8 วิธีในการ Data Analytics ที่ช่วยเพิ่มความสำเร็จให้ธุรกิจ
Data analyze การวิเคราะห์ข้อมูล ถือเป็นสิ่งที่มีประโยชน์และสำคัญมากในการบริหารจัดการ ไม่ว่าเราจะจัดการเรื่องอะไรก็ตาม ไม่ว่าธุรกิจจะใหญ่หรือเล็กเพียงใดก็ตาม แต่การวิเคราะห์ข้อมูล คือ สิ่งที่จะช่วยให้เรามองเห็นภาพในมิติที่ซ่อนเร้นอยู่ ในข้อมูลดิบที่เรามีอยู่ในมือ หากข้อมูลดิบนั้น ถูกเก็บไว้เฉยๆ ไม่ได้นำมาผ่านกระบวนการวิเคราะห์ข้อมูล ข้อมูลนั้น ก็จะไม่เกิดประโยชน์อะไรเท่าที่ควร แต่เมื่อนำมาผ่านกระบวนการวิเคราะห์แล้ว จะทำให้เรามองเห็นหลายสิ่งหลายอย่างที่เป็นประโยชน์ในการนำไปแก้ปัญหาอย่างตรงประเด็นได้ผลเร็วที่สุดและมีค่าใช้จ่ายน้อยที่สุด
👉ประเภทของข้อมูล ที่เราจะเก็บ ถ้าพูดกว้างๆก็จะมีอยู่ 2-3 ประเภท
1. ข้อมูลที่เป็นเชิงคุณภาพ เช่น เพศ วุฒิการศึกษา ประเทศ ศาสนา
2. ข้อมูลเชิงปริมาณ เช่น น้ำหนัก ส่วนสูง อายุ
3. ข้อมูลเชิงปริมาณแบบไม่ต่อเนื่อง เช่น จำนวนคน เพราะจำนวนคน จะมี 1 คน 2 คนเท่านั้น จะไม่มีลักษณะของ 1.5 คนที่เป็นทศนิยมได้
4. ข้อมูลเชิงเปรียบเทียบลำดับ เช่น ความพอใจระดับ 1 ถึงระดับ 5
5. ยังมีข้อมูลอื่นๆ อีกมากมาย เช่น ข้อมูลเชิงภาพ เสียง
👉ในการวิเคราะห์ข้อมูลนั้นมีหลายระดับ ไม่ว่าจะเป็นระดับพื้นฐานที่ใช้กันทั่วไปให้เห็นภาพเบื้องต้นในการวิเคราะห์ข้อมูล เช่น
1. การสร้างกราฟเพื่อวิเคราะห์ข้อมูล
การสร้างกราฟต่างๆ เพื่อวิเคราะห์ข้อมูลในเบื้องต้นให้เห็นลักษณะของฐานข้อมูลในเบื้องต้นว่า มีลักษณะการกระจายตัวอย่างไร เช่น Scatter Plot ข้อมูลมีการกระจายตัวเป็นแบบใด เป็นแนวโน้มขึ้นเชิงบวก หรือ แนวโน้มลดลงเชิงลบ หรือการกระจายตัวแบบกระจัดกระจายไม่มีทิศทาง การสร้างกราฟ มีหลายลักษณะจามการใช้งาน เช่น Bar Chart Scatter Plot Stem Leaf Plot Accumulate Frequency Histogram Polygon Pareto Box Plot Normal Distribution
2. การสร้างกราฟเพื่อเปรียบเทียบ
การสร้างกราฟ ในลักษณะของการเปรียบเทียบ เช่นการเปรียบเทียบข้อมูล 1 กับอีกข้อมูลหนึ่ง กับอีกข้อมูลหนึ่ง เพื่อให้เห็นความสัมพันธ์เชิงมิติ 2 มิติเช่น ยอดขายของแต่ละสินค้าเทียบกันในลักษณะรูปของกราฟแท่ง หรือการสร้างกราฟของข้อมูล 2 อย่างเทียบกันเพื่อเห็นแนวโน้มของความสัมพันธ์ระหว่างกัน ว่ามีค่าความสัมพันธ์ เชิงบวก เชิงลบอย่างไร หรือไม่มีความสัมพันธ์กันเลย
3. การคำนวณเชิงสถิติ
