IntroductiontoDataMining (Edition 2015)

การทาเหมืองขอ้ มลู จดั กลุ่ม 193คาถามทบทวน1. การจัดกลุ่มข้อมลู (Clustering) หมายถึง2. การจดั กลมุ่ ขอ้ มูลแบง่ เป็นก่ีประเภท ไดแ้ ก่3. กระบวนการทาเหมอื งข้อมลู จดั กลมุ่ มกี ี่ข้นั ตอน อะไรบา้ ง4. จงยกตวั อยา่ งเทคนิคการทาเหมืองข้อมูลจดั กลุม่5. การทาเหมอื งข้อมูลจัดกลุ่มสามารถนาไปประยกุ ตใ์ ชป้ ระโยชน์ในด้านใดไดบ้ า้ งจงยกตวั อย่าง jmk.chandra.ac.th เหมอื งข้อมลู เบือ้ งตน้

194 การทาเหมอื งข้อมูลจดั กลุ่ม jmk.chandra.ac.thเหมืองขอ้ มลู เบ้อื งตน้

9 บทบาท แนวโน้ม และ ra.ac.thการประยุกตใ์ ชเ้ หมอื งขอ้ มูล k.chandในการทาเหมืองข้อมูล ซ่ึงถือได้ว่าเป็นการค้นหาความรู้ท่ีซ่อนอยู่ เพื่อนาเอาความรู้เหล่าน้ันมาใช้ประโยชน์ ซ่ึงในปัจจุบันอยู่ในยุคของข้อมูล ข่าวสาร การมีอยู่ของข้อมูล ถือเป็นเรื่องใกล้ตัวการทาเหมืองข้อมูลเพ่ือใช้ประโยชน์ต่อยอดน้ัน มีแนวโน้มและความสาคัญ รวมไปถึงส่งผลต่อการjmดาเนนิ งานทงั้ ในโลกธุรกิจ และโลกอนิ เตอร์เนต็ อยา่ งไร จงึ เป็นสิ่งทคี่ วรทาความเข้าใจ ดงั นั้นเนื้อหาในบทนจี้ ะเป็นการอธบิ ายเพื่อให้ผูอ้ ่านได้ทาความเข้าใจถึง บทบาทและแนวโน้มของเหมืองข้อมูล การประยุกต์ใช้เหมอื งข้อมูลในงานดา้ นตา่ ง ๆ รวมไปถึง การยกตัวอย่างกรณศี ึกษาที่พบในงาน หรืองานวิจยั ดา้ นเหมอื งขอ้ มลู โดยแบง่ เนอื้ หาภายในบทเปน็ หัวขอ้ ดงั น้ี 1. บทบาท และ แนวโนม้ ของเหมอื งข้อมลู 2. การประยุกต์ใชเ้ หมืองข้อมูลในงานดา้ นตา่ ง ๆ 3. ตวั อย่างกรณศี ึกษาการประยุกตใ์ ชเ้ หมอื งข้อมูล เหมืองขอ้ มูลเบอื้ งตน้

196 บทบาท แนวโนม้ และ การประยุกตใ์ ชเ้ หมืองข้อมลูบทบาท และ แนวโนม้ ของเหมอื งขอ้ มลู ปัจจุบันเหมืองข้อมูลเข้ามามีบทบาทสาคัญในการวิเคราะห์ข้อมูลในด้านต่าง ๆ โดยเฉพาะอย่างยิ่งสาหรับองค์กรธุรกิจ การวิเคราะห์ข้อมูล และการทาเหมืองข้อมูล ถือเป็นการต่อยอดใช้ประโยชน์ข้อมูลที่ถกู จดั การโดยระบบสารสนเทศ หรือข้อมูลที่ถกู จดั เกบ็ ไว้ในรูปแบบต่าง ๆ เพอ่ื นามาวิเคราะห์ค้นหารูปแบบ ที่สามารถนาไปใช้ประโยชน์ในการตัดสินใจทางธุรกิจได้ ย่ิงไปกว่าน้ันในมุมมองของการใช้งานเครือข่ายอินเตอร์เน็ต และ WWW ในโลกปัจจุบัน เหมืองข้อมูลก็เข้ามาบทบาทในการวเิ คราะหข์ อ้ มูล เพือ่ ปรบั ปรุงการใหบ้ ริการสืบค้นข้อมูล หรอื บรกิ ารต่าง ๆ บน WWWใหส้ อดรบั กบั ความตอ้ งการของผูใ้ ช้งานอีกดว้ ย เหมืองข้อมูลจึงถือได้ว่าเป็นอีกหน่ึงเคร่ืองมือสาคัญ ท่ีนามาสู่การค้นพบความรู้เพ่ือนาเอาผลลัพธ์ที่ได้จากการทาเหมืองข้อมูลไปต่อยอดพัฒนาระบบสารสนเทศในลักษณะต่าง ๆ อาทิเช่นระบบสนับสนุนการตัดสินใจ (Decision Support System) ระบบผู้เช่ียวชาญ (Expert System)ra.ac.thหรือแม้กระท่ังระบบอัจฉริยะต่าง ๆ (Intelligent System) อันเป็นแนวโน้มของการใช้งานเทคโนโลยีสารสนเทศในปจั จบุ นั 1. บทบาทของเหมอื งข้อมูลต่อการดาเนนิ ธรุ กิจ k.chandการนาขอ้ มูลในองค์กรมาใช้ประโยชน์เพื่อวเิ คราะห์ข้อมูลการตลาด เปน็ ส่ิงท่ีนยิ มปฏิบัติในการใช้งานข้อมูลสารสนเทศในธุรกิจยุคปัจจุบัน ท่ีอาจเป็นท่ีรู้จักในอีกช่ือหนึ่งว่า “การตลาดฐานข้อมูล (Database of Marketting) ซง่ึ นอกจากการทาเหมืองขอ้ มูลจะนามาใช้ประโยชน์ทางด้านjmการตลาดเป็นหลักแล้ว ข้อมูลท่ีรวบรวมได้ สามารถนามาใช้ในการวิเคราะห์ และประเมินผลประกอบการตัดสินใจในการดาเนินธุรกิจต่างๆ โดยปัจจุบันในเชิงธุรกิจมีความต้องการข้อมูลสารสนเทศ และระบบสารสนเทศท่ีตอบสนองต่อความต้องการวิเคราะห์ข้อมูลเชิงธุรกิจ ในแง่มุมต่าง ๆ ท่ีมากกว่าการใช้งานซอฟต์แวร์ระบบสารสนเทศเพ่ือการจัดการท่ัวไป หากแต่มุ่งไปสู่การวิเคราะห์ต่อยอดข้อมูลให้เกิดประโยชน์สูงสุด ซึ่งเรียกว่า “ธุรกิจอัจฉริยะ (Business Intelligence :BI)” หมายถึง ซอฟตแ์ วร์ หรือ ชุดซอฟตแ์ วร์ที่มีความสามารถในการวิเคราะหข์ ้อมูลในงานดา้ นตา่ ง ๆเช่น การวิเคราะห์วางแผนการขาย วิเคราะห์การตลาด หรือ การวิเคราะห์ปัจจัยเส่ียงที่มีผลต่อการผลิตสินค้า เป็นต้น ซอฟต์แวร์ท่ีจัดเป็น BI น้ันจึงต้องมีองค์ประกอบที่รองรับการเข้าถึงและจัดการข้อมูล มีคลังข้อมูล มีส่วนจัดการข้อมูล มีส่วนวิเคราะห์ข้อมูล ซ่ึงเหมืองข้อมูลจัดเป็นกลไกสาคัญ ในการทาหน้าท่ีเป็นเคร่ืองมือวิเคราะห์ข้อมูล เพ่ือสนับสนุนการตัดสินใจในด้านต่าง ๆ ซ่ึงผลจากการวิเคราะห์ขอ้ มูลนน้ั จะถกู นามาพัฒนาต่อเป็นระบบสารสนเทศในระดับตา่ ง ๆ เชน่ ระบบสนบั สนนุ การตดั สินใจ ซอฟตแ์ วร์วางแผน พยากรณ์ คาดการณใ์ นเร่ืองต่าง ๆ นนั่ เองเหมอื งขอ้ มลู เบ้ืองต้น

