Data Analysis คืออะไร?

สวัสดีค่ะผู้อ่านทุกท่าน วันนี้จะมาพูดถึง Data Analysis ว่าคืออะไร และมีความสำคัญอย่างไรต่อธุรกิจในปัจจุบัน?

Data Analysis คือ ทักษะการวิเคราะห์ข้อมูลต่าง ๆ เพื่อหาข้อสรุปของข้อมูลนั้น เป็นการนำข้อมูลที่ได้มาเข้าสู่กระบวนการแสดงค่า หาความหมาย และสรุปผลที่ได้จากข้อมูล ซึ่งเป็นประโยชน์ต่อการคาดการณ์อนาคต หาแนวโน้มความน่าจะเป็น แนวโน้มคำตอบ หรือจุดบอดที่ต้องแก้ไข ทั้งหมดนี้สามารถช่วยเสริมสร้างศักยภาพทางธุรกิจได้

การวิเคราะห์ข้อมูลเป็นกระบวนการที่ใช้ในหลาย ๆ สายงานและอุตสาหกรรม เช่น ธุรกิจ, การแพทย์, การวิจัยวิทยาศาสตร์, การการเงิน, และอื่น ๆ การเตรียมข้อมูล, การวิเคราะห์, และการสร้างสรรค์ข้อมูลเป็นส่วนสำคัญในการดึงความรู้และความคิดสร้างสรรค์ออกจากข้อมูลที่มีอยู่ในโลกปัจจุบัน

อ้างอิง : https://th.jobsdb.com/th/career-advice/article/data-analysis-skill

อ้างอิง : https://careerfoundry.com/en/blog/data-analytics/inspirational-data-quotes/

จากข้อความดังกล่าวแสดงให้เห็นว่า ในปัจจุบันนั้น ข้อมูลมีแนวโน้มเติบโตอย่างรวดเร็ว และมีข้อมูลจำนวนที่มากขึ้น ดังนั้นการทำ Data Analysis จึงสำคัญต่อดำเนินธุรกิจในปัจจุบันเป็นอย่างยิ่ง

นอกจากนี้การทำ Data Analysis ยังมีการนำเทคโนโลยีเข้ามาประยุกต์ใช้กับเทคนิคและวิธีการต่าง ๆ มากมาย ไม่ว่าจะเป็น การใช้ AI เพื่อประมวลผล หรือการสร้างระบบ Algorithm เพื่อจัดเรียงข้อมูลและแสดงผลอย่างเป็นระบบ

การทำ Data Analysis มีกี่ประเภท

Data Analysis สามารถแบ่งออกเป็น 2 ประเภท ดังนี้

1. การวิเคราะห์ตลาด (Market Analysis)

การเริ่มต้นธุรกิจ อาจจะดูเป็นเรื่องที่ยากในสายตาใครหลายคน เพราะจะต้องทำความเข้าใจและวิเคราะห์การตลาด ซึ่งช่วยกำหนดเป้าหมายและแบบแผนทางการตลาดทำให้เข้าถึงกลุ่มเป้าหมายได้อย่างกว้างขวาง ซึ่งในขณะเดียวกันการที่จะจัดกิจกรรม หรือโปรโมชั่นต่าง ๆ ก็จะต้องทำการวิเคราะห์และศึกษาคู่แข่งด้วยเช่นกัน ดังนั้นผู้ประกอบการควรใช้ความรอบคอบในการวางแผนและวิเคราะห์การตลาดเพื่อตอบสนองความต้องการให้แก่ผู้บริโภคได้อย่างตรงจุด

2. การทำเหมืองข้อมูล (Data Mining)

เป็นกระบวนการที่เข้าถึงข้อมูลจำนวนมาก โดยใช้ปัจจัยหลาย ๆ อย่างในการแยกข้อมูลรูปแบบต่าง ๆ ออกมาจาก Big Data ซึ่งเปรียบเสมือนเหมืองข้อมูล เพื่อใช้ในการวางแผนโฆษณาและการตลาดเพื่อสร้างโอกาสทางธุรกิจให้มีประสิทธิภาพและได้ผลลัพธ์ที่ดี

การทำเหมืองข้อมูล (Data Mining) มีด้วยกัน 3 ขั้นตอน ดังนี้

อ้างอิง : http://www.theinfofactory.com/th/data-analysis-%E0%B8%84%E0%B8%B7%E0%B8%AD/

1. ขั้นก่อนดำเนินงาน (Pre-processing)

