การจำแนกผลการชำระเงิน ด้วยเทคนิคการเรียนรู้ของเครื่องจักร กรณีศึกษา บริษัทให้เช่าพื้นที่จัดเก็บสินค้าแห่งหนึ่งThe Classification of Payment Result by Machine Learning: Case study of A Storage Space Rental Company

Abstract

งานวิจัยนี้เป็นการศึกษาการจำแนกผลการชำระเงิน ด้วยเทคนิคการเรียนรู้ของเครื่องจักรโดยใช้โปรแกรม Weka เพื่อการวางแผนการจัดการลูกหนี้ในอนาคต และเพื่อสภาพคล่องทางการเงินที่ดีขึ้นของธุรกิจ โดยมีวัตถุประสงค์เพื่อ 1) ศึกษาระบบการออกใบแจ้งหนี้และติดตามชำระหนี้ 2) สร้างแบบจำลองการจำแนกผลการชำระเงิน โดยใช้เทคนิคการเรียนรู้ของเครื่องจักร 3) เปรียบเทียบค่าความถูกต้องของแต่ละอัลกอริทึมในการจำแนกผลการชำระเงินที่เกินกำหนดและผลการชำระเงินที่ไม่เกินกำหนด โดยใช้เทคนิคการจำแนกประเภท (Classification) และ 4) พยากรณ์ผลการชำระเงินและวัดประสิทธิภาพของแบบจำลอง จากการศึกษาการสร้างแบบจำลองการจำแนกผลการชำระเงินจากอัลกอริทึม 3 แบบ ได้แก่ วิธีข่ายงานเบย์ วิธีการถดถอยโลจิสติกส์ และวิธีการเคลื่อนลงตามความชัน พบว่าแบบจำลองจากวิธีการจำแนกข้อมูลแบบข่ายงานเบย์เป็นแบบจำลองที่มีประสิทธิภาพดีที่สุด ซึ่งให้ค่าความถูกต้องของการจำแนกผลการชำระเงินเท่ากับร้อยละ 82.35 จึงได้ใช้เป็นตัวแบบสำหรับการจำแนกผลการชำระเงินในการศึกษานี้ นอกจากนี้การศึกษาการจำแนกผลการชำระเงินที่เกินกำหนดและผลการชำระเงินที่ไม่เกินกำหนด สอดคล้องกับสมมติฐานที่ตั้งไว้ คือ การจำแนกผลการชำระเงินโดยแบบจำลองจากวิธีการจำแนกข้อมูลที่ถูกเลือก จะมีค่าความคลาดเคลื่อนจากผลลัพธ์จริงไม่เกินร้อยละ 15.00 ซึ่งผลการศึกษามีค่าความคลาดเคลื่อนสัมพัทธ์ (Relative Error) เท่ากับร้อยละ 7.69 และร้อยละ 4.55 ตามลำดับ

This research is a study of classification of payment results with machine learning techniques using Weka program to plan future receivable management and for better financial liquidity of the business. The objectives are to 1) study the system of invoicing and debt collection, 2) create models for the payment result classification, 3) compare the accuracy of each algorithm in classifying between due and overdue payments and 4) forecast payments and measure the performance of forecast model. According to the study on three algorithms for creation of classification model, namely, Bayesian network, logistics regression and gradient descent, it is found that the model from the Bayesian network classification yields the best performance with the payment result classification accuracy of 82.35%. Therefore, the model is chosen as the classification model in this study. The results of the classification between due and overdue payments are in accordance to the set hypothesis, that is the error of the payment result classification from the model obtained from the chosen classification method is approximately 15% or less, as compared to the actual results. The relative error of the results is 7.69% and 4.55%, respectively.