• เพราะร้านชาบูส่วนใหญ่ที่มีอยู่ในตลาดนั้น มักจะมีแต่ร้านชาบูที่ไม่มีฮาลาล

• ลูกค้าที่นับถือถืออิสลาม มีตัวเลือกในการเลือกกินอาหารประเภทนี้ได้ยาก เพราะมีแต่ที่ไม่มีฮาลาล(ชาบูมีหมู)

• ชาวพุทธที่มีรสนิยมชอบทานเนื้อมากกว่าหมู ร้านนี้จึงเป็นทางเลือกสำหรับคนชอบทานเนื้อ

• ไม่มีโปรโมชั่นดึงดูดลูกค้า

• ไม่มีโปรโมชั่นในช่วงศีลอด หรือ วันสำคัญทางศาสนาอิสลาม

ดังนั้นเราจัดธุรกิจบุฟเฟ่ต์ชาบูฮาลาล ที่อร่อยไม่แพ้กับร้านเจ้าอื่น ๆ

66119991 วิชยุตม์ มีคำ

66106030 บัญชา วาสนสิทธิ

66112806 อภิรักษ์ สายนุ้ย

คำถามทางธุรกิจ:
ลูกค้าของเรามีกี่กลุ่มพฤติกรรมหลัก?
กลุ่มไหนคือกลุ่มที่มีมูลค่าสูงแต่เริ่มลดการซื้อ?
จะออกแบบโปรโมชั่นเฉพาะกลุ่มให้เกิด Conversion ได้อย่างไร?

สมาชิก:

66109919 เลอฤทธิ์ ภูกำพล

66108390 เพชรากร ฉิมแก้ว​

66116823 ภราดร ทองดี

66121922 ปัณณวรรธ ชูสุวรรณ​

66126954 สุทธิรักษ์ อัศวอัจฉริยะกุล

• โปรโมชั่นเฉพาะกลุ่ม:

• นักศึกษา: ส่วนลดน้ำรีฟิลฟรีในวันธรรมดา

• ครอบครัว: ฟรีไอศกรีมเด็ก/ส่วนลดวันเกิด

• สายบุฟเฟต์หนัก: แจกคูปอง 50 บาท เมื่อมากัน 5+

• ลูกค้าใหม่: ส่วนลด 10% หากกลับมาภายใน 30 วัน

• สร้าง Dashboard สำหรับดูความถี่ในการกลับมาใช้บริการรายสัปดาห์

• วัดผล:

• ความถี่ลูกค้าเพิ่มขึ้นหรือไม่

• ยอดขายต่อเดือนเพิ่มขึ้นหรือไม่

66104266 ธนกฤต ศรีจรุง

66115825 ภานุวิชญ์ บุญมีมาก

66130600 ชมพูนุท มีแก้ว

66109067 ภูรพัฒน์ ชุมชู

ในขั้นตอนนี้ ธุรกิจฟิตเนสต้องการแก้ปัญหาการรักษาฐานลูกค้าเก่าและเพิ่มการมีส่วนร่วมของลูกค้า (Customer Engagement) ซึ่งเป็นหัวใจสำคัญของ CRM

• ปัญหาทางธุรกิจ (Business Problem): ลูกค้าบางกลุ่มมาใช้บริการน้อยลงหลังจากสมัครสมาชิกไปได้ระยะหนึ่ง และมีอัตราการต่ออายุสมาชิกต่ำ (Low Renewal Rate) ทำให้ธุรกิจสูญเสียรายได้และไม่สามารถสร้างความสัมพันธ์ระยะยาวกับลูกค้าได้

• เป้าหมายของการทำเหมืองข้อมูล (Data Mining Goal): เพื่อแบ่งกลุ่มลูกค้าตามพฤติกรรมการใช้งานฟิตเนส ความสนใจ และข้อมูลส่วนตัว เพื่อให้สามารถออกแบบแคมเปญการตลาดและโปรแกรมการดูแลลูกค้า (CRM) ที่เหมาะสมกับแต่ละกลุ่มได้ เช่น กลุ่มที่ใกล้จะเลิกใช้บริการ กลุ่มลูกค้าประจำ หรือกลุ่มที่สนใจคลาสเรียนพิเศษ

66120411 ธีรภัทร กมลดี

66117870 นยสิทธิ์ พรมงาม

66115502 พงศภัค เวชกุล

66113218 อัศนัย ราชรักษ์

66121252 ฟัครี หลังยาหน่าย

ใช้ Silhouette Score เพื่อประเมินคุณภาพของกลุ่ม (พบว่าค่ามากกว่า 0.5 ถือว่าดี)

วิเคราะห์ความสอดคล้องของแต่ละกลุ่มกับข้อมูลเชิงพฤติกรรม เช่น

กลุ่ม 3 มี RFM สูงจริงหรือไม่

กลุ่ม 4 ควรได้รับแคมเปญเรียกคืนไหม

ผลที่ได้:

กลุ่มลูกค้าชัดเจน

CRM สามารถกำหนดโปรโมชั่นเฉพาะได้

66109919 เลอฤทธิ์ ภูกำพล

66108390 เพชรากร ฉิมแก้ว​

66116823 ภราดร ทองดี

66121922 ปัณณวรรธ ชูสุวรรณ​

66126954 สุทธิรักษ์ อัศวอัจฉริยะกุล

66103540 ณัฐภัทร พรมมล

66116914 กฤษณพงศ์ สุวรรณหงส์

66119355 อารียา ค้าสุวรรณ

66121872 อภิรักษ์ คนึงการ

66121328 รุซดาน หลำสะ

66103540 ณัฐภัทร พรมมล

66116914 กฤษณพงศ์ สุวรรณหงส์

66119355 อารียา ค้าสุวรรณ

66121872 อภิรักษ์ คนึงการ

66121328 รุซดาน หลำสะ

• ให้เจ้าของร้านตรวจสอบว่า:

• กลุ่มที่ได้ตรงกับความเป็นจริงหรือไม่

• มีข้อมูลผิดปกติหรือไม่ (ลูกค้าที่จ่ายสูงแต่มาแค่ครั้งเดียว)

• หากจำเป็น ปรับจำนวน k ใหม่ หรือ Feature ใหม่ เช่น ระยะเวลาการนั่งโต๊ะ

66104266 ธนกฤต ศรีจรุง

66115825 ภานุวิชญ์ บุญมีมาก

66130600 ชมพูนุท มีแก้ว

66109067 ภูริพัฒน์ ชุมชู

ผลลัพธ์การแบ่งกลุ่มลูกค้า :

กลุ่ม 1 - ลูกค้าใหม่/ซื้อน้อย,ซื้อครั้งเดียว ราคาต่ำ

กลุ่ม 2 - ลูกค้ากระตือรือร้น,ซื้อบ่อย ราคาปานกลาง

กลุ่ม 3 - ลูกค้าขาประจำ,ซื้อบ่อย ราคาสูง

กลุ่ม 4 - ลูกค้าเงียบหาย,เคยซื้อเยอะ แต่หายไป

66109919 เลอฤทธิ์ ภูกำพล

66108390 เพชรากร ฉิมแก้ว​

66116823 ภราดร ทองดี

66121922 ปัณณวรรธ ชูสุวรรณ​

66126954 สุทธิรักษ์ อัศวอัจฉริยะกุล

• ชื่อลูกค้า/เบอร์โทร (สำหรับ LINE CRM)

