การพัฒนารูปแบบการตัดสินใจซื้อของผู้บริโภคบนแพลตฟอร์มออนไลน์โดยใช้เทคนิคการเรียนรู้ของเครื่องภายใต้กรอบแนวคิดแบบจำลองเอส–โอ–อาร์
คำสำคัญ:
การเรียนรู้ของเครื่อง , การตัดสินใจซื้อ , พฤติกรรมผู้บริโภค , แพลตฟอร์มออนไลน์ , การวิเคราะห์รีวิวสินค้าบทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาปัจจัยเชิงสาเหตุที่มีอิทธิพลต่อพฤติกรรมการซื้อสินค้าในแพลตฟอร์มออนไลน์ และพัฒนารูปแบบการตัดสินใจซื้อของผู้บริโภคโดยใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) ภายใต้กรอบแนวคิด S–O–R (Stimulus–Organism–Response Model) ข้อมูลที่ใช้ในการศึกษาประกอบด้วยข้อมูลรีวิวสินค้าจริงจำนวน 1,061 รายการจากแพลตฟอร์ม Shopee, Lazada และ TikTok Shop ผ่านการประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) ด้วยโปรแกรม PyThaiNLP และจำแนกประเภทด้วยเทคนิคต้นไม้ตัดสินใจ (Decision Tree) , เทคนิคนาอีฟเบย์ (Naïve Bayes) และ เทคนิคเคเนียเรสเนเบอร์ (k-NN) จากผลการศึกษา พบว่า เทคนิคต้นไม้ตัดสินใจ (Decision Tree) ให้ประสิทธิภาพสูงสุด มีค่าความถูกต้อง (Accuracy) ร้อยละ 89.15 ค่าการทำนาย (Precision) ร้อยละ 89.54 ค่าความน่าจะเป็น (Recall) ร้อยละ 89.61 และค่า F-measure ร้อยละ 89.57 ซึ่งสามารถอธิบายพฤติกรรมผู้บริโภคได้สอดคล้องกับองค์ประกอบของแบบจำลอง S–O–R ได้แก่ ตัวกระตุ้น (Stimulus) กลไก (Organism) และการตอบสนอง (Response) แสดงให้เห็นว่า การประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่องสามารถวิเคราะห์พฤติกรรมผู้บริโภคได้อย่างแม่นยำ และเป็นแนวทางสำคัญในการพัฒนากลยุทธ์ทางการตลาดดิจิทัลเพื่อเพิ่มประสบการณ์และความพึงพอใจของผู้บริโภค
เอกสารอ้างอิง
ชมพูนุท นรินทรางกูล ณ อยุธยา และศศินิภา ศรีกัลยานิวาท. (2563). พฤติกรรมการซื้อและปัจจัยส่วนประสมทางการตลาดที่มีผล ต่อการตัดสินใจซื้อผลิตภัณฑ์ไรซ์เบอร์รี่บราวนี่อบกรอบผสม อัลมอนด์ของผู้บริโภคในจังหวัดพิษณุโลก. วารสารวิทยาการจัดการมหาวิทยาลัยราชภัฏพิบูลสงคราม, 2(1), 38–50.
สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์. (2567). ETDA เผยมูลค่าอีคอมเมิร์ซไทย ปี 66 พุ่งแตะ 5.96 ล้านล้านบาท อุตสาหกรรมประกันภัย โตมากสุด ร้อยละ 31. สืบค้น 9 มกราคม 2568, จากhttps://www.etda.or.th/th/pr-news/Dgt_ecom_survey2024.aspx
สำนักงานส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม. (2562). การส่งเสริม SME ในอุตสาหกรรมเศรษฐกิจดิจิทัล. สืบค้น 9 มกราคม 2568, จากhttps://old.sme.go.th/upload/mod_download/download-20191022080346.pdf
Abro, A. A., Yimer, M. A., & Bhatti, Z. (2020). Identifying the machine learning techniques for classification of target datasets. Sukkur IBA Journal of Computing and Mathematical Sciences, 4(1), 45–52.
Alanadoly, A. & Salem, S. (2022). Fashion involvement, opinion-seeking and product variety as stimulators for fashion e-commerce: An investigated model based on SOR model. Asia Pacific Journal of Marketing and Logistics, 34(10), 2410–2434.
Alenizi, F. (2023). Optimising computational offloading and resource management in online and stochastic fog computing systems. (Doctoral dissertation). England: Cardiff University.
Alfina, Hartini, S., & Mardhiyah, D. (2023). FOMO related consumer behaviour in marketing context: A systematic literature review. Cogent Business & Management, 10(3), 2250033.
