ประเภทของการวิเคราะห์ข้อมูล

ในบทที่แล้วผมแตะเรื่อง 4 ประเภทของการวิเคราะห์ข้อมูลไปแบบผ่านๆ บทนี้เราจะลงลึกแต่ละแบบ จริงจัง พร้อมตัวอย่างเป็นเรื่องเป็นราว เพราะการรู้ว่า “ตอนนี้กำลังวิเคราะห์แบบไหนอยู่” คือทักษะที่แยก Data Analyst มือใหม่กับมือโปรออกจากกันชัดเจนที่สุดครับ

01 ทบทวนภาพรวม: ยิ่งลึกยิ่งยาก แต่ยิ่งมีค่า

การวิเคราะห์ทั้ง 4 แบบเรียงลำดับความซับซ้อนจากน้อยไปมาก และให้คุณค่าทางธุรกิจเพิ่มขึ้นตามไปด้วย Descriptive บอกแค่ “เกิดอะไรขึ้น” Diagnostic อธิบาย “ทำไม” Predictive ทำนาย “จะเกิดอะไรต่อ” และ Prescriptive แนะนำ “ควรทำอะไร” — งาน Data Analyst ส่วนใหญ่ในชีวิตจริงจะวนอยู่ที่ 2 แบบแรกเป็นหลัก ส่วน 2 แบบหลังมักต้องอาศัยเครื่องมือและทักษะขั้นสูงขึ้น

02 Descriptive Analytics — สรุปสิ่งที่เกิดขึ้นแล้ว

เป็นจุดเริ่มต้นของงานวิเคราะห์แทบทุกชิ้น ใช้สถิติพื้นฐาน เช่น ผลรวม ค่าเฉลี่ย จำนวนนับ เพื่อสรุปข้อมูลก้อนใหญ่ให้เข้าใจง่าย เช่น “ยอดขายเดือนนี้ 3.2 ล้านบาท เพิ่มขึ้น 12% จากเดือนก่อน” หรือ “ลูกค้าใหม่เดือนนี้ 450 คน” — ฟังดูธรรมดา แต่คือฐานรากที่ทุกการวิเคราะห์ขั้นสูงต้องพึ่งพา

03 Diagnostic Analytics — เจาะลึกหาสาเหตุ

เมื่อเห็นตัวเลขจาก Descriptive แล้วเกิดคำถามต่อว่า “ทำไมถึงเป็นแบบนี้” นี่คือจุดที่ Diagnostic Analytics เข้ามาทำงาน เช่น เห็นว่ายอดขายสาขา A ตก 20% แล้วขุดลึกลงไปว่าเป็นเพราะสินค้าตัวไหน หมดสต๊อก หรือช่วงเวลาไหนที่ลูกค้าหายไป โดยใช้เทคนิคอย่างการแบ่งกลุ่มข้อมูล (Segmentation) การหาความสัมพันธ์ (Correlation) และการเปรียบเทียบช่วงเวลา (Time Comparison)

ขั้นตอนนี้ต้องอาศัย SQL ที่ซับซ้อนขึ้น เช่น การ JOIN หลายตารางเพื่อหาปัจจัยร่วม หรือการทำ Pivot ข้อมูลหลายมิติพร้อมกัน — เป็นทักษะที่คอร์สนี้จะฝึกหนักในช่วง Part 5 (SQL) และ Part 4 (สถิติ) ต่อจากนี้

04 Predictive Analytics — ทำนายสิ่งที่ยังไม่เกิดขึ้น

ใช้ข้อมูลในอดีตมาสร้างแบบจำลองเพื่อคาดการณ์อนาคต เช่น คาดการณ์ยอดขายเดือนหน้าจากแนวโน้ม 3 ปีย้อนหลัง หรือทำนายว่าลูกค้าคนไหนมีแนวโน้มจะเลิกใช้บริการ (Churn Prediction) เทคนิคที่ใช้มีตั้งแต่ระดับพื้นฐาน เช่น Regression และ Time Series Forecasting ไปจนถึงระดับที่ใช้ Machine Learning ซึ่งมักเป็นงานของ Data Scientist มากกว่า

05 Prescriptive Analytics — แนะนำว่าควรทำอะไรต่อ

เป็นระดับที่ซับซ้อนและให้คุณค่าสูงที่สุด เพราะไม่ได้แค่บอกว่าจะเกิดอะไรขึ้น แต่แนะนำทางเลือกที่ ดีที่สุดให้ด้วย เช่น ระบบแนะนำว่า “ควรสั่งสต๊อกสินค้า A เพิ่ม 200 ชิ้นในอีก 2 สัปดาห์” หรือ “ควรปรับราคาสินค้า B ลง 5% เพื่อเพิ่มยอดขายสุทธิสูงสุด” มักต้องอาศัยโมเดลที่ซับซ้อน ร่วมกับกฎทางธุรกิจ (Business Rules) และบางครั้งใช้ Optimization Algorithm ร่วมด้วย

06 ตารางสรุป: ความซับซ้อน vs คุณค่าทางธุรกิจ

07 เคสตัวอย่าง: ร้านกาแฟที่ใช้ทั้ง 4 แบบต่อเนื่องกัน

08 ข้อผิดพลาดที่พบบ่อยเวลาเลือกใช้ประเภทการวิเคราะห์

09 เช็คลิสต์: จะรู้ได้ยังไงว่าควรใช้แบบไหน

10 กรอบตัดสินใจเร็ว: เวลาจำกัดควรเลือกวิเคราะห์แบบไหนก่อน

ในงานจริง Data Analyst แทบไม่เคยมีเวลาไม่จำกัดในการวิเคราะห์ทุกอย่างให้ลึกที่สุด หลักการง่ายๆ ที่ใช้ได้คือ ถ้าเป็นคำถามด่วนหรือยังไม่มีข้อมูลย้อนหลังมากพอ ให้ทำ Descriptive ให้แม่นก่อนเป็นอันดับแรกเสมอ เพราะเป็นฐานที่ทุกอย่างต้องพึ่งพา จากนั้นถ้ามีเวลาเหลือค่อยขยับไป Diagnostic เพื่อหาสาเหตุ ส่วน Predictive และ Prescriptive ควรทำเมื่อคำถามนั้นมีความสำคัญสูง พอที่จะคุ้มกับเวลาที่ต้องลงทุนเพิ่ม ไม่ใช่ทำทุกครั้งเป็นมาตรฐาน