ก่อนจะเริ่มดำเนินงานทำเหมืองข้อมูลได้นั้น จะต้องมีการจัดวางชุดข้อมูลก่อน เพราะเหมืองข้อมูลจะสามารถหาได้เพียงรูปแบบที่กำหนดในข้อมูลก่อนแล้ว ชุดข้อมูลที่กำหนดจะต้องมีขนาดใหญ่พอที่จะมองเห็นรูปแบบ และสั้นกระชับพอที่จะขุดข้อมูลภายในเวลาจำกัดได้ เราสามารถนำข้อมูลจากสถานที่ต่าง ๆ เช่น ตลาดข้อมูล (Data Mart) และคลังข้อมูล (Data Warehouse) หรือเราจะกำหนดข้อมูลเองโดยกำหนดเป้าหมายเฉพาะที่เรากำลังต้องการก็ได้เช่นกัน และต่อจากนนั้นให้นำข้อมูลที่ไม่เกี่ยวข้องออก

2. ขั้นตรวจวัดผล (Results validation)

หลังจากนำชุดข้อมูลออกมาแล้วจะเป็นการตรวจวัดผล ข้อมูลที่พบอาจใช้ไม่ได้ทุกรูปแบบเสมอไป เนื่องจากการพบข้อมูลในโมเดลที่ไม่เคยเห็นมาก่อน (Over Fitting) เราจึงต้องทำตัวอย่างข้อมูลมาทดลองและดูว่าใช้ได้จริงหรือไม่

3. ขั้นดำเนินการทำเหมืองข้อมูล (Data mining)

การทำ Data Mining เพื่อเปลี่ยนข้อมูลดิบที่ได้มาให้กลายเป็น ‘ฐานข้อมูล’ ที่มีคุณภาพ สำหรับนำไปใช้ตัดสินใจได้อย่างถูกต้องนั้น จะประกอบไปด้วย 5 ขั้นตอน คือ Collection, Understanding, Preparation, Modeling และ Evaluation

• Collection คือ ขั้นตอนการ ‘รวบรวมข้อมูล’ จากหลาย ๆ แหล่ง รวมถึงจาก Big Data ฐานข้อมูลขนาดใหญ่ เพื่อนำข้อมูลทั้งหมดมาทำให้เป็นข้อมูลชุดเดียวกัน ด้วยการกรอกข้อมูลเข้าระบบ Cloud และ Server ขององค์กรนั้น ๆ
• Understanding คือ ขั้นตอนที่เป็นการ ‘ทำความเข้าใจและวิเคราะห์ข้อมูล’ ในเชิงลึก เช่น การทำความเข้าใจปัญหาของธุรกิจ, ทำความเข้าใจถึงข้อมูลที่เกี่ยวข้องกับคำถามในธุรกิจ รวมถึงโครงสร้าง ที่มาที่ไปของชุดข้อมูลนั้น ๆ
• Preparation คือ การ ‘จัดเตรียมข้อมูล’ ที่ผ่านการคัดกรองและได้รับการยืนยันแล้ว โดยข้อมูลจะถูกจัดให้เป็นไปในรูปแบบฟอร์มต่าง ๆ (ซึ่งกระบวนการนี้สามารถสำรวจข้อมูลเพิ่มเติมในเชิงลึกได้อีกครั้งเพื่อคุณภาพสูงสุด)
• Modeling คือ ขั้นตอน ‘การจำลองข้อมูล’ ด้วยการกำหนดชุดข้อมูลขึ้นมาจาก Diagram (แผนภาพที่แสดงวิธีการแก้ปัญหา) เพื่อจำลองคาดการณ์ ประมาณค่า และแยกประเภทของชุดข้อมูลได้
• Evaluation คือ ขั้นตอน ‘การประเมิน’ ซึ่งผลลัพธ์ที่ได้จากการจำลองข้อมูลก่อนหน้านี้ จะถูกนำมาประเมินคุณภาพเพื่อหาความต้องการใหม่ ๆ และวิเคราะห์ความเสี่ยงที่อาจจะเกิดในธุรกิจอีกด้วย

การทำ Data Mining ทั้ง 5 ขั้นตอนนี้จะเป็นพื้นฐานสำคัญที่ทำให้สามารถ ‘เห็นภาพสถานการณ์ในปัจจุบันของธุรกิจ’ ได้อย่างชัดเจน ผ่านการสร้างแบบจำลองข้อมูล, การทดสอบหาความเป็นไปได้และการมองเห็นโอกาสใหม่ ๆ ของธุรกิจ

อ้างอิง : https://www.amurta.com/blogs/the-art-of-data-mining-for-turning-data-into-insights/

