Diagnostic Analytics คืออะไร

บทความวันนี้เราจะมาทำเข้าใจความหมายของและประเภทของ Data Analytics กันครับ..

Data Analytics

Data Analytics เนี่ยคือการนำข้อมูลจากหลายๆ Source มาประมวลผลวิเคราะห์ด้วยคณิตศาสตร์และสถิติ เพื่อให้ได้ insight ช่วยให้เราตัดสินใจและ Action อะไรบางอย่างเพื่อให้ปรับปรุงกระบวนการทำงาน การตลาด การออกแบบสินค้า เพื่อให้ได้ผลการทำธุรกิจที่ดีขึ้น

สาเหตุที่ Data Analytics เป็นส่วนที่สำคัญในการทำธุรกิจในปัจจุบัน คือ การเพิ่มปริมาณของข้อมูลอย่างมหาศาล จากการเปลี่ยนพฤติกรรมของผู้บริโภคที่เปลี่ยนมาใช้งานออนไลน์มากขึ้น ซึ่งทำให้เกิดข้อมูลประเภท Unstructured data ที่ไม่ได้มีการจัดเก็บเป็นรูปแบบชัดเจน ประกอบกับการพัฒนาของเทคโนโลยี และราคาของ Analytics Solution ที่สามารถจับต้องได้มากขึ้น ไม่ว่าจะเป็น Big Data, Business Intelligence เหล่านี้มาประกอบกัน ทำให้หลายธุรกิจตื่นตัว และนำ Data ไปใช้ในการบริหารจัดการภายในองค์กรมากขึ้น

โดย Data Analytics นั้นจะแบ่งเป็น 5 ระดับครับได้แก่ Descriptive, Diagnostic, Predictive, Prescriptive, Cognitive & AI

Descriptive Analytic

Descriptive จะเป็นการวิเคราะห์ข้อมูลเพื่อตอบคำถามที่ว่า ที่ผ่านมาเกิดอะไรขึ้นบ้าง? เราจะคุ้นเคยกับ Analytics ประเภทนี้ค่อนข้างมาก เป็นการทำ Report เช่น การทำรายงานกำไรขาดทุน รายงานด้านบัญชี เพื่อบอกเราว่ามีอะไรเกิดขึ้นบ้าง?

Diagnostic Analytic

Diagnostic เป็นการหาเหตุผลว่าไอ้ที่มันเกิดขึ้นแบบนี้เพราะอะไร? (Tell me why it happened) ที่กำไรของเราดีขึ้นเนี่ยเป็นเพราะอะไร? เพราะลูกค้าเพิ่มขึ้น หรือว่าเป็นเพราะเราลดต้นทุน? ก็เริ่มมีการนำ Business Intelligence เข้ามาใช้งาน เริ่มใช้ Interactive Dashboard สามารถ Drill-down เพื่อให้มีมุมมองของข้อมูลได้หลากหลายมากขึ้น

Predictive Analytic

Predictive เนี่ยจะเป็นการพยากรณ์ครับ อะไรจะเกิดขึ้นในอนาคตและบอกเหตุผลมาประกอบได้ (Tell me what is likely to happen and Why ?) เช่น การ Predict ว่าลูกค้าจะซื้อสินค้าอะไรเป็นชิ้นต่อไปจากการซื้อสินค้าในอดีตที่ผ่านมา หรือที่เราเรียกว่า Recommendation System

Prescriptive Analytic

Prescriptive เป็นการวิเคราะห์ข้อมูลที่ไม่ใช่แค่พยากรณ์ว่าจะเกิดอะไรขึ้น แต่จะช่วยบอกเราว่า เราควรทำอะไรดี (Tell me what should I do?) โดยจะบอกด้วยว่าผลลัพธ์ของแต่ละสิ่งที่แนะนำมานั้นมันเป็นอย่างไร ตัวอย่างการใช้งานใน Level นี้คือการใช้ Google Map ในการนำทางนั่นเองครับ ที่เค้าจะบอกเส้นทางที่สามารถไปถึงจุดหมาย และบอกด้วยว่าเราจะใช้เวลาในการเดินทางในแต่ละตัวเลือกใช้เวลาเท่าไหร่

