ในยุคที่ข้อมูลมีบทบาทสำคัญต่อการตัดสินใจ การสื่อสารด้วยข้อมูล (Data Storytelling) จึงเป็นทักษะที่ขับเคลื่อนความเข้าใจและสร้างอิทธิพลต่อผู้ฟังอย่างมีประสิทธิภาพ ไม่ว่าจะเป็นการนำเสนอผลการวิเคราะห์เชิงธุรกิจ รายงานวิจัย หรือการสื่อสารภายในองค์กร การเล่าเรื่องผ่านข้อมูลที่ชัดเจนและน่าสนใจจะสามารถช่วยให้ผู้รับสารเข้าใจสาระสำคัญได้อย่างรวดเร็วและคล้อยตามกับข้อมูลได้ง่าย

หนึ่งในปัจจัยสำคัญที่กำหนดความสำเร็จของ Data Storytelling คือ การเลือกใช้กราฟหรือแผนภาพที่เหมาะสม เพราะแม้ว่าข้อมูลจะถูกวิเคราะห์อย่างถูกต้องและครอบคลุม แต่หากเลือกวิธีการนำเสนอที่ไม่สอดคล้องกับลักษณะของข้อมูลหรือประเด็นที่ต้องการสื่อ ก็อาจทำให้การสื่อสารออกมาไม่มีประสิทธิภาพเท่าที่ควร จนอาจทำให้ผู้ฟังรู้สึกสับสนกับข้อมูลและไม่คล้อยตามไปกับการเล่าเรื่องของเรา ด้วยสาเหตุนี้ การทำความเข้าใจ “แผนผังจำแนกประเภทกราฟที่ใช้บ่อย” (Taxonomy of Commonly-Used Charts) จึงเป็นเหมือนคู่มือที่ช่วยให้เราสามารถจับคู่ข้อมูลกับรูปแบบการนำเสนอที่สื่อสารได้ทรงพลังที่สุด

บทความนี้จะพาคุณไปรู้จักกับโครงสร้างการจำแนกประเภทของกราฟที่นิยมใช้ พร้อมแนวคิดและเหตุผลเบื้องหลังการเลือกใช้แต่ละประเภท เพื่อช่วยให้คุณสร้างงานนำเสนอข้อมูลที่ทั้งชัดเจน มีประสิทธิภาพ และทำให้ผู้ฟังสามารถคล้อยตามกับเราได้ง่าย

ปัญหายอดฮิตของการทำกราฟ Data Storytelling

การที่เราจะสื่อสารข้อมูลได้ดีมันต้องเริ่มจากการเข้าใจก่อนว่า เราอยากจะให้ผู้ฟังหรือผู้อ่านเขาทำอะไร เช่น อยากจะให้เปรียบเทียบค่า หรืออยากให้เห็นความสัมพันธ์ระหว่างข้อมูล เป็นต้น แต่หลายครั้ง เรามักจะตั้งต้นเตรียมทำ Data Storytelling ด้วยการ “เลือกกราฟที่ตัวเองอยากใช้” ก่อน โดยที่ไม่ได้ดูเลยว่าสิ่งที่เราต้องการจะสื่อ มันสามารถถูกเล่าออกมาได้มีประสิทธิภาพผ่านกราฟที่ว่าไหม ซึ่งการทำแบบนี้จะส่งผลให้การเล่าข้อมูลออกมาไม่มีประสิทธิภาพเท่าที่ควรได้ 

โดยส่วนมาก ข้อมูลชุดเดียวกันสามารถนำมาใส่กราฟได้หลากหลายแบบ แต่คำถามคือ “กราฟแบบไหนเหมาะที่สุดสำหรับข้อมูลที่เราต้องการจะสื่อสารออกไป?” เพราะฉะนั้น เราต้องเริ่มต้น Data Storytelling จาก “เป้าหมายการสื่อสาร” เป็นอันดับแรก จากนั้นค่อยเลือกกราฟที่จะช่วยให้การสื่อสารของเราประสบความสำเร็จมากที่สุด เนื้อหาถัดไปจะพาทุกคนมาดูประเภทของกราฟต่างๆ เพื่อให้ทุกคนเข้าใจว่า การสื่อสารแบบไหน เหมาะกับกราฟอะไร

