การวิเคราะห์ข้อมูลคืออะไร? พร้อมเทคนิคการวิเคราะห์ที่คุณควรรู้

ข้อมูล (data) มีความสำคัญกับการทำธุรกิจ และการดำเนินงานในปัจจุบันเป็นอย่างมาก การใช้ข้อมูลทำให้เกิดความได้เปรียบต่างๆ ไม่ว่าจะเป็นการช่วยให้ตัดสินใจได้ดียิ่งขึ้น เข้าใจสถานการณ์ ช่วยคาดการณ์อนาคต มองเห็นแนวโน้มและโอกาสต่างๆ 

แต่ก่อนที่เราจะเข้าใจและนำข้อมูลมาใช้ได้ ก็ต้องผ่านกระบวนการของ “การวิเคราะห์ข้อมูล” หรือ “Data Analysis” มาก่อน เพื่อถอดรหัสและมองหาความสัมพันธ์ให้ได้คำตอบที่ต้องการ 

ในบทความนี้เรามาทำความรู้จักกับ การวิเคราะห์ข้อมูลแบบเจาะลึก รวมทั้งตัวอย่างและการนำไปประยุกต์ใช้ในระดับองค์กร เพื่อการใช้ประโยชน์จากข้อมูลได้อย่างเต็มที่

การวิเคราะห์ข้อมูล (Data Analysis) คืออะไร

การวิเคราะห์ข้อมูล (Data Analysis) คือ กระบวนการนำข้อมูลมาเรียบเรียง จัดกลุ่ม/แยกประเภทชุดข้อมูล หาความสัมพันธ์ของชุดข้อมูลแต่ละชุดในรูปแบบต่างๆ เพื่อหาความหมาย หรือคำตอบตามเป้าหมาย หรือวัตถุประสงค์ต่างๆ 

จนได้ออกมาเป็น “ข้อมูลเชิงลึก” (insight) หรือ “ข้อสรุป” (conclusion) ที่ช่วยให้เข้าใจสถานการณ์ หาสาเหตุ ช่วยสนับสนุนการตัดสินใจ ฯลฯ ได้

ในปัจจุบัน การวิเคราะห์ข้อมูลถือเป็นสิ่งที่ช่วยให้องค์กร หรือในอุตสาหกรรมสามารถสร้างความได้เปรียบได้ โดยเฉพาะในแง่มุมของธุรกิจและการตลาด 

ทำให้การวิเคราะห์ข้อมูลมีบทบาทอย่างยิ่งจนเกิดเป็น “วิทยาศาสตร์ข้อมูล” หรือ “Data Science” และการใช้ “ข้อมูลมหัต” หรือ “Big Data” เพื่อให้ธุรกิจและองค์กรได้องค์ความรู้มาใช้ในการดำเนินธุรกิจและขับเคลื่อนองค์กร

ประโยชน์และความสำคัญของการวิเคราะห์ข้อมูล

1. เข้าใจข้อมูลและสถานการณ์

ข้อมูลดิบ (raw data) เป็นข้อมูลที่ยังไม่ได้มีการนำมาจัดการ ตีความ หรือหาความหมายอะไร จึงยังไม่สามารถใช้ประโยชน์ได้ ภายหลังการนำข้อมูลมาวิเคราะห์ เราจะมองเห็นความสัมพันธ์ของข้อมูลกับข้อมูลชุดต่างๆ หรือข้อมูลกับบริบท 

ยกตัวอย่างเช่น รู้ว่ายอดขายเดือนนี้กับเดือนที่แล้ว เดือนไหนทำได้มากกว่ากัน รู้ว่าสินค้าใดขายดี รู้ว่าใครเป็นลูกค้า/กลุ่มลูกค้าของเรามีใครบ้าง เมื่อรู้สถานการณ์แล้ว เราก็สามารถนำมาคิดและตัดสินใจต่อได้ว่า ควรจะทำอะไรต่อไป ปรับปรุงหรือพัฒนาสิ่งไหน  

