ในยุคนี้ใคร ๆ ก็พูดถึงเรื่อง “Data” เพราะนี่คือหัวใจสำคัญของการทำ Digital Marketing ที่ทำให้ธุรกิจ
ขับเคลื่อนไปข้างหน้าอย่างมีประสิทธิภาพ ไม่ใช่แค่เรื่องของการมีข้อมูลลูกค้าไว้ในมือ แต่ยังต้องสามารถนำข้อมูลเหล่านั้นมาวิเคราะห์ หรือทำ Data Analytics เพื่อนำมาปรับใช้กับการวางกลยุทธ์การตลาด รวมถึงการทำนายแนวโน้มพฤติกรรมการบริโภคในอนาคตได้อีกด้วย
Data Analytics คืออะไร
Data Analytics คือ การจัดระเบียบและวิเคราะห์ข้อมูลอย่างละเอียด เพื่อนำข้อมูลที่ได้ไปใช้ประโยชน์ในด้านต่าง ๆ ต่อไป โดยอาศัยข้อมูลจาก “Big Data” ประกอบกับ MarTech ต่าง ๆ หรือข้อมูลปริมาณมหาศาลที่องค์กรเก็บไว้ ทั้งนี้ สำหรับฝ่ายการตลาดหรือองค์กรที่เกี่ยวกับการตลาด การทำ Data Analytics ย่อมเป็นไปเพื่อการศึกษาความต้องการของลูกค้าและพัฒนา Process การทำงานภายในองค์กร
Data Analytics มีความสำคัญอย่างไร
การทำ Data Analytics มีประโยชน์สำหรับธุรกิจหลายด้าน ตั้งแต่การทำความเข้าใจสถานการณ์ทางการตลาด ไปจนถึงการแก้ปัญหาที่เกิดขึ้นระหว่างการเริ่มทำแคมเปญส่งเสริมการขายต่าง ๆ ซึ่งเราสามารถสรุปความสำคัญของ Data Analytics ได้ดังนี้
- ช่วยในการทำ Market Research
ประโยชน์ข้อแรกของการทำ Data Analytics คือ การวิเคราะห์ข้อมูลเพื่อให้ได้มาซึ่ง Insight ของตลาด ที่จะทำให้เข้าใจลูกค้าและเข้าใจโอกาสทางธุรกิจมากที่สุด Data Analytics จึงนับเป็นเครื่องมือที่ช่วยในการทำ Market Research รูปแบบหนึ่ง เพราะช่วยทำให้ธุรกิจรู้ว่า Market Trends ของธุรกิจเป็นอย่างไร รู้ว่ามี Market Size เท่าไหร่ รู้ว่ามี Margin ในตลาดมากน้อยแค่ไหน หรือรู้ว่า SWOT คืออะไรสำหรับธุรกิจนั่นเอง
- ช่วยให้เข้าใจในสถานการณ์ต่าง ๆ จากข้อมูลที่มีอยู่
การทำ Data Analytics หรือที่บางท่านอาจเรียกว่า Big Data Analytics คือ การรวบรวมข้อมูลดิบจำนวนมหาศาลที่กระจัดกระจายและไม่สามารถนำมาใช้ประโยชน์ได้ มาจัดเรียงและวิเคราะห์ เพื่อทำให้ธุรกิจสามารถมองเห็นความสัมพันธ์ของข้อมูลชุดต่าง ๆ หรือข้อมูลกับบริบทที่มีอยู่ได้มากขึ้น เช่น รู้ว่ายอดขายเป็นอย่างไร สินค้าตัวไหนขายดี Customer Journey คืออะไร เป็นแบบไหน และจะทำอย่างไรให้สามารถเข้าถึงเส้นทางของผู้บริโภคได้อย่างตรงจุด ฯลฯ หลังจากนั้นก็จะได้วาง Strategic Planning ที่ตอบโจทย์กับข้อสรุปที่ได้จากการวิเคราะห์ต่อไป ดังนั้น Data Analytics จึงถือเป็นอีกหนึ่งกระบวนการ ที่ทำให้ธุรกิจเข้าใจสถานการณ์ของตัวเอง และหาหนทางเดินต่อไปได้ง่ายขึ้น
- ช่วยแก้ปัญหาให้กับธุรกิจ
การทำ Big Data Analytics คือ จุดเปลี่ยนสำหรับหลาย ๆ ธุรกิจ เนื่องจากข้อมูลที่นำมาวิเคราะห์เพื่อหาปัจจัยและต้นเหตุของสิ่งต่าง ๆ จะช่วยไขข้อสงสัยหรือปัญหาที่ธุรกิจเผชิญอยู่ได้เป็นอย่างดี ตัวอย่างเช่น หากธุรกิจของคุณกำลังประสบปัญหาเรื่อง ROI ไม่เคยถึงเป้าหมาย การพยายามคาดเดาสาเหตุอาจไม่สามารถแก้ไขปัญหาได้ แต่ถ้าใช้การทำ Data Analytics คุณจะสามารถวิเคราะห์ข้อมูลที่มีอยู่ออกมาเป็นรายงาน ซึ่งจะทำให้ค้นพบสาเหตุว่าเกิดจากจุดไหนได้อย่างแม่นยำ เป็นต้น
