By ทุกคนล้วนพอจะรู้ว่า ประโยคที่ว่า “บริษัทเราจะต้อง Data-Driven” แทบจะเป็นประโยคที่ฮิตมาก ๆ ในปัจจุบันนี้ หลายคนคงเคยได้ฟัง หรือได้เห็น บริษัทที่นำ Data ไปใช้เพื่อสร้างสร้างแคมเปญการตลาดที่ประสบความสำเร็จ หรือบริษัทที่นำ Data มาวิเคราะห์ดูเทรนด์ เพื่อหากลยุทธ์พลิกเกมธุรกิจแย่งชิงส่วนแบ่งตลาดจากคู่แข่ง หรือแม้กระทั่งภาพยนตร์ ที่สร้างขึ้นถึงเรื่องราวที่เกิดขึ้นจริงในวงการกีฬาเบสบอลของประเทศสหรัฐอเมริกา ที่ Data มีส่วนทำให้ทีมมีชัยชนะต่อเนื่องสูงสุดถึง 20 ครั้ง
แต่แล้วพอหันกลับมาดู Data ที่บริษัทตัวเองมี ความตื่นเต้นหรือแรงผลักดันต่าง ๆ ที่จะนำ Data ไปสร้างปาฏิหาริย์ก็ถึงกับต้องหยุดลง พร้อมกับคำถามในหัวที่ตะโกนเสียงอย่างดังว่า
“เอ.. แล้วมันต้องเริ่มยังไงนะ?”
ก่อนอื่นเลย ก่อนที่เราจะเริ่มเข้าสู่ขั้นตอนต่าง ๆ อย่างแรก เราอยากให้คุณทำความรู้จักกับคำว่า Exploratory Data Analysis กันเสียก่อน โดยในบทความนี้เราจะพูดถึงคำนี้แบบย่อ ๆ ว่า EDA ซึ่งถึงแม้คำนี้จะฟังดูยิ่งใหญ่และยากมาก แต่เราเชื่อมั่นว่า หลังจากคุณอ่านบทความนี้จบ คุณจะเข้าใจถึงกระบวนการ EDA และสามารถนำเอาไปปรับใช้ต่อยอดกับ Data ที่มีอยู่ไม่มากก็น้อยได้แน่นอน
แต่ถึงตรงนี้แล้ว ใครที่มั่นใจแล้วว่า ตอนนี้ถ้ารู้วิธีวิเคราะห์ Data ได้ จะทำให้บริษัทเจอทางออกของปัญหาที่เจออยู่แน่ ๆ แต่รู้ตัวว่าไม่ใช่สายอ่านแล้วไปทำเอง แต่เป็นคนสายที่จะเรียนรู้ได้ดีและเข้าใจเร็วกว่า ถ้ามีคนค่อย ๆ อธิบายแล้วทำตาม ทางเราก็มีแพ็กเกจคอร์สออนไลน์ From Analytics to Visualization ที่ได้ ดร. ต้า หรือ ดร. วิโรจน์ จิรพัฒนกุล ผู้ร่วมก่อตั้ง Skooldio และ อดีต Data Scientist ที่ Facebook มานำทีมสอนคุณอย่างละเอียด แบบค่อยเป็นค่อยไปและเข้าใจง่าย นำไปปรับใช้ได้โดยที่คุณไม่ต้องมานั่งงมเองให้เสียเวลา
สำหรับใครที่อยากลุยกันต่อกับบทความนี้ เราไปทำความรู้จัก EDA กันเลยดีกว่า
Exploratory Data Analysis คืออะไร?
