<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Tri Tankista on Medium]]></title>
        <description><![CDATA[Stories by Tri Tankista on Medium]]></description>
        <link>https://medium.com/@pacharapol4066?source=rss-af6c5e9b858------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*LRGANiDPEDZ_UzRyR1d_Ig.jpeg</url>
            <title>Stories by Tri Tankista on Medium</title>
            <link>https://medium.com/@pacharapol4066?source=rss-af6c5e9b858------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 19:05:26 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@pacharapol4066/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[วิเคราะห์ยอดขายรถกระบะไทยจาก Open Data ภาครัฐ]]></title>
            <link>https://medium.com/@pacharapol4066/%E0%B8%A7%E0%B8%B4%E0%B9%80%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%B0%E0%B8%AB%E0%B9%8C%E0%B8%A2%E0%B8%AD%E0%B8%94%E0%B8%82%E0%B8%B2%E0%B8%A2%E0%B8%A3%E0%B8%96%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%B0%E0%B9%84%E0%B8%97%E0%B8%A2%E0%B8%88%E0%B8%B2%E0%B8%81-open-data-%E0%B8%A0%E0%B8%B2%E0%B8%84%E0%B8%A3%E0%B8%B1%E0%B8%90-43644740fc5c?source=rss-af6c5e9b858------2</link>
            <guid isPermaLink="false">https://medium.com/p/43644740fc5c</guid>
            <dc:creator><![CDATA[Tri Tankista]]></dc:creator>
            <pubDate>Tue, 12 Sep 2023 05:36:34 GMT</pubDate>
            <atom:updated>2023-09-12T06:28:35.058Z</atom:updated>
            <content:encoded><![CDATA[<p>สวัสดีครับ เป็นบทความที่ 3 ของ Tri Tankista เคยเขียนและลองลง Code ไว้นานแล้ว แต่เพิ่งมีเวลาเอามาลงในปี 2566 สืบเนื่องจากเมื่อปี 2565 ผู้เขียนได้เกิดคำถามหลังจากเล่น Facebook แล้วพบเห็นบาง Comment เกี่ยวกับรถกระบะรุ่นใหม่ยี่ห้อหนึ่งที่เพิ่งเปิดตัวไม่นานนัก มีผู้ใช้บัญชีบางคนซึ่งก็ไม่แน่ใจว่าเป็นอวตารหรือเปล่า เขียนว่าไม่นานกระบะรุ่นนี้จะเข้าครองตลาดเป็นลำดับที่ 3 และจะสั่นสะเทือนตลาดรถกระบะในประเทศไทย</p><p>รถกระบะในไทย มีส่วนแบ่งตลาดคิดเป็น %เฉลี่ย 5 ปีย้อนหลังอยู่ที่ 44% ของรถยนต์ที่ขายได้ทั้งหมด ใครยึดตลาดนี้ได้ ย่อมได้เปรียบเป็นอย่างมาก บางยี่ห้อเจาะจงขายแต่กระบะกับ PPV ไม่ขายรถเก๋ง ก็สามารถอยู่ได้ด้วยซ้ำ แม้ว่าจะมี Covid-19 มา % ส่วนแบ่งตลาดก็ยังแทบไม่ได้ลดลงไปเลย</p><p>2561 –1,041,739 คัน เฉพาะกระบะ 1 ตัน (ไม่รวม PPV) 447,069 คัน คิดเป็น 43%<br>2562 –1,007,552 คัน เฉพาะกระบะ 1 ตัน (ไม่รวม PPV) 431,677 คัน คิดเป็น 42%<br>2563 –792,146 คัน เฉพาะกระบะ 1 ตัน (ไม่รวม PPV) 364,887 คัน คิดเป็น 46% <br>2564 –759,119 คัน เฉพาะกระบะ 1 ตัน (ไม่รวม PPV) 341,452 คัน คิดเป็น 45%<br>2565 –849,388 คัน เฉพาะกระบะ 1 ตัน (ไม่รวม PPV) 388,298 คัน คิดเป็น 46%</p><blockquote>ที่มา<br><a href="https://car.kapook.com/view205372.html">https://car.kapook.com/view205372.html</a><br><a href="https://www.autodeft.com/deftreport/car-sell-in-thailand-of-2019-more-than-1-million-cars">https://www.autodeft.com/deftreport/car-sell-in-thailand-of-2019-more-than-1-million-cars</a><br><a href="https://www.headlightmag.com/sales-report-pick-up-truck-2020/">https://www.headlightmag.com/sales-report-pick-up-truck-2020/</a><br><a href="https://www.autodeft.com/deftreport/2022-car-sales-report-thailand-sum-all-year">https://www.autodeft.com/deftreport/2022-car-sales-report-thailand-sum-all-year</a></blockquote><p>หลังจากนั้น ผู้เขียนจึงเกิดคำถาม (1) ถ้าอยากรู้ยอดขายที่แจกแจงลึกลงไปอีกระหว่างกระบะ 4 ประตู และ 2 ประตู จะทำอย่างไรถ้ามีแต่ Open Data เพราะยอดสรุปไม่ค่อยแจกแจงประเภทรถกระบะ (2) หากจะเป็นที่ 3 ในประเทศไทยได้ จะต้องเอาชนะใครบ้าง และใครคืออันดับที่ 1 กับ 2 และ (3) เราจะรู้อะไรเพิ่มเติมจากข้อมูลบ้าง??