- ช่วยในการปรับปรุงการวัดผลลัพธ์
การทำ Digital Marketing ให้ประสบผลสำเร็จต้องสามารถวัดผลลัพธ์ทางการตลาดได้อย่างถูกต้อง ซึ่งผลลัพธ์ที่ว่าก็มาจากการทำ Data Analytics และการทำ Performance Tracking ที่มีประสิทธิภาพ โดยพึ่งพาเครื่องมือต่าง ๆ เช่น Google Analytics, Google Search Comsole, Google Tag Manager หรือหน้า Insights ของฟีเจอร์ซื้อโฆษณาบน Social Media ต่าง ๆ หลังจากนั้นจึงจะสามารถนำข้อมูลและผลลัพธ์ที่ได้มาใช้สนับสนุนการตัดสินใจต่างที่แม่นยำมากขึ้น
4 รูปแบบของการวิเคราะห์ข้อมูล (Data Analytics)
เพื่อให้ได้มาซึ่งข้อมูลที่ดีและมีคุณภาพ นักการตลาดจำเป็นที่จะต้องทำความรู้จักกับรูปแบบของการวิเคราะห์ข้อมูล (Data Analytics) ที่จะทำให้ได้ข้อมูลสำคัญตามต้องการ โดยจะแบ่งออกเป็น 4 รูปแบบ ดังนี้
1. การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive Analytics)
การวิเคราะห์ข้อมูลแบบพื้นฐาน หรือ Descriptive Analytics คือ การวิเคราะห์ข้อมูลขั้นแรกเพื่อแสดงผลของสิ่งที่กำลังเกิดขึ้น ไม่ว่าจะเป็นรายการธุรกิจ เหตุการณ์ หรือกิจกรรมต่าง ๆ ให้ออกมาในรูปแบบที่ง่ายต่อความเข้าใจหรือต่อการตัดสินใจ จากการใช้ตัวแปรแค่ตัวแปรเดียว (Univariate Analysis) โดยใช้เทคนิคทางสถิติ เช่น การหาค่ากลาง หาการกระจายตัว หาค่าเฉลี่ย หาผลรวม เป็นต้น
ซึ่งการหาผลลัพธ์เหล่านี้จะถูกนำเสนอออกมาเป็นรายงานต่าง ๆ ยกตัวอย่างเช่น รายงานการขาย รายงานผลการดำเนินงานที่อาจจะบอกได้ว่า เดือนนี้มียอดขายเท่าไร สินค้าตัวไหนขายดีที่สุด มีคนเยี่ยมชมเว็บไซต์กี่คน เป็นต้น เพื่อทำให้ธุรกิจรู้ว่าตอนนี้สถานการณ์ของธุรกิจกำลังเป็นอย่างไร ทั้งนี้ Descriptive Analytics คือ การวิเคราะห์ข้อมูลขั้นต้นที่จำเป็นสำหรับทุก ๆ องค์กร
2. การวิเคราะห์แบบเชิงวินิจฉัย (Diagnostic Analytics)
การวิเคราะห์แบบเชิงวินิจฉัย หรือ Diagnostic Analytics คือ การวิเคราะห์ข้อมูลเพื่อเจาะลึกลงไปถึงสาเหตุของสิ่งที่เกิดขึ้นจะมีความลึกกว่าการวิเคราะห์ข้อมูลแบบพื้นฐาน
เนื่องจากจะต้องหาความสัมพันธ์ระหว่างตัวแปรตั้งแต่สองตัวแปรขึ้นไป (Multivariate Analysis) เพื่อดูว่าตัวแปรเหล่านั้นมีความสัมพันธ์กันหรือส่งผลกระทบกันอย่างไรบ้าง ซึ่งจะช่วยทำให้ธุรกิจรู้ว่า ทำไมจึงเกิดสิ่งนี้ขึ้นหรือสิ่งนี้เกิดขึ้นเพราะอะไร อาทิ ความสัมพันธ์ระหว่างยอดขายต่อกิจกรรมทางการตลาด โดยจะต้องหาว่ามีอะไรที่ทำให้ยอดขายเพิ่มขึ้นหรือลดลง อย่างเช่น ทำไมชานมไข่มุกถึงขายดีในช่วงเย็น เวลาเลิกเรียนหรือเลิกงานมีผลต่อการขายหรือไม่ เป็นต้น
3. การวิเคราะห์แบบพยากรณ์ (Predictive Analytics)