Alloghani, M., Al-Jumeily, D., Mustafina, J., Hussain, A., & Aljaaf, A. J. (2020). A Systematic Review on Supervised and Unsupervised Machine Learning Algorithms for Data Scienc: Supervised and Unsupervised Learning for Data Science. DOI:10.1007/978-3-030-22475-2_1
Argan, M. & Argan, M. T. (2019). Toward a new understanding of FoMO:‘Fomsumerism. Pazarlama Teorisi ve Uygulamaları Dergisi, 5(2), 277–302.
Argan, M., Argan, M. T., Aydınoğlu, N. Z., & Özer, A. (2022). The delicate balance of social influences on consumption: A comprehensive model of consumer-centric fear of missing out. Personality and Individual Differences, 194, 111638.
Aung, Y. T. Z. (2020). The Stimulus-Organism-Response (Sor) Framework For Cosmetics Brand Management As Suggested By Consumer Brand Perceptions Stimulated By Logistics-Marketing Mix Antecedents: Implications For New Start-Up Lanadene. Nimitmai Review Journal, 3(2), 36–48.
Badgaiyan, A. J., Verma, A., & Dixit, S. (2016). Impulsive buying tendency: Measuring important relationships with a new perspective and an indigenous scale. IIMB Management Review, 28(4), 186–199.
Balhareth, H., Al-AdwanCorresponding A. S., Alsoud, A. R., Aljaber, O. A., Al-Rahmi, W. M., & Urbaníková, M. (2024). Journey into meta-commerce: unveiling the driving forces of consumer adoption. Global Knowledge, Memory and Communication, 73(1-2). https://doi.org/10.1108/GKMC-05-2024-0307
Becker, L. & Jaakkola, E. (2020). Customer experience: Fundamental premises and implications for research. Journal of the Academy of Marketing Science, 48(4), 630–648.
Begho, T. & Liu, S. (2024). Does social proof and herd behaviour drive food choices of consumers?. British Food Journal, 126(3), 1050–1064.
Bhagat, S. & Kim, D. J. (2023). Examining users’ news sharing behaviour on social media: Role of perception of online civic engagement and dual social influences. Behaviour & Information Technology, 42(8), 1194–1215.
Bigne, E., Chatzipanagiotou, K., & Ruiz, C. (2020). Pictorial content, sequence of conflicting online reviews and consumer decision-making: The stimulus-organism-response model revisited. Journal of Business Research, 115, 403–416.
Chaiwuttisak, P. (2020). Text Mining Analysis of Comments in Thai Language for Depression from Online Social Networks. In Soft Computing for Biomedical Applications and Related Topics (pp. 301–313). New York: Springer.
Chen, S. C., Chung, K. C., & Tsai, M. Y. (2019). How to achieve sustainable development of mobile payment through customer satisfaction—The SOR model. Sustainability, 11(22), 6314.
Choi, H., Kim, J., & Park, J. (2024). Development of a Viewing-Purchase Model for Live Streaming Commerce: A Social Exchange Perspective. International Journal of Human–Computer Interaction, 41(1) 1–18.
Cochran, W. G. (1977). Sampling techniques. New York: John Wiley & Sons
Danny, M., Muhidin, A., & Jamal, A. (2024). Application of the K-Nearest Neighbor Machine Learning Algorithm to Preduct Sales of Best-Selling Products. Brilliance: Research of Artificial Intelligence, 4(1), 255–264.
Dinh, T. C. T. & Lee, Y. (2022). “I want to be as trendy as influencers”–how “fear of missing out” leads to buying intention for products endorsed by social media influencers. Journal of Research in Interactive Marketing, 16(3), 346–364.
Dogan, V. (2019). Why do people experience the fear of missing out (FoMO)? Exposing the link between the self and the FoMO through self-construal. Journal of Cross-Cultural Psychology, 50(4), 524–538.
Dong, X., Liu, H., Xi, N., Liao, J., & Yang, Z. (2024). Short video marketing: What, when and how short-branded videos facilitate consumer engagement. Internet Research, 34(3), 1104–1128.
Erjavec, J. & Manfreda, A. (2022). Online shopping adoption during COVID-19 and social isolation: Extending the UTAUT model with herd behavior. Journal of Retailing and Consumer Services, 65(C), DOI: 10.1016/j.jretconser.2021.102867
Fang, H., Wu, F., Zhao, Z., Duan, X., Zhuang, Y., & Ester, M. (2016). Community-based question answering via heterogeneous social network learning. Thirtieth AAAI Conference on Artificial Intelligence, 30(1). 122-128.
Good, M. C. & Hyman, M. R. (2021). Direct and indirect effects of fear‐of‐missing‐out appeals on purchase likelihood. Journal of Consumer Behaviour, 20(3), 564–576.
