Data Mining for Thai

Data Mining for Thai
Eakasit Pacharawongsakda, Ph.D.
Data Cube : http://facebook.com/datacube.th
(data)3 
base|warehouse|mining
http://www.dataminingtrend.com 
http://facebook.com/datacube.th

(data)3 
http://dataminingtrend.com http://facebook.com/datacube.th
Data Cube
• แนะนำข่าวสารข้อมูลทางด้าน Data Mining
• จัดอบรมและสัมมนาการวิเคราะห์ข้อมูลทาง Data Mining
• http://facebook.com/datacube.th
2

(data)3 
Data Cube
• ชื่อ: เอกสิทธิ์ พัชรวงศ์ศักดา
• การศึกษา:
• ปริญญาเอก วิทยาการคอมพิวเตอร์ สถาบันเทคโนโลยีนานาชาติสิรินธร (SIIT)
มหาวิทยาลัยธรรมศาสตร์
• ปริญญาโท วิศวกรรมคอมพิวเตอร์ มหาวิทยาลัยเกษตรศาสตร์
• ปริญญาตรี วิศวกรรมคอมพิวเตอร์ มหาวิทยาลัยเกษตรศาสตร์  
(เกียรตินิยมอันดับ 2)
• ประสบการณ์
• Certiﬁed RapidMiner Analyst (คนแรกของเมืองไทย)
• Data scientist at GloriSys Cloud Solutions Co., Ltd.
• วิทยากรอบรมการใช้งานซอฟต์แวร์ open source ทางด้าน data mining
3

(data)3 
Data Cube
4
RapidMiner Analyst
This is to Certify that
The candidate has proven the ability to:
Prepare data
With:
Date:
Eakasit Pacharawongsakda

(data)3 
Data Cube
• ชื่อ: รัตนาวลี เครือสวัสดิ์
• การศึกษา:
• กำลังศึกษา ปริญญาโท วิทยาการคอมพิวเตอร์ มหาวิทยาลัยธรรมศาสตร์
• ปริญญาตรี วิทยาการคอมพิวเตอร์ มหาวิทยาลัยธรรมศาสตร์
• ประสบการณ์
• ผู้ช่วยวิทยากรอบรมการใช้งานซอฟต์แวร์ RapidMiner Studio 6 ในการวิเคราะห์
ข้อมูลทางด้าน Data Mining
5

(data)3 
• วิทยากรรับเชิญอบรมทางด้าน Data Mining ให้กับหน่วยงานต่างๆ
Data Cube
6
มหาวิทยาลัย
หน่วยงานและบริษัทเอกชน

(data)3 
Data Cube
• หลักสูตรการวิเคราะห์ข้อมูลด้วยเทคนิค Data Mining โดยซอฟต์แวร์
RapidMiner Studio 6 (ขั้นพื้นฐานและปานกลาง) รุ่นที่ 1
7

(data)3 
Data Cube
8

(data)3 
Data Cube
9

(data)3 
Outline for seminar
• Data Mining for Business with RapidMiner Studio 6
• 13:00 - 14:30 โดย ดร.เอกสิทธิ์ พัชรวงศ์ศักดา 
หสม. ดาต้า คิวบ์
!
• Social Media Intelligence
• 15:00 - 16:30 โดย คุณชัชวาล สังคีตตระการ และ คุณก่อเกียรติ วรรณพัฒน์ 
ห้องปฏิบัติการวิจัยเทคโนโลยีเสียง  
ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ
!
• #dataminingforthai
10

Data Mining for Business
with RapidMiner Studio 6
Eakasit Pacharawongsakda, Ph.D.
Rattanawalee Khruasawat
Data Cube : http://facebook.com/datacube.th
(data)3 

(data)3 
Outline
• Part 1: Introduction to data mining
• เทคนิคการวิเคราะห์ข้อมูลด้วย data mining คืออะไร
• ตัวอย่างการนำ data mining ไปใช้งาน
• Part 2: Introduction to RapidMiner Studio 6
• แนะนำส่วนประกอบต่างๆ ของ RapidMiner Studio 6
• Part 3: Data mining for business
• การแบ่งกลุ่มลูกค้าด้วยเทคนิค Segmentation
• การหาสินค้าที่ลูกค้ามักจะซื้อร่วมกันบ่อยๆ
• การคาดการณ์การตอบรับโปรโมชันของลูกค้าแต่ละราย
12

