หากว่าด้วยเรื่องของการวิเคราะห์ข้อมูล 3 คำนี้แตกต่างกันยังไง?
ก่อนจะพาคุณไปรู้จักว่าที่จริงแล้ว Data analysis คืออะไร มีขั้นตอนยังไงบ้าง ในชีวิตประจำวันเราเอา Data analysis มาใช้ได้กับสถานการณ์ไหนบ้าง อยากให้เหล่า Traveller เข้าใจความแตกต่างของทั้ง 3 คำนี้กันก่อน
Data analytic
เป็นศาสตร์ของข้อมูลเป็นคอนเซปท์กว้าง ๆ ของการวิเคราะห์ข้อมูลตั้งแต่ Data ecosystem เครื่องมือที่ใช้ คนทำหน้าที่วิเคราะห์ข้อมูล ไปจนถึงการวิเคราะห์ข้อมูล วัตถุประสงค์หลักของ Data analytic เป็นการเอาข้อมูลที่มีอยู่ในอดีตหรือข้อมูลปัจจุบันมาวิเคราะห์แล้วคาดการณ์อนาคตภายใต้เงื่อนไขต่าง ๆ โดยเป็นการใช้หลักการทางคณิตศาสตร์ เช่น สถิติและพีชคณิตในการวิเคราะห์ข้อมูล
Data analytic มีด้วยกันทั้งหมด 4 แบบ
1. Descriptive Analytics
เป็นการวิเคราะห์ข้อมูลขั้นต้น เพื่อให้รู้ภาพรวมของกิจกรรมที่เกิดขึ้นในอดีตจนถึงปัจจุบัน เช่น รายงานจำนวนผู้เข้าชมเว็บไซต์ จำนวนเงินที่ผู้ประกอบการแต่ละประเภทกู้ยืมจากธนาคาร
2. Diagnostic Analytics
เป็นการวิเคราะห์ต่อยอดจาก Descriptive analysis เพื่อหาสาเหตุของสิ่งที่เกิดขึ้น ซึ่ง Diagnostic analytics จะโฟกัสไปที่ความสัมพันธ์ของข้อมูลแต่ละชุดว่าเกี่ยวข้องกันยังไง ปัจจัยหลักที่ทำให้เกิดผลลัพธ์ที่ได้ เช่น ความสัมพันธ์ระหว่างเวลาและจำนวนผู้เข้าชมเว็บไซต์ แนวโน้มกิจการที่ได้รับความนิยมจากผู้บริโภคมากที่สุด 5 ปีย้อนหลัง
3. Predictive Analytics
เป็นการวิเคราะห์แบบพยากรณ์เพื่อดูแนวโน้มและความเป็นไปได้ในอนาคต การวิเคราะห์แบบนี้ต้องนำชุดข้อมูลที่เราเตรียมมาแล้วป้อนเข้าแบบจำลองทางสถิติ หรือเทคโนโลยีปัญญาประดิษฐ์ (Artificial intelligence) เพื่อช่วยในการวิเคราะห์ เช่น การพยากรณ์แนวโน้มการเติบโตของธุรกิจที่กำลังได้รับความนิยมในอีก 5 ปีข้างหน้า
4. Prescriptive Analytics
เป็นการวิเคราะห์เชิงให้คำแนะนำหลังจากวิเคราะห์แบบ Predictive Analytics เรียบร้อยแล้ว ซึ่งเป็นการวิเคราะห์ที่มีความซับซ้อนมากที่สุดในบรรดารูปแบบการวิเคราะห์ทั้งหมด เพราะต้องรวบรวมเอาสาเหตุการเกิด ปัจจัยที่ส่งผลทั้งหมดมาตกตะกอนให้ดีที่สุดก่อนให้คำแนะนำแนวทางต่าง ๆ ข้อดี-ข้อเสีย ผลลัพธ์ที่จะเกิดขึ้นของแต่ละแนวทาง
Data analysis
