Excel ยังจำเป็นแค่ไหน ในยุค AI ที่มีเครื่องมือ Data Analytics มากมาย

ในปัจจุบัน มีเครื่องมือด้าน Analytics มากมาย เช่น Python, SQL, Power BI, หรือเครื่องมือ AI ต่างๆ มากมาย มาดูกันครับว่า Excel ยังคงมีบทบาทสำคัญในการวิเคราะห์ข้อมูลอยู่หรือไม่ แล้ว Excel ยังคงจำเป็นแค่ไหนสำหรับงาน Data Analytics

Table of Contents

• เหตุผลที่ Data Analyst ควรเรียนรู้ Excel และ Google Sheet
  • 1. Excel เหมาะสำหรับการวิเคราะห์ข้อมูลอย่างรวดเร็ว สำหรับชุดข้อมูลที่ไม่ใหญ่มาก
  • 2. Excel มีความยืดหยุ่น ปรับแก้ไขและสร้างรายงาน Ad Hoc ได้ง่าย
  • 3. ไฟล์ Excel สามารถนำไปใช้งานต่อได้สะดวก
  • 4. Excel สามารถใช้งานกับเทคโนโลยีอื่นๆ เพื่อทำ Data Activation ได้ดี
  • 5. Excel เหมาะสำหรับทำแบบจำลอง หรือ Proof of Concept ก่อนใช้เครื่องมืออื่น หรือ ทำระบบ Automate
• สรุป

ถ้าพูดถึงการทำ Data Analytics นั้น หลายๆ คนอาจจะนึกถึงการเขียน Code อย่าง SQL, Python หรือ การใช้เครื่องมือ BI ต่างๆ เช่น Tableau, Power BI, Looker Studio หรือแม้กระทั่งการใช้ Generative AI ที่กำลังมาแรงมาช่วยวิเคราะห์ แต่หนึ่งในเครื่องมือนึงที่อาจถูกมองข้ามไปในหลายๆ ครั้ง หรือ บางคนที่ทำงาน Data ไม่อยากจะใช้งานเท่าไหร่ แม้จะเป็นเครื่องมือที่ตอบโจทย์ในหลายๆ งาน ก็คือ Excel หรือ Google Sheet นั่นเอง

แล้ว Excel นั้นสำคัญยังไง ทำไมหลายๆ ครั้ง แม้เราจะเขียน Code สร้าง Dashboard หรือใช้เครื่องมืออื่นๆ แล้ว ก็ยังต้องมีการขอให้ Download หรือ Export เป็น Excel ได้ด้วย

ลองมาดูกันครับ

เหตุผลที่ Data Analyst ควรเรียนรู้ Excel และ Google Sheet

1. Excel เหมาะสำหรับการวิเคราะห์ข้อมูลอย่างรวดเร็ว สำหรับชุดข้อมูลที่ไม่ใหญ่มาก

แม้ว่า Excel หรือ Google Sheet อาจไม่เหมาะกับการจัดการ Big Data หรือข้อมูลขนาดใหญ่ที่มีหลายล้านแถว และมีเครื่องมือ BI และ Data Analytics อื่นๆ ที่สามารถรับมือกับข้อมูลขนาดใหญ่ได้ดีกว่า แต่สำหรับข้อมูลที่ไม่ใหญ่มาก (เช่น หลักหมื่นแถวหรือน้อยกว่านั้น) Excel ยังคงเป็นเครื่องมือที่เหมาะสมและสะดวกต่อการวิเคราะห์ ตรวจสอบแนวโน้ม หรือสรุปข้อมูลแบบรวดเร็ว เช่น การสร้าง Pivot Table แบบเพื่อวิเคราะห์ยอดขายง่ายๆ หรือ คำนวณกำไรของแต่ละแผนกในบริษัทที่มี 500 แถว การใช้สูตรง่ายๆ เพื่อดูภาพรวม บน Excel อาจง่ายและเร็วกว่า

2. Excel มีความยืดหยุ่น ปรับแก้ไขและสร้างรายงาน Ad Hoc ได้ง่าย

ในหลายสถานการณ์ Data Analyst (หรือ คนที่เราทำรายงานให้) อาจต้องทำการวิเคราะห์แบบ Ad Hoc หรือ มีปรับเปลี่ยนมุมมองการวิเคราะห์อยู่บ่อยๆ เนื่องจากยังไม่สามารถหามุมมองที่ลงตัว เพื่อนำมาสร้าง Dashboard หรือ ทำระบบอัตโนมัติแบบซ้ำๆ ได้ หรือแม้กระทั่งอาจมีการต้องทำ Report ในรูปแบบที่ทำในเครื่องมืออื่นๆ ได้ยาก