การวิเคราะห์แบบพยากรณ์ หรือ Predictive Analytics คือ การวิเคราะห์ข้อมูลเชิงทำนาย เพื่อดูแนวโน้มหรือพยากรณ์ว่าอาจจะเกิดอะไรขึ้น ซึ่งการทำ Data Analytics รูปแบบนี้ จะให้ความสำคัญกับเครื่องมือที่ใช้ หรือที่เรียกว่า Predictive Analytics Platform เป็นอย่างมาก
ทั้งนี้ Predictive Analytics Platform คือ ซอฟต์แวร์ที่ช่วยในการวิเคราะห์ข้อมูลเชิงทำนาย เพื่อหาโอกาสและความเสี่ยงที่อาจจะเกิดขึ้นในอนาคต เช่น หาข้อมูลว่า สินค้าหรือบริการอะไรจะขายดี มีใครที่จะกลายเป็นลูกค้าในอนาคตบ้าง ยอดขายในอีก 2 ปีข้างหน้าจะเป็นอย่างไร เป็นต้น โดยจะวิเคราะห์ข้อมูลเหล่านี้ออกมาในรูปแบบของกราฟหรือเทรนด์เป็นหลัก
4. การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics)
การวิเคราะห์แบบให้คำแนะนำ หรือ Prescriptive Analytics คือ การวิเคราะห์ข้อมูลในรูปแบบที่ซับซ้อนที่สุดเพื่อหาว่า ควรที่จะปรับปรุง แก้ไขปัญหา หรือพัฒนาอะไรบ้าง หรือมองหาแนวทางในการรับมือกับสิ่งที่จะเกิดขึ้น เรียกได้ว่าเป็นการพยากรณ์ถึงสิ่งต่าง ๆ ที่จะเกิดขึ้น ทั้งในแง่ของข้อดี ข้อเสีย สาเหตุ และระยะเวลาของสิ่งที่จะเกิดขึ้น รวมถึงยังให้คำแนะนำทางเลือกและผลของแต่ละทางเลือกเอาไว้ด้วย
ยกตัวอย่างคำถามที่มักจะใช้การวิเคราะห์แบบให้คำแนะนำ เช่น ควรที่จะต้องทำการตลาดในช่องทางไหน ในงบประมาณที่เท่าไหร่ถึงจะดี ต้นทุนเท่านี้ควรตั้งราคาสินค้าเท่าไหร่ เป็นต้น
บทบาทของ Data Analytics
การทำ Data Analytics คือ การวิเคราะห์ข้อมูลเชิงลึก จึงมีบทบาทอย่างมากในการขยายขีดความสามารถของการตลาดให้สมบูรณ์แบบ ผ่านการใช้ทีมงานนักวิเคราะห์ข้อมูล (Data Analyst) ที่มีความรู้เรื่อง Data Science เพื่อให้ได้ผลลัพธ์ทางสถิติ (Statistics) ที่น่าเชื่อถือมากพอ จากนั้นองค์กรจึงนำผลลัพธ์เหล่านั้นมาจัดทำเป็น Databases เพื่อขับเคลื่อนธุรกิจ ทั้งนี้ Databases ที่ดีจะได้มาก็ต่อเมื่อมี Data และ Machine Learning ที่ทำงานร่วมกันอย่างมีประสิทธิภาพเท่านั้น
และเพื่อให้ได้มาซึ่ง Data ที่มีคุณภาพ ทีมงานที่ทำ Data Analytics จำเป็นต้องแบ่งข้อมูลในด้านต่าง ๆ ออกเป็น 4 รูปแบบ เพื่อจะได้เลือกใช้วิธีการวิเคราะห์ได้อย่างถูกต้อง ดังนี้
เหมืองข้อมูล (Data Mining)
การทําเหมืองข้อมูล (Data Mining) หรือ การค้นหาความรู้ในฐานข้อมูล (Knowledge Discovery in Databases – KDD) คือ การดึงเอาความรู้ออกมาจากข้อมูลขนาดใหญ่ โดยอาศัยหลักสถิติ การรู้จํา การเรียนรู้ของเครื่องมือ โดยจะประกอบไปด้วย 3 ส่วนด้วยกัน ได้แก่ Preprocessing คือ ขั้นตอน
การจัดเตรียมข้อมูล Data Cleaning ขั้นตอนในการกำจัดข้อมูลที่ไม่ต้องการ และ Data Integration ขั้นตอนในการรวบรวมข้อมูลทั้งหมดที่มีจากแหล่งข้อมูลต่าง ๆ มาไว้ด้วยกัน