บทบาท แนวโน้ม และ การประยุกต์ใชเ้ หมืองข้อมูล 197 2. แนวโนม้ และ ผลกระทบของเหมืองข้อมลู การนาเอาเหมืองข้อมูลไปประยุกต์ใช้งานนั้น จะแปรเปล่ียนไปตามเทคโนโลยีสารสนเทศท่ีมีความทันสมัย และมีความอัจฉริยะมากย่ิงข้ึน และเหมืองข้อมูลถูกประยุกต์ใช้เป็นเคร่ืองมือวิเคราะห์ข้อมูลสาคัญ ถือเป็นส่วนหน่ึงในการใช้ชีวิตประจาวันของผู้ใช้งานข้อมูลโดยไม่รู้ตัวซง่ึ อาจกลา่ วถึงแนวโนม้ และ ผลกระทบของเหมอื งข้อมูล ได้ดังน้ี 1) เหมอื งข้อมลู และวธิ กี ารทางเหมืองขอ้ มลู ซึ่งหมายถึงเทคนคิ วธิ ีการวิเคราะห์ข้อมูลหรือ อัลกอริทมึ ต่าง ๆ ท้ังเพ่ือการจาแนกประเภท จดั กลุ่ม หรือการวเิ คราะห์ความสัมพันธ์ของขอ้ มูลจะมีการพัฒนาการ มีการวิจัย คิดค้นวิธีการใหม่ ๆ ท่ีควบคู่กันไปกับพัฒนาการของเทคโนโลยีสารสนเทศทกี่ ้าวหนา้ ไปอยา่ งไมห่ ยดุ ย่งิ 2) ขอ้ มูลเป็นปจั จัยสาคัญในการดาเนินชีวติ และการดาเนินธุรกจิ ตา่ ง ๆ กระทง่ั สง่ ผลให้ข้อมูล องค์ความรู้มีมูลค่าซื้อขาย รวมถึงส่งผลให้เกิดอาชีพ และผู้ประกอบการ และธุรกิจบริการด้านการวิเคราะห์ทาเหมืองข้อมูล อีกท้ังส่งผลให้มีพัฒนาการของเทคโนโลยีจัดการข้อมูลra.ac.thใหส้ ามารถรองรับการจัดการข้อมูล และการวเิ คราะหเ์ พ่ือใช้ประโยชนข์ ้อมูลปริมาณมหาศาลท่ีเรยี กว่าBig Data หรอื การจดั การข้อมูลบนอนิ เตอร์เน็ตแบบคลาวนด์ (Cloud Storage) ได้ 3) การติดต่อสื่อสารบนเครือข่ายอินเตอร์เน็ต จะกลายเป็นสาธารณูปโภคพื้นฐานk.chandส่งผลทาให้การวิเคราะห์ข้อมูล การทาเหมืองข้อมูล ถูกประยุกต์ใช้ในการวิเคราะห์ข้อมูลบนเว็บไซต์โดยส่วนใหญ่ และส่งผลให้มีการนาเอาผลทไ่ี ด้จากการวเิ คราะหข์ ้อมูลนาไปพัฒนาเป็นระบบสนับสนุนการตดั สนิ ใจสาหรับบุคคล และการดาเนินธรุ กิจในดา้ นตา่ ง ๆ มากขน้ึ อกี ด้วย jm4) การวิเคราะห์ทาเหมืองข้อมูล จะก้าวหน้าไปในหลายแนวทาง กล่าวคือ สามารถวิเคราะห์ข้อมูลในแบบ Real Time สามารถวิเคราะห์เพื่อทานาย คาดการณ์ และอธิบายสิ่งท่ีเกิดขึ้นได้อย่างมีประสิทธิภาพ และ สามารถวิเคราะห์จัดการข้อมูลในหลากหลายรูปแบบ มิใช่เฉพาะข้อมูลในฐานข้อมูลเท่านั้น หากแต่ยังรวมไปถึงข้อมูลในรูปแบบของเสียง ภาพ ซึ่งหมายถึงผลลัพธ์ของการวิเคราะห์ทาเหมืองข้อมูลน้ี เม่ือนามาต่อยอดประยุกต์ใช้งาน ส่งผลให้ผู้ใช้งานมีระบบ ซอฟต์แวร์ที่ทนั สมัย สอดรบั กบั ความต้องการใช้งานข้อมูล โดยสามารถคน้ หาองค์ความรู้ได้อย่างงา่ ยดาย 5) การค้นพบความรู้ที่ได้จากการทาเหมืองข้อมูลนั้น จะส่งผลให้มีซอฟต์แวร์ที่มีความอัจฉริยะมากขึ้นเร่ือย ๆ อย่างไม่หยุดย้ัง ดังเช่น การเป็นกลไกสาคัญ ท่ีจะนาระบบสารสนเทศขององคก์ รไปสคู่ วามเปน็ ธุรกจิ อัจฉรยิ ะ (Business Intelligent) 6) ระบบบริหารลูกค้าสัมพันธ์ (Customer Relationship Management: CRM)กลายเป็นส่วนประกอบพ้ืนฐานสาคัญขององค์กรธุรกิจในยุคปัจจุบัน ซึ่งถือเป็นระบบสาคัญท่ีเป็นส่วนนาเข้าข้อมูลไปสู่การวิเคราะห์เหมืองข้อมูล เพ่ือวิเคราะห์พฤติกรรมของลูกค้า เพื่อทาการตลาด หรือวิเคราะห์ความตอ้ งการสินคา้ ของลกู ค้า วิเคราะห์ปจั จัยท่ีส่งผลตอ่ การผลติ สินค้า และอ่ืน ๆ เหมืองข้อมูลเบ้อื งตน้

198 บทบาท แนวโน้ม และ การประยุกตใ์ ชเ้ หมืองข้อมูล 7) ระบบการควบคุมและวางแผนการผลิต ตลอดจนการบริหารห่วงโซ่อุปทานรวมไปถึง ระบบคาดการณ์วางแผนการตลาด ระบบวิเคราะห์จุดคุ้มทุน ระบบประเมินความสัมพันธ์ของลูกค้า และระบบอื่น ๆ อีกมากมาย จะถูกพัฒนาข้ึนใช้งาน และจะมีประสิทธิภาพมากขึ้นท้ังน้ีก็ด้วยการรวมเข้าของเหมืองข้อมูล และ ระบบการวางแผนทรัพยากรขององค์กร (EnterpriseResource Planning: ERP) และ ส่งผลให้มีการซื้อ – ขาย ฐานองค์ความรู้ระหว่างคู่ค้าเกิดขึ้นเทคโนโลยีสนับสนุนการตัดสินใจที่ต่อยอดจากการวิเคราะห์ทาเหมืองข้อมูล จะได้รับการพัฒนามากและหลากหลายย่งิ ขนึ้การประยกุ ตใ์ ชเ้ หมืองขอ้ มลู ในงานด้านต่าง ๆ เหมืองข้อมูลถูกนามาประยุกต์ใช้ในการวิเคราะห์ข้อมูลในด้านต่าง ๆ ซึ่งมักพบการประยุกต์ใช้และประโยชน์ท่ีเห็นเด่นชัด ในธุรกิจต่าง ๆ (ดังท่ีได้กล่าวถึง ประโยชน์ของการทาเหมืองข้อมูลไว้ในบทท่ี 1) ซ่ึงในมุมมองเชิงธุรกิจแล้ว การทาเหมืองข้อมูลถือเป็นเคร่ืองมือสาคัญra.ac.thในการวิเคราะห์ข้อมูล เพื่อช่วยให้องค์กรสามารถดาเนินธุรกิจได้ โดยสร้างความได้เปรียบเหนือคู่แข่งขัน ช่วยให้เกิดความรู้ที่สามารถนามาใช้ในการคาดการณ์อนาคต และสามารถนาไปประยุกต์ใช้ประกอบการตดั สนิ ใจได้ k.chandสาหรับการประยกุ ต์ใชเ้ หมอื งข้อมูลในงานด้านตา่ ง ๆ นัน้ อาจกลา่ วถึงการประยุกต์ใช้ในการบริหารจดั การองค์กร และ ธุรกจิ ต่าง ๆ ไดด้ ังตอ่ ไปน้ี jm1. การประยกุ ตใ์ ชเ้ หมอื งขอ้ มลู ในการบรหิ ารจัดการองคก์ ร การประยุกต์ใช้เหมืองข้อมูลในการบริหารจัดการองค์กรเป็นการนาเอากระบวนการเหมืองข้อมูลไปประยุกต์ใช้ เช่น การค้นพบข้อผิดพลาดของการปฏิบัติงานหรือการให้บริการ หรือการวิเคราะห์ข้อผิดพลาดในการปฏิบัติงาน (Fraud Detection) ทั้งนี้เพื่อลดความเส่ียงในการปฏบิ ัติงานของบคุ ลากร หรือ การวิเคราะหข์ ้อมูลสมรรถนะของบุคลากรภายในองค์กร เพอื่ มอบหมายงานใหเ้ หมาะกับผู้ปฏบิ ตั งิ าน หรอื การวิเคราะห์พฤติกรรมการปฏบิ ตั ิงาน เป็นตน้ 2. การประยุกต์ใช้เหมืองข้อมูลในธุรกิจการค้า การประยุกต์ใช้เหมืองข้อมูลในธุรกิจการค้า น้ันอาจจาแนกเป็นได้ท้ังในรูปแบบธุรกิจค้าส่ง (Whole Sale) หรือ ธุรกิจการค้าปลีก (Reseller) ซ่ึงอาจมี ปัจจัย และ กระบวนการ ในการดาเนินธุรกิจแตกต่างกัน หากแต่มีจุดประสงค์ในการค้าขายสินค้า เช่นเดียวกัน ดังน้ันการประยุกต์ใช้เหมืองข้อมูล อาจอยู่ในรูปแบบ เช่น การวิเคราะห์การตลาดเพ่ือกาหนดลูกค้ากลุ่มเป้าหมายเฉพาะผลิตภัณฑ์ เพ่ือคงไว้ซึ่งลูกค้าเดิม หรือ การวิเคราะห์ตะกร้าตลาด (Market Basket Analysis) ในเหมืองข้อมลู เบื้องต้น

