แบบจำลองการจำแนกประเภทศักยภาพเชิงพาณิชย์ของโครงการวิจัยและพัฒนาโดยใช้เทคนิคต้นไม้ตัดสินใจ
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองเพื่อจำแนกประเภทศักยภาพเชิงพาณิชย์สำหรับโครงการวิจัยและพัฒนาของโรงไฟฟ้าแม่เมาะ การไฟฟ้าฝ่ายผลิตแห่งประเทศไทยโดยใช้เทคนิคต้นไม้ตัดสินใจ และนำเสนอแนวทางการบริหารและจัดการโครงการที่เหมาะสมตามศักยภาพเชิงพาณิชย์ที่แตกต่างกัน กลุ่มตัวอย่างที่ใช้ในการสร้างและทดสอบประสิทธิภาพแบบจำลอง ได้แก่ โครงการตัวอย่างที่มีการลงทุนระหว่าง พ.ศ. 2551–2564 จำนวน 56 โครงการ คุณลักษณะของตัวอย่างที่ใช้ในสร้างแบบจำลองประกอบไปด้วย 6 คุณลักษณะ ได้แก่ 1) ความสามารถในการคุ้มครองทรัพย์สินทางปัญญา 2) ประเภทของการนำไปใช้ประโยชน์ 3) ความสามารถในการใช้งานจริงอย่างต่อเนื่อง 4) การต่อยอดจากโครงการเดิม 5) ศักยภาพด้านการดำเนินงานของหน่วยงานวิจัย และ 6) ขนาดของการลงทุน ผลลัพธ์ของแบบจำลอง คือ การแยกศักยภาพเชิงพาณิชย์ของโครงการตัวอย่างออกเป็นสามกลุ่ม ได้แก่ ศักยภาพเชิงพาณิชย์สูง ศักยภาพเชิงพาณิชย์ปานกลาง และศักยภาพด้านอื่น การทดสอบประสิทธิภาพแบบจำลองใช้วิธีการทดสอบแบบไขว้ โดยการแบ่งข้อมูลตัวอย่างเป็น 10 ส่วน จากการคัดเลือกคุณลักษณะได้อย่างเหมาะสมส่งผลให้ได้แบบจำลองต้นไม้ตัดสินใจที่มีค่าประสิทธิภาพสูงโดยมีค่าความแม่นยำเท่ากับ 96.00% ค่าความเที่ยงตรงเฉลี่ยเท่ากับ 95.89% และค่าการเรียกคืนเฉลี่ยเท่ากับ 94.75% นอกจากนั้นงานวิจัยนี้ยังได้นำเสนอแนวทางการบริหารและจัดการโครงการที่เหมาะสมตามศักยภาพเชิงพาณิชย์ที่แตกต่างกันอันจะนำไปสู่การพัฒนาโครงการนวัตกรรมให้เกิดประโยชน์สูงสุดต่อองค์กร
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
R. Bandarian,“Evaluation of commercial potential of a new technology at the early stage of development with fuzzy logic,” Journal of Technology Management and Innovation, vol. 2, no. 4, pp. 73–85, 2007.
B. Kasin, “The commercialization research criteria readiness assessment,” Thesis of CITU, Thammasat University, 2018 (in Thai).
Y. Natanon and L. Wimalin, “Selecting the attributes of research and development projects that relate to commercialization potential using Business Intelligence,” in Proceedings IE Network, 2022, pp. 733–739 (in Thai).
J. R. Quinlan, Machine Learning, United States: Springer, 1986, vol. 1, pp. 81–106.
S. B. Akben, “Predicting the success of wart treatment methods using decision tree based fuzzy informative,”Biocybernetics and Biomedical Engineering, vol. 38, no. 4, pp. 819–827, 2018.
S. Mike and T. Arnesh, “The application of decision tree regression to optimize business processes,” in Proceedings ICIEM, 2021, pp. 48–57.
M. Durica, J. Frnda, and L. Svabova, “Decision tree based model of business failure prediction for Polish companies,” Oeconomia Copernicana, vol. 10, no. 3, pp. 453–469, 2019.
L. Katrina, “Decision tree analysis for law practice,” Ohio State Journal on Dispute Resolution, vol. 35, pp. 405–434, 2020.
F. A. Batarseh and R. Yang, “Confusion Matrix,” Data Democracy, United States: Academic Press, 2020, pp. 83–106.
C. Sammut and G. I. Webb, “Confusion Matrix,” Encyclopedia of Machine Learning, United States: Springer, 2011, pp. 209.
Y. Q. Duan and G. M. Cao, “An analysis of the impact of business analytic on innovation,” in Proceedings ECIS, 2015, pp. 40.