Tag: Project
-
Stock Inventory Line Bot
ตอบกลับข้อมูลสินค้าคงคลังผ่าน LINE โดยการอัพเดตสต็อกผ่าน Google sheetโปรเจกต์นี้เป็นการพัฒนา LINE Bot เพื่อให้สามารถ ตอบคำถามเกี่ยวกับสินค้าคงคลังแบบอัตโนมัติ โดยผู้ใช้เพียงพิมพ์ชื่อสินค้าผ่าน LINE Bot ระบบจะค้นหาข้อมูลในฐานข้อมูล (Google Sheets) แล้วตอบกลับด้วยจำนวนคงเหลือทันที เนื่องจากปัญหาที่พบเจอเวลาที่พนักงานใน Store หลายคนขายสินค้าให้กับลูกค้าแต่ไม่สามารถตรวจสอบ stock สินค้าได้ว่ามีรุ่นอะไรและจำนวนเท่าไร เราจึงได้ดำเนินการทำ LINE Bot เพื่อให้ตรวจสอบได้ทุกที่ทุกเวลา เพื่อง่ายและสะดวกต่อการนำเสนอสินค้าให้กับลูกค้ามากขึ้น Objective Technology ที่เราได้นำมาใช้งานจะต้องเป็นแบบฟรีเป็นหลัก เพื่อง่ายต่อการนำไปต่อยอดได้ เช่น LINE Messaging API, Google Apps Script, Google Sheets Workflow Diagram ภาพด้านบนแสดงกระบวนการทำงานของระบบ Stock Inventory LINE Bot ซึ่งประกอบด้วย 3 องค์ประกอบหลัก ได้แก่: Workflow Steps ❌ หากไม่พบสินค้าใดที่ตรงกับคำค้น ระบบจะตอบกลับว่าไม่พบข้อมูล Development Process…
-
CRM Campaign Response Project – Data Analysis & Power BI Dashboard
โปรเจกต์นี้เป็นการวิเคราะห์ประสิทธิภาพของแคมเปญการตลาดในกลุ่มลูกค้าต่าง ๆ โดยใช้ข้อมูลสมมุติจากระบบ CRMฉันใช้เครื่องมืออย่าง SQL, Python และ Power BI เพื่อเตรียมข้อมูล วิเคราะห์รูปแบบ และสร้างแดชบอร์ดแสดงผลลัพธ์ เช่น ROI และ Conversion Rate รวมถึงการวิเคราะห์ทางสถิติเพื่อหาความแตกต่างและความสัมพันธ์ของข้อมูลในเชิงลึกแม้ข้อมูลจะไม่ใช่ของจริง แต่ทุกขั้นตอนสะท้อนกระบวนการวิเคราะห์ CRM ที่เกิดขึ้นจริงในงานด้าน Data Analytics Dataset Description Process โปรเจกต์นี้ดำเนินการตามขั้นตอนที่เป็นระบบ เพื่อให้ได้ข้อมูลที่พร้อมวิเคราะห์ และสร้างเครื่องมือสื่อสารผลลัพธ์ที่เข้าใจง่าย นำเข้าข้อมูล (Data Acquisition) ข้อมูลเราจะดำเนินการนำขึ้นบน MySQL (AWS RDS)โดยการใช้ Beekeeper Studio และ SQL เพื่อสร้างตารางบน Database และนำข้อมูล CSV ไป Map บน AWS RDS พร้อมทำ Data Validation (ตรวจสอบความถูกต้องของข้อมูล) และ Data…
-
Customer Segmentation & ML Model
ในโลกของธุรกิจที่มีการแข่งขันสูง การทำความเข้าใจลูกค้าอย่างลึกซึ้งเป็นกุญแจสำคัญที่ช่วยขับเคลื่อนการเติบโตและสร้างความสัมพันธ์ในระยะยาวโปรเจกต์นี้มีเป้าหมายในการ วิเคราะห์และแบ่งกลุ่มลูกค้า (Customer Segmentation) โดยใช้เทคนิค RFM Analysis และพัฒนา โมเดล Machine Learning (Decision Tree) เพื่อช่วยในการจำแนกกลุ่มลูกค้าในอนาคตได้อย่างรวดเร็วและแม่นยำ Dataset Description Segment พิจารณาจากพฤติกรรม Recency และ Frequency เป็นหลัก โดย Monetary ใช้ในขั้นวิเคราะห์เชิงลึกเท่านั้น เพราะจากการวิเคราะห์พบว่า Monetary มีความแตกต่างระหว่างกลุ่มน้อยกว่าพฤติกรรมด้านเวลาและความถี่ Process เพื่อให้ได้โมเดลที่สามารถจำแนกกลุ่มลูกค้าได้อย่างแม่นยำและเชื่อถือได้ เราได้ออกแบบกระบวนการวิเคราะห์เชิงระบบ การแบ่งข้อมูล (Data Splitting) ข้อมูลทั้งหมดถูกแบ่งออกเป็น 2 ชุด การฝึกโมเดลและตรวจสอบความแม่นยำ (Model Training & Validation)ในชุดฝึก เราใช้เทคนิค K-Fold Cross Validation เพื่อเพิ่มความเสถียรและลดความเอนเอียงของโมเดล โดยทำการฝึกโมเดล 3 รูปแบบ ได้แก่: การใช้ K-Fold ทำให้มั่นใจได้ว่าผลลัพธ์ไม่ได้ขึ้นอยู่กับการแบ่งข้อมูลเพียงครั้งเดียว แต่ได้รับการประเมินจากหลายชุดย่อยอย่างเป็นระบบ การทดสอบและประเมินผล (Model Evaluation)เรานำไปทดสอบกับชุดข้อมูลที่กันไว้ (Testing Set) โดยพิจารณาจาก ความแม่นยำ (Accuracy) และ ความเสถียรของโมเดล ในการทำนายกลุ่มลูกค้า Applied ML Models ML…