แม้จะเห็นตัวเลขเดียวกัน คนแต่ละคนอาจตีความไม่เหมือนกันจะ

บางคนเห็นยอดขายเพิ่มขึ้นและสรุปทันทีว่าธุรกิจกำลังเติบโต ในขณะที่คนบางคนอาจตั้งคำถามต่อว่า ยอดขายเพิ่มขึ้นจากลูกค้ากลุ่มใด สินค้าประเภทไหน เกิดขึ้นในช่วงเวลาใด และต้นทุนเพิ่มขึ้นตามไปด้วยหรือไม่

ความแตกต่างนี้ไม่ได้เกิดจากการใช้เครื่องมือวิเคราะห์ข้อมูลเก่งกว่าเพียงอย่างเดียว แต่เกิดจากวิธีคิดและมุมมองต่อข้อมูล

บทความนี้จะพาไปรู้จัก 7 มุมมองสำคัญที่นักวิเคราะห์ข้อมูลใช้ในการทำงาน และช่วยให้การตัดสินใจจากข้อมูลมีความรอบด้านมากขึ้น

Table of Contents

• Data Driven Decision Making with Analytics Mindset
  • 1. ไม่หยุดอยู่แค่ค่าเฉลี่ย
  • 2. สนใจการกระจายตัวของข้อมูล
  • 3. ตรวจสอบที่มาและวิธีเก็บข้อมูล
  • 4. ไม่ใช้ Metric เพียงตัวเดียวในการตัดสินใจ
  • 5. มองหาสาเหตุผ่านการแบ่งข้อมูล
  • 6. แยกให้ออกระหว่างสิ่งที่คนพูดกับสิ่งที่คนทำ
  • 7. ให้ความสำคัญกับวิธีที่ข้อมูลถูกสร้างขึ้น
  • วิธีคิดแบบ Data Analytics มีประโยชน์กับคนทำงานทั่วไปยังไงบ้าง?
  • ข้อควรระวังของการคิดเชิงวิเคราะห์
  • สรุป

Data Driven Decision Making with Analytics Mindset

คนทำ Data Analytics มักไม่ได้มองตัวเลขเป็นคำตอบสุดท้าย แต่มองเป็นจุดเริ่มต้นของคำถามใหม่อยู่เสมอ เพื่อให้สามารถหาสาเหตุ หรือ Root causes รวมถึงความเป็นไปได้ต่างๆ จากข้อมูล

เพื่อให้สามารถลดข้อผิดพลาดของข้อมูลที่อาจเกิดขึ้นได้ให้ได้มากเท่าที่จะทำได้ จนนำข้อมูลไปตัดสินใจต่อได้ดียิ่งขึ้น

1. ไม่หยุดอยู่แค่ค่าเฉลี่ย

ค่าเฉลี่ยเป็นหนึ่งในตัวเลขสรุปที่ถูกใช้บ่อยที่สุด เพราะเข้าใจง่ายและช่วยให้เห็นภาพรวมได้รวดเร็ว

อย่างไรก็ตาม คำว่า “ค่าเฉลี่ย” อาจหมายถึงค่าที่แตกต่างกัน เช่น

• Mean หรือค่าเฉลี่ยเลขคณิต
• Median หรือค่ามัธยฐาน
• Mode หรือค่าที่เกิดขึ้นบ่อยที่สุด

ค่าเฉลี่ยแต่ละประเภทเหมาะกับข้อมูลและวัตถุประสงค์ที่แตกต่างกัน

ตัวอย่างเช่น หากต้องการดูระดับรายได้ของคนกลุ่มหนึ่ง การใช้ Mean เพียงอย่างเดียวอาจทำให้เข้าใจผิดได้ เพราะคนที่มีรายได้สูงมากเพียงไม่กี่คนสามารถดันค่าเฉลี่ยให้สูงขึ้นได้

ในกรณีนี้ Median อาจสะท้อนภาพของคนส่วนใหญ่ได้ดีกว่า

นอกจากค่ากลางแล้ว คนทำ Data Analytics ยังมักพิจารณาค่าอื่นเพิ่มเติม เช่น

• Min หรือ ค่าต่ำสุด
• Max หรือ ค่าสูงสุด
• Percentile
• Outlier หรือ ค่าผิดปกติ

แนวคิดสำคัญคือ ตัวเลขสรุปเพียงค่าเดียวอาจไม่สามารถอธิบายลักษณะของข้อมูลทั้งหมดได้ อาจต้องดูหลายๆ อย่างประกอบกัน เพื่อให้สามารถเห็นภาพของสิ่งที่เกิดได้ชัดเจนยิ่งขึ้น