บทบาท แนวโนม้ และ การประยกุ ต์ใชเ้ หมืองข้อมลู 199ระบบการค้าอิเล็กทรอนิกส์ การวิเคราะหผ์ ลิตภัณฑ์ เก็บรวบรวมลักษณะและราคาของผลิตภัณฑ์เพื่อการกาหนดราคาผลิตภัณฑ์ หรือ กระทั่งการวิเคราะห์ความเชื่อมโยงของสินค้าแต่ละประเภท เช่นLCD TV มักถูกซ้ือไปพร้อม ๆ กับเคร่ืองเล่น DVD เป็นต้น เพ่ือจัดรายการส่งเสริมการขาย หรือ การจัดตาแหน่งการจัดวางสินค้า นอกจากนี้ยังอาจรวมไปถึงการวิเคราะห์พฤติกรรมของลูกค้าช่วยแบ่งกลุ่มและวเิ คราะหล์ กู คา้ เพ่อื ท่จี ะผลิตและเสนอสนิ ค้าได้ตรงตามกลมุ่ เป้าหมาย 3. การประยกุ ต์ใชเ้ หมอื งขอ้ มลู ในธุรกจิ บรกิ าร การประยุกต์ใช้เหมืองข้อมูลในธุรกิจบริการ โดยให้ความสาคัญกับวงจรความสัมพันธ์ของลูกค้าและบริการ (Customer Life Cycle) ทาการวเิ คราะห์เหมอื งขอ้ มลู พฤติกรรมการใช้บริการของลูกค้า ท่ีเรียกว่า Service Detail Record: SDR มาใช้เพ่ือตรวจสอบพฤติกรรมการใช้บริการเพ่ือวิเคราะห์ คาดการณ์ ในเร่ืองต่าง ๆ เช่น จาแนกกลุ่มลูกค้า และวิเคราห์ข้อบกพร่องท่ีเป็นไปได้ของการบริการ รวมไปถึงการตรวจสอบวิเคราะห์ความเสี่ยงในการสูญเสียลกู ค้า และการเชื่อมโยงของra.ac.thการบริการต่อความภักดีต่อตัวสินคา้ หรือการวิเคราะห์เพื่อ ทานายวา่ ลกู ค้าคนใดจะเลิกใชบ้ ริการจากบรษิ ัทภายใน 6 เดือนหน้า เป็นตน้ k.chand4. การประยุกตใ์ ช้เหมอื งข้อมูลในงานดา้ นการเงนิ การธนาคาร การประยกุ ตใ์ ช้เหมอื งข้อมูลในงานด้านการเงนิ การธนาคาร เชน่ การวเิ คราะหพ์ ฤติกรรมลูกค้าสินเชื่อ เพื่อ พิจารณาอนุมัติสินเชื่อรูปแบบต่าง ๆ การแบ่งประเภทลูกค้าตามกลุ่มความเสี่ยงjm(เครดิตดี ปานกลาง หรือไม่ดี) หรือ การวิเคราะหข์ ้อมูลพฤติกรรมการใช้สินเชื่อบัตรเครดิต เพ่อื คน้ หารูปแบบที่เหมาะสม และตรวจจับการปลอมแปลง ส่ิงผิดปกติ พฤติกรรมการใช้งานที่ปกติ หรือผดิ ปกติ เพื่อปอ้ งกนั การโจรกรรม หรือการฉอ้ ฉลในการใช้ขอ้ มลู เครดิต เป็นต้น 5. การประยุกตใ์ ช้เหมอื งข้อมลู ในงานอุตสาหกรรม การประยุกต์ใช้เหมืองข้อมลู ในงานอุตสาหกรรม เช่น ในงานด้านการผลิต การวิเคราะห์จุดคุ้มค่าในการลงทุน การวิเคราะห์เพ่ือวางแผนการใช้งานวัตถุดิบ การประเมินราคาต้นทุนการค้นหาความเชื่อมโยงของวัตถุดิบท่ีใช้ผลิตสินค้า หรือ ความเชื่อมโยงของ อุปสงค์-อุปทานการวิเคราะหเ์ พอื่ วางแผนกาหนดกาลังการผลิต การบารงุ รักษาเครื่องจกั รในอุตสาหกรรม เปน็ ต้น เหมอื งข้อมลู เบ้ืองต้น

200 บทบาท แนวโนม้ และ การประยุกตใ์ ช้เหมืองข้อมูล 6. การประยกุ ต์ใชเ้ หมอื งข้อมลู ในอตุ สาหกรรมการเกษตร การประยุกต์ใช้เหมืองข้อมูลในอุตสาหกรรมการเกษตร เช่น การวิเคราะห์ข้อมูลเพ่ือจาแนกประเภทของโรคพืชต่าง ๆ เช่น ข้าว อ้อย การวิเคราะห์ข้อมูลเพื่อหาแนวโน้ม ปัจจัย หรือวิเคราะห์อัตราความเส่ียงในการผลิตสินค้าเกษตรชนิดต่าง ๆ การวิเคราะห์ข้อมูลเพื่อคาดการณ์ปริมาณผลผลิตทางการเกษตร หรือ การคาดการณร์ าคาปัจจุบันและอนาคตของผลผลติ เป็นต้น 7. การประยกุ ต์ใช้เหมอื งข้อมูลในแวดวงอื่น ๆ นอกจากการประยุกต์ใช้ในธุรกิจแล้ว เหมืองข้อมูลยังถูกประยุกต์ใช้ในงานแวดวงอื่น ๆอาทิเช่น ในงานด้านวิศวกรรม โดยการวิเคราะห์และวินิจฉัยสาเหตุการทางานผิดพลาดของเคร่ืองจักรกลต่าง ๆ หรือ ในงานด้านอาชญวิทยา เป็นการประยุกต์เหมืองข้อมูล เพื่อการวิเคราะห์ค้นหาผู้กระทาความผดิ โดยการวิเคราะห์พฤติการณข์ องคนร้าย หรือ การพิสูจน์อัตลักษณ์บุคคล เช่นการค้นหาเจ้าของลายน้ิวมอื การคน้ หาบคุ คลดว้ ยการวิเคราะหภ์ าพใบหนา้ เป็นต้น ra.ac.thและนอกจากประยุกต์ใช้ในการวิเคราะห์ข้อมูลในหน่วยงาน องค์กรธุรกิจต่าง ๆ แล้วการประยุกต์ใช้เหมืองข้อมูลที่สอดรับกับเทคโนโลยีสารสนเทศ ในยุคปัจจุบัน ท่ีผู้คนต่างก็เข้าถึงk.chandเครือข่ายอินเตอร์เน็ต และใช้บริการ WWW อย่างแพร่หลายนั้น ทาให้การทาเหมืองข้อมูลในบริการบนเครอื ข่ายอินเตอรเ์ น็ต เป็นอกี รูปแบบการประยุกต์ใช้ในปัจจบุ ัน ซึ่งแบง่ ออกได้เปน็ 1) การทาเหมืองข้อความ (Text Mining) ซึ่งเป็นการวิเคราะห์ข้อมูลท่ีถูกจัดเก็บไว้ในjmรูปแบบตัวอักษร ซึ่งอาจเป็น ไฟล์ข้อความ ไฟล์ประวัติการใช้งาน หรือ ชุดคาส่ัง ภาษาเครื่อง เช่นการวิเคราะห์พฤติกรรมการใช้งานเครือข่ายสังคมออนไลน์ อย่างเฟสบุ๊ค ที่มีการวิเคราะห์พฤติกรรมการใช้งานของสมาชิก จดั กลุ่มผูใ้ ชง้ าน และเช่อื มโยงความสัมพันธ์ของผู้ใชง้ าน เป็นตน้ 2) การทาเหมืองข้อมูลในธุรกิจอิเล็กทรอนิกส์ (Electronic Commerce) ซ่ึงถือเป็นรูปแบบการค้ารูปแบบหน่ึงบนเครือข่ายอนิ เตอร์เน็ต ทส่ี ามารถประยุกตเ์ หมอื งข้อมูลเพ่ือช่วยให้เข้าใจพฤติกรรมของลูกค้า เช่น พฤติกรรมการเข้าถึงเว็บไซต์ ตามลาดับก่อน-หลัง วิเคราะห์ความเชื่อมโยงของสว่ นการทางานแสดงสินคา้ ในแตล่ ะหน้าจากพฤตกิ รรมการเขา้ ชม เป็นตน้เหมืองขอ้ มูลเบือ้ งต้น

