จาก “ใครได้อะไร” สู่ “อะไรที่มักได้ร่วมกัน”: สำรวจความสัมพันธ์ของสวัสดิการด้วย Machine Learning 

จาก “ใครได้อะไร” สู่ “อะไรที่มักได้ร่วมกัน”: สำรวจความสัมพันธ์ของสวัสดิการด้วย Machine Learning 

17 พฤศจิกายน 2569

สวัสดิการเกี่ยวข้องกับประชาชนตลอดทุกช่วงชีวิต ตั้งแต่วัยเด็ก วัยเรียน และวัยทำงาน ไปจนถึงการดูแลผู้สูงอายุ คนพิการ และกลุ่มเปราะบาง ด้วยความต้องการที่แตกต่างกันในแต่ละช่วงชีวิต คนหนึ่งคนจึงอาจได้รับสวัสดิการมากกว่าหนึ่งประเภทในช่วงเวลาเดียวกัน 

ภายใต้การดำเนินงานตามมติคณะรัฐมนตรีด้านการเชื่อมโยงและปรับปรุงฐานข้อมูลประชาชนกลุ่มเปราะบางและกลุ่มคนพิการ และการจัดทำฐานข้อมูลผู้สูงอายุตามสิทธิ/สวัสดิการที่ได้รับรายบุคคลเพื่อบูรณาการข้อมูลจากทุกภาคส่วนที่ขับเคลื่อนงานด้านผู้สูงอายุ สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI ร่วมกับกระทรวงการพัฒนาสังคมและความมั่นคงของมนุษย์ (พม.) เชื่อมโยงและวิเคราะห์ข้อมูลจากหน่วยงานที่เกี่ยวข้อง โดยนำข้อมูลเบื้องต้นที่ได้รับ ณ เดือนธันวาคม 2568 จำนวน 23 ชุดข้อมูล มาศึกษาภาพรวมการได้รับสวัสดิการของประชาชน 

ข้อมูลที่เชื่อมโยงกันช่วยให้เรามองเห็นว่า “ใครได้รับอะไร” ไม่ว่าจะเป็นจำนวนผู้ได้รับสวัสดิการ จำนวนผู้ได้รับในแต่ละประเภท หรือจำนวนสวัสดิการที่ประชาชนแต่ละคนได้รับ  

อย่างไรก็ตาม เมื่อประชาชนคนหนึ่งคนสามารถได้รับสวัสดิการหลายประเภท อีกคำถามที่น่าสนใจจึงไม่ได้มีเพียงว่าใครได้รับสวัสดิการอะไร แต่รวมถึง 

“สวัสดิการอะไรบ้างที่มักได้รับร่วมกัน?” 

คำถามนี้นำไปสู่การประยุกต์ใช้ Basket Analysis ซึ่งเป็นเทคนิคด้าน Data Mining สำหรับค้นหารูปแบบของรายการที่มักปรากฎร่วมกัน โดยใช้ Association Rule วิเคราะห์ความสัมพันธ์ระหว่างสวัสดิการในรูปแบบที่เรียกว่า “Welfare Basket Analysis” 

จาก “ตะกร้าสินค้า” สู่ “ตะกร้าสวัสดิการ” 

Basket Analysis เป็นเทคนิคที่นิยมใช้ในการวิเคราะห์พฤติกรรมการซื้อสินค้า เพื่อค้นหาว่าสินค้าประเภทใดมักถูกซื้อร่วมกัน เช่น เมื่อลูกค้าซื้อสินค้า A แล้ว มีแนวโน้มซื้อสินค้า B ร่วมด้วยหรือไม่  

เมื่อวิเคราะห์ข้อมูลธุรกรรมจำนวนมาก เราอาจพบรูปแบบความสัมพันธ์ที่มองไม่เห็นจากการพิจารณาสินค้าแต่ละชนิดแยกจากกัน ข้อมูลเหล่านี้สามารถนำไปใช้ประกอบการจัดวางสินค้า การออกแบบโปรโมชัน หรือการแนะนำสินค้าที่เกี่ยวข้อง 