• จำนวนครั้งที่มาทาน/เดือน

• จำนวนคนที่มาด้วย (ต่อบิล)

• ยอดใช้จ่ายต่อบิล

• วันที่มา

• ความถี่ในการมา

• เวลาเข้าร้าน (กลางวัน/เย็น)

• ข้อเสนอพิเศษที่เคยรับ เช่น ส่วนลด 10%, วันเกิด

การสำรวจข้อมูล:

66104266 ธนกฤต ศรีจรุง

66115825 ภานุวิชญ์ บุญมีมาก

66130600 ชมพูนุท มีแก้ว

66109067 ภูรพัฒน์ ชุมชู

• พบว่า 60% มากับเพื่อน, 30% มากับครอบครัว, 10% มากเดี่ยว

• ค่าเฉลี่ยต่อบิล 550 บาท

• กลุ่มนักศึกษาใช้จ่ายเฉลี่ย 400-500 บาท

• กลุ่มครอบครัวใช้จ่ายเฉลี่ย 700-1000 บาท

อายุ, เพศ

ประเภทสมาชิก (รายเดือน, รายปี)

จำนวนครั้งที่เข้าใช้แอปใน 30 วันที่ผ่านมา

คะแนนความพึงพอใจจากแบบสอบถาม

การใช้งานฟีเจอร์หลัก (เช่น ดูวิดีโอ, เข้าร่วมคลาสออนไลน์)

สถานะการใช้งาน (ยังเป็นสมาชิก / ยกเลิกแล้ว)

การสำรวจ:

ลูกค้าส่วนใหญ่ที่ยกเลิกมีการใช้งานลดลงในเดือนสุดท้าย

ลูกค้าที่เลือกแบบรายเดือนมีแนวโน้มยกเลิกสูงกว่ารายปี

66120411 ธีรภัทร กมลดี

66117870 นยสิทธิ์ พรมงาม

66115502 พงศภัค เวชกุล

66113218 อัศนัย ราชรักษ์

66121252 ฟัครี หลังยาหน่าย

66103540 ณัฐภัทร พรมมล

66116914 กฤษณพงศ์ สุวรรณหงส์

66119355 อารียา ค้าสุวรรณ

66121872 อภิรักษ์ คนึงการ

66121328 รุซดาน หลำสะ

• เติม Missing เช่น เบอร์โทรผิดพลาด/ขาด ใช้ค่า Default “Unknown”

• สร้าง Feature ใหม่:
  

  • Recency = วันที่มาครั้งล่าสุด

  • Frequency = จำนวนครั้งที่มา

  • Monetary = ยอดใช้จ่ายรวม

  • GroupSizeAvg = ขนาดกลุ่มโดยเฉลี่ย

• 
  

• Normalize Feature สำหรับใช้กับ K-Means

• Encode categorical เช่น เวลากลางวัน/เย็น = 0/1

66104266 ธนกฤต ศรีจรุง

66115825 ภานุวิชญ์ บุญมีมาก

66130600 ชมพูนุท มีแก้ว

66109067 ภูรพัฒน์ ชุมชู

1.สินค้าขายไม่ออก

2.ลูกค้าไม่กลับมาซื้อซ้ำ

3.ไม่รู้กลุ่มเป้าหมาย

4.ยอดขายตก

เป้าหมายของธุรกิจ

ขายเสื้อผ้าให้ได้กำไร

สร้างแบรนด์ให้คนจดจำ

มีฐานลูกค้าประจำ

ตอบสนองเทรนด์แฟชั่นอย่างรวดเร็ว

วัตถุประสงค์

1.ต้องการแบ่งกลุ่มลูกค้า เช่น เพศ

2.ต้องการทราบถึงปัญหาทางการตลาดคืออะไร

ช่วยแก้ปัญหา

-ต้องการเพิ่มยอดขายโดยรู้ว่าลูกค้ากลุ่มไหนมีแนวโน้มซื้อมากที่สุด

66104548  ธรากร คมพจน์

66104498  ธนากร มาใหญ่

66105370  นลินี แซ่ภู่

66104878  ธิดามาศ ศรีชาย

66104951 ธีรพงษ์ แก้วช่วย

66103540 ณัฐภัทร พรมมล

66116914 กฤษณพงศ์ สุวรรณหงส์

66119355 อารียา ค้าสุวรรณ

66121872 อภิรักษ์ คนึงการ

66121328 รุซดาน หลำสะ

ร้านขายเครื่องสำอางออนไลน์มีฐานลูกค้าจำนวนมาก แต่เริ่มประสบปัญหายอดขายนิ่ง ลูกค้าซื้อเพียงครั้งเดียวแล้วหายไป และต้นทุนการทำการตลาดสูง เพราะส่งโปรโมชันไปแบบเดียวกันทั้งหมด

เป้าหมายของโครงการ :

ต้องการใช้ข้อมูลลูกค้าที่มีอยู่ เพื่อ แบ่งกลุ่มลูกค้า (Customer Segmentation) ตามพฤติกรรม เช่น ความถี่ในการซื้อ ยอดใช้จ่าย และการกลับมาซื้อซ้ำ เพื่อออกแบบแผน CRM ที่เหมาะสมกับแต่ละกลุ่ม

66112194 สุภัคสิรี เชษฐวรรณสิทธิ์

66101999 ชนัญชิดา สมนวน

66109240 มาริสา วัตรุจีกฤต

66114968 ธีรเมธ ดับปาล

66113630 ฮานีซ หัสราม

66103540 ณัฐภัทร พรมมล

66116914 กฤษณพงศ์ สุวรรณหงส์

66119355 อารียา ค้าสุวรรณ

66121872 อภิรักษ์ คนึงการ

66121328 รุซดาน หลำสะ

• ปัญหา:
  

  • ร้านต้องการรักษาฐานลูกค้าและเพิ่มยอดเฉลี่ยต่อเดือน

  • ต้องการให้ลูกค้ากลับมาซ้ำบ่อยขึ้น

• 
  

• เป้าหมาย:
  

  • แบ่งลูกค้าเป็นกลุ่มเพื่อนำเสนอโปรโมชั่นเฉพาะกลุ่ม เช่น กลุ่มนักศึกษา = ส่วนลดน้ำรีฟิล, กลุ่มครอบครัว = ฟรีไอศกรีมเด็ก

• 
  

  
  

  • เพิ่มความถี่ในการกลับมาใช้บริการ 10% ใน 3 เดือน

  • เพิ่มรายได้เฉลี่ยต่อหัว 5%

• 66104266 ธนกฤต ศรีจรุง

  66115825 ภานุวิชญ์ บุญมีมาก

  66130600 ชมพูนุท มีแก้ว

  66109067 ภูรพัฒน์ ชุมชู

• ผลลัพธ์เช่น:

