Descriptive Analytics หมายถึงอะไร

ว่าแต่ ศาสตร์แห่งการวิเคราะห์ข้อมูลอย่าง Data Analytic คืออะไร? Data Analysis หมายถึงอะไร? ทั้งสองคำนี้ต่างกันอย่างไร? และมีวิธีการสกัดให้ได้มาซึ่งข้อมูลที่มีคุณภาพได้อย่างไร? บทความนี้มีคำตอบมาฝากกัน

สารบัญบทความ Data Analytic

• Data Analytic คืออะไร
  • Data Analysis คือ 
  • ความแตกต่างของ Data Analytics กับ Data Analysis
• Data Analytics มีความสำคัญ
• รูปแบบของการวิเคราะห์ข้อมูล (Data Analytics)
  • การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive Analytics)
  • การวิเคราะห์แบบเชิงวินิจฉัย (Diagnostic Analytics) 
  • การวิเคราะห์แบบพยากรณ์ (Predictive Analytics) 
  • การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics)
• บทบาทของ Data Analytics
  • เหมืองข้อมูล (Data Mining)
  • การจัดการข้อมูล (Data Management)
  • การวิเคราะห์ข้อมูลเชิงสถิติ (Statistical Analysis)
  • การนำเสนอข้อมูล (Data Presentation)
• ขั้นตอนการวิเคราะห์ข้อมูล (Data Analysis)
• เครื่องมือการวิเคราะห์ข้อมูล (Data Analytics Tools)
• คำถามที่พบบ่อย
• สรุปเรื่อง Data Analytic

Data Analytic คืออะไร

ก่อนอื่นมาทำความเข้าใจกันสักนิดว่า Data Analytic คืออะไร? และเกี่ยวข้องอย่างไรกับ Big Data? 

การวิเคราะห์ข้อมูล หรือ Data Analytic คือ การวิเคราะห์ข้อมูลที่มีอยู่ตั้งแต่อดีตจนถึงปัจจุบัน เพื่อทำนายอนาคต โดยอาศัยข้อมูลจาก “Big Data” เครื่องมือที่ใช้ในการจัดการกับข้อมูลปริมาณมหาศาลที่องค์กรมีอยู่ 

สำหรับข้อมูลที่ได้มานั้นจะเป็นประโยชน์ต่อการทำการตลาด การค้าขาย หรือการทำธุรกิจ อีกทั้งยังช่วยทำให้เห็นความสัมพันธ์ของข้อมูลในภาพรวมมากยิ่งขึ้น ซึ่งการทำ Data Analytic ที่ดีจะนำไปสู่การขับเคลื่อนธุรกิจไปข้างหน้าทั้งในโลกแห่งความเป็นจริงหรือโลกเสมือนอย่าง Metaverse ได้ง่ายขึ้นอีกด้วย

อ่านข้อมูลเพิ่มเติมว่า Metaverse คืออะไร

Data Analysis คือ 

ส่วน Data Analysis คือ ศาสตร์ของการนำข้อมูลมาเรียบเรียง จัดกลุ่ม/แยกประเภทชุดข้อมูล แล้วนำมาหาความสัมพันธ์ของชุดข้อมูล โดยข้อมูลทั้งหมดจะถูกรวบรวมและอาศัย Algorithms ในการจัดเก็บข้อมูล (Storage), ประมวลผลข้อมูล (Processing) และวิเคราะห์ข้อมูล (Analyst) จนได้ออกมาเป็นข้อมูลเชิงลึก (Insight) หรือ ข้อสรุป (Conclusion) ที่ช่วยสร้างความได้เปรียบให้กับธุรกิจ

ความแตกต่างของ Data Analytics กับ Data Analysis

Data Analytics กับ Data Analysis จะแตกต่างกันที่กระบวนการทำงาน และการนำข้อมูลไปใช้ ดังนี้

Data Analysis จะประกอบไปด้วย 2 กระบวนการที่สำคัญคือ การวิเคราะห์ตลาด (Market Analysis) เป็นการวางแผนและวิเคราะห์การตลาดเพื่อตอบสนองความต้องการให้แก่ผู้บริโภค และการทำเหมืองข้อมูล
(Data Mining) หรือการเข้าถึงข้อมูลจำนวนมาก หลังจากผ่าน 2 กระบวนการนี้จึงนำข้อมูลมาแยกเป็นส่วน ๆ เพื่อวิเคราะห์ ทำความเข้าใจข้อมูลและสถานการณ์ จนนำไปแก้ปัญหาที่ธุรกิจกำลังเผชิญอยู่ได้

