Page 179 -

ิ
ิ
้
คลังความรดจทัลและฐานข้อมลจดหมายเหต มหาวิทยาลัยเกษตรศาสตร ์
ู
ู
ุ
164
แฝงเช.น "คุณภาพการให]บริการ" อาจถูกวัดจากตัวแปรย.อยหลายตัว เช.น ความรวดเร็วในการตอบสนองและ

ความเปfนมิตรของพนักงาน (Lind et al., 2020)

Kline (2015) เน]นย้ำว.า SEM ช.วยให]นักวิจัยสามารถทดสอบทฤษฎีทางธุรกิจที่มีความซับซ]อนได]อย.าง
เปfนระบบ

กระบวนการวิเคราะหgโมเดลเชิงโครงสร@าง (SEM)

1. กำหนดโมเดลสมมติฐาน สร]างสมมติฐานเกี่ยวกับความสัมพันธSระหว.างตัวแปร

2. ประเมินความเหมาะสมของโมเดล ใช]ค.าตัวชี้วัด เช.น Chi-square และ RMSEA เพื่อตรวจสอบ
ความสอดคล]องของโมเดลกับข]อมูล

@
3. ทดสอบโมเดลและปรับแก หากโมเดลไม.เหมาะสม อาจต]องปรับแก]ตามค.า Modification Indices

ตัวอย.างการวิเคราะหSของบริษัทค]าปลีกต]องการศึกษาปYจจัยที่ส.งผลต.อความภักดีของลูกค]า โดยม ี
สมมติฐานว.า คุณภาพการให]บริการและความพึงพอใจของลูกค]าเปfนตัวแปรส.งผ.าน (Mediating Variables)

ระหว.างภาพลักษณSของแบรนดSและความภักดีของลูกค]า โมเดล SEM อาจมีลักษณะดังนี้

1. ตัวแปรแฝงภายนอก คือ ภาพลักษณSของแบรนดS

2. ตัวแปรแฝงภายใน คือ คุณภาพการบริการ, ความพึงพอใจของลูกค]า, ความภักดีของลูกค]า

3. ตัวแปรสังเกตได] คือ ข]อคำถามในแบบสอบถามที่ใช]วัดแต.ละตัวแปรแฝง

ผลการวิเคราะหS SEM จะแสดงค.าสัมประสิทธิ์เส]นทาง (Path Coefficients) ระหว.างตัวแปรแฝง ซึ่งบ.ง

บอกถึงขนาดและทิศทางของอิทธิพล รวมถึงค.าความเหมาะสมของโมเดล (Model Fit Indices) ที่แสดงว.า

โมเดลที่สร]างขึ้นสอดคล]องกับข]อมูลเชิงประจักษSมากน]อยเพียงใด

อย.างไรก็ตาม Whittake และ Schumacker (2022) เตือนว.าการใช] SEM ต]องอาศัยความรู]ความ
เข]าใจทางทฤษฎีที่เกี่ยวข]องอย.างลึกซึ้ง และควรระมัดระวังในการตีความผล โดยเฉพาะอย.างยิ่งในการสรุป

ความสัมพันธSเชิงสาเหตุ เนื่องจาก SEM ไม.สามารถพิสูจนSความเปfนเหตุเปfนผลได]โดยตรง แต.เปfนเพียงการ

ทดสอบความสอดคล]องของโมเดลกับข]อมูลเชิงประจักษSเท.านั้น

3.5.4.2 การใช^ Machine Learning และ AI ในการวิเคราะห_ข^อมูล

Machine Learning (ML) และ Artificial Intelligence (AI) เปfนเทคโนโลยีที่กำลังเปลี่ยนโฉมหน]าการ

วิเคราะหSข]อมูลทางธุรกิจ Provost และ Fawcett (2013) กล.าวว.าเนื่องจากเปfนเครื่องมือขั้นสูงที่ช.วยในการ