การวิเคราะห์ข้อมูลของการแบ่งกลุ่มผู้ใช้บริการห้องสมุด ด้วยกรอบแนวคิดของ CRISP-DM
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการวิเคราะห์และแบ่งกลุ่มผู้ใช้บริการของห้องสมุดด้วยแนวทางการวิเคราะห์ข้อมูลเชิงขับเคลื่อน (Data-driven) โดยประยุกต์ใช้กรอบกระบวนการทำเหมืองข้อมูลตามมาตรฐาน Cross-Industry Standard Process for Data Mining (CRISP-DM) ซึ่งประกอบด้วย 6 ขั้นตอน ได้แก่ การทำความเข้าใจบริบทองค์กร การทำความเข้าใจข้อมูล การเตรียมข้อมูล การสร้างแบบจำลอง การประเมินผล และการนำผลไปใช้งาน ข้อมูลที่ใช้ในการวิจัยเป็นข้อมูลการยืมทรัพยากรสารสนเทศของสำนักทรัพยากรการเรียนรู้คุณหญิงหลง อรรถกระวีสุนทร มหาวิทยาลัยสงขลานครินทร์ วิทยาเขตหาดใหญ่ จำนวนทั้งสิ้น 35,242 รายการ ตั้งแต่วันที่ 1 มกราคม 2567 ถึงวันที่ 31 ธันวาคม 2567 การวิเคราะห์ข้อมูลดำเนินการด้วยโปรแกรม KNIME โดยใช้เทคนิคการแบ่งกลุ่มผู้ใช้บริการด้วยโมเดล RFM ซึ่งประกอบด้วยตัวชี้วัด 3 ด้าน ได้แก่ ระยะเวลาการใช้บริการล่าสุด (Recency) ความถี่ในการยืม (Frequency) และปริมาณการยืม (Monetary) ข้อมูลถูกนำมาวิเคราะห์ตามช่วงเวลาที่กำหนด เพื่อจำแนกกลุ่มผู้ใช้บริการออกเป็นกลุ่มต่าง ๆ ตามลักษณะพฤติกรรมการใช้บริการ ผลการวิจัยแสดงให้เห็นว่า สามารถจำแนกกลุ่มผู้ใช้บริการได้อย่างชัดเจน ช่วยให้ห้องสมุดเข้าใจรูปแบบ ความต้องการและศักยภาพของผู้ใช้บริการแต่ละกลุ่ม รวมถึงสามารถระบุผู้ใช้ที่มีแนวโน้มใช้บริการอย่างต่อเนื่อง และผู้ใช้ที่มีความเสี่ยงต่อการลดหรือยุติการใช้บริการในอนาคต ผลลัพธ์จากการแบ่งกลุ่มผู้ใช้บริการช่วยสนับสนุนการตัดสินใจเชิงกลยุทธ์ของห้องสมุด ทั้งในด้านการออกแบบกิจกรรม การพัฒนาบริการเฉพาะกลุ่ม และการบริหารความสัมพันธ์กับผู้ใช้บริการ อันนำไปสู่การเพิ่มประสิทธิภาพการให้บริการ ความพึงพอใจ และการรักษาฐานผู้ใช้บริการของห้องสมุดในระยะยาว
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความทุกเรื่องที่ลงตีพิมพ์จะได้รับการตรวจอ่านโดยผู้ทรงคุณวุฒิ ความคิดเห็นและบทความที่ปรากฏในวารสารนี้ เป็นของผู้เขียนซึ่งมิใช่เป็นความคิดเห็นของคณะผู้จัดทำ และมิใช่ความรับผิดชอบของสมาคมห้องสมุดแห่งประเทศไทยฯ การนำบทความในวารสารนี้ไปตีพิมพ์ซ้ำต้องได้รับอนุญาตจากคณะผู้จัดทำ
All articles submitted for publication will be reviewed by the academic reviewers. The editorial board and TLA claim no responsibility for the content or opinions expressed by the authors of individual articles or columns in this journal. Reprinting of any articles in this journal must be permitted by the editorial board.
เอกสารอ้างอิง
Agrawal, A., Kaur, P. J. and Singh, M. (2023). Customer segmentation model using K-means clustering on E-commerce. In: 2023 International Conference on Sustainable Computing and Data Communication Systems (ICSCDS) (pp. 1–6), March 23-25, 2023. Tamil Nadu, India. https://doi.org/10.1109/ICSCDS56580.2023.10105070.