2. รู้จักกลุ่มเป้าหมายดียิ่งขึ้น

การมีข้อมูลและการวิเคราะห์ข้อมูล ช่วยให้ธุรกิจหรือองค์กรสามารถติดตาม และทำสถิติข้อมูลด้านต่างๆ เกี่ยวกับลูกค้าได้ ไม่ว่าจะเป็นสินค้าที่ซื้อบ่อย ข้อมูลพื้นฐานสำหรับการจัดกลุ่มลูกค้า (segmentation) หรือข้อมูลจาก Third-party platform 

เช่น โซเชียลมีเดียต่าง ๆ หรือ Google ช่วยให้ธุรกิจ/องค์กร รู้พฤติกรรมและความต้องการของลูกค้าได้ดีขึ้น ก็สามารถนำมาใช้วางแผนการตลาด การตั้งราคา การออกผลิตภัณฑ์ใหม่หรือปรับปรุงผลิตภัณฑ์ ตลอดจนขยายตลาดหรือหาลูกค้าใหม่ๆ ได้

3. ลดค่าใช้จ่ายในการดำเนินงาน

การวิเคราะห์ข้อมูลช่วยให้องค์กรสามารถดำเนินงานได้อย่างลื่นไหลและมีประสิทธิภาพมากขึ้น เพราะช่วยให้สามารถตัดสินใจเฉียบขาดและตรงจุด ลดการกระทำและการใช้งบที่ไม่จำเป็นลงได้ รู้ว่าอะไรที่สำคัญ อะไรที่จำเป็นหรือไม่จำเป็น หรืออะไรส่งผลกับผลลัพธ์สุดท้ายมากหรือน้อย ทำอะไรแล้วได้ผลมาก ทำอะไรแล้วไม่ค่อยได้ผล 

ยกตัวอย่างเช่น การทำแคมเปญการตลาด งบประมาณที่ลงทุนกับช่องทางหนึ่งอาจให้ผลลัพธ์ดีกว่า แต่อีกช่องทางไม่ค่อยได้ผล ธุรกิจ/องค์กรก็อาจจะลดงบประมาณหรือโยกงบมาทำในช่องทางที่ได้ผลมากกว่า 

หรืออีกตัวอย่างเช่น โรงงานผลิต มีข้อมูลการใช้วัตถุดิบและข้อมูลคลังสินค้าจาก ERP: Enterprise Resource Planning ก็สามารถนำมาคำนวณ EOQ (Economic Order Quantity) หรือปริมาณการสั่งซื้อที่เหมาะสมเพื่อลดปัญหาต้นทุนจม สั่งซื้อวัตถุดิบหรือสินค้ามากักตุน เป็นต้น 

4. เข้าใจสาเหตุของปัญหาและช่วยแก้ปัญหา

เมื่อมีข้อมูล ไม่ว่าสถานการณ์ที่เป็นอยู่จะเป็นปัญหาหรือไม่ องค์กรสามารถนำมาวิเคราะห์เพื่อหาปัจจัยและต้นเหตุของสิ่งต่างๆ ได้จาก ข้อค้นพบ (data findings) โดยเฉพาะเมื่อเกิดปัญหาที่มีความเสี่ยงสูง ส่งผลกระทบกับการดำเนินงานอื่นๆ ค่อนข้างรุนแรง การมีข้อมูลพร้อมและมีซอฟต์แวร์ช่วยวิเคราะห์จะช่วยให้องค์กรรู้ว่าต้องรีบแก้ไขที่จุดใด

ยกตัวอย่างเช่น โรงงานผลิตสินค้าล่าช้าในระบบ ERP หรือระบบโรงงานที่บันทึกกิจกรรมต่างๆ ไว้ทั้งหมด ก็สามารถวิเคราะห์ข้อมูล สร้างรายงานออกมาให้เราตรวจสอบดูได้ว่า เกิดขึ้นเพราะอะไร 