เครื่องมือที่ใช้ในการทำเหมืองข้อมูลมีหลายประเภท อาทิ การใช้ SQL Database เครื่องมือที่ได้รับการยอมรับในมาตรฐาน American National Standards Institute (ANSI) จะใช้ในการดึงข้อมูล คำนวณข้อมูล เปลี่ยนแปลงข้อมูล ลบข้อมูล ไปจนถึงหาความเชื่อมโยงข้อมูลที่เหมือนกันในฐานข้อมูล (Relational Database) แล้วจึงนำมาเสนอข้อมูลในรูปแบบที่เข้าใจง่ายต่อไป
การจัดการข้อมูล (Data Management)
การจัดการข้อมูล (Data Management) คือ กระบวนการที่เกี่ยวข้องกับข้อมูลของบริษัท ไม่ว่าจะเป็นการควบคุมข้อมูล การควบคุมการเข้าถึงข้อมูล การเก็บรักษา การบำรุงรักษา ตลอดจนการทำลายข้อมูลตามวงจรชีวิตของข้อมูล นอกจากนี้ การจัดการข้อมูลยังรวมไปถึงการวางแผนการใช้ข้อมูล ตรวจสอบ ประมวลผลและส่งมอบข้อมูล ซึ่งเทคโนโลยีที่นำมาจัดการข้อมูลเหล่านี้คือ Data Warehousing ที่ใช้ได้ทั้งการจัดเก็บ ประมวลผล เรียกใช้ และเผยแพร่ข้อมูลได้ในเครื่องมือเดียว
การวิเคราะห์ข้อมูลเชิงสถิติ (Statistical Analysis)
การวิเคราะห์ข้อมูลเชิงสถิติ (Statistical Analysis) คือ การนำข้อมูลหลาย ๆ ค่ามาวิเคราะห์โดยไม่เจาะจงข้อมูลค่าใดค่าหนึ่ง เพื่อการศึกษาหรือการวัดผลลัพธ์ที่ต้องการความแม่นยำและความน่าเชื่อถือสูง
การนำเสนอข้อมูล (Data Presentation)
การนำเสนอข้อมูล (Data Presentation) คือ การนำข้อมูลดิบที่เก็บรวบรวมมาได้ นำมาจัดให้อยู่ในรูปแบบที่สามารถเข้าใจ มองเห็นความหมายและสาระสำคัญ ตลอดจนทำการเปรียบเทียบข้อมูลผ่านการนำเสนอที่สามารถเห็นถึงความแตกต่างได้อย่างชัดเจนอีกด้วย
ขั้นตอนการวิเคราะห์ข้อมูล (Data Analysis)
ดังที่เราได้กล่าวไปข้างต้นถึงความแตกต่างระหว่าง Data Analytics กับ Data Analysis ซึ่งหากจะอธิบายให้เข้าใจง่ายขึ้น Data Analysis ก็คือกระบวนการในการทำ Data Analytics นั่นเอง และในหัวข้อนี้ เราจะมาทำความเข้าใจว่า Data Analysis หมายถึงกระบวนการแบบไหน และมีขั้นตอนอย่างไรบ้าง
- ขั้นตอนแรกของการทำ Data Analysis คือ การกำหนดและจัดกลุ่มข้อมูล โดยค่าของข้อมูลอาจเป็นตัวเลขหรือแบ่งตามหมวดหมู่ก็ได้ เช่น อาจจะแยกตามอายุ ข้อมูลประชากร รายได้ เพศ ฯลฯ
- เมื่อทราบแล้วว่าต้องการข้อมูลอะไรบ้าง ขั้นตอนต่อไปของการทำ Data Analysis คือ การรวบรวมข้อมูลเพื่อนำมาวิเคราะห์ โดยใช้เครื่องมือต่าง ๆ เช่น คอมพิวเตอร์ แหล่งที่มา กล้อง สิ่งแวดล้อม หรือผ่านบุคลากร ฯลฯ ในการรวบรวมข้อมูลได้
- เมื่อเก็บรวบรวมข้อมูลแล้ว จะต้องมีการจัดระเบียบเพื่อให้สามารถวิเคราะห์ได้ง่าย โดยอาจจะใช้เครื่องมือการวิเคราะห์ข้อมูลเข้ามาช่วยเหลือ เช่น การใช้ซอฟต์แวร์ การใช้ Spreadsheets ฯลฯ เพื่อให้สามารถนำข้อมูลสถิติมารวบรวม แล้วรอการทำความสะอาดและวิเคราะห์ต่อไป
- ขั้นตอนต่อไปของการทำ Data Analysis คือ การทำความสะอาดข้อมูลก่อนการวิเคราะห์ โดยจะต้องตรวจสอบให้แน่ใจว่าไม่มีการทำซ้ำหรือข้อผิดพลาด ซึ่งจะส่งผลต่อการตีความข้อมูลได้ ดังนั้น จึงจำเป็นที่จะต้องทำการล้างข้อมูลที่ใช้ไม่ได้ และจัดเรียงใหม่ให้เป็นระบบ เพื่อทำให้ได้ผลลัพธ์ที่แม่นยำที่สุด