1. กราฟที่แสดงให้เห็นความสัมพันธ์ (Visualizing Relationship)

กราฟประเภทนี้จะเอาไว้ใช้สำหรับดูความสัมพันธ์ของตัวแปรตั้งแต่ 2 ตัวเป็นต้นไป ว่ามันมีการเปลี่ยนแปลงของค่าระหว่างตัวแปรต่าง ๆ หรือเปล่า เวลาที่ค่าแกน X เพิ่มขึ้น ค่าแกน Y จะเพิ่มขึ้นหรือลดลงไหม มันจะไปในทิศทางเดียวกัน หรือทิศทางตรงกันข้ามก็ได้ เพียงแต่ว่าการเปลี่ยนแปลงของค่านึง มันมักจะมีความสอดคล้องกับการเปลี่ยนแปลงของอีกค่านึง ซึ่งอันนี้เราเรียกว่าการดูความสัมพันธ์ โดยกราฟที่เอาไว้ดูความสัมพันธ์ก็จะมีอยู่หลายกราฟมาก แต่โดยหลักแล้วก็จะมีดังนี้

Scatter Plot (กราฟจุด)

Scatter Plot จะแทนค่าของ “ตัวแปรเชิงปริมาณสองตัวบนแกน X และ Y” เพื่อตรวจดูว่าสองตัวแปรมีค่าความสัมพันธ์กันอย่างไร หากจุดเรียงเป็นแถวเฉียงขึ้น เราจะตีความว่าเป็นความสัมพันธ์เชิงบวก ในทางกลับกันถ้าจุดไล่ลงแสดงความสัมพันธ์เชิงลบ แต่หากจุดกระจายไร้รูปแบบ อาจไม่มีความสัมพันธ์ชัดเจน

Bubble Chart (แผนภูมิฟองสบู่)

เมื่อเราต้องการเพิ่มตัวแปรที่สามเพื่อบอกข้อมูลเพิ่มเติมของแต่ละจุด ตัว Bubble Chart ก็จะเข้ามาช่วยในเรื่องนี้ได้ โดยใช้ขนาดของวงกลมแทนค่าตัวแปรเพิ่มเติม เช่น ยอดขายรวมหรือจำนวนผู้ใช้ ข้อควรระวังคืออย่าใส่วงกลมมากจนเกินไปจนอ่านแนวโน้มไม่ได้ การใช้งานที่แผนภูมิฟองสบู่ให้มีประสิทธิภาพคือให้แกน X และ Y รักษาหน้าที่หลักในการสื่อความสัมพันธ์ ขณะที่ขนาดก้อนวงกลมที่แสดง “ความหนักเบา” ของแต่ละจุด ส่วนสีอาจใช้บอกหมวดหมู่ แต่ก็ควรจำกัดจำนวนสีและเลือกพาเลตที่แตกต่างกันจริง ๆ เพื่อไม่ให้แยกแยะลำบาก ทั้งหมดนี้ช่วยให้ผู้อ่านเข้าใจได้ในคราวเดียวว่า ตัวแปรสองตัวสัมพันธ์กันอย่างไร และจุดใดมีน้ำหนักมากน้อยแค่ไหน

Heat Map (แผนภูมิความร้อน)

ความโดดเด่นของ Heatmap คือการใช้สีเข้มและอ่อนแทนค่าตัวเลข ทำให้เราเห็น pattern ซ้ำ ๆ และโครงสร้างที่เกิดจากปฏิสัมพันธ์ของตัวแปรจำนวนมากได้ในครั้งเดียว ตัวอย่างการใช้งานที่พบบ่อยคือ correlation matrix ซึ่งช่วยให้เห็นว่าตัวแปรใดสัมพันธ์กันมากหรือน้อย และมักใช้เป็นจุดเริ่มต้นในการเลือกตัวแปรสำหรับสร้างแบบจำลอง หรือในมุมข้อมูลเชิงหมวดหมู่