Cognitive & AI

Cognitive & Artificial Intelligence เป็นการนำ AI เทคโนโลยีมาช่วยเพื่อให้วิเคราะห์และบอกเราได้ว่า เราควรจะทำอะไร สาเหตุ และวิธีการทำ เป็นขั้นสูงสุดของ Analytics Maturity ในปัจจุบัน ตัวอย่างการใช้งานคือการวิเคราะห์ข้อมูลเพื่อการสร้าง Self-driving car หรือรถยนต์ไร้คนขับ รวมไปจนถึง Apple Siri, Google Assistant ที่เป็น Companion App ของเรานั่นเองครับ

จาก Analytics Maturity จะเห็นได้ว่า ยิ่งเรานำ Data Analytics ไปพัฒนาใช้ในแต่ละ Level มูลค่าของธุรกิจหรือ Business Value จะยิ่งเพิ่มสูงมากยิ่งขึ้น ตอนนี้เราเข้าใจถึงประเภทของ Data Analytics แล้ว ลำดับต่อไปคือการนำไปประยุกต์ใช้ในแต่ละขั้นตอนของการทำธุรกิจเพื่อให้เกิด Impact และเพิ่มมูลค่าให้กับธุรกิจต่อไป

ชอบกด Like ใช่กด Share แย่ติชมด้วยนะครับ

บทความนี้จะพูดถึงเรื่อง 4 Types of Data Analytics หรือ 4 ประเภทหรือ 4 ขั้นตอนการทำ Data Analytics ด้วยภาษานักการตลาดตามแบบฉบับการตลาดวันละตอนที่อยากให้เพื่อนๆ นักการตลาด ผู้บริหาร หรือเจ้าของธุรกิจได้พอเข้าใจแนวทางและวิธีการเพื่อจะได้เอาไปคุยกับทีมที่ทำด้าน Data ได้อย่างเข้าใจว่าสรุปแล้วที่ตัวเองต้องการคืออะไร หรือสิ่งที่ทีม Data กำลังทำอยู่คือแบบไหน เพราะสิ่งสำคัญในการทำงานกับ Data คือความเข้าใจกันระหว่างทีม Business & Marketing กับทีม Data ครับ

Data Analytics คืออะไร?

การทำ Data Analytics คือการเอาข้อมูลต่างๆ ที่ไม่ได้มีแค่การวิเคราะห์หรือสรุปออกมาเป็นรายงานที่พร้อมอ่าน เพราะนั่นเป็นแค่ขั้นตอนสุดท้ายของการทำ Data Analytics แล้วเท่านั้น ก็เหมือนกับการที่คุณเข้าไปร้านอาหารแล้วสั่งข้าวผัดกะเพรามาหนึ่งจานแล้วสรุปคิดเอาเองว่าการทำอาหารคือแค่สั่งออกไปก็ได้มากินแล้ว แต่ในความเป็นจริงการทำ Data Analytics ยังมีขั้นตอนอีกมากมายที่เริ่มตั้งแต่การจัดการกับ Data ที่มีให้พร้อมใช้งาน การเอา Data จากช่องทางต่างๆ ที่ได้มารวมไว้พร้อมกันในที่เดียว แล้วยังมีการทำ Model ต่างๆ การทำ Data Visualization หรือทำ Data ออกมาให้เป็นภาพ ก่อนจะค่อยออกมาเป็นข้อสรุปในตอนท้ายว่าตกลงแล้วเรารู้อะไรใหม่จากการทำ Data Analytics บ้าง

และขั้นตอนการทำ Data Analytics ก็แบ่งออกได้เป็น 4 ขั้นตอนหรือ 4 ประเภทที่ผมเรียนรู้ด้วยตัวเองจากการประยุกต์ใช้แผนภาพนี้ ซึ่งในวันนี้อยากจะขอเอามาแชร์จากประสบการณ์ตรงด้วยการครูลักพักจำคลำๆ ด้วยตัวเองมาพักนึงให้เพื่อนๆ นักการตลาด นักธุรกิจ หรือเจ้าของกิจการได้พอเข้าใจวิธีการ แนวทาง แล้วเอาไปต่อยอดในแบบของตัวเองกันครับ

4 Types of Data Analytics เข้าใจอดีตจาก Data เพื่อนำไปสู่การทำนายอนาคต

4 Types of Data Analytics ประกอบด้วย 4 หัวข้อขั้นตอนหลักดังนี้

1. Descriptive Analytics วิเคราะห์ให้รู้ว่าเกิดอะไรขึ้น
2. Diagnostic Analytics วิเคราะห์ต่อให้รู้ว่าสิ่งนั้นเกิดขึ้นเพราะอะไร
3. Predictive Analytics แล้วอีกหน่อยจะเกิดอะไรขึ้นได้อีกบ้าง
4. Prescriptive Analytics ถ้าเราทำแบบนี้แล้วจะเกิดอะไรขึ้นได้บ้าง

โดยข้อ 1 กับ 2 จะเป็นการวิเคราะห์ Data เพื่อให้เข้าใจปัจจุบันหรือรู้อดีต ส่วนข้อ 3 กับ 4 จะเป็นการทำเพื่อให้คาดการณ์อนาคตโดยอาจจะเอาผลลัพธ์จากข้อ 1 กับ 2 มาต่อยอดก็ได้ครับ เรามาลองดูตัวอย่างการทำ Data Analytics ทั้ง 4 ขั้นตอนในแบบฉบับนักการตลาดกัน

1. Descriptive Analytics > What happened?

ในขั้นตอนนี้คือการวิเคราะห์ข้อมูลเพื่อให้เข้าใจว่าบริษัทหรือตลาดกำลังเกิดอะไรขึ้นบ้าง ถ้าพูดในแง่ของการตลาดก็คือการเอาข้อมูลหรือรายงานมากางดูซิว่ายอดขายสินค้าในเดือนนี้เป็นอย่างไรเมื่อเทียบกับเดือนก่อน ถ้าเดือนนี้ยอดขายตกลงกว่าทุกเดือนเราก็จะได้รู้ว่าต้องรีบแก้ไขก่อนจะจบเดือน แต่ถ้าเราพบว่าอยู่ดีๆ ยอดขายก็เพิ่มขึ้นผิดปกติเราก็จะได้รีบเข้ามาศึกษาเรียนรู้ว่าที่มันผิดปกติเพราะอะไร

ขั้นตอนนี้โดยหลักๆ แล้วคือการวิเคราะห์เพื่อหา Signal บางอย่างที่ผิดปกติจากช่วงก่อนหน้า หรืออาจจะเทียบกับช่วงปีก่อนหน้า หรืออาจจะเทียบจากลูกค้ากลุ่มต่างๆ หรือสาขาต่างๆ ช่องทางต่างๆ ที่แบรนด์มีก็ได้ เช่น ร้านฟาสต์ฟู้ดแบรนด์หนึ่งพบว่าสินค้าประเภทนี้ขายดีมากบนช่องทางนี้ช่องทางเดียว ทั้งที่ปกติไม่เคยขายดีเลย ทำให้ทีมการตลาดรู้ว่าพวกเขาควรจะทำอะไรต่อไม่ใช่ก้มหน้าก้มตาทำงานต่อไปโดยไม่รู้ว่าเกิดอะไรขึ้นบ้าง

