|
การทําเหมืองข้อมูลเพื่อพยากรณ์โอกาสลูกค้ามีหนี้ค้างชําระ |
|---|---|
| รหัสดีโอไอ | |
| Title | การทําเหมืองข้อมูลเพื่อพยากรณ์โอกาสลูกค้ามีหนี้ค้างชําระ |
| Creator | ธนาวุฒิ ระลึกมูล |
| Publisher | University of the Thai Chamber of Commerce |
| Publication Year | 2563 |
| Keyword | ธนาคารเพื่อการเกษตรและสหกรณ์การเกษตร, หนี้ที่ไม่ก่อให้เกิดรายได้, เหมืองข้อมูล |
| Abstract | ธนาคารเพื่อการเกษตรและสหกรณ์การเกษตร (ธ.ก.ส.) มีวิสัยทัศน์ว่า “เป็นธนาคารพัฒนาชนบทที่ยั่งยืน มุ่งสนับสนุนการพัฒนาเศรษฐกิจฐานราก เพื่อยกระดับคุณภาพชีวิตของคนในชนบท” ภาระหนี้สินเป็นปัญหาอย่างหนึ่งที่ส่งผลต่อคุณภาพชีวิตของครัวเรือนเกษตรกรที่เป็นลูกค้าของธ.ก.ส. การที่เกษตรกรที่เป็นลูกค้าไม่สามารถส่งชําระหนี้คืนให้กับธ.ก.ส.ได้ ไม่ว่าจะมาจากสาเหตุใดก็ตามล้วนส่งผลต่อการดําเนินงานของธ.ก.ส.และยังอาจจะส่งผลต่อภาพลักษณ์ความน่าเชื่อถือในการดูแลคุณภาพชีวิตของเกษตรกรด้วย ทั้งนี้ หากสามารถคาดการณ์ได้อย่างแม่นยําหรือใกล้เคียงความเป็นจริงว่าลูกค้าคนใดมีโอกาสที่จะเป็นหนี้ค้างชําระ ก็จะช่วยให้สามารถป้องกันหรือแก้ไขก่อนที่จะเป็นหนี้ค้างชําระได้ ดังนั้น ในบทความนี้ได้ประยุกต์ใช้เหมืองข้อมูลในการพยากรณ์โอกาสลูกค้ามีหนี้ค้างชําระ ซึ่งคาดว่าจะเป็นประโยชน์สําหรับใช้ป้องกันและแก้ไขปัญหาหนี้ค้างชําระต่อไป วัตถุประสงค์ของการศึกษาครั้งนี้จึงศึกษาปัจจัยที่ทําให้ลูกค้ามีหนี้ค้างชําระ และประยุกต์การทําเหมืองข้อมูลมาใช้ในการพยากรณ์โอกาสลูกค้ามีหนี้ค้างชําระ ดําเนินงานการศึกษาโดยใช้แนวทางของกระบวนการ CRISP-DM ผู้วิจัยเลือกกลุ่มตัวอย่างเกษตรกรรายย่อยมาจํานวน 860 คน ทําการจัดชุดข้อมูลเป็น 3 ชุด เลือกกลุ่มตัวอย่างมาร้อยละ 70 80 และ 90 ของจํานวนกลุ่มตัวอย่างที่มี 860 คน เป็นชุดข้อมูลสําหรับฝึกสอน (Training set) กันข้อมูลส่วนหนึ่งไว้สําหรับเป็นชุดทดสอบ (Test set) 86 คน ไม่ซ้ำกับชุดฝึกสอน แต่ใช้สําหรับทดสอบกับชุดฝึกสอนทุกชุด ทําการสร้างแอตทริบิวต์ขึ้นมาใหม่ อีก 28 แอตทริบิวต์ สําหรับใช้เป็นปัจจัยในการพยากรณ์ ใช้วิธีการ One Hot Encoding แปลงแอตทริบิวต์ข้อมูลที่เป็น Nominal Number และใช้หลักการของ Max-Min Nomalization ปรับบรรทัดฐานข้อมูลที่มีช่วงแตกต่างกันมาก ใช้โปรแกรม WEKA Version 3.8.5 ช่วยในการสร้างและวิเคราะห์แบบจําลอง ใช้เทคนิคการสร้างแบบจําลอง 3 เทคนิค ไดแก่ Decision Tree j48, Support Vector Machine (SVM) และ Naïve Bayes และทําการวัดประสิทธิภาพแบบจําลองโดยใช้วิธี 10-fold cross-validation ผลการศึกษา พบว่า แบบจําลองที่ใช้ข้อมูลจากเกษตรกรรายย่อย ที่ใช้ชุดทดสอบจํานวน 688 คน (80% จากจํานวน 860 คน) โดยใช้เทคนิค Support Vector Machine (SVM) ซึ่งใช้ฟังก์ชั่นเคอร์เนลแบบเชิงเส้น (Linear kernel) ได้ผลลัพธ์ที่ดีที่สุด เมื่อทดสอบด้วยชุดทดสอบ 86 คน โดยมีค่า Accuracy, Kappa statistic และ ROC Area เท่ากับ 81.3953% 0.4452 และ 0.774 ตามลําดับ |
| URL Website | https://scholar.utcc.ac.th |
| Website title | UTCC Scholar |