สิ่งที่ต้องระวังเป็นพิเศษเวลาทำ Heat Map ก็คือการเลือกสเกลสีที่เหมาะสม ถ้าเป็นค่าที่มีทั้งบวกและลบควรใช้พาเลตแบบ diverging พร้อมบอกค่ากลางที่ชัดเจน หากเป็นค่าความหนาแน่นหรือจำนวนควรใช้พาเลตแบบ sequential และระวัง “สีสายรุ้ง” ซึ่งมักทำให้การรับรู้ความต่างของข้อมูลได้ยาก

2. กราฟที่แสดงการเปรียบเทียบ (Comparison)

สิ่งที่เรามักอยากจะทำมากที่สุดเวลาที่เราวิเคราะห์ข้อมูลก็คือการเปรียบเทียบ เช่น ลูกค้าเดือนที่แล้วมีเท่าไหร่ แล้วลูกค้าเดือนนี้มีเท่าไหร่ ความน่าสนใจในการวิเคราะห์ข้อมูลจึงอยู่ที่การเปรียบเทียบ ทำให้สามารถมองเห็นได้ว่าค่าอะไรเยอะ และค่าอะไรน้อย ซึ่งหลายครั้งข้อมูลตรงนี้มักจะนำไปสู่สิ่งที่น่าสนใจในเชิงธุรกิจได้ กลุ่มกราฟที่แสดงการเปรียบเทียบทนั้นถูกออกแบบมาเพื่อ “ชี้ให้เห็นความแตกต่างระหว่างหมวดหมู่” อย่างตรงไปตรงมา โดยมีเป้าหมายคือการทำให้ผู้ฟังหรือผู้อ่านตอบได้ทันทีว่าอันไหนมากกว่า อันไหนน้อยกว่า และต่างกันแค่ไหนในเชิงระดับ ซึ่งกราฟที่เหมาะสมสำหรับการเปรียบเทียบก็จะมีดังนี้

Bar Chart (กราฟแท่ง)

กราฟที่คลาสสิคและเป็นที่นิยมอย่างมากสำหรับการเปรียบเทียบก็จะเป็น Bar Chart หรือกราฟแท่งนั่นเอง ผู้อ่านสามารถมองได้ด้วยแว้บแรกแล้วเห็นได้ทันทีว่าแต่ละค่ามีความต่างกันมากน้อยแค่ไหน แท่งสูงก็ค่าเยอะ แท่งเตี้ยก็ค่าน้อย จุดแข็งของมันคือความแม่นยำในการรับรู้ของสายตาต่อความยาวเชิงเส้น จึงเหมาะอย่างยิ่งกับการเปรียบเทียบค่าในช่วงเวลาเดียวกัน เช่น ยอดขายตามประเภทสินค้า หรือคะแนนความพึงพอใจของบริการแต่ละช่องทาง

Bar Chart ที่เล่าเรื่องได้ดีมักมีการเน้นแท่งสำคัญเพียงไม่กี่แท่งด้วยสีที่ต่างออกไป มีคำกำกับค่าที่ชัดเจน สิ่งที่ควรหลีกเลี่ยงก็คือการใช้ลูกเล่นที่บิดเบือนการรับรู้ เช่น มุมมองสามมิติ เงา หรือการตัดแกนที่ไม่จำเป็น หากข้อมูลมีค่าติดลบ การวางเส้นศูนย์กลางกราฟให้ชัดก็ช่วยให้ผู้อ่านสามารถเข้าใจข้อมูลตรงหน้าได้ง่ายและชัดเจนขึ้น โดยสรุปแล้ว กราฟแท่งถือเป็นกราฟที่พื้นฐานที่สุดสำหรับการเปรียบเทียบข้อมูล ถึงแม้จะไม่ได้หวือหวาอะไรมาก แต่มันมีประสิทธิภาพในการแสดงความต่างระหว่างข้อมูลได้ดีทีเดียว