จากประสบการณ์ของผมคือตอนผมทำให้สินค้ายาย้อมผมยี่ห้อหนึ่ง ตอนนั้นผมวิเคราะห์ข้อมูลการค้นหาตลอดระยะเวลา 1 ปีแล้วพบว่ามีช่วงหนึ่งของปีที่ผู้คนให้ความสนใจยาย้อมผมมากเป็นพิเศษ เรียกได้ว่าตลอดทั้งปีมีกราฟ Spike พุ่งสูงเป็น Signal แค่เพียงช่วงเดียวเท่านั้น แถมที่ทำคัญจากกราฟที่ค่อยๆ เพิ่มขึ้นก็กลายเป็นปักหัวดิ่งเหวกลับมาเท่าเดิมตลอดทั้งปี และการวิเคราะห์เพื่อให้เข้าใจว่าเกิดอะไรขึ้นในครั้งนั้นก็ทำให้ผมตั้งคำถามเพื่อตามรอย Data ต่อไปว่า “ทำไมคนถึงค้นหายาย้อมผมสูงมากในช่วงเดือนมีนาคมแล้วมาหายวับไปทันทีในช่วงกลางเดือนเมษายนนะ?”

และนั่นก็เลยเข้าสู่ขั้นตอนที่สองของการทำ Data Analytics นั่นก็คือหาคำตอบให้กับสิ่งที่เกิดขึ้นด้วยคำถามว่า “ทำไม?”

2. Diagnostic Analytics > Why did it happen?

ในขั้นนี้คือการหาคำตอบจากสิ่งที่เห็นจากขั้นตอนที่ 1 ว่ามันเกิดขึ้นเพราะอะไร? ทำไมมันถึงเกิดขึ้น? ในขั้นตอนนี้ต้องใช้ความ Creativity นิดนึง ในฐานะที่ผมเคยเป็น Strategy ที่ถนัดในการตั้งคำถามและก็พยายามค้นหาคำตอบให้ได้ จาก Data ที่ได้มาตรงหน้าผมเลยใช้วิธีลงไปสัมภาษณ์ถามผู้คนว่าทำไม เพราะผมไม่รู้ว่าทำไมคนถึงสนใจการย้อมผมในช่วงเดือนมีนาคมและเมษายนมากเป็นพิเศษขนาดนี้ ผมทำทั้งการตั้งคำถามบนออนไลน์เพื่อขอความเห็นที่น่าสนใจ บวกกับการเดินสัมภาษณ์ทุกคนที่เจอในตอนนั้นว่า “ทำไม ทำไม และ ทำไม?”

จนผมได้ค้นพบคำตอบที่เป็น Pattern จนน่าจะเป็นข้อสรุปที่เป็นเหตุเป็นผลที่ดีได้ ผู้ชายไม่ค่อยรู้ว่าทำไม ส่วนผู้หญิงและเพศทางเลือกให้คำตอบที่น่าสนใจว่า “ก็นั่นมันช่วงสงกรานต์ไงพี่ ใครๆ เค้าก็ย้อมผมไปเล่นน้ำกันทั้งนั้นแหละ”

คำตอบนี้ทำให้ผมถึงกับ Enlighten เพราะตัวผมที่เป็นผู้ชายไม่เคยรู้มาก่อนเลยว่าคนอื่นเค้าย้อมผมเพื่อไปเล่นน้ำสงกรานต์กัน จากประสบการณ์ผู้ชายอายุเลข 3 อย่างผมการย้อมผมมี Purpose เดียวคือย้อมกลบผมหงอกนั่นเองครับ พอผมรู้คำตอบแล้วว่าทำไมคนถึงสนใจเรื่องการย้อมผมในช่วงสงกรานต์มากเป็นพิเศษ แล้วเมื่อนำข้อมูลนี้มา Cross check กับลูกค้าก็พบว่ายอดขายในช่วงนี้ก็มากที่สุดของปีด้วย

ตอนนั้นผมนำกราฟข้อมูลลูกค้ามาเปรียบเทียบกับข้อมูลการค้นหาของคนไทย พบว่าเส้นกราฟทั้งสองมีความสัมพันธ์อย่างไม่น่าเชื่อ ดังนั้นผมเลยได้ข้อสรุปจากขั้นตอนที่ 2 นี้ว่า คนนิยมย้อมมช่วงสงกรานต์ครับ

และนั่นก็ทำให้ผมเข้าสู่ขั้นตอนที่ 3 ของการทำ Data Analytics นั่นก็คือผมตั้งคำถามต่อว่า “แล้วสิ่งนี้มันเกิดขึ้นเป็นประจำทุกปีมั้ย? หรือมันเป็นแค่ปีนี้ปีเดียว?”

3. Predictive Analytics > What will happen?

มีคนบอกว่ายิ่งเรารู้อดีตมากเท่าไหร่ เราก็จะยิ่งคาดการณ์อนาคตได้มากเท่านั้น และคำพูดนี้ก็สามารถเอามาประยุกต์ใช้กับการทำ Data Analytics ได้เช่นเดียวกันครับ ซึ่งในขั้นนี้จะเป็นการวิเคราะห์ข้อมูลเพื่อคาดการณ์ถึงสิ่งที่น่าจะเกิดขึ้นในอนาคต โดยดูจากสิ่งที่เคยเกิดขึ้นจากอดีต ซึ่งตามเทคนิคแล้วจะต้องมีการใช้โมเดลต่างๆ มาช่วยในการ Predict บวกกับข้อมูลต่างๆ มากมายจากหลายแหล่ง แต่ผมเลือกที่จะเล่าผ่านการใช้เครื่องมือง่ายๆ ลดศัพท์เทคนิคขั้นตอนให้นักการตลาดได้เข้าใจแนวทางการทำงานกับ Data แทนนะครับ

จากข้อ 2 ที่ผมพบแล้วว่าผู้คนย้อมผมกันช่วงสงกรานต์ ทำให้ผมเกิดคำถามว่าแล้วมันเป็นแบบนี้ทุกสงกรานต์ที่ผ่านมามั้ย หรือเป็นแค่ปีนั้นปีเดียว ผมสมมติว่า Model ผมคือกราฟยอดขายสัมพันธ์กับกราฟการค้นหา ดังนั้นถ้าผมสามารถค้นหาย้อนหลังได้สัก 5 ปีเป็นอย่างน้อยแล้วพบว่าสิ่งนี้เกิดขึ้นเป็นประจำ ผมก็สามารถตั้งสมมติฐานได้ว่าทุกช่วงสงกรานต์คนต้องอยากย้อมผมมากเป็นพิเศษแน่นอนครับ

แล้วเมื่อผมเทียบข้อมูลการค้นหาการย้อมผมของคนไทยย้อนหลังปีต่อปีเทียบกัน 5-10 ปีก็พบแนวโน้มแบบเดียวกันมาตลอดไม่มีผิดเพี้ยน ดังนั้นผมเลยได้ข้อสรุปได้เลยว่า ถ้าปีหน้าสงกรานต์ไม่ยกเลิกด้วยเหตุผลใด ผู้คนก็จะแห่กันให้ความสนใจที่จะย้อมผมเพื่อออกเที่ยวสงกรานต์แน่นอน

