ถ้าพูดถึง Skills ต่างๆ ที่สำคัญในการทำงาน Data Analytics หลายๆ คนมักนึกถึง Technical Skills ต่างๆ เช่น Python, R, SQL, Excel, BI, Visualization, Machine Learning แต่ Skills ที่ผมคิดว่าสำคัญมากๆ แต่ไม่ค่อยมีใครถามหรือพูดถึงเลย ก็คือ Skill ในการตีความข้อมูล (Data Interpretation) และ Skill ในการตั้งคำถาม (Critical Thinking)
ในการวิเคราะห์ข้อมูล สิ่งสำคัญในแง่ผลลัพธ์ ก็คือ เราวิเคราะห์สิ่งเหล่านี้ไปเพื่ออะไร และ เราจะสามารถนำการวิเคราะห์เหล่านี้ไปประยุกต์ใช้ได้ยังไง และการจะทำสิ่งเหล่านี้ได้ดี เราก็จำเป็นต้องมี Data Interpretation กับ Critical Thinking Skill นั่นเอง
แล้ว Data Interpretation กับ Critical Thinking คืออะไร?
เลือกอ่านส่วนที่อยากรู้ได้เลยครับ 🙂
Data Interpretation คือ อะไร?
Data Interpretation ก็คือ การตีความข้อมูล หรือ การบอกได้ว่า ข้อมูลแต่ละอย่างที่ได้มา มีความหมายยังไงบ้าง ดีหรือไม่ดีอย่างไร เราควรรู้ไปเพื่ออะไร บอกอะไรเกี่ยวกับสถานการณ์ของเรา เราควรตัดสินใจอย่างไร หรือสิ่งที่เราต้องทำต่อไปคืออะไร ซึ่งการจะตีความข้อมูลได้ดีนั้น เราต้องรู้ว่าเป้าหมายในการวิเคราะห์คืออะไร ต้องใช้เลขอะไรมาประกอบกันบ้าง บริบทของแต่ละตัวเลขคืออะไร เช่น
สมมติมีคนเห็นร้านของเราบนเว็บไซต์ 500 คน แวะเข้ามา 100 คน และมีคนซื้อของ 10 คน ถือว่าดีหรือไม่และเราควรทำอย่างไรต่อไป เราควรหาคนเข้าร้านเพิ่มหรือจัดร้านใหม่
ซึ่งหากข้อมูลที่ได้มายังไม่เพียงพอ สิ่งที่เราต้องทำต่อก็คือ การหาว่า มีข้อมูลหรือการวิเคราะห์อะไรบ้าง ที่เราต้องใช้เพิ่มเติม ซึ่งเรามักจะรู้ได้จากการตั้งคำถามที่ดีด้วย Critical Thinking นั่นเอง
Critical Thinking คืออะไร?
ถ้าจะให้เข้าใจง่ายๆ แบบไม่ต้องใช้ศัพท์ทางการแล้ว
Critical Thinking ก็คือ ทักษะการตั้งคำถามต่างๆ จากหลากหลายมุมมอง เช่น ลองตั้งข้อโต้แย้งกับข้อมูลที่ได้รับมา จากมุมมองต่างๆ ให้เข้าใจที่มาที่ไป บริบท และความถูกต้องของข้อมูลให้มากยิ่งขึ้น ก่อนที่จะสรุป หรือ ตัดสินใจด้วยข้อมูลหรือแม้กระทั่งการนำข้อมูลนั้นๆ ไปวิเคราะห์เพิ่มเติม
เราปรับใช้ Critical Thinking กับ Data Analytics ยังไงได้บ้าง
ในแง่ของการใช้ Data Analytics เราอาจลองตั้งคำถามกับ Data ที่ได้มา เพื่อให้เข้าใจบริบท และ ยืนยันความถูกต้องได้หลากหลายมุมมอง ไม่ว่าจะเป็น
1. คำถามเกี่ยวกับเป้าหมายก่อนวิเคราะห์
ก่อนที่เราจะทำการวิเคราะห์ เรารู้หรือไม่ว่า เป้าหมายของการวิเคราะห์คืออะไร มีเรื่องอะไรที่ต้องตัดสินใจบ้าง และสิ่งที่เราทำได้มีอะไรบ้าง เพราะไม่ว่าเราวิเคราะห์ได้ลึกล้ำขั้นเทพแค่ไหน แต่ถ้าไม่ตรงกับเป้าหมาย หรือ เอาไปใช้อะไรไม่ได้ ก็อาจไม่มีประโยชน์เท่าไหร่
2. คำถามในการตั้งสมมติฐานกับสิ่งที่ต้องการวิเคราะห์