Grouped Bar Chart (กราฟแท่งกลุ่ม)

ถ้าเราอยากให้กราฟแท่งมันมีมิติที่ลึกขึ้น หรืออยากให้มีตัวแปรอื่นเข้ามาเกี่ยวข้องด้วย เราก็จะสามารถต่อยอดจากกราฟแท่งธรรมดาให้มาเป็นกราฟแท่งกลุ่มได้ ซึ่งกราฟนี้จะทำให้เราสามารถเล่าข้อมูลที่มี “หลายมิติในหมวดเดียวกัน” ได้ ตัวอย่างเช่น การเทียบยอดขายของปี 2023 กับ 2024 ในแต่ละภูมิภาค หรือเทียบคะแนนก่อน–หลังแคมเปญในแต่ละช่องทาง รูปแบบนี้ทำให้เห็นทั้งความต่างระหว่างหมวด (ผ่านความสูงของกลุ่มแท่ง) และความต่างระหว่างมิติ (ผ่านแท่งที่อยู่ข้างกัน) อย่างไรก็ตาม ภาพจะเริ่มอ่านยากทันทีถ้ามันมีจำนวนมิติหรือหมวดหมู่ที่มากเกินไป ผู้เล่าจึงควรจำกัดจำนวนมิติให้น้อย และเลือกสีที่แตกต่างกันอย่างชัดเจนเพื่อให้อ่านง่าย

Stacked Bar Chart (กราฟแท่งแบบเรียงซ้อน)

การใช้กราฟแท่งธรรมดาจะทำให้เราเห็นค่ารวมของข้อมูลหลายกลุ่ม แต่ถ้าเราต้องการที่จะแสดงทั้งค่ารวมและสัดส่วนของข้อมูลด้วย กราฟแท่งแบบเรียงซ้อนก็จะตอบโจทย์ได้ดีมาก ทำให้ผู้อ่านเห็นทั้งขนาดรวมและสัดส่วนของส่วนย่อย ทว่าจุดอ่อนสำคัญคือมันเปรียบเทียบ “ส่วนย่อยเดียวกัน” ระหว่างหมวดหมู่ได้ยาก เพราะฐานของส่วนที่อยู่กลางแท่งไม่เท่ากัน

3. กราฟที่บอกสัดส่วน (Composition)

กลุ่มกราฟประเภทนี้จะมีหน้าที่ในการบอกสัดส่วนว่า ในค่ารวม 100% นี้ ประกอบไปด้วยสัดส่วนย่อยอะไรบ้าง และแต่ละสัดส่วนมีปริมาณเท่าไหร่ ทำให้ผู้อ่านสามารถเห็นโครงสร้างทั้งภาพรวมและสัดส่วนย่อยได้อย่างชัดเจน ก่อนเลือกกราฟในหมวดนี้ สิ่งที่ควรย้ำกับทีมเสมอคือข้อมูลที่นำเสนอจะต้องเป็น “ก้อนเดียวกัน” ตามนิยามเดียวกันจริง ๆ หมวดหมู่ย่อยต้องไม่ซ้อนทับกัน หน่วยต้องเหมือนกัน และอ้างอิงช่วงเวลาเดียวกัน เพื่อหลีกเลี่ยงปัญหาการเอาข้อมูลคนละฐานมาปะติดปะต่อจนสรุปผิด โดยกราฟยอดนิยมในหมวดหมู่บอกสัดส่วนก็จะมีดังนี้

Pie Chart (กราฟวงกลม)