เป็นการเอาข้อมูลที่มีอยู่แล้วมาวิเคราะห์เพื่อหา Insight ที่เป็นต้นตอของปัญหาที่แท้จริง ขั้นตอนการทำ Data analysis จะครอบคลุมตั้งแต่การเก็บข้อมูล การแปลงข้อมูลให้อยู่ในรูปแบบที่คอมพิวเตอร์อ่านได้จัดการข้อมูลเพื่อให้สามารถหาข้อสรุปจากการวิเคราะห์ข้อมูลครั้งนี้ ก่อนที่จะตัดสินใจ
Data analysts
เป็นชื่อเรียกตำแหน่งของคนที่รับหน้าที่ในการวิเคราะห์ข้อมูลเพื่อหา Insight โดยคนกลุ่มนี้จะช่วยสะท้อนภาพให้องค์กรเห็นถึง Fact ของสิ่งที่้กิดขึ้นหรือที่เรียกว่า Aha! Moment ไปจนถึงนำเสนอแนวทางการแก้ไข
Data Analysis = การหา Insight
ถ้าพูดถึงการวิเคราะห์ข้อมูลเพื่อให้ได้ข้อมูลเชิงลึกมาตอบคำถามอะไรซักอย่างให้คนฟังเข้าใจได้ไม่ยาก เห็นภาพของคำตอบนั้นอย่างชัดเจน และสามารถตัดสินใจ Take action บนพื้นฐานของข้อมูล (Data-driven Decision Making: DDDM) ได้ คงหนีไม่พ้น Data analysis เป้าหมายหลักของการทำ Data analysis เป็นการหา Insight จากชุดข้อมูลที่เราสนใจ ส่วนใหญ่จะเป็นการทำงานกับข้อมูลที่มีอยู่แล้วโดยเอาชุดข้อมูลที่สนใจมาวิเคราะห์ผ่าน Software ยอดฮิตสำหรับเหล่า Data analyst ไม่ว่าจะเป็น Microsoft Excel, Google Spreadsheet หรือแม้กระทั้งโปแกรมที่เป็นภาษาคอมพิวเตอร์ระดับสูง เช่น R, MATLAB และ Python
การวิเคราะห์ข้อมูลจะประกอบไปด้วยกันทั้งหมด 6 ขั้นตอน
1) Ask การตั้งคำถามและความต้องการของ Stakeholder
2) Prepare การรวบรวมข้อมูลและเก็บข้อมูลให้พร้อมสำหรับการวิเคราะห์
3) Process การทำความสะอาดข้อมูลและตรวจสอบความถูกต้องของข้อมูลเพื่อให้มั่นใจว่าข้อมูลนั้นเป็นข้อมูลที่มีคุณภาพ
4) Analyze การวิเคราะห์ข้อมูลโดยใช้เครื่องมือช่วยวิเคราะห์เพื่อหา Insight และข้อสรุป
5) Share การตีความหมายจากผลลัพธ์ที่ได้และการสื่อสารผลลัพธ์นั้นไปยัง Stakeholder
6) Act การ Take action หลังจากรู้ผลลัพธ์แล้ว
Data analysis in everyday life
ส่วนตัวของคนเขียนมองว่าเป็นศิลปะของการเอาศาสตร์แห่งการวิเคราะห์ข้อมูลมาช่วยในการตัดสินใจแก้ปัญหา หากมองให้เป็นเรื่องใกล้ตัวเข้ามาอีกนิด หากลองสังเกตดี ๆ จะเห็นว่าเราทุกคนต่างวิเคราะห์ข้อมูลเพื่อวัตถุประสงค์ใดวัตถุประสงค์หนึ่งอยู่เสมอโดยที่บางครั้งเราเองก็ไม่ทันรู้ตัวด้วยซ้ำ เช่น
