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 ค่า Lift จึงเป็นตัวชี้วัดสำคัญสำหรับพิจารณาทิศทางของความสัมพันธ์ โดยสามารถตีความเบื้องต้นได้ดังนี้ 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 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 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 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 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 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”...