ซึ่งเหตุการณ์เหล่านี้ การใช้ Excel หรือ Google Sheet นั้น อาจสามารถแก้ไขสูตรคำนวณ ปรับโครงสร้างข้อมูล หรือปรับเปลี่ยนรูปแบบของ Report ให้ตอบโจทย์การวิเคราะห์ หรือ นำเสนอ ซึ่งอาจง่ายกว่าการสร้างหรือแก้ Dashboard รวมถึงการเขียน SQL, Python ด้วย

3. ไฟล์ Excel สามารถนำไปใช้งานต่อได้สะดวก

Excel (หรือ Google Sheet) นั้นเป็นเครื่องมือที่หลายๆ คนคุ้นเคยกันอยู่แล้ว และแน่นอนว่าการจะให้ทุกคนในองค์กรที่สามารถใช้ SQL หรือ Python ได้ก็คงไม่ค่อยสะดวกนัก

รวมถึงการทำ Dashboard อาจยากที่จะตอบโจทย์ของปลายทางได้ครอบคลุมทั้งหมด บางครั้ง อาจยังมีบางมุมที่พวกเขาต้องไปสำรวจเพิ่มเติม เช่น ลองทำการคำนวณเองหลายๆ แบบ ในหลายๆ มุม ด้วยตัวเอง ซึ่งอาจสะดวกกว่าการรอ Analyst มาช่วยทำให้

บางครั้ง การให้ปลายทางสามารถดึงข้อมูลบางส่วนไปเขียนสูตรหรือ Pivot เอา อาจจะสะดวกมากกว่าการทำบน Dashboard

ดังนั้นหาก Data Analyst ต้องการแชร์ข้อมูลหรือรายงานบางอย่างไปยังทีมอื่น เช่น ฝ่ายการตลาด ฝ่ายบัญชี หรือผู้บริหาร Excel ก็ดูเป็นตัวเลือกเบื้องต้นที่สะดวกให้นำไปใช้งานต่อที่สุด

4. Excel สามารถใช้งานกับเทคโนโลยีอื่นๆ เพื่อทำ Data Activation ได้ดี

ในการทำ Data นั้น บางครั้ง เราอาจไม่ได้ทำแค่การวิเคราะห์ ดึงข้อมูล หรือ สร้าง Dashboard เพียงอย่างเดียว แต่เราอาจต้องการส่งข้อมูลของเราให้ปลายทางอื่นๆ ด้วย เช่น

• ระบบการตลาดอัตโนมัติ (Marketing Automation)
• ระบบติดต่อลูกค้า (CRM, Customer Supports)
• ระบบ Application ต่างๆ

ซึ่งการทำให้ระบบปลายทางต่างๆ เหล่านี้สามารถดึง Data จากฝั่งของทีม Data ไปใช้งานได้ ก็คือขั้นตอนที่เรียกว่า Data Activation นั่นเอง

และหากเราต้องการทำ Data Activation แบบอัตโนมัติ เช่น

ถ้ามีลูกค้ายอดสั่งซื้อของถึงกำหนด ภายในระยะเวลาที่กำหนด เช่น ยอดสั่งซื้อย้อนหลังรวมกัน 7 วัน เกิน 7,000 บาท ให้ส่งส่วนลดพิเศษไปให้ลูกค้าอัตโนมัติด้วยระบบ CRM

เราอาจต้องมีการทำให้ระบบ CRM ที่เอาไว้ส่งข้อความ สามารถดึงข้อมูลที่ Data Analyst คำนวณไว้ เพื่อเอาไปตรวจสอบว่าเข้าเงื่อนไขหรือไม่ ก่อนจะส่งข้อความให้ลูกค้า

ซึ่งอาจต้องใช้ Technical Skills หรือ พึ่งพา Developers ในการเชื่อมต่อระบบ เช่น การเขียน API ซึ่งอาจมีความซับซ้อน หรือ ใช้เวลานานกว่าที่คิด

ในกรณีที่ระบบอัตโนมัติยังไม่สมบูรณ์ เราอาจต้องหาวิธีชั่วคราว ซึ่ง Excel ก็เป็นเครื่องมือที่สามารถช่วยทำ Data Activation แบบชั่วคราวได้ด้วย ด้วยการ Download ข้อมูลจากต้นทางเป็น Excel หรือ csv แล้วนำไป Upload ที่ระบบปลายทาง แบบที่หลายๆ คนคุ้นเคยนั่นเอง

แน่นอนในระยะยาว เราอาจไม่ต้องการทำขั้นตอนนี้ไปตลอด แต่ก่อนจะลงทุนลงแรงกับเครื่องมือที่มีความซับซ้อน Excel ก็อาจเป็นอีกหนึ่งทางเลือกที่ช่วยเราได้ในบางสถานการณ์

