การประยุกต์ใช้วิทยาการข้อมูลเพื่อวิเคราะห์และติดตามผลการปฏิบัติงานตามตัวชี้วัดผลสัมฤทธิ์การดำเนินงานของหน่วยพัสดุ คณะพาณิชยศาสตร์และการบัญชี มหาวิทยาลัยธรรมศาสตร์
Keywords:
วิทยาการข้อมูล, การจัดซื้อจัดจ้าง, ออเรนจ์ดาต้าไมนิง, การวิจัยจากงานประจำ (R2R), ตัวชี้วัดผลการปฏิบัติงาน, ต้นแบบข้อมูลAbstract
การวิจัยจากงานประจำนี้มีวัตถุประสงค์เพื่อพัฒนาต้นแบบการวิเคราะห์และติดตามผลการปฏิบัติงานด้านการจัดซื้อจัดจ้างของหน่วยพัสดุ คณะพาณิชยศาสตร์และการบัญชี มหาวิทยาลัยธรรมศาสตร์ ตามตัวชี้วัดผลสัมฤทธิ์ที่สำคัญ 2 ตัวชี้วัด ได้แก่ การเสนอลงนามกรณีวงเงินไม่เกิน 1 แสนบาทภายใน 2 วันทำการ (KPI1) และกรณีวงเงินเกิน 1 แสนบาทแต่ไม่เกิน 5 แสนบาทภายใน 5 วันทำการ (KPI2) โดยประยุกต์ใช้วิทยาการข้อมูลและเทคนิคการเรียนรู้ของเครื่องแบบไม่มีผู้สอน ผ่านโปรแกรมออเรนจ์ดาต้าไมนิง โดยใช้ข้อมูลการจัดซื้อจัดจ้างในปีประเมินผลการปฏิบัติงาน 2567 รวมทั้งสิ้น 577 รายการ นำมาวิเคราะห์การกระจายตัวของข้อมูลและจัดกลุ่มเชิงวิเคราะห์ด้วยวิธี k-Means ร่วมกับการลดมิติของข้อมูลด้วยวิธี PCA และ t-SNE เพื่อใช้ติดตามผลการปฏิบัติงานและแก้ไขปัญหา ผลการวิจัยพบว่าต้นแบบที่พัฒนาขึ้นสามารถจำแนกรูปแบบและปัจจัยร่วมของรายการที่ไม่เป็นไปตามเป้าหมายในช่วงครึ่งปีแรก โดยเมื่อนำผลวิเคราะห์ไปใช้แก้ไขปัญหา ส่งผลให้การดำเนินงานในครึ่งปีหลังบรรลุผลตามเป้าหมาย เมื่อสิ้นปีประเมิน ตัวชี้วัดผลสัมฤทธิ์อยู่ในเกณฑ์ระดับสูงสุดทั้งสองด้าน โดย KPI1 ประสบความสำเร็จร้อยละ 99.23 (519 จาก 523 รายการ) และ KPI2 ประสบความสำเร็จร้อยละ 92.59 (50 จาก 54 รายการ) แสดงให้เห็นว่าต้นแบบนี้สามารถนำไปใช้ติดตามผลการปฏิบัติงานและแก้ไขปัญหาและพัฒนาการจัดซื้อจัดจ้างของคณะฯ ได้
Downloads
References
Demšar, J., Curk, T., Erjavec, A., Gorup, C., Hočevar, T., Milutinovič, M., Možina, M., Polajnar, M., Toplak, M., Starič, A., Štajdohar, M., Umek, L., Žagar, L., Žbontar, J., Žitnik, M., & Zupan, B. (2013). Orange: Data mining toolbox in Python. Journal of Machine Learning Research, 14(71), 2349-2353.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). New York: Springer.
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202
Kakulapati, V., Chaitanya, K. K., Chaitanya, K. V. G., & Akshay, P. (2020). Predictive analytics of HR: A machine learning approach. Journal of Statistics and Management Systems, 23(6), 959-969. https://doi.org/10.1080/09720510.2020.1799497
Maaten, L., & Hinton, G. (2008). Visualizing high-dimensional data using t-SNE. Journal of Machine Learning Research, 9, 2579-2605.