Introduction to Data Mining
Part 1
(data)3 

(data)3 
Where does data come from?
• ข้อมูลแบ่งตามที่มา
• ภายในบริษัท/องค์กร
• ข้อมูลการซื้อขาย
• ข้อมูลประวัติลูกค้า
• ข้อมูลประวัติพนักงาน
• ภายนอกบริษัท/องค์กร
• ข้อมูลจาก social media ต่างๆ
• ข้อมูลข่าวต่างๆ
• ข้อมูลรูปภาพและเสียง
14
source: http://dailyprivacy.ﬁles.wordpress.com/2013/02/2012_big_data_study_infographic_600.jpg

(data)3 
Database & warehouse & mining
15
Database
Sales
Accounting
CRM
Extract 
Transform 
Load 
(ETL)
Data Mining
Data Warehouse Knowledge/Patterns

(data)3 
Database & warehouse & mining
• Database
• ฐานข้อมูลใช้ในการจัดเก็บข้อมูล ลดความซ้ำซ้อนของข้อมูล เน้นการจัดเก็บ เพ่ิม
แก้ไข และลบข้อมูล
• Data warehouse
• คลังข้อมูลรวบรวมช้อมูลจากหลายๆ ฐานข้อมูล แปลงข้อมูลให้มีความเหมือนกัน
เหมาะสำหรับการเรียกดู (view) เพื่อสร้างรายงานสรุป
• Data Mining
• การวิเคราะห์ข้อมูลเพื่อค้นหาความสัมพันธ์หรือรูปแบบที่มีประโยชน์ในฐานข้อมูล
16

(data)3 
What is data mining
• “The exploration and analysis of large quantities  
of data in order to discover meaningful patterns and
rules” – Data Mining Techniques (3rd Edition)
• เป็นการวิเคราะห์ข้อมูล เพื่อหารูปแบบ (patterns) หรือความสัมพันธ์
(relation) ระหว่างข้อมูลในฐานข้อมูลขนาดใหญ่
• “Extraction of interesting (non-trivial, previously,
unknown and potential useful) information from data in
large databases” – Data Mining Concepts &
Techniques (3rd Edition)
• เป็นกระบวนการดึงข่าวสารที่น่าสนใจ และมีประโยชน์แต่ไม่เคยรู้มา
ก่อนจากฐานข้อมูลขนาดใหญ่
17

(data)3 
Data mining application
• บัตรสมาชิก (loyalty card)
• ติดตามพฤติกรรมการซื้อสินค้า
ของลูกค้าจากบัตร loyalty
• นำมาวิเคราะห์และนำเสนอเป็น
โปรโมชันพิเศษให้แต่ละบุคคล
• เพิ่มโอกาสในการขายสินค้าให้กับ
ลูกค้า
• กระตุ้นให้ลูกค้าได้ซื้อสินค้ามาก
ขึ้น เช่น ซื้อสินค้าวันนี้ จะได้
ส่วนลดพิเศษ ทำให้ลูกค้าเกิดการ
ตัดสินใจซื้อทันที
18
image source: http://www.positioningmag.com

(data)3 
• ทราบพฤติกรรมการซื้อสินค้าของลูกค้า เพื่อนำมาวิเคราะห์ และนำ
เสนอเป็นโปรโมชันพิเศษให้แต่ละบุคคล
19

(data)3 
• เบียร์และผ้าอ้อม
• ห้าง Walmart พบว่าทุกวันศุกร์
หลังบ่ายโมง จะมีลูกค้าเพศชาย
อายุระหว่าง 25 – 35 ปี ซื้อสินค้า
Beers และ Diapers มากที่สุด
20

(data)3 
• แนะนำสินค้าที่เกี่ยวข้อง
• amazon.com แนะนำหนังสือที่เกี่ยวข้องกับ RapidMiner
!
!
!
!
• Netﬂix แนะนำภาพยนต์ที่คล้ายกับที่เคยดู เช่น Life of Pi
21

(data)3 
• Facebook แนะนำหน้า Facebook Page ที่คล้ายๆ กัน เมื่อเรากด like
22

(data)3 
• Commercial software
• SAS Enterprise Miner
!
!
!
• IBM SPSS Modeller
Data mining software
23
• Open source software
• RapidMiner Studio
!
!
• Weka
!
• R

(data)3 
Why Data Mining ?
24
source: http://oursocialtimes.com/wp-content/uploads/2012/02/Content-Marketing1.jpg

