Business Analytics, Application and Software for Business · 2019. 12. 3. · Chapter 05: Business...

Chapter 05: Business Analytics, Application and Software for Business . 121

บทที่ 5 การวิเคราะห์ข้อมูลทางธุรกิจ และการใช้โปรแกรมประยุกต์ทางธุรกิจ Business Analytics, Application and Software for Business

************************************************************* การวิเคราะห์ข้อมูลทางธุรกิจ และการใช้โปรแกรมประยุกต์ทางธุรกิจ ในบทเรียนนี้

เนื้อหาถูกออกแบบตามหลักการพัฒนาเอกสารประกอบการสอนอย่างละเอียดและรอบคอบ ประกอบด้วย แนวความคิด ทฤษฎี และหลักการ ตลอดจนงานวิจัยที่เกี่ยวข้องตามล าดับ ดังนี้

5.1 การวิเคราะห์ข้อมูลทางธุรกิจ 5.1.1 ตัวอย่างการวิเคราะห์ข้อมูลทางธุรกิจ 5.1.2 ชนิดของการวิเคราะห์ข้อมูลทางธุรกิจ 5.1.3 ความท้าทายของการวิเคราะห์ข้อมูลทางธุรกิจ 5.1.4 แนวโน้มเทคโนโลยีด้านการวิเคราะห์ข้อมูลทางธุรกิจ

5.2 การใช้โปรแกรมประยุกต์ทางธุรกิจ 5.2.1 การติดตั้งโปรแกรมประยุกต์ทางธุรกิจ 5.2.2 การใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการจัดกลุ่ม 5.2.3 การใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการพยากรณ์ 5.2.4 การใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการหากฎความสัมพันธ์

5.3 แบบฝึกหัดและบททวนบทเรียน 5.4 เอกสารอ้างอิง

Chapter 05: Business Analytics, Application and Software for Business 122

5.1 การวิเคราะห์ข้อมูลทางธุรกิจ

การวิเคราะห์ทางธุรกิจ (Business Analytics: BA) หมายถึง ทักษะทางด้านเทคโนโลยีเพ่ือการปฏิบัติส าหรับการส ารวจ การวิเคราะห์ การออกแบบ และการตรวจตราอย่างต่อเนื่อง นอกจากนั้น การวิเคราะห์ทางธุรกิจ ยังเป็นกระบวนการตรวจสอบประสิทธิภาพทางธุรกิจ ในช่วงเวลาที่ผ่านมา เพ่ือให้ได้ข้อมูลเชิงลึก และผลักดันการวางแผนธุรกิจให้ประสบความส าเร็จ

การวิเคราะห์ธุรกิจมุ่งเน้นไปที่การพัฒนาความเข้าใจเดิม และความเข้าใจใหม่ เกี่ยวกับประสิทธิภาพทางธุรกิจ โดยการใช้ข้อมูลและวิธีการทางสถิติ เพ่ือเป็นการพัฒนาระบบธุรกิจอัจฉริยะแบบดั้งเดิมที่มุ่งเน้นไปที่การใช้ชุดของตัวชี้วัดที่สอดคล้องกัน เพ่ือใช้วัดประสิทธิภาพการด าเนินธุรกิจที่ผ่านมา และเป็นแนวทางการวางแผนธุรกิจเดิม ซึ่งยังข้ึนอยู่กับข้อมูลและวิธีการทางสถิติพ้ืนฐาน

ภาพที่ 5.1 หลักสูตรการวิเคราะห์ธุรกิจและวิทยาการข้อมูล ที่มา: http://as.nida.ac.th/gsas/wp-content/uploads/2019/03/Slide1.jpg

ภาพที่ 5.2 หลักสูตรการวิเคราะห์ธุรกิจและวิทยาการข้อมูล ที่มา: http://as.nida.ac.th/gsas/wp-content/uploads/2019/03/BADS-Career-1024x579.png


การวิเคราะห์ธุรกิจนั้น สามารถน ามาใช้ประโยชน์ได้อย่างกว้างขวาง จากการวิเคราะห์ทางสถิติ รวมถึงการสร้างแบบจ าลองทางธุรกิจ การคาดการณ์ การพยากรณ์ และการจัดการแบบอิงข้อเท็จจริง เพ่ือใช้ขับเคลื่อนการตัดสินใจ ดังนั้นจึงเกี่ยวข้องกับกระบวนการทางวิทยาศาสตร์

การจัดการอย่างใกล้ชิดของการวิเคราะห์ทางธุรกิจ อาจใช้เป็นข้อมูลส าหรับการตัดสินใจของมนุษย์ หรือสามารถผลักดันการตัดสินใจอัตโนมัติอย่างสมบูรณ์ เรียกว่า ระบบธุรกิจอัจฉริยะ (Business Intelligence: BI) โดยสามารถท าการสืบค้น รายงาน วิเคราะห์เชิงออนไลน์ (OLAP) และสร้างเป็นระบบการแจ้งเตือน

กล่าวอีกนัยหนึ่ง การสอบถามการรายงานแบบวิเคราะห์เชิงออนไลน์ (OLAP) สามารถเป็นเครื่องมือ เพ่ือการแจ้งเตือนที่สามารถตอบค าถาม ตัวอย่างเช่น ปัญหาที่เกิดขึ้นบ่อย สถานที่ของปัญหา ความต้องการเพ่ือกระท าต่อปัญหา ทว่าการวิเคราะห์ธุรกิจสามารถตอบค าถามว่าได้ชัดเจนและละเอียดมากยิ่งกว่า ตัวอย่างเช่น ท าไมสิ่งนี้ถึงเกิดขึ้น จะเกิดอะไรขึ้นถ้าแนวโน้มเหล่านี้ยังคงด าเนินต่อไป ผลการท านายและพยากรณ์เป็นอย่างไร และผลลัพธ์ที่ดีที่สุดที่สามารถเกิดขึ้นได้คืออะไร การเพ่ิมประสิทธิภาพควรท าอย่างไร ซึ่งเนื้อหาในบทนี้จะอภิปรายต่อไป

5.1.1 ตัวอย่างการวิเคราะห์ข้อมูลทางธุรกิจ

ตัวอย่างการวิเคราะห์ข้อมูลทางธุรกิจที่ใกล้ตัวมากที่สุด ได้แก่ การวิเคราะห์ข้อมูลของธนาคาร ปัจจุบันธนาคารใช้การวิเคราะห์ข้อมูล เพ่ือแยกความแตกต่างระหว่างลูกค้า โดยพิจารณาจากความเสี่ยงด้านต่าง ๆ เช่น ด้านเครดิต การพิจารณาให้กู้เงิน และคุณลักษณะอ่ืน ๆ

ภาพที่ 5.3 ชุดผลิตภัณฑ์สินเชื่อเครือข่ายธุรกิจการค้า ที่มา: https://media.tmbbank.com/uploads/icon/img/s/167_image_th_141028030957.jpg


นอกจากนั้น บริษัทพัฒนาเกมส์ ใช้การวิ เคราะห์ ข้ อมูล เ พ่ือพิจารณา ความภักดีลูกค้า บริษัทจัดส่งสินค้าใช้การวิ เคราะห์ข้อมูลเ พ่ือ เพ่ิมประสิทธิภาพคลังสินค้า บริษัทโทรคมนาคมใช้การวิเคราะห์ข้อมูลเพ่ือก าหนดการด าเนินงานของศูนย์บริการ โรงงานวิเคราะห์ข้อมูลการผลิตเพ่ือออกแบบ และวางแผนอัตราก าลังพนักงาน เหล่านี้เป็นต้น

5.1.2 ชนิดของการวิเคราะห์ข้อมูลทางธุรกิจ

ชนิดของการวิเคราะห์ข้อมูล สามารถจ าแนกได้เป็นด้านต่างๆ ได้แก่ 5.1.2.1 การวิเคราะห์การตัดสินใจ

การวิเคราะห์การตัดสินใจ (Decision Analytics) นั้น สามารถรองรับการตัดสินใจของมนุษย์ด้วยการวิเคราะห์ด้วยข้อมูลภาพ (Visual Analytics) ซึ่งผู้ใช้สามารถน าแบบจ าลอง (Model) ไปใช้เพ่ือสะท้อนเหตุผลและอธิบายหลักการ

5.1.2.2 การวิเคราะห์เชิงพรรณนา

การวิเคราะห์เชิงพรรณนา (Descriptive Analytics) ผู้ใช้รับข้อมูลเชิงลึกจากข้อมูลประวัติด้วยการรายงานดัชนีชี้วัด หรือการจัดกลุ่ม (Cluster) และอ่ืน ๆ

5.1.2.3 การวิเคราะห์เชิงท านาย

การวิเคราะห์เชิงท านาย (Predictive Analytics) ผู้ใช้สามารถประยุกต์น าแบบจ าลองเพ่ือการท านายไปใช้วางแผน โดยใช้เทคนิคการเรียนรู้ทางสถิติ เพ่ือพัฒนาแบบจ าลองการพยากรณ์ในอนาคต

5.1.2.4 การวิเคราะห์เพื่อการแสดงสิทธิ์

การวิเคราะห์เพ่ือการแสดงสิทธิ์ (Prescriptive Analytics) คือ แนะน าการตัดสินใจ โดยใช้การเพิ่มประสิทธิภาพการจ าลองและอ่ืน ๆ

นอกเหนือจากรูปแบบและชนิดของการวิเคราะห์ข้อมูลข้างต้นแล้ว การ

ประยุกต์ใช้เทคโนโลยีเพ่ือการวิเคราะห์ข้อมูล (Data Analytics) ยังคงประยุกต์ใช้ในศาสตร์อ่ืน ๆ มากมาย เช่น การวิเคราะห์บริการทางการเงิน (Financial Services Analytics) การวิเคราะห์การดูแลสุขภาพ (Health Care Analytics) การวิเคราะห์ยอดค้าปลีก (Retail Sales Analytics) การวิเคราะห์ความเสี่ยงและเครดิต (Risk & Credit Analytics) การวิเคราะห์การขนส่ง (Transportation analytics) และอ่ืนๆ