เมื่อนำแนวคิดเดียวกันมาประยุกต์ใช้กับข้อมูลสวัสดิการ เราเปลี่ยนจาก “สินค้าในตะกร้า” มาเป็น “สวัสดิการที่ประชาชนแต่ละคนได้รับ” โดยเปรียบประชาชนหนึ่งคนเสมือนหนึ่งตะกร้า ซึ่งภายในอาจประกอบด้วยสวัสดิการหลายประเภท 

อย่างไรก็ตาม การพบว่าสวัสดิการสองประเภทได้รับร่วมกันบ่อย ยังไม่เพียงพอที่จะบอกว่าทั้งสองมีความสัมพันธ์ที่โดดเด่น เนื่องจากสวัสดิการบางประเภทอาจมีผู้ได้รับจำนวนมากอยู่แล้ว จึงมีโอกาสปรากฎร่วมกับสวัสดิการประเภทอื่นสูงตามไปด้วย 

เราจะรู้ได้อย่างไรว่า “มักได้รับร่วมกัน” 

การวิเคราะห์ Association Rule ใช้ตัวชี้วัดสำคัญ 3 ตัวในการพิจารณาความสัมพันธ์ ได้แก่ Support, Confidence และ Lift เพื่อช่วยตอบคำถามในมุมที่แตกต่างกัน  

  • Support บอกว่าสวัสดิการคู่นั้นปรากฏร่วมกันบ่อยเพียงใด เมื่อเทียบกับประชากรทั้งหมดที่นำมาวิเคราะห์ 
  • Confidence บอกว่า เมื่อประชาชนได้รับสวัสดิการประเภทหนึ่งแล้ว มีสัดส่วนเท่าใดที่ได้รับอีกประเภทหนึ่งร่วมด้วย 
  • Lift เปรียบเทียบการได้รับสวัสดิการร่วมกันกับระดับที่ควรเกิดขึ้น หากสวัสดิการทั้งสองเป็นอิสระต่อกัน 

ค่า Lift จึงเป็นตัวชี้วัดสำคัญสำหรับพิจารณาทิศทางของความสัมพันธ์ โดยสามารถตีความเบื้องต้นได้ดังนี้ 

  • Lift มากกว่า 1 หมายถึง สวัสดิการสองประเภทมีแนวโน้มได้รับร่วมกันมากกว่าระดับที่คาด 
  • Lift เท่ากับ 1 หมายถึง การได้รับสวัสดิการทั้งสองร่วมกันไม่ได้แตกต่างจากระดับที่คาด 
  • Lift น้อยกว่า 1 หมายถึง สวัสดิการสองประเภทมีแนวโน้มได้รับร่วมกันน้อยกว่าระดับที่คาด 

ทั้งสามตัวชี้วัดควรถูกพิจารณาร่วมกัน เพราะคู่สวัสดิการที่มีค่า Lift สูงอาจเกิดขึ้นในประชาชนเพียงจำนวนน้อย ขณะที่คู่ที่พบในประชาชนจำนวนมากอาจไม่ได้มีความสัมพันธ์ที่โดดเด่นเมื่อเปรียบเทียบกับฐานผู้ได้รับทั้งหมด 

ภาพที่ 1 ตัวอย่างการประยุกต์ใช้ Basket Analysis กับข้อมูลสวัสดิการ 

จากข้อมูลสวัสดิการ สู่คู่ความสัมพันธ์ที่น่าสนใจ 

ในการวิเคราะห์ครั้งนี้ ข้อมูลสวัสดิการจาก 23 ชุดข้อมูลถูกจัดให้อยู่ในรูปแบบเดียวกัน เพื่อให้สามารถวิเคราะห์การได้รับสวัสดิการร่วมกันได้ จากนั้นจึงคัดเลือกเฉพาะประชาชนที่ได้รับสวัสดิการตั้งแต่ 2 สวัสดิการขึ้นไป  