</p><p>อย่างไรก็ตาม การวิเคราะห์ดังกล่าวไม่ได้ลงลึกมากนัก วิธีการของผู้เขียน เริ่มจากดังนี้</p><p>(1) สืบค้นหาไฟล์ข้อมูลจากกรมขนส่งทางบก ผู้เขียนพบว่ามีไฟล์รายงานที่เปิดให้ดาวน์โหลดชื่อว่า “สถิติจำนวนรถใหม่(ป้ายแดง)ที่จดทะเบียน ตามกฎหมายว่าด้วยรถยนต์ จำแนกตามยี่ห้อและรุ่น” เป็นไฟล์ Excel ที่มีหลายชีท แต่ละชีทคือข้อมูลการจดทะเบียนใน 1 เดือน ของปีนั้นๆ สามารถเข้าไปดาวน์โหลดได้ที่ <a href="https://web.dlt.go.th/statistics/">https://web.dlt.go.th/statistics/</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4CscaMmrG5mZdkyg1h1Kqg.png" /><figcaption>สถิติจำนวนรถใหม่(ป้ายแดง)ที่จดทะเบียน ตามกฎหมายว่าด้วยรถยนต์ จำแนกตามยี่ห้อและรุ่น</figcaption></figure><p>(2) เขียน Python สำหรับใช้ในการอ่านข้อมูลที่ต้องการ และ Transform ให้อยู่ในรูปแบบที่สามารถใช้ออก Report โดยมีหลักการดังนี้</p><ul><li>ใช้ข้อมูลรายงานในข้อ (1) ข้างต้นตั้งแต่ปี 2018 จนถึง 2022</li><li>เลือกรุ่นรถกระบะ ทุกประเภทการจดทะเบียน — ข้อนี้จำเป็นต้องอธิบายเพิ่มเติมเล็กน้อย โดยปกติแล้ว กระบะที่วางขายในประเทศไทยจะมีการจดทะเบียนหลักๆสองแบบ คือ แบบ รย.1 รถยนต์นั่งส่วนบุคคลไม่เกิน 7 คน และแบบ รย.3 รถยนต์บรรทุกส่วนบุคคล</li></ul><p>แล้วมันแตกต่างกันอย่างไร?</p><p>รย.1 เกือบทั้งหมดจะเป็นกระบะ 4 ประตู</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*5idCg6GiXBA9HuBc_ccxsg.png" /><figcaption>กระบะ Toyota Hilux Revo 4 ประตู</figcaption></figure><p>รย.3 เกือบทั้งหมดจะเป็นกระบะ ตอนเดียว หรือ ตอนครึ่ง (แคป)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/950/1*9fF5eH8j-Wqz1wicsNmn2A.jpeg" /><figcaption>กระบะ Isuzu Dmax 1.9 Spacecab</figcaption></figure><blockquote>หากเราไม่นิยามให้ถูกต้อง เราอาจทำการวิเคราะห์ได้ผิด เพราะบางคนจะมอง รย.3 นั้นรวมรถกระบะ 4 ประตูไปด้วย ซึ่งจะทำให้ยอดจดทะเบียนไม่สะท้อนความเป็นจริงอย่างครบถ้วน</blockquote><ul><li>รุ่นรถกระบะที่ใช้ ได้แก่ Isuzu D-MAX, Toyota Hilux Revo, Nissan Navara , Mitsubishi Triton, Ford RANGER’ และ RANGER RAPTOR, Mazda BT-50&#39; และ Chevrolet Corolado</li><li>เขียน Python บน Jupyter Notebook ทำการวนลูปดูดข้อมูลตามรุ่นรถที่ต้องการในแต่ละไฟล์ Excel และในแต่ละชีท</li></ul><pre>import pandas as pd<br>from datetime import datetime<br><br>def iterate_Row_by_key(keyword, textlist, startpos):<br>    newTxtList = []<br>    for pos in textlist:<br>        if str(pos).startswith(keyword):<br>            newTxtList.append(str(pos))<br>        else:<br>            newTxtList.append(newTxtList[startpos - 1])<br>        startpos += 1<br>    return newTxtList<br><br>def getMonthNum(monthName):<br>    if monthName == sheetNames[0]:<br>        return 1<br>    elif monthName == sheetNames[1]:<br>        return 2<br>    elif monthName == sheetNames[2]:<br>        return 3<br>    ...<br>    elif monthName == sheetNames[10]:<br>        return 11<br>    elif monthName == sheetNames[11]:<br>        return 12<br><br>fileNames = [&#39;2018&#39;,&#39;2019&#39;,&#39;2020&#39;,&#39;2021&#39;,&#39;2022&#39;]<br>sheetNames = [&#39;มกราคม&#39;,&#39;กุมภาพันธ์&#39;,&#39;มีนาคม&#39;,&#39;เมษายน&#39;,&#39;พฤษภาคม&#39;,&#39;มิถุนายน&#39;<br>              ,&#39;กรกฎาคม&#39;,&#39;สิงหาคม&#39;,&#39;กันยายน&#39;,&#39;ตุลาคม&#39;,&#39;พฤศจิกายน&#39;,&#39;ธันวาคม&#39;]<br>df_all = pd.DataFrame()<br><br>for f in fileNames:<br>    for c in cars:<br>        for s in sheetNames:<br>            print(&#39;File&#39;,f,&#39;sheet&#39;,s,&#39;Car&#39;,c)<br>            