ภาพที่ 5.4 การวิเคราะห์การดูแลสุขภาพ ที่มา: http://healthitmhealth.com/wp-content/uploads/2014/10/Healthcare-Analytics.png

5.1.3 ความท้าทายของการวิเคราะห์ข้อมูลทางธุรกิจ

การวิเคราะห์ธุรกิจขึ้นอยู่กับปริมาณข้อมูลที่เพียงพอ โดยที่ความยากล าบากในการประกันคุณภาพข้อมูล คือ การรวบรวม และคัดเลือกข้อมูลในระบบ และตัดสินใจเลือกใช้ข้อมูล

ก่อนหน้านี้ การวิเคราะห์ใช้การพิจารณาตามแบบแผน และความเป็นจริง ซึ่งในการพยากรณ์พฤติกรรมผู้บริโภค ตัวอย่างเช่น การตรวจสอบหน่วยขายรายไตรมาส รายเดือน รายปี การคาดคะเนแนวโน้มที่ต้องการ จ าเป็นต้องใช้ข้อมูลที่เก็บไว้ในประมาณมาก คลังข้อมูลประเภทนี้ต้องการพ้ืนที่เก็บข้อมูลมากกว่าความเร็ว ขณะที่การวิเคราะห์ข้อมูลธุรกิจ กลายเป็นเครื่องมือที่มีอิทธิพลต่อผลลัพธ์ และการมีปฏิสัมพันธ์กับลูกค้า ตัวอย่างเช่น เมื่อลูกค้าบางประเภทก าลังพิจารณาการสั่งซื้อสินค้า องค์กรจ าเป็นต้องเรียกใช้งานการวิเคราะห์ เพ่ือให้สามารถปรับเปลี่ยนการขาย เพ่ือดึงดูดลูกค้ารายนั้นให้ได้ หมายความว่า ข้อมูลทั้งหมดจะต้องตอบสนองอย่างรวดเร็ว เพ่ือให้ไดข้้อมูลที่จ าเป็นในแบบเรียลไทม์ (Real Time) อาจกล่าวได้ว่า ความท้าทายที่แท้จริง คือ ท าอย่างไรให้ได้ผลลัพธ์ตามที่ต้องการ

5.1.4 แนวโน้มเทคโนโลยีด้านการวิเคราะห์ข้อมูลทางธุรกิจ

แนวโน้มที่ชัดเจนในอนาคต คือ การเปลี่ยนแปลงเป็นไปอย่างก้าวกระโดด เช่น เทคโนโลยีมีประสิทธิภาพมากขึ้นแต่ขนาดอุปกรณ์เล็กลง การเข้าถึงเทคโนโลยีไม่ถูกจ ากัดด้วยวัย สถานที่ หรือเวลา ผู้เรียนสามารถค้นหาข้อมูลได้อย่างอิสระ อย่างไรก็ตาม แม้เทคโนโลยีจะมีความก้าวหน้าเพียงใด แต่สิ่งที่ต้องระวังคือภัยจากเทคโนโลยีนั้นเอง


บริษัท Gartner ได้น าเสนอ 10 เทรนด์ทางด้านเทคโนโลยีประจ าปี 2019 ซึ่งมีการสรุปเนื้อหา ดังนี้

5.1.4.1 Autonomous Things หุ่นยนต์ ยานบินไร้คนขับ และรถยนต์ไร้คนขับ จะเริ่มน าปัญญาประดิษฐ์

(Artificial Intelligence: AI) ไปใช้ เพ่ือให้สามารถท าในสิ่งต่างๆ ที่มนุษย์ต้องท าด้วยตนเองมากขึ้น

5.1.4.2 Augmented Analytics หัวใจของการท า Augmented Analytics คือ การท าการวิเคราะห์ข้อมูล

โดยอัตโนมัติด้วยเทคโนโลยี (Automated Analytics หรือ Automated Machine Learning) นั้นจะได้รับความนิยมเพ่ิมขึ้น เพ่ือใช้ในการวิเคราะห์ข้อมูลที่มีปริมาณมหาศาลให้มีประสิทธิภาพมากขึ้น ท าให้ภาคธุรกิจได้มีองค์ความรู้ในแง่มุมใหม่ๆ อย่างต่อเนื่อง และจะท าให้เกิดกลุ่มประชากรวิทยาการข้อมูล (Citizen Data Scientist) มากขึ้นไปด้วย

5.1.4.3 AI-Driven Development

เดิมที่ นักวิทยากรข้อมูล (Data Scientist) ต้องท างานร่วมกับนักพัฒนาซอฟต์แวร์ (Software Developer) เพ่ือพัฒนา ทว่ารูปแบบเดิมก าลังจะเปลี่ยนไป เมื่อสามารถน าปัญญาประดิษฐ์ไปประยุกต์ใช้ ส่งผลให้ปัญญาประดิษฐ์ท างานได้แพร่หลายมากยิ่งขึ้น Gartner ท านายว่า ในปี 2020 นั้น ร้อยละ 40 ของการพัฒนาซอฟต์แวร์จะต้องมีปัญญาประดิษฐ์ร่วมงานด้วย

5.1.4.4 Digital Twins

Digital Twin คือ การน าข้อมูลจากวัตถุ จากระบบในโลกจริงไปน าเสนอแบบครบถ้วนทุกมิติในโลกดิจิทัล ซึ่งจะได้รับความนิยมมากขึ้น Gartner ท านายว่า ในปี 2020 อุปกรณ์ Connected Device กว่า 20,000 ล้านชิ้นทั่วโลกจะมีตัวตนแบบ Digital Twin

ภาพที่ 5.5 Digital Twin Technology

ที่มา: https://www.bangkokbankinnohub.com/wp-content/uploads/2019/02/twin2-600x298.png


5.1.4.5 Empowered Edge Edge Computing คือ การย้ายระบบจัดเก็บข้อมูลและประมวลผลไว้

ใกล้อุปกรณ ์Sensor หรือ Endpoint เพ่ือให้สามารถท างานได้ก่อนส่งข้อมูลขึ้น Cloud ซ่ึงเทคโนโลยีนี้จะมีบทบาทอย่างมาก ชิปประมวลผลสามารถท างานทางด้านปัญญาประดิษฐ์ได้

5.1.4.6 Immersive Experience

เทคโนโลยี Conversational Platform ที่ท าให้ผู้ใช้งานสามารถติดต่อ หรือ ควบคุมระบบได้ด้วยภาษามนุษย์ ซึ่งถูกผสานรวมเข้ากับ Virtual Reality (VR), Augmented Reality (AR) และ Mixed Reality (MR) ท าให้วิธีการสื่อสารระหว่างผู้ใช้งานกับเทคโนโลยีง่ายขึ้น

5.1.4.7 Block Chain

Block chain ในปัจจุบัน ยังไม่ได้ดึงประสิทธิภาพของเทคโนโลยีออกมาใช้อย่างเต็มที่ โดยนอกเหนือจากการน า Block chain มาใช้เพ่ือท าการแปลงกระบวนการทางธุรกิจให้มีความเป็นอัตโนมัติ การน า Block chain มาใช้เพ่ือแบ่งปันข้อมูล การติดตามวัตถุสิ่งของ และการสร้าง Digital Twin รวมถึงการลดปัญหา Vendor Lock-In ก็จะปรากฎมากขึ้นในอนาคค

ภาพที่ 5.6 Block Chain Technology

ที่มา: https://bit.ly/2Z3JNO2

5.1.4.8 Smart Spaces จากเทคโนโลยี Smart Home, Smart City, Digital Workplace และ

อ่ืนๆ ท าให้เกิดประสบการณ์รูปแบบใหม่ ทั้งในการใช้ชีวิต และการท างาน ท าให้เทคโนโลยีเข้ามามีบทบาทต่อชีวิตของเรามากขึ้นไปด้วย กล่าวคือ พ้ืนที่การสื่อสารของประชากรโลกจะไม่มีขอบเขต


5.1.4.9 Digital Ethics and Privacy ประเด็นด้านจริยธรรม และความเป็นส่วนตัว ในอนาคตจะได้รับความ

สนใจมากขึ้น ทั้งในระดับบุคคล องค์กร และภาครัฐ ซึ่งบุคคลต่าง ๆ ก็ให้ความส าคัญกับการที่เหล่าองค์กร และภาครัฐจะน าข้อมูลของตนเองไปใช้

ในขณะที่องค์กรและภาครัฐออกนโยบายเชิงรุก เพ่ือป้องกันปัญหาที่อาจเกิดขึ้น ข้อตกลงในประเด็นด้านจริยธรรมในการใช้งานข้อมูล การให้ข้อมูล และความเป็นส่วนตัวของผู้ใช้งาน จึงถูกยกระดับให้เป็นสิ่งที่ทุกคนต้องมีส่วนร่วม ไม่ใช่เป็นเพียงแค่สิ่งที่ถูกบังคับใช้เท่านั้น

5.1.4.10 Quantum Computing

การน า Quantum Computing มาใช้งานเชิงอุตสาหกรรม เริ่มมีความเป็นรูปเป็นร่างมากขึ้น ผู้น าทางด้านระบบเทคโนโลยีสารสนเทศขององค์กรเริ่มท าความเข้าใจในตัวเทคโนโลยีและมองหาวิธีการน า Quantum Computing มาใช้งานกันมากข้ึน เพ่ือที่ว่าเมื่อเทคโนโลยีพร้อมแล้วจะได้สามารถน ามาประยุกต์ใช้ได้อย่างรวดเร็ว