Introduction to RapidMiner Studio 6
Part 2
(data)3 

(data)3 
Why RapidMiner?
• ผลการสำรวจจากเว็บไซต์ KDnuggets ในปี 2014 พบว่าผู้ร่วมตอบ
แบบสำรวจใช้ RapidMiner ในการวิเคราะห์ข้อมูลมากเป็นอันดับ 1
• Gartner ได้จัดให้ RapidMiner อยู่ 
ในกลุ่ม Leaders สำหรับซอฟต์แวร์ 
ในการวิเคราะห์ข้อมูล
• SAS
• IBM
• RapidMiner
• Knime
26
source: http://www.kdnuggets.com/2014/06/kdnuggets-annual-software-poll-rapidminer-continues-lead.html 
http://rapidminer.com/leader-gartners-magic-quadrant-advanced-analytics/

(data)3 
RapidMiner Studio 6
• download ได้จาก http://rapidminer.com/download-rapidminer/
!
27

(data)3 
RapidMiner Studio 6
• เลือกดาวน์โหลด version ที่เหมาะสมกับระบบปฏิบัติการของเรา
28

(data)3 
RapidMiner Studio 6
• พบกับหน้าต่าง Home Screen
29
1 สร้าง process ใหม่
2
3
เปิด process ที่มีอยู่
เปิด process ตัวอย่าง

(data)3 
RapidMiner Studio 6
• องค์ประกอบของ RapidMiner Studio 6
30
Operators
Repositories
Process Parameter
help
1
2
3
4
5

(data)3 
RapidMiner Studio 6
• ตัวอย่างข้อมูลที่โหลดเข้าไปใน RapidMiner Studio 6
31
คลิกที่ header ของแต่ละ
คอลัมน์เพื่อ sort

(data)3 
RapidMiner Studio 6
• ข้อมูลที่โหลดเข้าไปแสดงในรูปแบบของค่าสถิติ
32
คลิกที่แถวเพื่อแสดง 
ข้อมูลทางสถิติ

(data)3 
RapidMiner Studio 6
• ข้อมูลที่โหลดเข้าไปแสดงในรูปแบบของกราฟประเภท Histogram
33

(data)3 
RapidMiner Studio 6
• ข้อมูลที่โหลดเข้าไปแสดงในรูปแบบของกราฟประเภท Scatter Plot
34

(data)3 
RapidMiner Studio 6
• โมเดล Decision Tree ที่สร้างได้
35
โมเดล decision tree

RapidMiner Studio 6
DEMO
(data)3 

Data Mining for Business
Part 3
(data)3 

(data)3 
Segmentation
• แบ่งลูกค้าออกเป็นกลุ่มๆ ย่อย
• ลูกค้าในแต่ละกลุ่มมีลักษณะที่คล้ายๆ กัน
• เพื่อจะได้พิจารณาลักษณะของแต่ละกลุ่มได้ง่ายขึ้น
• แบ่งตามลักษณะต่างๆ
• แบ่งกลุ่มลูกค้าตามแหล่งที่อยู่ของลูกค้า (geography)
• แบ่งกลุ่มลูกค้าตามวัยของลูกค้า (age)
• แบ่งกลุ่มลูกค้าตามพฤติกรรมการซื้อสินค้าของลูกค้า
• ระยะเวลาการซื้อที่ผ่านมา (Recency)
• ความถี่ของการซื้อสินค้า (Frequency)
• การใช้จ่ายของลูกค้า (Monetary)
38

(data)3 
Segmentation by geography
• แบ่งกลุ่มลูกค้าตามแหล่งที่อยู่ของลูกค้า
• ภาคเหนือ
• ภาคกลาง
• ภาคตะวันออกเฉียงเหนือ
• ภาคตะวันออก
• ภาคใต้
39

(data)3 
Segmentation by age
• แบ่งกลุ่มลูกค้าตามวัยต่างๆ เป็น 5 รุ่น (generation)
40
Silent Generation
• อายุ 65 ปีขึ้นไป
• ใช้ชีวิตเรียบง่าย
• เคร่งครัดในแบบแผน
1
Baby Boomer
• อายุ 46-64 ปี
• มีความขยันอดทนมาก
• ประหยัด รอบคอบ
2
Generation X
• ชอบอะไรง่ายๆ
• เป็นตัวของตัวเองสูง
3
Generation Y
• มีความคิดสร้างสรรค์
• ไม่ค่อยมีความอดทน
4
Generation Z
• ใช้เทคโนโลยีได้เก่ง
• เรียนรู้ได้เร็ว
5
source: Digital Marketing: Concept & Case Study, InfoPress และ http://hilight.kapook.com/view/83492

