បញ្ហា (The Problem)៖ អត្ថបទនេះដោះស្រាយបញ្ហានៃការវាយតម្លៃលើប្រសិទ្ធភាព និងចន្លោះប្រហោងនៃការប្រើប្រាស់ក្បួនដោះស្រាយ Apriori នៅក្នុងការស្វែងរកច្បាប់សមាគម (Association Rule Mining) ដើម្បីបង្កើនប្រសិទ្ធភាពយុទ្ធសាស្រ្តទីផ្សារលក់រាយ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្រ្តរំលឹកអក្សរសិល្ប៍ជាប្រព័ន្ធ (Systematic Literature Review) ដោយធ្វើការវិភាគស៊ីជម្រៅលើអត្ថបទស្រាវជ្រាវចំនួន ៥ ដែលពាក់ព័ន្ធនឹងការអនុវត្តក្បួនដោះស្រាយនេះនៅក្នុងវិស័យលក់រាយ និងពាណិជ្ជកម្មអេឡិចត្រូនិក។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Apriori Algorithm ក្បួនដោះស្រាយ Apriori (ការស្វែងរកច្បាប់សមាគម) |
ងាយស្រួលក្នុងការស្វែងរកគំរូទិញទំនិញ និងបកប្រែទៅជាការអនុវត្តជាក់ស្តែង ព្រមទាំងផ្តល់នូវច្បាប់សមាគមច្បាស់លាស់។ វាជួយភ្ជាប់លទ្ធផលវិភាគទៅនឹងការសម្រេចចិត្តរបស់អ្នកគ្រប់គ្រង។ | មានភាពយឺតយ៉ាវ និងមិនសូវមានប្រសិទ្ធភាពបើប្រៀបធៀបទៅនឹងក្បួនដោះស្រាយផ្សេងទៀតនៅពេលប្រើលើទិន្នន័យធំៗ (Big Data)។ លទ្ធផលច្រើនតែមានលក្ខណៈពណ៌នា (Descriptive) ដោយមិនមានការបញ្ជាក់ពីទំនាក់ទំនងហេតុនិងផលច្បាស់លាស់។ | ស្វែងរកឃើញច្បាប់សមាគមជាច្រើន (ឧទាហរណ៍ ១១៨ ច្បាប់ក្នុងអត្ថបទទី៣) ដែលមានតម្លៃ Support និង Confidence ច្បាស់លាស់ សម្រាប់ប្រើប្រាស់ក្នុងយុទ្ធសាស្ត្រលក់ទំនិញជាកញ្ចប់ (Bundling)។ |
| FP-Growth Algorithm ក្បួនដោះស្រាយ FP-Growth (ជម្រើសប្រៀបធៀបដែលត្រូវបានលើកឡើង) |
ត្រូវបានលើកឡើងនៅក្នុងឯកសារថាជាជម្រើសក្បួនដោះស្រាយដែលមានប្រសិទ្ធភាព និងលឿនជាង Apriori ជាពិសេសសម្រាប់ការវិភាគលើសំណុំទិន្នន័យប្រតិបត្តិការដែលមានទំហំធំ។ | មិនត្រូវបានយកមកប្រើប្រាស់ ឬធ្វើការប្រៀបធៀបឱ្យបានទូលំទូលាយនៅក្នុងការសិក្សាទាំង៥ ដែលត្រូវបានពិនិត្យនៅក្នុងអត្ថបទនេះនៅឡើយទេ។ | ឯកសារបានចង្អុលបង្ហាញថា ការមិនប្រើប្រាស់ ឬប្រៀបធៀបជាមួយ FP-Growth គឺជាចន្លោះប្រហោង (Gap) នៃការស្រាវជ្រាវបច្ចុប្បន្ន។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារមិនបានបញ្ជាក់លម្អិតពីថ្លៃដើម ឬតម្រូវការផ្នែករឹងនោះទេ ប៉ុន្តែផ្អែកលើធម្មជាតិនៃក្បួនដោះស្រាយ វាទាមទារធនធានទិន្នន័យនិងផ្នែកទន់ជាចាំបាច់។