try:<br>                df = pd.read_excel(f+&#39;.xls&#39;, header=3, sheet_name=s)<br>                df = df[(df[&#39;รุ่นรถ&#39;] == c) | (df[&#39;ยี่ห้อรถ&#39;].str.contains(&quot;ประเภทรถ&quot;))][[&#39;ยี่ห้อรถ&#39;,&#39;รุ่นรถ&#39;,&#39;จำนวนรถ&#39;]]<br>                df[&#39;ยี่ห้อรถ&#39;] = iterate_Row_by_key(&#39;ประเภทรถ&#39;, df.iloc[:, 0], 0)<br>                df = df.dropna()<br>                df.insert(0,&#39;เดือน&#39;,s)<br>                df.insert(0,&#39;ปี&#39;,f)<br>                df_all = df_all.append(df)<br>            except Exception:<br>                break<br><br>df_all[&#39;DATE&#39;] = df_all.apply(lambda x: datetime.strptime(&#39;28&#39; + &#39;/&#39; +<br>                    str(getMonthNum(x[&#39;เดือน&#39;])) + &#39;/&#39; + x[&#39;ปี&#39;], &#39;%d/%m/%Y&#39;), axis=1)<br>df_all.to_excel(&#39;data.xlsx&#39;, index=False)</pre><ul><li>จะได้ Output แบบนี้</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/705/1*gW30eTs4X7UU9cgCncIvzQ.png" /></figure><ul><li>และบันทึกไฟล์สำหรับออก Dashboard</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/735/1*hwmUa_b6CTVGrlqADcT6qg.png" /></figure><ul><li>เสร็จแล้ว ทำการประมวลผลหา Seasonal ซักหน่อย ด้วยวิธีการ Decomposition</li></ul><blockquote>seasonal_decompose(df_all_sum[‘จำนวนรถ’], model=’multiplicative’, period=12)</blockquote><ul><li>แล้วก็บันทึกลงไฟ์ csv อีกชุด นำไปออก Dashboard</li></ul><blockquote>result.trend.to_csv(‘Reports/trend_decompose.csv’)<br>result.seasonal.to_csv(‘Reports/seasonal_decompose.csv’)</blockquote><p>(3) สร้าง Dashboard — ตรงนี้มาเจาะทีละรูปกัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qr1MH9PDPV4wv7k6v1sgPw.png" /></figure><ul><li>กล่องที่ 1 เราจะเห็นว่า รถกระบะสามารถจดทะเบียนได้เป็น รย.1,2,3,9 และ 10 แต่โดยหลักจะมีเพียง รย.1 (สีฟ้าอ่อน) และ รย.3 (สีฟ้าเข้ม) ยอดรวม 5 ปีย้อนหลังของรถกระบะ รย.1 อยู่ที่ 42.10% และ รย.3 อยู่ที่ 57.34% แปลว่าคนซื้อรถกระบะเน้นใช้งานเชิงพาณิชย์มากกว่า</li><li>กล่องที่ 2 เมื่อแจกแจงรายปี รถกระบะที่ขายดีสุดคือกระบะแคป/ตอนเดียว</li><li>กล่องที่ 3 ยี่ห้อที่ขายดีสุดคือ Isuzu Dmax และมีแนวโน้มว่าจะขายดีขึ้นเรื่อยๆ ตามมาด้วย Hilux Revo ซึ่งมีแนวโน้มขึ้นๆลงๆ ตัวที่น่าจับตาลำดับ 3 คือ Ford Ranger มีแนวโน้มเพิ่มขึ้น แต่ก็ยังห่างจากลำดับ 2</li><li>กล่องที่ 4,5 เป็นยอดจำนวนคัน สอดคล้องกับ 2,3</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gkeHx0tK7gzqujqtIj8WpQ.png" /></figure><ul><li>กล่องที่ 1 ยอดจดทะเบียนกระบะรวมทุกยี่ห้อ รายเดือน สังเกตได้ว่าเดือนมกราคมมักขายดี แต่เดี๋ยวจะ Decomposition ดูลงไปอีก</li><li>กล่องที่ 2 ข้ามไป ไม่ได้ใช้</li><li>กล่อง 3 ยอดจดทะเบียนกระบะรวมทุกยี่ห้อ รายเดือน แบ่งตามประเภทการจดทะเบียน</li><li>กล่อง 4 ยอดจดทะเบียนกระบะรายยี่ห้อ รายเดือน สังเกตว่า อันดับ 3 ลงไป ยอดแต่ละเดือนไม่มีถึง 5 พันคันเลยแม้แต่เดือนเดียว</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jV07quXSeEzEQpPyDqK6Jg.png" /></figure><ul><li>กล่องที่ 1 ลอง Decomposition แล้ว เส้นสีน้ำเงินบอกว่ารถมักขายดีช่วงเดือน มกราคม-มีนาคม และจะซบเซาสุดในช่วง ตุลาคม-พฤศจิกายน</li><li>กล่องที่ 2 เป็น Trend แบบ Smooth หน่อย D-Max ไปไกลแล้ววว ส่วน Ranger กับ Triton ขับเคี่ยวกันดุเดือดมาก เบียดกันไม่ลง ยอดลงก็ลงไปด้วยกัน ขึ้นก็ขึ้นด้วยกัน (อย่างไรก็ดีควรทดสอบ Correlation) เอาคร่าวๆ ใครอยากเป็นที่ 3 จะต้องเจอกับ Ford และ Mitsubishi นั่นเอง</li><li>กล่อง 3 พบว่า Mazda BT50 คนชอบซื้อปลายปี ส่วนยี่ห้ออื่นมีความใกล้เคียงกัน</li></ul><p>มาลองเจาะดูกระบะ 4 ประตู รย.1 ยี่ห้อที่ขายดีสุด