ภาพที่ 5.7 Quantum Computing Technology ที่มา: https://gtnr.it/2D9CaMB


5.2 การใช้โปรแกรมประยุกต์ทางธุรกิจ

วัตถุประสงค์ในหัวข้อการใช้โปรแกรมประยุกต์ทางธุรกิจ เพ่ืออธิบายและฝึกปฏิบัติการการใช้โปรแกรมประยุกต์ที่เกี่ยวข้องต่อกระบวนการในการวิเคราะห์ การออกแบบ และการบริหารจัดการข้อมูลที่มีอย่างหลากหลายในองค์กร โดยหัวข้อย่อยประกอบด้วย การติดตั้งโปรแกรมประยุกต์ทางธุรกิจ การใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการจัดกลุ่ม การใช้โปรแกรมประยุกต์เพ่ือการพยากรณ์ และการใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการหากฎความสัมพันธ์

5.2.1 การติดตั้งโปรแกรมประยุกต์ทางธุรกิจ เนื่องจากโปรแกรมประยุกต์ทางธุรกิจมีมากมายหลากหลายประเภท ในเอกสาร

ประกอบการสอนนี้ จึงจ ากัดขอบเขตโปรแกรมประยุกต์ทางธุรกิจเพียงโปรแกรมเดียว คือ โปรแกรม RapidMiner Studio 9.2.001

โปรแกรม RapidMiner Studio ได้รับรางวัลและการยอมรับจากบริษัทการวิจัย Gartner ในปี 2019 ซึ่งยอมรับว่าเป็นโปรแกรมการวิเคราะห์ข้อมูลที่ดี มีคู่ค้าที่แข็งแกร่งอยู่ในหลายภูมิภาค มีประสิทธิภาพทางการเงินที่สอดคล้องและสนับสนุนแพลตฟอร์มในวงกว้าง ซึ่งเป็นการสนับสนุนที่ ดีต่อลูกค้า (Gartner’s 2019 Magic Quadrant for Data Science and Machine Learning Platform)

ภาพที่ 5.8 Magic Quadrant for Data Science and Machine Learning Platform ที่มา: https://bit.ly/2ULyAlV


ภาพที่ 5.9 Reviews for Data Science and Machine-Learning Platforms ที่มา: https://gtnr.it/2KlxKYY

5.2.1.1 การดาวน์โหลดโปรแกรม RapidMiner Studio 9.2.001

การดาวน์โหลดโปรแกรม RapidMiner Studio 9.2.001 สามารถค้นหาได้จากเว็บไซต์ https://rapidminer.com และสามารถดาวน์โหลด ดังแสดงในภาพด้านล่าง

ภาพที่ 5.10 การดาวน์โหลดโปรแกรม RapidMiner Studio 9.2.001 (1) ที่มา: https://my.rapidminer.com


5.2.1.2 การติดตั้งโปรแกรม RapidMiner Studio 9.2.001 ภายหลังจากการดาวน์โหลดโปรแกรม RapidMiner Studio 9.2.001

เรียบร้อยแล้ว สามารถด าเนินการติดตั้งตามข้ันตอน ดังแสดงในภาพด้านล่าง

ภาพที่ 5.14 การติดต้ังโปรแกรม RapidMiner Studio 9.2.001 (1)



ภาพที่ 5.19 การเริ่มต้นใช้งานโปรแกรม RapidMiner Studio 9.2.001 (1)





5.2.2 การใช้โปรแกรมประยุกต์ทางธุรกิจเพื่อการจัดกลุ่ม ในหัวข้อการใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการจัดกลุ่ม แบ่งเนื้อหาออกเป็น

2 ส่วน ได้แก่ ส่วนที่ 1 น าเสนอในหลักการและทฤษฎีที่เกี่ยวข้องกับการใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการจัดกลุ่ม และในส่วนที่ 2 น าเสนอการประยุกต์ใช้โปรแกรม RapidMiner Studio 9.2 เพ่ือการจัดกลุ่ม

5.2.2.1 หลักการและทฤษฎีที่เกี่ยวข้องกับการใช้โปรแกรมประยุกต์ทางธุรกิจเพื่อการจัดกลุ่ม

การจัดกลุ่ม หรือ การวิเคราะห์กลุ่ม คือ เทคนิคและกระบวนการที่ใช้ในการจ าแนกกลุ่มของชุดข้อมูล โดยการจัดกลุ่มจะเป็นการจัดแบ่งตามวัตถุประสงค์ เป้าหมาย และลักษณะของข้อมูล รวมถึงตัวแปรที่ใช้ในการจัดกลุ่ม ในการจัดกลุ่มบางครั้งเราไม่สามารถทราบหรือก าหนดได้ว่า กลุ่มของชุดข้อมูลควรจะมีจ านวนกลุ่มเท่าใด การก าหนดจ านวนกลุ่มจะเป็นการก าหนดตามความเหมาะสมในการน าไปใช้เป็นหลัก

ส าหรับวัตถุประสงค์ของการจัดกลุ่ม สามารถก าหนดขอบเขต และตัวอย่างได้ ดังนี้

(1) ด้านการศึกษา การจัดกลุ่มข้อมูลด้านการศึกษา สามารถประยุกต์ได้อย่างหลากหลาย

การจัดกลุ่มผู้เรียนตามผลสัมฤทธิ์ทางการเรียน การจัดกลุ่มโรงเรียนตามจ านวนนักเรียนในโรงเรียน การจัดกลุ่มสถาบันการศึกษาตามระดับการศึกษา การจัดกลุ่มบริหารงบประมาณโรงเรียนตามภูมิภาค การจัดสรรสิทธิพิเศษนักเรียนตามเขตพ้ืนที่การปกครอง และอ่ืนๆ


จะเห็นได้ว่าในอดีต การจัดกลุ่มทางการศึกษาจะเป็นเรื่องการบริหารจัดการเป็นหลัก คือ ให้ความส าคัญกับโรงเรียน องค์กรการปกครอง และรัฐบาล แต่ในการจัดกลุ่มที่ไม่ได้กล่าวถึงมากนัก คือ เรื่องของการพัฒนาศักยภาพ ประสิทธิภาพ และผลสัมฤทธิ์ทางการเรียนที่สะท้อนและสนับสนุนผู้เรียนเป็นหลัก ดังนั้น ผู้สอนหรือผู้วิจัยในอนาคตด้านการศึกษาควรให้น้ าหนักด้านนี้เพิ่มเติมด้วย

(2) ด้านการแพทย์ การจัดกลุ่มทางด้านการแพทย์ ได้แก่ การจัดกลุ่มคนไข้ตามอาการ ตาม

ความรุนแรงของโรค เพ่ือใช้ก าหนดแนวทางในการให้บริการและการรักษา นอกจากนั้นการจัดกลุ่มโรงพยาบาล สามารถสนับสนุนทางการแพทย์เช่นกัน ตัวอย่างได้แก่ การจัดกลุ่มโรงพยาบาลเฉพาะด้าน โรงพยาบาลที่มีประสิทธิภาพคล้ายกันไว้ด้วยกัน การจัดกลุ่มประเภทการรักษาตามความเจริญด้านสาธารณสุข หรือ การก าหนดเขตกักกันทางการแพทย์ เป็นต้น

(3) ด้านการค้าและการตลาด การแบ่งประเภทผู้บริโภคและลูกค้าตามพฤติกรรมการบริโภคสินค้าใน

อดีต การส่งเสริมการขาย (Promotion) ตามประวัติและสถิติการขายในปีที่ผ่านมา การใช้กลยุทธ์ทางการตลาดโดยพิจารณาตามกลุ่มเป้าหมาย ตัวอย่างเหล่านี้สามารถน ามาประยุกต์ใช้ได้อย่างดี ซึ่งตัวแปรด้านพฤติกรรมต่างๆ สามารถใช้ในการวางแผนด้านการค้าและการตลาดในพ้ืนที่อ่ืน ที่มีความแตกต่างกันได ้

หลักเกณฑ์ การจัดกลุ่มและการวิเคราะห์กลุ่ม มีอย่างหลากหลาย ได้แก่

1) วิธีการจัดกลุ่มแบบ Average Linkage Between Groups 2) วิธีการจัดกลุ่มแบบ Average Linkage Within Groups Method 3) วิธีการจัดกลุ่มแบบ Single Linkage 4) วิธีการจัดกลุ่มแบบ Complete Linkage 5) วิธีการจัดกลุ่มแบบ Centroid Clustering 6) วิธีการจัดกลุ่มแบบ Median Clustering และ 7) วิธีการจัดกลุ่มแบบ Ward’s Method

(1) วิธีการจัดกลุ่มแบบ Average Linkage Between Groups การจัดกลุ่มแบบ Average Linkage Between Groups หรือ UPGMA

(Unweighted Pair-Group Method Using Arithmetic Average) คือ การค านวณหาระยะห่างเฉลี่ยของทุกคู่ของชุดข้อมูล (Data Set) โดยที่ชุดข้อมูลชุดที่หนึ่งต้องอยู่ในกลุ่มของพ้ืนที่ส่วนแรก (Cluster 1) และชุดข้อมูลชุดที่สองต้องอยู่ในกลุ่มของพ้ืนที่ส่วนที่สอง (Cluster 2) โดยที่ระยะห่างเฉลี่ยของสมาชิกกลุ่ม (Cluster) ต้องสั่นกว่าระยะห่างจากกลุ่มอื่น


(2) วิธีการจัดกลุ่มแบบ Average Linkage Within Groups Method วิธีการจัดกลุ่มแบบ Average Linkage Within Groups Method คือ

การรวมกลุ่ม (Cluster) เข้าด้วยกัน ในกรณีทีร่ะยะห่างเฉลี่ยระหว่างทุกชุดข้อมูล (Data Set) ใน กลุ่มนั้นๆ (Cluster) มีค่าน้อยท่ีสุด

ภาพที่ 5.26 Average Linkage

(3) วิธีการจัดกลุ่มแบบ Single Linkage

การจัดกลุ่มแบบ Single Linkage หรือ Nearest Neighbor คือ การรวม กลุ่ม (Cluster) ตั้งแต่ 2 กลุ่มเข้าด้วยกัน โดยพิจารณาจากระยะห่างที่สั้นที่สุด