ซึ่งในความเป็นจริงแล้วขั้นตอนนี้สำหรับบริษัทใหญ่ๆ จะมีการออกแบบโมเดลเฉพาะขึ้นมาตามโจทย์ทางธุรกิจ อย่างเช่นที่ธนาคารกรุงศรีออกแบบ model เพื่อหาวิธีหรือช่วงเวลาที่จะโทรทวงหนี้ให้ดีที่สุดจนได้โมเดลออกมาเป็น ความยากง่ายในการโทรติด ความยากง่ายในการพูดคุย และความยากง่ายในการจ่ายเงิน โมเดลนั้นทำให้กรุงศรีรู้ว่าบางคนที่ไม่ได้จ่ายเดือนนี้อาจไม่จำเป็นต้องโทรทวงก็ได้ เพราะที่ผ่านมาเค้าจ่ายตรงเวลาตลอด หรืออาจจะควรโทรไปถามว่าลืมหรือเปล่า (เหมือนที่ผมเคยลืมจ่ายค่าบ้านเดือนนึงแล้วธนาคารโทรมาตาม ตกใจมากตอนนั้นเพราะดันใส่เงินเข้าบัญชีไม่ครบจนมันไม่ตัดเงินไป)

และตอนนี้เมื่อเรารู้แล้วว่าปีหน้าจะเกิดเรื่องนี้ขึ้นอีกครั้งด้วยปัจจัยนี้ ตอนนี้ก็ถึงเวลาตั้งคำถามอีกครั้งว่าถ้าเราทำบางอย่างกับเงื่อนไขบางอย่างที่มีความคล้ายคลึงกัน เราจะสามารถทำให้มันเกิดขึ้นได้มั้ย

4. Prescriptive Analytics > How can we make it happen?

ในขั้นตอนสุดท้ายของการทำ Data Analytics นี้คือการพยายามกระตุ้นโอกาสให้เกิดมากที่สุดหลังจากที่เราได้รู้คำตอบของทั้งหมดที่เกิดขึ้นแล้ว ทำเพื่อหาว่าอะไรคือ Next Best Action ที่เราทำน้อยแต่จะได้มาก ไม่ต้องทุ่มงบการตลาดหรือส่วนลดมากแต่ก็สามารถทำให้ลูกค้าซื้อเรามากขึ้นได้

ในความเป็นจริงแล้วขั้นตอนนี้จะต้องใช้ข้อมูลมากมายจากหลากหลายช่องทางเข้ามาหรือที่เรียกว่า Big Data บวกกับการใช้ Machine learning เพราะข้อมูลจะมีความซับซ้อนมากเกินไปจนเกินกว่าที่เราจะเข้าใจมันได้ทัน รวมถึงการใช้ AI เพื่อ Action จาก Insight ที่ได้ให้เร็วที่สุด เพราะถ้ายังมามัวรอมนุษย์ตัดสินใจก็คงไม่ทันกินทันแกงสำหรับองค์กรใหญ่ๆ ทั้งหลาย

แต่ทั้งนี้ทั้งนั้นก็ขึ้นอยู่กับขนาดขององค์กรด้วเช่นกัน เพราะถ้าคุณเป็นองค์กรใหญ่ที่มีลูกค้าเป็นล้านๆ คุณควรใช้ระบบเหล่านี้ในการบริหารจัดการลูกค้า ใช้ในการทำการตลาด และใช้ในการต่อยอดธุรกิจ แต่ถ้าคุณเป็นธุรกิจขนาดเล็กลงมาหน่อยที่มีลูกค้าไม่เยอะมาก และยอดขายไม่ได้มากมายก็อาจไม่จำเป็นต้องลงทุนขนาดนั้น

ตัวอย่างที่ผมเอาหลักแนวคิดในขั้นตอนที่ 4 ไปประยุกต์ใช้กับงานยาย้อมผมตอนนั้นคือ ผมตั้งคำถามลึกลงไปว่า “สงกรานต์มีปัจจัยอะไรในตัวมันเองที่ทำให้คนอยากย้อมผมได้มากขนาดนั้น?” พอสังเกตดูที่เส้นกราฟก็เห็นว่ามีบางช่วงของปีที่ตัวกราฟมีการ spike เล็กๆ เป็น Signal หน่อยๆ ให้พอสังเกตเห็นได้ว่าในช่วงปลายปีคนก็สนใจเรื่องการย้อมผมเพิ่มขึ้นกว่าปกติเช่นกัน

