Original Title: Data Mining Menentukan Pola Penjualan Menggunakan Metode Market Basket Analisis Dengan Algoritma FP GROWTH Untuk Menentukan Strategi Penjualan (Studi Kasus : Minimarket Kharisma Palembang)
Source: repository.binadarma.ac.id
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការខុតយកទិន្នន័យដើម្បីកំណត់លំនាំនៃការលក់ដោយប្រើវិធីសាស្ត្រវិភាគ Market Basket ជាមួយអាល់គូរីត FP GROWTH ដើម្បីកំណត់យុទ្ធសាស្ត្រលក់ (ករណីសិក្សា៖ ផ្សារតូច Kharisma Palembang)

ចំណងជើងដើម៖ Data Mining Menentukan Pola Penjualan Menggunakan Metode Market Basket Analisis Dengan Algoritma FP GROWTH Untuk Menentukan Strategi Penjualan (Studi Kasus : Minimarket Kharisma Palembang)

អ្នកនិពន្ធ៖ FEBRI KURNIANSYAH

ឆ្នាំបោះពុម្ព៖ 2019

វិស័យសិក្សា៖ Information Systems

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការយល់ដឹងពីឥរិយាបថនៃការទិញរបស់អតិថិជន ដើម្បីបង្កើនយុទ្ធសាស្ត្រទីផ្សារនិងការលក់នៅផ្សារតូច។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់បច្ចេកទេស Data Mining ជាមួយនឹង Market Basket Analysis និងអាល់គូរីត FP-Growth លើទិន្នន័យប្រតិបត្តិការ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Market Basket Analysis with Apriori
ការវិភាគ Market Basket ជាមួយអាល់គូរីត Apriori		 ងាយស្រួលយល់ និងអនុវត្ត។ ជាវិធីសាស្ត្រមូលដ្ឋានក្នុងការស្វែងរក Association Rules។ ត្រូវការស្កេនទិន្នន័យ (Database) ជាច្រើនដង ដែលធ្វើឱ្យយឺត និងប្រើប្រាស់ធនធានច្រើននៅពេលទិន្នន័យធំ។ មិនបានផ្តោតលើលទ្ធផលជាក់ស្តែងក្នុងឯកសារនេះទេ តែត្រូវបានលើកឡើងថាជាមូលដ្ឋាននៃ FP-Growth។
Market Basket Analysis with FP-Growth (Proposed)
ការវិភាគ Market Basket ជាមួយអាល់គូរីត FP-Growth (វិធីសាស្ត្រស្នើ)		 មានល្បឿនលឿនជាង Apriori ដោយមិនចាំបាច់បង្កើត Candidate itemsets។ ស្កេនទិន្នន័យត្រឹមតែ២ដងប៉ុណ្ណោះដោយប្រើ FP-Tree។ ការបង្កើត និងរក្សាទុក FP-Tree អាចប្រើប្រាស់អង្គចងចាំ (Memory) ច្រើនប្រសិនបើទិន្នន័យធំ ហើយមាន Item ផ្សេងៗគ្នាជាច្រើន។ ស្វែងរកឃើញគំរូទិញទំនិញញឹកញាប់ (ឧទាហរណ៍: ការទិញ SGM EKSPLOR 1+ MADU 150 GR ជាមួយ SGM EKSPLOR 1+ VANILA 150 GR) ដែលមានតម្លៃ Support និង Confidence ខ្ពស់ ដើម្បីរៀបចំយុទ្ធសាស្ត្រតាំងលក់។

ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់ពីការប្រើប្រាស់កម្មវិធី និងទិន្នន័យជាក់លាក់សម្រាប់ការវិភាគ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះប្រើប្រាស់ទិន្នន័យលក់របស់ Minimarket Kharisma នៅទីក្រុង Palembang ប្រទេសឥណ្ឌូនេស៊ី។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីទម្លាប់ទិញរបស់អតិថិជននៅក្នុងតំបន់នោះ និងក្នុងរយៈពេល៣ខែប៉ុណ្ណោះ។ សម្រាប់កម្ពុជា ទម្លាប់នៃការទិញអាចមានភាពខុសគ្នា អាស្រ័យលើទីកន្លែង និងវប្បធម៌។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនៃការវិភាគ Market Basket ជាមួយ FP-Growth នេះមានអត្ថប្រយោជន៍ និងអាចអនុវត្តបានសម្រាប់អាជីវកម្មលក់រាយនៅកម្ពុជា។

ការអនុវត្តវិធីសាស្ត្រនេះអាចជួយបង្កើនការលក់ និងការចាត់ចែងស្តុកទំនិញបានកាន់តែមានប្រសិទ្ធភាពសម្រាប់អាជីវកម្មខ្នាតតូច និងមធ្យមនៅកម្ពុជា ប្រសិនបើមានប្រព័ន្ធរក្សាទុកទិន្នន័យត្រឹមត្រូវ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ការប្រមូល និងរៀបចំទិន្នន័យ (Data Collection & Preprocessing): ប្រមូលទិន្នន័យលក់ចេញពីប្រព័ន្ធ Point of Sale (POS) ដោយត្រូវមានព័ត៌មានដូចជា លេខវិក័យប័ត្រ (Transaction ID) និងឈ្មោះទំនិញ (Item Name)។ ប្រើប្រាស់កម្មវិធី Microsoft Excel ដើម្បីសម្អាត និងបម្លែងទិន្នន័យទៅជាទម្រង់ .csv។
  2. ការរៀបចំទិន្នន័យសម្រាប់វិភាគ (Data Transformation): បម្លែងទិន្នន័យទិញលក់ទៅជាទម្រង់ Tabular (Matrix) ដែលបង្ហាញពីវត្តមាន (True/False ឬ 1/0) នៃទំនិញនីមួយៗក្នុងប្រតិបត្តិការនីមួយៗ។ នេះជាជំហានចាំបាច់មុននឹងបញ្ចូលទៅក្នុងកម្មវិធីវិភាគ។
  3. អនុវត្តការវិភាគដោយប្រើ RapidMiner: ទាញយក និងដំឡើងកម្មវិធី RapidMiner។ ប្រើ Read CSV Operator ដើម្បីបញ្ចូលទិន្នន័យ។ បន្ទាប់មក ប្រើ FP-Growth Operator ដើម្បីរក Frequent Itemsets និង Create Association Rules Operator ដើម្បីទាញយកវិធាន។
  4. កំណត់តម្លៃ Support និង Confidence: សាកល្បងកំណត់តម្លៃ Min Support (ឧ. 10%, 20%) និង Min Confidence (ឧ. 50%, 80%) ផ្សេងៗគ្នា នៅក្នុងកម្មវិធី RapidMiner ដើម្បីស្វែងរកវិធាន (Rules) ដែលមានន័យបំផុតសម្រាប់អាជីវកម្មរបស់អ្នក។