Pie Chart จะเป็นกราฟที่คนส่วนใหญ่คุ้นเคยที่สุด จุดแข็งของกราฟพายหรือกราฟวงกลมก็คือเล่าข้อมูลโดยการใช้วงกลมแทนค่ารวมทั้งหมด และชิ้นพายแทนข้อมูลส่วนย่อย แต่กราฟนี้ก็จะมีข้อจำกัดเยอะมาก ด้วยความที่สายตาคนเราเทียบ “มุมและพื้นที่” ได้ไม่แม่นเท่าความยาว ความแตกต่างเล็ก ๆ ระหว่างข้อมูลย่อยหลายอันจึงอ่านได้ยาก โดยเฉพาะเมื่อมีหลายชิ้นในพายเดียวกัน ด้วยสาเหตุนี้เอง การใช้กราฟวงกลมจะเหมาะสมก็ต่อเมื่อจำนวนข้อมูลส่วนย่อยมีเพียง 3-5 ส่วน และแต่ละส่วนมีค่าที่ไม่ใกล้เคียงกัน

Treemap (ทรีแม็ป)

กราฟที่แสดงสัดส่วนของข้อมูลโดยการใช้ “พื้นที่สี่เหลี่ยม” เป็นตัวบอกว่าแต่ละข้อมูลกินสัดส่วนไปเยอะหรือน้อยแค่ไหน ถ้าพื้นที่สี่เหลี่ยมใหญ่ก็คือสัดส่วนเยอะ แต่ถ้าพื้นที่สี่เหลี่ยมเล็กก็คือสัดส่วนน้อย ซึ่งทรีแม็ปจะมีประโยชน์อย่างมาก็ต่อเมื่อข้อมูลของเรามีลำดับขั้น (hierarchy) ก็คือมีหมวดหมู่ใหญ่ ๆ ที่ถูกแทนด้วยสี พร้อมทั้งหมวดหมู่ย่อย ๆ ข้างในหมวดหมู่ใหญ่ สรรพคุณของทรีแม็ปคือมันสามารถวางหมวดหลักและหมวดย่อยจำนวนมากให้อยู่ในภาพเดียวกันโดยยังเห็นภาพรวมและรายละเอียดเล็ก ๆ พร้อมกันได้ 

Stacked 100% Bar Chart (กราฟแท่งแบบเรียงซ้อน 100%)

กราฟนี้จะแตกต่างจาก Stacked Bar Chart ตรงที่แบบธรรมดาจะโฟกัสไปที่ค่ารวมของแต่ละแท่ง แล้วแบ่งย่อยให้เห็นเฉย ๆ ว่าในค่ารวมมันมีอะไรแบ่งย่อยลงมาบ้าง แต่แบบ 100% จะโฟกัสไปที่สัดส่วนย่อยเป็นหลักด้วยการดันแท่งทุกอันให้เป็น 100% มีจุดประสงค์ในการเปรียบเทียบเปอร์เซ็นต์ของสัดส่วน ไม่ใช่ค่ารวมทั้งหมดของแท่ง กราฟนี้จะเหมาะมากในกรณีที่ค่ารวมจากทุกกลุ่มไม่สำคัญ

4. กราฟที่แสดงการกระจายตัว (Distribution)

กลุ่มกราฟที่เอาไว้ใช้ “มองรูปทรงของข้อมูล” มากกว่าการมองค่าจุดใดจุดหนึ่งเป็นพิเศษ จุดประสงค์ของมันคือทำให้เห็นว่าข้อมูลกระจายตัวอย่างไร กระจุกอยู่ตรงไหน จุดใดเยอะ และจุดใดน้อย โดยกราฟหลักที่จะช่วยให้เห็นการกระจายตัวก็จะมีดังนี้

Histogram (ฮิสโตแกรม)