ការសិក្សាទាំង៥ដែលបានលើកយកមកពិនិត្យ ភាគច្រើនផ្តោតលើទិន្នន័យទីផ្សារនៅក្នុងប្រទេសឥណ្ឌូនេស៊ី (ផ្សារទំនើប ឱសថស្ថាន និងពាណិជ្ជកម្មអេឡិចត្រូនិក)។ ដោយសារបរិបទទីផ្សារឥណ្ឌូនេស៊ី និងកម្ពុជាមានភាពស្រដៀងគ្នាខ្លះក្នុងការអភិវឌ្ឍ លទ្ធផលនេះអាចជាគំរូល្អ ប៉ុន្តែកម្ពុជាចាំបាច់ត្រូវមានទិន្នន័យក្នុងស្រុកផ្ទាល់ខ្លួន ដោយសារអាកប្បកិរិយាអ្នកប្រើប្រាស់ ការឆ្លើយតបនឹងការបញ្ចុះតម្លៃ និងកត្តារដូវកាលអាចមានភាពខុសគ្នា។
វិធីសាស្ត្រនេះមានសារៈប្រយោជន៍ និងអាចយកមកអនុវត្តបានយ៉ាងមានប្រសិទ្ធភាព សម្រាប់ពង្រីកយុទ្ធសាស្ត្រទីផ្សារក្នុងវិស័យលក់រាយនៅប្រទេសកម្ពុជា។
សរុបមក ការប្រើប្រាស់ Data Mining តាមរយៈក្បួន Apriori នឹងជួយឱ្យអ្នកលក់រាយនៅកម្ពុជាផ្លាស់ប្តូរពីការលក់ដោយផ្អែកលើការស្មាន ទៅជាការរៀបចំយុទ្ធសាស្ត្រផ្អែកលើទិន្នន័យពិតប្រាកដ (Data-driven decisions)។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Data Mining | ការរុករកទិន្នន័យ គឺជាដំណើរការនៃការទាញយកលំនាំ (Patterns) ឬព័ត៌មានដែលមានប្រយោជន៍ពីក្នុងបណ្តុំទិន្នន័យដ៏ធំ ដើម្បីយកមកវិភាគ និងគាំទ្រដល់ការសម្រេចចិត្តអាជីវកម្ម ឬព្យាករណ៍ពីនិន្នាការនាពេលអនាគត។ | ដូចជាការរែងរកមាសចេញពីគំនរខ្សាច់ដ៏ធំ ដើម្បីយករបស់ដែលមានតម្លៃបំផុត។ |
| Association Rule Mining | ជាបច្ចេកទេសមួយក្នុង Data Mining ដែលប្រើសម្រាប់ស្វែងរកទំនាក់ទំនង ឬច្បាប់នៃការកើតឡើងជាមួយគ្នារវាងអថេរផ្សេងៗនៅក្នុងបណ្តុំទិន្នន័យធំៗ ពិសេសការរកមើលថាទំនិញណាខ្លះដែលអតិថិជនតែងតែទិញជាមួយគ្នាក្នុងពេលតែមួយ។ | ដូចជាការសង្កេតរកមើលច្បាប់ទម្លាប់ថា រាល់ពេលដែលមានអ្នកទិញនំប៉័ង ពួកគេតែងតែទិញប៊ឺរមកជាមួយដែរជានិច្ច។ |
| Apriori Algorithm | ក្បួនដោះស្រាយតាមលំដាប់លំដោយមួយ ដែលត្រូវបានប្រើដើម្បីស្វែងរកសំណុំទំនិញដែលកើតឡើងញឹកញាប់ (Frequent Itemsets) សម្រាប់បង្កើតជាច្បាប់សមាគម ដោយវាធ្វើការកាត់បន្ថយជម្រើសដែលមិនសូវសំខាន់ចោលជាបន្តបន្ទាប់ដើម្បីចំណេញពេលរុករក។ | ដូចជាការទាយទុកមុនថា បើអ្នកមិនចូលចិត្តញ៉ាំសាច់គោទេ អ្នកក៏ប្រហែលជាមិនកុម្ម៉ង់ស៊ុបគោដែរ ដូច្នេះគេមិនចាំបាច់សួរនាំរឿងស៊ុបគោទៀតដើម្បីចំណេញពេល។ |
