ในทุกๆองค์กร จะมีแบบฟอร์มการประเมินต่างๆ มากมายไม่ว่าจะเป็น แบบฟอร์มประเมินควาพึงพอใจ หรือแบบประเมินผลงานต่าง ๆ เราสามารถนำแบบประเมินต่างๆ นั้นนำเข้า Machine Learning เพื่อสร้างโมเดลความพึงพอใจของลูกค้า เพื่อนำไปวิเคราะห์ถึงปัจจัยต่าง ๆ ที่สร้างความพึงพอใจให้กับลูกค้านั้นมีอะไรบ้าง บางทีได้จากโมเดลอาจบอกสิ่งที่คาดไม่ถึงว่าความพึงพอใจของลูกค้าส่วนใหญ่อาจมาจากการให้บริการ หรือไม่แน่ว่าโมเดลอาจบอกว่าความพึงพอใจของลูกค้ามาจากสถานที่ก็เป็นได้
เตรียมข้อมูลกันก่อน
ในการจัดเตรียมแบบประเมินในรูปแบบ Paper , Excel , Google Form หรือ Microsoft Form โดยภายในฟอร์มควรมีลักษณะเป็นระดับเกณฑ์การประเมิน เช่น ควรปรับปรุง,พอใช้,ดี,ดีมาก และภายในฟอร์มการประเมินจะต้องมีมีหัวข้อภาพรวมของการประเมิน (อาจเป็นข้อสุดท้ายเพื่อแสดงภาพรวมทั้งหมด) ดังตัวอย่างดังต่อไปนี้
ตัวอย่าง แบบฟอร์มการประเมิน
จากรูป หัวข้อที่ 4 จะกล่าวถึงภาพรวมทั้งหมดในการให้บริการซึ่งจะเป็นข้อสรุปขอผู้รับบริการว่าพอใจหรือไม่ โดยในหัวข้อย่อยแต่ละหัวข้อคือตัวแปรที่มีค่าจาก 1-5 โดย 4.4 ความพึงพอใจโดยภาพรวมที่ได้รับจากการบริการของหน่วยงานคือผลรวมของความพึงพอใจทั้งหมดซึ่งควรจะเขียนออกมาเป็นสมการได้ดังรูปต่อไปนี้
ตรวจสอบข้อมูล
หลังจากนั้นเรานำข้อมูลมาตรวจสอบว่าข้อมูลถูกต้องครบถ้วนและสมบูรณ์หรือไม่ (Cleansing) ในกรณีที่ data มีความเกี่ยวข้องกับ External data ก็ดีเราสามารถเพิ่มข้อมูลส่วนนี้ลงไปได้ (Enrichment) เช่นข้อมูลจังหวัดหากเพิ่มพื้นที่ของจังหวัดหรือภูมิภาคลงไปอาจทำให้ข้อมูลมีความน่าสนใจขึ้นก็เป็นได้
เลือก Model Machine Learning
Machine Learning คือเครื่องมือหนึ่งใช้สร้างโมเดลจากที่มนุษย์เป็นผู้สร้างกลายเป็น Machine เป็นผู้สร้างโดย Machine ต้องการข้อมูลจำนวนมากเพื่อปัจจัยให้เกินความแม่นยำของข้อมูล ในที่นี้เรามีชุดข้อมลความพึงพอใจของลูกค้าและต้องการนำข้อมูลมาสร้างเป็น Model สามารถสร้างเป็นการบวนการเรียนรู้ได้ดังรูปต่อไปนี้
โดยข้อมูลที่ต้องการป้อนให้กับ Machine นั้นคือ Input ซึ่งก็คือรายการประเมินต่างๆนั่นเอง แต่ Machine ก็ต้องการ Output เพื่อประมวลผลด้วยเราจึงเลือกใช้ 4.4 ความพึงพอใจโดยภาพรวมที่ได้รับจากการบริการของหน่วยงาน เป็นตัวแทนของ Output เพื่อสำหรับทำนายเนื่องจากหัวข้อที่เกี่ยวข้องกับการสรุป หรือหัวข้อที่เกี่ยวกับภาพรวมย่อมหมายถึงภาพใหญ่ซึ่งมาจากหัวข้อย่อยๆต่างๆรวมกัน
โดย X1-X5 คือค่าคะแนนในแต่ละหัวข้อตั้งแต่ 1-5 และ Y ซึ่งเป็นผลลัพธ์ของ และค่า a,b,c…,m คือตัวแทนของน้ำหนักในแต่ละหัวข้อซึ่ง Machine Learning จะหาค่าความสัมพันธ์ a,b,c…,m ให้โดยอัตโนมัติ
Result ที่ได้รับ
หลังจากเราได้ใช้ Machine Learning ในการสร้าง Model แล้วสิ่งที่ได้รับคือ สมการทางคณิตศาสตร์หรือ Model ต้นแบบเพื่อนำไปใช้ในการทำนายค่าภาพรวมความพึงพอใจของลูกค้าจากการหยอดค่าต่างๆในแบบประเมิน
และหากเราใช้ Model ประเภท Explainable AI ก็จะสามารถแสดงค่าน้ำหนักในแต่ละหัวข้อของการประเมินโดยออกมาเป็นตัวเลขจาก a,b,c…,m ซึ่งตัวเลขนี้มีความสำคัญคือบ่งบอกถึงความสำคัญหรือน้ำหนักของหัวข้อแต่ละหัวข้อ โดยข้อมูลส่วนนี้เหมาะกับการนำไปใช้ในการวิเคราะห์ต่อไปว่าส่วนใดควรเป็นปัจจัยหลักหรือควรปรับปรุงก่อน เช่น 2.4 และ 2.3 เป็นปัจจัยที่สำคัญต่อการประเมินที่สุด เนื่องจากมีค่าน้ำหนักสูงที่สุดเป็นต้น
และสิ่งที่สำคัญสุดคือ Model ที่ถูกพัฒนาด้วย Machine Learning ไม่ได้ถูกนำมาทดแทนคน แต่เป็นเครื่องมือในการอำนวยความสะดวก เฉกเช่นเดียวกับเครื่องคิดเลข เพือเป็นการแนะนำและชี้ให้เห็นว่าควรเข้าไปแก้ไขปัญหาส่วนใดก่อนนั่นเอง