บทบาท แนวโน้ม และ การประยุกตใ์ ชเ้ หมืองข้อมูล 201ตัวอยา่ งกรณศี กึ ษาการประยกุ ตใ์ ช้เหมืองขอ้ มลู จากการประยุกต์ใช้เหมืองข้อมูลที่กล่าวไปแล้วข้างต้น จะเห็นได้ว่าเหมืองข้อมูลสามารถนามาใช้ประโยชน์ในงานด้านต่าง ๆ ได้หลากหลาย โดยในหนังสือเล่มน้ีขอยกตัวอย่างกรณีศึกษาจากการประยุกต์ใช้งานจริง หรือ จากงานวจิ ยั เพอื่ ประยุกต์ใชเ้ หมืองขอ้ มลู ในด้านต่าง ๆ ดังนี้ 1. ตวั อยา่ งกรณีศึกษาการประยุกต์ใชเ้ หมอื งข้อมูลในงานด้านสุขภาพ การประยุกต์ใช้เหมืองข้อมูลในงานด้านสุขภาพน้ัน มีการวิเคราะห์ข้อมูลเพื่อนาไปใช้ประโยชน์ท้ังในแง่มุมการวิเคราะห์สภาพร่างกาย หาความเชื่อมโยง ความสัมพันธ์ของพฤติกรรม กับการปรากฏของโรค หรือพฤติกรรมการรับประทานอาหารท่ีสัมพันธ์กับอาการโรค หรือในแง่มุมอ่ืน ๆซง่ึ ในประเทศไทย พบในลักษณะของงานวจิ ัย เชน่ กรณีศนู ย์เหมอื งข้อมลู และชวี การแพทย์สารสนเทศได้ทาการวิจัยเรื่อง การประเมินสุขภาพผ่านการใช้ข้อมูลการตรวจสุขภาพจากห้องปฏิบัติการทางเทคนิคการแพทย์ ซึ่งเป็นการประเมินภาวะสุขภาพโดยใช้เทคนิคเหมืองข้อมูลวิเคราะห์สร้างรูปแบบra.ac.thการทานายและหาความสัมพันธ์ระหว่างพารามิเตอร์ด้านสุขภาพโดยเฉพาะภาวะอ้วนลงพุง(Metabolic Syndrome) เป็นภาวะผิดปกติทางเมตาบอลิซึมภายในร่างกาย ซ่ึงอาจนาไปสู่การเกิดโรคเบาหวาน และโรคหัวใจและหลอดเลือด โดยนาเทคนิค Quantitative Population Healthk.chandRelationship: QPHR มาใช้ในการประเมินภาวะอ้วนลงพุง ซ่ึงจะช่วยให้แพทย์เข้าใจในกระบวนการหรือปัจจัยเสี่ยงทางสุขภาพท่ีเก่ียวข้องกับการเกิดโรค และสามารถสร้างแบบจาลองเพ่ือใช้ในการคัดกรอง (Screening) รวมถึง การพยากรณ์โรค (Prognosis) การรักษา (Treatment) และการป้องกันjm(Prevention) เพ่ือให้ประชาชนมีสุขภาวะท่ีดีขึ้น (well-being) ถือเป็นหน่ึงตัวอย่างสาคัญของการประยกุ ต์ใช้เหมอื งขอ้ มูลในงานดา้ นสขุ ภาพในประเทศไทย 2. กรณศี ึกษาการประยกุ ต์ใช้เหมอื งข้อมลู ในธุรกิจบรกิ ารเครอื ขา่ ยโทรคมนาคม ในดา้ นการเงินและการธนาคาร มีการนาเอาเหมืองขอ้ มูล ไปประยุกต์ใช้ในการวิเคราะห์ข้อมูลในหลายแง่มุม ดังเช่นในงานวิจัยต่อไปนี้ เช่น กิจการบริการเครือข่ายโทรคมนาคมท่ีทาการวิเคราะห์เหมืองข้อมูลพฤติกรรมการใช้งานเครือข่ายส่ือสารโทรคมนาคมของลูกคา้ ที่เรียกว่าCall Detail Record: CDR มาใช้เพ่ือตรวจสอบพฤติกรรมการใช้งานเครือข่าย เพื่อวิเคราะห์กลุ่มเป้าหมาย เจาะตลาดลูกค้า หาลูกค้าใหม่ เพ่ิมคุณค่าให้ลูกค้าเก่า โดยจัดรายการส่งเสริมการขายเพ่ิมยอดการขาย โดยอาจเสนอบริการเสริมอ่ืน ๆ ท่ีเข้ากับกลุ่มลูกค้า เป็นการเพ่ิมมูลค่าให้สินค้ารักษาฐานลูกค้าเดิมไว้ วิเคราะห์ความเส่ียงในการสูญเสียลูกค้า และการเชื่อมโยงของการบริการ เหมอื งขอ้ มลู เบอ้ื งตน้

202 บทบาท แนวโนม้ และ การประยุกตใ์ ชเ้ หมืองข้อมูลต่อความภักดีต่อตัวสินค้า หรือการวิเคราะห์เพ่ือ ทานายว่าลูกค้าคนใดจะเลิกใช้บริการจากบริษัทภายใน 6 เดือนหน้า เป็นต้น ในการประยุกต์ใช้เหมืองข้อมูลสาหรับธุรกิจบริการเครือข่ายโทรคมนาคมนี้ มักเป็นการประยุกต์ใช้ในรูปแบบการพยากรณ์ (Predictive) โดยมีฐานข้อมูลของระบบจัดการลูกค้าสัมพันธ์(Customer Relation Management: CRM) เป็นส่วนสาคัญ ในการได้มาซึ่งข้อมูล ที่จะนาไปวิเคราะห์ตอบโจทย์ข้างต้นได้ ซ่ึงตัวอย่างกิจการด้านการบริการโทรคมนาคม ท่ีประยุกต์ใช้เหมืองข้อมูลในการดาเนินธุรกิจ เช่น บริษัท IBM ท่ีมีการวิเคราะห์เหมืองข้อมูล ของระบบ Call Centerเพ่ือวิเคราะห์น้าเสียงของลูกค้าในขณะสนทนา ว่าอยู่ในลักษณะอารมณ์ใด และควรจะสนทนาโต้ตอบในรูปแบบใด รวมไปถึงวิเคราะห์ร่วมกับพฤติกรรมการเรียกดู สินค้า บริการบนเว็บไซต์เพ่ือให้พนักงานได้ให้บริการได้อย่างเหมาะสม ซ่ึงปัจจุบันเป็นหนึ่งในบริการของ IBMที่เรยี กวา่ IBM Analytic ทม่ี บี ริษัทเลือกนาไปใช้ในธุรกจิ jmk.chandra.ac.th ภาพที่ 9-1 บริการของ IBM Analytic (ท่ีมา: http://www.ibm.com/analytics/us/en/industry/telecommunications/)เหมอื งข้อมลู เบ้อื งตน้

บทบาท แนวโน้ม และ การประยกุ ตใ์ ชเ้ หมืองข้อมูล 203 อกี หนึ่งตัวอย่างของธรุ กิจโทรคมนาคมในประเทศไทยคือ DTAC ท่ีมกี ารประยุกต์ใช้งานเหมืองข้อมูลในการวิเคราะห์พฤติกรรมลูกค้า เพื่อนาเสนอรายการส่งเสริมการขายแก่ลูกค้าท่ีมีพฤติกรรมการใชง้ านโทรออกน้อย ในการจูงใจใหม้ ีการใช้งานมากข้นึ เชน่ กาหนดรายการส่งเสรมิ การขาย ให้มีการใช้สายโทรออก 2 ครั้งติดกันภายใน 1 สัปดาห์ ติดต่อกัน 1 เดือน จะได้รับส่วนลด หรือใชบ้ ริการเสริมอืน่ เช่น SMS ได้ฟรี ตามจานวนท่กี าหนด เป็นต้น (ชญาศักด์ิ ทวที อง, 2553) 3. กรณีการการประยกุ ต์ใชเ้ หมืองข้อมลู ในการดาเนินธุรกจิ โรงแรมตัวอย่างกรณีศึกษาการประยุกต์ใช้เหมืองข้อมูลในการดาเนินธุรกิจโรงแรม เช่น กรณี ของโรงแรมโอเรียนเตล ซง่ึ เปน็ โรงแรมช้นั นาระดับโลก โดยปกตทิ ่ัวไปแลว้ โรงแรมจะมีการจดั เกบ็ ขอ้ มลู ไว้ในระบบสารสนเทศหลัก ที่เรียกว่า Property Management System: PMS ซ่ึงเป็นระบบสารสนเทศหลักในการบริหารจัดการท่ีโรงแรม ท่ีทาหน้าที่จัดการข้อมูลเกี่ยวกับลูกค้าและการra.ac.thให้บริการห้องพักของโรงแรม และนอกจากข้อมูลหลักในระบบของโรงแรม ยังมีข้อมูลอื่น ๆ ท่ีเกี่ยวข้อง อาทิบัญชีรายช่ือผู้ติดต่อท่ีพนักงานของโรงแรมแต่ละคน รายช่ือลูกค้า และข้อมูลอ่ืน ๆk.chandท่ีเก่ียวข้องกับการปฏิบัติหน้าท่ีเฉพาะของแต่ละฝ่าย ซึ่งข้อมูลเหล่าน้ีอาจไม่ได้ถูกจัดเก็บไว้ในฐานข้อมูลส่วนกลาง หากแต่บันทึกไว้ในเคร่ืองคอมพิวเตอร์แต่ละบุคคลส่วน หรือบันทึกไว้ในรูปแบบเอกสาร ซ่ึงโรงแรมโอเรียลเตล ได้ประยุกต์ใช้เหมืองข้อมูล นามาใช้วิเคราะห์ข้อมูลด้านการบริหารjmลูกค้าสมั พนั ธ์ และ การตลาดของโรงแรม เพ่ือประเมินผลการดาเนินงานในด้านตา่ ง ๆ และประยุกต์ใช้เพื่อการส่งเสริมลูกค้าสัมพันธ์ เช่น การ E-Card ไปอวยพรในวันเกิด หรือวันสาคัญให้กับลูกค้า หรือบุคคลต่างๆ ที่มีรายช่ืออยู่ในฐานข้อมูลของโรงแรมเพื่อประโยชน์ด้านการบริหารลูกค้าสัมพันธ์ และการทาการตลาดผ่านทางอีเมล์ท่ีเรียกว่า E-mail Marketing หรือ Campaign Launching ไปหาผู้รับกลมุ่ ตา่ ง ๆ แบบเฉพาะเจาะจง หรือ การวิเคราะห์เพื่อประมาณการณจ์ านวนห้องพกั รปู แบบห้องพักท่ีเหมาะสมและเพียงพอต่อความต้องการเข้าพัก รวมถึงคาดการณ์ตลาด อัตราการเติบโต จานวนลกู คา้ ท่เี ข้าใชบ้ ริการ เปน็ ต้น ซึ่งเปน็ ผลจากการประยุกต์ใช้เหมอื งขอ้ มลู สาหรบั ธุรกิจโรงแรม ภาพท่ี 9-2 ข้ันตอนการทางานของ Hotel Predictive Analytic (ทีม่ า: http://www.e-forecasting.com/Hotelinsights/Hotel-Predictive-Analytics.html) เหมืองข้อมลู เบ้ืองตน้