• Cluster 0: “นักศึกษา” - มาบ่อย, จ่ายไม่สูง, มากัน 2-4 คน

• Cluster 1: “ครอบครัว” - มาน้อยครั้ง, จ่ายสูง, มากัน 4-6 คน

• Cluster 2: “สายบุฟเฟต์หนัก” - มาบ่อย, มากันเยอะ 8+, ใช้โปรโมชั่น

• Cluster 3: “ลูกค้าใหม่” - มา 1-2 ครั้ง, ยังไม่กลับมา

66104266 ธนกฤต ศรีจรุง

66115825 ภานุวิชญ์ บุญมีมาก

66130600 ชมพูนุท มีแก้ว

66109067 ภูริพัฒน์ ชุมชู

ข้อมูลคำสั่งซื้อย้อนหลัง 1 ปี (Order history)

ข้อมูลลูกค้า (Customer profile)

พฤติกรรมการเข้าใช้งานเว็บไซต์ (web logs)

ตัวแปรสำคัญ (ข้อมูลจำลองที่ใช้วิเคราะห์)

CustomerID: รหัสลูกค้า

TotalSpend: ยอดใช้จ่ายรวมตลอดทั้งปี (หน่วย: บาท)

PurchaseFrequency: ความถี่ในการซื้อสินค้า (หน่วย: ครั้งต่อเดือน)

LastPurchaseDays: จำนวนวันที่ผ่านมาแล้วนับจากการซื้อครั้งล่าสุด

ProductCategories: จำนวนหมวดหมู่สินค้าที่ลูกค้าเคยซื้อในรอบปี

Insight เบื้องต้นที่ค้นพบ

พบว่าลูกค้าจำนวนมากซื้อสินค้าเพียง 1–2 ครั้งต่อปี

มีลูกค้ากลุ่มเล็กที่มียอดใช้จ่ายรวมสูงมากเมื่อเทียบกับกลุ่มอื่น

66109919 เลอฤทธิ์ ภูกำพล

66108390 เพชรากร ฉิมแก้ว

66116823 ภราดร ทองดี

66121922 ปัณณวรรธ ชูสุวรรณ

66126954 สุทธิรักษ์ อัศวอัจฉริยะกุล

66103540 ณัฐภัทร พรมมล

66116914 กฤษณพงศ์ สุวรรณหงส์

66119355 อารียา ค้าสุวรรณ

66121872 อภิรักษ์ คนึงการ

66121328 รุซดาน หลำสะ

66110446-วาเลน

66122987 ปณชัย นาคิน

66119140 อมรฤทธิ์ ฤทธิพันธ์

ส่งออกผลการแบ่งกลุ่มเข้า CRM system
กลุ่ม 3 → ส่งของขวัญ / โปรแกรมสะสมแต้ม
กลุ่ม 4 → ส่งอีเมลกระตุ้นกลับมา / ส่วนลดพิเศษ
กลุ่ม 1 → ส่ง Welcome offer
กลุ่ม 2 → กระตุ้นให้สมัครสมาชิก

การติดตามผล:
ติดตาม Conversion rate แยกตามกลุ่ม
วัดผลลัพธ์จากแคมเปญ CRM เป็นรายเดือน

สมาชิก:

66109919 เลอฤทธิ์ ภูกำพล

66108390 เพชรากร ฉิมแก้ว​

66116823 ภราดร ทองดี

66121922 ปัณณวรรธ ชูสุวรรณ​

66126954 สุทธิรักษ์ อัศวอัจฉริยะกุล

เป้าหมายทางธุรกิจ: ต้องการเพิ่มยอดขายโดย ส่งโปรโมชันเฉพาะกลุ่ม ที่ตรงกับความสนใจของลูกค้า

66109794 รุจิรา คงยัง

66116302 เศรษฐโสฬส จันเมธา

• วันสำคัญทางศาสนาอิสลาม

• ข้อมูลความนิยมในการเลือกวัตถุดิบ เพื่อใช้ประกอบอาหารบุฟเฟ่ต์

• เครื่องดื่มที่สอดคล้องกับกระแสความนิยม เช่น มีทั้งแบบโซดาซ่าๆ, สายรักสุขภาพ

• ที่ตั้งร้าน เช่น จัดตั้งในพื้นที่ที่มีประชากรสัดส่วน พุทธ:อิสลาม ที่ 7:3 เพื่อให้เอื้อต่อลูกค้าในกลุ่มศาสนาอิสลาม และกลุ่มพุทธที่มีรสนิยมชอบทานเนื้อ

• วัตถุดิบที่อิสลามทานได้

  
  

66119991 วิชยุตม์ มีคำ

66106030 บัญชา วาสนสิทธิ

66112806 อภิรักษ์ สายนุ้ย

• ข้อมูลพฤติกรรมการซื้อ:

• ความถี่ในการสั่งซื้อ (Frequency)

• ยอดรวมการใช้จ่าย (Monetary)

• วันที่ซื้อครั้งล่าสุด (Recency)

• ข้อมูลส่วนบุคคล:

• อายุ

• เพศ

• ช่องทางที่ใช้งาน เช่น Line, Email

สิ่งที่ทำในขั้นตอนนี้ :

• ตรวจสอบว่าข้อมูลครบหรือไม่ (มี missing หรือไม่)

• ดูภาพรวมของลูกค้า เช่น

• ลูกค้าซื้อถี่แค่ไหน?

• ใครคือกลุ่มที่ใช้จ่ายมาก?

• ประเมินความเหมาะสมของข้อมูลเพื่อนำไปใช้ในการแบ่งกลุ่ม

66112194 สุภัคสิรี เชษฐวรรณสิทธิ์

66101999 ชนัญชิดา สมนวน

66109240 มาริสา วัตรุจีกฤต

66114968 ธีรเมธ ดับปาล

66113630 ฮานีซ หัสราม

-เพราะลูกค้าที่มาพักมีหลายประเภท เช่น นักท่องเที่ยว นักธุรกิจ ครอบครัว

-โปรโมชันเดิมใช้กับลูกค้าทุกกลุ่มแบบเดียวกัน ทำให้ผลตอบรับไม่ดี

-ต้องการแบ่งกลุ่มลูกค้าเพื่อส่งแคมเปญให้ตรงกลุ่ม เช่น Long stay, นักธุรกิจ, สายโปร

-ลูกค้าประจำมักจองซ้ำทางแอปหรือเว็บ แต่กลุ่มใหม่จองผ่านเอเจนซี่

-ตั้งเป้าให้ยอดจองซ้ำเพิ่มขึ้น และลูกค้าได้รับประสบการณ์ที่เหมาะสมกับกลุ่มตนเอง

66111998 สุทธิกานต์ ศักดา

66112459 หทัยภัทร อยู่พัฒน์

* ข้อมูลการสมัครสมาชิก: ID ผู้ใช้, ประเภทแพ็กเกจ, ราคา, วันที่สมัคร, วันที่ยกเลิก (ถ้ามี), วิธีการชำระเงิน

* ข้อมูลประชากร: อายุ, เพศ, ที่อยู่ (จากข้อมูลที่ลูกค้าให้ไว้)

* ข้อมูลพฤติกรรมการรับชม:

* จำนวนชั่วโมงที่รับชมต่อเดือน/สัปดาห์

* ความถี่ในการเข้าใช้แพลตฟอร์ม

* ประเภทของเนื้อหาที่รับชม (หนัง, ซีรีส์, สารคดี, เด็ก)

* หมวดหมู่เนื้อหายอดนิยม

* ชื่อเรื่องที่รับชมล่าสุด

* อุปกรณ์ที่ใช้รับชม (มือถือ, แท็บเล็ต, สมาร์ททีวี)