Data Analysis จึงแตกต่างจากการทำ Data Analytics ที่จะต้องนำข้อมูลที่มีอยู่ในปัจจุบันหรือในอดีตมาวิเคราะห์และทำนายอนาคต โดยใช้วิธีการวิเคราะห์ข้อมูลทั้ง 4 รูปแบบ ได้แก่ การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive Analytics), การวิเคราะห์ข้อมูลแบบเชิงวินิจฉัย (Diagnostic Analytics), การวิเคราะห์แบบพยากรณ์ (Predictive Analytics) และการวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics) จึงจะทำให้ได้คำตอบของสถานการณ์ปัจจุบัน และทำนายอนาคตที่ธุรกิจควรจะดำเนินต่อไปได้

Data Analytics มีความสำคัญ

การทำ Data Analytics มีประโยชน์สำหรับธุรกิจในหลายด้านเริ่มต้นตั้งแต่…

• ช่วยในการทำ Market Research

ประโยชน์ข้อแรกของการทำ Analysis of data คือ การวิเคราะห์ข้อมูลเพื่อให้ได้มาซึ่ง Insight ของตลาดที่ทำให้เข้าใจลูกค้าและเข้าใจโอกาสทางธุรกิจ การทำ Data Analytic จึงนับเป็นเครื่องมือที่ช่วยในการทำ Market Research รูปแบบหนึ่ง เพราะช่วยทำให้ธุรกิจรู้ว่า Market Trends ของธุรกิจเป็นอย่างไร รู้ว่ามี Market Size เท่าไหร่ รู้ว่ามี Margin ในตลาดมากน้อยแค่ไหน หรือรู้ว่า SWOT คืออะไรสำหรับธุรกิจ 

• ช่วยให้เข้าใจในสถานการณ์ต่าง ๆ จากข้อมูลที่มีอยู่

การทำ Big Data Analytic คือ การรวบรวมข้อมูลดิบจำนวนมหาศาลที่กระจัดกระจายและไม่สามารถนำมาใช้ประโยชน์ได้ มาจัดเรียงและวิเคราะห์ เพื่อทำให้ธุรกิจสามารถมองเห็นความสัมพันธ์ของข้อมูลชุดต่าง ๆ หรือข้อมูลกับบริบทที่มีอยู่ได้มากขึ้น เช่น รู้ว่ายอดขายเป็นอย่างไร สินค้าตัวไหนขายดี Customer Journey คืออะไร เป็นแบบไหน และจะทำอย่างไรให้สามารถเข้าถึงเส้นทางของผู้บริโภคได้อย่างตรงจุด ฯลฯ หลังจากนั้นก็จะได้วาง Strategic Planning ที่ตอบโจทย์กับข้อสรุปที่ได้จากการวิเคราะห์ต่อไป

• ช่วยแก้ปัญหาให้กับธุรกิจ

การทำ Analysis Data คือ จุดเปลี่ยนสำหรับหลายธุรกิจ เนื่องจากข้อมูลที่นำมาวิเคราะห์เพื่อหาปัจจัยและต้นเหตุของสิ่งต่าง ๆ จะช่วยไขข้อสงสัยหรือปัญหาที่ธุรกิจเผชิญอยู่ได้เป็นอย่างดี เช่น มีปัญหาเรื่อง ROI ที่ไม่เคยถึงเป้าหมาย เมื่อวิเคราะห์ข้อมูลที่มีอยู่ออกมาเป็นรายงานแล้วพบว่า เกิดจากการขนส่งที่ล่าช้า ก็จะช่วยทำให้ธุรกิจเข้าไปแก้ไขปัญหานั้น ๆ ได้อย่างตรงจุดมากขึ้น เป็นต้น

• ช่วยในการปรับปรุงการวัดผลลัพธ์

การทำ Digital Marketing ที่ประสบผลสำเร็จจะต้องสามารถวัดผลลัพธ์ทางการตลาดได้อย่างถูกต้อง ซึ่งผลลัพธ์ที่ว่าจะมาจากการเก็บข้อมูลและการทำ Performance Tracking ที่มีประสิทธิภาพ หลังจากนั้นจึงจะสามารถนำข้อมูลและผลลัพธ์ที่ได้มาใช้สนับสนุนการตัดสินใจต่าง ๆ ที่แม่นยำมากขึ้น