o ต้องการเพิ่มจำนวนเงินในบัญชีเงินฝากในเดือนถัดไปเพื่อเอาไปลงทุนต่อยอดไว้เป็นเงินยามเกษียณ เลยมานั่งคิดว่าเราอยากเกษียณตอนอายุเท่าไหร่ต้องมีเงินสำหรับใช้ในแต่ละเดือนและเงินสำรองยามฉุกเฉินเท่าไหร่ถึงจะอยู่ได้โดยไม่เดือดร้อนจากนั้นก็เริ่มคำนวณงบการเงินส่วนบุคคลขึ้นเพื่อดูสภาพคล่องและเช็คสถานะทางการเงินของตัวเองเพื่อให้รู้ว่าตอนนี้สถานะทางการเงินเราเป็นยังไงแล้วถึงจะคิดต่อว่าถ้าจะไปให้ถึงเป้าที่เราวางไว้ต้องลงมือทำอะไรบ้าง
o อยากไปนั่งทำงานที่ร้านกาแฟแต่ไม่ชอบไปในช่วงเวลาที่คนเยอะเพราะไม่อยากแย่งที่นั่งหรือฟังเสียงคนคุยพร้อมกันหลาย ๆ คนตอนนั่งทำงาน เลยเช็คข้อมูลความหนาแน่นของผู้ใช้บริการในร้านด้วยการ Search ชื่อร้านนั้นบน Google แล้วเลื่อนลงมาดูว่าวันไหนช่วงเวลาไหนคนน้อยบ้างแล้วก็ไปร้านนั้นในวันที่คนไม่ค่อยไปกันตามที่ข้อมูลบอกทีนี้เราก็จะรู้แล้วว่าในบรรดาวันที่คนไม่นิยมไปกันช่วงเวลาไหนคนไม่พลุกพล่านมากที่สุดพอทำแบบนี้กับหลาย ๆ ร้านที่ชอบไปทีนี้เราก็จะมีแคตตาล็อคในหัวแล้วว่าถ้าวันนี้อยากทำงานข้างนอกเราจะไปที่ไหนดี
"The business that needed to be on top of the market competition, they need to be on top of data"
o กำลังออกจากที่ทำงานเพื่อกลับบ้านปกติใช้เวลาเดินทางจากที่ทำงานไปบ้านประมาณ 45 นาที แล้ววันนี้อยากกินราดหน้าเจ้าโปรดที่ร้านอยู่ไกลจากบ้านออกไป 3 กิโล พอกดดูในแอปสั่งอาหารแล้วเห็นว่าร้านจะใช้เวลาทำรวมส่งอาหารทั้งหมดประมาณ 30 นาที พอเห็นแบบนั้นเราก็เลยอยากให้อาหารมาส่งก่อนที่เราจะถึงบ้านเลยกดเลือกเมนูอาหารที่อยากกินไว้ในแอปสั่งอาหารเอาไว้ก่อนพออีก 5 กิโลก่อนจะถึงบ้านก็กดสั่งอาหารเพื่อให้ร้านทำอาหารแล้วคนส่งอาหารเอามาวางไว้ที่จุดรับของก่อนเราไปถึง และอื่น ๆ อีกมากมายที่ตัวคุณเองก็พอจะยกตัวอย่างได้ต่อจากนี้
ในมุมมองของธุรกิจ แต่ละองค์กรต้องการข้อมูลเชิงลึกหรือ Insight data เพื่อเอามาสนับสนุนให้บรรลุตามความต้องการขององค์กรไม่ว่าจะเป็น ต้องการรู้เสียงตอบรับจากลูกค้าเพื่อเอามาปรับปรุงการให้บริการลูกค้าของบริษัท ต้องการรู้เสียงตอบรับของพนักงานในองค์กรเพื่อเอามาปรับปรุงระบบการทำงานภายในองค์กร ต้องการรู้แนวโน้มยอดขายสินค้าใน 5 ปีที่ผ่านมารวมไปถึงปัจจัยที่ส่งผลต่อราคาเพื่อเอามาวางแผนการผลิตและช่วงเวลาที่เหมาะสมในการปล่อยผลิตภัณฑ์/การบริการใหม่ของบริษัทสู่ท้องตลาด
ทีนี้พอจะเชื่อมโยงได้บ้างแล้วใช่ไหมว่าเบื้องหลังของความสำเร็จในทุกเป้าหมายไม่สามารถเกิดขึ้นได้ถ้าขาดข้อมูล
