การวิเคราะห์ข้อมูลลูกค้าผู้ซื้อกล้วยไม้กระถางช่วงไวรัสโคโรนาระบาดในประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
โคโรนาไวรัส 2019 ที่รู้จักกันในชื่อโควิด-19 เริ่มแพร่ระบาดในปี 2019 ผู้ติดเชื้อรายแรกถูกพบขึ้นที่มณฑลอู่ฮั่นประเทศจีนและได้แพร่ระบาดไปทั่วโลกรวมถึงประเทศไทย งานวิจัยฉบับนี้ใช้วิธีการเหมืองข้อมูล (Data mining) โดยได้นำ กฎความสัมพันธ์ (Association rule) มาใช้เพื่อทำความเข้าใจพฤติกรรมผู้ซื้อสินค้ากล้วยไม้กระถางในช่วงไวรัสโคโรนาระบาดช่วงแรกในประเทศไทย โดยได้นำข้อมูลของลูกค้าที่ซื้อกล้วยไม้กระถางมาวิเคราะห์ รวมทั้งยังได้นำหลักการ FP-Growth มาปรับใช้เพื่อทำความเข้าใจข้อมูลลูกค้าที่มักจะซื้อสินค้าร่วมกัน วิธีกฎความสัมพันธ์ให้ผลลัพธ์ที่ดีที่สุดมา 7 กฎของลูกค้าที่ซื้อสินค้ากล้วยไม้กระถางแต่ละชนิดพร้อมกัน โดยแต่ละกฎแสดงค่าความเชื่อมั่น (confidence) ค่าลิฟท์ (lift) และ ค่าคอนวิกชัน Conviction ในช่วง 0.833 - 0.857, 2.629 - 5.602 และ 4.098 - 5.929 ตามลำดับ จากนั้นได้นำการสร้างแบบจำลองเชิงทำนาย (predictive modeling) มาประยุกต์ใช้เพื่อหาความสัมพันธ์และทำนายตัวแปรอิสระที่มีผลต่อตัวแปรต้นโดยใช้อัลกอริทึม Generalized Linear Model, Deep Learning, Random Forest และ Gradient Boosted Three และ ทดลองเปรียบเทียบกับการใช้ Automatic feature selection และ feature extractions โดยทั้งหมดให้ค่าความคลาดเคลื่อน (Relative error) ต่ำสุดอยู่ที่ 15.2% ผลที่คาดว่าจะได้รับจากงานวิจัยนี้เพื่อให้ผู้ประกอบการกล้วยไม้สามารถนำ Association Rule และ Predictive Modeling ไปปรับใช้ได้หากเกิดเหตุการณ์ร้ายแรงอย่างเช่น โควิด-19 ขึ้นอีก
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Arora, P., Kumar, H. and Panigrahi, B.K. (2020). Prediction and analysis of COVID-19 positive cases using deep learning models: A descriptive case study of India. 139: 110017.
Berrar, D. (2018). Cross-validation. In Encyclopedia of Bioinformatics and Computational Biology: ABC of Bioinformatics 1(3): 542–545.
Bhatti, A., Akram, H., Basit, H.M., Khan, A.U., Mahwish, S., Naqvi, R. and Bilal, M. (2020). E-commerce trends during COVID-19 Pandemic. International Journal of Future Generation Communication and Networking 13(2): 1449–1452.
De, L.C., Kumar, R., Khan, A. and Medhi, R.P. (2019). Social Science Orchid Farming-A Remunerative Approach for Farmers Livelihood. International Journal of Scientific Research 3(9): 77-80.
Ebrahimi, M., Mohammadi-Dehcheshmeh, M., Ebrahimie, E. and Petrovski, K.R. (2019). Comprehensive analysis of machine learning models for prediction of sub-clinical mastitis: Deep Learning and Gradient-Boosted Trees outperform other models. Computers in Biology and Medicine 114.
Ghassani, F.Z., Jamaludin, A. and Irawan, A.Y. (2021). Market basket analysis using the fp-growth algorithm to determine cross-selling: Jurnal Informatika Polinema 7(4): 49-54.
Hussein, N., Alashqur, A., and Sowan, B. (2015). Using the interestingness measure lift to generate association rules. Journal of Advanced Computer Science and Technology 4(1): 156.
Khurana, K., and Sharma, M.S. (2013). A Comparative Analysis of Association Rules Mining Algorithms. International Journal of Scientific and Research Publications 3(5).
Kumar Jain, J., and Tiwari, N. (n.d.). A Survey: On Association Rule Mining. Manoj Ramaiya / International Journal of Engineering Research and Applications (IJERA) Www.Ijera.Com, 3: 2065–2069.
Pillai, A.R. and Jolhe, D.A. (2020) Market Basket Analysis: Case Study of a Supermarket. Advances in Mechanical Engineering pp 727–734.
Rygielski, C., Wang, J.C. and Yen, D.C. (2002). Data mining techniques for customer relationship management. In Technology in Society. 24(4): 483-502.
Sarkhel H. Ther Karim and Rzgar Sirwan (2019) A Data Mining Approach for Prediction Modeling Using Association rule. international journal on informatics visualization 3(3): 266-268.
Severyn, A., and Moschitti, A. (2013). Automatic Feature Engineering for Answer Selection and Extraction. In: Proceedings of the 2013 conference on Empirical methods in natural language processing. 458–467.
Shaikhina, T., Lowe, D., Daga, S., Briggs, D., Higgins, R. and Khovanova, N. (2019). Decision tree and random forest models for outcome prediction in antibody incompatible kidney transplantation. 52: 456–462.
Valdivia Miranda, C. (2014). Sistemas informáticos y redes locales : Sistemas de telecomunicaciones e informáticos, Electricidad y electrónica. Paraninfo.
Venkatesh, B. and Anuradha, J. (2019). A review of Feature Selection and its methods. Cybernetics and Information Technology 19(1): 3–26.
Vevea, J. L. and Hedges, L.V. (1995). A general linear model for estimating effect size in the presence of publication bias. Psychome trika 60(3): 419-435.
Wang, P., Tian, C., Liu, R. and Wang, J. (2019a). Mathematical model for multivariate nonlinear prediction of SMD of X-type swirl pressure nozzles. Process Safety and Environmental Protection 125: 228–237.
Wang, P., Tian, C., Liu, R., and Wang, J. (2019b). Mathematical model for multivariate nonlinear prediction of SMD of X-type swirl pressure nozzles. Process Safety and Environmental Protection 125: 228–237.
Wicaksono, D., Ihsan Jambak, M., and Saputra, D.M. (2020). The comparison of apriori algorithm with preprocessing and FP-growth algorithm for finding frequent data pattern in association rule. In: Proceedings of the Sriwijaya International Conference on Information Technology and Its Applications (SICONIAN 2019). 315-319.
Wongtanasarasin, W., Srisawang, T., Yothiya, W., and Phinyo, P. (2021). Impact of national lockdown towards emergency department visits and admission rates during the COVID-19 pandemic in Thailand: A hospital-based study. Emergency Medicine Australasia 33(2): 316–323.
Wu, P.J. and Lin, K.C. (2019). Unstructured big data analytics for retrieving e-commerce logistics knowledge: Telematics and Informatics 35(1): 237-244.
Žák, P., and Souček, M. (2019). Correlation of tumor necrosis factor alpha, interleukin 6 and interleukin 10 with blood pressure, risk of preeclampsia and low birth weight in gestational diabetes. Physiological Research 68(3): 395–408.