การทำ Data Analysis ตัวอย่างมีให้เห็นมากมายในหลายธุรกิจ เช่น Netflix ใช้ Big Data ที่ผ่านการทำ Analytics ทำให้สามารถนำส่งภาพยนตร์หรือคอนเทนต์ที่ผู้ใช้งานควรดูได้อย่างเหมาะสม เหมือนเป็นการทำนายว่า คนดูชอบดูอะไรมากที่สุด โดยทำได้จากการวิเคราะห์ประวัติการดู คำค้นหา เวลาที่ใช้ในการรับชมรายการ ไปจนถึงข้อมูลต่าง ๆ ที่เกี่ยวข้อง เช่น ข้อมูลประชากร ข้อมูลตามความสนใจ และพฤติกรรมการท่องอินเทอร์เน็ต ฯลฯ แล้วนำข้อมูลเหล่านี้มาปรับแต่งรูปภาพ คำอธิบายข้อความ แท็ก และตัวอย่างรายการต่าง ๆ อีกทั้งยังมีแถบ “Because You Watched…” ที่เดาใจรายการต่อไปที่ผู้คนจะสนใจดูต่อได้อย่างแม่นยำอีกด้วย

รูปแบบของการวิเคราะห์ข้อมูล (Data Analytics)

เพื่อให้ได้มาซึ่งข้อมูลที่ดีและมีคุณภาพ นักการตลาดจำเป็นที่จะต้องทำความรู้จักกับรูปแบบของการวิเคราะห์ข้อมูล (Data Analytics) ที่จะทำให้ได้ข้อมูลสำคัญตามที่ต้องการ โดยจะแบ่งออกเป็น 4 รูปแบบ ดังนี้

การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive Analytics)

การวิเคราะห์ข้อมูลแบบพื้นฐาน หรือ Descriptive Analytics คือ การวิเคราะห์ข้อมูลขั้นแรกที่ช่วยแสดงผลของสิ่งที่กำลังเกิดขึ้น ไม่ว่าจะเป็นรายการธุรกิจ เหตุการณ์ หรือกิจกรรมต่าง ๆ ออกมาในรูปแบบที่ง่ายต่อความเข้าใจหรือต่อการตัดสินใจ จากการใช้ตัวแปรแค่ตัวแปรเดียว (Univariate Analysis) โดยใช้เทคนิคทางสถิติ เช่น การหาค่ากลาง หาการกระจายตัว หาค่าเฉลี่ย หาผลรวม เป็นต้น

ซึ่งการหาผลลัพธ์เหล่านี้จะถูกนำเสนอออกมาเป็นรายงานต่าง ๆ ยกตัวอย่างเช่น รายงานการขาย รายงานผลการดำเนินงานที่อาจจะบอกได้ว่า เดือนนี้มียอดขายเท่าไร สินค้าตัวไหนขายดีที่สุด มีคนเยี่ยมชมเว็บไซต์กี่คน เป็นต้น ทำให้ธุรกิจรู้ว่าตอนนี้สถานการณ์ของธุรกิจกำลังเป็นอย่างไร

การวิเคราะห์แบบเชิงวินิจฉัย (Diagnostic Analytics) 

การวิเคราะห์แบบเชิงวินิจฉัย หรือ Diagnostic Analytics คือ การวิเคราะห์ข้อมูลเพื่อเจาะลึกลงไปถึงสาเหตุของสิ่งที่เกิดขึ้นจะมีความลึกกว่าการวิเคราะห์ข้อมูลแบบพื้นฐาน 

เนื่องจากจะต้องหาความสัมพันธ์ระหว่างตัวแปรตั้งแต่สองตัวแปรขึ้นไป (Multivariate Analysis) เพื่อดูว่าตัวแปรเหล่านั้นมีความสัมพันธ์กันหรือส่งผลกระทบกันอย่างไรบ้าง ซึ่งจะช่วยทำให้ธุรกิจรู้ว่า ทำไมจึงเกิดสิ่งนี้ขึ้นหรือสิ่งนี้เกิดขึ้นเพราะอะไร เช่น ความสัมพันธ์ระหว่างยอดขายต่อกิจกรรมทางการตลาด โดยจะต้องหาว่ามีอะไรที่ทำให้ยอดขายเพิ่มขึ้นหรือลดลง อย่างเช่น ทำไมชานมไข่มุกถึงขายดีในช่วงเย็น เวลาเลิกเรียนหรือเลิกงานมีผลต่อการขายหรือไม่ เป็นต้น

การวิเคราะห์แบบพยากรณ์ (Predictive Analytics) 