Exploratory Data Analysis หรือ EDA คือกระบวนการตรวจสอบ สำรวจข้อมูลเบื้องต้น เพื่อตั้งสมมติฐานให้ได้ว่า เราสนใจอยากจะเปรียบเทียบตัวเลขอะไร เปรียบเทียบไปทำไม และอะไรบ้างที่ควรจะถูกนำมาเปรียบเทียบ? ก่อนนำไปทดสอบสมมติฐาน วิเคราะห์ข้อมูลอย่างละเอียด หรือสร้างแบบจำลองทางสถิติ (Statistical Modeling) ต่อไป
ประโยชน์ของการทำ EDA
- การทำ EDA จะช่วยให้เราสร้างความรู้ความเข้าใจพื้นฐานเกี่ยวกับข้อมูลนั้น ๆ
- ทำให้เราตรวจสอบสมมติฐานเบื้องต้น ตรวจความผิดพลาดของชุดข้อมูลได้
- ทำให้เราเห็นค่าที่โดดออกมาจากค่าปกติ (Outlier) เพื่อป้องกันความผิดเพี้ยนตอนนำข้อมูลไปวิเคราะห์ หรือคำนวณในภายหลัง
- ทำให้เราเข้าใจข้อมูล มองเห็น Trends, Patterns หรือ Insights ต่างๆ เพื่อนำไป Take Action หรือต่อยอดธุรกิจได้อย่างรวดเร็ว
กล่าวคือ Exploratory Data Analysis เป็นกระบวนการวิเคราะห์ข้อมูลที่ให้ความสำคัญกับการสำรวจข้อมูลนั่นเอง เนื่องจากส่วนใหญ่เวลาเราได้ชุดข้อมูลมา เราอาจจะยังไม่รู้ว่า ข้อมูลเหล่านี้มีความสัมพันธ์กันอย่างไร ? ต้องตั้งคำถามแบบไหน ? มีอะไรที่น่าสนใจบ้าง ?
แต่ถ้าเราค่อยๆ สำรวจข้อมูล เราจะค่อยๆ เจอสิ่งที่น่าสนใจ แล้วเราจะสามารถตั้งสมมติฐาน ทำการวิเคราะห์เจาะลึกลงไปได้ ซึ่งจะนำไปสู่การที่เราก็จะได้สิ่งที่น่าสนใจจากข้อมูลนั้นออกมา
ดังนั้น Exploratory Data Analysis หรือ EDA จึงเป็นกระบวนการที่คนนิยมนำมาใช้ เมื่อต้องเริ่มต้นวิเคราะห์ข้อมูลดิบ ที่ยังไม่มีสมมติฐานใด ๆ นั่นเอง
ตัวอย่างการเอา Exploratory Data Analysis ไปปรับใช้ในการเพิ่มยอดขาย
การวิเคราะห์แนวโน้มข้อมูลขาย
การใช้ EDA เพื่อวิเคราะห์แนวโน้มของยอดขายของผลิตภัณฑ์หรือบริการในระยะเวลาที่แตกต่าง เพื่อพบแนวโน้มที่มีการเปลี่ยนแปลงและช่วยในการวางแผนกิจกรรมทางการตลาดในอนาคตเพื่อเพิ่มยอดขายได้
การวิเคราะห์ข้อมูลแหล่งที่มาของลูกค้า
การใช้ EDA เพื่อวิเคราะห์แหล่งที่มาของลูกค้าที่มีอยู่ ซึ่งอาจมาจากแหล่งต่าง ๆ เช่น การค้นหาผ่านเว็บไซต์, โฆษณา, โซเชียลมีเดีย, อีเมล, หรือแหล่งที่มาทางอื่น ๆ โดยสามารถตรวจสอบว่าแหล่งที่มาใดที่มีผลกระทบที่มากที่สุดต่อการดึงดูดลูกค้า และนำข้อมูลนี้มาปรับแผนการตลาดเพื่อดึงดูดลูกค้าใหม่
Segmentation Analysis
EDA ช่วยในการแบ่งกลุ่มข้อมูลลูกค้าตามลักษณะต่าง ๆ เพื่อเข้าใจลักษณะของกลุ่มลูกค้าที่สนใจผลิตภัณฑ์หรือบริการของคุณ และนำข้อมูลนี้มาวิเคราะห์เพื่อปรับแผนการขายและการตลาดให้เหมาะสมกับกลุ่มเป้าหมายนั้น
กระบวนการ EDA มีอะไรบ้าง ?