ภายหลังคัดกรอง เหลือประชากรสำหรับการวิเคราะห์ประมาณ 1.18 ล้านคน จากประชากรในชุดข้อมูลทั้งหมด 13.3 ล้านคน และมีสวัสดิการ 18 รายการที่ผ่านเกณฑ์สำหรับนำมาหาความสัมพันธ์ เมื่อนำสวัสดิการทั้ง 18 รายการมาจับคู่ พบคู่ที่เป็นไปได้ทั้งหมด 153 คู่ และมี 60 คู่ ที่ผ่านเกณฑ์สำหรับการวิเคราะห์ในขั้นต่อไป 

ข้อมูลบอกอะไรเรา 

ภาพที่ 2 กราฟแสดงความสัมพันธ์เชิงบวกของภาพรวมสวัสดิการ (Lift > 1) 

เมื่อพิจารณาค่า Lift ของทั้ง 60 คู่ พบว่า  

  • 23 คู่มี Lift มากกว่า 1 หรือมีแนวโน้มได้รับร่วมกันมากกว่าระดับที่คาด  
  • 37 คู่มี Lift ต่ำกว่า 1 หรือมีแนวโน้มได้รับร่วมกันน้อยกว่าระดับที่คาด 

คู่ที่โดดเด่นที่สุดคือ การสงเคราะห์ผู้สูงอายุในภาวะยากลำบาก กับการปรับปรุงที่อยู่อาศัยสำหรับผู้สูงอายุ ซึ่งมีค่า Lift เท่ากับ 8.164 หมายความว่า ภายในชุดข้อมูลที่นำมาวิเคราะห์ การได้รับสวัสดิการทั้งสองประเภทร่วมกันเกิดขึ้นประมาณ 8.2 เท่าของระดับที่คาด หากการได้รับสวัสดิการทั้งสองเป็นอิสระต่อกัน  

อย่างไรก็ตาม คู่ดังกล่าวนี้มีค่า Support เพียง 0.004 หรือคิดเป็นสัดส่วนประมาณร้อยละ 0.4 ของประชากรที่นำมาวิเคราะห์ ผลลัพธ์นี้จึงสะท้อนว่า ความสัมพันธ์ที่สูงไม่ได้หมายความว่าจะพบในประชาชนจำนวนมากเสมอไป 

เมื่อพิจารณาภาพรวมของการเชื่อมโยง ยังพบว่า  

  1. การช่วยเหลือผู้ประสบปัญหาทางสังคมกรณีฉุกเฉิน ปรากฏในหลายคู่ที่มี Lift สูง แสดงให้เห็นว่าสวัสดิการประเภทนี้มักปรากฎร่วมกับความช่วยเหลือประเภทอื่นในสัดส่วนที่สูงกว่าระดับที่คาด  
  1. ประกันสังคม ม.40 เชื่อมโยงกับสวัสดิการอื่นมากที่สุดถึง 9 คู่ แสดงให้เห็นถึงความกว้างของการเชื่อมโยง แม้ว่าความสัมพันธ์แต่ละคู่อาจไม่ได้มีค่า Lift สูงทีสุดก็ตาม 

ผลลัพธ์ดังกล่าวสะท้อนความแตกต่างระหว่าง “ความเข้มข้นของความสัมพันธ์” กับ “ความกว้างของการเชื่อมโยง” กล่าวคือ สวัสดิการบางประเภทอาจมีความสัมพันธ์สูงกับสวัสดิการเพียงไม่กี่รายการ ขณะที่บางประเภทอาจเชื่อมโยงกับสวัสดิการหลายรายการ แต่มีระดับความสัมพันธ์แตกต่างกันออกไป 

ดังนั้น การอ่านผลจึงไม่ควรพิจารณาเพียงว่า “คู่ใดมีค่า Lift สูงที่สุด” แต่ควรมองทั้งความถี่ แนวโน้ม และรูปแบบการเชื่อมโยงร่วมกัน เพื่อให้เห็นภาพการได้รับสวัสดิการที่รอบด้านมากขึ้น 

เมื่อเจาะลึก “ตะกร้าสวัสดิการ” ของผู้สูงอายุ 

ภาพที่ 3 กราฟแสดงความสัมพันธ์เชิงบวกของสวัสดิการผู้สูงอายุและสวัสดิการที่เกี่ยวข้อง (Lift > 1) 

