Data Analytics คืออะไร?
เพราะโลกธุรกิจได้เข้าสู่ยุคดิจิทัลอย่างเต็มรูปแบบและมีข้อมูลเกิดใหม่เพิ่มขึ้นทุกวันอย่างมหาศาล วินาทีนี้จึงปฏิเสธไม่ได้แล้วว่า “การวิเคราะห์ข้อมูล (Data Analytics)” คือส่วนสำคัญอย่างยิ่งในการขับเคลื่อนธุรกิจในยุคปัจจุบัน ไม่ว่าองค์กรธุรกิจจะอยู่ในภาคอุตสาหกรรมใดก็ไม่สามารถมองข้ามสิ่งนี้ได้อีกต่อไปแล้ว
“Data Analytics” ถือได้ว่าเป็นคำกว้าง ๆ ที่หมายถึง “กระบวนการวิเคราะห์ข้อมูลดิบ (Raw Data) ที่จัดเก็บไว้ให้กลายมาเป็นข้อมูลเชิงลึก (Insight) ที่มีความหมาย และอาจแนะนำการกระทำ (Action) บางอย่างอันเป็นประโยชน์ต่อธุรกิจได้” หรือหากอธิบายสั้น ๆ คือนำ Raw Data มาจัดการวิเคราะห์แล้วแสดงผล Insight เพื่อนำไปต่อยอดทางธุรกิจนั่นเอง
หากแต่เบื้องหลังการทำ Data Analytics นั้นจะมีขั้นตอนรายละเอียดกระบวนการที่แตกต่างกันไปตามโจทย์ธุรกิจ เริ่มตั้งแต่กระบวนการจัดการกับข้อมูลจำนวนมหาศาลและหลากหลายรูปแบบ (Type) ไปจนถึงเทคนิคในการวิเคราะห์ข้อมูลเพื่อตอบโจทย์ความต้องการ เช่น แนวโน้ม (Trend) หรือมาตรวัด (Metric) เพื่อนำมาแสดงผล (Visualize) ให้ผู้อ่านเข้าใจได้ง่ายและสามารถต่อยอดได้ทันที ตัวอย่างเช่น การค้นหา Trend ความต้องการของลูกค้าว่า ณ ช่วงเวลานี้กำลังชื่นชอบสินค้าใดเป็นพิเศษ หรือในภาคอุตสาหกรรมการผลิตที่สามารถบอกว่าเครื่องจักรมักจะเกิดเหตุหยุดทำงาน (Downtime) ในช่วงเวลาใด เป็นต้น
4 รูปแบบในการทำ Data Analytics
รูปแบบของการทำ Data Analytics สามารถแบ่งออกมาเป็น 4 รูปแบบหลัก ๆ ด้วยกัน ได้แก่
การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive Analytics)
เป็นการวิเคราะห์ข้อมูลเพื่ออธิบายถึง “อะไร” คือสิ่งที่เกิดขึ้นไปแล้วในอดีต เช่น รายงานเหตุการณ์หรือกิจกรรมต่าง ๆ ที่เกิดขึ้นก่อนหน้านี้ ยอดขายหรือผลการดำเนินงานในช่วงที่ผ่านมา เป็นต้น
การวิเคราะห์ข้อมูลเชิงวินิจฉัย (Diagnostic Analytics)
เป็นการวิเคราะห์ข้อมูลเพื่อหาสาเหตุของสิ่งที่เกิดขึ้นว่า “ทำไม” จึงเป็นเช่นนี้ มีปัจจัยหรือความสัมพันธ์อะไรที่เกี่ยวข้องบ้าง เช่น ความสัมพันธ์ระหว่างยอดขายต่อกิจกรรมทางการตลาดแต่ละประเภท ซึ่งการวิเคราะห์ประเภทนี้จะช่วยสนับสนุนการตัดสินใจทางธุรกิจให้มีความถูกต้องแม่นยำยิ่งขึ้นในอนาคต
การวิเคราะห์ข้อมูลแบบพยากรณ์ (Predictive Analytics)
