การประยุกต์ใช้กฎความสัมพันธ์ในการวิเคราะห์พฤติกรรมการซื้อสินค้าออนไลน์ด้วยเทคนิคการทำเหมืองข้อมูล
DOI:
https://doi.org/10.55164/ecbajournal.v18i3.278139คำสำคัญ:
กฎความสัมพันธ์, การวิเคราะห์พฤติกรรม, เทคนิคเหมืองข้อมูลบทคัดย่อ
การนำเทคนิคเหมืองข้อมูลมาประยุกต์ใช้ในตลาดออนไลน์ได้รับความนิยมอย่างมาก เนื่องจากการเติบโตอย่างรวดเร็วของธุรกิจออนไลน์และความนิยมจากลูกค้า ทำให้มีการสะสมข้อมูลการซื้อขายบนแพลตฟอร์มออนไลน์เป็นจำนวนมาก ในขณะที่ธุรกิจออนไลน์ต้องเผชิญกับการแข่งขันสูงในการเข้าถึงกลุ่มลูกค้าเป้าหมาย ข้อมูลการซื้อสินค้าของลูกค้าสามารถนำมาวิเคราะห์เพื่อสร้างกลยุทธ์การส่งเสริมการขายที่ตรงกับความต้องการของลูกค้า การสร้างกฎความสัมพันธ์จากข้อมูลการซื้อสินค้าช่วยให้ธุรกิจเข้าถึงลูกค้าเป้าหมายได้อย่างมีประสิทธิภาพและสร้างความได้เปรียบทางการแข่งขัน งานวิจัยนี้มุ่งเน้นการวิเคราะห์ความสัมพันธ์ระหว่างพฤติกรรมการสั่งซื้อสินค้าและรายการสินค้าที่ลูกค้าสั่งซื้อบนแพลตฟอร์มออนไลน์ โดยใช้เทคนิคเหมืองข้อมูลในการหากฎความสัมพันธ์ โดยใช้อัลกอริทึม Apriori ภายใต้กรอบแนวคิด SEMMA ผู้วิจัยใช้ข้อมูลทั้งหมด 97,780 แถว 51 คอลัมน์ รวบรวมจากปี ค.ศ. 2022–2023 จากแพลตฟอร์มออนไลน์ โดยวิเคราะห์ความสัมพันธ์ระหว่างรายการสินค้าทั้งหมด 10 รายการจาก 10 กฎ ผลการวิเคราะห์กฎความสัมพันธ์ระหว่างประเภทสินค้าบนแพลตฟอร์มออนไลน์ พบว่า กฎความสัมพันธ์ที่มีค่าความน่าจะเป็นสูงสุดคือ “เมื่อลูกค้าซื้อน้ำหอมในแพลตฟอร์มติ๊กต๊อก” ส่งผลให้ “ลูกค้าซื้อลิปสติกในแพลตฟอร์มติ๊กต๊อก” ตามมา ซึ่งมีค่าความเชื่อมั่น (Confidence) เท่ากับ 0.80 หรือร้อยละ 80 ของลูกค้าที่ซื้อ และเมื่อใช้อัลกอริทึม Apriori ในการค้นหากฎความสัมพันธ์ พบว่า ความน่าจะเป็นสูงสุดของกฎนี้คือ “เมื่อลูกค้าซื้อน้ำหอมในแพลตฟอร์มติ๊กต๊อก” ส่งผลให้ “ลูกค้าซื้อลิปสติกในแพลตฟอร์มติ๊กต๊อก” ซึ่งมีค่าการสนับสนุน (Support) อยู่ที่ 0.12 จากลูกค้าทั้งหมดที่ซื้อสินค้าทั้งสองรายการร่วมกัน โดยมีค่าความเชื่อมั่น (Confidence) สูงถึง 0.80 งานวิจัยนี้มีส่วนในการพัฒนาองค์ความรู้ด้านการประยุกต์ใช้เทคนิคเหมืองข้อมูลในบริบทของตลาดออนไลน์ โดยเฉพาะการนำอัลกอริทึม Apriori มาวิเคราะห์ความสัมพันธ์ระหว่างรายการสินค้าที่ลูกค้าซื้อร่วมกัน เพื่อให้ได้มาซึ่งกฎความสัมพันธ์ที่สามารถใช้ในการวางกลยุทธ์ทางการตลาดเชิงรุก ผลการวิจัยพบรูปแบบความสัมพันธ์ระหว่างสินค้าบางประเภท ซึ่งสามารถนำไปสู่การพัฒนาแคมเปญส่งเสริมการขายที่ตรงกับพฤติกรรมผู้บริโภค และสร้างความได้เปรียบทางการแข่งขันให้กับธุรกิจออนไลน์ในยุคปัจจุบัน
เอกสารอ้างอิง
Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. In Proceedings of The 1993 ACM SIGMOD International Conference on Management of Data. 207-216. DOI: https://doi.org/10.1145/170035.170072
Arunkijcharoen, N., Phongtheeratham, P., & Lake, P. (2023). Using association rules in data mining techniques to enhance retail sales in community stores: A case study of Suan-Luang community. The 9th Thai-Nichi Institute of Technology Academic Conference (TNIAC). 129 – 133. IT-business-computer-2023-proceeding-Using-Association-Rules-in-Data-Mining-Techniques-of-Suan-Luang-Community-1.pdf (E-Research.Siam.edu)
Belani, S., & Hadiyati, R. (2024). Consumer behavior in the e-commerce era. Management Studies and Business Journal (Productivity), 1(2), 171-179. DOI: https://doi.org/10.62207/4KVWFG64
