ทำไม Data Analyst ต้องรู้สถิติ

ตัวเลขบนหน้าจอไม่เคยโกหก แต่ก็ไม่เคยบอกความจริงทั้งหมดเช่นกัน สถิติคือเครื่องมือที่ทำให้เรารู้ว่าเมื่อไหร่ควรเชื่อตัวเลขที่เห็น และเมื่อไหร่ที่มันแค่ “ดูเหมือน” จะมีความหมาย

⏱ 22 นาที 📊 ระดับ เริ่มต้น 📍 1 / 60 ตอน

สวัสดีครับ ยินดีต้อนรับเข้าสู่คอร์ส Statistic พื้นฐานสำหรับ Data Analyst

ผมเดาว่าหลายคนที่มาเรียนคอร์สนี้เคยลองเปิดตำราสถิติมาก่อน แล้วก็ปิดมันไปด้วยความรู้สึกว่า “นี่มันเกี่ยวอะไรกับงานที่เราทำจริงๆ” ผมเข้าใจความรู้สึกนั้นดี เพราะตอนเริ่มทำงานเป็น analyst ใหม่ๆ ผมก็คิดแบบนั้นเหมือนกัน จนกระทั่งวันหนึ่งที่ผมเกือบเสนอให้บริษัทเปลี่ยนดีไซน์เว็บทั้งหมด เพราะเห็น conversion rate ขยับจาก 2.1% เป็น 2.4% ในสองสัปดาห์ — แล้วพี่ที่ปรึกษาถามผมคำถามเดียวที่ทำให้แผนนั้นพังไปทั้งกระดาน

คำถามนั้นคือ “แน่ใจเหรอว่ามันไม่ใช่เรื่องบังเอิญ” ตอนนั้นผมตอบไม่ได้เลย และนั่นคือจุดเริ่มต้นที่ทำให้ผมกลับไปเรียนสถิติใหม่อีกครั้ง — คราวนี้ไม่ใช่เพื่อสอบผ่านวิชา แต่เพื่อไม่ให้พลาดแบบนั้นอีก

สถิติคือภาษาที่ทำให้ข้อมูลพูดความจริงได้

งานของ Data Analyst ไม่ได้จบแค่ “ดึงข้อมูลออกมา” หรือ “ทำกราฟให้สวย” หัวใจจริงๆ ของงานนี้คือการตอบคำถามที่คนในองค์กรอยากรู้ เช่น ฟีเจอร์ใหม่นี้ทำให้ยอดขายดีขึ้นจริงไหม หรือแคมเปญที่เพิ่งปล่อยไปคุ้มค่าโฆษณาหรือเปล่า

ปัญหาคือ ข้อมูลที่เราเห็นในแดชบอร์ดทุกวันมี “ความผันผวนตามธรรมชาติ” ปนอยู่เสมอ ยอดขายวันจันทร์กับวันอังคารไม่มีทางเท่ากันเป๊ะแม้ไม่มีอะไรเปลี่ยนแปลงเลย สถิติคือชุดเครื่องมือที่ช่วยตอบคำถามว่า ความแตกต่างที่เราเห็นนั้น “มากพอ” ที่จะเชื่อว่าเป็นของจริงหรือยัง หรือมันยังอยู่ในระดับที่อาจเกิดจากความบังเอิญได้

สามหน้าที่หลักที่ Data Analyst ใช้สถิติทุกวัน

สรุปสิ่งที่เกิดขึ้น (Describe) — ใช้ค่าเฉลี่ย ค่ามัธยฐาน หรือการกระจายตัว เพื่อเล่าว่าข้อมูลก้อนนี้หน้าตาเป็นยังไง โดยไม่บิดเบือนภาพรวม
อนุมานจากตัวอย่างไปสู่ภาพรวม (Infer) — เรามักไม่มีข้อมูลลูกค้าทุกคนบนโลก แต่มีแค่ตัวอย่างบางส่วน สถิติช่วยให้เราพูดถึงภาพรวมได้อย่างมีหลักการ พร้อมบอกด้วยว่าเราควรมั่นใจแค่ไหน
ตัดสินใจภายใต้ความไม่แน่นอน (Decide) — แทบทุกการตัดสินใจทางธุรกิจมีความเสี่ยงที่จะผิดพลาด สถิติช่วยให้เรารู้ว่าความเสี่ยงนั้นมีขนาดเท่าไหร่ และรับได้หรือไม่

สถานการณ์จำลอง — ทีมการตลาดถามในไลน์กลุ่ม

“เดือนนี้ conversion rate ขึ้นจาก 2.1% เป็น 2.4% หลังเปลี่ยนปุ่ม CTA เป็นสีส้ม ขอ budget เพิ่มไปทำทุกหน้าเลยได้ไหม”

คำถามที่ analyst ที่มีพื้นฐานสถิติจะถามกลับก่อนตอบคือ: ฐานข้อมูลกี่คน, ทดสอบกี่วัน, ความต่างนี้อยู่ในช่วงที่เกิดจากความบังเอิญได้ไหม — คำตอบของคำถามเหล่านี้ต้องใช้สถิติเชิงอนุมานตอบ ไม่ใช่ความรู้สึก

