Data Analysis กับ Data Analytic
ทำอะไร
เหมือนหรือแตกต่างกันอย่างไร ?
แชร์บทความนี้ไปยัง ...
สายงานเกี่ยวกับ Data เป็นสายงานที่เป็นที่ต้องการและมีความสำคัญเพิ่มขึ้นเป็นอย่างมากสำหรับองค์กรต่าง ๆ ในปัจจุบัน เพราะเป็นตำแหน่งงานที่จะช่วยพัฒนาและยกระดับคุณภาพขององค์กรให้มีประสิทธิภาพมากยิ่งขึ้น โดยการทำ Data นั้นจะเป็นการนำเอาข้อมูลที่มีอยู่ของลูกค้ามาวิเคราะห์เพื่อให้เกิดประโยชน์ทางธุรกิจ ตั้งแต่ข้อมูลพื้นฐานเบื้องต้น ไปจนถึงข้อมูลเชิงลึก ส่งผลให้องค์กรมีแนวทาง และสามารถวางกลยุทธ์ เพื่อต่อยอดแผนงานให้เกิดประสิทธิภาพและตรงตามความต้องการของลูกค้าได้ โดยปกติแล้วสายงานเกี่ยวกับ Data จะแบ่งออกเป็น 3 ส่วนใหญ่ๆ คือ Data Analyst, Data Scientist และ Data Engineer ซึ่งในวันนี้ทาง JobHACK จะมาพูดถึงในส่วนของ Data Analyst ที่หลายคนอาจจะรู้จักในชื่อของ Data Analysis และ Data Analytic ซึ่งทั้ง 2 ตำแหน่งงานนี้จะมีความเหมือนหรือต่างกันอย่างไร ? เราไปดูกันเลย
ทำความรู้จักกับ Data Analysis
Data Analysis คือ การนำเอาข้อมูลที่มีอยู่แล้วมาวิเคราะห์สิ่งเกิดขึ้นในอดีตเพื่อหาสาเหตุของปัญหา นำเอาข้อมูลที่มีในอดีตที่เคยเจอมาวิเคราะห์เพื่อหารากของสาเหตุ ( root cause analysis ) เพื่อให้ได้ปัจจัย หรือต้นเหตุของปัญหาที่แท้จริง ซึ่งการทำ Data Analysis นั้นก็ประกอบด้วย การวิเคราะห์สถานการณ์การตลาด ( Market Analysis ) และ การทำเหมืองข้อมูล ( Data Mining )
1.การวิเคราะห์สถานการณ์การตลาด ( Market Analysis )
การวิเคราะห์สถานการณ์การตลาดจะช่วยให้องค์กรสามารถกำหนดเป้าหมายทางการตลาด และการวางแผนทางการตลาดได้ ช่วยในการวิเคราะห์ข้อมูลเชิงลึกต่าง ๆ ของลูกค้า หรือกลุ่มเป้าหมายของเราได้ เช่นข้อมูล ตำแหน่ง อายุ รายได้ และเพศ ของลูกค้าซึ่งสามารถนำข้อมูลไปใช้ในการสร้างแคมเปญทางการตลาดต่าง ๆ ที่เราต้องการเข้าถึงกลุ่มเป้าหมายของเราแบบเฉพาะเจาะจงได้
2.การทำเหมืองข้อมูล ( Data Mining )
การทำเหมืองข้อมูลเป็นการใช้ความรู้ทางคณิตศาสตร์ทางด้านสถิติ, การสร้างสมการ, รูปแบบข้อมูลเพื่อมาทำกระบวนการที่กระทำกับข้อมูลจำนวนมากเพื่อค้นหารูปแบบและความสัมพันธ์ของข้อมูลต่าง ๆ ที่อยู่ในแต่ละชุดข้อมูลนั้น ๆ การทำเหมืองข้อมูลถูกนำไปใช้ในงานหลายประเภท ในด้านธุรกิจที่จะช่วยในการตัดสินใจของผู้บริหาร