กระบวนการ EDA จะแบ่งเป็น 3 ขั้นตอน เริ่มตั้งแต่การจัดเตรียมข้อมูล หรือ Data Transformation, การวิเคราะห์ข้อมูล หรือที่เรียกกันว่า Data Analysis จนไปถึงขั้นตอน Data Visualization หรือการนำข้อมูลไปแสดงผลให้เข้าใจง่าย ๆ
1. Data Transformation
ขั้นตอนที่ 1 หรือ ขั้นตอนการทำ Data Transformation นั้นคือการจัดเตรียมข้อมูลเพื่อให้พร้อมและดูเข้าใจสำหรับการวิเคราะห์ เพราะข้อมูลดิบก็เหมือนน้ำมันดิบ ถึงจะมีค่ามาก แต่ถ้ายังไม่ได้ถูกนำมาแปลงและวิเคราะห์อย่างเหมาะสม ก็แทบจะไม่มีค่าเลย การที่เราจะนำข้อมูลไปวิเคราะห์หรือสร้างแบบจำลองทางสถิติต่อได้ง่าย ต้องผ่านการเตรียมข้อมูล หรือ Data Cleansing ให้พร้อมก่อน โดยขั้นตอนการทำความสะอาดข้อมูลนี้ถือเป็นขั้นตอนที่ต้องใช้เวลามาก แต่เป็นขั้นตอนที่สำคัญที่สุด
ตัวอย่างการเตรียมข้อมูลเช่น
- การลบ space ในข้อมูลที่เกินมา (Remove extra white spaces)
- การทำให้ค่าทั้งหมดอยู่ในมาตราฐานเดียวกัน หรือที่เรียกว่าการ Normalize values
- การตัดแต่งข้อความ (text) บางส่วนที่ต้องการใช้ ออกมาจากข้อความยาวๆ (Pre-process text)
- การเปลี่ยน Common Data types ให้เหมาะสม
- การจัดการกับแถวที่มีข้อมูลหายไป ด้วยการลบหรือเติมค่าลงไปให้เหมาะสม (Handle missing values)
โดยองค์ประกอบหลักของข้อมูลที่สะอาด พร้อมใช้งาน มีดังนี้
- แต่ละตัวแปร (variable) ควรมีคอลัมน์ (column) ของตัวเอง
- ข้อมูลแต่ละ Data point หรือข้อสังเกต (Observation) ควรอยู่ในแถวเดียวกัน
- ข้อมูลแต่ละค่า (value) ต้องอยู่ในช่องของตัวเอง (cell) ไม่ควร Merge cell
2. Data Analysis
ต่อด้วยการวิเคราะห์ข้อมูล หรือ Data Analysis ซึ่งเป็นขั้นตอนที่ 2 ของกระบวนการของเรา โดยเมื่อเราเตรียมข้อมูลพร้อมแล้ว เราต้องวิเคราะห์เพื่อหา Insight มาต่อยอด ไม่ว่าจะเป็น
- ความสัมพันธ์ต่างๆ ของตัวแปร
- Patterns ที่ปรากฏขึ้นมา
- การคำนวณค่าสถิติต่างๆ
โดยเราสามารถวิเคราะห์ข้อมูลได้หลายวิธี ไม่ว่าจะผ่านโปรแกรมพื้นฐานอย่าง Microsoft Excel หรือ Google Sheets ไปจนถึงการเขียนภาษาโปรแกรมต่างๆ เช่น SQL, R หรือ Python ขึ้นอยู่กับความถนัด และความชอบของแต่ละคน หรือความยาก-ง่าย ของการวิเคราะห์ข้อมูลที่เราต้องการทำ
มาถึงตรงนี้ใครกำลังมองหาแบบทดสอบ SQL เพื่อไปวัดผล เช็คทักษะด้าน SQL เราขอแนะนำ แบบทดสอบ SQL โดย Skillscore by Skooldio โดยตัวแบบทดสอบจะครอบคลุมเนื้อหาตั้งแต่ SQL พื้นฐานไปจนถึงการทำ Data Transformation ให้คุณได้ลองฝึกทักษะ วัดผลกันดู โดยใช้เวลาไม่เกิน 20 นาทีเท่านั้นขั้นตอนที่ 3 Data Visualization แสดงข้อมูลให้เข้าใจง่ายๆ
