Data Analytics

ความรู้เกี่ยวกับการทำ Data Analytics

ทำไมถึงต้องทำ Data Analytics


ทรัพยากรที่มีค่ามากที่สุดในโลกไม่ใช่น้ำมันอีกต่อไป แต่คือข้อมูล

คำกล่าวด้านบนเป็นของ The Economist ที่คงทำให้หลายคนตระหนักว่า “ข้อมูล” สำคัญเพียงใดในยุคดิจิตอลอย่างทุกวันนี้ ด้วยความก้าวหน้าทางวิทยาการและเทคโนโลยีต่างๆ เราจึงมีการประมวลผลข้อมูลที่รวดเร็ว การจัดเก็บข้อมูลได้จำนวนมาก และเก็บข้อมูลได้ง่ายขึ้น (ไม่เชื่อลองนึกถึงราคา Flashdrive 128 MB ราคาพันกว่าบาทในสมัยก่อน เทียบกับปัจจุบันดูสิ) ตอนนี้เลยเป็นสิ่งสำคัญที่บริษัทต่างๆหันมาใช้ข้อมูลที่ตัวเองมี เพื่อตัดสินใจในการทำธุรกิจ


ธุรกิจต่างๆสามารถตัดสินใจได้ดีขึ้น เนื่องจากมีข้อมูลอยู่ในมือมากมาย เช่น ข้อมูลเกี่ยวกับลูกค้า ข้อมูลการปฏิบัติงาน ข้อมูลทางการเงิน และข้อมูลอื่นๆ ซึ่งการนำข้อมูลต่างๆเหล่านี้มาช่วยในการรตัดสินใจ จะทำให้บริษัทสามารถปฏิบัติงานได้อย่างมีประสิทธิภาพมากขึ้น มีการตัดสินใจที่ดีขึ้น และ มีการวางกลยุทธ์ที่แม่นยำมากขึ้น

การที่บริษัทสามารถตัดสินใจได้ดีขึ้น ทำให้บริษัทสามารถลดรายจ่าย เพิ่มรายได้ รวมถึงทำให้เกิดข้อได้เปรียบต่อคู่แข่ง ทั้งในแง่ของ Employee Engagement และ ความพึงพอใจของลูกค้า ตัวอย่างหนึ่งที่เป็นตัวอย่างที่ดีของการใช้ข้อมูลในการตัดสินใจ คือ UPS trucks don’t turn left โดยที่รถยนต์ส่งของของ UPS จะไม่เลี้ยวซ้ายเลย (เนื่องจากในสหรัฐฯ ขับรถเลนขวา ดังนั้นการเลี้ยวขวาจะเป็นเลนเลี้ยวขวาผ่านตลอดเหมือนการเลี้ยวซ้ายผ่านตลอดในไทย) การที่บริษัทตัดสินใจทำแบบนี้ทำให้ระยะเวลาในการขนส่งสินค้าสั้นลง (เนื่องจากไม่ต้องติดไฟแดง) และทำให้รายได้มากขึ้น (เนื่องจากทำรอบได้มากขึ้น) พนักงานก็มีความสุขมากขึ้น (เนื่องจากใช้เวลาทำงานน้อยลง) และ ลูกค้าก็ชอบบริการมากขึ้น (เพราะส่งสินค้าได้เร็วขึ้น) เป็นต้น

Data Analytics คืออะไร?


Data Analytics ประกอบไปด้วยสามด้านหลักๆ ได้แก่ Data Engineering, Data Sciences และ Data Analysis

Data Engineering

Data Engineering

คือการวางโครงสร้างพื้นฐาน ว่าเราจะหาข้อมูลได้อย่างไร นำข้อมูลไปเก็บที่ไหน และใช้แพลตฟอร์มใดในการวิเคราะห์ข้อมูล เช่น เก็บข้อมูลจากแบบสอบถามออนไลน์ โดยใช้ TypeForm หลังจากนั้นข้อมูลจะถูกส่งต่อไปยังฐานข้อมูลที่ Amazon Redshift SQL database เพื่อเก็บข้อมูล และ นำเสนอด้วยกราฟผ่านทางโปรแกรม Tableau

Data Sciences

Data Sciences

คือการสร้างโมเดลวิเคราะห์ข้อมูลต่างๆ โดยเฉพาะการพยากรณ์สิ่งที่จะเกิดขึ้น โดยมากมักจะนิยมผ่านการเขียนโปรแกรม R หรือ Python ซึ่งเป็นภาษาโปรแกรมที่เป็นที่นิยม เช่น Netflix ใช้หลักการของ Machine Learning เพื่อแนะนำให้เราดู

Data Analysis 

Data Analysis 

คือการแปลผลจาก Data Engineering และ Data Sciences ให้ออกมาในแง่ของการทำธุรกิจ เช่น ตัวอย่างของ UPS ที่กล่าวไปด้านบน เมื่อเราได้บทเรียนจากข้อมูลของเรา เราควรจะเอามาแปลผลเพื่อทำให้เกิด Impact ผ่านทาง business strategy

เราอยู่ตรงไหนของ Data Analytics?


