Browsing by Subject "เหมืองข้อมูล"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
- Publicationการทําเหมืองข้อมูลเพื่อพยากรณ์โอกาสลูกค้ามีหนี้ค้างชําระ(University of the Thai Chamber of Commerce, 2020)
; ; ; ; 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 ตามลําดับ131 573 - Publicationการประยุกต์เหมืองข้อมูลเพื่อพยากรณ์ปัจจัยที่ทําให้เกิดหนี้ค้าง ภายใต้การให้บริการด้านสินเชื่อโครงการสินเชื่อดิจิทัล (Digital Lending)(University of the Thai Chamber of Commerce, 2021)
; ; ; ; การศึกษาครั้งนี้ มีวัตถุประสงค์เพื่อศึกษาปัจจัยที่ทำให้เกิดปัญหาหนี้ค้าง (NPL) ผ่านโครงการพัฒนาระบบสินเชื่อดิจิทัล (Digital Lending) ในกลุ่มลูกค้าของธนาคารเพื่อการเกษตรและสหกรณ์การเกษตร (ธ.ก.ส.) จังหวัดลพบุรี และเพื่อประยุกต์เหมืองข้อมูลในการอนุมัติสินเชื่อในการแก้ไขปัญหาการจ่ายเงินกู้ โดยเก็บรวบรวมข้อมูลของลูกค้าเงินกู้ที่เข้าร่วมโครงการสินเชื่อฉุกเฉินที่มีอยู่ในระบบสารสนเทศของธนาคารเพื่อการเกษตรและสหกรณ์การเกษตร จังหวัดลพบุรี จำนวน 9,002 ราย จากการที่ลูกค้ากรอกข้อมูลส่วนตัวลงใน Line Official ของ ธ.ก.ส. เพื่อสมัครสินเชื่อฉุกเฉิน ทำการวิเคราะห์ข้อมูลโดยการสร้างแบบจำลองการเรียนรู้ผ่านโปรแกรม Weka เพื่อหาความสำคัญของปัจจัยที่ส่งผลให้เกิดปัญหาหนี้ค้าง (NPL) ผลการศึกษา จากการทดลองใช้ตัวแบบพยากรณ์ จำนวน 3 แบบ ได้แก่ เทคนิคต้นไม้ตัดสินใจ (Decision Tree), เทคนิคเบย์อย่างง่าย (Naïve Bayesain classifier) และเทคนิคซัพพอร์ตเวกเตอร์เเมชชีน (Support vector machine; SVM) พบว่า เทคนิคต้นไม้ตัดสินใจ (Decision Tree) มีค่าความถูกต้องในการทำนาย (Correctly Classified Instances) มากที่สุด93 526 - Publicationการศึกษาปัจจัยที่มีผลต่อการจ่ายสินเชื่อตามข้อบังคับฉบับที่ 35 (สลากออมทรัพย์)ของธนาคารเพื่อการเกษตรและสหกรณ์การเกษตร สาขาบางเขนโดยใช้เทคนิคเหมืองข้อมูล(University of the Thai Chamber of Commerce, 2021)
; ; ; ; ; ; การศึกษานี้มีวัตถุประสงค์ เพื่อหาปัจจัยที่มีผลต่อการจ่ายสินเชื่อตามข้อบังคับฉบับที่ 35 (สลากออมทรัพย์) ของธนาคารเพื่อการเกษตรและสหกรณ์การเกษตร สาขาบางเขน อันเนื่องมาจากปริมาณยอดการจ่ายสินเชื่อตามข้อบังคับฉบับที่ 35 (สลากออมทรัพย์) ในปีบัญชี 2563 ลดลงจากปี 2561 – 2562 และมีแนวโน้มที่จะลดลงอย่างต่อเนื่อง โดยการรวบรวมข้อมูลลูกค้าที่ซื้อสลากออมทรัพย์และข้อมูลลูกค้าที่มียอดการเบิกสินเชื่อข้อบังคับฉบับที่ 35 (สลากออมทรัพย์) ของสาขาบางเขน ในบัญชี 2563 ประกอบไปด้วยข้อมูลลูกค้าที่ซื้อสลากออมทรัพย์ทั้งสิ้น 6,378 ราย และมีลูกค้าที่มี ยอดการเบิกสินเชื่อข้อบังคับฉบับที่ 35 (สลากออมทรัพย์) จำนวน 802 ราย โดยมีแอทริบิวต์ที่จำเป็นต่อการศึกษาจำนวน 7 แอทริบิวต์ ได้แก่ อายุลูกค้า ระยะเวลาที่ติดต่อธนาคาร เพศ สถานะสมรส ยอดรวมเงินฝากประเภทสลาก ยอดรวมสินเชื่ออื่นๆ และลูกค้ามีการกู้สินเชื่อข้อบังคับฉบับ 35 แล้วนำข้อมูลมาทดสอบกับเทคนิคการจำแนกกลุ่มจำนวน 4 เทคนิค ได้แก่ เทคนิคต้นไม้ตัดสินใจ (Decision Tree) เทคนิคกฎการตัดสินใจ (Decision Rule) เทคนิคตัวจำแนกประเภทเบย์อย่างง่าย (Naïve-Bayes) และเทคนิคซัพพอร์ทเวกเตอร์แมชชีน (Support Vector Machine) จากการทดสอบ พบว่าเทคนิคต้นไม้ตัดสินใจ Decision Tree: J48 ให้ผลลัพธ์ที่มีความถูกต้องมากที่สุด โดยมีผลลัพธ์ความถูกต้อง 87.50% และสามารถสรุปปัจจัยที่มีผลต่อการจ่ายสินเชื่อตามข้อบังคับฉบับที่ 35 (สลากออมทรัพย์) จากการวิเคราะห์ข้อมูลจากการทดสอบ ได้แก่ ระยะเวลาที่ติดต่อธนาคาร ยอดรวมสินเชื่ออื่นๆ และยอดรวมเงินฝากประเภทสลาก72 409