คือ D-Max ตั้งแต่ปี 2020 เลย และเพิ่มขึ้นทุกปี</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VxIvesrxFqzzjcV9ogXzBg.png" /></figure><p>ในขณะที่กระบะตอนเดียว/ตอนครึ่ง กลับกลายเป็น Toyota Hilux Revo ขายดีที่สุดต่อเนื่อง 3 ปี</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aD9Bc6d22I_MOt8cfxLS9w.png" /></figure><p>จากที่ได้เขียนมา สรุปว่าเราสามารถใช้ข้อมูล Open Data ที่ภาครัฐปล่อยมาให้ใช้งานได้ ขึ้นอยู่กับมิติของการวิเคราะห์ ซึ่งถือว่าครอบคลุมได้ลึกพอสมควร (สามารถลงถึงจำนวนการจดทะเบียนรายจังหวัด)</p><p>อย่างไรก็ตาม หากเราเป็นเจ้าของค่ายรถกระบะซักยี่ห้อ การจะไปให้ถึงอันดับ 3 นั้น จำเป็นที่จะต้องศึกษาว่าอันดับ 1,2 มีจุดแข็งจุดอ่อนอะไร และตัวเราเองมีจุดแข็งจุดอ่อนอะไร ซึ่งไม่ใช่เรื่องง่ายในการขยับยอดขายให้ทะลุ 5000 คันต่อเดือน แต่ถ้าสามารถขยับได้จริง ก็ดูจะเป็นนิมิตหมายที่ดีในการครอบอันดับ 3 เป็นการถาวร</p><p>นอกจากนี้ค่ายรถจำเป็นต้องเข้าใจพฤติกรรมของลูกค้า ที่เด่นชัดสุดคือช่วงเวลาที่เหมาะสมที่คนจะซื้อรถ เพื่อที่จะสามารถกำหนดโปรโมชันที่สอดคล้องกับรุ่นและรูปแบบของรถ หรือ สิทธิประโยชน์ทางภาษี ความยากง่ายในการออกรถ เป็นต้น แต่ถ้าหากต้องดูลึกถึงพฤติกรรมลูกค้าอื่น ค่านิยม ตรงนี้ไม่มี Open Data ไหนที่รวบรวมตรงนี้มา นอกจากค่ายรถจำเป็นต้องไปรวบรวมขึ้นมาเอง หรือไม่ก็ต้องใช้ Social Listening ในการวิเคราะห์ข้อมูลเพื่อกำหนดกลยุทธ์การขายต่อไป</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=43644740fc5c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[สร้าง Perceptual Map และ Semantic Network Graph สแกนตลาด ด้วยข้อมูลจาก Social Network]]></title>
            <link>https://medium.com/@pacharapol4066/%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-perceptual-map-%E0%B9%81%E0%B8%A5%E0%B8%B0-semantic-network-graph-%E0%B8%AA%E0%B9%81%E0%B8%81%E0%B8%99%E0%B8%95%E0%B8%A5%E0%B8%B2%E0%B8%94-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%88%E0%B8%B2%E0%B8%81-social-network-c583f2e0aac5?source=rss-af6c5e9b858------2</link>
            <guid isPermaLink="false">https://medium.com/p/c583f2e0aac5</guid>
            <dc:creator><![CDATA[Tri Tankista]]></dc:creator>
            <pubDate>Wed, 22 Jun 2022 08:01:43 GMT</pubDate>
            <atom:updated>2022-06-22T09:07:14.760Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RvOPoU8ZfauLYTvnQS9Cag.png" /></figure><p>สวัสดีครับ เป็นบทความที่สองของ Tri Tankista ซึ่งเป็นบทความของผู้เขียน ร่วมกับ <a href="https://thanachart-rit.medium.com/">อ.ดร.ธนชาตย์ ฤทธิ์บำรุง</a> ที่ได้ตีพิมพ์ในวารสาร <em>Journal of Applied Statistics and Information Technology </em>ของสถาบันบัณฑิตพัฒนบริหารศาสตร์ (NIDA) เมื่อวันที่ 17 มิถุนายน 2565 ที่ผ่านมา แบบย่อๆ</p><p>สมมุติว่าเราเป็นเจ้าของยี่ห้อสินค้าซักตัว แล้วอยากจะขายสินค้าอะไรซักอย่าง เรามักจะนึกถึงหลักส่วนประสมทางการตลาด <strong>4Ps </strong>— <strong><em>Product, Price, Place,</em> </strong>และ<strong> <em>Promotion</em></strong></p><p>ทีนี้ ก่อนที่เราจะกำหนดส่วนประสมทางการตลาดได้นั้น ต้องทำการวิเคราะห์ตลาดเสียก่อน วิธีที่นิยมใช้คือ <strong><em>STP Approach</em></strong> เพื่อที่จะได้กำหนดส่วนประสมทางการตลาดได้อย่างเหมาะสม</p><blockquote><em>ซุนวูได้กล่าวไว้ว่า</em> “รู้เขารู้เรา รบร้อยครั้งชนะร้อยครั้ง”</blockquote><p>การตลาดก็เช่นกัน หากรู้เขารู้เรา ก็ย่อมสามารถสร้างมูลค่าเหนือคู่แข่ง เพื่อให้สินค้าของตนเองขายได้ อยู่รอดในตลาด และเป็นที่จดจำของผู้บริโภค ถ้าเราอยากรู้ว่าตอนนี้ผู้บริโภครับรู้ยี่ห้อสินค้าในตลาดอย่างไร มี Marketing Positioning อย่างไร เทคนิคหนึ่งที่นิยมใช้กัน คือ Perceptual Map ซึ่งก็ไม่ใช่เทคนิคที่ทำได้ง่ายๆ เพราะถ้าหากใช้วิธีกำหนดแกนมิติไม่เหมาะสม อาจทำให้ตีความผิดพลาดได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pVYe-HZaXYW_Q6X793E3_w.jpeg" /><figcaption>ตัวอย่าง Perceptual Map แบรนด์ร้านกาแฟ ระบุว่าแต่ละแบรด์ อยู่ในตำแหน่งใดบ้าง Ref : <a href="https://youtu.be/ilXBjTD5Tl8?fbclid=IwAR2dYSrMoe9tUnEwwYiVtdcX8JRLgsY-ruoaYzFNsXpRgVJJvlZ1BV60WEo">https://youtu.be/ilXBjTD5Tl8</a></figcaption></figure><p>ปกติยี่ห้อสินค้าจะนิยมทำแบบสอบถามเพื่อสร้าง Perceptual Map แต่ว่าช่วงปี 2563–2565 เกิดโรคระบาด Covid-19 การทำแบบสอบถามกลายเป็นกิจกรรมที่ยากลำบากมากขึ้น ผู้เขียนจึงเกิดไอเดียว่า <em>ถ้าเราใช้ข้อมูลจาก Social Media แทนล่ะ จะเป็นอย่างไร?</em></p><p>ขั้นตอนของการศึกษานี้ เพื่อให้สรุปเข้าใจได้ง่ายๆเร็วๆ จะเริ่มจาก Flowchart 1 โดยโฟกัสผลิตภัณฑ์นมโคพาสเจอร์ไรส์เป็นหลัก 7 ยี่ห้อ ประกอบด้วย เมจิ ดัชมิลล์ ไทยเดนมาร์ค โฟร์โมสต์ แดรี่โฮม เอ็มมิลค์ และโชคชัย และการทำ Perceptual Map + Semantic Network ของการศึกษานี้ เป็นไปในลักษณะการ “สำรวจตลาด” มากกว่าการกำหนด Positioning ที่สำเร็จนำไปใช้งานทันที ต้องทำงานกันอีกพอสมควรเพื่อสร้าง 4Ps ที่สมบูรณ์</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/943/1*FNOR7jb22PBO--dWxlkGTg.png" /><figcaption>Flowchart1 — ภาพรวมการศึกษา</figcaption></figure><p>เมื่อดูรูปใน Flowchart 1 จะพบว่ามีการทำแบบสอบถามในส่วนที่ 2 แต่ก็เป็นเพียงการเปรียบเทียบผลในเชิงประจักษ์เท่านั้น ในที่นี้จะขอกล่าวถึงส่วนที่ 1 เพียงอย่างเดียว</p><p>เริ่มจากการทบทวนวรรณกรรม ส่วนนี้มีเพื่อกำหนดว่าเราควรจะทำ Perceptual Map ในมุมมองปัจจัยใดบ้างที่ผู้บริโภคนึกถึงเวลาจะซื้อนม สามารถสรุปได้ 8 กลุ่ม ประกอบด้วย <em>แม่และเด็ก, การจัด Promotion, คุณภาพและความสะอาด, ความยากง่ายในการหาซื้อ, การนำไปทำกาแฟ/อาหาร/ขนม, สุขภาพ, สารอาหารและส่วนผสม และ ราคา</em></p><p>สำหรับขั้นตอนการเก็บข้อมูลจาก Website ในส่วนที่ 1 ผู้เขียนได้ใช้ข้อมูลจาก Pantip.com ซึ่งมีขั้นตอนดัง Flowchart 2 ดังนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5wiWpISWqLqkHBrj2pKV_A.png" /><figcaption>Flowchart 2 — ขั้นตอนการเก็บข้อมูลและประมวลผลข้อมูลจาก Social Network</figcaption></figure><p>การเก็บข้อมูล ใช้ Python ทำงานทั้งหมด ทำการเก็บ URL ของกระทู้และความเห็นที่เกี่ยวข้องก่อนด้วย Web Crawler แล้วจึง Scrape ข้อความทีละ URL จากนั้น ทำการตัดข้อความด้วย <a href="https://pythainlp.github.io/"><strong>PyThaiNLP</strong> </a>และสร้าง Label กำหนดว่าข้อความแต่ละตัวเกี่ยวข้องกับ Domain นมโคหรือไม่ โดยดูจากข้อความที่ถูกตัดมาเป็น Token (เช่น มีคำว่า “นม” อยู่ในชุดข้อความ หรือ มีชื่อยี่ห้ออยู่ในข้อความ เป็นต้น) Label นี้ สามารถใช้เป็นตัวกรองข้อความที่ไม่เกี่ยวข้องออกไปได้ เมื่อประมวลผลเสร็จ เก็บข้อมูลทั้งหมดลงใน MongoDB ดังรูป</p><p>หมายเหตุ: ข้อมูลที่เก็บมาทั้งหมด<strong><em>ไม่มี </em></strong>ชื่อบัญชีผู้โพสความเห็น หรือ รหัสสมาชิกใดๆที่สามารถระบุตัวตนของผู้โพสได้ และทำลายหลังเสร็จสิ้นการศึกษานี้ทั้งหมด อีกทั้งกิจกรรมดังกล่าว เกิดขึ้นก่อนการประกาศใช้ PDPA</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KS4nYGkzOLmJNQyGH9pfLg.png" /><figcaption>การเก็บข้อมูลลงใน MongoDB</figcaption></figure><p>จากนั้นใช้ <a href="https://www.researchgate.net/publication/265784473_LDAvis_A_method_for_visualizing_and_interpreting_topics"><strong>LDAVis</strong></a><strong> </strong>ในการสำรวจและช่วยเลือกคำ ทั้งนี้ในส่วนดังกล่าวยังไม่ได้ให้โมเดล LDAVis ทำ Topic Modeling เต็มรูปแบบ ใช้เพียงแค่ช่วยเลือก keyword ที่มีการกล่าวถึงในจำนวนที่ไม่มากและไม่น้อยจนเกินไป แล้วคัดเลือก keyword มา 500 คำ จัดกลุ่มแต่ละ keyword ด้วยมือเข้ากับ 8 กลุ่มมุมมองปัจจัยที่ได้จากการทบทวนวรรณกรรม หากความหมายกำกวมหรือไม่ทราบ ให้จัดเข้ากลุ่มที่ 9 และจะนำกลุ่มที่ 9 นี้ไปหา Insight ต่อไปด้วยเทคนิค Community Detection เหตุที่ไม่ใช้ Topic Modeling เพราะต้องการนำผลไปเทียบกับแบบสอบถาม</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-i_-YqPH0oJIwyKyt_7r_g.png" /><figcaption>LDAVis</figcaption></figure><p>เมื่อคัดเลือกคำและจัดกลุ่มเสร็จแล้ว เราจะเริ่มทำ Perceptual Map และกราฟโครงข่าย ด้วยการสร้าง Co-occurrence matrix ระหว่าง Keyword + ชื่อยี่ห้อ ที่มีหน้าตาดูรกๆแบบนี้ ใน Python โดยใช้ค่า Jaccard Index &amp; Distance เป็นค่า Normalized การปรากฎคำร่วมกัน สาเหตุที่ใช้ Jaccard เพราะต้องการให้ Model ยืดหยุ่นต่อการสำรวจองค์ประกอบใหม่ในตลาด ลดโอกาสการเกิดค่า Infinity หาก Keyword ไม่ปรากฏจริงในเอกสาร</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*MzPJQ39wDdOoF_HcK4h7rw.png" /><figcaption>Co-occurrence matrix (500x500)</figcaption></figure><p>การ Normalized การเกิด Keyword ร่วมกัน มีไว้เพื่อกำจัดอคติระหว่างยี่ห้อ เพราะสินค้าแต่ละยี่ห้อมีความนิยมไม่เท่ากัน ทำให้จำนวนครั้งที่ถูกพูดถึงไม่เท่ากันด้วย</p><p>ทั้งนี้ Matrix มี 2 รูปแบบคือ 500x500 keyword สร้างด้วย Jaccard index ใช้กับการสร้างกราฟ และ 7x7 ยี่ห้อ สร้างด้วย Jaccard Distance สำหรับสร้าง MDS Perceptual map กำหนด Positioning ระหว่างยี่ห้อ</p><p>Matrix 7x7 สำหรับทำ MDS ใช้ทั้งหมด 9 matrix แต่ละ matrix ถูกสร้างจาก Keyword ที่แตกต่างแยกไปในแต่ละกลุ่มมุมมองปัจจัยที่ผู้บริโภคนึกถึงเวลาจะซื้อนม (8 matrix) และภาพรวมทุกกลุ่มมุมมองปัจจัย (1 matrix) ด้วยวิธีเทียบการปรากฏ Keyword ร่วมกัน 3 ส่วน ระหว่าง <em>ยี่ห้อสินค้า A</em> — Keyword<em> X</em> — <em>ยี่ห้อสินค้า B</em> เทียบคู่ยี่ห้อกับ Keyword จนครบทั้ง 500 คำ (กรณีภาพรวม) หรือครบทุก Keyword ที่แตกต่างกันไปในแต่ละกลุ่ม และครบทุกคู่ยี่ห้อ จากนั้นหาค่าเฉลี่ยของ Jaccard Distance จากคู่ยี่ห้อเทียบกับ Keyword</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/811/1*krZzCf-XMlTnX37zn2WkZg.png" /><figcaption>ตัวอย่าง Co-occurrence matrix ขนาด 7x7 ยี่ห้อ</figcaption></figure><p>สำหรับการทำ Robustness check มีไว้เพื่อดูว่า matrix ที่สร้างขึ้น สร้างอย่างถูกหลักการหรือไม่ รวมถึง Cross Validation ที่เทียบผลระหว่าง Social กับ แบบสอบถาม ส่วนนี้ขอข้ามไป</p><p>เมื่อได้ Co-occurrence matrix ขนาด 7x7 แล้ว ก็สร้าง Perceptual Map ด้วย MDS โดยการกำหนดแกนจะใช้เป็น Principal component 2 มิติ ที่ไม่ได้สื่อความหมายใดๆ (จึงเป็นเหตุผลว่าทำไมถึงยังไม่พร้อมใช้กับ 4Ps และใช้ในเชิงสำรวจตลาด) หลังจาก Plot ตำแหน่งบนระนาบแล้ว เราสามารถใช้ K-Mean Clustering แบ่งกลุ่มยี่ห้อบนระนาบได้อีกด้วย เพื่อ Insight ที่ลึกขึ้น ในที่นี้ขอยกตัวอย่าง Perceptual map เพียงแค่ 2 มิติปัจจัย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QuJsIlZF9TPEHqO2VR_fHQ.png" /><figcaption>Perceptual map มุมมองภาพรวม</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*US5J1HlCASuWmLv7bMw9hw.png" /><figcaption>Perceptual map เฉพาะมุมมองด้านสุขภาพ</figcaption></figure><p>เมื่อต้องการสร้างกราฟเพื่อดูว่าแต่ละ brand มีความสัมพันธ์กับองค์ประกอบใดบ้าง ใช้ matrix ขนาด 500x500 สร้างได้เลย มาลองดูด้วย Python กันก่อน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*lYWY48k2aiFdo5iDu9dtkQ.png" /><figcaption>Kamada-Kawai layout</figcaption></figure><p>แต่การนำเสนอกราฟด้วย Python แบบนี้ จะมีปัญหาถ้าเลือก keyword เยอะๆ มันจะรกจนมองไม่ออก ผู้เขียนจึงใช้ VOS Viewer รันผ่าน R Studio แทน เพื่อให้สามารถซูมเข้าออก และ Filter ได ้จนถึงสามารถ Export community เพื่อดู insight ได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*nuCU_aYTGvkoCKpcGQXJQQ.png" /><figcaption>ยังไม่เยอะก็เริ่มรกแล้ว ถ้าเอาหมด 500 keywords จะเป็นอย่างไร?