204 บทบาท แนวโน้ม และ การประยุกตใ์ ช้เหมืองข้อมลู ในปัจจุบันมีการพัฒนาซอฟต์แวร์ประยุกต์สาหรับการวิเคราะห์ข้อมูลในธุรกิจโรงแรม เกิดข้ึนอย่างหลากหลาย เช่น Xn Hotel System ซ่ึงเป็นซอฟต์แวร์วิเคราะห์ข้อมูลในลักษณะBusiness Intelligence ที่มีฟังก์ชันการทางานวิเคราะห์ข้อมูลรองรับความต้องการวิเคราะห์ข้อมูลเพอ่ื สนับสนุนการตัดสนิ ใจในทกุ ส่วนงานของโรงแรม ra.ac.thภาพท่ี 9-3 ตวั อย่างหน้าจอการทางานของ Xn Hotel System (ทม่ี า: http://www.hospitalitynet.org/news/4056043.html) k.chand4. การประยุกต์ใชเ้ หมืองข้อมลู ในการวิเคราะหข์ อ้ มูลดา้ นการศกึ ษา การประยุกต์ใช้เหมืองข้อมูลในการวิเคราะหข์ ้อมลู ด้านการศกึ ษา ซ่ึงเปน็ แนวทางในการjmประยุกต์ใช้เหมืองข้อมูลที่พบเป็นงานวิจัยค่อนข้างมาก ในที่น้ีขอยกตัวอย่างกรณีศึกษาที่ใช้เหมืองขอ้ มลู วิเคราะหข์ อ้ มูลเพื่อทานายสัมฤทธผิ ลทางการเรียนของนักศึกษา เพอื่ ประกอบการให้คาปรกึ ษาทางการเรียนของอาจารย์ที่ปรึกษา วิทยาลัยราชพฤกษ์ ซึ่งเป็นงานวิจัยท่ีประยุกต์ใช้เทคนิคเหมืองข้อมูลสาหรับทานายความถนัดทางการเรียนของนักศึกษา ว่าควรศึกษาในสาขาวิชาใดโดยอาศัยข้อมูลส่วนตัว ข้อมูลการลงทะเบียนเรียน นามาวิเคราะห์และสร้างเป็นตัวแบบ สาหรับวิเคราะห์หาพฤติกรรมทางการเรียนของนักศึกษาในแต่ละสาขาวิชา และตัวแบบสาหรับทานายผลการเรียนของนักศกึ ษาในแต่ละสาขาวชิ า ซง่ึ ผลจากการวิจัยนี้ เพอ่ื เปน็ ข้อมลู ช่วยประกอบการตัดสินใจในการใหค้ าปรึกษาของอาจารยท์ ีปรึกษา 5. การประยกุ ตใ์ ชเ้ หมืองขอ้ มูลบนเวบ็ ไซต์ เว็บผู้ให้บริการสืบค้นข้อมูลระดับโลกอย่าง Google ท่ีนอกจากจะบริการสืบค้นข้อมูลบนWWW ที่มีปริมาณข้อมูลมหาศาลแล้ว Google ยังมีบริการวิเคราะห์ข้อมูล ซ่ึงถือเป็นเครื่องมือท่ีสามารถนาไปประยุกต์ใช้เหมืองข้อมูล ในการวิเคราะห์ข้อมูลขั้นสูงต่อไปได้ โดยการทางานของเหมอื งข้อมูลเบอื้ งต้น

บทบาท แนวโนม้ และ การประยุกตใ์ ชเ้ หมืองขอ้ มลู 205เครือ่ งมือทเ่ี รยี กว่า Google Analytic น้ีเป็นเครื่องมอื วิเคราะหข์ ้อมูลเชงิ สถิติ ท่ีช่วยให้เจ้าของเว็บไซต์ได้ทราบถึงพฤติกรรมของผู้เข้าใช้งานเว็บไซต์ ซ่ึงจะประกอบด้วยข้อมูลประชากร เพศ อายุ ของผู้เข้าชมเว็บไซต์ ข้อมูลความสนใจ ข้อมูลภูมิศาสตร์ ที่บอกว่าผู้เข้าชมน้ันมาจากตาแหน่งใดในโลก รวมไปถึงข้อมูลพฤติกรรมการเข้าถึงซ้า อุปกรณ์ และเทคโนโลยีที่ใช้ในการเข้าถึง และยังสามารถกาหนดข้อมูลเชงิ สถติ ทิ ต่ี อ้ งการวเิ คราะหไ์ ด้เองอีกด้วย Google Analytic มสี ่วนการทางานสาคัญ ที่เป็นการประยุกต์เหมืองข้อมูล คอื ส่วนท่ีเรียกว่าAnalytic Intelligent ที่มีอัลกอริทึม ท่ีสามารถวิเคราะห์และตรวจหาความผิดปกติในการเข้าถึงเว็บไซต์ได้อีกด้วย โดยสามารถกาหนดรูปแบบการแจ้งเตือนความผิดปกติน้ันได้ตามความต้องการนอกจากน้ียังมีส่วนการทางานข้ันสูง (Advance) ท่ีเป็นเคร่ืองมือช่วยกาหนด แบ่งกลุ่มข้อมูลผู้เข้าชมไดต้ ามความต้องการ เพอ่ื นาผลการแบง่ กล่มุ ท่ไี ด้ไปใชป้ ระโยชน์ เชน่ การจัดรายการส่งเสริมการขาย jmk.chandra.ac.th ภาพท่ี 9-3 Google Analytic (ทมี่ า: https://www.google.co.th/intl/th_ALL/analytics/index.html) เหมืองขอ้ มลู เบ้อื งต้น

206 บทบาท แนวโนม้ และ การประยุกตใ์ ชเ้ หมืองข้อมูล จากวิวัฒนาการของเทคโนโลยีการจัดการข้อมูล และความต้องการใช้งานข้อมูลในปัจจุบันนั้น ก็ด้วยข้อมูลเป็นส่วนสาคัญในการดาเนินธุรกิจ รวมไปถึงการดารงชีวิต ซึ่งส่งผลให้ เหมืองข้อมูลได้ถูกนาไปประยุกต์ใช้ ในการวิเคราะห์ข้อมูล ในทุก ๆ วงการธุรกิจ เน่ืองจากถือเป็นเคร่ืองมอื สาคัญท่ีช่วยให้ไดม้ าซึ่งขอ้ มูลเพ่ือประกอบการตดั สินใจ และสร้างความได้เปรียบเหนือค่แู ข่งขนั เหมอื งขอ้ มูลจงึ มบี ทบาทในการทางานในยคุ ปจั จุบนั นน่ั เอง jmk.chandra.ac.thเหมอื งข้อมูลเบื้องตน้

