การวิเคราะห์ปัจจัยเชิงพยากรณ์และการจำแนกกลุ่มผู้ใช้เพื่อการนำระบบ บริหารจัดการตัวชี้วัดไปใช้ในมหาวิทยาลัยสงขลานครินทร์ วิทยาเขตภูเก็ต
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อ 1) ศึกษาสภาพปัจจุบัน ระดับปัญหาและความเสี่ยงในการบริหารจัดการข้อมูลตัวชี้วัดของบุคลากรภายในองค์กร 2) ปัจจัยเชิงพยากรณ์ที่มีความสำคัญต่อสภาพปัจจุบันและระดับความเสี่ยงในการบริหารจัดการตัวชี้วัดด้วยเทคนิค Random Forest 3) จำแนกกลุ่มผู้ใช้งานตามการรับรู้สภาพปัจจุบันและระดับความเสี่ยงด้วยเทคนิค K-Means Clustering และเสนอแนวทางการนำระบบบริหารจัดการตัวชี้วัดไปใช้ให้เหมาะสมกับบริบทของผู้ใช้งานแต่ละกลุ่ม กลุ่มตัวอย่างคือบุคลากรมหาวิทยาลัยสงขลานครินทร์ วิทยาเขตภูเก็ต 167 คน สุ่มแบบชั้นภูมิตามหน่วยงาน เก็บข้อมูลด้วยแบบสอบถามออนไลน์ 5 ระดับ มีค่า IOCเท่ากับ 0.67 และค่าความเชื่อมั่น เท่ากับ 0.89 วิเคราะห์ข้อมูลด้วยสถิติพรรณนา Random Forest Regression เพื่อสกัดและจัดลำดับความสำคัญของปัจจัย (MAE เท่ากับ 0.75, RMSE เท่ากับ 0.91) K-Means Clustering (k = 3) Silhouette Score เท่ากับ 0.39 และ Davies-Bouldin Index เท่ากับ 0.87 ยืนยันความเหมาะสมการจำแนกผู้ใช้งานออกเป็น 3 กลุ่ม ผลการวิจัยพบว่า สภาพปัจจุบันอยู่ในระดับมาก ความสอดคล้องตัวชี้วัดกับวิสัยทัศน์ พันธกิจ และยุทธศาสตร์มีค่าเฉลี่ยสูงสุด ปัญหาและความเสี่ยงภาพรวมอยู่ในระดับปานกลาง โดยความเสี่ยงด้านมาตรฐานและการจัดการข้อมูลมีค่าเฉลี่ยสูงสุด ผลการพยากรณ์พบว่า หน่วยงานเป็นปัจจัยสำคัญสูงสุดต่อสภาพปัจจุบัน ส่วนปัจจัยสำคัญต่อระดับความเสี่ยง ได้แก่ ความเข้าใจตัวชี้วัด การเข้าถึงและใช้งาน และการจัดเก็บข้อมูลอย่างเป็นระบบ ตามลำดับ การจำแนกผู้ใช้งานออกเป็น 3 กลุ่ม ได้แก่ 1) กลุ่มต้องการ
การสนับสนุนสูง (ร้อยละ 37.13) 2) กลุ่มพร้อมใช้งานสูง (ร้อยละ 29.34) 3) กลุ่มพร้อมใช้งานแต่ต้องควบคุม ความเสี่ยง (ร้อยละ 33.53) ผลการวิจัยสรุปได้ว่าองค์กรควรปรับนโยบายจากการใช้มาตรฐานเดียวเป็นการเปิดใช้งานทีละเฟสพร้อมสนับสนุนเฉพาะกลุ่มตามความพร้อมของแต่ละหน่วยงาน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
สุภาภรณ์ ช่อแก้ว และคณะ. (2569). การจัดการตัวชี้วัดผลการดำเนินงานเชิงกลยุทธ์เพื่อการบริหารในสถาบันอุดมศึกษา: กรณีศึกษามหาวิทยาลัยสงขลานครินทร์ วิทยาเขตภูเก็ต. วารสารการจัดการและการพัฒนา มหาวิทยาลัยราชภัฏอุบลราชธานี, 13(1), 1-16.
Acuña Contreras, I. et al. (2024). Proposal for a data governance framework in higher education. 2024 43rd International Conference of the Chilean Computer Science Society (SCCC), 1 - 9. https://doi.org/10.1109/SCCC63879.2024.10767672.
Brooks, R. & Timms, J. (2025). Institutional constraints to higher education datafication: an English case study. Higher Education, 90, 1049-1063. https://doi.org/10.1007/s10734-024-01363-2.
Fitsilis, P. et al. (2026). Effective data stewardship in higher education:Skills, competences, and the emerging role of open data stewards. International Journal of Changes in Education, 3(1), 11-22.
Gerstorfer, Y. et al. (2023). A notion of feature importance by decorrelation and detection of trends by Random Forest regression. Data Science Journal, 22(1), 1-18.
Hasan, M. M. et al. (2025). Predicting student performance and identifying learning behaviors using decision trees and K - means clustering. International Journal of Evaluation and Research in Education (IJERE), 14(5), 3872-3881.
Komljenovic, J. et al. (2025). Turning universities into data - driven organisations: Seven dimensions of change. Higher Education, 89(5), 1369-1386.
Yamane, T. (1973). Statistics: An Introductory Analysis. (3rd ed.). New York: Harper & Row.