2. สนใจการกระจายตัวของข้อมูล

ข้อมูลสองชุดอาจมีค่าเฉลี่ยเท่ากัน แต่มีลักษณะการกระจายตัวแตกต่างกันอย่างมาก

ตัวอย่างเช่น คะแนนเฉลี่ยของนักเรียนสองห้องอาจเท่ากันที่ 70 คะแนน

ห้องแรกอาจมีนักเรียนส่วนใหญ่ได้คะแนนใกล้เคียง 70 ขณะที่อีกห้องหนึ่งอาจมีนักเรียนครึ่งหนึ่งได้คะแนนสูงมาก และอีกครึ่งหนึ่งได้คะแนนต่ำมาก

หากดูเพียงค่าเฉลี่ย เราอาจเข้าใจว่าทั้งสองห้องมีผลการเรียนใกล้เคียงกัน ทั้งที่ความจริงมีโครงสร้างของข้อมูลต่างกัน

นักวิเคราะห์จึงมักใช้กราฟเพื่อดูการกระจายตัว เช่น

• Histogram
• Box Plot
• Scatter Plot
• Distribution Plot

กราฟเหล่านี้ช่วยให้เห็นว่าข้อมูลกระจุกตัวอยู่บริเวณใด มีหลายกลุ่มซ่อนอยู่หรือไม่ และมีค่าผิดปกติที่ควรตรวจสอบเพิ่มเติมหรือเปล่า

การดูการกระจายตัวจึงช่วยลดความเสี่ยงจากการสรุปและนำข้อมูลไปตัดสินใจรวดเร็วเกินไปได้ค่อนข้างมาก

3. ตรวจสอบที่มาและวิธีเก็บข้อมูล

เมื่อเห็นผลสำรวจหรือข้อสรุปจากงานวิจัย คนทำ Data Analytics มักไม่ดูเฉพาะผลลัพธ์ แต่จะสนใจด้วยว่าข้อมูลถูกเก็บมาอย่างไร

คำถามที่มักเกิดขึ้น ได้แก่

• เก็บข้อมูลจากใคร
• จำนวนตัวอย่างเท่าไร
• เลือกกลุ่มตัวอย่างด้วยวิธีใด
• เก็บข้อมูลในช่วงเวลาไหน
• ใช้คำถามแบบใด ชี้นำหรือไม่
• กลุ่ม Samples เป็นตัวแทนของ Population หรือไม่

ตัวอย่างเช่น ข้อสรุปเกี่ยวกับพฤติกรรมของ Gen Z ที่เก็บจากนักศึกษาในมหาวิทยาลัยแห่งหนึ่ง หรือแม้แต่ในจังหวัดแห่งหนึ่ง อาจไม่สามารถใช้แทน Gen Z ทั้งประเทศได้

นอกจากนี้ รูปแบบของคำถามในแบบสอบถามก็อาจมีผลต่อคำตอบ หากคำถามชี้นำหรือมีตัวเลือกจำกัด ผลลัพธ์ที่ได้อาจไม่สะท้อนความคิดเห็นจริงของผู้ตอบ

ดังนั้น ก่อนนำข้อมูลไปใช้ตัดสินใจ ควรเข้าใจข้อจำกัดของกระบวนการเก็บข้อมูลเสมอ

4. ไม่ใช้ Metric เพียงตัวเดียวในการตัดสินใจ

ตัวเลขหนึ่งตัวอาจดูดี แต่ไม่ได้หมายความว่าภาพรวมจะดีตามไปด้วย

ตัวอย่างเช่น บริษัทหนึ่งอาจมีรายได้เพิ่มขึ้นอย่างมาก แต่หากค่าใช้จ่ายเพิ่มขึ้นเร็วกว่ารายได้ กำไรอาจลดลง

หากดูเฉพาะรายได้ เราอาจสรุปว่าธุรกิจกำลังเติบโต ทั้งที่ความสามารถในการทำกำไรแย่ลง

หากดู Metrics ที่เกี่ยวกับการขายหรือลูกค้า คนทำ Data Analytics ก็มักดู Metric หลายตัวร่วมกัน เช่น

• รายได้
• ค่าใช้จ่าย
• กำไร
• อัตรากำไร
• จำนวนลูกค้า
• รายได้ต่อลูกค้า
• ต้นทุนในการหาลูกค้า
• อัตราการกลับมาซื้อซ้ำ

บางครั้งยังนำตัวเลขมาคำนวณเป็นอัตราส่วนหรือ Ratio เพื่อช่วยให้เปรียบเทียบข้อมูลได้ชัดเจนขึ้น

ตัวอย่างเช่น การเปรียบเทียบกำไรของธุรกิจสองแห่งอาจยังไม่เพียงพอ หากขนาดธุรกิจต่างกันมาก การดูอัตรากำไรอาจช่วยให้เห็นประสิทธิภาพในการดำเนินงานระหว่างทั้งสองบริษัทได้ดีกว่า

