หลักสูตร Machine Learning for Business Forecasting เป็นการอบรมการใช้ Machine Learning ด้วย Python กับสามโจทย์ธุรกิจ ได้แก่ พยากรณ์ยอดขายด้วยอนุกรมเวลา แบ่งกลุ่มลูกค้าด้วย RFM และ K-Means และทำนายลูกค้าที่จะเลิกใช้บริการ เหมาะกับ Data Analyst ทีมวางแผนการขาย และทีม Marketing ที่อยากตัดสินใจจากข้อมูล
คำถามที่ผู้บริหารถามบ่อยที่สุดมักเป็นเรื่องอนาคต เดือนหน้าจะขายได้เท่าไร ควรสต็อกสินค้าเท่าไร ลูกค้ากลุ่มไหนควรได้โปรโมชันแบบใด และลูกค้ารายไหนกำลังจะเลิกใช้บริการ หลายองค์กรยังตอบด้วยการดูยอดปีก่อนแล้วบวกเพิ่มเป็นเปอร์เซ็นต์ หรือใช้ความรู้สึกของคนที่ทำงานมานาน ผลคือสินค้าขาดบ้างเกินบ้าง งบการตลาดกระจายไปทุกกลุ่มเท่ากัน และรู้ตัวว่าเสียลูกค้าไปเมื่อสายเกินแก้
หลักสูตรนี้พาใช้ Machine Learning ตอบสามโจทย์หลักของธุรกิจด้วย Python บน Google Colab เริ่มจากพยากรณ์ยอดขายด้วยอนุกรมเวลา สร้าง Baseline วัดผลด้วย Backtesting ใช้ Prophet ร่วมกับวันหยุดและโปรโมชัน แล้วยกระดับด้วย Gradient Boosting จากนั้นแบ่งกลุ่มลูกค้าด้วย RFM และ K-Means และสร้างโมเดลทำนายการเลิกใช้บริการ (Churn) พร้อมอธิบายผลและเลือก Threshold ตามต้นทุนของธุรกิจ ก่อนปิดท้ายด้วยโปรเจกต์ที่เปลี่ยนผลของโมเดลให้เป็นแผนที่ฝ่ายธุรกิจลงมือทำได้ (อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง ระดับ Intermediate)
รายละเอียดหลักสูตร
หลักสูตรนี้อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab บน Google Colab กับข้อมูลยอดขาย การซื้อ และสมาชิกของบริษัทสมมุติ ระดับ Intermediate ต่อยอดจาก Python for Machine Learning ที่ปูพื้นฐาน ML ทั่วไป โดยหลักสูตรนี้เจาะไปที่โจทย์ธุรกิจสามแบบ คือการพยากรณ์ยอดขาย การแบ่งกลุ่มลูกค้า
และการทำนาย Churn Library ทั้งหมดเป็นโอเพนซอร์สและ Lab ทำบน Google Colab รุ่นใช้ฟรีด้วยบัญชีของผู้เรียน ผู้ที่ต้องการนำผลพยากรณ์ไปวางแผนจัดซื้อและสินค้าคงคลังด้วย AI ต่อยอดได้ที่หลักสูตร AI for Supply Chain and Planning ผู้เรียนจะได้ Notebook ครบทุก Lab ชุดข้อมูลตัวอย่าง และ Template สำหรับนำเสนอผลของโมเดลต่อฝ่ายธุรกิจ
Section 1: ตั้งโจทย์ ML จากปัญหาธุรกิจ
Section 2: Lab: สำรวจข้อมูลอนุกรมเวลา
Section 3: Baseline และการวัดผลการพยากรณ์
Section 4: Lab: พยากรณ์ยอดขายด้วย Prophet
Section 5: Lab: พยากรณ์ด้วย Gradient Boosting
Section 6: พยากรณ์หลายสินค้าและนำไปใช้วางแผน
Section 7: Lab: วิเคราะห์ลูกค้าด้วย RFM
Section 8: Lab: Customer Segmentation ด้วย K-Means
Section 9: นิยาม Churn และเตรียมข้อมูล
Section 10: Lab: โมเดลทำนาย Churn
Section 11: อธิบายผลและตัดสินใจตามต้นทุน
Section 12: Workshop: Capstone นำเสนอผลต่อฝ่ายธุรกิจ