Ganesh, J., Reynolds, K. E., Luckett, M., & Pomirleanu, N. (2010). Online shopper motivations, and e-store attributes: An examination of online patronage behavior and shopper typologies. Journal of Retailing, 86(1), 106-115. DOI: https://doi.org/10.1016/j.jretai.2010.01.003
Huang, Z., & Benyoucef, M. (2013). From e-commerce to social commerce: A close look at design features. Electronic Commerce Research and Applications, 12(4), 246-259. DOI: https://doi.org/10.1016/j.elerap.2012.12.003
Kongsawee, S., & Wiwatwattana, N. (2023). Association rules analysis of fresh fruits : A case study of instacart company. Proceeding of the Data Science Conference Master of Science in Data Science. 132 – 148. retrieved from http://ir-ithesis.swu.ac.th/dspace/handle/123456789/2235
Kuppuswamy, P., Ansari, M. D., Mohan, M., & Al Khalidi, S. Q. (2024). Data mining for predictive analytics. Intelligent Techniques for Predictive Data Analytics, 1-24. DOI: https://doi.org/10.1002/9781394227990.ch1
Li, L. (2023). Analysis of e-commerce customers' shopping behavior based on data mining and machine learning. Soft Computing, 1-10. DOI: https://doi.org/10.1007/s00500-023-08903-5
Punhani, R., Arora, V. P. S., Sabitha, A. S., & Shukla, V. K. (2021). Segmenting e-commerce customer through data mining techniques. In Journal of Physics: Conference Series, 1714(1), 12 - 26. DOI: https://doi.org/10.1088/1742-6596/1714/1/012026
Santoso, M. H. (2021). Application of association rule method using apriori algorithm to find sales patterns case study of Indomaret Tanjung Anom. Brilliance: Research of Artificial Intelligence, 1(2), 54-66. DOI: https://doi.org/10.47709/brilliance.v1i2.1228
Sinha, A. (2021). Implying association rule mining and market basket analysis for knowing consumer behavior and buying pattern in lockdown-a data mining approach. Prerpints.org Logo. 125 – 140. DOI: https://doi.org/10.20944/preprints202105.0102.v1
Tsiu, S. V., Ngobeni, M., Mathabela, L., & Thango, B. (2025). Applications and competitive advantages of data mining and business intelligence in smes performance: A systematic review. Businesses, 5(2), 22. DOI: https://doi.org/10.3390/businesses5020022
Zhou, S. (2024). Research on online shopping recommendation algorithm based on apriori algorithm with association rules. In Proceedings of the 2024 International Conference on Intelligent Education and Computer Technology. 322-328. DOI: https://doi.org/10.1145/3687311.3687370
Zuniarti, I., Yuniasih, I., Martana, I., Setyaningsih, E., Susilowati, I., Pramularso, E., & Astuti, D. (2021). The effect of the presence of e-commerce on consumer purchasing decisions. International Journal of Data and Network Science, 5(3), 479-484. DOI: https://doi.org/10.5267/j.ijdns.2021.3.005
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 Faculty of Economics and Business Administration, Thaksin University
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