บทบาท แนวโนม้ และ การประยุกต์ใช้เหมืองขอ้ มลู 207บทสรุป การทาเหมืองข้อมูล สามารถนาไปประยุกต์กับงานด้านต่างๆ ได้อย่างหลากหลายซึ่งมักพบการประยุกต์ใช้และประโยชน์ที่เห็นเด่นชัด ในธุรกิจต่าง ๆ โดยในมุมมองเชิงธุรกิจแล้วการทาเหมืองข้อมูลถือเป็นเคร่ืองมือสาคัญ ในการวิเคราะห์ข้อมูล เพื่อช่วยให้องค์กรสามารถดาเนินธุรกิจได้ โดยสร้างความได้เปรียบเหนือค่แู ข่งขัน ช่วยให้เกิดความรู้ที่สามารถนามาใช้ในการคาดการณ์อนาคต และสามารถนาไปประยุกตใ์ ช้ประกอบการตดั สินใจได้ เหมอื งขอ้ มูลถูกประยุกต์ใชใ้ นงานด้านต่าง ๆ อาทิ การประยุกต์ใชเ้ หมืองข้อมูลในการบรหิ ารองค์กร การประยุกต์ใช้เหมืองข้อมูลธุรกิจการค้า ท้ังในรูปแบบธุรกิจค้าส่ง หรือ การค้าปลีก การประยุกต์ใช้เหมืองข้อมูลในธุรกิจบริการ เช่น การวิเคราะห์เหมืองข้อมูลพฤติกรรมการใช้งาน การประยุกต์ใช้เหมืองข้อมูลในงานด้านการเงินการธนาคาร การวิเคราะห์พฤติกรรมลูกค้าสินเชื่อ เพื่อพิจารณาอนุมัติสินเชื่อรูปแบบต่าง ๆ การประยุกต์ใช้เหมืองข้อมูลในงานอุตสาหกรรม เช่น งานด้านra.ac.thการผลิต การวิเคราะห์จุดคุ้มค่าในการลงทุน การวิเคราะห์เพื่อวางแผนการใช้งานวัตถุดิบ การประยุกต์ใช้เหมืองข้อมูลในอุตสาหกรรมการเกษตร เช่น การวิเคราะห์ข้อมูลเพื่อจาแนกประเภทของโรคพืช การวิเคราะห์ข้อมลู เพือ่ คาดการณ์ปริมาณผลผลิต การวเิ คราะห์พฤติการณ์ของคนร้าย การทาk.chandเหมืองข้อความ (Text Mining) การทาเหมืองข้อมูลในธุรกิจอิเล็กทรอนิกส์ ( ElectronicjmCommerce) เป็นต้น เหมอื งขอ้ มลู เบื้องต้น

208 บทบาท แนวโนม้ และ การประยุกต์ใช้เหมืองข้อมูลเอกสารอ้างอิงกฤษณะ ไวยมัย และ ธีระวัฒน์ พงษ์ศิริปรีดา. “การใช้เทคนิค Association Rule Discovery เพ่ือ การจัดสรรกฎหมายในการพิจารณาคดีความ.” NECTEC Technical Journal. ปีท่ี 3 ฉบบั ท่ี 11, (2544) : 143 - 52.ชนวัฒน์ ศรีสอ้าน. ฐานข้อมูล คลังข้อมูล และเหมืองข้อมูล. ปทุมธานี: สานักพิมพ์ มหาวิทยาลัย รงั สิต, 2550.ชญาศักด์ิ ทวีทอง. ความสาเร็จของการใช้งานระบบ Data Mining ของบริษัทเอกชนไทย: กรณีศึกษากลุ่มธุรกิจโทรคมนาคมและสถาบันทางการเงิน. การศึกษาอิสระ. วิ ท ย า ศ า ส ต ร ม ห า บั ณ ฑิ ต ส า ข า วิ ช า ร ะ บ บ ส า ร ส น เ ท ศ เ พ่ื อ ก า ร จั ด ก า ร , มหาวิทยาลยั ธรรมศาสตร,์ 2553.ชดิ ชนก สง่ ศิริ, ธนาวนิ ท์ รกั ธรรมานนท์ และ กฤษณะ ไวยมัย. “การใช้เทคนคิ ดาต้าไมน์นงิ เพ่อื พัฒนา ra.ac.thคุณภาพการศึกษาคณะวิศวกรรมศาสตร์.” NECTEC Technical Journal. ปีท่ี 11 ฉบับที่ 3, 2545 : 134-42.k.chandเรวดี ศักดิ์ดลุ ยธรรม. การใช้เทคนคิ ดา้ ตา้ ไมนน์ งิ ในการสร้างฐานความรู้ เพอื่ การทานายสัมฤทธ์ิผล ทางการเรยี นของนกั ศึกษา วทิ ยาลยั ราชพฤกษ์. มหาวิทยาลัยราชพฤกษ์. 2552.ศูนย์เหมืองข้อมูลและชีวการแพทย์สารสนเทศ. คณะเทคนิคการแพทย์ มหาวิทยาลัยมหิดล. jm[ออน ไลน์ ]. เข้าถึงได้ จาก : http://www.mt.mahidol.ac.th/index.php?option= com_content&id=534&Itemid=275&lang=th (วนั ที่ค้นขอ้ มลู : 5 พฤศจิกายน 2557)อ ดุ ล ย์ ยิ้ ม ง า ม . ก า ร ท า เ ห มื อ ง ข้ อ มู ล Data Mining [อ อ น ไ ล น์ ]. เ ข้ า ถึ ง ไ ด้ จ า ก : http://compcenter.bu.ac.th/index.php?option=com_content&task=view&id=7 5&Itemid=172. (วนั ที่ค้นขอ้ มูล : 17 มถิ ุนายน 2554)Bing, L., Wynne, H. and Yiming, M. “Mining Association Rules with Multiple Minimum Supports.” Proceeding of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Diego, 1999.D. J. Hand, H. Mannila, and P. Smyth, Principles of Data Mining. MIT Press, 2001.Google. Google Analytic. [ออนไลน์]. เข้าถึงได้จาก : http://www.google.com/analytics/. (วนั ทีค่ น้ ข้อมูล : 17 มิถนุ ายน 2554)เหมอื งขอ้ มูลเบื้องต้น

บทบาท แนวโนม้ และ การประยกุ ต์ใชเ้ หมืองขอ้ มลู 209iHotel Marketer. ก า ร ท า เ ห มื อ ง ข้ อ มู ล ข อ ง โ ร ง แ ร ม . [อ อ น ไ ล น์ ]. เ ข้ า ถึ ง ไ ด้ จ า ก : http://www.ihotelmarketer.com/index.php?option=com_k2&view=item&id=30 6:hotel-data-miningLinoff, G. and Berry, M. Data Mining Techniques. John Wiley & Sons. , 1997.M. Bramer, Principles of Data Mining. Springer, 2013.Mahapatra, I. and Bose, R. K. Business Data Mining - a Machine Learning Perspective. Information and Management. 39, 2001 : 211-25.Morris, B. Case-based reasoning. West Virginia University. Al/ES, 1995;Vincent P. Magnini, Earl D. Honeycutt, Jr. and Sharon K. Hodge. Data Mining for Hotel Firms: Use and Limitations. CORNELL HOTEL AND RESTAURANT ADMINISTRATION QUARTERLY 44(2):94-105 · APRIL 2003ra.ac.thคาถามทบทวนk.chand1. บทบาทของเหมอื งข้อมลู มีสว่ นสาคญั ตอ่ ธรุ กิจอย่างไรjm2. จงยกตวั อย่างการประยุกตใ์ ชเ้ หมืองข้อมูลในธุรกิจ เหมืองข้อมลู เบื้องต้น

บรรณานกุ รมกฤษณะ ไวยมัย และ ธีระวัฒน์ พงษ์ศิริปรีดา. “การใช้เทคนิค Association Rule Discovery เพ่ือการจัดสรรกฎหมายในการพิจารณาคดีความ.” NECTEC Technical Journal. ปที ่ี 3 ฉบบั ท่ี 11, (2544) : 143 - 52.ชญาศักดิ์ ทวีทอง. ความสาเร็จของการใช้งานระบบ Data Mining ของบริษัทเอกชนไทย: กรณี ศึกษากลุ่มธุรกิจโทรคมนาคมและสถาบันทางการเงิน. การศึกษาอิสระ. วิ ท ย า ศ า ส ต ร ม ห า บั ณ ฑิ ต ส า ข า วิ ช า ร ะ บ บ ส า ร ส น เท ศ เพื่ อ ก า ร จั ด ก า ร มหาวิทยาลัยธรรมศาสตร์, 2553.ชนวัฒน์ ศรีสอ้าน. ฐานข้อมูล คลังข้อมูล และเหมืองข้อมูล. ปทุมธานี: สานักพิมพ์ มหาวิทยาลัย รังสิต, 2550.ra.ac.thชิดชนก ส่งศิริ, ธนาวินท์ รักธรรมานนท์ และ กฤษณะ ไวยมัย. “การใช้เทคนิคดาต้าไมน์นิง เพ่ือพัฒนาคุณภาพการศึกษาคณะวิศวกรรมศาสตร์.” NECTEC Technical Journal. ปที ี่ 11 ฉบับท่ี 3, 2545 : 134-42.k.chandชินพัฒน์ แก้วชินพร, การจาแนกประเภทข้อมูลด้วยเทคนิคต้นไม้ตัดสินใจและการจัดกลุ่ม. ปริญญานิพนธ์ สาขาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ สถาบันเทคโนโลยี jmพระจอมเกลา้ เจ้าคณุ ทหารลาดกระบัง, 2553ธรรมศักด์ิ เธียรนิเวศน์. “การลดขนาดข้อมูลด้วยนาหนักความหนาแน่นเพื่อการจัดกลุ่มข้อมูล ขนาดใหญ่”. วิทยานิพนธ์สาขาวิชาวิศวกรรมคอมพิวเตอร์ มหาวิทยาลัยเทคโนโลยีสุรนารี, 2548.เรวดี ศักด์ิดลุ ยธรรม. การใช้เทคนิคดา้ ต้าไมน์นงิ ในการสร้างฐานความรู้ เพอื่ การทานายสมั ฤทธ์ิผล ทางการเรียนของนกั ศึกษา วิทยาลยั ราชพฤกษ.์ มหาวทิ ยาลัยราชพฤกษ.์ 2552.ศูนย์เหมืองข้อมูลและชีวการแพทย์สารสนเทศ. คณะเทคนิคการแพทย์ มหาวิทยาลัยมหิดล. [อ อ น ไล น์ ]. เข้ าถึ งได้ จ าก : http://www.mt.mahidol.ac.th/index.php?option= com_content&id=534&Itemid=275&lang=th (วันทคี่ ้นขอ้ มลู : 5 พฤศจิกายน 2557)อ ดุ ล ย์ ย้ิ ม ง า ม . ก า ร ท า เห มื อ ง ข้ อ มู ล Data Mining. [อ อ น ไล น์ ]. เข้ า ถึ ง ได้ จ า ก : http://compcenter.bu.ac.th/index.php?option=com_content&task=view&id=75 &Itemid=172. (วนั ท่ีค้นขอ้ มลู : 17 มิถนุ ายน 2554) เหมืองขอ้ มลู เบ้ืองตน้