เมื่อเจาะลึกเฉพาะสวัสดิการของกรมกิจการผู้สูงอายุและสวัสดิการประเภทอื่นที่พบร่วมกัน พบคู่ความสัมพันธ์ที่ผ่านเกณฑ์ 32 คู่ โดย การสงเคราะห์ผู้สูงอายุในภาวะยากลำบาก ปรากฏในหลายคู่ที่มี Lift สูง เช่น  

  • การปรับปรุงที่อยู่อาศัย  
  • การช่วยเหลือฉุกเฉินทางสังคม  
  • การฟื้นฟูสมรรถภาพคนพิการ  

รูปแบบดังกล่าวนำไปสู่ข้อสังเกตว่า การสงเคราะห์ผู้สูงอายุในภาวะยากลำบากอาจมีศักยภาพในการเป็น “จุดเชื่อมโยง” หรือ Referral Hub ไปยังความช่วยเหลือด้านอื่นที่เกี่ยวข้อง  

ตัวอย่างเช่น เมื่อพบผู้สูงอายุที่ขอรับการสงเคราะห์ในภาวะยากลำบาก หน่วยงานอาจพิจารณาตรวจสอบต่อว่าบุคคลดังกล่าวมีความจำเป็นด้านที่อยู่อาศัย การช่วยเหลือฉุกเฉิน หรือการฟื้นฟูสมรรถภาพเพิ่มเติมหรือไม่ อย่างไรก็ตาม แนวคิดนี้เป็นเพียงข้อสังเกตจากรูปแบบในข้อมูล และจำเป็นต้องศึกษาเงื่อนไขการให้บริการ กระบวนการทำงาน และบริบทของกลุ่มเป้าหมายเพิ่มเติมก่อนนำไปใช้จริง 

ภาพที่ 4 กราฟแสดงความสัมพันธ์เชิงลบของสวัสดิการผู้สูงอายุและสวัสดิการที่เกี่ยวข้อง (Lift < 1) 

ในอีกด้านหนึ่ง การกู้ยืมเงินทุนประกอบอาชีพจากกองทุนผู้สูงอายุ ปรากฏอยู่ในหลายคู่ที่มีค่า Lift ต่ำ โดยคู่ที่มีค่าต่ำที่สุด ได้แก่  

  • Long Term Care (LTC) ในชุมชน กับการกู้ยืมเงินทุนประกอบอาชีพจากกองทุนผู้สูงอายุ  
  • ภาวะพึ่งพิงในชุมชน–กับการกู้ยืมเงินทุนประกอบอาชีพจากกองทุนผู้สูงอายุ  

ทั้งสองคู่มีค่า Lift เท่ากับ 0.222 สะท้อนว่า ภายในชุดข้อมูลนี้ สวัสดิการดังกล่าวมีแนวโน้มได้รับร่วมกันค่อนข้างน้อยเมื่อเทียบกับระดับที่คาด 

อย่างไรก็ตาม ข้อสังเกตดังกล่าวยังเป็นเพียงสมมติฐานสำหรับการศึกษาต่อ เนื่องจากค่าความสัมพันธ์เพียงอย่างเดียวยังไม่สามารถอธิบายได้ว่า “เพราะเหตุใด” รูปแบบนั้นจึงเกิดขึ้น การตีความจึงต้องพิจารณาร่วมกับเงื่อนไขการได้รับสิทธิ ลักษณะกลุ่มเป้าหมาย กระบวนการให้บริการ และปัจจัยด้านประชากรอื่น ๆ 

จากความสัมพันธ์ในข้อมูล สู่คำถามเชิงนโยบาย 

Welfare Basket Analysis ช่วยให้เราเห็น รูปแบบและโครงข่ายของการได้รับสวัสดิการร่วมกัน ผลการวิเคราะห์สามารถใช้เป็นข้อมูลตั้งต้นสำหรับตั้งคำถามต่อยอดได้หลายประเด็น เช่น 

