การพัฒนารูปแบบการตัดสินใจซื้อของผู้บริโภคบนแพลตฟอร์มออนไลน์โดยใช้เทคนิคการเรียนรู้ของเครื่องภายใต้กรอบแนวคิดแบบจําลองเอส–โอ–อาร์

การวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาปัจจัยเชิงสาเหตุที่มีอิทธิพลต่อพฤติกรรมการซื้อสินค้าในแพลตฟอร์มออนไลน์ และพัฒนารูปแบบการตัดสินใจซื้อของผู้บริโภคโดยใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) ภายใต้กรอบแนวคิด S–O–R (Stimulus–Organism–Response Model) ข้อมูลที่ใช้ในการศึกษาประกอบด้วยข้อมูลรีวิวสินค้าจริงจํานวน 1,061 รายการจากแพลตฟอร์ม Shopee, Lazada และ TikTok Shop ผ่านการประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) ด้วยโปรแกรม PyThaiNLP และจําแนกประเภทด้วยเทคนิคต้นไม้ตัดสินใจ (Decision Tree), เทคนิคนาอีฟเบย์ (Na?ve Bayes) และ เทคนิคเคเนียเรสเนเบอร์ (k-NN) จากผลการศึกษา พบว่าเทคนิคต้นไม้ตัดสินใจ (Decision Tree)ให้ประสิทธิภาพสูงสุด มีค่าความถูกต้อง (Accuracy) ร้อยละ89.15 ค่าการทํานาย (Precision) ร้อยละ 89.54 ค่าความน่าจะเป็น (Recall)ร้อยละ 89.61และค่าF-measure ร้อยละ 89.57 ซึ่งสามารถอธิบายพฤติกรรมผู้บริโภคได้สอดคล้องกับองค์ประกอบของแบบจําลอง S–O–R ได้แก่ ตัวกระตุ้น (Stimulus) กลไก (Organism) และการตอบสนอง (Response) แสดงให้เห็นว่า การประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่องสามารถวิเคราะห์พฤติกรรมผู้บริโภคได้อย่างแม่นยํา และเป็นแนวทางสําคัญในการพัฒนากลยุทธ์ทางการตลาดดิจิทัลเพื่อเพิ่มประสบการณ์และความพึงพอใจของผู้บริโภค

This research aims to investigate the causal factors influencing consumer purchasing behavior on online platforms, anddevelop a consumer decision-making model using Machine Learning techniques within the Stimulus–Organism–Response (S–O–R) theoretical framework. The study utilized a dataset comprising 1,061 authentic product reviews collected from Shopee, Lazada, and TikTok Shop platforms, assessed through Natural Language Processing (NLP) using PyThaiNLP, and analyzed the classification by employing three machine learning algorithms: Decision Tree, Na?ve Bayes, and k-Nearest Neighbors (k-NN). The findings revealed that the Decision Tree algorithm demonstrated superior performance, achieving an accuracy of 89.15%, precision of 89.54%, recall of 89.61%, and F-measure of 89.57%. The model effectively explained consumer behavior in accordancewith the S–O–R framework components: Stimulus, Organism, and Response. The results indicate that machine learning techniques can accurately analyze consumer behavior patterns and provide significant insights for developing digital marketing strategies to enhance consumer experience and satisfaction.