หรือโรงพยาบาลที่มี EHR หรือระบบระเบียนสุขภาพอิเล็กทรอนิกส์ แพทย์จะเห็นประวัติการรักษา ยาที่ผู้ป่วยเคยใช้ และประวัติการแพ้ยา ช่วยให้วินิจฉัยโรคและติดสินใจเลือกวิธีรักษาได้อย่างรวดเร็ว เป็นต้น 

5. ช่วยให้เห็นแนวโน้มและโอกาส

การมีข้อมูลเชิงลึก (insight) มองเห็นความสัมพันธ์ของชุดข้อมูลกับบริบท และสถานการณ์จะช่วยให้มองเห็นแนวโน้มหรือ “เทรนด์” (trend) ที่อาจจะเกิดขึ้นได้ 

ยกตัวอย่างเช่น มีข้อมูลเชิงลึกว่า ลูกค้าเริ่มสนใจสินค้าบางอย่างของธุรกิจมากขึ้นอย่างมีนัยสำคัญและกลุ่มที่ซื้อเป็นกลุ่มที่ธุรกิจไม่ได้สนใจมาก่อน ก็อาจวางแผนการตลาดและแผนการขายเพื่อเข้าถึงลูกค้ากลุ่มนี้มากขึ้น เป็นต้น 

นอกจากนี้ การมีฐานข้อมูลจาก open-source เช่น Google ก็ช่วยให้ธุรกิจรู้ความต้องการของตลาดในแต่ละช่วงได้ เห็นเทรนด์พฤติกรรมและความสนใจที่เปลี่ยนแปลง ช่วยให้ธุรกิจสามารถวางแผนดำเนินงานเพื่อคว้าโอกาสที่กำลังมาได้

4 ระดับของการวิเคราะห์ข้อมูลที่สำคัญ (Levels of Data Analysis Maturity)

ในศาสตร์ความรู้เรื่องการวิเคราะห์ข้อมูลนั้น มีการแบ่งระดับหรือเลเวลของการวิเคราะห์ลงไปอีก เพื่อที่จะทำความเข้าใจวิธีการวิเคราะห์ข้อมูลให้ลึกขึ้น รวมถึงเลือกระดับในการวิเคราะห์ข้อมูลให้เหมาะกับคำถามและคำตอบที่ต้องการ 

ระดับของการวิเคราะห์ข้อมูลก็มีด้วยกันทั้งสิ้น 4 ระดับ ดังนี้

1. Descriptive analysis – ตอนนี้ กำลังเกิดอะไรขึ้น?

ระดับแรกของการวิเคราะห์ข้อมูลจะเป็นการวิเคราะห์โดยใช้ตัวแปรแค่ตัวแปรเดียว (Univariate Analysis) แค่ดูว่า ตัวแปรนั้น ๆ เกิดอะไรขึ้น 

เช่น มีมากเท่าไหร่ มีความถี่เท่าไหร่ ใครหรืออะไร เพื่อตอบคำถามว่า “ตอนนี้ กำลังเกิดอะไรขึ้น” โดยใช้เทคนิคทางสถิติ เช่น การหาค่ากลาง หาการกระจายตัว หาค่าเฉลี่ย หาผลรวม เป็นต้น

ตัวอย่างคำถามที่ใช้การวิเคราะห์ระดับนี้ เช่น เดือนนี้มียอดขายเท่าไร สินค้าตัวใดขายดีที่สุด มีคนเยี่ยมชมเว็บไซต์กี่คน (user) เป็นต้น 

2. Diagnostic analysis – ทำไมถึงเป็นแบบนี้ เกิดขึ้นจากอะไร?

ระดับการวิเคราะห์ในขั้นต่อมาจะลึกกว่าระดับแรก ในระดับนี้ จะเป็นการหาความสัมพันธ์ระหว่างตัวแปรตั้งแต่สองตัวขึ้นไป (Multivariate Analysis) เพื่อดูว่าตัวแปรแต่ละตัวแปรมีความสัมพันธ์หรือส่งผลกระทบต่ออีกตัวแปรอย่างไร เพื่อตอบคำถามว่า “ทำไมจึงเกิดสิ่งนี้ขึ้น” หรือ “สิ่งนี้เกิดขึ้นเพราะอะไร” 