Guarnaccia, C., Rasho, A. R., Testé, B., & Delouvée, S. (2024). Beyond the Screen: A Comprehensive Analysis of Emotional Skills and Social Networking in French Young Adults. International Journal of Environmental Research and Public Health, 21(9), 1176.
Hutama, N. Y., Lhaksmana, K. M., & Kurniawan, I. (2020). Text analysis of applicants for personality classification using multinomial naïve bayes and decision tree. Jurnal Infotel, 12(3), 72–81.
Joung, J. & Kim, H. (2023). Interpretable machine learning-based approach for customer segmentation for new product development from online product reviews. International Journal of Information Management, 70, 102641.
Kirana, Y. D. & Al Faraby, S. (2021). Sentiment analysis of beauty product reviews using the K-nearest neighbor (KNN) and TF-IDF methods with chi-square feature selection. Journal of Data Science and Its Applications, 4(1), 31–42.
Laudon, K. C. & Traver, C. G. (2020). E-Commerce 2020-2021: Business, Technology and Society. England: Pearson.
Li, J., Qi, J., Wu, L., Shi, N., Li, X., Zhang, Y., & Zheng, Y. (2021). The continued use of social commerce platforms and psychological anxiety-The roles of influencers, informational incentives and FoMO. International Journal of Environmental Research and Public Health, 18(22), 12254.
Li, X., Zhu, X., Lu, Y., Shi, D., & Deng, W. (2023). Understanding the continuous usage of mobile payment integrated into social media platform: The case of WeChat Pay. Electronic Commerce Research and Applications, 60, 101275.
Marlina, D., Tri Basuki, K., Mohd Zaki, Z., & Siti Farahnasihah, A. (2022). Sentiment analysis on natural skincare products. Journal of Data Science, 2022(12), 1–17.
Mathapati, P. M., Shahapurkar, A. S., & Hanabaratti, K. (2025). Sentiment analysis using Naïve Bayes algorithm. International Journal of Computer Sciences and Engineering. 5(7), 75-77
McKee, P. C., Budnick, C. J., Walters, K. S., & Antonios, I. (2022). College student Fear of Missing Out (FoMO) and maladaptive behavior: Traditional statistical modeling and predictive analysis using machine learning. PLoS One, 17(10), e0274698.
Min, Y. & Tan, C. C. (2022). A Stimulus-Organism-Response (SOR) framework for live streaming commerce with a socio-technical perspective. International Journal of Arts and Social Science, 5(4), 118–140.
Mohammed, M. & Alsunosi, R. (2022). Effect of selecting validation dataset on building random forest and decision tree models. AlQalam Journal of Medical and Applied Sciences, 5(2), 470–478.
Munsaen, S., Chuchuen, C., & Sukphan, J. (2023). Sentiment Analysis on Social Networking: A Case Study of Chiang Mai Tourism. In The 7th TICC International Conference (pp 190–202). Thailand: Chiang Mai.
Naeem, M. (2021). The role of social media to generate social proof as engaged society for stockpiling behaviour of customers during Covid-19 pandemic. Qualitative Market Research: An International Journal, 24(3), 281–301.
Ngah, A. H., Kim, H. D., Hanafiah, R. M., Salleh, N. H. M., Jeevan, J., & Asri, N. M. (2019). Willingness to pay for Halal transportation cost: The Stimulus-organism-response model. International Journal of E-Navigation and Maritime Economy, 12, 11–21.
Oktawiranti, A., Rahmawati, R., Achmad, G. N., & Zainurossalamia, S. (2025). Exploring the factors influencing the intention to use digital banking: The role of resonance FOMO as a moderator. Banks and Bank Systems, 20(1), 161.
Parveen, H., Ajina, A., Habbas, N., Al-Faryan, M. A. S., & Habbas, A. (2022). Buy now or regret later: Social media-induced panic buying of medical supplies during COVID-19. Innovative Marketing, 18(3), 197–206.
Przybylski, A. K., Murayama, K., DeHaan, C. R., & Gladwell, V. (2013). Motivational, emotional, and behavioral correlates of fear of missing out. Computers in Human Behavior, 29(4), 1841–1848.
Putranto, P. (2025). The Application of Behaviorist Theory in Changing FoMO (Fear of Missing Out) Behavior in Generation Z. American Journal of Economic and Management Business (AJEMB), 4(2), 115–123.
Rajaram, S. K., Patra, G. K., Konkimalla, S., Boddapati, V. N., Sarisa, M., Reddy, M. S., & Polimetla, K. (2023a). A Sentiment Analysis of Customer Product Review Based on Machine Learning Techniques in E-Commerce. SSRN Electronic Journal, 2(4), 1-4 5153849.