  • สวัสดิการใดอาจทำหน้าที่เป็นจุดเริ่มต้นในการค้นหาความต้องการด้านอื่น 
  • เมื่อประชาชนได้รับสวัสดิการประเภทหนึ่งแล้ว ควรมีการตรวจสอบสิทธิหรือความจำเป็นด้านใดเพิ่มเติม 
  • สวัสดิการที่มักได้รับร่วมกันมีขั้นตอนการสมัครหรือการส่งต่อที่สามารถเชื่อมโยงกันได้หรือไม่ 
  • คู่สวัสดิการที่แทบไม่พบร่วมกันเกิดจากความแตกต่างของกลุ่มเป้าหมาย หรือเกิดจากข้อจำกัดในการเข้าถึงบริการ 
  • การเชื่อมโยงข้อมูลระหว่างหน่วยงานจะช่วยลดภาระของประชาชนในการยื่นข้อมูลซ้ำได้อย่างไร 

คำถามเหล่านี้ยังไม่ใช่ข้อสรุปเชิงนโยบาย แต่เป็นจุดเริ่มต้นของการศึกษาร่วมกับหน่วยงานเจ้าของสวัสดิการและผู้ปฏิบัติงานที่เข้าใจบริบทของแต่ละบริการ 

ความสัมพันธ์ไม่เท่ากับเหตุและผล 

อย่างไรก็ตาม Association ไม่ใช่ Causation หรือการพบว่าสวัสดิการสองประเภทมักได้รับร่วมกัน ไม่ได้หมายความว่าสวัสดิการหนึ่งเป็นสาเหตุของอีกสวัสดิการหนึ่ง นอกจากนี้ การวิเคราะห์ยังมีข้อจำกัดด้านขนาดและช่วงเวลาของข้อมูล รวมถึงยังไม่ได้พิจารณาปัจจัยด้านประชากร เช่น เพศ อายุ และพื้นที่ ซึ่งสามารถนำมาต่อยอดเพื่อทำความเข้าใจความสัมพันธ์ให้ลึกขึ้นได้ 

มองสวัสดิการจากมุมของประชาชน  

Welfare Basket Analysis เป็นตัวอย่างของการประยุกต์ใช้ Machine Learning และ Data Mining ที่ไม่ได้มุ่งเน้นการ “ทำนาย” แต่ใช้เพื่อ ค้นหารูปแบบที่ซ่อนอยู่ในข้อมูลจำนวนมาก จากเดิมที่ข้อมูลช่วยตอบว่า “ใครได้รับอะไร” การเชื่อมโยงและวิเคราะห์ข้อมูลช่วยให้เราตั้งคำถามต่อได้ว่า “อะไรที่มักได้รับร่วมกัน” 

ผลการวิเคราะห์อาจยังไม่ใช่คำตอบสุดท้ายของการออกแบบสวัสดิการ แต่ช่วยเปิดอีกมุมมองให้เราเห็นความสัมพันธ์ของสวัสดิการจาก “มุมของประชาชนหนึ่งคน” มากกว่าการมองสวัสดิการแต่ละโครงการแยกจากกัน และเป็นจุดเริ่มต้นสำหรับการศึกษาและพัฒนาการเชื่อมโยงสวัสดิการให้เหมาะสมกับประชาชนแต่ละกลุ่มต่อไป 

Pittayaporn Musika

Data Scientist, Big Data Institute (Public Organization), BDI

แบ่งปันบทความ

กลุ่มเนื้อหา

แท็กยอดนิยม

แจ้งเรื่องที่อยากอ่าน

คุณสามารถแจ้งเรื่องที่อยากอ่านให้เราทราบได้ !
และเราจะนำไปพัฒนาบทความให้มีเนื้อหาที่น่าสนใจมากขึ้น

ไอคอน PDPA

เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ “นโยบายคุ้กกี้” และสามารถจัดการความเป็นส่วนตัวเองได้ของคุณได้เองโดยคลิกที่ “ตั้งค่า”

ตั้งค่าความเป็นส่วนตัว

คุณสามารถเลือกการตั้งค่าคุกกี้โดยเปิด/ปิด คุกกี้ในแต่ละประเภทได้ตามความต้องการ ยกเว้น คุกกี้ที่จำเป็น