Akande, O. N., Asani, E. O. and Dautare, B. (2024). Customer segmentation through RFM analysis and K-Means clustering: Leveraging data-driven insights for effective marketing strategy. Ceddi Journal of Information System and Technology (JST). 3(1), 14–25. https://doi.org/10.56134/jst.v3i1.81
Alves Gomes, M. and Meisen, T. (2023). A review on customer segmentation methods for personalized customer targeting in e-commerce use cases. Information Systems and e-Business Management, 21, 527–570. https://doi.org/10.1007/s10257-023-00640-4
Chou, T. H. and Chang, S. C. (2022). The RFM model analysis for VIP customer: A case study of golf clothing brand. International Journal of Knowledge Management, 18(1), 1–18. https://doi.org/10.4018/IJKM.290025
Dong, S., Li, A. and Kong, D. (2024). Research on the classification and application of precision marketing based on big data e-commerce platforms. Applied Mathematics and Nonlinear Sciences, 9(1), 1–17. https://doi.org/10.2478/amns.2023.2.01583
Harish, A. S. and Malathy, C. (2023). Customer segment prediction on retail transactional data using K-Means and Markov model. Intelligent Automation and Soft Computing, 36(1), 589–600. https://doi.org/10.32604/iasc.2023.032030
Hasheminejad, S. M. H. and Khorrami, M. (2020). Clustering of bank customers based on lifetime value using data mining methods. Intelligent Decision Technologies, 14(4), 507–515. https://doi.org/10.3233/IDT-190176
Heldt, R., Silveira, C. S. and Luce, F. B. (2021). Predicting customer value per product: From RFM to RFM/P. Journal of Business Research. 127, 444–453. https://doi.org/10.1016/j.jbusres.2019.05.001
Ho, T., Nguyen, S., Nguyen, H., Nguyen, N., Man, D. S. and Le, T. G. (2023). An extended RFM model for customer behaviour and demographic analysis in retail industry. Business Systems Research Journal, 14, 26–53. https://doi.org/10.2478/bsrj-2023-0002
Maryani, I., Riana, D., Astuti, R. D., Ishaq, A. and Pratama, E. A. (2018). Customer segmentation based on RFM model and clustering techniques with K-means algorithm. In: Proceedings of the 3rd International Conference on Informatics and Computing (ICIC) (pp. 1–6), October 17-18, 2018. Palembang, Indonesia. https://doi.org/10.1109/IAC.2018.8780570
Mensouri, D., Azmani, A. and Azmani, M. (2022). K-Means customers clustering by their RFMT and score satisfaction analysis. International Journal of Advanced Computer Science and Applications. 13(6), 469–476. http://dx.doi.org/10.14569/IJACSA.2022.0130658
Mirfakhraei, S., Abdolvand, N. and Rajaei Harandi, S. (2024). The RFMRv model for customer segmentation based on the referral value. Interdisciplinary Journal of Management Studies (Formerly known as Iranian Journal of Management Studies), 17(2), 455–473. https://doi.org/10.22059/ijms.2023.329229.674722
Ranggadara, I., Wang, G. and Kaburuan, E. R. (2019). Applying customer loyalty classification with RFM and Naïve Bayes for better decision making. In: Proceedings of the 2019 International Seminar on Application for Technology of Information and Communication (iSemantic) (pp. 564–568), September 21-22, 2019. Semarang, Indonesia. https://doi.org/10.1109/ISEMANTIC.2019.8884262
Rungruang, C., Riyapan, P., Intarasit, A., Chuarkham, K. and Muangprathub, J. (2024). RFM model customer segmentation based on hierarchical approach using FCA. Expert Systems with Applications, 237, 121449. https://doi.org/10.1016/j.eswa.2023.121449
Schröer, C., Kruse, F. and Gómez, J. M. (2021). A systematic literature review on applying CRISP-DM process model. Procedia Computer Science, 181, 526–534. https://doi.org/https://doi.org/10.1016/j.procs.2021.01.199
Shirole, R., Salokhe, L. and Jadhav, S. (2021). Customer segmentation using RFM model and K-Means clustering. International Journal of Scientific Research in Science and Technology, 8(3), 591-597. https://doi.org/10.32628/IJSRST2183118
Sun, C. (2024). Data analysis of customer segmentation and personalized strategy in the era of Big Data. In: Proceedings of the 2nd International Conference on Financial Technology and Business Analysis (pp. 46–52), November 8, 2023. Oxford, UK. https://doi.org/10.54254/2754-1169/92/20231411
Wei, J. T., Lin, S. Y., Yang, Y. Z. and Wu, H. H. (2020). Using a combination of RFM model and cluster analysis to analyze customers' values of a veterinary hospital. IAENG International Journal of Computer Science, 47(3), 442–448.
Zelenkov, Y. A., and Suchkova, A. S. (2023). Predicting customer churn based on changes in their behavior patterns. Business Informatics, 17(1), 7–17. https://doi.org/10.17323/2587-814X.2023.1.7.17
Zhou, M. (2024). Social media-based e-commerce consumer behavior prediction model in marketing strategy. Applied Mathematics and Nonlinear Sciences, 9(1), 20242655. https://doi.org/10.2478/amns-2024-2655