การวิเคราะห์แบบพยากรณ์ หรือ Predictive Analytics คือ การวิเคราะห์ข้อมูลเชิงทำนาย เพื่อดูแนวโน้มหรือพยากรณ์ว่าอาจจะเกิดอะไรขึ้น โดยใช้ Predictive Analytics Platform คือ ข้อมูลที่ได้เกิดขึ้นแล้วกับแบบจำลองทางสถิติ หรือ AI (เทคโนโลยีปัญญาประดิษฐ์) มาใช้ในการวิเคราะห์ข้อมูลเพื่อหาโอกาสและความเสี่ยงต่าง ๆ ที่จะเกิดขึ้นในอนาคต เช่น หาข้อมูลว่า สินค้าหรือบริการอะไรจะขายดี มีใครที่จะกลายเป็นลูกค้าในอนาคตบ้าง ยอดขายในอีก 2 ปีข้างหน้าจะเป็นอย่างไร เป็นต้น โดยจะวิเคราะห์ข้อมูลเหล่านี้ออกมาในรูปแบบของกราฟหรือเทรนด์เป็นหลัก

การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics)

การวิเคราะห์แบบให้คำแนะนำ หรือ Prescriptive Analytics คือ การวิเคราะห์ข้อมูลในรูปแบบที่ซับซ้อนที่สุดเพื่อหาว่า ควรที่จะทำอะไร ทั้งปรับปรุง แก้ไขปัญหา หรือพัฒนาอะไรบ้าง หรือมองหาแนวทางในการรับมือกับสิ่งที่จะเกิดขึ้น เรียกได้ว่าเป็นการพยากรณ์ถึงสิ่งต่าง ๆ ที่จะเกิดขึ้น ทั้งในแง่ของข้อดี ข้อเสีย สาเหตุ และระยะเวลาของสิ่งที่จะเกิดขึ้น รวมถึงยังให้คำแนะนำทางเลือกและผลของแต่ละทางเลือกเอาไว้ด้วย 

ยกตัวอย่างคำถามที่มักจะใช้การวิเคราะห์แบบให้คำแนะนำ เช่น ควรที่จะต้องทำการตลาดในช่องทางไหน ในงบประมาณที่เท่าไหร่ถึงจะดี ต้นทุนเท่านี้ควรตั้งราคาสินค้าเท่าไหร่ เป็นต้น

บทบาทของ Data Analytics

การทำ Analysis Data หมายถึง การวิเคราะห์ข้อมูล จึงมีบทบาทในด้านการขยายขีดความสามารถในการวางแผนการตลาดให้สมบูรณ์แบบและเกิดผลตอบแทนทางธุรกิจได้ดี ด้วยการใช้ทีมงานนักวิเคราะห์ข้อมูล (Data Analysts) เพื่อให้ได้ผลลัพธ์ทางสถิติ (Statistics) ที่น่าเชื่อถือมากพอที่องค์กรจะนำมาทำเป็น Databases เพื่อขับเคลื่อนธุรกิจ โดย Databases จะได้มาก็ต่อเมื่อมี Data และเครื่องมือที่ทันสมัยอย่าง Machine Learning ที่ทำงานร่วมกันอย่างมีประสิทธิภาพ 

แต่ก่อนจะมี Data ที่มีคุณภาพ จำเป็นที่จะต้องแบ่งข้อมูลในด้านต่าง ๆ ออกเป็น 4 รูปแบบ เพื่อจะได้เลือกใช้วิธีการวิเคราะห์ได้อย่างถูกต้อง ดังนี้

เหมืองข้อมูล (Data Mining)

การทําเหมืองข้อมูล (Data Mining) หรือ การค้นหาความรู้ในฐานข้อมูล (Knowledge Discovery in Databases – KDD) คือ การดึงเอาความรู้ออกมาจากข้อมูลขนาดใหญ่ โดยอาศัยหลักสถิติ การรู้จํา การเรียนรู้ของเครื่องมือ และหลักคณิตศาสตร์ จะประกอบไปด้วย 3 ส่วนด้วยกัน ได้แก่ Preprocessing คือ ขั้นตอน
การจัดเตรียมข้อมูล, Data Cleaning เป็นขั้นตอนในการกำจัดข้อมูลที่ไม่ต้องการ และ Data Integration เป็นขั้นตอนในการรวบรวมข้อมูลทั้งหมดที่มีจากแหล่งข้อมูลต่าง ๆ มาไว้ด้วยกัน 