</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vkf4eTbk8Z60BENSYENc4Q.png" /><figcaption>VOS Viewer</figcaption></figure><p>ประเด็นที่น่าสนใจของการทำ Community detection พบว่าจากกลุ่ม keyword ที่ไม่สามารถจัดกลุ่มเข้าพวกได้ สามารถจัดเป็นกลุ่มใหม่ที่ความหมายใกล้เคียงกับกลุ่มปัจจัยที่ทบทวนวรรณกรรมมา หรือไม่ใกล้เคียงเลยเพราะเป็นประเด็นใหม่ในตลาด ตรงนี้สามารถนำไปใช้ประกอบการกำหนด 4Ps ได้</p><p>อย่างไรก็ตาม หากต้องการต่อยอดต่อไปในอนาคต อาจมีการเพิ่มประเด็น Sentiment Analysis และ Topic Modeling เต็มรูปแบบ รวมถึงนำไปใช้กับสินค้าประเภทอื่นๆ และหา Marketing Positioning เจาะลึกลงไปถึงประเภทสินค้าของแต่ละยี่ห้อ ซึ่งความยากของการเจาะลึกนี้ อาจต้องมีการใช้ Machine Learning ช่วยทำ Label จำแนกข้อความว่า ความเห็นดังกล่าวกำลังพูดถึงสินค้ายี่ห้อใด กลุ่มใด หรือ SKU ใด</p><p>นอกจากนี้ หากองค์กรมี Tool ที่ทำ Social Listening อยู่แล้ว ยิ่งง่าย เพราะไม่ต้องเสียเวลาไป Craw+Scrape ด้วยตนเอง แถม Tool เหล่านั้น มักจะมี Service การทำ Sentiment อยู่แล้วด้วย</p><p><strong>อ้างอิง<br></strong>พัชรพล อ่วมโอฬาร, ธนชาตย์ ฤทธิ์บำรุง. (2565). การหาตำแหน่งตราสินค้านมโคพาสเจอร์ไรส์จากความเห็นผู้บริโภคบนสื่อสังคมออนไลน์. วารสารสถิติประยุกต์และเทคโนโลยีสารสนเทศ, <em>7</em>(1), 23–40. สืบค้นจาก <a href="https://ph02.tci-thaijo.org/index.php/asit-journal/article/view/244679">https://ph02.tci-thaijo.org/index.php/asit-journal/article/view/244679</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c583f2e0aac5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[เชื่อมต่อ OBD-II Hack ข้อมูลรถ ด้วย Python และ Ubuntu ที่สร้างบน VM VirtualBox]]></title>
            <link>https://medium.com/@pacharapol4066/%E0%B9%80%E0%B8%8A%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%A1%E0%B8%95%E0%B9%88%E0%B8%AD-obd-ii-%E0%B8%94%E0%B8%B9%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%A3%E0%B8%96-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-python-%E0%B9%81%E0%B8%A5%E0%B8%B0-ubuntu-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87%E0%B8%88%E0%B8%B2%E0%B8%81-vm-virtualbox-b3aee95475ab?source=rss-af6c5e9b858------2</link>
            <guid isPermaLink="false">https://medium.com/p/b3aee95475ab</guid>
            <dc:creator><![CDATA[Tri Tankista]]></dc:creator>
            <pubDate>Thu, 13 Jan 2022 10:49:34 GMT</pubDate>
            <atom:updated>2022-01-13T12:02:22.598Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2cUP56FYIxZT8Oq7QsUZ9w.jpeg" /></figure><p>สวัสดีครับ นี่เป็นบทความแรกๆที่ผมน่าจะเขียนบน Medium ขอใช้นามปากกาว่า Tri Tankista เป็นภาษารัสเซีย แปลว่า “สามพลรถถัง” ผมมีเพจเป็นของตัวเองชื่อ PakchongHobby มาตั้งแต่ปี 2561 แต่เปลี่ยนเป็น PPHobby เนื่องจากย้ายมาอยู่ในกรุงเทพ รับงานซ่อมเรือนไมล์และกล่อง ECU แต่ก็หยุดทำช่วงหนึ่งเพื่อมาเรียนปริญญาโทด้าน Business Analytic ที่ NIDA ในหลักสูตร <a href="https://medium.com/madt-and-bads-nida">BADS</a></p><p>เข้าเรื่องเลย</p><p>วันนี้ผมจะมาสาธิตวิธีการเขียน Python เชื่อมต่อกับข้อมูลรถยนต์ เพราะการเรียน BADS นั้น ในช่วงปรับพื้นฐาน เขาจะให้ทุกคนเรียนเขียน Python เป็นการปรับพื้นฐาน ทีนี้ ผมมีความสนใจด้านยานยนต์ และมองว่าในอนาคตรถจะเสมือนเป็นคอมพิวเตอร์เครื่องหนึ่งเลยทีเดียว ถ้าเราสามารถเก็บข้อมูลการใช้งานรถยนต์เพื่อดูพฤติกรรมคนขับได้ คงจะดีไม่ใช่น้อย เพราะข้อมูลเหล่านี้มีลักษณะเป็น Streaming อย่างหนึ่ง ซึ่งสามารถนำ Tools ที่จัดการกับเรื่องนี้ได้ไม่ยาก เช่น Apache Kafka เป็นต้น</p><p>แต่สิ่งหนึ่งที่ยาก คือ ทำอย่างไรจึงจะได้ข้อมูลเหล่านั้นมา?