ภาพที่ 5.27 Single Linkage

(4) วิธีการจัดกลุ่มแบบ Complete Linkage

วิธีการจัดกลุ่มแบบ Complete Linkage หรือ Furthest Neighbor Technique คือ การรวมกลุ่ม (Cluster) ตั้งแต่ 2 กลุ่มเข้าด้วยกัน โดยพิจารณาจากระยะห่างที่ยาวที่สุด


ภาพที่ 5.28 Complete Linkage

(5) วิธีการจัดกลุ่มแบบ Centroid Clustering วิธีการจัดกลุ่มแบบ Centroid Clustering คือ การรวมกลุ่ม (Cluster)

ตั้งแต่ 2 กลุ่มเข้าด้วยกัน โดยพิจารณาจากระยะห่างของจุดกลาง (Centroid) ของกลุ่ม วิธีการนี้จะค านวณหาระยะห่างระหว่างจุดกลางของแต่ละกลุ่มทีละคู่

การจัดกลุ่มในกรณีนี้ จะพิจารณาแบบหลายตัวแปรพร้อมกัน ระยะห่างระหว่างข้อมูลและจุดกลางจะเป็นตัวก าหนดกลุ่มของข้อมูลนั้น

ภาพที่ 5.29 Centroid Clustering

(6) วิธีการจัดกลุ่มแบบ Median Clustering

การจัดกลุ่มแบบ Median Clustering คือ การรวมกลุ่ม (Cluster) ตั้งแต่ 2 กลุ่มเข้าด้วยกัน โดยพิจารณาจากค่าความส าคัญ หรือ ค่าน้ าหนักที่เท่ากัน


ในขณะที่วิธีการของ Centroid Clustering จะให้ความส าคัญต่อกลุ่ม (Cluster) มีขนาดใหญ่มากกว่ากลุ่มที่มีขนาดเล็ก ซึ่งแสดงถึงการให้ความส าคัญทีไ่ม่เท่ากัน วิธีการของ Median Clustering จะใช้ค่าบรรทัดฐาน (Median) เป็นค่ากลางของจุดกลาง (Centroid) โดยที่ระยะห่างระหว่างค่า Median Clustering จะใช้ค่าบรรทัดฐานที่เป็นค่ากลางของจุดกลาง (Centroid) ถ้าระยะห่างระหว่างค่าบรรทัดฐานของกลุ่ม หากคู่ใดต่ าจะรวมสมาชิกของกลุ่มนั้นเข้าด้วยกัน

(7) วิธีการจัดกลุ่มแบบ Ward’s Method

หลักการของวิธีนี้จะพิจารณาจากค่า Sum of the squared within cluster distance หรือ ผลรวมของระยะห่างยกก าลังสองภายในระยะกลุ่ม (Cluster) โดยจะรวมกลุ่มที่ท าให้ค่า Sum of square within cluster distance เพ่ิมข้ึนน้อยที่สุดไว้ด้วยกัน

ค่า Square within cluster distance คือ ค่าระยะห่างยกก าลังสองของ Euclidean (Square Euclidean Distance) ของแต่ละกลุ่ม หรือเรียกว่า กลุ่มค่าเฉลี่ย (Cluster Mean)

ตัวอย่างของการค านวณเพ่ือการจัดกลุ่ม ซึ่งในการจัดกลุ่มนั้นสามารถ

ก าหนดได้ว่าต้องการจัดแบ่งข้อมูลออกเป็นจ านวนเท่าใด ตามคุณสมบัติที่มีความคล้ายคลึงกัน โดยการจัดกลุ่มต้องมีการก าหนดจุดกลาง หรือ จุดศูนย์ถ่วง (Centroid) ตามจ านวนกลุ่มที่ต้องการ โดยเทคนิคที่ได้รับความนิยมในการจัดกลุ่ม คือ k-Means เทคนิคนี้เป็นการจัดกลุ่มตามจ านวน k ที่ก าหนด ซึ่งเทคนิคการจัดกลุ่มของ k-Means สามารถท าได้ ดังนี้

(1) ก าหนดค่าเริ่มต้นให้แก่จุดศูนย์ถ่วง (Centroid) ขั้นตอนที่ 1 ของการค านวณแบบ k-Means คือ การก าหนดค่าเริ่มต้น

ให้แก่จุดศูนย์ถ่วง (Centroid) โดยการก าหนดแบบสุ่มให้เท่ากับจ านวน k จุด ตามท่ีต้องการ (2) ค านวณเพื่อจัดกลุ่ม

ขั้นตอนที่ 2 ของการค านวณแบบ k-Means คือ การค านวณหาระยะห่างของชุดข้อมูลทุกๆ ต าแหน่งต่อจุดศูนย์ถ่วง (Centroid) หลังจากได้ระยะห่างให้พิจารณาระยะห่าง และจัดชุดข้อมูลนั้นเข้ากลุ่ม (Cluster) ที่มีระยะห่างจากจุดศูนย์ถ่วงน้อยที่สุด

(3) ค านวณจุดศูนย์ถ่วงใหม่ ขั้นตอนที่ 3 ของการค านวณแบบ k-Means คือ การหาจุดศูนย์ถ่วงใหม่

โดยการค านวณหาค่าเฉลี่ยของสมาชิกทุกตัวในกลุ่ม หรือ หาค่าเฉลี่ยระยะทางในกลุ่ม (Mean)


(4) ค านวณสมาชิกใหม่ ขั้นตอนที่ 4 ของการค านวณแบบ k-Means คือ การค านวณหาสมาชิก

เพ่ือจัดกลุ่มใหม่ กล่าวคือ ท าข้ันตอนที่ 2 ซ้ าและวนไปจนกว่าสมาชิกในกลุ่มไม่มีการเปลี่ยนแปลง

ภาพที่ 5.30 การจัดกลุ่มแบบ k-Means ที่มา: https://bit.ly/2G2JNVL

5.2.2.2 การประยุกต์ใช้โปรแกรม RapidMiner Studio เพื่อการจัดกลุ่ม

ในหัวข้อการประยุกต์ใช้โปรแกรม RapidMiner Studio เพ่ือการจัดกลุ่ม แบ่งเนื้อหาออกเป็น 2 ส่วน คือ การค านวณการจัดกลุ่มเบื้องต้น และการใช้เครื่องมือของโปรแกรม RapidMiner Studio เพ่ือการค านวณ

(1) การค านวณการจัดกลุ่มเบื้องต้น ในการแสดงตัวอย่างการค านวณเพ่ือจัดกลุ่มด้วยวิธี k-Means ผู้เขียนได้

สุ่มผลการเรียนเฉลี่ยของนักเรียน จ านวน 10 คน โดยแสดงในตารางที่ 5.1 และภาพท่ี 5.31 ตารางท่ี 5.1 ผลการเรียนเฉลี่ยของนักเรียน 10 คน

นักเรียนล ำดับที ่ ผลกำรเรียนเฉลี่ย นักเรียนล ำดับที ่ ผลกำรเรียนเฉลี่ย 1 3.71 6 2.19 2 2.44 7 1.67 3 3.43 8 2.69 4 3.39 9 3.59 5 1.26 10 2.97


ภาพที่ 5.31 กราฟแสดงผลการเรียนเฉลี่ยของนักเรียน

ภาพที่ 5.32 กราฟแสดงผลการเรียนเฉลี่ยของนักเรียน (เรียงล าดับ)

จากข้อมูลผลการเรียนเฉลี่ยของนักเรียนที่เตรียมมา ซึ่งสามารถด าเนิน

ตามขั้นตอนเพ่ือการจัดกลุ่ม ดังนี้ 1) ก าหนดค่าเริ่มต้นให้แก่จุดศูนย์ถ่วง (Centroid) โดยก าหนด 3 ต าแหน่งแบบสุ่ม คือ นักเรียนล าดับที่ 1 ล าดับที่ 5 และล าดับที่ 10 ซึ่งสามารถค านวณระยะห่างระหว่างต าแหน่งที่ก าหนดและทุกสมาชิกได้ผลลัพธ์ ดังแสดงในตารางที่ 5.2

ตารางท่ี 5.2 การค านวณหาระยะห่างและต าแหน่งที่สุ่มก าหนด

นักเรียน (ล ำดับที่)

ผลกำรเรียนเฉลี่ย ต ำแหน่งท่ี 1

(นักเรียนล ำดับที่ 1) ต ำแหนงท่ี 2

(นักเรียนคนที่ 5) ต ำแหน่งที 3

(นักเรียนล ำดับที่ 10) 1 3.71 0.00* 2.45 0.74 2 2.44 1.27 1.18 0.53* 3 3.43 0.28* 2.17 0.46 4 3.39 0.32* 2.13 0.42 5 1.26 2.45 0.00* 1.71




(นักเรียนล ำดับที่ 1) ต ำแหนงท่ี 2

(นักเรียนคนที่ 5) ต ำแหน่งที 3

(นักเรียนล ำดับที่ 10) 6 2.19 1.52 0.93 0.78* 7 1.67 2.04 0.41* 1.30 8 2.69 1.02 1.43 0.28* 9 3.59 0.12* 2.33 0.62 10 2.97 0.74 1.71 0.00*

จากตารางที่ 5.2 การค านวณหาระยะห่างและต าแหน่งที่สุ่มก าหนด

สามารถจัดกลุ่มได้ ดังนี้ สมาชิกของกลุ่มที่ 1 ประกอบด้วย นักเรียนล าดับที่ 1, 3, 4, และ 9 โดยสามารถค านวณหาค่าเฉลี่ยได้เท่ากับ 3.53 สมาชิกของกลุ่มที่ 2 ประกอบด้วย นักเรียนล าดับที่ 5 และ 7 โดยสามารถค านวณหาค่าเฉลี่ยได้เท่ากับ 1.47 และสมาชิกของกลุ่มที่ 3 ประกอบด้วย นักเรียนล าดับที่ 2, 6, 8 และ 10 โดยสามารถค านวณหาค่าเฉลี่ยได้เท่ากับ 2.57