ซึ่งเครื่องมือที่ใช้ในการทำเหมืองข้อมูลมีหลายอย่าง เช่น การใช้ SQL Database เครื่องมือที่ได้รับการยอมรับในมาตรฐาน American National Standards Institute (ANSI) จะใช้ในการดึงข้อมูล คำนวณข้อมูล เปลี่ยนแปลงข้อมูล ลบข้อมูล ไปจนถึงหาความเชื่อมโยงข้อมูลที่เหมือนกันในฐานข้อมูล (Relational Database) แล้วจึงนำมาเสนอข้อมูลในรูปแบบที่เข้าใจง่ายต่อไป

การจัดการข้อมูล (Data Management)

การจัดการข้อมูล (Data Management) คือ กระบวนการที่เกี่ยวข้องกับข้อมูลของบริษัท ไม่ว่าจะเป็นการควบคุมข้อมูล การควบคุมการเข้าถึงข้อมูล การเก็บรักษา การบำรุงรักษารวบรวมข้อมูลเหล่านั้นให้คงอยู่ไปจนถึงการทำลายข้อมูลตามวงจรชีวิตของข้อมูล นอกจากนี้ การจัดการข้อมูลยังรวมไปถึงการวางแผนการใช้ข้อมูล ตรวจสอบ ประมวลผลและส่งมอบข้อมูล ซึ่งเทคโนโลยีที่นำมาจัดการข้อมูลเหล่านี้คือData Warehousing ที่ใช้ได้ทั้งการจัดเก็บ ประมวลผล เรียกใช้ และเผยแพร่ข้อมูลได้ในเครื่องมือเดียว

การวิเคราะห์ข้อมูลเชิงสถิติ (Statistical Analysis)

การวิเคราะห์ข้อมูลเชิงสถิติ (Statistical Analysis) คือ การนำข้อมูลหลาย ๆ ค่ามาทำการวิเคราะห์โดยไม่เจาะจงข้อมูลค่าใดค่าหนึ่ง มีประโยชน์ต่อการศึกษาหรือการวัดผลลัพธ์ที่ต้องการความแม่นยำและความน่าเชื่อถือสูง 

การนำเสนอข้อมูล (Data Presentation)

การนำเสนอข้อมูล (Data Presentation) คือ การนำข้อมูลดิบที่เก็บรวบรวมมาได้ นำมาจัดให้อยู่ในรูปแบบที่สามารถเข้าใจ มองเห็นความหมายและสาระสำคัญ ตลอดจนทำการเปรียบเทียบข้อมูลผ่านการนำเสนอที่สามารถเห็นถึงความแตกต่างได้อย่างชัดเจนอีกด้วย

ขั้นตอนการวิเคราะห์ข้อมูล (Data Analysis)

จะแบ่งออกเป็น 6 ขั้นตอน ดังนี้

1. ขั้นตอนแรก คือ การกำหนดและจัดกลุ่มข้อมูล โดยค่าของข้อมูลอาจเป็นตัวเลขหรือแบ่งตามหมวดหมู่ก็ได้  เช่น อาจจะแยกตามอายุ ข้อมูลประชากร รายได้ เพศ ฯลฯ 
2. ขั้นตอนที่สอง คือ ขั้นตอนของกระบวนการรวบรวมข้อมูลเพื่อนำมาวิเคราะห์ โดยสามารถใช้เครื่องมือต่าง ๆ เช่น คอมพิวเตอร์ แหล่งที่มา กล้อง สิ่งแวดล้อม หรือผ่านบุคลากร ฯลฯ ในการรวบรวมข้อมูลได้
3. เมื่อเก็บรวบรวมข้อมูลแล้ว จะต้องมีการจัดระเบียบเพื่อให้สามารถวิเคราะห์ได้ง่าย โดยอาจจะใช้เครื่องมือการวิเคราะห์ข้อมูลเข้ามาช่วยเหลือ เช่น การใช้ซอฟต์แวร์ การใช้ Spreadsheets ฯลฯ เพื่อให้สามารถนำข้อมูลสถิติมารวบรวม แล้วรอการทำความสะอาดและวิเคราะห์ต่อไป
4. เป็นขั้นตอนของการทำความสะอาดข้อมูลก่อนการวิเคราะห์ โดยจะต้องทำการตรวจสอบให้แน่ใจว่าไม่มีการทำซ้ำหรือข้อผิดพลาด ซึ่งจะส่งผลต่อการตีความข้อมูลได้ ดังนั้น จึงจำเป็นที่จะต้องทำการล้างข้อมูลที่ใช้ไม่ได้ และจัดเรียงใหม่ให้เป็นระบบ เพื่อทำให้ได้ผลลัพธ์ที่แม่นยำที่สุด
5. เข้าสู่ขั้นตอนการวิเคราะห์ข้อมูล โดยจะต้องเลือกรูปแบบของการวิเคราะห์ข้อมูล (Data Analytics) ที่จะนำมาใช้ในการวิเคราะห์ พร้อมตั้งโจทย์และคำถามที่ต้องการใช้ในการหาคำตอบเอาไว้ด้วย ทั้งนี้ ก็เพื่อนำมาสรุปเป็นความรู้ (Knowledge) หรือข้อมูลเชิงลึก (Insight) ที่ดีมากขึ้นนั่นเอง
6. ขั้นตอนสุดท้าย คือ การตีความและนำเสนอข้อมูล โดยการแบ่งปันความรู้และข้อมูลเชิงลึกให้กับบุคคล
   หรือหน่วยงานอื่น ๆ ที่ต้องการข้อมูลเพื่อนำไปใช้ในรูปแบบที่เข้าใจง่าย เช่น การนำเสนอข้อมูลออกมาในรูปแบบของแผนภูมิหรือกราฟ เป็นต้น