| FP-Growth | ជាក្បួនដោះស្រាយសម្រាប់ស្វែងរកសំណុំទំនិញញឹកញាប់ដូច Apriori ដែរ ប៉ុន្តែវាមានប្រសិទ្ធភាព និងលឿនជាង ដោយសារវាមិនចាំបាច់បង្កើតទិន្នន័យសាកល្បងច្រើនដង តែវាប្រើរចនាសម្ព័ន្ធដើមឈើ (Tree Structure) ដើម្បីផ្ទុកទិន្នន័យសង្ខេប។ | ជំនួសឱ្យការរាប់ទំនិញម្តងមួយៗច្រើនសារ (Apriori) FP-Growth ប្រៀបដូចជាការគូរផែនទីដើមឈើតែម្តង ដើម្បីមើលថាតើផ្លូវណាដែលមានអ្នកដើរកាត់ច្រើនជាងគេបំផុត។ |
| Market Basket Analytics | ការវិភាគកញ្ចប់ទីផ្សារ គឺជាការសិក្សាលើទម្លាប់នៃការទិញរបស់អតិថិជន ដើម្បីស្វែងយល់ថាតើផលិតផលអ្វីខ្លះដែលពួកគេតែងទិញដាក់ក្នុងកញ្ចប់ ឬរទេះតែមួយ សម្រាប់យកទៅរៀបចំប្រូម៉ូសិន យុទ្ធសាស្ត្រលក់ ឬការដាក់តាំងទំនិញនៅលើធ្នើរ។ | ដូចជាអ្នកលក់សង្កេតមើលកន្ត្រកផ្សាររបស់អ្នកទិញ ដើម្បីដឹងថាបើគេដាក់លក់ទឹកត្រីនៅជិតអំបិល តើគេអាចលក់ដាច់ជាងមុនឬអត់។ |
| Support | ជារង្វាស់មួយនៅក្នុង Association Rule Mining ដែលបង្ហាញពីភាគរយ ឬភាពញឹកញាប់នៃសំណុំទំនិញណាមួយ ដែលត្រូវបានទិញ ធៀបទៅនឹងចំនួនប្រតិបត្តិការទិញលក់សរុបទាំងអស់។ វាជួយប្រាប់ថាទំនិញនោះពេញនិយមកម្រិតណា។ | បើក្នុងចំណោមអតិថិជន ១០០នាក់ មាន ២០នាក់ទិញកាហ្វេ នោះតម្លៃ Support របស់កាហ្វេគឺ ២០%។ |
| Confidence | ជារង្វាស់ដែលប្រាប់ពីភាពប្រាកដប្រជាថា ប្រសិនបើអតិថិជនទិញទំនិញ A ហើយ តើមានឱកាសប៉ុន្មានភាគរយដែលពួកគេនឹងទិញទំនិញ B បន្ថែមទៀត។ វាកំណត់កម្លាំងនៃទំនាក់ទំនងរវាងទំនិញទាំងពីរ។ | បើមានមនុស្ស ១០នាក់ទិញទូរស័ព្ទ ហើយក្នុងនោះមាន ៨នាក់ទិញស្រោមទូរស័ព្ទបន្ថែម នោះ Confidence គឺ ៨០%។ |
| A/B testing | វិធីសាស្ត្រពិសោធន៍ដើម្បីប្រៀបធៀបយុទ្ធសាស្ត្រពីរផ្សេងគ្នា (A និង B) ក្នុងបរិស្ថានជាក់ស្តែង ដើម្បីវាស់ស្ទង់ថាតើកំណែមួយណាមានដំណើរការ ឬផ្តល់លទ្ធផលល្អជាង ដោយផ្អែកលើទិន្នន័យនៃការឆ្លើយតបរបស់អ្នកប្រើប្រាស់ពិតប្រាកដ។ | ដូចជាការសាកល្បងបិទផ្ទាំងពាណិជ្ជកម្មពណ៌ក្រហមនៅហាងទី១ និងពណ៌ខៀវនៅហាងទី២ រួចតាមដានមើលថាតើហាងមួយណាមានអតិថិជនចូលច្រើនជាង។ |
| Bundling | យុទ្ធសាស្រ្តលក់ដែលអាជីវកម្មចងផលិតផល ឬសេវាកម្មច្រើនបញ្ចូលគ្នា ហើយលក់ចេញជាកញ្ចប់តែមួយ ដែលភាគច្រើនត្រូវបានដាក់លក់ក្នុងតម្លៃថោកជាងការទិញរាយរាច់ ដើម្បីជំរុញទំហំនៃការលក់។ | ដូចជាការទិញឈុតអាហារ (ដែលមានប៊ឺហ្គឺរ ដំឡូងបំពង និងកូកាកូឡាស្រាប់) ក្នុងតម្លៃពិសេស ជំនួសឱ្យការទិញវាដាច់ដោយឡែកពីគ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