ยกตัวอย่างคำถามเช่น ทำไมเครื่องดื่มเย็นขายดีช่วงบ่าย อุณหภูมิหรือช่วงเวลามีผลต่อการสั่งซื้อสินค้าไหม หรือทำไมสินค้าประเภทหนึ่งถึงขายดีในช่วงหนึ่ง สินค้าของเรา “ซีซัน” หรือฤดูกาลในการขายหรือเปล่า เป็นต้น

3. Predictive analysis – อะไรที่อาจเกิดขึ้นหรือกำลังจะเกิดขึ้น?

การวิเคราะห์ข้อมูลในระบบนี้ จะเป็นการวิเคราะห์เพื่อดูแนวโน้มหรือพยากรณ์ว่าอาจจะเกิดอะไรขึ้น ผ่านการศึกษารูปแบบความสัมพันธ์ของชุดข้อมูล 

เช่น การวิเคราะห์ข้อมูลออกมาเป็นกราฟหรือ “เทรนด์” เพื่อดูแนวโน้ม อย่างที่มักจะเห็นกราฟการเติบโตของหุ้น เป็นต้น การวิเคราะห์ระดับนี้ จะช่วยตอบคำถามว่า “กำลังจะเกิดอะไรขึ้น” 

ตัวอย่างคำถามง่ายๆ ที่ใช้การวิเคราะห์ในระดับนี้ เช่น สินค้าอะไรกำลังจะขายดี ใครบ้างที่มีแนวโน้วจะเป็นลูกค้าและธุรกิจควรทำการตลาดให้ทัน ที่ดินย่านไหนราคาน่าจะถีบตัวสูงขึ้น เป็นต้น

4. Prescriptive analysis – ควรจะทำอะไรต่อ?

ในระดับสุดท้ายของการวิเคราะห์จะเป็นขั้นตอนที่ใกล้เคียงกับการตัดสินใจว่าจะต้องทำอะไร นั่นคือ วิเคราะห์ข้อมูลเพื่อหาข้อสรุปว่าควรจะทำอะไร ทั้งปรับปรุง แก้ไขปัญหา หรือพัฒนาสิ่งที่ดีอยู่แล้ว ตลอดจนการวางแผนเพื่อคว้าโอกาสหรือรับมือกับสิ่งที่กำลังจะเกิดขึ้น 

ยกตัวอย่างคำถามที่ใช้การวิเคราะห์แบบ “Prescriptive” เช่น ควรทำการตลาดช่องทางไหน อย่างไร ด้วยงบประมาณเท่าไร ควรจับกลุ่มเป้าหมายกลุ่มใด ควรเลือกซับพลายเออร์เจ้าใด ควรตั้งราคาสินค้าเท่าไร ควรกักตุนวัตถุดิบเท่าไรจึงคุ้มค่า เป็นต้น

ตัวอย่างการวิเคราะห์ข้อมูลเพื่อหาข้อมูลเชิงลึก (Insight) อย่างง่ายและเครื่องมือวิเคราะห์ข้อมูล

ตัวอย่างการวิเคราะห์ข้อมูลในการทำธุรกิจอย่างง่าย 

ในการวิเคราะห์ข้อมูล หากพูดในเชิงวิทยาศาสตร์ข้อมูล (Data Science) หรือสถิติศาสตร์ (Statistics) มีวิธีการวิเคราะห์ข้อมูล มีประเภทของการวิเคราะห์ที่ลึกซึ้ง และค่อนข้างยากต่อการทำความเข้าใจ แต่หัวใจของการวิเคราะห์ข้อมูลคือการตั้งคำถามและพยายามหาคำตอบด้วยวิธีต่างๆ ยกตัวอย่างเช่น