5. มองหาสาเหตุผ่านการแบ่งข้อมูล

ตัวเลขรวมช่วยให้เห็นภาพใหญ่ แต่ไม่ค่อยบอกว่าอะไรคือสาเหตุที่ทำให้ตัวเลขเปลี่ยนแปลง

เมื่อเห็นยอดขายรวม คนทำ Data Analytics มักอยากแบ่ง Segment หรือ Breakdown ข้อมูลออกเป็นกลุ่มต่าง ๆ เช่น

• กลุ่มลูกค้า
• ประเภทสินค้า
• ช่องทางการขาย
• พื้นที่
• ช่วงเวลา
• ลูกค้าใหม่และลูกค้าเดิม
• อุปกรณ์ที่ใช้
• แคมเปญการตลาด

เช่น ยอดขายรวมของบริษัทอาจเพิ่มขึ้น 10% แต่เมื่อแบ่งตามประเภทสินค้า อาจพบว่าสินค้ากลุ่มหนึ่งเติบโต 40% ขณะที่อีกกลุ่มลดลง 20% แล้วเราควรทำการตลาดหรือปรับปรุงการขายอย่างไร

ซึ่งหากดูเฉพาะตัวเลขรวม ปัญหาของสินค้ากลุ่มที่ยอดขายลดลงอาจถูกซ่อนเอาไว้

การ Breakdown ข้อมูลที่ดีจึงช่วยให้เข้าใจสาเหตุของการเปลี่ยนแปลง และนำไปสู่การตัดสินใจที่เฉพาะเจาะจงมากขึ้น

ซึ่งหากเก็บข้อมูลมาดี การใช้เครื่องมือในการแบ่งกลุ่ม อย่าง Pivot Table ก็จะช่วยให้เราเห็น Breakdown หรือ Segment ได้ดียิ่งขึ้นนั่นเอง

6. แยกให้ออกระหว่างสิ่งที่คนพูดกับสิ่งที่คนทำ

ข้อมูลจากแบบสอบถาม Survey หรือการสัมภาษณ์มีประโยชน์ แต่คำตอบของคนอาจไม่ตรงกับพฤติกรรมจริงเสมอไป

ผู้ตอบอาจตอบตามสิ่งที่คิดว่าตัวเองเป็น ตามสิ่งที่อยากเป็น หรือตามสิ่งที่คิดว่าสังคมยอมรับ

ตัวอย่างเช่น ผู้บริโภคอาจตอบว่าให้ความสำคัญกับสินค้าที่เป็นมิตรต่อสิ่งแวดล้อม แต่เมื่อซื้อสินค้าจริง อาจเลือกจากราคาเป็นหลัก

ความแตกต่างนี้เรียกว่า Say-Do Gap หรือช่องว่างระหว่างสิ่งที่พูดกับสิ่งที่ทำ

คนทำ Data Analytics จึงมักพยายามเปรียบเทียบข้อมูลหลายแหล่ง เช่น

• ข้อมูลจากแบบสอบถาม
• ข้อมูลการซื้อจริง
• ข้อมูลการใช้งาน
• ข้อมูลการเข้าชม
• ข้อมูลจากการทดลอง

เช่น การเก็บข้อมูลลูกค้าหรือผู้ใช้งานด้วยเครื่องมือ MarTech, UX อย่าง Google Analytics

การใช้ข้อมูลหลายประเภทช่วยให้เห็นพฤติกรรมของผู้ใช้ได้รอบด้านมากกว่าการพึ่งพาคำตอบจากแบบสอบถามเพียงอย่างเดียว

7. ให้ความสำคัญกับวิธีที่ข้อมูลถูกสร้างขึ้น

ข้อมูลทุกชุดที่เราเก็บหรือค้นหา ย่อมมีที่มา เช่น

จำนวนคนเดินเข้าห้าง จำนวนรถที่ผ่านแยก หรือจำนวนคนที่เห็นป้ายโฆษณา

คนทำงาน Data ก็มักจะมีคำถามกับข้อมูลเหล่านี้ ว่าข้อมูลถูกเก็บด้วยวิธีไหน และคำนวณหรือวัดผลอย่างไร เช่น

• กล้อง
• เซนเซอร์
• ระบบนับจำนวนคน
• ข้อมูล GPS
• สัญญาณ Wi-Fi
• ข้อมูลโทรศัพท์มือถือ
• ข้อมูลการทำธุรกรรม
• การสุ่มตัวอย่าง

ซึ่งแต่ละวิธีมีทั้งข้อดี ข้อจำกัด และโอกาสเกิดความคลาดเคลื่อน

ตัวอย่างเช่น ระบบนับจำนวนคนจากบางระบบอย่าง Web Analytics หรือ แม้แต่การให้คนไปนั่งนับ ก็อาจนับคนเดิมซ้ำ หรืออาจตรวจจับได้ไม่ครบ

ดังนั้น นักวิเคราะห์ไม่ควรดูเฉพาะค่าที่ปรากฏในตาราง แต่ควรเข้าใจด้วยว่าข้อมูลถูกสร้าง วัด และประมวลผลมาอย่างไร

วิธีคิดแบบ Data Analytics มีประโยชน์กับคนทำงานทั่วไปยังไงบ้าง?