* ประวัติการการดู (abandonment rate)

66110446-วาเลน

66122987 ปณชัย นาคิน

66119140 อมรฤทธิ์ ฤทธิพันธ์

สร้างฟีเจอร์ใหม่:
‎Recency = LastPurchaseDays
‎Frequency = PurchaseFrequency
‎Monetary = TotalSpend
‎(เรียกว่า RFM Model)

Normalization:
‎ปรับค่าทุกฟีเจอร์ให้อยู่ในสเกลเดียวกันเพื่อใช้กับ K-means clustering

สมาชิก:

66109919 เลอฤทธิ์ ภูกำพล

66108390 เพชรากร ฉิมแก้ว​

66116823 ภราดร ทองดี

66121922 ปัณณวรรธ ชูสุวรรณ​

66126954 สุทธิรักษ์ อัศวอัจฉริยะกุล

นำผลการวิเคราะห์ไปใช้ในธุรกิจ:

ทีมการตลาดนำข้อมูลกลุ่มลูกค้าไปออกแบบแคมเปญ CRM เช่น:

• กลุ่ม VIP → ส่งโปรสุดพิเศษ, ของแถม, คูปอง

• กลุ่มลูกค้าหายไป → ส่งส่วนลดเพื่อดึงกลับ

• กลุ่มลูกค้าใหม่ → ส่งอีเมลแนะนำสินค้า

อัปเดตระบบ CRM:

• แสดงกลุ่มของลูกค้าแต่ละรายบนระบบหลังบ้าน

• วางแผนทำซ้ำเป็นรายไตรมาสเพื่ออัปเดตพฤติกรรมลูกค้า

ติดตามผลลัพธ์:

• วิเคราะห์ว่ากลุ่มใดตอบสนองต่อแคมเปญ

• ปรับกลยุทธ์ CRM ตามข้อมูลใหม่

66112194 สุภัคสิรี เชษฐวรรณสิทธิ์

66101999 ชนัญชิดา สมนวน

66109240 มาริสา วัตรุจีกฤต

66114968 ธีรเมธ ดับปาล

66113630 ฮานีซ หัสราม

นำข้อมูล RFM ที่เตรียมไว้มาใช้สร้างโมเดลด้วยเทคนิค Clustering (การแบ่งกลุ่ม):

• ใช้ K-Means Clustering แบ่งลูกค้าออกเป็นกลุ่มตามพฤติกรรมการซื้อ

• ทดลองค่า K (จำนวนกลุ่ม) เช่น K = 3, 4, 5 แล้วดูผลลัพธ์

• ตัวอย่างผลลัพธ์:

• กลุ่ม 1: ลูกค้า VIP – ซื้อบ่อย ใช้จ่ายสูง

• กลุ่ม 2: ลูกค้าใหม่ – ซื้อครั้งเดียว

• กลุ่ม 3: ลูกค้าหายไป – เคยซื้อแต่เงียบไปนาน

66112194 สุภัคสิรี เชษฐวรรณสิทธิ์

66101999 ชนัญชิดา สมนวน

66109240 มาริสา วัตรุจีกฤต

66114968 ธีรเมธ ดับปาล

66113630 ฮานีซ หัสราม

66104548  ธรากร คมพจน์

66104498  ธนากร มาใหญ่

66105370  นลินี แซ่ภู่

66104878  ธิดามาศ ศรีชาย

66104951 ธีรพงษ์ แก้วช่วย

• คัดเลือกเฉพาะฟีเจอร์ที่เกี่ยวข้อง เช่น Recency, Frequency, Monetary (RFM)

• ล้างข้อมูล (Cleaning):

• ลบข้อมูลซ้ำ

• เติมค่าที่หาย (เช่น วันที่ซื้อครั้งล่าสุด)

• แปลงข้อมูล (Transformation):

• สร้างตัวแปรใหม่ เช่น “ระยะเวลาห่างจากการซื้อครั้งล่าสุด (Recency)” จากวันที่ปัจจุบัน

• แปลงค่าตัวเลขให้เหมาะสม เช่น scaling

• รวมข้อมูล (Integration):

• เชื่อมข้อมูลจากหลายแหล่ง เช่น เว็บ, แอป, Line OA

• จัดรูปแบบ (Formatting):

• ทำให้ข้อมูลอยู่ในรูปแบบที่พร้อมใส่เข้าโมเดล เช่น CSV หรือ DataFrame

66112194 สุภัคสิรี เชษฐวรรณสิทธิ์

66101999 ชนัญชิดา สมนวน

66109240 มาริสา วัตรุจีกฤต

66114968 ธีรเมธ ดับปาล

66113630 ฮานีซ หัสราม

• วันสำคัญทางศาสนาอิสลาม

• ข้อมูลความนิยมในการเลือกวัตถุดิบ เพื่อใช้ประกอบอาหารบุฟเฟ่ต์

• เครื่องดื่มที่สอดคล้องกับกระแสความนิยม เช่น มีทั้งแบบโซดาซ่าๆ, สายรักสุขภาพ

• ที่ตั้งร้าน เช่น จัดตั้งในพื้นที่ที่มีประชากรสัดส่วน พุทธ:อิสลาม ที่ 7:3 เพื่อให้เอื้อต่อลูกค้าในกลุ่มศาสนาอิสลาม และกลุ่มพุทธที่มีรสนิยมชอบทานเนื้อ

• วัตถุดิบที่อิสลามทานได้

  
  

66119991 วิชยุตม์ มีคำ

66106030 บัญชา วาสนสิทธิ

66112806 อภิรักษ์ สายนุ้ย

-ประเภทห้องที่ลูกค้าเลือกบ่อย

-จำนวนคืนที่เข้าพัก

-ช่วงวัน/เวลาในการจอง (เช่น เสาร์-อาทิตย์, วันธรรมดา)

-ช่องทางการจอง (แอป, เว็บ, โทร)

-ใช้บริการอื่นๆ เพิ่มเติม เช่น Spa, อาหารเช้า

-จองล่วงหน้านานแค่ไหน

-ข้อมูลสมาชิก เช่น อีเมล, อายุ, เพศ

66111998 สุทธิกานต์ ศักดา

66112459 หทัยภัทร อยู่พัฒน์

2.ล้างข้อมูล ลบข้อมูลซ้ำ/ข้อมูลผิด เช่นลบแถวที่มีชื่อซ้ำกัน

3.จัดรูปแบบข้อมูล เช่นกรจัดรูปแบบให้อยู่ในแบบเดียวกัน

4.การรวมข้อมูลหลายแหล่งหลายช่องทางเข้าไว้ด้วยกัน เช่นรวมข้อมูลหน้าร้านและออนไลน์ให้เป็นหนึ่งเดียว

66104548  ธรากร คมพจน์

66104498  ธนากร มาใหญ่

66105370  นลินี แซ่ภู่

66104878  ธิดามาศ ศรีชาย

66104951 ธีรพงษ์ แก้วช่วย

ตรวจสอบความสมเหตุสมผลของแต่ละกลุ่ม:

• กลุ่มต่างกันชัดเจนหรือไม่?

• มีจำนวนลูกค้าในแต่ละกลุ่มพอเหมาะหรือไม่?