• การดูสถิติหรือตัวเลขที่เก็บไว้ เช่น ดูว่าเดือนนี้ สินค้าชิ้นนี้ขายได้เท่าไร หายอดขายเฉลี่ย ดูจำนวนคนไข้ที่เข้ารับบริการ ฯลฯ
• การนำเอาตัวเลขหรือข้อมูลที่เก็บไว้มาเปรียบเทียบกัน เช่น จัดกลุ่มข้อมูลต่างๆ ตามประเภทสินค้า เพื่อดูว่าสินค้าใดกำลังขายดี การเปรียบเทียบต้นทุนและกำไรของสินค้าแต่ละชนิด เป็นต้น 
• การนำเอาข้อมูลตั้งแต่ 2 ชุด มาหาความสัมพันธ์ เช่น หาความสัมพันธ์ระหว่างเพศของลูกค้าและประเภทของสินค้าที่ลูกค้าสั่ง เพื่อหาแนวโน้มที่ลูกค้าแต่ละกลุ่มจะสั่ง หาความสัมพันธ์ระหว่างอายุกับโรคประจำตัว เป็นต้น

การวิเคราะห์ข้อมูลจะเริ่มขึ้นตั้งแต่การตั้งคำถามและหยิบชุดข้อมูลต่างๆ มาดูเพื่อหาคำตอบ อย่างไรก็ตาม ศาสตร์ของการวิเคราะห์ข้อมูลยังมีวิธีการและประเภทในการวิเคราะห์ข้อมูลอีกมากมาย ตัวอย่างข้างต้น เป็นเพียงตัวอย่างการวิเคราะห์ข้อมูลในเบื้องต้นที่ทุกคนสามารถทำได้ 

ตัวอย่างเครื่องมือในการวิเคราะห์ข้อมูล (Data Management Tools)

สำหรับการวิเคราะห์ข้อมูลปริมาณมหาศาลและการวิเคราะห์เทรนด์ของข้อมูลต่างๆ ปัจจุบันมีเทคโนโลยีที่ช่วยให้การวิเคราะห์ง่ายขึ้นและรวดเร็ว เครื่องมือที่ทำหน้าที่เป็น Data Management Tools ทั้งจัดเก็บ ประมวลผล วิเคราะห์ และสร้างรายงาน โดยตัวอย่างที่เครื่องมือวิเคราะห์ข้อมูลต่อไปนี้ จะเป็นเครื่องมือหรือระบบที่ใช้ในอุตสาหกรรมต่าง ๆ ยกตัวอย่างเช่น

• BI: Business Intelligence คือ เทคโนโลยีที่ช่วยธุรกิจวิเคราะห์และประมวลผลข้อมูลมาใช้ประโยชน์ในการดำเนินธุรกิจ ทั้งการบริหารงาน การจัดการงาน การวางแผน เป็นต้น มีหลักการทำงานโดยการดึงหรือจัดเก็บข้อมูลกิจกรรมต่างๆ รวมทั้งฐานข้อมูลทั้ง First party และ Third party มาประมวลผล วิเคราะห์ และสร้างรายงานผล ช่วยให้ธุรกิจเข้าใจองค์กร สินค้า/บริการ ลูกค้า และตลาดได้ดียิ่งขึ้น

• ERP: Enterprise Resource Planning คือ ระบบวางแผนจัดการทรัพยากร โดยส่วนมากจะเป็นซอฟแวร์ที่ใช้ในโรงงานอุตสาหกรรมหรือบริษัทที่มีฝ่ายการผลิตด้วย ระบบ ERP เป็นระบบที่ในการบริหารทรัพยากรต่างๆ ในองค์กร ไม่ว่าจะเป็นสินค้า วัสดุ/วัตถุดิบคงคลัง การเงิน ทรัพยากรบุคคล ฯลฯ โดยกิจกรรมต่างๆ จะถูกบันทึกไว้เป็นฐานข้อมูลให้องค์กรอย่างเป็นระบบ ทั้งยังช่วยประมวลผลและวิเคราะห์ข้อมูล สร้างรายงานพร้อมใช้ประโยชน์ได้ทันที

