคัดเลือกคุณลักษณะที่มีความสำคัญต่อการยกเลิกบริการด้วยเทคนิคการจัดกลุ่มแบบผสมผสานที่มุ่งเติมเต็มช่องว่างทางวิชาการของวิธีวิจัยดั้งเดิมที่มักพึ่งพาเพียงข้อมูลด้านประชากรศาสตร์หรือการใช้เทคนิคการจัดกลุ่มเพียงรูปแบบเดียว ซึ่งมีข้อจำกัดในการจัดการกับข้อมูลที่มีมิติสูง มีความหนาแน่นแตกต่างกัน หรือมีโครงสร้างความสัมพันธ์แบบไม่เป็นเชิงเส้น โดยรวบรวมข้อมูลจากผู้ใช้บริการยูทูบพรีเมียมในพื้นที่กรุงเทพฯ และปริมณฑลจำนวน 10,983 รายการ กระบวนการวิเคราะห์ข้อมูลเริ่มต้นจากการเตรียมข้อมูลและการวิเคราะห์สหสัมพันธ์ ก่อนจะคัดเลือกคุณลักษณะสำคัญแบบทีละขั้นด้วยโครงข่ายประสาทเทียมร่วมกับ XGBoost และ LightGBM จากนั้นสร้างตัวแปรเชิงอนุพันธ์ใหม่เพื่อเพิ่มมิติความเสี่ยงเชิงพฤติกรรม และแบ่งกลุ่มผู้บริโภคด้วยโมเดล GMM, HDBSCAN และ Spectral clustering โดยประเมินประสิทธิภาพด้วยค่า Silhouette score, DBI และ CHI เพื่อระบุกลุ่มเป้าหมายที่มีความเสี่ยงต่อการยกเลิกบริการ ผลการวิจัย พบว่า ตัวแปรที่ให้ประสิทธิภาพสูงสุดในการพยากรณ์ประกอบด้วยระยะเวลาใช้งาน รูปแบบสัญญา ชั่วโมงรับชมต่อวัน จำนวนวิดีโอที่รับชม จำนวนช่องที่ติดตาม ปัญหาการชำระเงิน และการติดต่อฝ่ายสนับสนุนที่มีความสอดคล้องอย่างมีนัยสำคัญกับความภักดีต่อแบรนด์ และแนวคิดเส้นทางลูกค้า ซึ่งระบุว่าประสบการณ์เชิงบวกและความคุ้นชินในระยะการเป็นสมาชิกช่วยเพิ่มต้นทุนการย้ายบริการและลดความเสี่ยงในการยกเลิกบริการ นอกจากนี้ ยังสะท้อนถึงความคาดหวังต่อการกู้คืนบริการ โดยชี้ให้เห็นว่าปัญหาที่เกิดขึ้นนั้นส่งผลโดยตรงต่อความไม่พึงพอใจและเร่งการตัดสินใจเลิกใช้บริการ ร่วมกับตัวแปรเชิงอนุพันธ์ ได้แก่ WatchTime_per_Content, Subscribed_Ratio, SupportTickets_per_Period และ Churn_Risk สำหรับผลการแบ่งกลุ่มลูกค้า พบว่า HDBSCAN เป็นโมเดลที่มีความสมดุลที่สุดในการแยกกลุ่ม (cluster) และตรวจจับกลุ่มผิดปกติ โดยมีค่า DBI ต่ำสุดที่ 1.782 ขณะที่ Spectral clustering สามารถระบุกลุ่มเสี่ยงสูงสุด ซึ่งมีค่า Churn_Risk เฉลี่ยสูงถึง 0.699 ผลลัพธ์จากงานวิจัยนี้ช่วยสร้างองค์ความรู้ใหม่ในการประยุกต์ใช้อัลกอริทึมการเรียนรู้แบบรวม เพื่อคัดเลือกคุณลักษณะสำคัญร่วมกับการจัดกลุ่มแบบผสมผสาน เช่นเดียวกับการนำเสนอตัวแปรเชิงอนุพันธ์ที่ปรับแต่งให้สอดคล้องกับพฤติกรรมเชิงลึกที่ช่วยเพิ่มความละเอียดในการจำแนกกลุ่มผู้บริโภคเนื้อหาเกินกว่าข้อมูลพื้นฐาน และการขยายขอบเขตองค์ความรู้สู่บริบทแพลตฟอร์มสตรีมมิง โดยบูรณาการปัจจัยเฉพาะด้านเนื้อหา ซึ่งมักไม่ค่อยได้รับการวิเคราะห์อย่างเข้มข้นในการยกเลิกบริการ ส่งผลให้ได้ตัวแบบที่สามารถระบุกลุ่มเสี่ยงและสนับสนุนการกำหนดกลยุทธ์รักษาฐานลูกค้าเชิงรุกได้อย่างแม่นยำและเป็นรูปธรรม