(data)3 
Segmentation by RFM
• ระยะเวลาการซื้อล่าสุดที่ผ่านมา (Recency)
41
Customer ID Recency Frequency Monetary
C10001
C10002
C10003
หมายเหตุ: คำนวณ ณ วันที่ 24/06/2014
OrderID Customer ID Order Date Total
Amount
O14001 C10003 01-01-2014 10.00
O14002 C10001 01-13-2014 20.00
O14003 C10002 01-14-2014 200.00
O14004 C10001 01-15-2014 10.00
O14005 C10001 02-10-2014 30.00
O14006 C10002 02-14-2014 300.00
ตาราง order detail

(data)3 
Segmentation by RFM
42
C10001 4.47 3 60
Amount
O14001 C10003 01-01-2014 10.00
O14002 C10001 01-13-2014 20.00
O14003 C10002 01-14-2014 200.00
O14004 C10001 01-15-2014 10.00
O14005 C10001 02-10-2014 30.00
O14006 C10002 02-14-2014 300.00

(data)3 
Segmentation by RFM
43
C10001 4.47 3 60
C10002 4.33 2 500
C1003
Amount
O14001 C10003 01-01-2014 10.00
O14002 C10001 01-13-2014 20.00
O14003 C10002 01-14-2014 200.00
O14004 C10001 01-15-2014 10.00
O14005 C10001 02-10-2014 30.00
O14006 C10002 02-14-2014 300.00

(data)3 
Segmentation by RFM
44
C10001 4.47 3 60
C10002 4.33 2 500
C10003 5.80 1 10
Amount
O14001 C10003 01-01-2014 10.00
O14002 C10001 01-13-2014 20.00
O14003 C10002 01-14-2014 200.00
O14004 C10001 01-15-2014 10.00
O14005 C10001 02-10-2014 30.00
O14006 C10002 02-14-2014 300.00

(data)3 
Segmentation by RFM
• แบ่งกลุ่มลูกค้าด้วยวิธี RFM
• เรียงลำดับข้อมูล
• Recency จากน้อยไปมาก
• Frequency และ Monetary จากมากไปน้อย
• แบ่งข้อมูลออกเป็น 5 กลุ่ม กลุ่มละจำนวนเท่าๆ กัน (quintile)
• คำนวณคะแนน RFM ของแต่ละกลุ่ม
45
source: http://www.b-eye-network.com/view/10256
score = 5
score = 4
score = 3
score = 2
score = 1
น้อย
มาก
Recency
score = 5
score = 4
score = 3
score = 2
score = 1
มาก
น้อย
Frequency
score = 5
score = 4
score = 3
score = 2
score = 1
มาก
น้อย
Monetary
20% ของข้อมูล

(data)3 
• แบ่งกลุ่มลูกค้าด้วยวิธี RFM
• ลูกค้าในแต่ละกลุ่มจะมีลักษณะต่างๆ กัน เช่น
• ลูกค้ากลุ่ม RFM = 555
• เป็นกลุ่มลูกค้าที่มีค่ามากสุด
• เป็นกลุ่มลูกค้าที่มีการซื้อบ่อยๆ  
แต่ซื้อจำนวนน้อย
• ออก campaign กระตุ้นให้ลูกค้าซื้อสินค้าที่มีราคาสูงขึ้น (up-selling)
• เป็นกลุ่มลูกค้าที่นานๆ จะซื้อสักครั้ง แต่ซื้อสินค้าที่มีราคาสูง
• ออก campaign กระตุ้นให้ลูกค้าซื้อสินค้าบ่อยขึ้น
Segmentation by RFM
46
Recency
Frequency
M
onetary
1 2 3 4 5
5
4
3
2
1
5
4
3
2
1

(data)3 
Segmentation by RFM in RM 6
• เลือกโอเปอเรเตอร์ต่างๆ มาวางไว้ในส่วนของ Process
47

(data)3 
• ผลการทำงานแสดงแอตทริบิวต์ rfm_score ที่เพิ่มขึ้นมา
48
RFM score

(data)3 
• RFM score ในรูปแบบกราฟ Histogram
49

Segmentation by RFM
DEMO
(data)3 

(data)3 
Market Basket Analysis
• เริ่มจากการสังเกตุการซื้อสินค้าของลูกค้าแต่ละราย
• วิเคราะห์ข้อมูลเพื่อดูว่า สินค้าอะไรบ้างที่ลูกค้ามักจะซื้อร่วมกันบ่อยๆ
• ใช้ในการออกโปรโมชันเพ่ือเพิ่มยอดขาย
51