ตามทฤษฏีของ Maslow’s Hierarchy of Needs คนที่ยังไม่มีอาหารจะกิน (ความต้องการทางด้านร่างกาย) ย่อมจะไม่ไปดูแฟชั่นโชว์ (ความนับถือตัวเอง) องค์กรต่างๆย่อมมีความต้องการในการใช้ Data Analytics แตกต่างกันตาม Stage ที่ตนเองอยู่

ทีมของเราที่ Davoy ได้เปรียบเทียบด้านบนกับการทำ Data Analytics จนเกิดเป็น ‘Maslow’s Hierarchy of Analytics’ ที่จะบอกว่าในแต่ละองค์กรนั้น อยู่ในระดับใดของการทำ Data Analytics และควรจะทำอย่างไร เพื่อให้ก้าวไปได้ไกลขึ้น ตามรูปด้านล่าง

1) Data-driven Decision

องค์กรที่อยู่ในระดับนี้ มีข้อมูลอยู่แล้ว แต่ว่าข้อมูลแต่ละส่วนยังไม่ได้เป็นข้อมูลที่พร้อมใช้ หรือสามารรถนำมาเชื่อมกันได้ เช่น ร้านค้าแผงลอยรู้ว่าสามารถขายต้มเลือดหมูได้ 500 ชาม ในวันธรรมดา และ 200 ชาม ในวันหยุด จึงตัดสินใจหยุดขายในวันหยุดเพื่อพักผ่อน แม้ว่าข้อมูลยังไม่ได้เก็บในคอมพิวเตอร์ แต่ก็สามารถนำไปใช้ในการตัดสินใจทางธุรกิจได้ดี

2) Integrated Data

ระดับต่อมาคือ มีการตัดสินใจที่ดีโดยยึดตามข้อมูลที่ได้จัดเก็บอย่างเป็นระเบียบเรียบร้อยและสามารถเชื่อมโยงกันได้ดี เช่น ข้อมูลการขายจากแผนกการตลาด จะถูกนำไปประมวลผลรวมกับข้อมูลกำไรจากแผนการเงิน องค์กรที่อยู่ในระดับนี้จะไม่มีการแยกข้อมูลเป็นถังๆแยก แต่จะรวมกันเพื่อให้สามารถเชื่อมต่อข้อมูลได้ง่ายขึ้น

3) Real-time Data

เวลาและสายน้ำไม่เคยคอยใคร การมีข้อมูลที่เชื่อมโยงกันอาจจะไม่เพียงพอถ้าหากองค์กรอยุ่ในอุตสาหกรรมที่มีการแข่งขันกันอย่างดุเดือด เช่น โฆษณาออนไลน์ หลังจากที่ข้อมูลถูกจัดเก็บและเชื่อมโยงอย่างเป็นระเบียบดีแล้ว องค์กรควรจะมีข้อมูลที่อัพเดทที่สุดเท่าที่เป็นไปได้ เช่น การมีแดชบอร์ดที่ดูได้ในระดับ real-time

4) Individual Data

หลายๆครั้งเราอยากจะรู้จักลูกค้าให้มากที่สุดเท่าที่เป็นไปได้ เพื่อที่จะส่งผลิตภัณฑ์ หรือการโฆษณาที่ตรงใจที่สุด โดยเฉพาะอย่างยิ่งในสายงานค้าปลีกหรือการตลาด เช่น รู้ว่า นาย ก. ชอบกินน้ำหวาน เลยจะส่งโปรโมชั่นน้ำหวานไปให้นาย ก. การที่จะทำเช่นนี้ได้ ทางองค์กรจะต้องมีข้อมูลของลูกค้าแต่ละคนแยกกัน แม้ว่าฟังดูอาจจะง่าย แต่การนำไปเก็บข้อมูลจริงๆนั้นยากมาก เพราะจะต้องมีระบบ membership หรือระบบอื่นๆที่คล้ายกัน

5) Machine Learning

ในด้านบนสุดของพีระมิด หรือสูงสุดของ Data Analytics นั้นคือการใช้ AI (Artificial Intelligence) หรือ ML (Machine Learning) เพื่อสร้างโมเดล พร้อมทั้งเรียนรู้และปรับเปลี่ยนโมเดลไปในระดับ real-time โดยไม่ต้องให้มนุษย์มาตั้งค่าอีกต่อไป


Davoy.tech มีบริการให้คำปรึกษาสำหรับคุณ ไม่ว่าองค์กรของคุณจะอยู่ในระดับใดของ Analytics ก็ตาม

Want to know more about Data Analytics?

Contact us


ติดต่อเราได้ที่
Email: lin@davoy.tech
Phone: 081-428-8159

หรือ กรอกแบบฟอร์มด้านล่างและทีมงานจะติดต่อกลับไปค่ะ

We received your message and will contact you back soon.