Renner, A. A. (2020). Customer Engagement and Advertising Message Strategy: An Application of the Stimulus Organism Response Model. (Doctoral dissertation). Ghana: University of Ghana.
Robles-Estrada, C., de la Torre-Enríquez, D. I., & Suástegui-Ochoa, A. A. (2020). The Trust on Social Networks and the Increased Social Commerce: THE FUTURE OF WORK. México: Universidad de Guadalajara.
Satjathanakul, J. & Siriborvornratanakul, T. (2025). Sentiment analysis in product reviews in Thai language. International Journal of Information Technology, 17(4), 1979–1985.
Source of Asia. (2025). E-Commerce Market in Southeast Asia 2025-2026. Retrieved January 22, 2025, from https://www.sourceofasia.com/e-commerce-market-in-southeast-asia-2025-2026/
Statista. (2024). eCommerce-ASEAN. Retrieved October 31, 2025, from https://www.statista.com/outlook/emo/ecommerce/asean
Suyal, M. & Goyal, P. (2022). A review on analysis of k-nearest neighbor classification machine learning algorithms based on supervised learning. International Journal of Engineering Trends and Technology, 70(7), 43–48.
Tandon, A., Dhir, A., Almugren, I., AlNemer, G. N., & Mäntymäki, M. (2021). Fear of missing out (FoMO) among social media users: A systematic literature review, synthesis and framework for future research. Internet Research, 31(3), 782–821.
Tran, V. D., Nguyen, M. D., & Lương, L. A. (2022). The effects of online credible review on brand trust dimensions and willingness to buy: Evidence from Vietnam consumers. Cogent Business & Management, 9(1), 2038840.
Vazquez, E. E., Patel, C., Alvidrez, S., & Siliceo, L. (2023). Images, reviews, and purchase intention on social commerce: The role of mental imagery vividness, cognitive and affective social presence. Journal of Retailing and Consumer Services, 74, 103415.
Vieira, V. A. (2013). Stimuli–organism-response framework: A meta-analytic review in the store environment. Journal of Business Research, 66(9), 1420–1426.
Wagino, Noersasongko, E., Pujiono, P., & Budiman, F. (2024). Exploring Algorithmic Approaches for Emotion Classification in Text. In 2024 International Seminar on Application for Technology of Information and Communication (iSemantic) (pp 547–552). Indonesia: Semarang.
Wu, B., Liu, C. Z., & Zhu, H. (2025). Online creators’ strategic cooperation in two-sided synchronous UGC market: Empirical evidence from a livestreaming platform. Information & Management, 62(2), 104095.
Xu, F., Pan, Z., & Xia, R. (2020). E-commerce product review sentiment classification based on a naïve Bayes continuous learning framework. Information Processing & Management, 57(5), 102221.
Zahoor, N., Ali, A., Yuanqing, X., Ahmed, B., Osman, M., & Navid, Q. (2023). Optimum Load Forecasting Model-Based Intelligent Residential System Using Machine Learning Algorithms. In 2023 2nd International Conference on Emerging Trends in Electrical, Control, and Telecommunication Engineering (ETECTE) (pp 1-7). DOI:10.1109/ETECTE59617.2023.10396808
Zhang, Z., Jiménez, F. R., & Cicala, J. E. (2020). Fear of missing out scale: A self‐concept perspective. Psychology & Marketing, 37(11), 1619–1634.
Zhao, L., Lee, S., & Jeong, S. P. (2021). Decision tree application to classification problems with boosting algorithm. Electronics, 10(16), 1-12.
Zhou, L., Zhang, P., & Zimmermann, H. D. (2013). Social commerce research: An integrated view. Electronic Commerce Research and Applications, 12(2), 61–68.
Zhou, Z. H. (2021). Machine learning. England: Springer nature.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 คณะวิทยาการจัดการ มหาวิทยาลัยราชภัฎพิบูลสงคราม
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์ในวารสารวิทยาการจัดการมหาวิทยาลัยราชภัฏพิบูลสงคราม เป็นลิขสิทธิ์ของ คณะวิทยาการจัดการ มหาวิทยาลัยราชภัฎพิบูลสงคราม บทความที่ลงพิมพ์ใน วารสารวิทยาการจัดการมหาวิทยาลัยราชภัฎพิบูลสงคราม ถือว่าเป็นความเห็นส่วนตัวของผู้เขียน คณะบรรณาธิการไม่จำเป็นต้องเห็นด้วย ผู้เขียนต้องรับผิดชอบต่อบทความของตนเอง