• CRM: Customer Relationship Management หรือระบบบริหารจัดการความสัมพันธ์ลูกค้า เป็น Data Management Tools ที่มุ่งจัดการข้อมูลลูกค้าเพื่อให้ธุรกิจสามารถเข้าใจลูกค้าและสร้างความพึงพอใจให้กับลูกค้าได้ดีขึ้น ผ่านการเก็บข้อมูลแบบ First party นำข้อมูลมาวิเคราะห์ ช่วยให้ธุรกิจรู้ว่าลูกค้ารายใดสนใจสินค้าตัวใด หรืออยู่ในขั้นตอนไหนของการตัดสินใจซื้อ เพื่อที่ธุรกิจจะได้เข้าไปช่วยเหลือหรือเสนอสินค้าได้ถูกที่ถูกเวลา เป็นต้น 

• HIS (Hospital Information Systems) หรือ ระบบสารสนเทศโรงพยาบาล คือ ระบบจัดการข้อมูลที่ใช้ในโรงพยาบาล เพื่อให้แพทย์ เจ้าหน้าที่ หรือบุคคลากรที่เกี่ยวข้องสามารถเข้าถึงข้อมูลของผู้ป่วยจากฐานข้อมูลโรงพยาบาลที่จัดเก็บไว้อย่างเป็นระบบ ประกอบไปด้วยข้อมูลจากแผนกต่างๆ ในโรงพยาบาล ช่วยให้โรงพยาบาลให้บริการทางการแพทย์ได้อย่างมีประสิทธิภาพมากขึ้น

วิเคราะห์ข้อมูลอย่างไรให้เกิดประโยชน์ใช้ได้จริงในองค์กร

แม้ว่าองค์กรจะมีข้อมูลเก็บเอาไว้มากมายแค่ไหน แต่หากขาดการนำข้อมูลมาวิเคราะห์ องค์กรก็ไม่สามารถใช้ประโยชน์ใดๆ ได้จากการเก็บข้อมูลเอาไว้ นี่คือความสำคัญของการวิเคราะห์ข้อมูล 

อย่างไรก็ตาม การวิเคราะห์ข้อมูลมีหลายระดับ และซับซ้อนแตกต่างกันไปตามจุดประสงค์ และความซับซ้อนของชุดข้อมูล แต่กระบวนการวิเคราะห์และนำข้อมูลมาใช้ประโยชน์มีหลักการสำคัญที่ข้ามไปไม่ได้ ได้แก่

1. การตั้งคำถาม (Question) – ตั้งคำถามที่จะนำไปสู่การผลลัพธ์ที่เป็นประโยชน์กับองค์กรหรือธุรกิจได้จริง
2. การเตรียมข้อมูล (Data cleansing and preparation) – กรองและจัดเตรียมเฉพาะข้อมูลที่จำเป็นต้องใช้สำหรับการวิเคราะห์ข้อมูล
3. การวิเคราะห์ข้อมูล (Data analysis) – เลือกระดับและวิธีในการวิเคราะห์ข้อมูลเพื่อตอบคำถามที่ตั้งไว้ พร้อมกับการเลือกใช้เทคโนโลยีหรือเครื่องมือในการวิเคราะห์ที่เหมาะสม
4. การนำข้อสรุปมาวางแผนงาน (Action plan) – นำข้อสรุปจากการวิเคราะห์ข้อมูลมาสร้างเป็นแผนปฏิบัติงาน

เมื่อตั้งคำถามที่ถูกต้องและมีเทคโนโลยีในการจัดการข้อมูลที่ช่วยจัดเก็บ จัดการ ประมวลผล และวิเคราะห์ข้อมูลได้แล้ว สิ่งสำคัญคือการนำข้อสรุปหรือความรู้ที่ได้จากการวิเคราะห์มาเปลี่ยนเป็นแผนการดำเนินงานเพื่อให้การวิเคราะห์ข้อมูลสร้างผลลัพธ์ที่เป็นประโยชน์แก่องค์กรหรือธุรกิจได้จริง