หน้าตาของฮิสโตแกรมจะมีความคล้ายคลึงกับกราฟแท่งเลย แต่จุดประสงค์จะแตกต่างกันอย่างสิ้นเชิงในแง่ที่ว่าฮิสโตแกรมจะเอาไว้ดูความถี่ ส่วนกราฟแท่งจะเอาไว้เปรียบเทียบข้อมูลระหว่างหมวดหมู่ โดยฮิสโตแกรมนั้นจะเป็นวิธีหลักในการแสดงการกระจายตัวของข้อมูล ความสูงของแท่งจะสะท้อนความหนาแน่นของข้อมูลในช่วงนั้น ๆ พร้อมทั้งลดระยะห่างระหว่างแท่งเพื่อให้เห็น “รูปทรง” ของข้อมูลได้ชัดเจนยิ่งขึ้น พอมองภาพรวม เราจะเห็นรูปทรงว่าข้อมูลเอียงซ้ายหรือขวา มีหางยาวหรือสั้น และมียอดหลายยอดหรือไม่

Box Plot (แผนภาพกล่อง)

Box Plot จะมีหน้าตาเป็นกล่อง ทำให้เราเข้าใจได้ว่าข้อมูลของเรามันกระจุกและกระจายอยู่ในช่วงประมาณไหน ด้วยการแสดงค่ามัธยฐาน (Median) และพิสัย (range) ของข้อมูล โดยกล่องตรงกลางจะแทนช่วงที่ข้อมูลกึ่งกลาง 50% อยู่ เรียกว่า interquartile range (IQR) ซึ่งขอบกล่องบนคือค่าควอร์ไทล์ที่สาม (Q3) และขอบกล่องล่างคือควอร์ไทล์แรก (Q1) เส้นที่อยู่กลางกล่องคือค่ามัธยฐาน (Median) ที่ช่วยบอกค่ากึ่งกลางของข้อมูล ส่วนเส้นที่ยื่นออกจากกล่องทั้งบนและล่างใช้บอกขอบเขตที่ข้อมูลส่วนใหญ่ยังอยู่ภายใน

ข้อดีของ Box Plot คือสามารถเปรียบเทียบการกระจายของข้อมูลหลายชุดได้ง่าย เห็นได้ทันทีว่าชุดไหนมีค่ากระจายกว้าง แคบ หรือมีข้อมูลเบ้ไปด้านใด และยังชี้ให้เห็นค่าผิดปกติได้อย่างชัดเจน จึงเป็นเครื่องมือที่นักวิเคราะห์ข้อมูลใช้บ่อยเมื่อต้องการดูภาพรวมของข้อมูลจำนวนมากอย่างรวดเร็ว

5. กราฟที่แสดงความต่อเนื่องของค่า (Time-series) 

Time-series มีชื่อเรียกในภาษาไทยว่าอนุกรมเวลา โดยกลุ่มกราฟนี้จะทำให้เรา “มองเห็นการเปลี่ยนแปลงของข้อมูลตามเวลา” อย่างเป็นลำดับด้วยการเปลี่ยนแกน X ให้เป็นค่าเวลา ก่อนอื่นต้องเข้าใจว่าอนุกรมเวลาคือชุดข้อมูลที่มี “ดัชนีเป็นเวลา” ไม่ว่าจะเป็นวินาที ชั่วโมง วัน เดือน หรือไตรมาส ความพิเศษของมันคือข้อมูลในช่วงถัดไปมักสัมพันธ์กับช่วงก่อนหน้าไม่มากก็น้อย เช่น ในช่วงฤดูร้อน ไอศกรีมก็อาจจะขายดีเป็นเทน้ำเทท่า แต่ในช่วงฤดหนาว ยอดขายก็อาจจะค่อย ๆ ลดลงมา โดยทั่วไปแล้ว กราฟอนุกรมเวลามักมีโครงสร้างสามอย่างที่เราต้องจับให้ได้ คือแนวโน้มระยะยาว (trend), ฤดูกาลหรือรอบที่เกิดซ้ำ (seasonality/cycle) และความผิดปกติ (shocks/anomalies) เมื่อเล่าเรื่องด้วยอนุกรมเวลา เราไม่ได้เพียงโชว์ค่าปัจจุบัน แต่เราพาผู้อ่านไปมองเห็น “เส้นเรื่องของตัวแปร” ว่ามาจากไหน เปลี่ยนเมื่อไร และกำลังจะไปทางใด พร้อมบริบทของเหตุการณ์ที่อาจเป็นสาเหตุของการเปลี่ยนแปลงนั้น กราฟยอดฮิตที่แสดงความต่อเนื่องของค่าก็จะมีดังนี้

