การวิเคราะห์ Markov Chain

ความน่าจะเป็นขั้นสูง: ความไม่แน่นอนในข้อมูล

Maarten Van den Broeck

Senior Content Developer at DataCamp

Markov Chain คืออะไร?

• จำลองระบบที่มีหลายสถานะ
• เปลี่ยนสถานะตามความน่าจะเป็น
• แนวคิดสำคัญ: การเปลี่ยนสถานะขึ้นอยู่กับสถานะปัจจุบันเท่านั้น
• การประยุกต์ใช้หลัก: วิเคราะห์เส้นทางของลูกค้า

องค์ประกอบของ Markov Chain

• สถานะ (States): เงื่อนไขหรือขั้นตอนที่แตกต่างกัน

องค์ประกอบของ Markov Chain

• สถานะ (States): เงื่อนไขหรือขั้นตอนที่แตกต่างกัน
• การเปลี่ยนสถานะ (Transitions): ความน่าจะเป็นของการย้ายจากสถานะหนึ่งไปยังอีกสถานะ

องค์ประกอบของ Markov Chain

• ความน่าจะเป็นสมดุล (Steady-state probabilities): ความน่าจะเป็นระยะยาวของการอยู่ในแต่ละสถานะ
  • คำนวณด้วยซอฟต์แวร์สถิติหรือเครื่องมือ BI
  • เช่น สถานะสมดุลสำหรับวันแดด: 66.67%

เมทริกซ์การเปลี่ยนสถานะ (Transitioning matrix)

	แดด	มีเมฆ
แดด	80%	20%
มีเมฆ	40%	60%

การประยุกต์ใช้ Markov Chain

• การรักษาลูกค้า:
  • ระบุความน่าจะเป็นของการเปลี่ยนสถานะระหว่างการมีส่วนร่วมและการเลิกใช้งาน
• การเพิ่มประสิทธิภาพการแปลง:
  • ติดตามความก้าวหน้าในช่องทางการขาย
• การแนะนำสินค้า:
  • คาดการณ์พฤติกรรมของลูกค้าในอนาคต

ตัวอย่าง: อีคอมเมิร์ซ$^1$

¹ C = คูปอง (Coupon), P = การซื้อ (Purchase), E = ออกจากระบบ (Exit)

ตัวอย่าง: อีคอมเมิร์ซ

	ใช้คูปอง (ใหม่)	ซื้อสินค้า (ใหม่)	ออกจากระบบ
ใช้คูปอง	10%	60%	30%
ซื้อสินค้า	5%	90%	5%
ออกจากระบบ	15%	5%	80%

ตัวอย่าง: อีคอมเมิร์ซ

	ใช้คูปอง (ใหม่)	ซื้อสินค้า (ใหม่)	ออกจากระบบ
ใช้คูปอง	10%	60%	30%
ซื้อสินค้า	5%	90%	5%
ออกจากระบบ	15%	5%	80%

มาฝึกกันเถอะ!

ความน่าจะเป็นขั้นสูง: ความไม่แน่นอนในข้อมูล