โดยเฉพาะข้อมูลบน Social Media ต่าง ๆ ที่มีมากมาย เช่น Facebook, Instagram, Linkedin ซึ่งการนำข้อมูลจาก Social Media เหล่านี้มาทำเหมืองข้อมูลจะทำให้บริษัทนั้น ๆ มีความได้เปรียบมากขึ้น และมีโอกาสที่จะสามารถตอบสนองความต้องการของลูกค้าได้เพิ่มมากขึ้น ซึ่งกระบวนการทำเหมืองข้อมูลก็มีด้วยกัน 3 ขั้นตอน จะมีอะไรบ้าง เรามาดูกัน
2.1 ขั้นก่อนดำเนินงาน ( Pre-processing )
ขั้นก่อนดำเนินงานจะเป็นขั้นสำหรับจัดเตรียม จัดวางข้อมูล ซึ่งเราก็สามารถจัดหาข้อมูลได้จากที่ต่าง ๆ เช่น ตลาดข้อมูล, คลังข้อมูล, ชุดข้อมูล แล้วเราก็สามารถกำหนดรูปแบบของข้อมูลเองโดยกำหนดจากเป้าหมายเฉพาะที่เราต้องการจะนำมาวิเคราะห์ก็ได้เช่นกัน แล้วหลังจากนั้นเราก็จะนำข้อมูลมาทำการ Data Cleaning หรือก็คือการทำความสะอาดข้อมูล เพื่อที่จะนำข้อมูลที่เราไม่ต้องการ / ไม่เกี่ยวข้องออก ให้เหลือแต่ข้อมูลที่เราจะวิเคราะห์หรือสนใจเท่านั้น
2.2 ขั้นตรวจวัดผล ( Result Validation )
ขั้นตรวจวัดผลจะเป็นการนำข้อมูลในโมเดลที่ได้มาทำการทดลองเพื่อดูว่าข้อมูลนั้นใช้ได้จริงหรือไม่ เพราะข้อมูลจริง ๆ แล้วอาจจะมีข้อมูลที่เราไม่เคยเห็น ไม่เคยรู้จักมาก่อน
2.3 ขั้นดำเนินการทำเหมืองข้อมูล ( Data Mining )
ขั้นดำเนินการทำเหมืองข้อมูลประกอบไปด้วย 5 คลาสด้วยกัน
- การหาความเบี่ยงเบน ( Deviation detection ) คือการหาความผิดปกติในข้อมูลที่อาจใช้ได้ หรืออาจเป็นข้อผิดพลาดที่ต้องมีการตรวจสอบก่อนที่จะนำข้อมูลไปใช้จริง
- การรวบรวม ( Clustering ) คือการนำข้อมูลที่มีโครงสร้างคล้าย ๆ กัน มาโดยไม่ใช้ข้อมูลที่มีในโปรแกรมอยู่แล้ว
- แบบจำลองความสัมพันธ์ ( Dependency Modeling ) คือการหาความสัมพันธ์ของตัวแปร ยกตัวอย่างเช่น ร้านสะดวกซื้อรวบรวมข้อมูลจากการซื้อสินค้าของลูกค้า การใช้ แบบจำลองความสัมพันธ์ จะทำให้ทางร้านสะดวกซื้อรู้ได้ว่าลูกค้าซื้อสินค้าชนิดใดด้วยกันมากที่สุดและใช้ข้อมูลนั้นให้เป็นประโยชน์ต่อไป มันอาจเรียกอีกอย่างหนึ่งได้ว่า การวิเคราะห์ตระกร้าสินค้า
- การแบ่งกลุ่ม ( Classification ) คือการนำข้อมูลมาจัดหมู่ใหญ่ๆเพื่อสร้างข้อมูลใหม่ ยกตัวอย่างเช่น ซอฟแวร์อีเมลล์อาจจำแนกให้เราว่าอีเมลล์ไหนเป็นสแปม
- การวิเคราะห์การถดถอย ( Regression ) คือการหาฟังก์ชั่นที่แบบจำลองมีข้อผิดพลาดน้อยที่สุด
แล้ว Data Analytic หละ ทำอะไร?