ภายหลังจากได้จุดศูนย์ถ่วงใหม่ (New Centroid) ให้ค านวณเพื่อจัดกลุ่มสมาชิกอีกครั้ง ดังแสดงผลลัพธ์ในตารางที่ 5.3

ตารางท่ี 5.3 การค านวณหาระยะห่างและต าแหน่งศูนย์ถ่วงใหม่



(3.53) ต ำแหนงท่ี 2

(1.47) ต ำแหน่งที 3

(2.57) 1 3.71 0.18* 2.24 1.14 2 2.44 1.09 0.97 0.13* 3 3.43 0.10* 1.96 0.86 4 3.39 0.14* 1.92 0.82 5 1.26 2.27 0.21* 1.31 6 2.19 1.34 0.72 0.38* 7 1.67 1.86 0.20* 0.90 8 2.69 0.84 1.22 0.12* 9 3.59 0.06* 2.12 1.02 10 2.97 0.56 1.50 0.40*

จากตารางที่ 5.3 การค านวณหาระยะห่างและต าแหน่งที่สุ่มก าหนด

สามารถจัดกลุ่มได้ ดังนี้ สมาชิกของกลุ่มที่ 1 ประกอบด้วย นักเรียนล าดับที่ 1, 3, 4, และ 9 โดยสามารถค านวณหาค่าเฉลี่ยได้เท่ากับ 3.53 สมาชิกของกลุ่มที่ 2 ประกอบด้วย นักเรียนล าดับที่ 5 และ 7 โดยสามารถค านวณหาค่าเฉลี่ยได้เท่ากับ 1.47 และสมาชิกของกลุ่มที่ 3 ประกอบด้วย นักเรียนล าดับที่ 2, 6, 8 และ 10 โดยสามารถค านวณหาค่าเฉลี่ยได้เท่ากับ 2.57


เมื่อพิจารณาจากผลการค านวณใหม่แล้ว พบว่า สมาชิกในกลุ่มไม่มีการเปลี่ยนแปลง ดังนั้นจึงสรุปได้ในตารางที่ 5.4

ตารางท่ี 5.4 สรุปผลการค านวณเพ่ือจัดกลุ่มผลการเรียนเฉลี่ยของนักเรียน

กลุ่ม (Cluster) สมำชกิ (Member) จุดศูนย์ถ่วง (Centroid) กลุ่มที่ 1 (Cluster_0) นักเรียนล ำดับที่ 1, 3, 4, และ 9 3.53 กลุ่มที่ 2 (Cluster_1) นักเรียนล ำดับที่ 5 และ 7 1.47 กลุ่มที่ 3 (Cluster_2) นักเรียนล ำดับที่ 2, 6, 8 และ 10 2.57

(2) การใช้เครื่องมือของโปรแกรม RapidMiner Studio เพื่อการค านวณ

เพ่ือเป็นการเปรียบเทียบการใช้เครื่องมือของโปรแกรม RapidMiner Studio ในการค านวณ ดังนั้นผู้เขียนจึงใช้ข้อมูลชุดเดิม ซึ่งแสดงในตารางที่ 5.1 ผลการเรียนเฉลี่ยของนักเรียน 10 คน โดยใช้บันทึกข้อมูลในไฟล์ Microsoft Excel ดังแสดงในภาพที่ 5.33

ภาพที่ 5.33 ไฟล์บันทึกผลการเรียนเฉลี่ยของนักเรียน ในการเรียกใช้โปรแกรม RapidMiner Studio เพ่ือค านวณการจัดกลุ่ม

จ าเป็นต้องใช้ Operators จ านวน 2 ชนิด ได้แก่ Read Excel Operator และ k-Means Operator ดังแสดงในภาพด้านล่าง


ภาพที่ 5.34 Read Excel Operator ที่มา: https://bit.ly/2Ipz2zz

ภาพที่ 5.35 k-Means Operator ที่มา: https://bit.ly/2UPBkP2

ภายหลังจากเตรียมข้อมูล และ Operators เป็นที่เรียบร้อยแล้ว ขั้นตอน

ต่อไป คือ การวิเคราะห์การจัดกลุ่มผลการเรียนเฉลี่ยของนักเรียน ดังแสดงในภาพด้านล่าง


ภาพที่ 5.36 การวิเคราะห์การจัดกลุ่มผลการเรียนเฉลี่ยของนักเรียน (1)





5.2.3 การใช้โปรแกรมประยุกต์ทางธุรกิจเพื่อการพยากรณ์ ในหัวข้อการใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการพยากรณ์นั้น ได้แบ่งเนื้อหา

ออกเป็น 2 ส่วน ได้แก่ ส่วนที่ 1 น าเสนอในหลักการและทฤษฎีที่เกี่ยวข้องกับการใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการพยากรณ์ และในส่วนที่ 2 น าเสนอการประยุกต์ใช้โปรแกรม RapidMiner Studio 9.2 เพ่ือการพยากรณ ์

5.2.3.1 หลักการและทฤษฎีที่เกี่ยวข้องกับการใช้โปรแกรมประยุกต์ทางธุรกิจเพื่อการพยากรณ์

โดยทั่วไปแล้วการพยากรณ์ คือ การท านายสิ่งที่ยังไม่ได้เกิดขึ้น แต่มีแนวโน้มหรือคาดได้ว่าจะเกิดขึ้น ซึ่งที่ผ่านมาในอดีตการพยากรณ์ใช้วิธีการรวบรวมจากสถิติ ข้อมูลทางประวัติศาสตร์ การจดจ าจากเอกสารและต าราทางวิชาการ แต่ในความเป็นจริงการพยากรณ์ต้องอยู่บนพื้นฐานของความเข้าใจและเชื่อถือได้

ในทางการวิทยาศาสตร์แล้ว กระบวนการของการพยากรณ์พยายามใช้เครื่องมือที่สามารถอธิบายได้อย่างเป็นหลักเป็นฐาน ตัวอย่างเช่น การใช้หลัก Time Series หรือ การใช้อนุกรมเวลาของสิ่งนั้นเพ่ือท านายในอนาคต การใช้ Algorithm ประเภท Linear Regression เพ่ือเป็นการท านายในลักษณะเส้นตรง อย่างไรก็ตามคุณสมบัติในการพยากรณ์ สามารถใช้ส่วนประกอบส าคัญ 4 ประการ ได้แก่ แนวโน้ม ฤดูกาล วัฏจักร และความผิดปกติ

(1) แนวโน้ม (Trend) แนวโน้ม (Trend) คือ การเคลื่อนไหวของข้อมูลที่ต่อเนื่องกัน ในระยะ

ยาวนานอย่างชัดเจนไม่ว่าจะเป็นแนวโน้มขึ้นหรือแนวโน้มลง นอกจากนั้น ลักษณะแนวโน้มอาจมีลักษณะเป็นเส้นตรงหรือเส้นโค้งก็ได้


(2) ฤดูกาล (Seasonal) ฤดูกาล (Seasonal) คือ การเปลี่ยนแปลงของข้อมูลที่เกิดขึ้น เนื่องจาก

อิทธิพลของฤดูกาล หรือ ช่วงเวลา ซึ่งสามารถเกิดขึ้นซ้ ากัน ในช่วงเวลาเดียวกัน ตัวอย่างเช่น รายเดือน รายไตรมาส หรือ รายปี

(3) วัฏจักร (Cyclical) วัฏจักร (Cyclical) คือ การเคลื่อนไหวของข้อมูลที่มีลักษณะซ้ ากัน คล้าย

กับฤดูกาล (Seasonal) แต่มีระยะเวลารอบของระยะเวลาที่ยาวนานมากกว่า ตัวอย่างเช่น รอบทศวรรษ (10 ปี) และ รอบศตวรรษ (100 ปี)

(4) ความผิดปกติ (Irregular) ความผิดปกติ (Irregular) คือ การเคลื่อนไหวของข้อมูลที่ไม่มีรูปแบบ

หรือ ไม่แน่นอน หรือ เป็นเหตุการณ์ที่ผิดไปจากปกติ โดยไม่ได้มีการคาดการณ์ไว้ล่วงหน้า นอกเหนือจากที่กล่าวมาข้างต้น กระบวนการหนึ่งที่ได้รับการยอมรับของ

การประยุกต์ใช้เพ่ือการพยากรณ์ คือ การใช้กระบวนการของต้นไม้การตัดสินใจ (Decision Tree Algorithm) ในบางโอกาสถูกเรียกว่า การเรียนรู้ต้นไม้ตัดสินใจ (Decision Tree Learning) ต้นไม้การตัดสินใจนี้ เป็นโมเดลทางคณิตศาสตร์ที่ใช้ท านายประเภทของวัตถุโดยพิจารณาจากลักษณะของวัตถุภายใน (Inner Node) ของโมเดล และแสดงตัวแปรออกมา ในขณะที่กิ่งจะแสดงค่าที่เป็นไปได้ของตัวแปรนั้น

ในขณะเดียวกัน โมเดลต้นไม้ตัดสินใจของการบริหารธุรกิจ คือ แบบแผนเพ่ือช่วยในการตัดสินใจ โดยแสดงถึงรายละเอียด หรือสิ่งที่จ าเป็นต้องใช้ ความเป็นไปได้ในการลงทุน และผลลัพธ์ที่มีโอกาสเกิดข้ึน นอกจากนั้น ต้นไม้การตัดสินใจถูกสร้างข้ึนเพ่ือการตัดสินใจ ในการสร้างผังงาน มีความนิยมใช้มากในการบริหารความเสี่ยง (Risk Management) และยิ่งไปกว่านั้น โมเดลต้นไม้ตัดสินใจ ยังเป็นวิธีการพ้ืนฐานอย่างหนึ่งส าหรับการท าเหมืองข้อมูล