- ขั้นตอนที่สำคัญที่สุดของการทำ Data Analysis หรือ Big Data Analysis คือ การวิเคราะห์ข้อมูล โดยจะต้องเลือกรูปแบบของการวิเคราะห์ข้อมูล (Data Analytics) ที่จะนำมาใช้ในการวิเคราะห์ พร้อมตั้งโจทย์และคำถามที่ต้องการใช้ในการหาคำตอบเอาไว้ด้วย ทั้งนี้ ก็เพื่อนำมาสรุปเป็นความรู้ (Knowledge) หรือข้อมูลเชิงลึก (Insight) ที่ดีขึ้นนั่นเอง
- ขั้นตอนสุดท้าย คือ การตีความและนำเสนอข้อมูล โดยการแบ่งปันความรู้และข้อมูลเชิงลึกให้กับบุคคลหรือหน่วยงานอื่น ๆ ที่ต้องการข้อมูลเพื่อนำไปใช้ในรูปแบบที่เข้าใจง่าย เช่น การนำเสนอข้อมูลออกมาในรูปแบบของแผนภูมิหรือกราฟ เป็นต้น
12 เครื่องมือที่ใช้ในการวิเคราะห์ข้อมูล (Data Analytics Tools)
Crunching Number
Crunching Number คือ เครื่องมือที่ใช้ในการเตรียมข้อมูลดิบจำนวนมากสำหรับการทำ Data Analytics ซึ่งรวมถึงการแยกข้อมูลและการจัดรูปแบบข้อมูลที่ไม่ต้องการ การแปลข้อมูลเป็นรูปแบบที่ต้องการ และการจัดโครงสร้างสำหรับการวิเคราะห์หรือการประมวลผลโดยแอปพลิเคชันอื่น ๆ ด้วย โดยจะเริ่มต้นจากการอ่านข้อมูลดิบ (Raw Data) หลังจากนั้นทำการแปลงข้อมูล (Convert Data) จากรูปแบบเดิมไปเป็นรูปแบบที่เครื่องมือสามารถวิเคราะห์ได้ และสุดท้ายคือขั้นตอนการส่งออกไปยังไฟล์หรือฐานข้อมูลที่จะใช้สำหรับการวิเคราะห์ ซึ่งบริษัททั่วไปมักจะย้ายข้อมูลไปยังคลังข้อมูล ที่เป็นฐานข้อมูลเฉพาะสำหรับการวิเคราะห์ข้อมูลจากทั่วทั้งบริษัท
SQL Server Analysis Services
SQL Server Analysis Services คือ ตัวช่วยชั้นยอดของการทำ Data Analytics ใช้สำหรับจัดการ Data Model ระดับ Enterprise โดยจะนำข้อมูลจากคลังข้อมูลที่ได้ไปสร้างแบบจำลองการวิเคราะห์ เช่น Cube และ Subspace มักใช้ในการวิเคราะห์ข้อมูลขนาดใหญ่ที่ต้องการความรวดเร็ว
Manipulate Databases
Manipulate Databases คือ เครื่องมือหรือหน้าที่หลักของระบบจัดการฐานข้อมูล (DBMS) ที่ช่วยในการจัดการข้อมูล เช่น การเพิ่มข้อมูลใหม่ การเปลี่ยนแปลงค่าของข้อมูลที่มีอยู่ การจัดระเบียบข้อมูลใหม่
รวมถึงสามารถทำการดึงข้อมูลเฉพาะจากฐานข้อมูลมาใช้งานได้ เช่น การค้นหาเฉพาะพนักงานที่ได้รับการว่าจ้างภายในปีที่แล้วหรือผู้ที่ดำรงตำแหน่งบางตำแหน่ง เป็นต้น
Python
Python คือ ภาษาการเขียนโปรแกรมที่ใช้อย่างแพร่หลาย เป็นภาษาที่มีความยืดหยุ่นสูงมาก ทำให้ง่ายต่อการเขียน และมีฟังก์ชันในการใช้งานมากมาย รวมถึงเป็นภาษา Open Source ใช้งานได้ฟรี ง่ายต่อการเรียนรู้ สามารถต่อยอดได้จริง ทีม Data Analyst ที่ทำ Data Analytics จึงนิยมใช้ภาษานี้ในการใช้งานโปรแกรมจัดการข้อมูล นอกจากนี้ ภาษา Python ยังสามารถใช้ร่วมกับไลบรารีต่าง ๆ เช่น NumPy, Pandas, Matplotlib และ Scikit-Learn ได้อีกด้วย
Power BI