Data Analytic คือ การนำข้อมูลที่มีอยู่ในปัจจุบัน หรือในอดีตมาวิเคราะห์ และทำนายอนาคต เพื่อพัฒนาแคมเปญการตลาด ให้มีความตรงใจถูกใจลูกค้ามากยิ่งขึ้น Data Analytics เป็นเครื่องมือสำหรับธุรกิจ ( Business Intelligence ) ซึ่งการทำ Data Analytic นั้นจะเป็นการใช้หลักการและกระบวนการทางคณิตศาสตร์ต่าง ๆ เช่น พีชคณิต สถิติ แคลคูลัส มาทำกับข้อมูลที่มีจำนวนมาก นำข้อมูลเหล่านั้นมาวิเคราะห์ร่วมกันและแสดงผลเพื่อช่วยในด้านธุรกิจ หรือตามวัตถุประสงค์ที่ต้องการ ซึ่งการทำ Data Analytic นั้นก็ประกอบด้วย การวิเคราะห์ข้อมูลแบบพื้นฐาน ( Descriptive analytics ), การวิเคราะห์แบบเชิงวินิจฉัย ( Diagnostic analytics ), การวิเคราะห์แบบพยากรณ์ ( Predictive analytics ), การวิเคราะห์แบบให้คำแนะนำ ( Prescriptive analytics )
1.การวิเคราะห์ข้อมูลแบบพื้นฐาน ( Descriptive Analytics )
การวิเคราะห์ข้อมูลแบบพื้นฐาน เป็นรูปแบบการวิเคราะห์ข้อมูลเบื้องต้นเพื่อให้เราได้รู้สิ่งที่เคยเกิดขึ้นในอดีต กิจกรรมต่าง ๆ ที่เกิดขึ้นในอดีตและนำมาสรุปหาผลลัพธ์ เช่น การทราบพฤติกรรมการเข้าชมเว็บไซต์ลูกค้าว่าลูกค้าไปคลิกตรงไหนบ้าง, ทราบพฤติกรรมซื้อสินค้าของลูกค้า อาจจะเป็นซื้อสินค้าชิ้นไหนมากสุด – น้อยสุด เพื่อนำมาวิเคราะห์ในเบื้องต้นว่าลูกค้ามีความสนใจตรงจุดไหนบ้าง
2.การวิเคราะห์ข้อมูลแบบเชิงวินิจฉัย ( Diagnostic Analytics )
การวิเคราะห์ข้อมูลแบบเชิงวินิจฉัย เป็นการเจาะลึกลงไปถึงสาเหตุของสิ่งที่เกิดขึ้น เพื่อหาปัจจัย ความสัมพันธ์ หรือตัวแปรต่าง ๆ ซึ่งจะเกิดขึ้นต่อจากการวิเคราะห์ข้อมูลแบบพื้นฐาน หลังจากที่เราทำการวิเคราะห์ข้อมูลแบบพื้นฐานแล้วได้ผลลัพธ์มาเรียบร้อยแล้วว่า ลูกค้าสนใจสิ้นค้าชิ้นนี้เป็นพิเศษ ลูกค้าคลิกตรงนี้เป็นพิเศษ เราจะมาทำการวิเคราะห์ข้อมูลแบบเชิงวินิจฉัยต่อว่า อะไรคือสาเหตุที่ทำให้ลูกค้ามีความสนใจในจุดนี้เป็นพิเศษ อะไรคือปัจจัยที่ส่งผลให้ลูกค้าสนใจสินค้าชิ้นนี้
3.การวิเคราะห์แบบพยากรณ์ ( Predictive Analytics )
การวิเคราะห์แบบพยากรณ์ เป็นการวิเคราะห์สิ่งที่จะเกิดขึ้น หรือเป็นไปได้ว่าจะเกิดขึ้นนั่นเอง โดยนำข้อมูลที่เรามี หรือแบบจำลองต่าง ๆ ทางสถิติไปวิเคราะห์เข้ากับเทคโนโลยี สำหรับหารูปแบบ หรือความสัมพันธ์กันของข้อมูล เพื่อให้สามารถพยากรณ์ ( Predict ) ให้ได้แนวโน้ม หรือความเป็นไปได้ที่จะเกิดขึ้น ทำให้เราสามารถวิเคราะห์หาโอกาสและความเสี่ยงต่าง ๆ ที่จะเกิดขึ้นในอนาคตได้
