การพยากรณ์คุณลักษณะที่มีความสำคัญต่อการยกเลิกบริการยูทูบพรีเมียมด้วยโครงข่ายประสาทเทียมและอัลกอริทึมการเรียนรู้แบบรวม
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองที่มีประสิทธิภาพในการพยากรณ์แนวโน้มการยกเลิกบริการของผู้ใช้บริการยูทูบพรีเมียม และระบุปัจจัยสำคัญที่มีอิทธิพลต่อการตัดสินใจ เพื่อใช้เป็นแนวทางในการวางกลยุทธ์รักษาฐานลูกค้าเชิงรุก โดยทำการศึกษาจากกลุ่มตัวอย่างจำนวน 10,983 รายการ ผ่านกระบวนการบูรณาการโครงข่ายประสาทเทียมร่วมกับอัลกอริทึมการเรียนรู้แบบรวม ได้แก่ XGBoost, LightGBM และ CatBoost พร้อมทั้งประยุกต์ใช้เทคนิค Optuna ในการปรับแต่งพารามิเตอร์ และใช้กรอบการคัดเลือกคุณลักษณะแบบหลายรอบ ร่วมกับ SHAP เพื่ออธิบายความสัมพันธ์ของข้อมูล ผลการวิจัยพบว่าแบบจำลอง LightGBM ที่มีการปรับสมดุลข้อมูลให้ประสิทธิภาพสูงสุด โดยมีค่า AUC เท่ากับ 0.93 ค่าความถูกต้อง เท่ากับ 0.85 และค่าการเรียกคืน เท่ากับ 0.90 แม้จะใช้ตัวแปรสำคัญเพียง 8 ตัวในการพยากรณ์ ซึ่งผลการวิเคราะห์ระบุว่าปัจจัยด้านพฤติกรรมมีความสำคัญมากกว่าด้านประชากรศาสตร์อย่างมีนัยสำคัญ โดยมีตัวแปรที่เป็นสัญญาณบวกในการรักษาฐานสมาชิก ได้แก่ “จำนวนวิดีโอที่รับชม (ContentCount)” ซึ่งมีอิทธิพลสูงสุด รองลงมาคือ “ระยะเวลาการเป็นสมาชิก (Period)” “ชั่วโมงการรับชม (WatchTime)” และ “จำนวนช่องที่ติดตาม (Subscribed)” ในขณะที่ปัจจัยที่เป็นสัญญาณเตือนวิกฤตซึ่งเพิ่มความเสี่ยงในการยกเลิกคือ “ปัญหาการชำระเงิน (CamelCase)” และ “การติดต่อฝ่ายสนับสนุน (SupportTickets)” ส่วนปัจจัยเสริมที่ช่วยลดการยกเลิกได้คือ “รูปแบบสัญญา (Contract)” และ “การสนับสนุนด้านเทคนิค (TechSupport)” โดยองค์ความรู้ที่ได้จากการศึกษานี้ไม่เพียงแต่ยืนยันประสิทธิภาพของอัลกอริทึมการเรียนรู้แบบรวมในการจัดการข้อมูลพฤติกรรมที่ซับซ้อน แต่ยังนำไปสู่ข้อเสนอแนะเชิงกลยุทธ์ในการเฝ้าระวังกลุ่มผู้ใช้ที่ประสบปัญหาด้านธุรกรรม และกลุ่มที่มีปฏิสัมพันธ์ต่ำ เพื่อป้องกันการสูญเสียลูกค้า และสร้างความยั่งยืนให้แก่ธุรกิจในระยะยาว
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
เอกสารอ้างอิง
Global Media Insight. (2026, Jun.). Youtube statistics 2026 (demographics, users by country & more ). [Online]. Available: https: //www.globalmediainsight.com/blog/youtube-users-statistics/
S. Kemp, “Digital 2025: Thailand,” Data Reportal, Mar. 2025.
J. Bhattacharya, “Youtube premium statistics 2025: Top user trends,” SEO Sandwitch, 2025.
C. C. Aggarwal, Neural Networks and Deep Learning: A Textbook. Springer, 2018.
K. A. Amuda and A. B. Adeyemo, “Customers churn prediction in financial institution using artificial neural network,” arXiv preprint arXiv:1912.11346, 2019, doi : 10.48550/arXiv.1912.11346.