ตรวจสอบกับเป้าหมายทางธุรกิจ:

• โมเดลสามารถช่วยทีมการตลาดระบุว่าควรส่งโปรฯ แบบไหนให้กลุ่มใดหรือไม่

• ตอบคำถามทางธุรกิจ เช่น “ควรลงทุนกับลูกค้ากลุ่มใด?”

66112194 สุภัคสิรี เชษฐวรรณสิทธิ์

66101999 ชนัญชิดา สมนวน

66109240 มาริสา วัตรุจีกฤต

66114968 ธีรเมธ ดับปาล

66113630 ฮานีซ หัสราม

เลือกเฉพาะข้อมูลที่เกี่ยวข้องกับการทำนายการยกเลิกการสมัครสมาชิก (เช่น ข้อมูลผู้ใช้ปัจจุบันและผู้ใช้ที่ยกเลิกไปแล้วในช่วง 6-12 เดือนที่ผ่านมา)

* อาจเลือกข้อมูลจากช่วงเวลาที่เฉพาะเจาะจงเพื่อวิเคราะห์แนวโน้มล่าสุด

* ทำความสะอาดข้อมูล:

* จัดการกับค่าที่ขาดหายไป: อาจใช้วิธีการลบแถว, เติมค่าเฉลี่ย/มัธยฐาน/โหมด, หรือใช้โมเดลมาช่วยเติม

* แก้ไขข้อมูลที่ไม่ถูกต้อง/ไม่สอดคล้องกัน: เช่น แก้ไขข้อมูลเวลาการรับชมที่ผิดพลาด

* จัดการกับค่าผิดปกติ (Outliers) ที่อาจส่งผลต่อความแม่นยำของโมเดล (เช่น ผู้ใช้ที่ดูหนัง 24 ชม./วัน)

* สร้างข้อมูล (Construct Data):

* สร้างตัวแปรใหม่ (Feature Engineering) ที่เป็นประโยชน์ต่อการทำนาย เช่น:

* Recency of last view: จำนวนวันที่ผ่านมาจากการดูครั้งสุดท้าย

* Frequency of login: ความถี่ในการเข้าสู่ระบบ

* Average watch time per session: เวลาดูเฉลี่ยต่อครั้ง

* Variety of content watched: จำนวนประเภท/หมวดหมู่เนื้อหาที่แตกต่างกันที่รับชม

* Interaction with platform features: (เช่น การใช้ watchlist, การให้คะแนน)

* Churn score from previous periods: (ถ้ามี)

* รวมข้อมูลการใช้งาน การสมัครสมาชิก และข้อมูลบริการลูกค้าเข้าด้วยกัน

* จัดรูปแบบข้อมูล (Format Data):

* แปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสมกับเทคนิคการสร้างแบบจำลอง (เช่น การเข้ารหัสข้อมูลหมวดหมู่ (One-Hot Encoding), การปรับขนาดข้อมูลตัวเลข (Scaling/Normalization) สำหรับตัวแปรเชิงปริมาณ)

* สร้างตัวแปรเป้าหมาย (Target Variable) สำหรับการทำนายการยกเลิกบริการ: เช่น "1" ถ้าลูกค้ายกเลิกการสมัครสมาชิก และ "0" ถ้ายังใช้บริการอยู่

66110446-วาเลน

66122987 ปณชัย นาคิน

66119140 อมรฤทธิ์ ฤทธิพันธ์

ข้อมูลทั่วไป : เพศ อายุ จังหวัด

พฤติกรรมการซื้อ:

• ราคาที่มักซื้อ

• ประเภทเสื้อผ้า

• ความถี่ในการสั่งซื้อ

• ช่องทางการสั่งซื้อ

66109794 รุจิรา คงยัง

66116302 เศรษฐโสฬส จันเมธา

ฟิตเนสจะรวบรวมข้อมูลจากแหล่งต่างๆ ที่มีอยู่ เพื่อดูว่าข้อมูลใดบ้างที่สามารถนำมาใช้วิเคราะห์เพื่อแบ่งกลุ่มลูกค้าได้

การรวบรวมข้อมูล (Data Collection):

• ข้อมูลการสมัครสมาชิก (Membership Data): ชื่อ, อายุ, เพศ, ที่อยู่, ประเภทสมาชิก (รายเดือน/รายปี), วันที่เริ่มสมัคร

• ข้อมูลการเข้าใช้บริการ (Check-in Data): วันและเวลาที่มาใช้บริการ, ความถี่ในการมาใช้บริการต่อสัปดาห์/เดือน

• ข้อมูลการใช้บริการเสริม (Ancillary Service Data): การลงทะเบียนเข้าคลาสต่างๆ (โยคะ, ปั่นจักรยาน, มวยไทย), การใช้บริการเทรนเนอร์ส่วนตัว (PT), การซื้อสินค้า (อาหารเสริม, อุปกรณ์)

• ข้อมูลจากแอปพลิเคชัน (Application Data): ข้อมูลการจองคลาส, การตั้งเป้าหมายการออกกำลังกาย, การบันทึกกิจกรรม

• การสำรวจข้อมูลเบื้องต้น (Exploratory Data Analysis - EDA):

• วิเคราะห์ดูว่าลูกค้าส่วนใหญ่มีอายุเท่าไหร่ เพศอะไร

• หาค่าเฉลี่ยความถี่ในการเข้าใช้บริการ

• สำรวจว่าคลาสเรียนใดได้รับความนิยมสูงสุด

• ดูแนวโน้มการเข้าใช้บริการในช่วงเวลาต่างๆ ของวัน

66120411 ธีรภัทร กมลดี

66117870 นยสิทธิ์ พรมงาม

66115502 พงศภัค เวชกุล

66113218 อัศนัย ราชรักษ์

66121252 ฟัครี หลังยาหน่าย

66110446-วาเลน

66122987 ปณชัย นาคิน

66119140 อมรฤทธิ์ ฤทธิพันธ์

หลังจากที่โมเดลแบ่งกลุ่มลูกค้าออกมาแล้ว เราต้องมาประเมินว่ากลุ่มที่ได้มานั้นมีความหมายและสามารถนำไปใช้ประโยชน์ได้จริงหรือไม่

• การประเมินเชิงเทคนิค: ใช้ค่าทางสถิติเพื่อดูว่าแต่ละกลุ่มมีความแตกต่างกันชัดเจนหรือไม่ (เช่น Silhouette Score)

การประเมินเชิงธุรกิจ:

• ตั้งชื่อและตีความแต่ละกลุ่ม: วิเคราะห์ลักษณะเด่นของลูกค้าในแต่ละกลุ่ม เช่น

• กลุ่ม 1: Loyal Lifers (ลูกค้าภักดี): อายุ 30-45 ปี, มาใช้บริการสม่ำเสมอ >3 ครั้ง/สัปดาห์, เข้าร่วมคลาสหลากหลาย, มีแนวโน้มซื้อบริการ PT

• กลุ่ม 2: Social Butterflies (สายสังคม/คลาส): อายุ 20-30 ปี, มาบ่อยช่วงเย็น, เน้นเข้าคลาสกลุ่มเป็นหลัก (โยคะ, เต้น), ไม่ค่อยใช้อุปกรณ์ Weight Training

• กลุ่ม 3: At-Risk Members (กลุ่มเสี่ยง): มาใช้บริการน้อยกว่า 1 ครั้ง/เดือน, ไม่เคยเข้าคลาสหรือใช้บริการเสริม, เป็นสมาชิกมานานแต่ความถี่ลดลงเรื่อยๆ

• กลุ่ม 4: New Joiners (สมาชิกใหม่): เพิ่งสมัครสมาชิกได้ไม่เกิน 3 เดือน, กำลังอยู่ในช่วงเรียนรู้และทดลองใช้บริการต่างๆ

• ตรวจสอบความสมเหตุสมผล: กลุ่มที่ได้มาสอดคล้องกับความเข้าใจในธุรกิจหรือไม่? สามารถนำไปวางแผนการตลาดต่อได้จริงหรือไม่?