เครื่องมือการวิเคราะห์ข้อมูล (Data Analytics Tools)

Crunching Number

Crunching Number คือ เครื่องมือหรือกลยุทธ์ที่ใช้ในการเตรียมข้อมูลดิบจำนวนมากสำหรับการวิเคราะห์
ซึ่งรวมถึงการแยกข้อมูลและการจัดรูปแบบข้อมูลที่ไม่ต้องการ การแปลข้อมูลเป็นรูปแบบที่ต้องการ และจัดโครงสร้างสำหรับการวิเคราะห์หรือการประมวลผลโดยแอปพลิเคชันอื่น ๆ โดยจะเริ่มต้นจากการอ่านข้อมูลดิบ (Raw Data) หลังจากนั้นทำการแปลงข้อมูล (Convert Data) จากรูปแบบเดิมไปเป็นรูปแบบที่เครื่องมือสามารถวิเคราะห์ได้ และสุดท้ายคือขั้นตอนการส่งออกไปยังไฟล์หรือฐานข้อมูลที่จะใช้สำหรับการวิเคราะห์ ซึ่งบริษัททั่วไปมักจะย้ายข้อมูลไปยังคลังข้อมูล ที่เป็นฐานข้อมูลเฉพาะสำหรับการวิเคราะห์ข้อมูลจากทั่วทั้งบริษัท 

SQL Server Analysis Services

SQL Server Analysis Services คือ เครื่องมือสำหรับจัดการ Data Model ระดับ Enterprise โดยจะนำข้อมูลจากคลังข้อมูลที่ได้ไปสร้างแบบจำลองการวิเคราะห์ เช่น Cube และ Subspace มักใช้ในการวิเคราะห์ข้อมูลขนาดใหญ่ที่ต้องการความรวดเร็ว

Manipulate Databases

Manipulate Databases คือ เครื่องมือหรือหน้าที่หลักของระบบจัดการฐานข้อมูล (DBMS) ที่ช่วยในการจัดการข้อมูล เช่น การเพิ่มข้อมูลใหม่ การเปลี่ยนแปลงค่าของข้อมูลที่มีอยู่ การจัดระเบียบข้อมูลใหม่
รวมถึงสามารถทำการดึงข้อมูลเฉพาะจากฐานข้อมูลมาใช้งานได้ เช่น การค้นหาเฉพาะพนักงานที่ได้รับการว่าจ้างภายในปีที่แล้วหรือผู้ที่ดำรงตำแหน่งบางตำแหน่ง เป็นต้น

Python

Python คือ ภาษาการเขียนโปรแกรมที่ใช้อย่างแพร่หลาย เป็นภาษาที่มีความยืดหยุ่นสูงมาก ทำให้ง่ายต่อการเขียน และมีฟังก์ชันในการใช้งานมากมาย รวมถึงเป็นภาษา Open Source ใช้งานได้ฟรี จึงง่ายต่อการเรียนรู้ สามารถต่อยอดได้จริง นอกจากนี้ สามารถใช้ภาษา Python ร่วมกับไลบรารีต่าง ๆ เช่น NumPy, Pandas, Matplotlib และ Scikit-Learn ได้อีกด้วย

Power BI 

Power BI คือ เครื่องมือในการวิเคราะห์ข้อมูลธุรกิจ (Business Analytics Tool) โดยจะทำหน้าที่แปลงข้อมูลปกติให้เป็นข้อมูลเชิงลึก และสร้างรายงาน เพื่อสร้างการแสดงข้อมูลและเรื่องราวของข้อมูลที่มีผลกระทบ
กับองค์กรอย่างชัดเจนมากขึ้น ทำให้องค์กรสามารถตัดสินใจโดยใช้ข้อมูลได้อย่างมีประสิทธิภาพ 