เป็นการวิเคราะห์เพื่อ “ทำนาย” สิ่งที่กำลังจะเกิดขึ้นหรือน่าจะเกิดขึ้น โดยใช้ข้อมูลจากในอดีตที่มีมาสร้างเป็นแบบจำลองทางสถิติและทฤษฎีความน่าจะเป็น เช่น การคาดการณ์ยอดขายหรือรายได้ในปีนี้ สินค้าอะไรที่น่าจะได้รับความนิยม
การวิเคราะห์ข้อมูลแบบให้คำแนะนำ (Prescriptive Analytics)
เป็นการวิเคราะห์ที่จะ “ทำนายสิ่งที่จะเกิดขึ้น” รวมทั้ง “แนะนำสิ่งที่ควรทำ” ว่าควรจะดำเนินการอะไร โดยจะบอกถึงข้อดี ข้อเสีย สาเหตุ และระยะเวลาของสิ่งที่จะเกิดขึ้น รวมทั้งให้คำแนะนำในทางเลือกต่าง ๆ ที่มีอยู่พร้อมผลของแต่ละทางเลือกด้วย
กระบวนการทำ Data Analytics
แม้ว่ารูปแบบการทำ Data Analytics จะมีอยู่อย่างหลากหลาย แต่กระบวนการทั่วไปที่นักวิเคราะห์ข้อมูล (Data Analyst) มักจะดำเนินการในทำนองเดียวกัน โดยมี 5 ขั้นตอนหลัก ๆ ได้แก่
กำหนดคำถามที่ต้องการคำตอบ ถือเป็นขั้นตอนที่สำคัญที่สุดเพราะต้องกำหนดโจทย์หรือปัญหาให้ชัดเจนว่ากำลังจะทำ Data Analytics ไปเพื่ออะไร เช่น อะไรคือกลยุทธ์ที่องค์กรควรใช้เพื่อเร่งยอดขาย
จัดเก็บข้อมูล หลังจากได้โจทย์ชัดเจนแล้ว จึงเริ่มต้นจัดเก็บรวบรวมข้อมูลที่เกี่ยวข้อง เช่น ข้อมูลในอดีตจากฐานข้อมูล (Database) ข้อมูลสาธารณะตามเว็บไซต์ต่าง ๆ หรือจากซอฟต์แวร์อื่น ๆ ในองค์กร อาทิ CRM, Google Trends
ทำความสะอาดข้อมูล เพื่อทำให้ข้อมูลที่จัดเก็บมาได้นั้นมีความพร้อมที่จะนำเอาไปวิเคราะห์ข้อมูลได้จริง เช่น การลบข้อมูลซ้ำซ้อน ข้อมูลที่ไม่ครบถ้วนสมบูรณ์หรือผิดปกติ ซึ่งขั้นตอนนี้มักจะเป็นขั้นตอนที่ใช้เวลานานกว่าขั้นตอนอื่น ๆ
วิเคราะห์ข้อมูล ขั้นตอนที่ต้องใช้เทคนิคให้ตรงกับคำถามที่ต้องการ เช่น การใช้ Regression เพื่อจำลองความสัมพันธ์ของชุดตัวแปร, ใช้ Cluster เพื่อหาโครงสร้างภายในข้อมูล หรือ Time Series เพื่อค้นหา Trend ตามช่วงเวลา เป็นต้น
แสดงผลและแชร์ในสิ่งที่ค้นพบ ขั้นตอนสุดท้ายที่จะต้องทำการแปลงข้อมูล Insight ที่ได้มาให้กลายเป็นข้อมูลทางธุรกิจที่สามารถเข้าถึงได้ง่าย ไม่ว่าจะเป็นการแสดงผลด้วยแผนภาพ (Chart) หรือกราฟ (Graph) ในรูปแบบที่เหมาะสม
Data Analytics คือหัวใจสำคัญ
ทุกวันนี้การทำ Data Analytics ได้กลายเป็นหัวใจสำคัญของหลาย ๆ องค์กรเป็นที่เรียบร้อย เพราะสิ่งนี้ได้ช่วยให้ประสิทธิภาพการทำงานขององค์กรดีขึ้น อีกทั้งยังสามารถช่วยประหยัดค่าใช้จ่าย ทำให้องค์กรตัดสินใจดำเนินการทางธุรกิจไปในทางที่ดีขึ้นได้ และถ้าหากองค์กรธุรกิจใดสนใจโซลูชันการทำ Data Analytics ติดต่อ STelligence ได้ทันที