เป็นคำถามเพื่อให้เราสามารถรู้ หรือ หาข้อมูลมาวิเคราะห์ได้ตรงจุด เช่น จากตัวอย่างแรก สมมติมีคนเห็นร้านของเราบนเว็บไซต์ 500 คน แวะเข้ามา 100 คน และมีคนซื้อของ 10 คน
- ทำไมเราถึงมีคนเข้าร้านและซื้อของเท่านี้
- คนที่เข้ามาร้านเรา มาจากช่องทางไหนบ้าง
- คนที่เข้ามาซื้อและไม่ซื้อ มีพฤติกรรมต่างกันอย่างไร
- ช่วงเวลาที่คนเห็นร้าน เข้าร้าน หรือซื้อของ ต่างกันอย่างไร
- สินค้าที่แต่ละคนซื้อ มีอะไรบ้าง
ซึ่งก็จะช่วยให้เราได้ข้อมูลเพิ่มเติม เพื่อมาประกอบการเห็นภาพมากขึ้น ว่า ตัวเลขที่เราได้มา มีความหมายอย่างไรบ้าง เช่น
- คนที่เห็นร้านแล้วไม่เข้า มักจะเป็นกลุ่มคนที่ไม่น่าจะสนใจสินค้าของเรา
- คนที่เข้าร้านมา เข้ามาแค่แปบเดียวแล้วออกไป เพราะเขาไปดูสินค้าที่ไม่โดดเด่นของเรา
- สินค้าที่คนให้ความสนใจ อยู่ในมุมที่เข้าถึงได้ยาก
ข้อมูลเหล่านี้ ตัวเลขอาจไม่ได้บอกเราตรงๆ และหลายๆ ครั้ง เราอาจต้องตั้งสมมิฐานขึ้นมาประกอบด้วย แต่เป็นสมมติฐานที่ได้จากคำถาม ตัวเลข และข้อมูลที่มากเพียงพอนั่นเอง
3. คำถามเกี่ยวกับวิธีการวิเคราะห์
เป็นคำถามเกี่ยวกับวิธีการวิเคราะห์ หรือ วิธีการหาข้อมูล ให้สามารถตอบโจทย์หรือสมมติฐานของเราได้ เช่น
- หากต้องการข้อมูลพฤติกรรมลูกค้า ควรใช้ข้อมูลจากที่ไหน
- ข้อมูลที่ได้มา จะต้องนำมาเรียบเรียงยังไงให้ได้ผลลัพธ์ที่ต้องการ
- ข้อมูลที่มีในปัจจุบัน สามารถวิเคราะห์ตามข้อ 2 ได้หรือไม่
- ต้องใช้แรง คน เครื่องมือ เวลา และงบเท่าไหร่ ถึงจะสามารถทำได้
ซึ่งก็จะช่วยให้เราสามารถประเมินความเป็นไปได้ในแง่ทรัพยากรและเวลาให้กับคนที่จะต้องนำการวิเคราะห์ไปใช้ต่อได้
4. คำถามที่ช่วยให้รู้ว่าการวิเคราะห์ของเราไม่ผิดพลาด
เพราะไม่ว่าสมมติฐาน ข้อมูลที่ได้ หรือ วิธีการมีความผิดพลาด ก็อาจทำให้เราวิเคราะห์ผิดพลาด และส่งผลกับการตัดสินใจของเราได้ เช่น
- ข้อมูลที่ได้มาถูกต้องหรือไม่ เชื่อถือได้มากแค่ไหน
- หากข้อมูลที่ได้มาผิดพลาด เกิดจากอะไรได้บ้าง
- ข้อผิดพลาดที่เกิดขึ้น เกิดจากส่วนไหนของข้อมูล
- หากมีข้อผิดพลาด เราจะแก้ไขมันอย่างไร
- หากมีข้อผิดพลาด แต่เราจำเป็นต้องใช้จริงๆ เราจะแก้ปัญหาอย่างไร
- มีวิธีอะไรบ้าง จะป้องกันไม่ให้เกิดช้อผิดพลาดอีก
ซึ่งก็จะช่วยให้เราสามารถรู้ได้ว่า ข้อมูลที่เรานำมาวิเคราะห์ มีความแม่นยำหรือจุดอ่อนอะไรบ้าง ก่อนจะสรุปผลได้
สรุป
จะเห็นว่า ไม่ว่าคุณจะใช้ Excel, SQL, Python, R หรือเครื่องมืออะไรก็ตาม ทักษะเหล่านี้ก็มักจะเป็นสิ่งสำคัญในการทำ Data Analytics ที่ดีและตอบโจทย์กับทุกฝ่ายได้
และยังอาจช่วยให้คุณ focus และ prioritize งานที่จำเป็น เพื่อลดงานที่ไม่จำเป็นได้อีกด้วยนะครับ (ให้เข้าคอนเซปต์การ Lazy ให้ได้งานหน่อย ที่ผ่านมาเล่นแต่มุก)
ดังนั้น นอกจากฝึก Technical Skills กันแล้ว อย่าลืม Skills เหล่านี้กันด้วยนะครับ
และหากใครสนใจ Workshop เกี่ยวกับ Critical Thinking สามารถลงทะเบียนได้ในแบบฟอร์มด้านล่างนี้เลยนะครับ 🙂