Power BI คือ เครื่องมือในการวิเคราะห์ข้อมูลธุรกิจ (Business Analytics Tool) โดยจะทำหน้าที่แปลงข้อมูลปกติให้เป็นข้อมูลเชิงลึก และสร้างรายงาน เพื่อสร้างการแสดงข้อมูลและเรื่องราวของข้อมูลที่มีผลกระทบกับองค์กรอย่างชัดเจนมากขึ้น ทำให้องค์กรสามารถตัดสินใจโดยใช้ข้อมูลได้อย่างมีประสิทธิภาพ
นอกจากนี้ Power BI ยังมีอินเทอร์เฟซผู้ใช้ที่ใช้งานง่าย สามารถรวมเข้ากับแอป Microsoft ได้ เข้าถึงข้อมูลเชิงลึกด้วยแดชบอร์ด และสร้างแผนภาพข้อมูลขั้นสูงเพื่อสื่อสารข้อมูลเชิงลึก จัดเตรียมบริบท และแสดงให้เห็นว่าการตัดสินใจที่เกิดขึ้นได้อีกด้วย
Spreadsheets
Spreadsheets คือ เครื่องมือตารางจัดการที่จัดเรียงข้อมูลออกมาในแบบตารางสี่เหลี่ยม มักใช้เพื่อคำนวณเป็นหลัก โดย Spreadsheets จะมีฟังก์ชันการคำนวณหลายรูปแบบ ตั้งแต่การคำนวณแบบง่าย เช่น บวก ลบ คูณ หาร ไปจนถึงการคำนวณขั้นสูงที่สามารถนำไปประยุกต์ใช้งานได้ เช่น การคำนวณทางธุรกิจ อุตสาหกรรม การเงิน งบประมาณ สถิติ ฯลฯ
Tableau
Tableau อีกหนึ่งซอฟต์แวร์ที่จำเป็นสำหรับการทำ Data Analytics เนื่องจากสามารถนำข้อมูลจำนวนมากในหลักแสน หรือล้าน ๆ แถว (Records) ที่มีอยู่หลากหลายรูปแบบ มาทำ Data Visualization และวิเคราะห์ข้อมูลเพื่อทำ Dashboard ได้ Tableau จึงช่วยให้ผู้บริหารมีข้อมูลเชิงลึกที่เข้าใจง่าย ช่วยเพิ่มความสามารถในการตัดสินใจอย่างรวดเร็วและชาญฉลาดมากขึ้น นอกจากนี้ Tableau ยังสามารถเข้าถึงข้อมูลได้หลากหลายแหล่งข้อมูล (Data Sources) เช่น Microsoft Excel, Access, Sybase ฯลฯ โดยผู้ใช้งานสามารถนำข้อมูลเหล่านี้มาวิเคราะห์และแสดงผลได้ตามต้องการอย่างมีประสิทธิภาพ
SAS
SAS ย่อมาจาก Statistical Analysis System คือ โปรแกรมสำเร็จรูปขนาดใหญ่ สำหรับวิเคราะห์ข้อมูลทางสถิติที่มีประสิทธิภาพ มีความสามารถหลายด้าน เช่น การวิเคราะห์ความแปรปรวน (Analysis Of Variance) ของข้อมูลที่ได้จากแผนการทดลองต่าง ๆ ข้อดีคือ สามารถวิเคราะห์ข้อมูลทางสถิติได้แม่นยำ ใช้งานง่าย ไม่มีพื้นฐานด้านเขียนโปรแกรมก็สามารถใช้ได้ นอกจากนี้ ยังค้นหาความผิดพลาดในการป้อนข้อมูล
และรายงานผลข้อมูลที่ผิดพลาดพร้อมบอกหมายเลขค่าสังเกตได้อีกด้วย
Apache Spark
Apache Spark คือ เครื่องมือในการใช้สำหรับการประมวลผลข้อมูล (Process Big Data) เช่น การกรอง
การเรียงลำดับ การทำความสะอาด การตรวจสอบความถูกต้อง เป็นต้น โดยมีรูปแบบการทำงานแบบกระจายงานไปยังเครื่องต่าง ๆ (Cluster Computing Platform) แถมใช้งานง่าย และยังเป็นแพลตฟอร์มที่เป็น Open Source ใช้งานได้หลากหลายภาษาและหลากหลายรูปแบบฐานข้อมูล จึงเหมาะกับการทำงานแบบกลุ่มโดยเฉพาะ
Microsoft Excel
Microsoft Excel คือ โปรแกรมหนึ่งในชุด Microsoft Office ที่มักนำมาใช้ในด้านการวิเคราะห์ คำนวณ และการจัดการข้อมูลในรูปแบบตารางที่เรียกว่า Spreadsheets หรือจะนำข้อมูลดิบมาแสดงผลในรูปแบบที่ทำให้เข้าใจข้อมูลนั้นลึกซึ้งมากยิ่งขึ้น เช่น สร้างกราฟ หรือตารางสรุปที่เรียกว่า Pivot Table ก็ได้เช่นกัน
