การเรียนรู้ของเครื่องเพื่อทำนายพฤติกรรมลูกค้าต่อผลิตภัณฑ์ธนาคาร
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้มีวัตถุประสงค์ เพื่อศึกษาปัจจัยในการตัดสินใจเลือกผลิตภัณฑ์ธนาคาร จากการนำเสนอผลิตภัณฑ์ผ่านโทรศัพท์ และเพื่อพัฒนาแบบจำลองพฤติกรรมลูกค้าต่อผลิตภัณฑ์ธนาคารด้วยการเรียนรู้ของเครื่อง กรณีศึกษา ธนาคารแห่งหนึ่งในประเทศโปรตุเกส ในการศึกษาครั้งนี้ ใช้กระบวนการวิเคราะห์ข้อมูลมาตรฐาน เรียกว่า Cross-Industry Standard Process (CRISP) ประกอบด้วย 6 ขั้นตอน ได้แก่ เข้าใจปัญหาของธุรกิจ เข้าใจข้อมูล เตรียมข้อมูล พัฒนาแบบจำลอง การประเมิน การนำไปใช้จริง ศึกษาจากข้อมูลลูกค้า 41,188 คนและปัจจัย 20 รายการ เตรียมและคัดเลือกข้อมูลให้สมบูรณ์ด้วยกระบวนการ extract-transform-load พัฒนาแบบจำลองด้วยการเรียนรู้ของเครื่อง ใช้โปรแกรม Knime เป็นเครื่องมือ เลือก 3 อัลกอริทึม ได้แก่ Decision tree, Random forest และ Tree ensemble ทดสอบประสิทธิภาพอัลกอริทึม ด้วย accuracy, sensitivity และ specificity เพื่อหาอัลกอริทึมที่ดีที่สุด ผลการศึกษา พบว่า ปัจจัยที่มีผลต่อการตัดสินใจเลือกผลิตภัณฑ์ธนาคาร 3 อันดับแรก ได้แก่ ระยะเวลาที่ใช้ในการคุยโทรศัพท์กับลูกค้า จำนวนวันที่ผ่านไปหลังจากที่ลูกค้าได้รับการติดต่อครั้งสุดท้ายจากแคมเปญก่อนหน้า และผลของแคมเปญการตลาดครั้งก่อน สำหรับแบบจำลองพฤติกรรมลูกค้าต่อตัดสินใจเลือกเงินฝากประจำด้วยการเรียนรู้ของเครื่อง พบว่า อัลกอริทึม Tree ensemble ให้ความถูกต้องในการพยากรณ์สูงสุด คิดเป็นร้อยละ 90.94 เมื่อเทียบกับอัลกอริทึม Decision tree และ Random forest ให้ความถูกต้องร้อยละ 87.54 และ 90.29 ตามลำดับ และ แสดงผลข้อมูลด้วยภาพ โดยใช้ Power BI โดยสรุป ผลจากการศึกษาครั้งนี้เป็นประโยชน์ในการวางแผนการตลาด เพื่อเพิ่มจำนวนลูกค้าได้เป็นอย่างดี การศึกษาครั้งต่อไป การประยุกต์กับข้อมูลลูกค้าธนาคารในประเทศไทย
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์เป็นของวารสารวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ
เอกสารอ้างอิง
Kasikorn Research Center. (2016, May 30). Credit Card Flat in 2015 but in 2016 Retain the Growth [Online]. Available: https://www.kasikornresearch.com/th/K-Econ Analysis
P. Anaboontarik, “Factors affecting the choice of using Commercial Banks in Mueang District, Chiang Mai Province,” Independent Study (IS), Master of Economics, Chiang Mai University, 2004.
K. Jitphuthai, “Factors Influencing Decision-Making Behavior in Choosing Commercial Bank Services in Bang Khae, Phasi Charoen, Nong Khaem, and Krathum Baen Districts” , Independent Study (IS) , Master of Business Administration, Siam University, 2009.
Matichon News. (2017, September 30). Krung Sri First Choice launched new card “Krung Sri Frist Choice Care” giving free accidental insurance with highest Protection 100,000 baht [Online]. Available: https://www.matichon.co.th/news/663544.
W Piyajinda, “Factors relating to the Decision-Making Behaviors of SMILE CASH Credit among Consumers of Bank of Ayudhaya Public Company Limited (Zone 5),” M.S. Thesis, Faculty of Business Administration. Khon Kean University, 2009.
P. Suthipongwirat, “Behaviors of Using Cash Card among Thai Consumers in Bangkok Metropolitan”. Independent Study of Master Business Administration, Faculty of Business Administration, Khon Kaen University, 2011.
C. Shearer, “The CRISP-DM model: The new blueprint for data mining,” Journal of Data Warehousing, vol. 5, no. 4, pp. 13–22, 2000.
N. Wongprachanukul, “A proper method for decision tree pruning in scientific data mining,” M.S. Thesis, Nakornratchasima, Suranaree University of Technology, 2005.
K.B. Jyothi, K.H. Bindu, and D. Suryanarayana, “A comparative study of random forest & K – nearest neighbors on HAR dataset using caret,” Int.J. Innov. Res. Technol, vol. 3, no. 9, pp. 6-9, 2017
Singh, A. (2019, 13 February). A Comprehen- sive Guide to Ensemble Learning (with Python codes) {online}. Available: https://www.Analyticsvidhya.com/blog/2018/06/comprehendsive-guide-for-ensemble-models.