นอกจากนี้ Power BI ยังมีอินเทอร์เฟซผู้ใช้ที่ใช้งานง่าย สามารถรวมเข้ากับแอปฯ Microsoft ได้ เข้าถึงข้อมูลเชิงลึกด้วยแดชบอร์ด และสร้างแผนภาพข้อมูลขั้นสูงเพื่อสื่อสารข้อมูลเชิงลึก จัดเตรียมบริบท และแสดงให้เห็นว่าการตัดสินใจที่เกิดขึ้นได้อีกด้วย

Spreadsheets

Spreadsheets คือ เครื่องมือตารางจัดการที่จัดเรียงข้อมูลออกมาในแบบตารางสี่เหลี่ยม มักใช้เพื่อคำนวณเป็นหลัก โดย Spreadsheets จะมีฟังก์ชันการคำนวณหลายรูปแบบ ตั้งแต่การคำนวณแบบง่าย เช่น บวก ลบ คูณ หาร ไปจนถึงการคำนวณขั้นสูงที่สามารถนำไปประยุกต์ใช้งานได้ เช่น การคำนวณทางธุรกิจ อุตสาหกรรม การเงิน งบประมาณ สถิติ ฯลฯ 

Tableau

Tableau คือ ซอฟต์แวร์ที่สามารถนำข้อมูลจำนวนมากในหลักแสน หรือล้าน ๆ แถว (Records) ที่มีอยู่หลากหลายรูปแบบ มาทำ Data Visualization และวิเคราะห์ข้อมูลเพื่อทำ Dashboard 

Tableau จึงช่วยให้ผู้บริหารมีข้อมูลเชิงลึกที่เข้าใจง่าย ช่วยเพิ่มความสามารถในการตัดสินใจอย่างรวดเร็วและชาญฉลาดมากขึ้น นอกจากนี้ Tableau ยังสามารถเข้าถึงข้อมูลได้หลากหลายแหล่งข้อมูล (Data Sources) เช่น Microsoft Excel, Access, Sybase ฯลฯ โดยผู้ใช้งานสามารถนำข้อมูลเหล่านี้มาทำการวิเคราะห์และแสดงผลได้ตามต้องการอย่างมีประสิทธิภาพ

SAS

SAS ย่อมาจาก Statistical Analysis System คือ โปรแกรมสำเร็จรูปขนาดใหญ่ สำหรับวิเคราะห์ข้อมูลทางสถิติที่มีประสิทธิภาพ มีความสามารถหลายด้าน เช่น การวิเคราะห์ความแปรปรวน (Analysis Of Variance) ของข้อมูลที่ได้จากแผนการทดลองต่าง ๆ ข้อดีคือ สามารถวิเคราะห์ข้อมูลทางสถิติได้แม่นยำ ใช้งานง่าย
ไม่มีพื้นฐานด้านเขียนโปรแกรมก็สามารถใช้ได้ นอกจากนี้ ยังค้นหาความผิดพลาดในการป้อนข้อมูล
และรายงานผลข้อมูลที่ผิดพลาดพร้อมบอกหมายเลขค่าสังเกตได้อีกด้วย

Apache Spark

Apache Spark คือ เครื่องมือในการใช้สำหรับการประมวลผลข้อมูล (Process Big Data) เช่น การกรอง
การเรียงลำดับ การทำความสะอาด การตรวจสอบความถูกต้อง เป็นต้น โดยมีรูปแบบการทำงานแบบกระจายงานไปยังเครื่องต่าง ๆ (Cluster Computing Platform) แถมใช้งานง่าย และยังเป็นแพลตฟอร์มที่เป็น Open Source ใช้งานได้หลากหลายภาษาและหลากหลายรูปแบบฐานข้อมูล จึงเหมาะกับการทำงานแบบกลุ่มโดยเฉพาะ

Microsoft Excel

Microsoft Excel คือ โปรแกรมหนึ่งในชุด Microsoft Office ที่มักนำมาใช้ในด้านการวิเคราะห์ คำนวณ และการจัดการข้อมูลในรูปแบบตารางที่เรียกว่า Spreadsheets หรือจะนำข้อมูลดิบมาแสดงผลในรูปแบบที่ทำให้เข้าใจข้อมูลนั้นลึกซึ้งมากยิ่งขึ้น เช่น สร้างกราฟ หรือตารางสรุปที่เรียกว่า PivotTable ก็ได้เช่นกัน