  
  

  66120411 ธีรภัทร กมลดี

  66117870 นยสิทธิ์ พรมงาม

  66115502 พงศภัค เวชกุล

  66113218 อัศนัย ราชรักษ์

  66121252 ฟัครี หลังยาหน่าย

66110446-วาเลน

66122987 ปณชัย นาคิน

66119140 อมรฤทธิ์ ฤทธิพันธ์

66110446-วาเลน

66122987 ปณชัย นาคิน

66119140 อมรฤทธิ์ ฤทธิพันธ์

ในแต่ละกลุ่ม จะแบ่งไปตามศาสนาที่นับถือ

กลุ่ม 1: พุทธ

1. เนื้อที่สั่งบ่อย

2. รักสุขภาพ

3. มังสวิรัติ

4. เนื้อไร้น้ำมัน ไขมันต่ำ

5. อาหารทะเล

6. ของหวาน

กลุ่ม 2: อิสลาม

1. เนื้อที่สั่งบ่อย

2. รักสุขภาพ

3. มังสวิรัติ

4. เนื้อไร้น้ำมัน ไขมันต่ำ

5. อาหารทะเล

6. ของหวาน

นอกจากศาสนาแล้ว แต่ละกลุ่ม ยังแบ่งย่อยไปอีกว่าเช่น

• ความถี่ในการเข้าร้าน

• ระยะเวลาที่นั่งทาน จำกัดหรือไม่จำกัด

• การเลือกโปรโมชั่น

• เวลาที่เข้ารับประทาน

66119991 วิชยุตม์ มีคำ

66106030 บัญชา วาสนสิทธิ

66112806 อภิรักษ์ สายนุ้ย

1. เลือกวิธีจัดกลุ่ม:

• คิดง่ายๆ: สำหรับธุรกิจเสื้อผ้า เราอยากรู้ว่าใครคือ "ลูกค้าดีๆ", "ลูกค้าใหม่", "ลูกค้าที่หายไป" หรือ "ลูกค้าที่นานๆ ซื้อที"

• วิธีที่ใช้บ่อย:

  • RFM (Recency, Frequency, Monetary): ดูจาก R (ซื้อล่าสุดเมื่อไหร่), F (ซื้อบ่อยแค่ไหน), M (ยอดซื้อเท่าไหร่)

    • ตัวอย่าง: ลูกค้าที่ R, F, M สูง คือ "ลูกค้า VIP"

  • K-Means (จัดกลุ่มตามความคล้าย): โปรแกรมจะจัดลูกค้าที่มีข้อมูลคล้ายๆ กัน (เช่น อายุ, ยอดซื้อ, พฤติกรรมการเข้าเว็บ) ให้อยู่ในกลุ่มเดียวกัน

2. สร้างกลุ่ม (และดูว่ากลุ่มคืออะไร):

• ใส่ข้อมูลเข้าเครื่องมือ: เอาข้อมูลลูกค้าที่คุณเตรียมไว้ (เช่น วันที่ซื้อ, ยอดซื้อ, อายุ, เพศ) ใส่เข้าไปในวิธีจัดกลุ่มที่คุณเลือก

• ให้มันจัดกลุ่ม: โปรแกรมจะทำงานและบอกว่าลูกค้าคนนี้อยู่กลุ่มไหน คนนั้นอยู่กลุ่มไหน

• ทำความเข้าใจแต่ละกลุ่ม: พอได้กลุ่มมาแล้ว (เช่น กลุ่ม A, กลุ่ม B, กลุ่ม C) คุณต้องดูว่าแต่ละกลุ่มมี "ลักษณะเฉพาะ" อย่างไร

  • ตัวอย่าง:

    • กลุ่ม A: "ลูกค้า VIP" (ซื้อบ่อย, จ่ายเยอะ, เพิ่งซื้อล่าสุด, อาจจะอายุ 25-40, ชอบเสื้อผ้าแฟชั่น)

    • กลุ่ม B: "ลูกค้าใหม่" (เพิ่งซื้อแค่ครั้งเดียว, จ่ายไม่เยอะ)

    • กลุ่ม C: "ลูกค้าที่อาจจะเลิกซื้อ" (ไม่ได้ซื้อนานมากแล้ว, ไม่เข้าเว็บไซต์เลย)

    
    

  66104548  ธรากร คมพจน์

  66104498  ธนากร มาใหญ่

  66105370  นลินี แซ่ภู่

  66104878  ธิดามาศ ศรีชาย

  66104951 ธีรพงษ์ แก้วช่วย

• เติม Missing เช่น เพศ/ช่องทางการจอง/อีเมล → ใช้ Default เช่น “Unknown”

• ล้างข้อมูลซ้ำ เช่น ลูกค้าคนเดียวจองหลายครั้งในวันเดียวกัน

• แปลงประเภทห้อง → หมวด (เดี่ยว/ครอบครัว/วิวทะเล)

• สร้าง Feature ใหม่:
  

  -Recency = วันที่เข้าพักล่าสุด

  -Frequency = จำนวนครั้งที่เข้าพัก

  -Monetary = ยอดใช้จ่ายทั้งหมด

  -Channel = ช่องทางการจอง (App/Web/Call)

  -LengthOfStay = จำนวนคืนที่พัก

• Normalize ข้อมูลก่อนใช้ K-Means

• Encode Categorical เช่น Channel, Room Type

66111998 สุทธิกานต์ ศักดา

66112459 หทัยภัทร อยู่พัฒน์

66109794 รุจิรา คงยัง

66116302 เศรษฐโสฬส จันเมธา

2.พฤติกรรมลูกค้า ความถี่ในการซื้อ จำนวนลูกค้าใหม่ อัตราการกลับมาซื้อซ้ำ

3.ผลลัพธ์จากการแบ่งกลุ่มลูกค้า โปรโมชั่นตามกลุ่ม กลุ่มลูกค้าเก่า กลุ่มลูกค้าสมาชิก

4.ผลตอบรับจากแคมเปญทางการตลาด อัตราการคลิกCTR อัตราการสั่งซื้อ การคุ้มค่าการยิงแอด