(data)3 
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
RECEIPT/TAX INVOICE (ABB.)
1K APPLE 45.00
1P CEREAL 120.00
1P DIAPERS 300.00
Total ****490.00
CASH 500.00
Change 10.00
01-13-2009
20:04Recpt#104071
THANK YOU
• ข้อมูลที่ได้จากการซื้อสินค้าแต่ละครั้ง
52
TID Transaction time Product
1 01-13-2014 20:04 Apple
1 01-13-2014 20:04 Cereal
1 01-13-2014 20:04 Diapers

(data)3 
53
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
1K APPLE 45.00
1P BEER 25.00
1P DIAPERS 300.00
Total **** 370.00
CASH 500.00
Change 130.00
01-13-2014
20:04Recpt#104071
THANK YOU
1 01-13-2014 20:04 Apple
1 01-13-2014 20:04 Cereal
1 01-13-2014 20:04 Diapers
2 01-14-2014 11:30 Beer
2 01-14-2014 11:30 Cereal
2 01-14-2014 11:30 Eggs
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
1P BEER 25.00
1P CEREAL 100.00
1P EGGS 30.00
Total ****155.00
CASH 500.00
Change 345.00
01-14-2014
11:30Recpt#104071
THANK YOU

(data)3 
54
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
1K APPLE 45.00
1P BEER 25.00
1P DIAPERS 300.00
Total **** 370.00
CASH 500.00
Change 130.00
01-13-2014
20:04Recpt#104071
THANK YOU
1 01-13-2014 20:04 Apple
1 01-13-2014 20:04 Cereal
1 01-13-2014 20:04 Diapers
2 01-14-2014 11:30 Beer
2 01-14-2014 11:30 Cereal
2 01-14-2014 11:30 Eggs
3 01-15-2014 14:30 Apple
3 01-15-2014 14:30 Beer
3 01-15-2014 14:30 Cereal
3 01-15-2014 14:30 Eggs
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
1P BEER 25.00
1P CEREAL 100.00
1P EGGS 30.00
Total ****155.00
CASH 500.00
Change 345.00
01-14-2014
11:30Recpt#104071
THANK YOU
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
1P APPLE 45.00
1P BEER 25.00
1P CEREAL 100.00
1P EGGS 30.00
Total ****200.00
CASH 500.00
Change 300.00
01-15-2014
14:30Recpt#104071
THANK YOU

(data)3 
55
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
1K APPLE 45.00
1P BEER 25.00
1P DIAPERS 300.00
Total **** 370.00
CASH 500.00
Change 130.00
01-13-2014
20:04Recpt#104071
THANK YOU
1 01-13-2014 20:04 Apple
1 01-13-2014 20:04 Cereal
1 01-13-2014 20:04 Diapers
2 01-14-2014 11:30 Beer
2 01-14-2014 11:30 Cereal
2 01-14-2014 11:30 Eggs
3 01-15-2014 14:30 Apple
3 01-15-2014 14:30 Beer
3 01-15-2014 14:30 Cereal
3 01-15-2014 14:30 Eggs
4 01-16-2014 14:15 Beer
4 01-16-2014 14:15 Eggs
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
1P BEER 25.00
1P CEREAL 100.00
1P EGGS 30.00
Total ****155.00
CASH 500.00
Change 345.00
01-14-2014
11:30Recpt#104071
THANK YOU
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
1P APPLE 45.00
1P BEER 25.00
1P CEREAL 100.00
1P EGGS 30.00
Total ****200.00
CASH 500.00
Change 300.00
01-15-2014
14:30Recpt#104071
THANK YOU
Data Cube
Supermarket
TAX ID # 3011693025
POS ID # 10C400101700934
1P BEER 25.00
1P EGGS 30.00
Total **** 55.00
CASH 100.00
Change 45.00
01-16-2014
14:15Recpt#104071
THANK YOU

(data)3 
• แปลงข้อมูลจาก POS database เป็น transaction database โดย
group by ตามเวลาที่ซื้อสินค้า
56
1 01-13-2014 20:04 Apple
1 01-13-2014 20:04 Cereal
1 01-13-2014 20:04 Diapers
2 01-14-2014 11:30 Beer
2 01-14-2014 11:30 Cereal
2 01-14-2014 11:30 Eggs
3 01-15-2014 14:30 Apple
3 01-15-2014 14:30 Beer
3 01-15-2014 14:30 Cereal
3 01-15-2014 14:30 Eggs
4 01-16-2014 14:15 Beer
4 01-16-2014 14:15 Eggs
Transaction ID Items
1 Apple, Cereal, Diapers
2 Beer, Cereal, Eggs
3 Apple, Beer, Cereal, Eggs
4 Beer, Eggs