Looker Studio
Looker Studio หรือชื่อเดิมว่า Google Data Studio คือผลิตภัณฑ์ฟรีจาก Google ช่วยอำนวยความสะดวกในการดึง Insights จากแฟลตฟอร์มต่าง ๆ ไม่ว่าจะเป็น ยอด Engagement หรือ CTR จากทุก ๆ Social Media หรือข้อมูลการเข้าถึงเว็บไซต์หลังจากทำ SEM แล้วนำข้อมูลเหล่านั้นมาสรุปเป็นแผนภูมิแท่ง แผนภูมิวงกลม ตารางเปรียบเทียบ ฯลฯ อย่างไรก็ดี ปัจจุบัน Looker Studio จัดเป็นเครื่องมือพื้นฐานสำหรับการทำ Data Analytics ที่ทุก ๆ ธุรกิจควรมี
Qlik Sense
Qlik Sense คือ ซอฟต์แวร์วิเคราะห์ข้อมูลสำหรับการทำ Data Analytics เพื่อช่วยให้ธุรกิจสามารถนำข้อมูลไปใช้ได้อย่างมีประสิทธิภาพ โดยออกแบบให้ผู้ใช้งานสามารถดาวน์โหลด Data จากแหล่งต่าง ๆ โดยตรง และนำมาสร้างเป็นงานนำเสนอโดยอัตโนมัติด้วยการทำงานของ AI นอกจากนี้ Qlik Sense ยังทำงานด้วยซอฟต์แวร์ SaaS ประสิทธิภาพสูง ซึ่งทำงานผ่านระบบ Cloud อีกด้วย
ตัวอย่างการใช้ Data Analytics
การทำ Data Analysis ตัวอย่างมีให้เห็นมากมายในหลาย ๆ ธุรกิจ และเพื่อให้คุณเห็นภาพการทำ Data Analytics ผ่านกระบวนการ Data Analysis มากขึ้น เราขอยก Case Study จาก 3 แบรนด์ดัง ได้แก่ Netflix, McDonalds และ Grab มาให้คุณได้ศึกษาร่วมกัน ดังนี้
Netflix
การทำ Data Analytics คือ อาวุธชิ้นสำคัญของ Netflix มาตั้งแต่เริ่มก่อตั้ง ทำให้สามารถนำส่งภาพยนตร์หรือคอนเทนต์ที่ผู้ใช้งานควรดูได้อย่างเหมาะสม เหมือนเป็นการทำนายว่า คนดูชอบดูอะไรมากที่สุด โดยเริ่มจากการวิเคราะห์ประวัติการดู คำค้นหา เวลาที่ใช้ในการรับชมรายการ ไปจนถึงข้อมูลต่าง ๆ ที่เกี่ยวข้อง เช่น ข้อมูลประชากร ข้อมูลตามความสนใจ และพฤติกรรมการท่องอินเทอร์เน็ต ฯลฯ แล้วนำข้อมูลเหล่านี้มาปรับแต่งรูปภาพ คำอธิบายข้อความ แท็ก และตัวอย่างรายการต่าง ๆ อีกทั้งยังมีแถบ “Because You Watched…” ที่เดาใจรายการต่อไปที่ผู้คนจะสนใจดูต่อได้อย่างแม่นยำอีกด้วย
McDonalds
เจ้าของตำนาน Big Mac อย่างร้าน McDonalds เอง ก็ใช้ประโยชน์จากการทำ Data Analytics เช่นเดียวกัน โดยพวกเขามีระบบจัดเก็บข้อมูลการสั่งซื้อ รายการที่ลูกค้ามักถามหา ตลอดจนคอมเมนต์ต่าง ๆ ก่อนนำมาพัฒนาเป็น Data Driven Marketing เพื่อมุ่งดูแลลูกค้าอย่างตรงใจ นอกจากนี้ McDonalds ยังยกระดับการทำ Data Analytics ให้ก้าวไปอีกขั้น ด้วยการนำ AI มาใช้ในการวิเคราะห์ข้อมูลอื่น ๆ รอบด้านที่เกี่ยวข้อง อาทิ สภาพการจราจร ทำเลที่ตั้งของร้าน เทรนด์ที่กำลังเป็นที่นิยมในขณะนั้น ฯลฯ แล้วนำเสนอเมนูที่น่าจะตอบโจทย์ความต้องการของลูกค้าในแต่ละช่วงเวลาอีกด้วย
Grab
Analysis of Data คือ สิ่งที่เป็นดังขุมทรัพย์สำหรับ Grab เพราะสามารถบ่งบอกได้ว่า พื้นที่ไหนที่มีรายได้รออยู่ โดยหัวใจสำคัญของการทำ Data Analytics อยู่ที่การใช้ Machine Learning และ AI เพื่อประมวลผลว่าพื้นที่ใดกำลังประสบปัญหาจราจรติดขัด และควรเดินทางด้วยเส้นทางใดจึงจะใช้เวลาสั้นที่สุด ตอบสนองความต้องการของลูกค้าได้รวดเร็วที่สุด จากนั้นจึงส่งต่อข้อมูลเหล่านี้ให้กับคนขับ Grab เพื่อช่วยให้พวกเขาสามารถบริการลูกค้าได้อย่างมีประสิทธิภาพ
