การพยากรณ์มูลค่าการซื้อสินค้าออนไลน์ในประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์ เพื่อพยากรณ์มูลค่าการสั่งซื้อสินค้าออนไลน์รายเดือนของประเทศไทยในระยะ 3 ปีข้างหน้า โดยเก็บรวบรวมข้อมูลตั้งแต่เดือนมกราคม พ.ศ. 2558 จนถึง เดือนธันวาคม พ.ศ. 2562 และนำข้อมูลมาใช้ในการพยากรณ์ด้วยตัวแบบ ARIMA แบบถัวเฉลี่ยเคลื่อนที่ ( Moving Average Method) วิธีปรับเรียบเอ็กซ์โปเนนเชียลอย่างง่าย (Simple Exponential Smoothing หรือ Single Exponential Smoothing หรือ SES) วิธีปรับให้เรียบแบบโฮลท์และวินเทอร์ (Holt-Winters Smoothing Method) และ กระบวนการแบบเกาส์เซียน เพื่อหาตัวแบบที่เหมาะสมที่สุดสำหรับการพยากรณ์และ ทำนายมูลค่าการสั่งซื้อสินค้าออนไลน์ในระยะ 3 ปีข้างหน้า ซึ่งผลลัพธ์ที่ได้พบว่า การพยากรณ์ด้วยกระบวนการแบบเกาส์เซียนมีความเหมาะสมและ มีประสิทธิภาพในการทำนาย ได้ผลลัพธ์ที่ใกล้เคียงมากกว่าการพยากรณ์รูปแบบอื่น โดยมีค่าส่วนเบี่ยงเบนสัมบูรณ์เฉลี่ย (Mean absolute deviation: MAD) และ ค่าคลาดเคลื่อนร้อยละสัมบูรณ์เฉลี่ย (Mean Absolute Percentage Error: MAPE) ต่ำสุด
ผลการพยากรณ์มูลค่าการซื้อสินค้าออนไลน์รายเดือนของประเทศไทย3 ปี ข้างหน้าด้วยกระบวนการแบบเกาส์เซียน มีค่าพยากรณ์มูลค่าการสั่งซื้อสินค้าออนไลน์เมื่อสิ้นปี พ.ศ. 2565 มีค่าประมาณ 2,223,809.58 ล้านบาท เพิ่มขึ้นจากปี พ.ศ. 2552 เฉลี่ยปีละ 216,456.88 ล้านบาท หรือเพิ่มเฉลี่ยร้อยละ 78.51 ต่อปี โดยมีค่าส่วนเบี่ยงเบนสัมบูรณ์เฉลี่ย (MAD) มีค่าเท่ากับ 5.68 และ ค่าคลาดเคลื่อนร้อยละสัมบูรณ์เฉลี่ย (MAPE) มีค่าเท่ากับ 0.27
Article Details
References
ศูนย์วิเคราะห์เศรษฐกิจทีเอ็มบี. (2562). ข้อมูลวิเคราะห์ตลาด E-Commerce. สืบค้นเมื่อ, 15 ก.พ. 2562, จาก http://www.tmbbank.com
สิทธิพล วิบูลย์ธนากุล.(2563). สำรวจพฤติกรรมผู้บริโภคครึ่งปีแรก 2563. สืบค้นเมื่อ, 20 ก.ค. 2563, จาก http://www.marketingoops.com)
สุรางคณา วายุภาพ (2562). รายงานผลการสำรวจมูลค่าพาณิชย์อิเล็กทรอนิกส์ในประเทศไทยปี 2562 (พิมพ์ครั้งที่ 1).กรุงเทพมหานคร: สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์.
Blum, M., & Riedmiller, M. A. (2013, April). Optimization of Gaussian process hyperparameters using Rprop. In ESANN (pp. 339-344).
Hachino, T., Okubo, S., Takata, H., Fukushima, S., & Igarashi, Y. (2015). Improvement of Gaussian process predictor of electric power damage caused by Typhoons considering time-varying characteristics. International Journal of Electronics and Electrical Engineering, 4(3), 263-268.
Senanayake, R., O'Callaghan, S., & Ramos, F. (2016, March). Predicting spatio-temporal propagation of seasonal influenza using variational Gaussian process regression. In Proceedings of the AAAI Conference on Artificial Intelligence , 30(1), 3901-3907.
Rasmussen, C. E. (2003, February). Gaussian processes in machine learning. In Summer school on machine learning (pp. 63-71). Springer, Berlin, Heidelberg.
Wu, Q., Law, R., & Xu, X. (2012). A sparse Gaussian process regression model for tourism demand forecasting in Hong Kong. Expert Systems with Applications, 39(5), 4769-4774.