การแบ่งกลุ่มลูกค้าด้วยวิธีผสมระหว่างการจัดกลุ่มแบบเคมีนส์และอาร์เอฟเอ็ม: กรณีศึกษาในธุรกิจค้าปลีกออนไลน์
DOI:
https://doi.org/10.53848/jlsco.v12i2.299053คำสำคัญ:
การแบ่งกลุ่มลูกค้า, การเรียนรู้ของเครื่อง, K-Means clustering, RFM, ค้าปลีกออนไลน์บทคัดย่อ
ในยุคที่ธุรกิจค้าปลีกออนไลน์ต้องเผชิญกับข้อมูลลูกค้าจำนวนมหาศาล การแบ่งกลุ่มลูกค้าแบบดั้งเดิมยังมีข้อจำกัดในการสะท้อนพฤติกรรมที่ซับซ้อน งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาการแบ่งกลุ่มลูกค้าด้วยวิธีผสมระหว่างการให้คะแนน RFM และเทคนิค K-Means clustering โดยใช้ข้อมูลธุรกรรมค้าปลีกออนไลน์จำนวน 406,573 รายการเป็นกรณีศึกษา กระบวนการวิจัยเริ่มจากการทำความสะอาดข้อมูลและคัดเลือกข้อมูลที่มีคุณภาพ จากนั้นคำนวณตัวแปร Recency, Frequency และ Monetary และทำการปรับสเกลข้อมูล ก่อนนำไปจัดกลุ่มด้วยวิธี RFM scoring ซึ่งแบ่งลูกค้าออกเป็น 5 กลุ่มหลัก และ K-Means clustering โดยกำหนดจำนวนคลัสเตอร์ที่เหมาะสมด้วย Elbow method และเลือกใช้ 4 กลุ่ม ผลการศึกษาพบว่าวิธี RFM ให้ผลลัพธ์ที่เข้าใจง่ายและเหมาะสำหรับการนำไปใช้งานเชิงปฏิบัติ ขณะที่ K-Means สามารถสะท้อนความแตกต่างเชิงโครงสร้างของลูกค้าได้ละเอียดกว่า โดยสามารถแยกกลุ่มลูกค้ามูลค่าสูงมากออกจากกลุ่มอื่นได้อย่างชัดเจนแม้มีจำนวนลูกค้าเพียงส่วนน้อย การบูรณาการทั้งสองวิธีช่วยเพิ่มความแม่นยำและความครอบคลุมของการแบ่งกลุ่มลูกค้า และสามารถสนับสนุนการกำหนดกลยุทธ์ทางการตลาด การรักษาลูกค้า และการเพิ่มมูลค่าลูกค้าในธุรกิจค้าปลีกออนไลน์ได้อย่างมีประสิทธิภาพ
เอกสารอ้างอิง
Awaliyah, D. A., Prasetiyo, B., Muzayanah, R., and Lestari, A. D. (2024). Optimizing customer segmentation in online retail transactions through the implementation of the K-means clustering algorithm. Scientific Journal of Informatics, 11(2), 539-548. https://doi.org/10.15294/sji.v11i2.6137
Blattberg, R. C., Kim, B.-D., and Neslin, S. A. (2008). Database marketing: Analyzing and managing customers. Springer.
Cooil, B., Aksoy, L., and Keiningham, T. L. (2008). Approaches to Customer Segmentation. Journal of Relationship Marketing, 6(3–4), 9–39. https://doi.org/10.1300/J366v06n03_02
Das, S., and Biswas, B. (2025). Machine learning segment customers based on their reviews in e-commerce portals: A fresh inquiry. The Lumbini Journal of Business and Economics, 12(2), 120–130. https://doi.org/10.3126/ljbe.v12i2.77422
Hennig, C. (2007). Cluster-wise assessment of cluster stability. Computational Statistics and Data Analysis, 52(1), 258–271. https://doi.org/10.1016/j.csda.2006.11.025
Kajornkasirat, S., Gunglin, P., Puangsuwan, K., and Kaewsuwan, N. (2024). Customer segmentation using association rule mining on retail transaction data. IAES International Journal of Artificial Intelligence, 14(3), 1919–1929. http://doi.org/10.11591/ijai.v14.i3.pp1919-1929
Mahboob Basha, S. K., Akhila, N., Deepak, A., Sindhu, J., and Rohith, K. (2025). Real time customer segmentation using hybrid models for smarter e commerce. International Journal of Engineering Research and Science and Technology, 21(3(1)), 1459–1469. https://doi.org/10.62643/ijerst.v21.n3(1).pp1459-1469
Wedel, M., and Kannan, P. K. (2016). Marketing analytics for data-rich environments. Journal of Marketing, 80(6), 97–121. https://doi.org/10.1509/jm.15.0413
Wedel, M., and Kamakura, W. A. (2000). Market segmentation: Conceptual and methodological foundations (2nd ed.). Kluwer Academic Publishers.
Wong, C.-G., Tong, G.-K., and Haw, S.-C. (2024). Exploring Customer Segmentation in E-Commerce using RFM Analysis with Clustering Techniques. Journal of Telecommunications and the Digital Economy, 12(3), 97-125. https://doi.org/10.18080/jtde.v12n3.978
