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

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

17 November 2026

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

Share This News

Suggest Topics You'd Like to Read

Let us know what topics you’d like to read!
Your suggestions will help us create more engaging and relevant articles.

PDPA Icon

We use cookies to optimize your browsing experience and improve our website’s performance. Learn more at our Privacy Policy and adjust your cookie settings at Settings

Privacy Preferences

You can choose your cookie settings by turning on/off each type of cookie as needed, except for necessary cookies.

Accept all
Manage Consent Preferences
  • Strictly Necessary Cookies
    Always Active

    This type of cookie is essential for providing services on the website of the Personal Data Protection Committee Office, allowing you to access various parts of the site. It also helps remember information you have previously provided through the website. Disabling this type of cookie will result in your inability to use key services of the Personal Data Protection Committee Office that require cookies to function.
    Cookies Details

  • Performance Cookies

    This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

  • Functional Cookies

    This type of cookie enables the Big Data Institute (Public Organization)’s website to remember the choices you have made and deliver enhanced features and content tailored to your usage. For example, it can remember your username or changes you have made to font sizes or other customizable settings on the page. Disabling these cookies may result in the website not functioning properly.

  • Targeting Cookies

    "This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

Save settings