<br>ผมจะมาเริ่มทีละขั้นตอน</p><ol><li>เตรียมอุปกรณ์ คือ ตัวอ่าน OBD2 ELM327 แบบปลายสายอีกด้านเป็น USB โดยสามารถหาซื้อได้ใน EBay ผมซื้อไว้ตั้งแต่ปี 2561</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kQJoJmetk9KNoAUEucJsEA.jpeg" /></figure><p>2. สร้าง Virtual Machine ก่อน โดยเริ่มจากติดตั้ง Oracle VM VirtualBox ซึ่งมี Icon ตามรูปนี้ ตรงนี้ผมจะไม่ลงรายละเอียดมากนัก</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/105/1*2j9vLABnMl5QSEVsBxQ-cA.jpeg" /></figure><p>3. เมื่อได้ VM VirtualBox แล้ว ให้เราสร้าง VM เลือกระบบปฏิบัติการเป็น Linux และเลือกเวอร์ชั่นเป็น Ubuntu version 20.04.xx ตรงนี้ผมขอไม่ลงรายละเอียดเช่นกัน</p><p>4. เมื่อได้ VM มาแล้ว ต้องทำการเซตค่า USB ก่อน เสียบสาย OBDII กับเครื่องให้เรียบร้อย จากนั้นให้กดที่ Settings &gt; USB &gt; Add new USB filter โดยให้เลือกอันที่ระบุว่าเป็น USB Serial Controller เพื่อให้เวลาเสียบตัวอ่าน OBD2 แล้วสามารถรับส่งข้อมูลกันได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Li3DSEH1DseNFf2kDibZiA.jpeg" /></figure><p>5. Start VM ขึ้นมา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pQf7fBidpiumySwnaI1aeQ.jpeg" /></figure><p>6. หลังจากนี้เราจะทำงานบน Terminal ทำการตรวจสอบก่อนว่าพอร์ต usb ของเราทำงานที่พอร์ตไหนด้วยคำสั่ง</p><blockquote>dmesg | grep tty</blockquote><p>ของผมจะขึ้นว่า /dev/ttyUSB0</p><p>7. แก้ไข Permission ของพอร์ตที่เราพบ มิฉะนั้น python obd จะหา Port ไม่เจอ ด้วยคำสั่ง</p><blockquote>sudo chmod o+rw /dev/ttyUSB0</blockquote><p>8. ติดตั้ง pip (ถ้าเคยลงอยู่แล้วก็ข้ามไป) และ Library ของ OBD ด้วยคำสั่ง</p><blockquote>pip install obd</blockquote><p>ทั้งนี้สามารถไปศึกษาเพิ่มเติมได้ใน <br><a href="https://python-obd.readthedocs.io/en/latest/#installation">https://python-obd.readthedocs.io/en/latest/#installation</a></p><p>9. เมื่อติดตั้งเสร็จแล้ว มาเริ่มต้นเขียน Code ง่ายๆ คือ “การเริ่มต้นเชื่อมต่อครั้งแรก” โดยให้เขียนตามนี้ Save ลงไฟล์ ในที่นี้ขอใช้ชื่อไฟล์ว่า pyOBD2_Test.py</p><blockquote>import obd<br>obd.logger.setLevel(obd.logging.DEBUG)<br>ports = obd.scan_serial()<br>print(ports) # ถ้าทำถูกต้อง จะต้องโชว์ [‘/dev/ttyUSB0’]<br>connection = obd.OBD(portstr=‘/dev/ttyUSB0’)<br>connection.status()</blockquote><p>10. ต่อสายเข้ากับรถที่มีระบบ OBDII ในที่นี้ผมใช้เป็น Toyota Hilux Vigo Champ ปี 2014 เครื่อง 2KD-FTV สตาร์ทเครื่องยนต์ เมื่อเครื่องยนต์ติด ให้พิมพ์คำสั่งใน Terminal</p><blockquote>python pyOBD2_Test.py<br>บางเครื่องถ้าลงเป็น python3 ให้พิมพ์คำว่า python3 pyOBD2_Test.py</blockquote><p>ถ้าทุกอย่างสมบูรณ์ OBD2 จะต้องเชื่อมต่อกับ VM ได้ โปรแกรมจะแสดงค่า Baud Rate ที่ตรวจพบโดยอัตโนมัติ เช่น 38400 และมีค่าใน Package ปรากฎออกมา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2cUP56FYIxZT8Oq7QsUZ9w.jpeg" /></figure><p>11. ทดลองดึงค่ารอบเครื่องยนต์ ด้วยคำสั่ง</p><blockquote>import obd<br>obd.logger.setLevel(obd.logging.DEBUG)<br>ports = obd.scan_serial()<br>print(ports) # ถ้าทำถูกต้อง จะต้องโชว์ [‘/dev/ttyUSB0’]<br>connection = obd.OBD(portstr=‘/dev/ttyUSB0’)<br>connection.status()<br>cmd = obd.commands.RPM() #แสดงรอบเครื่อง<br>print(connection.query(cmd))</blockquote><p>หน้าจอจะแสดงรอบเครื่อง ดังในรูปที่ปรากฎ (747.5 revolutions_per_minute)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*so42MZlI_DtZYqIN0BEfMA.jpeg" /></figure><p>เท่านี้ก็ถือว่าเป็นการเปิดประตูบานแรกในการวิเคราะห์ข้อมูลต่อไปแล้ว<br>สำหรับรอบนี้ ก็ขอจบเพียงเท่านี้ก่อน ต้องพัฒนากันต่อไปครับ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b3aee95475ab" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>