ลองคิดดู

ย้อนกลับไปดูงานที่ทำผ่านมา เคยมีครั้งไหนที่เราสรุปว่า “ตัวเลขดีขึ้น” หรือ “แย่ลง” โดยยังไม่ได้เช็คว่ามันต่างจากปกติจริงหรือเปล่าบ้างไหม

สถิติช่วยแยก “สัญญาณ” ออกจาก “ความคลาดเคลื่อน”

แนวคิดที่จะวนเวียนอยู่ตลอดทั้งคอร์สนี้คือเรื่องของ สัญญาณ (signal) กับ ความคลาดเคลื่อน (noise) — สัญญาณคือรูปแบบหรือความแตกต่างที่มีความหมายจริง ส่วนความคลาดเคลื่อนคือความผันผวนตามธรรมชาติที่เกิดขึ้นได้เอง แม้ไม่มีอะไรเปลี่ยนแปลงเลยก็ตาม

ข้อมูลดิบที่เราเห็นทุกวันคือสัญญาณกับความคลาดเคลื่อนที่ปนกันอยู่ งานของ analyst ที่เก่งสถิติคือการมีเครื่องมือแยกสองสิ่งนี้ออกจากกันอย่างเป็นระบบ แทนที่จะเดาด้วยสายตา ซึ่งสมองมนุษย์เรามักจะเห็น “รูปแบบ” ในข้อมูลที่จริงๆ แล้วเป็นแค่ความบังเอิญอยู่บ่อยครั้ง

เคล็ดลับ

เวลาเห็นตัวเลขเปลี่ยนแปลง ให้ฝึกถามตัวเองก่อนเสมอว่า “ถ้าไม่มีอะไรเปลี่ยนแปลงจริงๆ ตัวเลขนี้มีโอกาสขยับขนาดนี้ได้เองไหม” คำถามง่ายๆ ข้อนี้คือจุดเริ่มต้นของการคิดแบบสถิติ และเป็นแก่นของเรื่อง hypothesis testing ที่จะเรียนกันในบทที่ 6

สถิติในงานจริงของ Data Analyst

ตลอดคอร์สนี้เราจะไม่หยุดอยู่แค่ทฤษฎี แต่จะโยงทุกเรื่องกลับไปที่งานจริงที่ analyst เจอ เช่น

อ่านค่าเฉลี่ยและการกระจายตัวของข้อมูลให้ถูกต้อง ไม่ถูกค่าผิดปกติ (outlier) หลอก
ออกแบบและตีความผล A/B test อย่างมีหลักการ ไม่ใช่แค่ดูว่าตัวไหนตัวเลขสูงกว่า
ประมาณค่าจากกลุ่มตัวอย่างไปสู่ลูกค้าทั้งหมด พร้อมบอกช่วงความเชื่อมั่นที่เหมาะสม
หาความสัมพันธ์ระหว่างตัวแปร เช่น อะไรที่สัมพันธ์กับการที่ลูกค้าเลิกใช้บริการ โดยไม่รีบสรุปว่าเป็นสาเหตุ
สื่อสารความไม่แน่นอนให้คนที่ไม่ได้เป็น analyst เข้าใจได้ง่าย

สรุปจำง่าย

สถิติไม่ใช่วิชาที่เรียนไว้เผื่อสอบ แต่เป็นเครื่องมือที่ analyst ใช้ทุกวันเพื่อไม่ให้เอาความบังเอิญมาตัดสินใจแทนข้อเท็จจริง

สรุปตอนนี้

สถิติช่วย Data Analyst ทำสามอย่างหลัก: สรุปข้อมูล อนุมานจากตัวอย่างไปสู่ภาพรวม และตัดสินใจภายใต้ความไม่แน่นอน
ข้อมูลทุกก้อนมี “สัญญาณ” ที่มีความหมายปนอยู่กับ “ความคลาดเคลื่อน” ตามธรรมชาติ สถิติคือเครื่องมือแยกสองสิ่งนี้ออกจากกัน
ก่อนสรุปว่าตัวเลขเปลี่ยนแปลงมีความหมาย ให้ถามตัวเองก่อนว่าความบังเอิญอย่างเดียวอธิบายมันได้ไหม
ตอนถัดไปเราจะเริ่มจากพื้นฐานที่สุด: ประเภทของข้อมูลที่ analyst ต้องแยกให้ออกก่อนจะวิเคราะห์อะไรทั้งนั้น

ทบทวนความเข้าใจQuiz ท้ายตอน 1.1

คะแนน 0 / 4

1. หน้าที่ไหนของสถิติที่ตอบคำถาม “เรามั่นใจได้แค่ไหนว่าตัวอย่างที่มีสะท้อนภาพรวมทั้งหมด”

2. ในบทเรียนนี้ คำว่า “ความคลาดเคลื่อน” (noise) หมายถึงอะไร

3. ก่อนสรุปว่าตัวเลขที่เปลี่ยนไปมีความหมาย ควรถามตัวเองด้วยคำถามไหนก่อน

4. จากสถานการณ์ตัวอย่างในบทเรียน (ปุ่ม CTA สีส้ม) คำถามที่สำคัญที่สุดก่อนอนุมัติงบเพิ่มคืออะไร