66104548  ธรากร คมพจน์

66104498  ธนากร มาใหญ่

66105370  นลินี แซ่ภู่

66104878  ธิดามาศ ศรีชาย

66104951 ธีรพงษ์ แก้วช่วย

1 ลูกค้าวัยรุ่นหญิง ชอบแฟนชั่นเกาหลี

2 ลูกค้าชาย อายุ30 เน้นเสื้อเชิ้ต เรียบง่าย

3 ลูกค้าใหม่ ซื้อครั้งเดียว

66109794 รุจิรา คงยัง

66116302 เศรษฐโสฬส จันเมธา

ขั้นตอนนี้ถือว่าใช้เวลามากที่สุด แต่มีความสำคัญอย่างยิ่งต่อความแม่นยำของโมเดล

• คัดเลือกข้อมูล: เลือกเฉพาะข้อมูลที่เกี่ยวข้อง เช่น อายุ เพศ ความถี่ใช้งาน

• ทำความสะอาดข้อมูล: จัดการค่าขาดหายและข้อมูลผิด

• สร้างข้อมูลใหม่: เช่น ระยะเวลาการเป็นสมาชิก ความถี่เฉลี่ย การใช้บริการ PT

• แปลงข้อมูล: แปลงข้อมูลเชิงคุณภาพเป็นตัวเลข และปรับสเกลข้อมูลเพื่อความสมดุลในการวิเคราะห์

  
  

  66120411 ธีรภัทร กมลดี

  66117870 นยสิทธิ์ พรมงาม

  66115502 พงศภัค เวชกุล

  66113218 อัศนัย ราชรักษ์

  66121252 ฟัครี หลังยาหน่าย

นำข้อมูลลูกค้ามาใช้ในการแบ่งกลุ่ม (Clustering) ด้วย K-Means

-ใช้ Feature: Recency, Frequency, Monetary, LengthOfStay, Channel

-กำหนดจำนวนกลุ่มเบื้องต้นเป็น 4 กลุ่ม

-ทดลองกลุ่ม 2–6 กลุ่ม แล้วใช้ Elbow Method เลือกจำนวนที่เหมาะสม

-ใช้ Normalize ข้อมูลก่อนเข้าโมเดล

• ตัวอย่างผลการแบ่งกลุ่ม:

  1. กลุ่มนักธุรกิจ – พักสั้น, ไม่มีอาหารเช้า, จองวันธรรมดา

  2. กลุ่มครอบครัว – พักหลายคืน, มีเด็ก, จองล่วงหน้า

  3. กลุ่มนักท่องเที่ยว – พักช่วงวันหยุด, จองห้อง Sea View

  4. กลุ่มสายโปร – จองจากเว็บลดราคา, ใช้โปร Flash Sale

  
  

66111998 สุทธิกานต์ ศักดา

66112459 หทัยภัทร อยู่พัฒน์

66109794 รุจิรา คงยัง

66116302 เศรษฐโสฬส จันเมธา

• กำหนดกลยุทธ์สำหรับแต่ละกลุ่ม:

  • ลูกค้า VIP (ซื้อบ่อย, จ่ายเยอะ, เพิ่งซื้อ): ส่งข้อเสนอพิเศษสำหรับลูกค้าคนสำคัญ, เชิญเข้าร่วมกิจกรรมเฉพาะ, ให้สิทธิพิเศษก่อนใคร (เช่น เปิดตัวคอลเลกชันใหม่ก่อน)

  • ลูกค้าใหม่: ส่งอีเมลต้อนรับ, แนะนำสินค้าที่น่าจะชอบ, ให้ส่วนลดสำหรับการซื้อครั้งที่สองเพื่อกระตุ้นให้ซื้อซ้ำ

  • ลูกค้าที่หายไป (ไม่ได้ซื้อนานแล้ว): ส่งข้อความกระตุ้นให้กลับมาซื้อ (Re-engagement Campaign), ให้ส่วนลดพิเศษสำหรับการกลับมา, แนะนำสินค้าใหม่ๆ

  • นักช็อปสายโปรโมชั่น: แจ้งเตือนโปรโมชั่น/ลดราคาที่กำลังจะมาถึงโดยเฉพาะ, เสนอแพ็กเกจสินค้าคุ้มค่า

• เลือกช่องทางการสื่อสาร: จะใช้ช่องทางไหนในการเข้าถึงลูกค้าแต่ละกลุ่ม?

  • อีเมล, SMS, Line Official Account, Facebook Ads (Custom Audience), โทรศัพท์, การแจ้งเตือนในแอป (Push Notification)

2. นำไปปฏิบัติ (Execution):

• ผนวกข้อมูลกลุ่มลูกค้าเข้าสู่ระบบ CRM: ลูกค้าแต่ละคนต้องถูก "ติดป้าย" ว่าอยู่กลุ่มไหน เพื่อให้ระบบ CRM หรือแพลตฟอร์มการตลาดของคุณสามารถดึงข้อมูลนี้ไปใช้ได้

  • เช่น: ในระบบ CRM ของคุณ ลูกค้า A จะมี Tag ว่า "VIP", ลูกค้า B มี Tag ว่า "New Customer"

• เริ่มแคมเปญการตลาดที่ตรงกลุ่ม: ส่งข้อความ หรือโฆษณาที่ออกแบบมาเฉพาะสำหรับแต่ละกลุ่ม ตามแผนที่วางไว้

  • ตัวอย่าง: ระบบจะส่งอีเมลโปรโมชัน "ซื้อ 2 แถม 1" ไปยังกลุ่ม "นักช็อปสายโปร" เท่านั้น

3. ตรวจสอบและบำรุงรักษา (Monitoring & Maintenance):

• ติดตามผลลัพธ์:

  • KPIs (ตัวชี้วัด): ยอดขายที่เพิ่มขึ้นในแต่ละกลุ่ม, อัตราการเปิดอีเมล, อัตราการคลิก, อัตราการกลับมาซื้อของลูกค้าที่หายไป

  • เปรียบเทียบ: ดูว่ากลยุทธ์ที่ใช้กับกลุ่ม A ได้ผลดีกว่ากลุ่ม B หรือไม่

• ปรับปรุงอย่างต่อเนื่อง: ข้อมูลลูกค้าและพฤติกรรมการซื้อมีการเปลี่ยนแปลงอยู่เสมอ คุณต้อง:

  • อัปเดตกลุ่มลูกค้า: จัดกลุ่มลูกค้าใหม่เป็นประจำ (เช่น ทุก 3 เดือน หรือ 6 เดือน) เพราะลูกค้าใหม่จะเข้ามา, ลูกค้าเก่าอาจเปลี่ยนสถานะ

  • ปรับกลยุทธ์: หากแคมเปญบางอย่างไม่ได้ผลดีเท่าที่ควร ก็ต้องปรับเปลี่ยนข้อความ, ข้อเสนอ, หรือช่องทางใหม่

    
    

    
    

    
    

    66104548  ธรากร คมพจน์

    66104498  ธนากร มาใหญ่

    66105370  นลินี แซ่ภู่

    66104878  ธิดามาศ ศรีชาย

    66104951 ธีรพงษ์ แก้วช่วย

ในที่นี้ เราต้องการ "แบ่งกลุ่ม" ลูกค้าโดยที่ยังไม่มีการกำหนดกลุ่มไว้ล่วงหน้า ดังนั้นเทคนิคที่เหมาะสมคือ การแบ่งกลุ่ม (Clustering) ซึ่งเป็นส่วนหนึ่งของ Unsupervised Learning

• เทคนิคที่ใช้: K-Means Clustering เป็นอัลกอริทึมที่นิยมและเข้าใจง่าย โดยจะทำการแบ่งข้อมูลออกเป็น K กลุ่ม ตามจำนวนที่เราระบุ โดยพยายามทำให้ข้อมูลในกลุ่มเดียวกันมีความคล้ายคลึงกันมากที่สุด และข้อมูลต่างกลุ่มมีความแตกต่างกันมากที่สุด