ลักษณะพิเศษของต้นไม้การตัดสินใจ คือ สามารถตัดสินใจเพ่ือการจัดกลุ่ม (Classify) ชุดข้อมูลน าเข้าในแต่ละกรณี (Instance) แต่ละโหนด (Node) ของต้นไม้การตัดสินใจคือ ตัวแปร (Attribute) ต่างๆ ของชุดข้อมูล และสามารถประยุกต์ร่วมกับตัวแปรตาม ซึ่งเป็นผลลัพธ์จากต้นไม้การตัดสินใจ ในขณะที่ ขั้นตอนวิธีการสร้างต้นไม้การตัดสินใจ สามารถใช้วิธีการสอน (Training) ซ่ึงเป็นวิธีพ้ืนฐานวิธีหนึ่ง จากบนลงล่าง (Top-Down) เรียกว่า ID3 ซึ่งถูกพัฒนาโดย John Ross Quinlan ในปี 1986 โดยมีขั้นตอน ดังนี้


(1) การค านวณหาค่าเอนโทรปี (Entropy) จากกระบวนการของ ID3 นั้น ลักษณะการสร้างต้นไม้การตัดสินใจจาก

บนลงล่าง คือ การค านวณหารากของต้นไม้การตัดสินใจ (Root Node) ซึ่งเป็นส่วนส าคัญที่สุดของโมเดลต้นไม้การตัดสินใจ โดยที่การค านวณหาค่าเอนโทรปี (Entropy) นั้น สามารถพิจารณาจากค่าท่ีดีที่สุดจากค่าของลักษณะเรียกว่า เกนความรู้ (Information Gain: IG) ซึ่งจะน ามาใช้ในการค้นหารากของต้นไม้การตัดสินใจ

ในการเกนความรู้นั้น สิ่งแรกคือต้องนิยามค่าที่ใช้บอกความไม่บริสุทธิ์ของข้อมูลก่อน เรียกว่า เอนโทรปี (Entropy) โดยการนิยามเอนโทรปีของต้นไม้การตัดสินใจ แสดงดังสมการนี้

โดยที่ E(S) คือ เอนโทรปีของชุดของตัวแปร S Ps(j) คือ ความน่าจะเป็นของ j

(2) เกนความรู้ (Information Gain: IG)

จากการนิยามเอนโทรปี (Entropy) ข้างต้น สามารถนิยามลักษณะของตัวแปร (Attribute) และน ามาใช้ในการเปรียบเทียบเพ่ือหาค่า IG ของตัวแปรแต่ละตัวในชุดข้อมูลได้ ดังแสดงในสมการ

โดยที่ S คือ ชุดค าตอบที่โมเดลสนใจ A คือ ตัวแปร (Attribute) แต่ละตัวในชุดข้อมูล value (A) คือ เซตของค่าของ A ที่เป็นไปได ้ Sv คือ ชุดข้อมูลที่ A มีค่า v ทั้งหมด


(3) การค านวณเพื่อสร้างต้นไม้การตัดสินใจ จากรายละเอียดและสมการข้างต้น สามารถน ามาใช้ในการค านวณเพ่ือ

สร้างต้นไม้การตัดสินใจ โดยผู้เขียนได้จ าลองชุดข้อมูลการพยากรณ์บทบาทของผู้ให้ค าปรึกษา (Mentor) และผู้รับค าปรึกษา (Mentee) โดยแสดงในตารางที่ 5.5 ตารางท่ี 5.5 ชุดข้อมูลคุณลักษณะของผู้ให้ค าปรึกษาและผู้รับค าปรึกษา

ID Ability Skill Knowledge Experience Class 1 Ability (1) Skill (1) Knowledge (1) Experience (1) Mentee 2 Ability (1) Skill (1) Knowledge (1) Experience (2) Mentee 3 Ability (2) Skill (1) Knowledge (1) Experience (1) Mentor 4 Ability (3) Skill (3) Knowledge (1) Experience (1) Mentor 5 Ability (3) Skill (2) Knowledge (2) Experience (1) Mentor 6 Ability (3) Skill (2) Knowledge (2) Experience (2) Mentee 7 Ability (2) Skill (2) Knowledge (2) Experience (2) Mentor 8 Ability (1) Skill (3) Knowledge (1) Experience (1) Mentee 9 Ability (1) Skill (3) Knowledge (2) Experience (1) Mentor 10 Ability (3) Skill (3) Knowledge (2) Experience (1) Mentor 11 Ability (1) Skill (3) Knowledge (2) Experience (2) Mentor 12 Ability (2) Skill (3) Knowledge (1) Experience (2) Mentor 13 Ability (2) Skill (1) Knowledge (2) Experience (1) Mentor 14 Ability (3) Skill (3) Knowledge (1) Experience (2) Mentee

จากตารางที่ 5.5 ชุดข้อมูลคุณลักษณะของผู้ ให้ค าปรึกษาและผู้รับ

ค าปรึกษา สรุปได้ว่า ตัวแปร (Attributes) ของชุดข้อมูล ประกอบด้วย 5 ตัวแปร ได้แก่ Ability, Skill, Knowledge, Experience และ Class โดยที่ตัวแปร Class คือ ตัวแปรค าตอบที่โมเดลสนใจใช้เพ่ือการพยากรณ์ ในขณะเดียวกัน ตัวแปรแต่ละตัวสามารถสรุปองค์ประกอบได้ ดังแสดงในตารางที่ 5.6 แสดงรายละเอียดตัวแปรและองค์ประกอบตัวแปร

ตารางท่ี 5.6 แสดงรายละเอียดตัวแปรและองค์ประกอบตัวแปร

Attribute Number of Sub-Attributes Sub-Attributes Ability 3 Ability (1), Ability (2), Ability (3) Skill 3 Skill (1), Skill (2), Skill (3)

Knowledge 2 Knowledge (1), Knowledge (2) Experience 2 Experience (1), Experience (2)

Class 2 Mentor, Mentee


จากตารางที่ 5.5 ชุดข้อมูลคุณลักษณะของผู้ ให้ค าปรึกษาและผู้รับค าปรึกษา และตารางที่ 5.6 แสดงรายละเอียดตัวแปรและองค์ประกอบตัวแปร โดยที่สามารถสรุปความสัมพันธ์ระหว่างตัวแปร องค์ประกอบตัวแปร ผลลัพธ์การค านวณ และโมเดลการพยากรณ์บทบาทของชุดข้อมูลได ้ดังแสดงในภาพด้านล่าง

ภาพที่ 5.43 แสดงความสัมพันธ์ระหว่างชุดข้อมูลและค าตอบ

ภาพที่ 5.44 การค านวณเพ่ือสร้างโมเดลการพยากรณ์บทบาทสมาชิก (1)





ภาพที่ 5.63 ผลการสร้างโมเดลการพยากรณ์บทบาทสมาชิก


หลังจากค านวณค่า IG ครบทุกตัวแปร (Attributes) พบว่า ค่า IG ของ Ability มีค่ามากที่สุด (0.24) ดังนั้นจึงสรุปได้ว่า Ability มีความส าคัญท่ีสุดจึงก าหนดให้เป็นโหนดราก (Root Node) จากในตารางที่ 5.5 พบว่า Ability (2) มีค าตอบเดียว คือ Mentee ดังนั้นโหนดนี้จึงไม่ต้องแตกกิ่งต่อไปอีกแล้ว แต่โหลดอ่ืนต้องท าการแตกย่อยตามล าดับค่า IG ที่ค านวณได้ ซึ่งแสดงในภาพที่ 5.63 ด้านบน

5.2.3.2 การประยุกต์ใช้โปรแกรม RapidMiner Studio เพื่อการพยากรณ์

เพ่ือเป็นการเปรียบเทียบการใช้เครื่องมือของโปรแกรม RapidMiner Studio ในการค านวณ ดังนั้นผู้เขียนจึงใช้ข้อมูลชุดเดิม ซึ่งแสดงในตารางที่ 5.5 ชุดข้อมูลคุณลักษณะของผู้ให้ค าปรึกษาและผู้รับค าปรึกษา โดยใช้บันทึกข้อมูลในไฟล์ Microsoft Excel ดังแสดงในภาพที่ 5.64 ไฟล์บันทึกชุดข้อมูลคุณลักษณะของผู้ให้ค าปรึกษาและผู้รับค าปรึกษา

ภาพที่ 5.64 ไฟล์บันทึกชุดข้อมูลคุณลักษณะของผู้ให้ค าปรึกษาและผู้รับค าปรึกษา ในการเรียกใช้โปรแกรม RapidMiner Studio เพ่ือค านวณการพยากรณ์

จ าเป็นต้องใช้ Operators จ านวน 2 ชนิด ได้แก่ Read Excel Operator และ Decision Tree Operator ดังแสดงในภาพด้านล่าง


ภาพที่ 5.65 Read Excel Operator ที่มา: https://bit.ly/2Ipz2zz

ภาพที่ 5.66 Decision Tree Operator ที่มา: https://bit.ly/2GhOMn3


ต่อไป คือ การวิเคราะห์เพ่ือสร้างโมเดลการพยากรณ์บทบาทสมาชิก ดังแสดงในภาพด้านล่าง


ภาพที่ 5.67 การวิเคราะห์เพ่ือสร้างโมเดลการพยากรณ์บทบาทสมาชิก (1)






ภาพที่ 5.72 โปรแกรมแสดงผลการสร้างโมเดลการพยากรณ์บทบาทสมาชิก


5.2.4 การใช้โปรแกรมประยุกต์ทางธุรกิจเพื่อการหากฎความสัมพันธ์ หัวข้อการใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการหากฎความสัมพันธ์ แบ่งเนื้อหา

ออกเป็น 2 ส่วน ได้แก่ ส่วนที่ 1 น าเสนอในหลักการและทฤษฎีที่เกี่ยวข้องกับการใช้โปรแกรมประยุกต์ทางธุรกิจเพ่ือการหากฎความสัมพันธ์ และในส่วนที่ 2 น าเสนอการประยุกต์ใช้โปรแกรม RapidMiner Studio 9.2 เพ่ือการหากฎความสัมพันธ์