(data)3 
• สินค้าที่มีการซื้อมากกว่าหรือเท่ากับ 50% เรียกว่า frequent itemset
57
Frequent itemset Support Size
{Apple} 2/4 = 50% 1
{Beer} 3/4 = 75% 1
{Cereal} 3/4 = 75% 1
{Eggs} 3/4 = 75% 1
{Apple, Cereal} 2/4 = 50% 2
{Beer, Cereal} 2/4 = 50% 2
{Beer, Eggs} 3/4 = 75% 2
{Cereal, Eggs} 2/4 = 50% 2
{Beer, Cereal, Eggs} 2/4 = 50% 3
Transaction ID Items
1 Apple, Cereal, Diapers
2 Beer, Cereal, Eggs
3 Apple, Beer, Cereal, Eggs
4 Beer, Eggs
transaction database

(data)3 
Association rules
• กฏความสัมพันธ์ (association rules)
• สร้างจากสินค้าที่ลูกค้าซื้อบ่อยๆ
• รูปแบบของกฏความสัมพันธ์ คือ
• LHS คือ Left Hand Side สินค้าที่ซื้อพร้อมกันบ่อยๆ ด้านซ้ายของกฏ
• RHS คือ Right Hand Side สินค้าที่ซื้อพร้อมกันบ่อยๆ ด้านขวาของกฏ
58
Frequent itemset Support Size
{Apple, Cereal} 2/4 = 50% 2
{Beer, Cereal} 2/4 = 50% 2
{Beer, Eggs} 3/4 = 75% 2
{Cereal, Eggs} 2/4 = 50% 2
{Beer, Cereal, Eggs} 2/4 = 50% 3
LHS RHS
Apple Cereal
Beer Eggs
Eggs Beer
Cereal Apple
Beer Cereal
Cereal Eggs
Cereal, Eggs Beer

(data)3 
Applications
• ใช้ในการเพิ่มยอดขายโดยการแนะนำสินค้าที่ลูกค้ามักจะซื้อพร้อม 
กันบ่อยๆ (cross-selling)
• ใช้ในการจัดสินค้าในร้าน
• วางสินค้าที่ลูกค้ามักจะซื้อพร้อมกันไว้ใกล้ๆ กัน
• วางสินค้าที่ลูกค้ามักจะซื้อพร้อมกันไว้ไกลๆ กัน
59

(data)3 
Market Basket using RM 6
• แปลงข้อมูลจาก POS database เป็นตาราง
60
1 01-13-2014 20:04 Apple
1 01-13-2014 20:04 Beer
1 01-13-2014 20:04 Diapers
2 01-14-2014 11:30 Beer
2 01-14-2014 11:30 Cereal
2 01-14-2014 11:30 Eggs
3 01-15-2014 14:30 Apple
3 01-15-2014 14:30 Beer
3 01-15-2014 14:30 Cereal
3 01-15-2014 14:30 Eggs
4 01-16-2014 14:15 Beer
4 01-16-2014 14:15 Eggs
TID Apple Beer Cereal Diapers Eggs
1 TRUE TRUE FALSE TRUE FALSE
2 FALSE TRUE TRUE FALSE TRUE
3 TRUE TRUE TRUE FALSE TRUE
4 FALSE TRUE FALSE FALSE TRUE

(data)3 
Data preparation in RM 6
• เลือกโอเปอเรเตอร์ที่เกี่ยวข้องมาวางใน Process
61

(data)3 
Data preparation in RM 6
• ผลการแปลงจาก POS database
62
ข้อมูลในรูปแบบ
transaction database

(data)3 
Association rules in RM 6
• เลือกโอเปอเรเตอร์ที่เกี่ยวข้องมาวางใน Process
63
โอเปอเรเตอร์ที่เพิ่มขึ้นมา 
สำหรับการหากฏความสัมพันธ์

(data)3 
• แสดงสินค้าที่มีการซื้อร่วมกันบ่อยๆ
64
ส่วน ﬁlter ส่วนสินค้าที่พบว่าซื้อพร้อมกันบ่อยๆ
คลิกที่ header ของแต่ละ
คอลัมน์เพื่อ sort