การคำนวณเชิงสถิติ เพื่อให้ทราบถึง ลักษณะที่ลึกซึ้งของข้อมูลต่างๆ เช่น การสร้างตารางแจกแจงความถี่ เพื่อจะได้รู้ว่าข้อมูลทั้งหมดนั้น เมื่อแบ่งออกเป็น 10 ชั้นเท่าๆกัน ความถี่ของข้อมูลส่วนใหญ่จะอยู่ในช่วงใด หรือการคำนวณค่าเฉลี่ย ค่าเบี่ยงเบนมาตรฐาน ก็เห็นว่าลักษณะของข้อมูลมีการแกว่งมากน้อยเพียงใดจากศูนย์กลางของข้อมูล
4. การคำนวณเชิงพรรณนา
เพื่อหาค่าต่างๆ ที่จะนำมาใช้ประโยชน์ในการแก้ปัญหาอย่างแท้จริง เช่น การคำนวณค่าเฉลี่ย Mean ค่าเบี่ยงเบนมาตรฐาน SD เพื่อจะนำ 2 ค่านี้ ไปคำนวณหาช่วงของความเชื่อมั่น ที่ระดับความเชื่อมั่น 95% ว่าข้อมูลดังกล่าว จะมีการกระจายตัวอยู่ ในช่วงสูงสุด ต่ำสุด อยู่ในช่วงใด ซึ่งจะเป็นการทราบความเป็นไปได้ของข้อมูลว่าจะอยู่ในช่วง Upper Limit Average และ Lower Limit ค่าที่เท่าไหร่ถึงเท่าไหร่ ซึ่งจะเป็นประโยชน์ ในการนำไปบริหารจัดการเรื่องของการวางแผนการขาย หรือการบริหารสต๊อกที่จะผลิตไม่ให้มากไปหรือน้อยเกินไป ให้เกิดประสิทธิภาพสูงสุดในการบริหารงาน
5. การพยากรณ์จากฐานข้อมูลเดิม
เพื่อคาดการณ์สิ่งที่เกิดขึ้นในอนาคต หรือที่เรียกว่า Forecast โดยใช้การพยากรณ์ได้หลายรูปแบบ ไม่ว่าจะเป็น LINE Regression ในกรณีที่ข้อมูลมีทิศทางสัมพันธ์กันระหว่างตัวแปร 2 ตัวแปรในเชิงเส้นตรง ซึ่งการพยากรณ์ โดยใช้ Regression นั้น จะต้องมีการทดสอบสมมติฐานเบื้องต้นก่อนว่า ค่า a จะเป็นค่าคงที่ และ b ค่าสัมประสิทธิ์สำหรับตัวแปรตามนั้น มีการยอมรับและใช้งานได้จริงอย่างถูกต้อง ก่อนที่จะนำสมการ LINE Regression ไปใช้ หากไม่ทดสอบสมมติฐานที่จะยอมรับค่าตัวแปลงคงที่และสัมประสิทธิ์ของตัวแปรตามแล้ว จะทำให้การนำสมการไปใช้นั้นอาจจะผิดพลาด และเกิดการพยากรณ์ที่ผิดพลาด ทำให้การวางแผนในการแก้ปัญหาผิดพลาดไปเช่นกัน หรือ การพยากรณ์โดยใช้เทคนิคอื่นๆ ที่เป็นลักษณะเรียกว่า Moving Average ก็คือการใช้ค่าเฉลี่ยของ 3 เดือน หรือ 6 เดือน เพื่อไปพยากรณ์อนาคตข้างหน้าอีก 3 เดือนหรือ 6 เดือน หรือการพยากรณ์ที่เป็นลักษณะเป็นฤดูกาล Seasonal Forecasting
6. การวิเคราะห์ข้อมูลในทฤษฎีความน่าจะเป็น
การวิเคราะห์ข้อมูลในลักษณะของทฤษฎีความน่าจะเป็น เพื่อหาโอกาสที่จะเกิดขึ้นของเหตุการณ์ต่างๆ หรือความเป็นไปได้ของสิ่งที่เราต้องการสำรวจ หรือคาดการณ์ เพื่อหาความเป็นไปได้ที่เกิดของเหตุการณ์นั้นๆ เพื่อใช้ในการตัดสินใจว่า เราจะยอมรับความเสี่ยงหรือไม่อย่างไร เช่น การคำนวณความน่าจะเป็นว่า หากลักษณะการกระจายตัวของข้อมูล หรือที่เรียกว่า Distribution