5.2.4.1 หลักการและทฤษฎีที่เกี่ยวข้องกับการใช้โปรแกรมประยุกต์ทางธุรกิจเพื่อการหากฎความสัมพันธ์

ในการเรียนรู้ของเครื่อง (Machine Learning) เครื่องมือหนึ่งที่ได้รับการยอมรับว่าเป็นพืน้ฐานเพ่ือสร้างความเข้าใจ ส าหรับผู้ริเริ่มการเรียนรู้ในการวิเคราะห์ข้อมูล คือ การหาความสัมพันธ์ของข้อมูล หรือ กฎความสัมพันธ์ (Association Rules) หรือในบางโอกาสถูกเรียกว่า การเรียนรู้ด้วยกฎความสัมพันธ์ (Association Rules Learning) นอกจากนั้น กฎความสัมพันธ์ยังเป็นกระบวนการหนึ่งในการท าเหมืองข้อมูล (Data Mining) ที่ได้รับความนิยม ซึ่งกฎความสัมพันธ์ คือ กระบวนการอธิบายความสัมพันธ์ของชุดข้อมูล ภายในชุดข้อมูลที่มีขนาดใหญ่

แม้ว่าขัน้ตอนวิธีการกฎความสัมพันธ์จะหลากหลาย ทว่าขั้นตอนวิธีการที่ได้รับความนิยม คือ วิธี Apriori โดยตัวอย่างที่ใช้อธิบายการหาความสัมพันธ์ ดังกล่าว คือ Market Basket Analysis วิธีการดังกล่าวใช้อธิบายความสัมพันธ์ของสินค้าที่พบว่ามีการซื้อพร้อมกัน เพ่ือน ากฎความสัมพันธ์ที่ได้ไปใช้ในการส่งเสริมการขาย เพ่ือให้ผู้อ่านเข้าใจการหากฎความสัมพันธ์ จึงก าหนดให้มีชุดข้อมูลหนึ่งชุด ซึ่งเป็นตัวแทนข้อมูลในการค านวณหากฎความสัมพันธ์ ดังแสดงในตารางที่ 5.7 รายการสั่งซื้อสินค้า ประกอบด้วยสินค้า จ านวน 5 รายการ ได้แก่ Apple Beer Cereal Diapers และ Egg ตารางท่ี 5.7 รายการสั่งซื้อสินค้า

คร้ังท่ี (Transaction ID) รำยกำรสั่งซื้อสินค้ำ (Items) 1 Apple, Cereal, Diapers 2 Beer, Cereal, Eggs 3 Apple, Beer, Cereal, Eggs 4 Beer, Eggs

ในกระบวนการหากฎความสัมพันธ์นั้น จ าเป็นต้องก าหนดค่าสนับสนุน

ขั้นต่ า (Minimum Support) ซึ่งเป็นค่าที่ก าหนดไว้เป็นเกณฑ์ ในการค้นหาความสัมพันธ์ที่ซ่อนอยู่ ตัวอย่างเช่น การก าหนดค่าสนับสนุนขั้นต่ าไว้ที่ร้อยละ 50 (Minimum Support = 50%) หมายถึง


ต้องการหาสินค้าท่ีมีการซื้อร่วมกันมากกว่าหรือเท่ากับร้อยละ 50 โดยจะถือว่าเป็นความถี่ของสินค้าที่ซื้อ (Frequent Item Sets) โดยมีขั้นตอนในการค านวณดังนี้

(1) การค านวณหาค่าสนับสนุน (Support)

ในการค านวณหาค่าสนับสนุน (Support) ของสินค้า (Item) แต่ละชนิดนั้น จ าเป็นต้องมีการแปลงตารางที่ 5.7 รายการสั่งซื้อสินค้า ให้อยู่ในรูปแบบที่สามารถค านวณได้ โดยที่คอลัมน์ที่ 1 คือ ชนิดสินค้า (Item) คอลัมน์ที่ 2-5 คือ หมายเลขครั้งที่ซื้อสินค้า (Transaction ID) ซึ่งถ้ามีรายการซื้อสินค้าในครั้งใดในคอลัมน์ของ Transaction นั้นจะใส่หมายเลข 1 แต่ถ้าไม่มีจะใส่หมายเลข 0 และ คอลัมน์ที่ 6 คือ การค านวณค่าสนับสนุน (Support) รายละเอียดทั้งหมดแสดงในตารางที่ 5.8 การค านวณหาค่าสนับสนุน (Support) ของสินค้า 1 ชนิด

ตารางท่ี 5.8 การค านวณหาค่าสนับสนุน (Support) ของสินค้า 1 ชนิด

Items Transaction ID

Support 1 2 3 4

Apple 1 0 1 0 2/4 = 50% Beer 0 1 1 1 3/4 = 75% Cereal 1 1 1 0 3/4 = 75% Diapers 1 0 0 0 1/4 = 25% Eggs 0 1 1 1 3/4 = 75%

จากตารางที่ 5.8 การค านวณหาค่าสนับสนุน (Support) ของสินค้า 1

ชนิด พบว่า สินค้าที่มีค่าสนับสนุน (Support) ไม่ถึงร้อยละ 50 มี 1 รายการ คือ Diapers ดังนั้น Diapers จะไม่ถูกน าไปค านวณในการค้นหาครั้งต่อไป โดยที่การค านวณครั้งต่อไป คือ การค านวณหาค่าสนับสนุน (Support) ของสินค้า 2 ชนิด ประกอบด้วย



Support 1 2 3 4

Apple, Beer 0 0 1 0 1/4 = 25% Apple, Cereal 1 0 1 0 2/4 = 50% Apple, Eggs 0 0 1 0 1/4 = 25% Beer, Cereal 0 1 1 0 2/4 = 50% Beer, Eggs 0 1 1 1 3/4 = 75% Cereal, Eggs 0 1 1 0 2/4 = 50%


จากตารางที่ 5.9 การค านวณหาค่าสนับสนุน (Support) ของสินค้า 2 ชนิด พบว่า สินค้า 2 ชนิด ที่มีค่าสนับสนุน (Support) ไม่ถึงร้อยละ 50 มี 2 รายการ คือ Apple, Beer และ Apple, Eggs โดยจะไม่ถูกน าไปค านวณในการค้นหาครั้งต่อไป คือ การค านวณหาค่าสนับสนุน (Support) ของสินค้า 3 ชนิด ประกอบด้วย Beer, Cereal, Eggs ร่วมกัน



Support 1 2 3 4

Beer, Cereal, Eggs 0 1 0 1 2/4 = 50% จากตารางที่ 5.10 การค านวณหาค่าสนับสนุน (Support) ของสินค้า 3

ชนิด พบว่า สินค้า 3 ชนิด ที่มีค่าสนับสนุน (Support) ร้อยละ 50 มีหนึ่งรายการ คือ Beer, Cereal, Eggs

(2) การพิจารณาค่าสนับสนุน (Support)

จากการค านวณหาค่าสนับสนุน (Support) ของรายการสินค้าแต่ละชนิด สามารถสรุปค่าสนับสนุน ดังแสดงในตารางที่ 5.11 ตารางท่ี 5.11 สรุปค่าสนับสนุน (Support) ของรายการสินค้าแต่ละชนิด

Frequent Item Sets Support Size Apple 2/4 = 50% 1 Beer 3/4 = 75% 1 Cereal 3/4 = 75% 1 Diapers 1/4 = 25% 1 Eggs 3/4 = 75% 1 Apple, Beer 1/4 = 25% 2 Apple, Cereal 2/4 = 50% 2 Apple, Eggs 1/4 = 25% 2 Beer, Cereal 2/4 = 50% 2 Beer, Eggs 3/4 = 75% 2 Cereal, Eggs 2/4 = 50% 2 Beer, Cereal, Eggs 2/4 = 50% 3


(3) การหากฎความสัมพันธ์ด้วยวิธี Apriori ในการสร้างกฎความสัมพันธ์จาก Frequent Item Sets ที่หาได้ จะใช้

การพิจารณาความสัมพันธ์ของสินค้าตั้งแต่ 2 ชนิดร่วมกัน มาสร้างเป็นกฎความสัมพันธ์ เช่น {Apple, Cereal} จะสร้างกฎความสัมพันธ์ได้เป็น Apple => Cereal เป็นต้น โดยกฎความสัมพันธ์ทั่วไปจะแสดงอยู่ในความสัมพันธ์ของ

โดยที่ LHS (Left Hand Side) แสดงรูปแบบของ Item Sets ด้านซ้าย

ของกฎความสัมพันธ์ และ RHS (Right Hand Side) แสดงรูปแบบของ Item Sets ด้านขวาของกฎความสัมพันธ์ ซ่ึงการพิจารณาว่ากฎความสัมพันธ์ที่สร้างได้ดีหรือไม่จ าเป็นจะต้องมีตัววัดประสิทธิภาพของกฎ ได้แก่ Confidence และ Lift

ค่า Confidence แสดงความเชื่อมั่นของกฎความสัมพันธ์ที่เมื่อรูปแบบ LHS เกิดข้ึนแล้วรูปแบบ RHS จะเกิดขึ้นด้วยเป็นจ านวนกี่เปอร์เซ็นต์ การค านวณค่า Confidence หาได้จาก

ค่า Lift คือค่าท่ีบ่งบอกว่าการเกิดรูปแบบ LHS และ RHS มีความสัมพันธ์กันมากแค่ไหน โดยถ้าค่า Lift เป็น 1 แสดงว่ารูปแบบ LHS และ RHS ไม่ขึ้นต่อกัน (Independent) ค่า Lift ค านวณได้จาก