แนะนำเครื่องมือที่ใช้งานร่วมกับการทำ Data Analysis

การสร้าง Framework หรือกรอบความคิดเพื่อทำความเข้าใจก่อนว่า Data ที่มีอยู่ในองค์กรนั้นเป็นประเภทไหน มีกี่ประเภท และแต่ละประเภทแตกต่างกันอย่างไร จะทำให้สามารถเลือกเครื่องมือที่เหมาะสมเข้ามาใช้งานได้โดย Tools ซึ่งขอยกตัวอย่าง 1 ประเภท ได้แก่

การใช้ Pivot Table ในการจัดเตรียมข้อมูล

Pivot Table เป็นเครื่องมือจาก Microsoft Excel ที่นิยมใช้กันในองค์กรสำหรับสรุปข้อมูลจำนวนมาก ๆ ให้ออกมาเป็นรูปแบบ Pivot Chart (ตารางหรือกราฟ) ที่รวดเร็วกว่าการใส่สูตรลงใน Excel ซึ่ง Pivot Table ถูกสร้างจากข้อมูลที่ต้องการสรุปผลจาก Worksheet และนำมาประมวลผลให้อ่านข้อมูลง่ายขึ้น

ต่อมา Pivot Table ได้ถูกอัปเกรดอีกขั้นจนกลายเป็น PowerPivot ซึ่งเป็น Add-in เสริมสำหรับโปรแกรม Excel เหมาะมากสำหรับการทำงานร่วมกับ Data Mining (หนึ่งในกระบวนการจากศาสตร์ Data Analysis ที่กล่าวถึงข้างต้น)

ไม่ว่าจะเป็นขั้นตอน Modeling (การจำลองข้อมูล) รวมไปถึงการหาจุดเชื่อมโยงจากข้อมูลหลาย ๆ แหล่งจาก Analysis Service อื่น ๆ หรือ SQL ที่เป็นโปรแกรมสำหรับบริหารจัดการ Data ที่ดีที่สุดจาก Microsoft (เรียกว่าทำงานร่วมกันได้อย่างครบวงจร)

ซึ่งการวิเคราะห์ไปพร้อมกับเครื่องมือ Pivot Table นี้จะช่วยให้ ‘การจัดเตรียมข้อมูลที่มีความซับซ้อน, ข้อมูลเชิงตัวเลขต่าง ๆ’ ไม่ยุ่งยากอีกต่อไป เพราะเทียบกันแล้ว Pivot Table นั้นมีระบบที่ไม่ต้องใช้สูตรในการคำนวณมากเท่า Excel (หากอยากทราบคู่มือการใช้งาน Pivot Table แบบละเอียดสามารถศึกษาได้เลยที่ Microsoft)

อ้างอิง : https://thegrowthmaster.com/blog/data-analysis

ประโยชน์และความสำคัญของการวิเคราะห์ข้อมูล

หลังจากที่โลกก้าวเข้าสู่ยุคดิจิทัลรวมถึงองค์กรมากมายก็เผชิญกับ Digital transformation ทำให้การเก็บข้อมูลต่าง ๆ ไม่ใช่เรื่องยากอีกต่อไป ไม่ว่าจะเป็นการกดสั่งอาหารออนไลน์ การเล่นโซเชียลมีเดียในเวลาว่าง ก็ล้วนถูกเก็บเป็นข้อมูลแทบทั้งสิ้น ทำให้เกิดเป็นข้อมูลจำนวนมหาศาล หรือรู้จักกันในชื่อว่า Big Data ทำให้การนำข้อมูลมาวิเคราะห์ในเชิงลึกเช่นการทำ Data Analysis กลายเป็นทักษะที่จำเป็นอย่างหลีกเลี่ยงไม่ได้ ซึ่งประโยชน์ของการทำ Data Analysis คือ

• ช่วยให้มองเห็นโอกาสทางธุรกิจใหม่ ๆ
• เข้าใจพฤติกรรมผู้บริโภคในเชิงลึกและเฉพาะเจาะจงยิ่งกว่าเดิม
• เห็นถึงจุดบกพร่อง หรือปัญหาที่เกิดขึ้นบ่อย ๆ ในกระบวนการทำงาน
• ช่วยระบุความเสี่ยงต่าง ๆ ในธุรกิจที่อาจมาจากการตัดสินใจผิดพลาดหรือภัยคุกคามอื่น ๆ โดยวิเคราะห์จากข้อมูลมหาศาลที่มีอยู่
• ช่วยเพิ่มความปลอดภัยให้กับองค์กร เช่น ส่วนงานที่เกี่ยวกับ Cyber Security สามารถนำข้อมูลเก่ามาตรวจสอบหาต้นตอของปัญหาในการถูกโจมตีได้ ฯลฯ