H. Dalmia, C. V. S. S. Nikil, and S. Kumar, “Churning of bank customers using supervised learning,” in Innovations in Electronics and Communication Engineering, 2020, pp. 681–691, doi: 10.1007/978-981-15-3172-9_64.
Y. He, Y. Xiong, and Y. Tsai, “Machine learning based approaches to predict customer churn for an insurance company,” in 2020 Systems and Information Engineering Design Symposium (SIEDS), 2020, pp. 1–6, doi: 10.1109/SIEDS49339.20 20.9106691.
D. Sam, K. C. Suresh, N. Kanya, C. Tamilselvi, and M. V. S. L. Tejasria, “An improved bank customer churn and loan prediction model using supervised machine learning approach,” Turkish Journal of Physiotherapy and Rehabilitation, vol. 32, no. 3, 2021.
I. V. Pustokhina, D. A. Pustokhin, P. T. Nguyen, M. Elhoseny, and K. Shankar, “Multi-objective rain optimization algorithm with WELM model for customer churn prediction in telecommunication sector,” Complex & Intelligent Systems, vol. 9, pp. 3473–3485, 2023, doi: 10.1007/s40747-021-00353-6.
N. Alboukaey, A. Joukhadar, and N. Ghneim, “Dynamic behavior based churn prediction in mobile telecom,” Expert Systems with Applications, vol. 162, 2020, Art. no. 113779, doi: 10.1016/j.eswa.2020.113779.
M. J. Britto and R. Gobinath, “Hybrid attention based GRU BiLSTM (GRBiLSTM) for banking customer churn prediction,” Turkish Online Journal of Qualitative Inquiry (TOJQI), vol. 12, no. 3, pp. 2933–2937, 2021.
L. Rokach, “Ensemble learning: Pattern classification using ensemble methods, 2nd ed.,” World Scientific Publishing, 2019, doi: 10.1142/11325.
L. S. Shapley, “A value for n-person games,” in The Shapley Value: Essays in Honor of Lloyd S. Shapley, A. E. Roth, Ed. Cambridge University Press, 1988, pp. 31–40, doi: 10.10 17/CBO9780511528446.003.
S. M. Lundberg and S.–I. Lee, “A unified approach to interpreting model predictions,” in Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, 2017, pp. 4768–4777.
C. D. Manning, P. Raghavan, and H. Schütze, “Introduction to Information Retrieval,” Cambridge, UK: Cambridge University Press, 2008.
P. P. Singh, F. I. Anik, R. Senapati, A. Sinha, N. Sakib, and E. Hossain, “Investigating customer churn in banking: A machine learning approach and visualization app for data science and management,” Data Science and Management, vol. 7, no. 1, pp. 7–16, 2024, doi: 10.1016/j.dsm.2023. 09.002.
V. Chang, K. Hall, Q. A. Xu, F. O. Amao, M. A. Ganatra, and V. Benson, “Prediction of customer churn behavior in the telecommunication industry using machine learning models,” Algorithms, vol. 17, no. 6, pp. 231, 2024, doi: 10.3390/a170 60231.
T. R. Noviandy, G. M. Idroes, I. Hardi, M. Afjal, and S. Ray, “A model-agnostic interpretability approach to predicting customer churn in the telecommunications industry,” Infolitika Journal of Data Science, vol. 2, no. 1, pp. 34–44, 2024, doi: 10.60084/ijds.v2i1.199.
S. S. Poudel, S. Pokharel, and M. Timilsina, “Explaining customer churn prediction in telecom industry using tabular machine learning models,” Machine Learning with Applications, vol. 17, 2024, Art. no. 100567, doi: 10.1016/j.mlwa.2024.100567.
A. Li, T. Yang, X. Zhan, Y. Shi, and H. Li, “Utilizing data science and AI for customer churn prediction in marketing,” Journal of Theory and Practice of Engineering Science, vol. 4, no. 5, pp. 72–79, 2024, doi: 10.53469/jtpes.2024.0404.10.