เป็นลักษณะการกระจายตัวแบบ Uniform Discrete, Probability Distribution, Bernoulli Discrete Probability Distribution, Binomial Discrete Probability Distribution, Multinomial Discrete Probability Distribution, Geometric Discrete Probability Distribution, Negative Binomial Discrete Probability Distribution, Hyper geometric Probability Distribution, Poisson Discrete Probability Distribution ยกตัวอย่างเช่น Poisson Discrete Probability Distribution สนใจจำนวนครั้งของสิ่งที่จะเกิดขึ้น ในช่วงเวลาที่กำหนด เช่น ลูกค้าเข้าร้านขายของ วันละ 8 คน จงหาความน่าจะเป็นที่จะมีลูกค้ามาเข้าร้าน ตั้งแต่ 3 คนขึ้นไป ในวันพรุ่งนี้ โดยเฉลี่ยแล้ว ลูกค้าจะเข้ามาร้านวันละ 8 คน จงหาความน่าจะเป็นที่จะมีลูกค้ามาเข้าร้านตั้งแต่ 3 คนขึ้นไป ก็จะเป็นการนำมาใช้งานอย่างหนึ่งในทางปฏิบัติได้ คือ การนำข้อมูลดิบที่เรามีอยู่ และรู้ลักษณะของการกระจายของข้อมูลว่าเป็นรูปแบบใด และนำมาประยุกต์ใช้ในการคาดการณ์ หรือตอบคำถามในความเสี่ยงที่อาจจะเกิดขึ้น หรือยอมรับได้ เพื่อตัดสินใจว่าจะเดินหน้าส่งสินค้าตัวนั้นไป หรือจะยกเลิกการผลิตสินค้าในรอบนั้นเริ่มผลิตสินค้าใหม่
7. Goodness Of Fit Test by Chi Square
การทดสอบความแตกต่างระหว่าง ค่าสัดส่วนประชากร K ประชากร (K >= 3) เช่น อยากทราบว่า สัดส่วนความพอใจ ของสินค้า B เท่า ๆ กับ สินค้า A C D E หรือไม่
การทดสอบการเป็นอิสระกัน ระหว่างลักษณะ 2 ลักษณะ เช่น ยี่ห้อยางรถยนต์ A B C D E เป็นอิสระกับ ขนาดรถยนต์ S M L เป็นอิสระต่อกันในการตัดสินใจเลือกใช้ของลูกค้า
8. การวิเคราะห์ข้อมูลรูปแบบอื่นๆ
การวิเคราะห์ข้อมูลยังสามารถใช้ได้อีกหลายรูปแบบ เช่น การตั้งสมมติฐานว่า จากค่าเฉลี่ยของข้อมูลที่มีอยู่นั้น เราจะยอมรับหรือปฏิเสธเงื่อนไข หรือไม่โดยใช้หลักวิชาที่เรียกว่า Hypothesis Test หรือ จะประเมินค่าความแปรเปลี่ยนของความแปรปรวนของข้อมูล เพื่อจะดูว่าข้อมูล 2 ชุดนั้น มีความแตกต่างกันหรือไม่อย่างไร เพื่อจะสรุปว่าสินค้า 2 อย่างนั้น มีความแปรปรวนของยอดขายใกล้เคียงกัน หรือแตกต่างกัน และสามารถนำไปใช้ในการวางแผนจัดโปรโมชั่น เพื่อพัฒนาให้การแกว่งของยอดขายน้อยลง หรือสามารถใช้เปรียบเทียบพนักงานขาย 2 คนได้ว่า ในยอดขายที่ต่างกัน ความแปรปรวนของยอดขายที่แตกต่างกันนั้น เราจะสรุปได้อย่างไรว่า พนักงานคนไหนมีประสิทธิภาพหรือผลงานในการขายที่ดีกว่ากัน ก็สามารถใช้ค่าของ Co Efficiency of Variance มาตัดสินได้ว่า Co Efficiency of Variance C.V