ค่า Confidence และ Lift ของกฎความสัมพันธ์ทั้งหมดที่สร้างได้แสดง

ในตารางที่ 5.12 โดยท าการเรียงตามค่า Confidence และ Lift จากมากไปหาน้อย


ตารางท่ี 5.12 การเรียงตามค่า Confidence และ Lift จากมากไปหาน้อย Rule No. Frequent Item Set Confidence Lift

1 Apple => Cereal 100% 1.33 2 Beer => Eggs 100% 1.33 3 Eggs => Beer 100% 1.33 4 Beer, Cereal => Eggs 100% 1.33 5 Cereal, Eggs => Beer 100% 1.33 6 Cereal => Apple 67% 1.33 7 Beer => Cereal, Eggs 67% 1.33 8 Eggs => Beer, Cereal 67% 1.33 9 Beer => Cereal 67% 1.33 10 Cereal => Beer 67% 0.89 11 Cereal => Eggs 67% 0.89 12 Eggs => Cereal 67% 0.89 13 Cereal => Beer, Eggs 67% 0.89 14 Beer, Eggs => Cereal 67% 0.89

5.2.4.2 การประยุกต์ใช้โปรแกรม RapidMiner Studio เพื่อการหากฎ

ความสัมพันธ์ เพ่ือเป็นการเปรียบเทียบการใช้เครื่องมือของโปรแกรม RapidMiner

Studio ในการค านวณ ดังนั้นผู้เขียนจึงใช้ข้อมูลชุดเดิม ซึ่งแสดงในตารางที่ 5.7 รายการสั่งซื้อสินค้าโดยใช้บันทึกข้อมูลในไฟล์ Microsoft Excel ดังแสดงในภาพที่ 5.73

ภาพที่ 5.73 ไฟล์บันทึกชุดข้อมูลรายการสั่งซื้อสินค้า


ในการเรียกใช้โปรแกรม RapidMiner Studio เพ่ือค านวณการหากฎความสัมพันธ์ จ าเป็นต้องใช้ Operators จ านวน 6 ชนิด ได้แก่ Read CSV Operator, Aggregate Operator, Rename Operator, Set Role Operator, FP-Growth Operator, Create Association Rules Operator ดังแสดงในภาพด้านล่าง

ภาพที่ 5.74 Read CSV Operator ที่มา: https://bit.ly/2GgwC4N

ภาพที่ 5.75 Aggregate Operator ที่มา: https://bit.ly/2v2nLxg


ภาพที่ 5.76 Rename Operator ที่มา: https://bit.ly/2UxoGVB

ภาพที่ 5.77 Set Role Operator ที่มา: https://bit.ly/2VDuNEl


ภาพที่ 5.78 FP-Growth Operator ที่มา: https://bit.ly/2IcnC2Z

ภาพที่ 5.79 Create Association Rules Operator ที่มา: https://bit.ly/2WZQfDK


ต่อไป คือ การวิเคราะห์เพ่ือการหากฎความสัมพันธ์ ดังแสดงในภาพด้านล่าง


ภาพที่ 5.80 การวิเคราะห์เพื่อการหากฎความสัมพันธ์ (1)






**************************************


5.3 แบบฝึกหัดและทบทวนบทเรียน

5.3.1 การวิเคราะห์ข้อมูลทางธุรกิจ 1) การวิเคราะห์ข้อมูลทางธุรกิจมีความส าคัญอย่างไร จงอธิบายพอสังเขป 2) จงยกตัวอย่างการวิเคราะห์ข้อมูลทางธุรกิจที่สัมพันธ์กับชีวิตประจ าวันของ

ท่าน จงอภิปรายและสรุปพอสังเขป 3) ความท้าทายด้านการวิเคราะห์ข้อมูลทางธุรกิจใด สัมพันธ์กับการพัฒนา

ประเทศไทยในปัจจุบัน จงอภิปรายและสรุปพอสังเขป 4) แนวโน้มเทคโนโลยีด้านการวิเคราะห์ข้อมูลทางธุรกิจใดที่สัมพันธ์กับมนุษย์

โดยตรง จงอภิปรายและสรุปพอสังเขป

5.3.2 การใช้โปรแกรมประยุกต์ทางธุรกิจ 1) จงปฏิบัติตาม ใบกิจกรรมที่ 5.1 การใช้โปรแกรมประยุกต์เพ่ือการจัดกลุ่ม 2) จงปฏิบัติตาม ใบกิจกรรมที่ 5.2 การใช้โปรแกรมประยุกต์เพ่ือการพยากรณ์ 3) จงปฏิบัติตาม ใบกิจกรรมที่ 5.3 การใช้โปรแกรมประยุกต์เพ่ือการหากฎ

ความสัมพันธ์

5.4 เอกสารอ้างอิง 2019 Gartner Magic Quadrant for Data Science and Machine Learning Platforms. (n.d.). Retrieved

April 9, 2019, from RapidMiner website: https://rapidminer.com/resource/gartner-magic-quadrant-data-science-platforms

Bussaman, S., Nuankaew, W., Nuankaew, P., Rachata, N., Phanniphong, K., & Jedeejit, P. (2017). Prediction models of learning strategies and learning achievement for lifelong learning. In 2017 IEEE 6th International Conference on Teaching, Assessment, and Learning for Engineering (TALE) (pp. 192–197). https://doi.org/10.1109/TALE.2017.8252332

Forecasting Model ด้วย Machine Learning | Data Driven Business | Coraline co.,ltd. (n.d.). Retrieved April 10, 2019, from https://www.coraline.co.th/single-post/2018/03/11/Forecasting-Model-ด้วย-Machine-Learning

Gartner เผย 10 เทรนด์เทคโนโลยีประจ าปี 2019: Blockchain, Quantum, Augmented Things, AI. (2018, October 25). Retrieved April 9, 2019, from TechTalkThai website: https://www.techtalkthai.com/gartner-10-technology-trends-for-2019

https://rapidminer.com/resource/gartner-magic-quadrant-data-science-platforms

https://rapidminer.com/resource/gartner-magic-quadrant-data-science-platforms

https://doi.org/10.1109/TALE.2017.8252332

https://www.coraline.co.th/single-post/2018/03/11/Forecasting-Model-ด้วย-Machine-Learning

https://www.coraline.co.th/single-post/2018/03/11/Forecasting-Model-ด้วย-Machine-Learning

https://www.techtalkthai.com/gartner-10-technology-trends-for-2019


k-Means - RapidMiner Documentation. (n.d.). Retrieved April 10, 2019, from https://docs.rapidminer.com/latest/studio/operators/modeling/segmentation/k_means.html

Nuankaew, P., & Temdee, P. (2015). Online Mentoring Model by Using Compatible Different Attributes. Wireless Personal Communications, 85(2), 565–584. https://doi.org/10.1007/s11277-015-2755-x

Nuankaew, P., & Temdee, P. (2019). Matching of compatible different attributes for compatibility of members and groups. International Journal of Mobile Learning and Organisation, 13(1), 4. https://doi.org/10.1504/IJMLO.2019.096469

Nuankaew, P., Nuankaew, W., Phanniphong, K., & Bussaman, S. (2018). Mobile Applications for the Prediction of Learning Outcomes for Learning Strategies and Learning Achievement in Lifelong Learning. In M. E. Auer, D. Guralnick, & I. Simonics (Eds.), Teaching and Learning in a Digital World (pp. 400–412). Springer International Publishing.

Nuankaew, W., Nuankaew, P., Bussaman, S., & Tanasirathum, P. (2017). Hidden academic relationship between academic achievement and higher education institutions. In 2017 International Conference on Digital Arts, Media and Technology (ICDAMT) (pp. 308–313). https://doi.org/10.1109/ICDAMT.2017.7904982

Read Excel - RapidMiner Documentation. (n.d.). Retrieved April 10, 2019, from https://docs.rapidminer.com/latest/studio/operators/data_access/files/read/read_excel.html

เอกสิทธิ์ พัชรวงศ์ศักดา. (2014, March 16). ขัน้ตอนการสร้างโมเดล Decision Tree. Retrieved April 11, 2019, from Data Mining Trend website: http://dataminingtrend.com/2014/decision-tree-model/

การแบ่งกลุ่มข้อมลูแบบเคมีน. (2017). In วิกิพีเดีย. Retrieved from https://th.wikipedia.org/wiki/การแบ่งกลุ่มข้อมูลแบบเคมีน

ต้นไมต้ัดสินใจ. (2018). In วิกิพีเดีย. Retrieved from https://th.wikipedia.org/wiki/ต้นไมต้ัดสินใจ Digital Twin: พลังใหม่...เรยีลไทม์โคลนนิ่ง - Bangkok Bank InnoHub. (n.d.). Retrieved April 12, 2019,

from https://www.bangkokbankinnohub.com/th/digitaltwin/

https://docs.rapidminer.com/latest/studio/operators/modeling/segmentation/k_means.html

https://docs.rapidminer.com/latest/studio/operators/modeling/segmentation/k_means.html

https://doi.org/10.1007/s11277-015-2755-x

https://doi.org/10.1504/IJMLO.2019.096469

https://doi.org/10.1109/ICDAMT.2017.7904982

https://docs.rapidminer.com/latest/studio/operators/data_access/files/read/read_excel.html

https://docs.rapidminer.com/latest/studio/operators/data_access/files/read/read_excel.html

http://dataminingtrend.com/2014/decision-tree-model/

http://dataminingtrend.com/2014/decision-tree-model/

https://th.wikipedia.org/wiki/การแบ่งกลุ่มข้อมูลแบบเคมีน

https://th.wikipedia.org/wiki/การแบ่งกลุ่มข้อมูลแบบเคมีน

https://th.wikipedia.org/wiki/ต้นไม้ตัดสินใจ

https://www.bangkokbankinnohub.com/th/digitaltwin/

Business Analytics, Application and Software for Business · 2019. 12. 3. · Chapter 05: Business...

Documents

Transcript of Business Analytics, Application and Software for Business · 2019. 12. 3. · Chapter 05: Business...