การจัดกลุ่มสาขาของร้านสะดวกซื้อโดยใช้การวิเคราะห์ข้อมูลหลายมิติเพื่อปรับปรุงประสิทธิภาพทางการตลาด

งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์และจัดกลุ่มสาขาของร้านสะดวกซื้อ โดยใช้การวิเคราะห์ข้อมูลหลายมิติร่วมกับเทคนิคการจัดกลุ่มแบบไม่ต้องมีผู้สอน (Unsupervised Learning) เพื่อปรับปรุงประสิทธิภาพทางการตลาดให้เหมาะสมกับพฤติกรรมของลูกค้า โดยข้อมูลที่ใช้ในการศึกษาประกอบด้วยข้อมูลยอดขายและข้อมูลพฤติกรรมการซื้อของลูกค้าโดยดำเนินการคัดเลือกคุณลักษณะข้อมูลด้วยเทคนิค Correlation Matrix และ Principal Component Analysis (PCA) เพื่อลดความซ้ำซ้อนของข้อมูล ก่อนนำไปจัดกลุ่มด้วยเทคนิค K-means, Gaussian Mixture Models (GMM) และ Fuzzy C-Means (FCM)จากการทดลองทั้งหมด 18 กรณีที่ผสมผสานวิธีการคัดเลือกฟีเจอร์ ระดับ PCA และจำนวนคลัสเตอร์ พบว่า K-means ให้ค่าความแม่นยำโดยเฉลี่ยสูงที่สุดเมื่อประเมินด้วยค่า Silhouette Score โดยกรณีที่ใช้ PCA = 1 component และจำนวนกลุ่ม = 3 ให้คะแนนสูงสุดที่ 0.585 ซึ่งสามารถใช้ในการจำแนกสาขาที่มีลักษณะพฤติกรรมการซื้อใกล้เคียงกันได้อย่างชัดเจน โดยผลลัพธ์จากการจัดกลุ่มนั้นยังสามารถนำไปใช้ในการวางแผนโปรโมชั่น การจัดเรียงสินค้า และการบริหารทรัพยากรที่สอดคล้องกับลักษณะเฉพาะของแต่ละกลุ่ม การวิจัยนี้แสดงให้เห็นว่าการใช้การวิเคราะห์ข้อมูลหลายมิติควบคู่กับการใช้เทคนิคการจัดกลุ่มที่เหมาะสมสามารถเพิ่มความแม่นยำในการวางกลยุทธ์ทางการตลาด ซึ่งช่วยให้ร้านสะดวกซื้อสามารถแข่งขันได้ดีขึ้นในบริบทของตลาดที่หลากหลายและเปลี่ยนแปลงอย่างรวดเร็ว