Line Chart (แผนภูมิเส้น)

กราฟที่เป็นพระเอกของหมวดนี้คือ Line Chart ซึ่งจะเชื่อมค่าของตัวแปรตามลำดับเวลาด้วยการลากเส้นให้ต่อเนื่องกัน ซึ่งข้อดีอย่างมากของแผนภูมิเส้นคือมันเห็นแนวโน้มการเปลี่ยนแปลงได้ง่ายเพราะเส้นมันนำสายตาได้ดี จะมองเห็นได้ชัดเลยว่าช่วงเวลาไหนมีค่าสูงขึ้น ช่วงเวลาไหนมีค่าคงที่ และช่วงเวลาไหนมีค่าลดลง

Stacked Area Chart (แผนภูมิพื้นที่แบบซ้อนกัน)

กราฟนี้จะใช้แสดงการเปลี่ยนแปลงค่าผลรวมและสัดส่วนจากข้อมูลหลายกลุ่ม เหมาะเมื่อเราต้องการเล่าทั้ง “ยอดรวม” ของข้อมูลหลายกลุ่มและ “องค์ประกอบย่อย” ของกลุ่มนั้น ๆ โดยพื้นที่ของแต่ละกลุ่มจะถูกซ้อนกันขึ้นไปจนกลายเป็นก้อนรวม แต่ Stacked Area Chart ก็จะมีข้อเสียตรงที่ ถ้าเรามีข้อมูลหลายกลุ่มเกินไป มันก็จะทำให้เราอ่านสัดส่วนได้ยากมาก

ทั้งหมดที่ว่ามานี้ก็คือกราฟทั้ง 5 ประเภท พร้อมทั้งตัวอย่างของกราฟยอดฮิตที่เหมาะสมในแต่ละประเภท ท้ายที่สุดแล้ว การทำความเข้าใจ “taxonomy” ของกราฟทั้งห้าหมวด คือการเรียนรู้พื้นฐานของการทำ Data Storytelling เมื่อเราสามารถเลือกกราฟให้เหมาะสมกับจุดประสงค์ของการสื่อสาร การนำเสนอข้อมูลของคุณก็จะเป็นเครื่องมือสำคัญที่ช่วยขับเคลื่อนการตัดสินใจขององค์กร ให้ทุกคนเห็นภาพเดียวกัน เข้าใจปัญหาเดียวกัน และเดินไปในทิศทางเดียวกันอย่างมั่นใจ

หากคุณอยากเป็น “คนเก่งที่เล่าข้อมูลเป็น” จนสามารถทำให้ภาพอยู่ในหัวคนฟังทันทีหลังนำเสนอเสร็จ ห้ามพลาด! เวิร์กชอป Effective Data Storytelling ที่จะพาคุณมาเรียนรู้วิธีการออกแบบสไลด์นำเสนอได้แบบมืออาชีพ และสามารถโน้มน้าวคนอื่นด้วยข้อมูลได้ เปิดตำรา 3 กุญแจสำคัญในการเล่าเรื่องให้ดี ที่ถอดบนเรียนจากสไลด์ที่บริษัทชั้นนำอย่าง McKinsey & Company ทำกัน

สอนโดย 3 ผู้เชี่ยวชาญมากประสบการณ์อย่าง ดร. วิโรจน์ จิรพัฒนกุล อดีต Data Scientist ที่ Facebook, คุณกฤตเมธ เปรมนิยา Business Development ที่ KBank และคุณพลากร บูรณสัมปทานนท์ Data Scientist ที่ Bank of Thailand

สมัครเรียน อ่านรายละเอียดเพิ่มเติม คลิก Effective Data Storytelling รุ่นที่ 18 ได้เลย!