(data)3 
• แสดงกฏความสัมพันธ์ที่หาได้
65
ส่วน ﬁlter
ส่วนแสดงกฏความสัมพันธ์

DEMO
(data)3 

(data)3 
Mass Marketing vs Direct Marketing
• การตลาดแบบ mass marketing
67
marketing  
campaign
20 40 60 80 100 120 140 160
8
16
จำนวนผู้ตอบรับ campaign (responders)
จำนวนผู้ได้รับ campaign (prospects)
24
32
40
48
56
64

(data)3 
• การตลาดแบบ direct marketing
68
marketing  
campaign
20 40 60 80 100 120 140 160
8
16
24
32
40
48
56
64
Mass
Direct

(data)3 
• การตลาดแบบ direct marketing
69
marketing  
campaign
20 40 60 80 100 120 140 160
8
16
24
32
40
48
56
64
Beneﬁt

(data)3 
How to collect data ?
• แอตทริบิวต์ (attribute) คุณลักษณะของลูกค้าแต่ละราย
• ในทางสถิติจะเรียกว่าตัวแปรอิสระ (independent variable)
• Demographic data คือ ข้อมูลเชิงประชากร เช่น เพศ อายุ รายได้ ที่อยู่อาศัย
• Behavioural data คือ ข้อมูลพฤติกรรมการใช้งานของลูกค้า
• ส่วนใหญ่มักจะช่วยในการ predict ได้มากกว่า demographic data (Ref: Data Mining
cookbook, Wiley)
• ลาเบล (label) คำตอบที่สนใจ เช่น การตอบรับ campaign หรือไม่
• ในทางสถิติจะเรียกว่าตัวแปรตาม (dependent variable)
70
Customer_id Age Gender Area Email Mobile Logins 4 weeks Sales 4 weeks Response
ID140001 64 female urban free never 1 0 no
ID140002 49 male urban premium never 0 0 yes
ID140003 63 male urban free never 0 0 no
ID140004 75 male urban premium yes 0 0 yes
demographic data labelID behavioural data

(data)3 
How to collect data ?
• ต้องหาข้อมูลที่มีผลการตอบรับ campaign เพื่อใช้ในการสร้าง
predictive model
• อาจจะใช้ข้อมูลจากการตอบรับ campaign ก่อนหน้าที่ใกล้เคียงกัน
• ถ้าไม่มีอาจจะต้องสร้างข้อมูลใหม่โดยการสุ่มลูกค้าและส่ง campaign ไปให้
• ข้อมูลนี้เรียกว่า training data
71
ID A G Ar E M L S R
1 .. .. .. .. .. .. .. N
2 .. .. .. .. .. .. .. Y
3 .. .. .. .. .. .. .. N
4 .. .. .. .. .. .. .. Y
ข้อมูลผลการตอบรับ campaign ก่อนหน้า
ID A G Ar E M L R
1 .. .. .. .. .. .. ..
2 .. .. .. .. .. .. ..
3 .. .. .. .. .. .. ..
4 .. .. .. .. .. .. ..
ช่วงเวลาในการส่ง campaign
ID R
1 N
2 Y
3 N
4 Y
ผลการตอบรับ campaign

(data)3 
Decision Tree
• เป็นเทคนิคที่นิยมใช้ในการทำ predictive modeling
• ขั้นตอนการสร้าง decision tree จะเลือกแอตทริบิวต์ที่มีความสัมพันธ์
กับคลาสมาใช้งาน
Logins 4 weeks
> 6.5 < 6.5
Emailyes
yes
= free = premium
Sales 4 weeks
yes no
> 2 < 2
!
• IF Logins 4 weeks > 6.5 THEN
Response = yes
• IF Logins 4 weeks < 6.5 AND 
Email = premium THEN 
Response = yes
Email = free AND 
Sales 4 weeks > 2 THEN 
Response = yes
Email = free AND 
Sales 4 weeks < 2 THEN 
Response = no
72
business rule ที่ได้จากโมเดล decision tree

(data)3 
Evaluate Decision Tree model
• แบ่งข้อมูลที่ได้ออกเป็น 2 ส่วน
• ส่วนที่ 1 training data ใช้ในการสร้างโมเดล แบ่งข้อมูลประมาณ 70%
• ส่วนที่ 2 testing data ใช้ในการทดสอบโมเดล แบ่งข้อมูลประมาณ 30%
• ใช้โมเดลที่ได้ทำนายผลการตอบรับ campaign
• เปรียบเทียบกับข้อมูลผลการตอบรับ campaign ที่มีอยู่
73
สร้าง Decision Tree model
classiﬁcation model
ID R P
4 N N
5 Y Y
1
2
3 4
ID A G Ar E M L S Res
1 … … … … … … … N
2 … … … … … … … Y
3 … … … … … … … N
ID A G Ar E M L S Res
4 … … … … … … … ?
5 … … … … … … … ?
training data
testing data

