การใช้ข้อมูลขนาดใหญ่ (Big Data) เพื่อการตลาดแบบเฉพาะบุคคล: จริยธรรมและประสิทธิผล
Article Sidebar
Main Article Content
บทคัดย่อ
บทความวิชาการนี้มีจุดมุ่งหมายเพื่อสังเคราะห์การใช้ข้อมูลขนาดใหญ่ (Big Data) เพื่อการตลาดแบบเฉพาะบุคคล โดยสังเคราะห์งานวิจัยและกรณีศึกษา Netflix, Amazon และ Spotify แสดงให้เห็นว่า Big Data สามารถเพิ่มอัตราการแปลงและรายได้ ตลอดจนสร้างความภักดีของผู้บริโภคได้อย่างมีนัยสำคัญ อย่างไรก็ตาม การใช้ข้อมูลจำนวนมหาศาลเพื่อประโยชน์ทางธุรกิจย่อมก่อให้เกิดประเด็นจริยธรรมที่ท้าทาย ไม่ว่าจะเป็นการละเมิดความเป็นส่วนตัว ความโปร่งใสที่ไม่เพียงพอ ปรากฏการณ์ Filter Bubble และ Echo Chamber ตลอดจนความเสี่ยงของการเลือกปฏิบัติที่เกิดจากอัลกอริทึม เพื่อแก้ไขปัญหานี้ แนวทางปฏิบัติที่ดีจึงถูกพัฒนา เช่น หลัก Data Minimization และ Purpose Limitation การใช้ Privacy-Enhancing Technologies (PETs) และการพัฒนากรอบกำกับดูแลจริยธรรม (Data Governance Framework) นอกจากนี้ การสร้างความไว้วางใจผ่านความโปร่งใส การควบคุมโดยผู้ใช้ และการปลูกฝังวัฒนธรรมองค์กรที่ยึดจริยธรรมยังเป็นปัจจัยสำคัญ
Article Details
เอกสารอ้างอิง
บุปผา ลาภะวัฒนาพันธ์. (2565). กลยุทธ์การสื่อสารการตลาดเพื่อเพิ่มขีดความสามารถในการแข่งขันจากผลกระทบวิกฤต COVID-19 ผ่านมุมมองผู้บริหารระดับสูงของธุรกิจค้าปลีกสมัยใหม่ (รายงานการวิจัย). กรุงเทพฯ: มหาวิทยาลัยหอการค้าไทย.
ปรมิน โพธิพัฒไพบูลย์. (2565). การพัฒนาประสิทธิภาพการตลาดดิจิทัลด้วยข้อมูลขนาดใหญ่. วารสารนวัตกรรมการบริหารและการจัดการ, 10(1), 15-23.
ผการัตน์ จำปาน้อย และพงษ์ยุทธ กล้ายุทธ. (2553) กลยุทธ์การตลาดดิจิทัลกับการใช้เครื่องมือการตลาดดิจิทัลของกิจการร้านอาหารและเครื่องดื่ม: กรณีศึกษากิจการเจ้าของคนเดียวในเขตกรุงเทพและปริมณฑล (รายงานการวิจัย). ปทุมธานี: มหาวิทยาลัยรังสิต.
Barboza, F., Kim, H., & Sulaiman, R. (2024). Machine learning for credit risk: A decade of progress and future challenges. Expert Systems with Applications, 238, 121456
Bormida, M. D. (2021). The big data world: Benefits, threats and ethical challenges. In Ethical issues in covert, security and surveillance research (pp. 71-91). Emerald Publishing Limited.
Dorn, M. F., Haemapun, H., Jin, Z., Sgandar, T. O., Pillai, D., Sandeep, A., & Yilmaz, A. (2024). Ethical Considerations in Big Data Analytics. Retrieved from https://www.oxjournal.org/ethical-considerations-in-big-data-analytics/.
Hansen, M. M., Koonsanit, K., & Kulmala, V. (2025). How can data contribute to Smart City innovation: a study from Thailand’s Smart City initiatives. Frontiers in Sustainable Cities, 6, 1473123.
Hu, K., Gong, S., Zhang, Q., Seng, C., Xia, M., & Jiang, S. (2024). An overview of implementing security and privacy in federated learning. Artificial intelligence review, 57(8), 204.
Hukkeri, G. S., Goudar, R. H., Dhananjaya, G. M., Rathod, V. N., & Ankalaki, S. (2025). Split-Fed Learning: A Deep Dive into Methods, Innovations and Future Prospects for Data Privacy and Efficiency in Decentralized Machine Learning. IEEE Access, 13, 46312
- 46333.
Jurkiewicz, C. L. (2018). Big data, big concerns: Ethics in the digital age. Public Integrity, 20(sup1), S46-S59.
Nguyen, G., Sáinz-Pardo Díaz, J., Calatrava, A., Berberi, L., Lytvyn, O., Kozlov, V., Tran, V., Moltó, G., López García, Á. (2025). Landscape of machine learning evolution: privacy-preserving federated learning frameworks and tools. Artificial Intelligence Review, 58, 51.
Okorie, G. N., Egieya, Z. E., Ikwue, U., Udeh, C. A., Adaga, E. M., DaraOjimba, O. D., & Oriekhoe, O. I. (2024). Leveraging big data for personalized marketing campaigns: a review. International Journal of Management & Entrepreneurship Research, 6(1), 216-242.
Raji, M. A., Olodo, H. B., Oke, T. T., Addy, W. A., Ofodile, O. C., & Oyewole, A. T. (2024). E-commerce and consumer behavior: A review of AI-powered personalization and market trends. GSC advanced research and reviews, 18(3), 066-077.
Teraiya, V., & Krishnamurthy, R. (2025). Balancing Personalized Marketing and Data Privacy in the Era of AI. Retrieved from https://cmr.berkeley.edu/assets/documents/pdf/2025-02-balancing-personalized-marketing-and-data-privacy-in-the-era-of-ai.pdf.
Theodorakopoulos, L., Theodoropoulou, A., & Klavdianos, C. (2025). Interactive Viral Marketing Through Big Data Analytics, Influencer Networks, AI Integration, and Ethical Dimensions. Journal of Theoretical and Applied Electronic Commerce Research, 20(2), 115.
Truong, N., Sun, K., Wang, S., Guitton, F., & Guo, Y. (2021). Privacy preservation in federated learning: An insightful survey from the GDPR perspective. Computers & Security, 110, 102402.
Vishwakarma, R. K., Pandey, A., Kundnani, M. P., Yadav, A. K., Singh, M. N., & Yadav, M. S. (2025). Personalization vs. privacy: Marketing strategies in the digital age. Journal of Marketing & Social Research, 2, 177-191.
Wei, K., Li, J., Ding, M., Ma, C., Yang, H. H., Farokhi, F., Jin, S., Quek, T. Q. S., & Poor, H. V. (2020). Federated learning with differential privacy: Algorithms and performance analysis. IEEE transactions on information forensics and security, 15, 3454-3469.