• การดำเนินการ:

• กำหนดจำนวนกลุ่ม (K) ที่ต้องการ เช่น อาจจะลองแบ่งเป็น 3, 4, หรือ 5 กลุ่ม

• นำข้อมูลที่เตรียมไว้ในขั้นตอนที่ 3 เข้าสู่โมเดล K-Means

• โมเดลจะทำการจัดกลุ่มลูกค้าตามคุณลักษณะต่างๆ ที่เราเลือกใช้ เช่น พฤติกรรมการเข้าใช้บริการ, การใช้จ่าย, และข้อมูลประชากรศาสตร์

66120411 ธีรภัทร กมลดี

66117870 นยสิทธิ์ พรมงาม

66115502 พงศภัค เวชกุล

66113218 อัศนัย ราชรักษ์

66121252 ฟัครี หลังยาหน่าย

66109794 รุจิรา คงยัง

66116302 เศรษฐโสฬส จันเมธา

ยอดขายในแต่ละกลุ่มลูกค้าที่แบ่งเป็นไปตามเป้าหมาย

ความถี่ในการเข้ามาทานในร้าน มีประสิทธิภาพหรือไม่

การจัดการช่วงเวลาที่เหมาะสมเพื่อการบริการในช่วงเวลาที่คนเยอะ จัดการดีหรือไม่

66119991 วิชยุตม์ มีคำ

66106030 บัญชา วาสนสิทธิ

66112806 อภิรักษ์ สายนุ้ย

ประเมินคุณภาพของโมเดลที่ใช้แบ่งกลุ่ม

-ใช้ Silhouette Score เพื่อวัดความชัดเจนของกลุ่ม

-ตรวจสอบว่าแต่ละกลุ่มมีลักษณะเฉพาะเจนหรือซ้ำซ้อนกัน

-วิเคราะห์ร่วมกับฝ่ายการตลาดและพนักงานต้อนรับ

• ยืนยันว่ากลุ่มลูกค้า VIP / ครอบครัว / นักธุรกิจ มีพฤติกรรมแตกต่างกันจริง

  • 
    

• ข้อเสนอแนะ:

  • ลองใช้ Hierarchical Clustering เพื่อดูภาพรวมความสัมพันธ์ของกลุ่ม

  • ใช้ PCA ลดมิติข้อมูลแล้วนำมา visual แสดงกลุ่ม

  
  

66111998 สุทธิกานต์ ศักดา

66112459 หทัยภัทร อยู่พัฒน์

กลยุทธ์เฉพาะสำหรับแต่ละกลุ่มลูกค้า:

(ลูกค้าประจำ):
ให้สิทธิพิเศษ เช่น ส่วนลดต่ออายุ, ของที่ระลึก, หรือสิทธิ์จองคลาสก่อนใคร เพื่อทำให้รู้สึกว่า “พิเศษเหนือใคร”

(สายสังคม ชอบแชร์):
ใช้ช่องทางที่เขาใช้งาน เช่น Instagram, จัดกิจกรรมท้าทาย, และแคมเปญ "ชวนเพื่อนมาเล่นฟรี" เพื่อกระตุ้นการใช้งาน

(กลุ่มเสี่ยงจะเลิกใช้บริการ):
ต้องลงมือเชิงรุก! เช่น ส่งข้อความส่วนตัว, เสนอคลาสฟรีกับเทรนเนอร์, หรือส่วนลดพิเศษสำหรับคลาสที่เคยสนใจ

(มือใหม่):
สร้างประสบการณ์แรกที่ดี เช่น คลาสแนะนำการใช้อุปกรณ์, คู่มือการออกกำลังกาย, หรือให้เทรนเนอร์ดูแลใกล้ชิด

การติดตามผล

• พฤติกรรมใหม่ๆ ของลูกค้าจะกลายเป็นข้อมูลรอบใหม่ เพื่อนำกลับมาวิเคราะห์และพัฒนาแคมเปญต่อไป

  
  

  66120411 ธีรภัทร กมลดี

  66117870 นยสิทธิ์ พรมงาม

  66115502 พงศภัค เวชกุล

  66113218 อัศนัย ราชรักษ์

  66121252 ฟัครี หลังยาหน่าย

• นำรายชื่อลูกค้าแต่ละกลุ่มเข้าสู่ระบบ LINE OA, Email หรือแอปของโรงแรม

• สร้างแคมเปญการตลาดเฉพาะกลุ่ม:

  • กลุ่มนักธุรกิจ โปร “พักวันธรรมดา + ห้องประชุมฟรี”

  • กลุ่มครอบครัว โปร “Family Pack + ส่วนลดอาหารเด็ก”

  • กลุ่มท่องเที่ยว โปร “Long Stay + Sea View ลด 20%”

  • กลุ่มสายโปร ส่ง Flash Deal เฉพาะช่วงเทศกาล

• วัดผลการใช้งาน:

  • CTR (Click-Through Rate)

  • อัตราการจองซ้ำเพิ่มขึ้น 15%

  • ลูกค้าให้ Feedback ดีขึ้น

66111998 สุทธิกานต์ ศักดา

66112459 หทัยภัทร อยู่พัฒน์

เชื่อมข้อมูลกลุ่มเข้าระบบ crm และติดตามผลดูว่าแต่ละกลุ่มตอบสนองต่อแคมเปญมากน้อยแค่ไหน

66109794 รุจิรา คงยัง

66116302 เศรษฐโสฬส จันเมธา

นำโมเดลที่วางแผนจัดไว้ ไปใช้ในการปรับรูปแบบการให้บริการร้านบุฟเฟ่ต์ฮาลาล

66119991 วิชยุตม์ มีคำ

66106030 บัญชา วาสนสิทธิ

66112806 อภิรักษ์ สายนุ้ย

1.สินค้าขายไม่ออก

2.ลูกค้าไม่กลับมาซื้อซ้ำ

3.ไม่รู้กลุ่มเป้าหมาย

4.ยอดขายตก

เป้าหมายของธุรกิจ

ขายเสื้อผ้าให้ได้กำไร

สร้างแบรนด์ให้คนจดจำ

มีฐานลูกค้าประจำ

ตอบสนองเทรนด์แฟชั่นอย่างรวดเร็ว

วัตถุประสงค์

1.ต้องการแบ่งกลุ่มลูกค้า เช่น เพศ

อายุ: เด็ก, วัยรุ่น, วัยทำงาน, ผู้สูงอายุ

รายได้: รายได้ต่ำ, กลาง, สูง มีผลต่อราคาสินค้า

สไตล์ชีวิต: นักเรียน, วัยทำงาน, แม่บ้าน, นักกีฬา

2.ต้องการทราบถึงปัญหาทางการตลาดคืออะไร

ช่วยแก้ปัญหา

-ต้องการเพิ่มยอดขายโดยรู้ว่าลูกค้ากลุ่มไหนมีแนวโน้มซื้อมากที่สุด

66104548  ธรากร คมพจน์

66104498  ธนากร มาใหญ่

66105370  นลินี แซ่ภู่

66104878  ธิดามาศ ศรีชาย

66104951 ธีรพงษ์ แก้วช่วย