ยอมรับทั้งหมด
จัดการความเป็นส่วนตัว
  • คุกกี้ที่มีความจำเป็น (Strictly Necessary Cookies)
    เปิดใช้งานตลอด

    คุกกี้ประเภทนี้มีความจำเป็นต่อการให้บริการเว็บไซต์ของ สำนักงานคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล เพื่อให้ท่านสามารถเข้าใช้งานในส่วนต่าง ๆ ของเว็บไซต์ได้ รวมถึงช่วยจดจำข้อมูลที่ท่านเคยให้ไว้ผ่านเว็บไซต์ การปิดการใช้งานคุกกี้ประเภทนี้จะส่งผลให้ท่านไม่สามารถใช้บริการในสาระสำคัญของ สำนักงานคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล ซึ่งจำเป็นต้องเรียกใช้คุกกี้ได้
    รายละเอียดคุกกี้

  • คุกกี้เพื่อการวิเคราะห์และประเมินผลการใช้งาน (Performance Cookies)

    คุกกี้ประเภทนี้ช่วยให้ BDI ทราบถึงการปฏิสัมพันธ์ของผู้ใช้งานในการใช้บริการเว็บไซต์ของ BDI รวมถึงหน้าเพจหรือพื้นที่ใดของเว็บไซต์ที่ได้รับความนิยม ตลอดจนการวิเคราะห์ข้อมูลด้านอื่น ๆ BDI ยังใช้ข้อมูลนี้เพื่อการปรับปรุงการทำงานของเว็บไซต์ และเพื่อเข้าใจพฤติกรรมของผู้ใช้งานมากขึ้น ถึงแม้ว่า ข้อมูลที่คุกกี้นี้เก็บรวบรวมจะเป็นข้อมูลที่ไม่สามารถระบุตัวตนได้ และนำมาใช้วิเคราะห์ทางสถิติเท่านั้น การปิดการใช้งานคุกกี้ประเภทนี้จะส่งผลให้ BDI ไม่สามารถทราบปริมาณผู้เข้าเยี่ยมชมเว็บไซต์ และไม่สามารถประเมินคุณภาพการให้บริการได้

  • คุกกี้เพื่อการใช้งานเว็บไซต์ (Functional Cookies)

    คุกกี้ประเภทนี้จะช่วยให้เว็บไซต์ของ BDI จดจำตัวเลือกต่าง ๆ ที่ท่านได้ตั้งค่าไว้และช่วยให้เว็บไซต์ส่งมอบคุณสมบัติและเนื้อหาเพิ่มเติมให้ตรงกับการใช้งานของท่านได้ เช่น ช่วยจดจำชื่อบัญชีผู้ใช้งานของท่าน หรือจดจำการเปลี่ยนแปลงการตั้งค่าขนาดฟอนต์หรือการตั้งค่าต่าง ๆ ของหน้าเพจซึ่งท่านสามารถปรับแต่งได้ การปิดการใช้งานคุกกี้ประเภทนี้อาจส่งผลให้เว็บไซต์ไม่สามารถทำงานได้อย่างสมบูรณ์

  • คุกกี้เพื่อการโฆษณาไปยังกลุ่มเป้าหมาย (Targeting Cookies)

    คุกกี้ประเภทนี้เป็นคุกกี้ที่เกิดจากการเชื่อมโยงเว็บไซต์ของบุคคลที่สาม ซึ่งเก็บข้อมูลการเข้าใช้งานและเว็บไซต์ที่ท่านได้เข้าเยี่ยมชม เพื่อนำเสนอสินค้าหรือบริการบนเว็บไซต์อื่นที่ไม่ใช่เว็บไซต์ของ BDI ทั้งนี้ หากท่านปิดการใช้งานคุกกี้ประเภทนี้จะไม่ส่งผลต่อการใช้งานเว็บไซต์ของ BDI แต่จะส่งผลให้การนำเสนอสินค้าหรือบริการบนเว็บไซต์อื่น ๆ ไม่สอดคล้องกับความสนใจของท่าน

บันทึกการตั้งค่า