คำถามที่พบบ่อย

1. เครื่องมือที่ใช้ในการวิเคราะห์ข้อมูลมีอะไรบ้าง

สำหรับเครื่องมือที่ใช้ในการวิเคราะห์ข้อมูล (Data Management Tools) จะมีอยู่ด้วยกันหลายประเภท ขึ้นอยู่กับระบบของอุตสาหกรรมที่นำไปใช้ เช่น

• เครื่องมือวิเคราะห์ข้อมูลสำหรับธุรกิจ หรือ Business Intelligence: BI คือ เทคโนโลยีที่มีความสามารถในการแปลงข้อมูลปกติให้เป็นข้อมูลเชิงลึกที่ช่วยให้ธุรกิจเข้าใจองค์กร สินค้า/บริการ ลูกค้า และช่วยวางแผนกลยุทธ์การตลาด เช่น การวางกลยุทธ์ 4P คืออะไร ต้องทำแบบไหน, ควรทำการตลาดในรูปแบบใดจึงจะเข้าถึงกลุ่มเป้าหมายได้ดีขึ้น 
• เครื่องมือวิเคราะห์ข้อมูลสำหรับบริหารจัดการความสัมพันธ์ลูกค้า หรือ Customer Relationship Management : CRM คือ เครื่องมือที่ช่วยจัดการและวิเคราะห์ข้อมูลลูกค้าเพื่อให้ธุรกิจสามารถเข้าใจลูกค้าและสร้างความพึงพอใจให้กับลูกค้าได้ดีมากขึ้น

2. อาชีพที่เกี่ยวข้องกับสายงานนี้คืออะไรบ้าง

หลายคนอาจจะสงสัยว่า Data Analysis คืองานอะไร หรือสายงาน Data Analytic จะเกี่ยวข้องกับสายอาชีพใดได้บ้าง ต้องบอกก่อนเลยว่า Data Analytic หรือ Big Data Analysis คือ นักวิเคราะห์ข้อมูล ที่นำข้อมูลของลูกค้ามาวิเคราะห์ให้เกิดประโยชน์ เช่น การนำข้อมูลมาเพื่อหาข้อมูลธุรกิจเชิงลึก (Business Insight), การวิเคราะห์ข้อมูลเพื่อวางแผนกลยุทธ์ (Strategy) ทางการตลาด ฯลฯ แน่นอนว่า ก็ต้องเกี่ยวข้องกับงานในด้าน Marketing, Sale หรือในฝั่งของการทำ Business หรือ Product ต่าง ๆ เป็นหลัก 

นอกจากนี้อาชีพ Data Analytic ยังเป็นส่วนหนึ่งของการพัฒนาวงการ MarTech ซึ่งเป็นการทำการตลาดในรูปแบบใหม่ด้วยการนำเทคโนโลยีมาเป็นส่วนสำคัญในการทำการตลาด แน่นอนว่า ก็ต้องมีเรื่องของการวิเคราะห์ข้อมูลหรือใช้บุคลากรด้าน Data Analytics เข้าไปเกี่ยวข้องอย่างแน่นอน

สรุปเรื่อง Data Analytic

การทำ Data Analytics เป็นส่วนสำคัญอย่างยิ่งสำหรับการทำธุรกิจในปัจจุบันและอนาคต เพราะข้อมูลคือสินทรัพย์ที่มีค่ามาก ดังนั้น จึงจำเป็นที่จะะต้องทำการวิเคราะห์และหาความเชื่อมโยงของข้อมูลด้วยเครื่องมือที่ทันสมัยและใช้หลักการวิเคราะห์ที่ถูกต้อง จึงจะช่วยให้ได้ข้อมูลที่มีประโยชน์และสามารถสร้างผลได้เปรียบทางการตลาดได้อย่างแท้จริง

เอกสารอ้างอิง

[1] ดร. เยาวลักษณ์ ชาติบัญชาชัย และ โสภณ เพิ่มศิริวัลลภ. (ม.ป.ป.). [ออนไลน์]. คำถามที่พบบ่อย (FAQ) เกี่ยวกับ Big data และ Data analytics Frequently Asked Questions – Data analytics  

[2] Sahiti Kappagantula. (2022). Top 10 Data Analytics Tools You Need To Know In 2022. [Online]. retrieve from

ข้อใดคือความหมายของ Descriptive Analytics

Prescriptive Analytic คืออะไร และมีจุดประสงค์อย่างไร

Data Analytics คืออะไร มีความสําคัญอย่างไร

Predictive Analytics มีอะไรบ้าง