  5. ការបកស្រាយលទ្ធផល និងរៀបចំយុទ្ធសាស្ត្រ: យកវិធានដែលទទួលបាន (ឧ. បើទិញ A, នឹងទិញ B) មកអនុវត្តជាក់ស្តែង ដូចជាការដាក់តាំងទំនិញ A និង B នៅជិតគ្នា (Product Display) ឬបង្កើតជាកញ្ចប់បញ្ចុះតម្លៃ (Bundling Promotion)។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Market Basket Analysis ជាបច្ចេកទេសវិភាគទិន្នន័យដើម្បីស្វែងយល់ពីលំនាំនៃការទិញទំនិញរបស់អតិថិជន ដោយរកមើលថាតើទំនិញណាខ្លះដែលអតិថិជនច្រើនតែទិញជាមួយគ្នា។ ដូចជាការពិនិត្យមើលកន្ត្រកទិញទំនិញរបស់ភ្ញៀវ ដើម្បីដឹងថាបើគេទិញសាច់ គេច្រើនតែទិញបន្លែអ្វីខ្លះតាមក្រោយ។
FP-Growth ជាអាល់គូរីតមួយក្នុង Data Mining ប្រើសម្រាប់ស្វែងរកសំណុំទំនិញដែលលក់ដាច់ញឹកញាប់ ដោយមិនចាំបាច់បង្កើតបេក្ខជនសំណុំទំនិញ (candidate itemsets) ដែលធ្វើឱ្យវាមានល្បឿនលឿន។ ដូចជាវិធីកាត់ផ្លូវកាត់ដើម្បីរកមើលថាទំនិញណាគេទិញញឹកញាប់ ដោយមិនបាច់រាប់រៀបផ្សំទំនិញម្តងមួយគូៗនោះទេ។
Association Rules ជាវិធានឬច្បាប់ដែលទាញចេញពីទិន្នន័យ ដែលបង្ហាញពីទំនាក់ទំនងរវាងទំនិញ ឧទាហរណ៍៖ បើអតិថិជនទិញទំនិញ A នោះមានឱកាសប៉ុន្មានភាគរយដែលពួកគេនឹងទិញទំនិញ B។ ដូចជាការទស្សន៍ទាយថា 'បើមេឃស្រទុំ (A) នោះភាគច្រើននឹងមានភ្លៀងធ្លាក់ (B)'។
Frequent Itemset ជាសំណុំនៃទំនិញ (មួយ ឬច្រើន) ដែលលេចឡើងញឹកញាប់ជាមួយគ្នានៅក្នុងកំណត់ត្រាប្រតិបត្តិការ (ទិន្នន័យលក់) លើសពីកម្រិតកំណត់ (minimum support)។ ដូចជាការរកឃើញថា 'នំប៉័ង និងប៊ឺ' តែងតែត្រូវគេទិញជាមួយគ្នាជារៀងរាល់ព្រឹក។
Crossselling ជាយុទ្ធសាស្ត្រលក់ ដែលអ្នកលក់លើកទឹកចិត្តឱ្យអតិថិជនទិញផលិតផលបន្ថែម ឬផលិតផលដែលពាក់ព័ន្ធនឹងអ្វីដែលពួកគេកំពុងទិញរួចហើយ។ ដូចជានៅពេលអ្នកទិញទូរស័ព្ទ អ្នកលក់សួរថាចង់ទិញស្រោមទូរស័ព្ទការពារបន្ថែមដែរឬទេ។
Data Transformation ជាដំណើរការផ្លាស់ប្តូរទម្រង់ទិន្នន័យពីទម្រង់ដើម ទៅជាទម្រង់មួយទៀតដែលស័ក្តិសមសម្រាប់ការវិភាគ ឬប្រើប្រាស់នៅក្នុងកម្មវិធី (ឧទាហរណ៍ បំប្លែងទៅជា True/False ឬ 0/1)។ ដូចជាការប្តូរប្រាក់ពីរៀលទៅជាដុល្លារ ដើម្បីងាយស្រួលទិញទំនិញនៅក្រៅប្រទេស។
Support ក្នុង Association Rules វាគឺជារង្វាស់ដែលបង្ហាញពីភាគរយនៃប្រតិបត្តិការសរុប ដែលមានផ្ទុកនូវសំណុំទំនិញជាក់លាក់ណាមួយ។ ដូចជាការគិតថា ក្នុងចំណោមមនុស្ស១០០នាក់ មានប៉ុន្មាននាក់ដែលចូលចិត្តផឹកកាហ្វេ។
Confidence ជារង្វាស់ដែលបង្ហាញពីភាពជឿជាក់នៃវិធាន ដោយគិតជាភាគរយថា តើអតិថិជនដែលទិញទំនិញ A នឹងបន្តទិញទំនិញ B ញឹកញាប់កម្រិតណា។ ដូចជាការប្រាកដចិត្តថា បើឃើញមនុស្សកាន់ឆ័ត្រ ៨០% គឺមេឃកំពុងភ្លៀង។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