โดยการทำ Data Analysis จะเข้ามาช่วยให้คำตอบ และเพิ่มประสิทธิภาพในการตัดสินใจทางธุรกิจให้ดียิ่งขึ้น และนำไปสู่ผลกำไรที่โตขึ้นของธุรกิจ ภายใต้ความปลอดภัยที่มากขึ้นและความเสี่ยงที่น้อยลงได้

Analytics vs Analysis ต่างกันอย่างไร

‘Data Analysis’ คือ การนำเอาข้อมูลที่มีอยู่แล้วมาวิเคราะห์ เพื่อหาสาเหตุของปัญหาของสิ่งที่เกิดขึ้นแล้วในอดีต และทำให้ทราบถึงปัจจัยและต้นตอของสาเหตุที่แท้จริง จะประกอบไปด้วย 2 ส่วนที่สำคัญคือ การวิเคราะห์ตลาด (Market Analysis) และการทำเหมืองข้อมูล (Data Mining) จึงต่างจากการทำ ‘Data Analytics’ คือ การนำข้อมูลที่มีอยู่ในปัจจุบัน หรือในอดีตมาวิเคราะห์ และทำนายอนาคต ซึ่งต้องใช้วิธีการวิเคราะห์ข้อมูลทั้ง 4 รูปแบบ ได้แก่ การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive Analytics) , การวิเคราะห์ข้อมูลแบบเชิงวินิจฉัย (Diagnostic Analytics), การวิเคราะห์แบบพยากรณ์ (Predictive Analytics) และการวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics) จึงจะทำให้ได้คำตอบ

ตัวอย่างการใช้ Data Analytics ในธุรกิจ

สำหรับตัวอย่างการใช้ Data Analytics ในเชิงธุรกิจจะขอยกตัวอย่างเป็นของบริษัท Netflix ที่เป็นแพลตฟอร์มสตรีมมิ่งแบบต้องเป็นสมาชิก ซึ่งในปัจจุบันนี้มีผู้ใช้งาน Netflix แล้วทั่วโลกกว่า 163 ล้านคน ทำให้มีข้อมูลมากพอสำหรับการนำมาวิเคราะห์ในเชิงลึกเพื่อพัฒนาผลิตภัณฑ์ให้ดียิ่งขึ้นได้

โดยทาง Netflix ได้ทำการรวบรวมข้อมูลทุกประเภทจากทางสมาชิก ทั้งในเรื่องของอุปกรณ์ที่ใช้ในการรับชมภาพยนตร์ และพฤติกรรมการดูต่าง ๆ แล้วนำมาวิเคราะห์เพื่อหาจุดเชื่อมโยงของความสัมพันธ์ ซึ่งทำให้มองเห็นถึงพฤติกรรมโดยละเอียดของผู้ใช้ในแต่ละรายมากขึ้น และสุดท้ายสามารถพัฒนา Algorithm ในการแนะนำภาพยนตร์ที่เหมาะสมกับแต่ละบุคคลได้อย่างแม่นยำ ทำให้เกิด User Experience ที่ดีในการใช้งานจนกลายเป็นสตรีมมิ่งที่ครองใจทั้งลูกค้าเก่าและลูกค้าใหม่ รวมถึงครองส่วนแบ่งทางการตลาดได้มากยิ่งขึ้นในทุกๆ ปีด้วย

อ้างอิง : https://www.enablesurvey.com/article-detail/8203f1de-8aca-4207-a7f5-348eb1cce3d3/data-analytics

บทสรุป

Data Analysis เป็นกระบวนการสำคัญที่ช่วยในการทำความเข้าใจและนำข้อมูลมาใช้ในการตัดสินใจหรือดำเนินงานต่าง ๆ ในองค์กรหรือธุรกิจ และด้านอุตสาหกรรมต่าง ๆ ในการวิเคราะห์ข้อมูลเพื่อสร้างความรู้และความเข้าใจในข้อมูลเพื่อช่วยในการตัดสินใจที่ถูกต้องและมีการสนับสนุนจากข้อมูล

อย่างไรก็ตามในการนำข้อมูลมาใช้งานนั้น สิ่งที่ต้องระมัดระวังเพิ่มเติมคือ การใช้งานข้อมูลส่วนบุคคล ไม่ว่าจะเป็นการรวบรวม ใช้ หรือเปิดเผย ต้องไม่ขัดต่อกับข้อกฎหมายที่เกี่ยวข้อง