212เอ ก สิ ท ธ์ิ พั ช ร ว งศ์ ศั ก ด า . An Introduction to Data Mining Techniques. ก รุ งเท พ : บริษทั เอเชยี ดิจิตอลการพิมพ์ จากัด, 2557.อุ ไร ท อ งหั ว ไผ่ . บ ท ท่ี 3 ก ารแ บ่ งก ลุ่ ม ข้ อ มู ล อั ต โน มั ติ . [อ อ น ไล น์ ]. เข้ าถึงได้ จ าก : http://e-book.ram.edu/e-book/c/CT477/CT477-3.pdf. (วันที่ค้นข้อมูล : 20 กันยายน 2557)Agrawal, R., et al. Parallel mining of association rules. IEEE Transactions on Knowledge and Data Engineering 8(6). 1996.Amizung, ก า ร ใ ช้ ง า น โ ป ร แ ก ร ม R, [อ อ น ไ ล น์ ] . เ ข้ า ถึ ง ไ ด้ จ า ก : http://it.scribd.com/doc/34869064/การใช้โปรแกรมR#scribd (วันที่ค้นข้อมูล : 22 เมษายน 2557)Bing, L., Wynne, H. and Yiming, M. “Mining Association Rules with Multiple ra.ac.thMinimum Supports.” Proceeding of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Diego, 1999.D. J. Hand, H. Mannila, and P. Smyth, Principles of Data Mining. MIT Press, 2001.k.chandGoogle. Google Analytic. [ออนไลน์]. เข้าถึงได้จาก : http://www.google.com/analytics/. (วันที่ค้นขอ้ มูล : 17 มิถนุ ายน 2554)jmiHotel Marketer. ก า ร ท า เห มื อ งข้ อ มู ล ข อ งโร ง แ ร ม . [อ อ น ไล น์ ]. เข้ า ถึ งได้ จ า ก : http://www.ihotelmarketer.com/index.php?option=com_k2&view=item&id=30 6:hotel-data-mining (วนั ที่ค้นขอ้ มูล : 22 เมษายน 2557)Kdnudgets, Data Mining, Analytics, Big Data, and Data Science [ออนไลน์]. เข้าถึงได้จาก : http://www.kdnuggets.com/solutions/index.html. (วันที่ค้นข้อมูล : 17 มิถุนายน 2554)Linoff, G. and Berry, M. Data Mining Techniques. John Wiley & Sons. , 1997.M. Bramer, Principles of Data Mining. Springer, 2013.Mahapatra, I. and Bose, R. K. Business Data Mining - a Machine Learning Perspective. Information and Management. 39, 2001 : 211-25.เหมอื งขอ้ มูลเบ้ืองต้น

213MATLAB, Matlab 2010a Installation Instructions. [อ อ น ไ ล น์ ] . เ ข้ า ถึ ง ไ ด้ จ า ก : http://ist.njit.edu/software/documentation/matlab/2010a (วันที่คน้ ขอ้ มูล : 22 เมษายน 2557)Morris, B. Case-based reasoning. West Virginia University. Al/ES, 1995;Orange Biolab, Orange. [อ อ น ไ ล น์ ] . เ ข้ า ถึ ง ไ ด้ จ า ก : http://orange.biolab.si. (วันที่คน้ ข้อมูล : 17 มถิ นุ ายน 2554)RapidMiner, RapidMiner Documentation. [อ อ น ไ ล น์ ] . เ ข้ า ถึ ง ไ ด้ จ า ก : http://docs.rapidminer.com/studio/getting-started/. (วันท่ีค้นข้อมูล : 22 เมษายน 2557)RapidMiner, RapidMiner Studio Manual. RapidMiner, 2014. [ออนไลน์]. เข้าถึงได้จาก : http://docs.rapidminer.com. (วนั ทค่ี ้นขอ้ มลู : 22 เมษายน 2557)ra.ac.thShearer C. The CRISP-DM model: the new blueprint for data mining. J Data Warehousing (2000); 5:13—22.k.chandVincent P. Magnini, Earl D. Honeycutt, Jr. and Sharon K. Hodge. Data Mining for Hotel Firms: Use and Limitations. CORNELL HOTEL AND RESTAURANT ADMINISTRATION QUARTERLY 44(2):94-105 · APRIL 2003jmWEKA Wiki, Frequently Asked Questions. [อ อ น ไ ล น์ ] . เ ข้ า ถึ ง ไ ด้ จ า ก : http://weka.wikispaces.com. (วนั ที่ค้นข้อมูล : 17 มถิ ุนายน 2554)Wikipedia, Data Mining. [อ อ น ไ ล น์ ] . เ ข้ า ถึ ง ไ ด้ จ า ก : https://en.wikipedia.org/wiki/Data_mining. (วนั ท่คี ้นขอ้ มูล : 17 มถิ ุนายน 2554)(22 สิงหาคม 2555). การบริหารลูกค้าสัมพันธ์ (CRM) คืออะไร | ความรู้เกี่ยวกับ ERP เข้าถึงได้จาก : http://www.erp4all.co.th/index.php/th/solutions/whats-crm.html (วนั ท่ีคน้ ขอ้ มลู : 22 สงิ หาคม 2555)(20 มิ ถุ น าย น 2556). บ ท ท่ี 5 ก า รท าเห มื อ งข้ อ มู ล (Data Mining). เข้ าถึ งได้ จ าก : http://www.no-poor.com/dssandos/Chapter5-dss.htm. (วนั ที่ค้นขอ้ มูล : 20 มถิ นุ ายน 2556) เหมืองข้อมลู เบ้ืองต้น

ดัชนี (Index)A Bayesian Theory 145 145Apriori 118 Naive BayesAssociation 9 Neural Network 12, 16, 149, 165Association Mining 10, 12, 16, 114 MultilayerPerceptron 166 NaïveBayesSimple 163Association Analysis 34 ID3, C4.5 145, 161 J48 141, 158Association Rule 34, 114 Decision Tree 36, 139, 158 Layered Perceptron 149 Multi-Dimensional Association Rules 117 Classification Software 68Association Rule Discovery 9Confidence 115Single-Dimensional Association Rules 116 9 115 Classifier ModelSupportAgglomerative Clustering 184 Cleanup Data 104ra.ac.thAutoclass C 69 Clementine 69Advanced DatabaseAccuracy 50 Cloud Storage 197 k.chandAccuracy percentage 155 Cluster Analysis 12, 16, 35, 174, 184arff : Attribute Relation File Format 184(See also in WEKA)jmB 25, 36 Agglomerative Clustering Bayesian Probability Theory 145 95 Cluster Analysis 12, 16, 35, 174 175 Hierarchical Clustering Partition Clustering 175 K-Means 179Big Data 197 SimpleKMeans 188Business Intelligence : BI 196, 197 Clustering 174Bayesian Theory 145 Clustering and Segmentation Software 69Bayesian Probability Theory 145 CLUTO 69Binning Methods 56 Confidence 115Business Understanding 27 Confusion Matrix 154BayesiaLab 69 Continuous Variable 28 Correlation Analysis 123C CRISP-DM, Cross Industry Standard ProcessCategorical Variable 28 for Data Mining 26Classification Mining 10, 12, 16, 134 Cross-Validation Test 137Classification & Similarity 8 csv: Comma-Separated Value Variable 98Classification Analysis 36 (See also in WEKA) 197Classification Rules 36 Cloud Storage เหมืองข้อมูลเบื้องตน้