3. Data Visualization
ขั้นตอนที่ 3 หรือ ขั้นตอนสุดท้ายนี้ จะเป็นขั้นตอนของการทำ Data Visualization หรือการนำข้อมูลออกมาแสดงให้ทั้งเราและคนที่เกี่ยวข้องเข้าใจกันได้ง่าย ๆ เพราะก็จะปฏิเสธไม่ได้เลยว่าเมื่อเราวิเคราะห์ข้อมูลออกมาได้แล้วนั้น สิ่งที่สำคัญมาก ๆ ต่อมาก็คือ การสื่อสารออกไปให้คนอื่นในทีมเห็นเป็นภาพเดียวกัน การทำ Data Visualization คือการสร้างกราฟ หรือ Chart ต่าง ๆ เพื่อให้เรานำเสนอข้อมูลในรูปแบบที่เข้าใจ insights ได้ง่ายขึ้น เป็นการแปลงข้อมูลให้เป็นภาพ ที่แค่มองครั้งแรกก็เข้าใจถึงสิ่งที่ต้องการจะสื่ออย่างชัดเจนเลย
ซึ่งเครื่องมือที่จะช่วยให้คุณเริ่มต้นทำ Data Visualization ได้เองง่ายๆ มีมากมายในปัจจุบัน หรือแม้กระทั่งเครื่องมือยอดนิยมอย่าง Microsoft Excel หรือ Google Sheets ก็ทำกราฟ เพื่อนำข้อมูลออกมาสื่อสารได้ไม่ยาก
และนี่ก็คือ 3 ขั้นตอน ของการทำ Exploratory Data Analysis ที่จะทำให้ทุกคนสามารถเริ่มต้นวิเคราะห์ข้อมูลได้ด้วยตัวเอง ส่วนใครที่ยังไม่รู้ว่าจะนำข้อมูลมาจากไหน เก็บข้อมูลอย่างไร ก็สามารถเข้าไปอ่านเพิ่มเติมได้ที่ 3 สิ่งที่ต้องรู้! ช่วยธุรกิจดีขึ้น ด้วยข้อมูลรอบตัว
สำหรับคนที่ยังไม่เคยใช้ Google Sheets หรือ Microsoft Excel ในการวิเคราะห์ข้อมูลมาก่อนเลย อาจจะลองเริ่มนำขั้นตอนเหล่านี้ไปปรับใช้ เพื่อเรียนรู้สูตรและฟังก์ชันต่างๆ ในการจัดการข้อมูล
หรือถ้าใครที่อ่านมาถึงตรงนี้แล้วรู้สึกว่า แม้จะเข้าใจหลักการ หรือ กระบวนการของการทำ Exploratory Data Analysis แล้ว แต่ก็ยังคงนึกภาพไม่ออกอยู่ดีว่าจะไปปรับใช้กับ Data ที่บริษัทอย่างไรดี ทาง Skooldio มีตัวช่วยให้คุณตอนนี้อย่างน้อย 2 ทาง
- ลงทะเบียนเรียนแพ็กเกจคอร์สออนไลน์ From Analytics to Visualization รวมสองคอร์สออนไลน์ที่ตั้งใจออกแบบมาเพื่อพาคุณเริ่มต้นนำ Data มาปรับใช้ในธุรกิจได้จริง ๆ พร้อมตัวอย่างต่าง ๆ ที่ดร. ต้า จะมาเล่าให้คุณฟังในคอร์ส
- ให้ทาง Skooldio พาดร. ต้า วิโรจน์ หรือผู้เชี่ยวชาญท่านอื่น ๆ ไปจัด Workshop ให้กับบริษัท หรือทีมของคุณ อย่างใกล้ชิดเลย ให้คนในองค์กรช่วยกันเรียนรู้ไปพร้อม ๆ กัน ข้อดีคือเมื่อมีข้อสงสัยตรงไหน ก็ถามได้ตรงนั้นเลย เพียงแค่คุณกรอกฟอร์มในหน้านี้ เพื่อให้ทีมงาน Skooldio ติดต่อกลับ
สุดท้ายนี้ เราหวังว่าคุณจะเริ่มมองหาวิธีการนำ Data ที่มีอยู่ไปต่อยอดใช้ประโยชน์ได้ในอนาคตอันใกล้ แล้วคุณอาจจะเป็นคนต่อไปที่นำ Data ไปสร้างปาฏิหาริย์ให้กับทีม