5. Excel เหมาะสำหรับทำแบบจำลอง หรือ Proof of Concept ก่อนใช้เครื่องมืออื่น หรือ ทำระบบ Automate

ไม่ว่าจะเป็นการทำ Data Analytics, ทำระบบ Automation, การทำ Data Activation, หรือแม้แต่การหา Insight ต่างๆ

หลายๆ ครั้ง ในตอนเริ่มต้น เราอาจยังไม่รู้ว่าอาจมีบางมุมที่พวกเขาต้องไปสำรวจเพิ่ม ซึ่ง dashboard ยากจะตอบโจทย์ หรือ ปรับแก้ยากกว่า

การเริ่มต้นด้วยการทำงาน บน Excel เพื่อเป็น Proof of Concept ก่อนนั้น อาจช่วยให้เรารู้ว่า การทำ Project หรือ ระบบแบบที่เราต้องการนั้น มีขั้นตอน หรือ กระบวนการในการวิเคราะห์เป็นยังไง การใช้ Data ต่างๆ มีรูปแบบ (Pattern) เป็นยังไง เพราะหากเรายังไม่รู้ Pattern อาจยังไม่รู้ว่าอาจมีบางมุมที่ต้องไปสำรวจเพิ่ม (ซึ่งเป็นที่มาของการทำ Ad hoc ในข้อ 2) เพื่อให้สามารถเงื่อนไขในวางระบบ (หรือที่เรียกว่า Rule-based) ได้สะดวกขึ้น

และหากเราเข้าใจ Pattern และเงื่อนไขในการใช้งาน Data แล้ว ก็จะช่วยให้เราเห็นว่า เราสามารถเปลี่ยนไปเครื่องมืออื่นๆ ที่ตอบโจทย์ได้มากกว่า Excel ได้บ้าง ไม่ว่าจะเป็น

• การเขียน SQL หรือ Python เพื่อให้รองรับข้อมูลขนาดใหญ่ได้ดีขึ้น
• การเชื่อมต่อ API กับระบบต่างๆ เพื่อระบบทำงานตามเงื่อนไขได้อัตโนมัติ
• การสร้าง Dashboard เพื่อแสดงผลได้รวดเร็วยิ่งขึ้น
• การใช้เครื่องมือ Analytics อื่นๆ หรือ แม้แต่การนำ AI เข้ามาช่วยในกระบวนการทำงาน

หลายๆ ครั้ง เรามักใช้เครื่องมือเหล่านี้ เพราะเครื่องมือเหล่านี้ สามารถรองรับการเติบโต (Scalability) ของข้อมูล และ มีความสามารถในการทำซ้ำ (Reproducibility) สำหรับขั้นตอนบางอย่าง หรือ การเชื่อมต่อแบบอัตโนมัติ ที่มากกว่า Excel นั่นเอง

การทำ Proof of Concept จึงเป็นอีกหนึ่งทางเลือก เพื่อให้เราใช้เครื่องมือต่างๆ ได้ คุ้มค่า ตอบโจทย์ และ ลดความเสี่ยงในการสร้างภาระทางเทคนิค (Technical Debt) ในภายหลังได้ด้วย

สรุป

แม้ว่าในปัจจุบันจะมีเครื่องมือด้าน Data Analytics มากมาย แต่ Excel ยังคงเป็นอีกหนึ่งเครื่องมือที่ช่วยให้ Data Analyst สามารถวิเคราะห์ข้อมูลได้อย่างรวดเร็ว และใช้งานร่วมกับผู้อื่นได้สะดวก รวมถึงไฟล์ Excel เอง ก็สามารถใช้ระบบต่างๆ ได้มากมาย เลยสามารถ Proof of Concept ก่อนนำไปพัฒนาในระบบอัตโนมัติอีกด้วย

อย่างไรก็ตาม แน่นอนว่า Excel เอง ก็อาจมีข้อจำกัดบางอย่าง โดยเฉพาะในระยะยาว ที่ข้อมูลเราจะยิ่งมีการสะสมมากขึ้นเรื่อยๆ จนเริ่มลำบากที่จะจัดการปริมาณและคุณภาพข้อมูล หากเราใช้ Excel ร่วมกับเครื่องมือที่เหมาะสม ในสถานการณ์ที่เหมาะสม ก็จะช่วยให้เราทำ Data Analytics ได้ดียิ่งขึ้นด้วย

ซึ่งไม่ว่าเราจะใช้เครื่องมืออะไร สิ่งที่สำคัญที่สุดในการทำ Data Analytics ก็คือ การหา Insight มาทำ Data Driven Decision Making เพื่อช่วยให้เราตัดสินใจได้ดียิ่งขึ้นนั่นเอง