(data)3 
Evaluate Decision Tree model
• ตัววัดประสิทธิภาพของโมเดล
• ค่าความถูกต้อง (Accuracy) คือจำนวนที่โมเดลทำนายได้ตรงกับผลเฉลย
• จากตัวอย่างความถูกต้อง คือ 8/10 = 80%
74
ID Response Predicted
1 no no
2 yes yes
3 no yes
4 no no
5 yes yes
6 yes yes
7 yes no
8 no no
9 no no
10 yes yes
ID Response Predicted
1 no no
2 yes yes
3 no yes
4 no no
5 yes yes
6 yes yes
7 yes no
8 no no
9 no no
10 yes yes

(data)3 
Customer_id Email Mobile
Logins 4
weeks
Sales 4
weeks
Res
ID140011 free never 0 1 ?
ID140012 premium never 3 0 ?
Decision Tree model
• ใช้โมเดลที่สร้างได้ทำนายผลการ response กับลูกค้าใหม่
75
Logins 4 weeks
> 6.5 < 6.5
Emailyes
yes
= free = premium
Sales 4 weeks
yes no
> 2 < 2

(data)3 
Logins 4
weeks
Sales 4
weeks
Res
ID140011 free never 0 1 ?
Decision Tree model
76
Logins 4 weeks
> 6.5 < 6.5
Emailyes
yes
= free = premium
Sales 4 weeks
yes no
> 2 < 2

(data)3 
Decision Tree model
77
Logins 4 weeks
> 6.5 < 6.5
Emailyes
yes
= free = premium
Sales 4 weeks
yes no
> 2 < 2
Logins 4
weeks
Sales 4
weeks
Res
ID140011 free never 0 1 no

(data)3 
Decision Tree model
Logins 4
weeks
Sales 4
weeks
Res
78
Logins 4 weeks
> 6.5 < 6.5
Emailyes
yes
= free = premium
Sales 4 weeks
yes no
> 2 < 2

(data)3 
Decision Tree model
Logins 4
weeks
Sales 4
weeks
Res
ID140012 premium never 3 0 yes
79
Logins 4 weeks
> 6.5 < 6.5
Emailyes
yes
= free = premium
Sales 4 weeks
yes no
> 2 < 2

(data)3 
Direct Marketing in RM 6
• เลือก Application Wizard จากหน้า Home
80
เลือก Application Wizard

(data)3 
• ขั้นตอนที่ 1 เลือก Direct Marketing
81
เลือก Direct Marketing

(data)3 
• ขั้นตอนที่ 2 เลือกข้อมูลตัวอย่าง (demo)
82
เลือก demo data

(data)3 
• ขั้นตอนที่ 3 เลือกแอตทริบิวต์ที่ต้องการให้เป็นคำตอบ
83
เลือกแอตทริบิวต์ เริ่มการทำงาน

(data)3 
• ผลการทำงาน
84

(data)3 
• ผลการทำงาน
85

Direct Marketing
DEMO
(data)3 

(data)3 
For more information
• หนังสือเกี่ยวกับ RapidMiner version 5 และ 6
!
!
!
!
• Contact me:
• Facebook: http://www.facebook.com/datacube.th
• E-mail: sit.ake@gmail.com
• Line: eakasitp
87

(data)3 
For more information
• เปิดรับสมัครหลักสูตรการวิเคราะห์ข้อมูลด้วยเทคนิค Data Mining  
โดยซอฟต์แวร์ RapidMiner Studio 6 (ขั้นพื้นฐานและปานกลาง)  
รุ่นที่ 4
• วันที่อบรม 26-28 กันยายน 2557
• อบรมที่ โรงแรม KU Home มหาวิทยาลัยเกษตรศาสตร์ บางเขน
• รายละเอียดเพิ่มเติม
• http://dataminingtrend.com/2014/training/rapidminer-training-4/
88

Data Mining for Thai

Recommended

Recommended

More Related Content

Viewers also liked

Viewers also liked (10)

More from Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University

More from Big Data Engineering, Faculty of Engineering, Dhurakij Pundit University (6)

Data Mining for Thai