คนหลัง มี อัตรารายได้ สูงกว่าคนแรก โดยดูจาก ค่า C.V
พนักงานขาย คนที่ 1 มียอดขายเฉลี่ย Mean = 15,500 บาท มีค่าเบี่ยงเบนมาตรฐาน SD Standard Deviation = 2,300 บาท
พนักงานขาย คนที่ 2 มียอดขายเฉลี่ย Mean = 6,000 บาท มีค่าเบี่ยงเบนมาตรฐาน SD Standard Deviation = 650 บาท
CV คนแรก = 2,300 / 15,500 = 14.84%
CV คนหลัง = 650 / 6,000 = 10.83%*
การวิเคราะห์ข้อมูลแบบอื่น ๆ อีก ที่เป็นข้อมูลเชิงคุณภาพ และต้องใช้เทคนิคด้าน Non-Parametric analysis
👉สรุป
การที่เราเก็บข้อมูลที่เรียกว่าเป็น Data ไว้อยู่ในมือนั้น หากเราไม่ได้นำมาใช้ประโยชน์ โดยผ่านการวิเคราะห์ด้วยความรู้ทางด้านความน่าจะเป็น หรือความรู้ทางด้านสถิติเชิงพรรณนา ที่เรียกว่า Parametric analysis ในฐานข้อมูลที่เป็นกลุ่มข้อมูลประเภทเชิงปริมาณ หรือ ผ่านการวิเคราะห์ทางด้านสถิติ ด้วยเทคนิคการวิเคราะห์ข้อมูลเชิงคุณภาพ Non Parametric analysis แล้วนั้น จะเป็นเรื่องที่น่าเสียดายมาก ที่ไม่สามารถจะดึงภาพต่างๆ ที่ซ่อนอยู่ภายใต้ข้อมูลดิบในเชิงวิเคราะห์ แล้วนำมาใช้วางแผนแก้ปัญหา หรือพัฒนาสินค้า หรือยอดขายให้ดีขึ้น อย่างมีทิศทาง มีเป้าหมายชัดเจน และคาดการณ์ได้ถึงผลลัพธ์ที่ตามมา แทนที่จะเป็นการแก้ปัญหาแบบเดาสุ่ม โดยที่ไม่มีธงนำถึงปัญหาที่เกิดขึ้นและแนวทางที่จะเกิดขึ้น
หากใช้วิธีการแก้ปัญหาซึ่งไม่ผ่านการวิเคราะห์ ถ้าเรามี Data แล้วนำไปวิเคราะห์ผ่านทฤษฎีต่างๆ ที่เหมาะสม เราก็จะได้ Data ที่แปลงมาเป็น Information และเมื่อเราได้ Information ที่มีคุณภาพมีความถูกต้อง ผ่านกระบวนการคิดอย่างเป็นระบบ และทฤษฎีที่เชื่อมั่นได้ เราก็จะสามารถใช้ Information เหล่านั้นไปกำหนด Vision ของบริษัท เพื่อกำหนดทิศทางที่บริษัทจะพัฒนาต่อไป หรือแก้ปัญหาที่เกิดขึ้นอยู่ในปัจจุบันให้ถูกต้อง เหมาะสม ทันเวลา มีประสิทธิภาพสูงสุด และประหยัดที่สุดในค่าใช้จ่ายในการแก้ปัญหานั้น
โดย Vision จะเป็นตัวไปกำหนด Mission ในระดับปฏิบัติการอีกครั้งหนึ่งว่า ภายใต้ Vision นี้ มี Mission อะไรบ้างที่จะต้องทำ และเหตุผลที่ต้องทำมาจาก Information อะไรบ้างที่ได้รับมา และ Information ที่ได้รับมานั้น เกิดจากการวิเคราะห์ Data อะไรบ้าง และวิเคราะห์อย่างไร ด้วยวิธีการอย่างไร จนกลายมาเป็นแนวทางในการแก้ปัญหาอย่างถูกต้อง ตรงประเด็น มีประสิทธิภาพ และประหยัดค่าใช้จ่ายที่สุด