216Customer Life Cycle 199 Data Modeling 24Customer Relationship Management: CRM Data Pattern 33 197, 202 Data Prediction 9D Data Quality 45Data Data Preparation 11, 27, 29, 33 42 Data Reduction 33, 62 Data Access 6 Dimensionality Reduction 62 Data Analysis 33 Data Size Reduction 62 Data Classification 9 Discretization 60, 61 Data Classification Model 134 Generalization 60, 62 Data Collection 5 V-Normalization 60 Data Discovery 24 Data Selection 11, 27 Data Management 20, 23, 38 Data Transformation 11, 32, 59Database 20, 22 Data Preprocessing 11, 29, 38 Database Management System 20, 23 Data Source 20, 22, 38, 43 Database of Marketing 196 49 Internal Data Source 22, 43 ra.ac.thOperational Database 48 External Data Source 22, 43 Relational Database 32, 52, 59 Data Sets 9, 16, 135Data Mining Process 32, 52 Testing data, Testing Data Sets 9, 16 59 Training data, Training Data Sets 9, 135 k.chandData Exploration and Cleaning 37, 38 Data Type 46 Data Integration 20, 24, 38 Deployment Noisy Data 55 Data Mining Engine 68 Nominal 28 Numerical Data 28jmData Mining Tool Data Mining Software 69 Incomplete Data 52, 58 MATLAB 69, 77 Object-Oriented Data 50 OmniAnalyser 69 Structured Data 25, 46, 47 OntoText 69 Unstructured Data 25, 46, 48 Oracle Data Miner 69 Data Warehouse 6, 20, 22, 49 Orange, Orange Canvas 73 Data Warehouse Server PolyAnalysis 69 Decision Support System: DSS 20, 24 R, R-Base Language 79 RapidMiner 69, 75 Decision Tree 4, 6, 7 SPSS 36, 139, 158 Statistical Analysis Software 69 ID3, C4.5 69 J48 145, 161 STATISTICA 69 141, 158 Visualization Software Discrete Variable 28 69 Distance Measure 176 WEKA 88 Jaccard Distance 177 XLMiner 69 Euclidean Distance 177 XLSTAT 69 Manhattan Distance 176เหมืองขอ้ มลู เบื้องต้น

217EKEnterprise Resource Planning: ERP 198 K-Means 179Euclidean Distance 177 Knowledge 25, 42, 43Evaluation 36 Knowledge Base 20, 24 Accuracy 155 Knowledge Discovery in Databases: KDD 4 Accuracy percentage 25, 36 F-Measure 25, 36, 156 Precision 25, 36, 155 L 149 Recall 25, 36, 156 56 Sensitivity Layered Perceptron 69 156 Least-square errorExcel Link Analysis and Visualization SoftwareExecutive Information System: EIS 69 4External Data Source 22, 43 M 176External Database 49 Manhattan Distance 34, 198 Market Basket Analysis 69, 77ra.ac.thF 104 MATLAB 25, 36, 156 Measure 25Filtering Minimum Confidence: Min_Conf 119F-Measure 198 Minimum Support: Min_Supp 119 Missing Value 31k.chandFraud Detection 60, 62 Model 24 70, 205G Model Construction 138 Model Evaluation 154jmGeneralizationGoogle AnalyticH Modelling 33, 38Hierarchical Clustering 175 Multi-Approach Classification Software 69 Multidimensional Analysis 49I 145, 161 Multi-Dimensional Association Rules 117 52, 58 MultilayerPerceptron 166ID3, C4.5 42 Multivariate Statistic 101Incomplete DataInformation (See also in WEKA)Internal Data Source 22, 43 NInterpretation 36 Naive Bayes 145J NaïveBayesSimple 163 Neural Network 12, 16, 149, 165J48 141, 158 MultilayerPerceptron 166Jaccard Distance 177 Noise Detection 31 เหมืองขอ้ มลู เบอื้ งต้น

218Noisy Data 55 8Nominal Variable 28 S 135NoSQL 50 Segmentation & Clustering 156Numerical Data 28 Self-Consistency Test SensitivityO Sequencing 9Object-Oriented Data 50 Simple CLI 89OmniAnalyser 69 SimpleKMeans 188OntoText 69 Single-Dimensional Association Rules 116Operational Database 49 Specificity 156Oracle Data Miner 69 Split Test 136Orange, Orange Canvas 73 SPSS 69Ordinal Variable 28 STATISTICA 69ra.ac.thP 175 Statistical Analysis Software 69 20, 25, 38 Structured Data 25, 46, 47Partition Clustering Supervised FilterPattern Evaluation Module 12, 16 Supervised Learning 105 34 35k.chandPattern Recognition 69 (See also in WEKA) 115Point of Sale: POS 25, 36, 155 SupportPolyAnalysis 8, 16 9, 16Precision T Testing data 135jmPrediction & Forecasting Testing Data Sets 69, 200 50Preprocess 91 Text Analysis, Text Mining Text FileQ Training data 9Quantitative Variable 28 Training Data Sets 135 Transaction Data 114R Transactional Database 50R, R-Base Language 79 U 100RapidMiner 69, 75 Univariate StatisticRecall 25, 36, 156 25, 46, 48Regression Analysis (See also in WEKA) 109Regression Methods 69Relational Database 56 Unstructured Data 48 Unsupervised Filter (See also in WEKA) Unsupervised Learning 34, 178 User Interface 20, , 38เหมืองขอ้ มลู เบ้อื งต้น

219VVisualization Software 69V-Normalization 60WWEKA 88 arff : Attribute Relation File Format 95 csv: Comma-Separated Value Variable 98 Filtering 104 Supervised Filter 105 Unsupervised Filter 109 WEKA Experimenter 89 WEKA Explorer 89, 90 WEKA Knowledge-Flow 89 WEKA Simple CLI 89 WEKA, Waikato Environment for Knowledge 71 ra.ac.thAnalysis 101 100 Multivariate Statistic Univariate Statistic 23k.chandWWW, World Wide WebX 69XLMiner 69jmXLSTAT เหมืองขอ้ มลู เบื้องต้น



217EKEnterprise Resource Planning: ERP 198 K-Means 179Euclidean Distance 177 Knowledge 24, 42, 43Evaluation 25,37 Knowledge Base 20, 24 Accuracy 155 Knowledge Discovery in Databases: KDD 4 Accuracy percentage 25, 36 F-Measure 25, 37, 156 Precision 25, 37, 155 L 149 Recall 25, 37, 156 56 Sensitivity Layered Perceptron 69 156 Least-square errorExcel Link Analysis and Visualization SoftwareExecutive Information System: EIS 69 4External Data Source 22, 43 M 176External Database 49 Manhattan Distance 34, 198 Market Basket Analysis 69, 77c.thF 104 MATLAB.aFiltering 25, 37, 156 Measure 25raF-Measure Minimum Confidence: Min_Conf 119ndFraud Detection 198 Minimum Support: Min_Supp 119k.chaG Missing Value 31 60, 62 Model 24Generalization 70, 205 Model Construction 138jmGoogle Analytic Model Evaluation 154H Modeling 34Hierarchical Clustering 175 Multi-Approach Classification Software 69 Multidimensional Analysis 49I 145, 161 Multi-Dimensional Association Rules 117 52, 58 MultilayerPerceptron 166ID3, C4.5 42 Multivariate Statistic 101Incomplete DataInformation (See also in WEKA)Internal Data Source 22, 43 NInterpretation 37 Naive Bayes 145J NaïveBayesSimple 163 Neural Network 12, 16, 149, 165J48 141, 158 MultilayerPerceptron 166Jaccard Distance 177 Noise Detection 31 เหมืองขอ้ มูลเบ้ืองต้น

218Noisy Data 55 8Nominal Variable 28 S 135NoSQL 50 Segmentation & Clustering 156Numerical Data 29 Self-Consistency Test SensitivityO Sequencing 9Object-Oriented Data 50 Simple CLI 89OmniAnalyser 69 SimpleKMeans 188OntoText 69 Single-Dimensional Association Rules 116Operational Database 49 Specificity 156Oracle Data Miner 69 Split Test 136Orange, Orange Canvas 73 SPSS 69Ordinal Variable 29 STATISTICA 69c.thP.aPartition Clustering 175 Statistical Analysis Software 69raPattern Evaluation Module 20, 25 Structured Data 25, 46, 47dPattern Recognition 12, 16 Supervised FilteranPoint of Sale: POS Supervised Learning 105k.chPolyAnalysis 34 36 69 (See also in WEKA)Precision 25, 37, 155 115 8, 16 SupportjmPrediction & Forecasting 91 9, 16 TPreprocess Testing data 135 Testing Data Sets 69, 200 Text Analysis, Text Mining Text File 50Q Training data 9Quantitative Variable 28 Training Data Sets 135 Transaction Data 114R Transactional Database 50R, R-Base Language 79 U 100RapidMiner 69, 75 Univariate StatisticRecall 25, 37, 156 25, 46, 48Regression Analysis (See also in WEKA) 109Regression Methods 69Relational Database 56 Unstructured Data 48 Unsupervised Filter (See also in WEKA) Unsupervised Learning 34, 178 User Interface 20, , 38เหมืองข้อมลู เบอ้ื งต้น

219VVisualization Software 69V-Normalization 60WWEKA 88 arff : Attribute Relation File Format 95 csv: Comma-Separated Value Variable 98 Filtering 104 Supervised Filter 105 Unsupervised Filter 109 WEKA Experimenter 89 WEKA Explorer 89, 90 WEKA Knowledge-Flow 89 WEKA Simple CLI 89 c.thWEKA, Waikato Environment for Knowledge71 101 Analysis 100 .aMultivariate Statistic 23 raUnivariate StatisticdWWW, World Wide WebanXk.chXLMiner 69jmXLSTAT 69 เหมืองข้อมูลเบ้อื งตน้