แล้วนั้นก็ทำให้ผมได้ข้อสรุปว่าสิ่งที่ทำให้คนอยากย้อมผมคือช่วงวันหยุดยาว หยุดยาวที่ทำให้คนได้มีเวลาเตรียมตัวออกไปเที่ยว พอคนได้มีเวลาเตรียมตัวออกไปเที่ยวนั่นก็เลยเป็นเหตุเป็นผลให้เขาหาทางเปลี่ยนลุคของตัวเองให้ดูดีขึ้นกว่าปกติ และการย้อมผมก็เป็นหนึ่งในตัวเลือกของคนช่วงหยุดยาวนั่นเอง

ดังนั้นสิ่งที่ผมทำต่อคือเสนอให้ทำโปรโมชั่นพิเศษล่วงหน้าก่อนช่วงวันหยุดหยาว ทำการตลาดออกไปเพื่อกระตุ้นให้รู้ว่าหยุดยาวนี้เตรียมผมสีใหม่ก่อนออกไปเที่ยวแล้วหรือยัง ไม่ว่าจะไปภูเขา ไปทะเล หรือแม้แต่ไปตระเวนคาเฟ่ปลายนา การมีสีผมเก๋ๆ ที่ไม่เหมือนใครก็เป็นเสมือนอีกหนึ่งชุดใหม่ที่ทำให้คุณถ่ายรูปลง Instagram ได้สวยเด่นกว่าใครครับ

สรุป 4 Types of Data Analytics ด้วยภาษานักการตลาด

สิ่งสำคัญที่นักการตลาดต้องรู้ต้องเข้าใจไม่ใช่เรื่อง Coding แต่ถ้ารู้ก็จะดี แต่เป็นการเข้าใจแนวคิดและวิธีการเพื่อที่จะได้สื่อสารกับทีม Data ภายในหรือ Supplier ภายนอกให้เข้าใจได้ตรงกัน เพราะในความเป็นจริงแล้วการทำงานกับ Data ไม่ได้ง่ายและสำเร็จรูปแบบมาม่านะครับ เพราะกว่าจะหา Data มาได้แล้วยังต้องใช้เวลามากมายไปกับการเตรียม Data ให้พร้อมวิเคราะห์อีก ดังนั้นการวิเคราะห์หรือการทำ Data Analytics จึงเป็นแค่ขั้นตอนหนึ่งของการทำงานกับ Data ทั้งหมด เพราะกว่าจะออกมาเป็น BI หรือ Dashboard สวยงามให้เราใช้งานง่ายนั้นก็เหมือนกับกว่าจะออกมาเป็นข้าวผัดหนึ่งจานต้องมีการปลูกข้าว สีข้าว บรรจุกระสอบ ส่งเข้ามาขาย ไปซื้อมาหุง แล้วก็ถึงจะคดข้าวออกมาผัดกับอะไรมากมายให้คุณพร้อมกินเป็นข้าวผัดหนึ่งจานครับ

สุดท้ายนี้แม้การทำงานกับ Data ไม่ใช่เรื่องง่ายอย่างที่คิด แต่ถ้าคุณไม่ทำงานกับ Data อย่างจริงจังให้ถูกต้องเสียทีรับรองว่าอนาคตคุณจะยากกว่าที่คิดครับ

ปล. บทความนี้ไม่มี Link Source เพราะเขียนมาจากความรู้ความเข้าใจส่วนตัว และก็จากประสบการณ์ที่ลองผิดลองถูก ลองไปเรื่อยของตัวเองครับ

Prescriptive Analytic มีจุดประสงค์อะไร

ข้อใดเป็นรูปแบบการวิเคราะห์ข้อมูลแบบ Predictive

Types of Data Analytics 4 ชนิด มีอะไรบ้าง

Descriptive Analytics หมายถึงอะไร