เริ่มจากสำรวจข้อมูลอนุกรมเวลาเพื่อดู Trend, Seasonality และผลของวันหยุด จากนั้นสร้าง Baseline ง่าย ๆ เช่น ใช้ยอดช่วงเดียวกันของรอบก่อน แล้วจึงสร้างโมเดลอย่าง Prophet หรือ Gradient Boosting ที่ใช้ Feature จากวันที่และยอดขายย้อนหลัง วัดผลด้วย MAE หรือ WAPE ผ่าน Backtesting ว่าเหนือกว่า Baseline จริง และรายงานช่วงความไม่แน่นอนประกอบตัวเลขพยากรณ์
RFM วัดลูกค้าสามด้าน คือ Recency ซื้อครั้งล่าสุดเมื่อไร Frequency ซื้อบ่อยแค่ไหน และ Monetary ใช้จ่ายรวมเท่าไร เมื่อคำนวณค่าทั้งสามจากประวัติการซื้อแล้ว อาจให้คะแนนเป็นระดับ หรือใช้ K-Means จัดกลุ่มลูกค้าที่มีพฤติกรรมคล้ายกัน แล้วอธิบายลักษณะแต่ละกลุ่ม เช่น ลูกค้าประจำที่ใช้จ่ายสูง หรือลูกค้าที่เริ่มห่างหาย เพื่อวางแผนการตลาดให้ตรงกลุ่ม
Data Leakage คือการที่ Feature มีข้อมูลซึ่งในการใช้งานจริงยังไม่ควรรู้ ณ วันที่ทำนาย เช่น ใช้จำนวนการติดต่อหลังลูกค้ายกเลิกแล้ว ทำให้โมเดลดูแม่นมากตอนทดสอบแต่ใช้งานจริงไม่ได้ วิธีป้องกันคือกำหนดวันตัดข้อมูลให้ชัด สร้าง Feature จากข้อมูลก่อนวันนั้นเท่านั้น นิยาม Churn จากช่วงหลังวันตัด และแบ่งชุดทดสอบตามลำดับเวลา
เหมาะกับ Data Analyst ที่ต้องการก้าวจากรายงานย้อนหลังไปสู่การพยากรณ์ ทีมวางแผนการขาย Demand Planning และ Supply Chain และทีม Marketing หรือ CRM ที่ต้องแบ่งกลุ่มและรักษาฐานลูกค้า ควรเขียน Python ขั้นพื้นฐานและใช้ pandas จัดการตารางข้อมูลได้ เข้าใจสถิติเบื้องต้น เช่น ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน และถ้าเคยใช้ Jupyter Notebook หรือ Google Colab จะเรียนได้เร็วขึ้น
พยากรณ์ยอดขายด้วย Prophet และ Gradient Boosting พร้อมวัดผลด้วย Backtesting แบ่งกลุ่มลูกค้าด้วย RFM และ K-Means แล้วอธิบายลักษณะแต่ละกลุ่ม สร้างโมเดลทำนาย Churn โดยหลีกเลี่ยง Data Leakage เลือก Threshold ตามต้นทุนของธุรกิจ และนำเสนอผลเป็นแผนงานที่ฝ่ายธุรกิจใช้ได้ ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้
ได้ หลักสูตรนี้จัดเป็นการอบรมแบบ In-house ให้ทีมในองค์กรได้ และปรับตัวอย่างให้ตรงกับงานของทีม เช่น ตั้งโจทย์พยากรณ์หรือแบ่งกลุ่มลูกค้าให้ใกล้กับสินค้าและลูกค้าขององค์กร ขอใบเสนอราคาได้จากหน้านี้ หรือติดต่อทาง LINE @itgenius โทร 02-570-8449
ข้อความจากลูกค้าเป็นข้อมูลที่มีค่ามากแต่ถูกใช้น้อยที่สุด ทั้งรีวิวสินค้า ความคิดเห็นบนโซเชียล แชตกับแอดมิน และแบบสอบถามปลายเปิด ข้อความภาษาไทยวิเคราะห์ยากกว่าภาษาอังกฤษ เพราะไม่มีการเว้นวรรคระหว่างคำ มีคำสแลง คำสะกดผิด อีโมจิ และการพิมพ์ซ้ำอย่าง 555…
Machine Learning ยังเป็นหัวใจของงาน AI ในองค์กร ทั้งการพยากรณ์ยอดขาย คัดกรองลูกค้า จัดหมวดเอกสาร หรือตรวจจับความผิดปกติ และงานข้อมูลแบบตารางจำนวนมากยังได้ผลดีและคุ้มค่ากว่าเมื่อใช้โมเดลคลาสสิกแทน Deep Learning…
ธุรกิจการผลิตที่ความต้องการผันผวนตามฤดูกาลต้องวางแผนภายใต้ความไม่แน่นอนหลายชั้นพร้อมกัน ทั้งยอดขายที่ขึ้นลงตามช่วงเวลา ราคาวัตถุดิบ ระยะเวลาการจัดส่ง และความเสี่ยงของซัพพลายเออร์…