เทคนิคการทำ Data Analytics สำหรับธุรกิจ
สำหรับธุรกิจที่ตัดสินใจว่าจะลงสนามเพื่อทำ Data Analytics อย่างเต็มที่ เพื่อปรับปรุงการวางกลยุทธ์การตลาดให้เฉียบคมมากยิ่งขึ้น Digital Tips ขอแนะนำ 4 เทคนิคที่จำเป็นสำหรับคุณ ดังนี้
- ลงทุนกับการว่าจ้าง Data Analyst ที่เชี่ยวชาญในกระบวนการ Data Analysis และคุ้นเคยกับเครื่องมือที่เกี่ยวข้องจริง ๆ เพื่อตั้งต้นระบบ Data Analytics ของบริษัทให้มีประสิทธิภาพสูงสุด
- ทดลองลงมือศึกษาลูกค้า (Audience) ให้มากขึ้น ซึ่งจำเป็นจะต้องใช้ระบบ CRM เข้าช่วย เพื่อบันทึกข้อมูลทั่วไป พฤติกรรมการสั่งซื้อ และประวัติการพูดคุย-โต้ตอบกับลูกค้าเก็บไว้ อย่างไรก็ดี หลังจากจัดระเบียบข้อมูลเหล่านี้ได้แล้ว แนะนำให้ลองทดสอบประสิทธิภาพ ด้วยการนำข้อมูลที่ได้ไปเป็นวัตถุดิบในการสร้าง Custom Audience สำหรับยิงแอดผ่านแพลตฟอร์มออนไลน์ แล้วดูว่ายอดการสั่งซื้อจะเพิ่มขึ้นหรือไม่
>> ข้อมูลเพิ่มเติมสำหรับธุรกิจที่ต้องการยิงแอดผ่าน Facebook อย่าลืมศึกษาเรื่อง ขนาดรูป Facebook ซึ่งมีด้วยกันมากกว่า 10 ขนาด เพื่อความถูกต้องและแม่นยำ
- Data Analytics คือ กระบวนการที่จำเป็นต้องทำตลอดเวลา เนื่องจากข้อมูลไม่ใช่สิ่งตายตัว สามารถเพิ่ม ลด หรือเปลี่ยนแปลงได้ ดังนั้น หากคุณต้องการสำรวจความเป็นไปได้ใหม่ ๆ จากลูกค้า เพื่อนำมาเป็นวัตถุดิบในการปรับปรุงข้อมูล แนะนำให้ลองสร้างโฆษณาแบบ Lead Generation เช่น แบบสอบถาม แบบฟอร์มลงทะเบียน เพื่อดึงดูดให้กลุ่มเป้าหมายมากรอกข้อมูลทิ้งไว้
- ลองทำตารางสรุป Lesson Learned เพื่อเก็บข้อมูลการทำงานว่า กระบวนการทำ Data Analytics ของทีม มีสิ่งใดที่ดีอยู่แล้ว และมีสิ่งใดที่จำเป็นต้องปรับปรุง
ธุรกิจของคุณมีการวิเคราะห์ Data หรือยัง?
การทำ Data Analytics หรือการจัดระเบียบและวิเคราะห์ข้อมูล นำไปสู่การพัฒนาการวางกลยุทธ์การตลาดที่มีประสิทธิภาพ และสามารถเพิ่มยอดขายได้มากขึ้น นั่นเป็นเหตุผลที่ทำให้ขณะนี้ ธุรกิจชั้นนำทั่วโลกพัฒนาการทำ Data Analytics กันอย่างไม่หยุดยั้ง แล้วธุรกิจของคุณล่ะ…เริ่มวิเคราะห์ Data อย่างจริงจังแล้วหรือยัง?
หากคุณมองเห็นโอกาสในการสร้างยอดขายจากสิ่งนี้ และอยากเริ่มต้นทำ Data Analytics ด้วยวิธีการที่ถูกต้อง Digital Tips ขอแนะนำคอร์สเรียนดี ๆ ที่จะช่วยให้คุณก้าวทันโลกที่หมุนไปข้างหน้าด้วย Big Data อย่าง “How to create winning business with your data” โดยคุณทอย กศิดิษ สตางค์มงคล Senior Manager ด้าน Data Science เจ้าของเพจ Data Rockie มั่นใจด้วยเนื้อหาอัดแน่นจัดเต็ม 40 ตอน พร้อมถ่ายทอดเทคนิคพิเศษฉบับผู้เชี่ยวชาญ ที่คนไม่มีพื้นฐานก็เรียนได้ สมัครเลย!