มุมมองทั้ง 7 ข้อนี้ไม่ได้มีประโยชน์เฉพาะกับคนที่ทำงานในตำแหน่ง Data Analyst

ทุกคนสามารถนำไปใช้กับการอ่านข่าว การวางแผนธุรกิจ การทำการตลาด หรือการตัดสินใจในชีวิตประจำวันได้

เมื่อเห็นข้อมูล เราอาจเริ่มตั้งคำถามว่า

• ตัวเลขนี้มีความหมายว่าอะไร
• ข้อมูลมาจากไหน
• วัดด้วยวิธีใด
• มีตัวเปรียบเทียบหรือไม่
• มีการแบ่งกลุ่มข้อมูลอย่างไร
• มีข้อมูลส่วนใดที่ถูกซ่อนอยู่หรือเปล่า
• ข้อสรุปนี้น่าเชื่อถือแค่ไหน

คำถามเหล่านี้ช่วยให้เราไม่รีบด่วนสรุป และลดโอกาสในการตัดสินใจจากข้อมูลที่ไม่ครบถ้วน

ซึ่งการตั้งคำถามเหล่านี้ ก็ถือเป็นหนึ่งในทักษะ Data Literacy หรือ การใช้ข้อมูลอย่างเข้าใจและถูกต้องนั่นเอง

ข้อควรระวังของการคิดเชิงวิเคราะห์

แม้การตั้งคำถามกับข้อมูลจะเป็นเรื่องสำคัญ แต่การวิเคราะห์มากเกินไปก็อาจกลายเป็นอุปสรรคได้

บางคนอาจพยายามหาข้อมูลให้ครบทุกด้านก่อนตัดสินใจ ทั้งที่ในความจริงข้อมูลแทบไม่เคยสมบูรณ์แบบ

การแบ่งข้อมูลละเอียดเกินไปยังอาจทำให้แต่ละกลุ่มมีจำนวนตัวอย่างน้อย จนข้อสรุปไม่น่าเชื่อถือ

การคิดมากเกินไปนี้ อาจทำให้เกิดอาการตัดสินใจได้ช้าเกินไป หรือ ไม่ได้ ที่เรียกว่า

Analysis Paralysis นั่นเอง

นักวิเคราะห์ที่ดีจึงต้องสร้างสมดุลระหว่างความละเอียดกับความเร็วในการตัดสินใจ

เป้าหมายของ Data Analytics ไม่ใช่การหาคำตอบที่สมบูรณ์แบบ แต่คือการใช้ข้อมูลที่มีอยู่เพื่อช่วยให้ตัดสินใจได้ดีขึ้น

สรุป

บางคนอาจมองเห็นข้อมูลเป็นแค่ตัวเลข แต่คนทำ Data Analytics มักมองเห็นคำถามที่ซ่อนอยู่เบื้องหลังตัวเลขนั้น

ไม่ว่าจะเป็นเรื่องค่าเฉลี่ย การกระจายตัว วิธีเก็บข้อมูล การเลือก Metric การแบ่งกลุ่ม หรือความแตกต่างระหว่างสิ่งที่คนพูดกับสิ่งที่คนทำ

หัวใจของแนวคิดแบบ Data Analytics จึงไม่ใช่เพียงการคำนวณหรือสร้างกราฟ แต่คือการเข้าใจว่าข้อมูลหมายถึงอะไร มีข้อจำกัดอย่างไร และควรถูกนำไปใช้ตัดสินใจแบบไหน

เมื่อฝึกมองข้อมูลด้วยมุมมองเหล่านี้ เราจะไม่ได้เห็นเพียงตัวเลขมากขึ้น แต่จะเห็นบริบท สาเหตุ และความน่าเชื่อถือที่อยู่เบื้องหลังข้อมูลได้ชัดเจนขึ้น

และหากใครสนใจการฝึกทักษะอื่นๆ ไม่ว่าจะเป็น Critical Thinking เพื่อการตีความข้อมูล, ทักษะการเลือก Charts สำหรับ VIsualizations เพื่อนำไปปรับใช้ ก็สามารถอ่านบทความในลิงค์ได้เลยครับ

หรือใครที่อยากย้ายสายงานมาทำด้าน Data Analytics สามารถอ่านคู่มือได้ที่บทความนี้ได้เลยครับ