4.การวิเคราะห์แบบให้คำแนะนำ ( Prescriptive Analytics )
การวิเคราะห์แบบให้คำแนะนำ เป็นการวิเคราะห์ที่ต่อเนื่องจากการวิเคราะห์แบบพยากรณ์ หลังจากเราได้แนวโน้มของสิ่งที่มีโอกาสจะเกิดขึ้นแล้ว ก็จะมีการให้คำแนะนำด้วยว่า มีข้อดี ข้อเสียอย่างไรบ้าง รูปแบบแต่ละรูปแบบที่วิเคราะห์ออกมาได้ถ้าทำแบบนี้จะมีโอกาสส่งผลอย่างไรบ้าง เพื่อประกอบการตัดสินใจให้มีความแม่นยำมากขึ้น และให้เตรียมรับมือ หรือแก้ไขสถานการณ์อย่างไรได้บ้างในแต่ละรูปแบบ ซึ่งการวิเคราะห์แบบนี้ก็จะเป็นแบบที่มีความซับซ้อนที่สุดแล้ว แต่คำแนะนำเหล่านี้ก็อาจจะทำให้เราได้เห็นโอกาสหรือแนวทางที่ดีกว่าเพิ่มมากขึ้นเรื่อย ๆ
ความแตกต่างระหว่าง Data Analysis กับ Data Analytic
จะเห็นเลยว่าทั้ง Data Analysis และ Data Analytic ทั้งสองสายนี้มีความคล้ายกันเป็นอย่างมากทั้งชื่อ ตำแหน่งงาน ลักษณะการทำงาน แต่สิ่งที่แตกต่างก็คือ Data Analysis จะเป็นการนำข้อมูลมาวิเคราะห์เพื่อดูว่าเกิดอะไรขึ้นในอดีต ส่วน Data Analytic เป็นการวิเคราะห์เพื่อคาดการณ์ว่าจะเกิดอะไรขึ้นในปัจจุบันและอนาคต นั่นเอง
หลังจากที่ได้เห็นความแตกต่างของทั้งสองสายงานนี้แล้วก็จะเห็นได้ว่าทั้ง 2 สายนี้ใช้ทักษะ และความถนัดที่แตกต่างกันหากคุณคิดว่าคุณมีทักษะทางด้านการทำ Data Visualiztion, การนำข้อมูลในอดีตมาวิเคราะห์, Marketing Analysis, การทำ Data Mining สายงาน Data Analysis ก็เป็นทางที่ตอบโจทย์ แต่ถ้าหากคุณมีทักษะทางด้านการทำ สถิติ, คณิตศาสตร์, การวิเคราะห์การพยากรณ์ สายงาน Data Analytic ก็ตอบโจทย์คุณได้อย่างมากเลยล่ะ แต่ทั้งหมดนี้ก็ขึ้นอยู่กับในแต่ละบริษัทด้วยนะ เพราะในบางบริษัทอาจจะเรียกทั้ง 2 ตำแหน่งนี้ว่า Data Analyst หรืออาจจะไม่ได้แบ่งแยกทั้ง 2 ตำแหน่งนี้อย่างชัดเจนก็เป็นได้ แต่ไม่ว่าจะด้วยตำแหน่งไหน ในยุคดิจิทัลอย่างในปัจจุบันนี้ หากคุณมีทักษะในด้านของ Data อยู่ในตัวและในเรซูเม่ของคุณแล้วหละก็ เชื่อได้เลยว่าจะสามารถสร้างออร่า และเพิ่มโอกาสในการดึงดูดผู้ว่าจ้าง หรือองค์กร ที่กำลังมองหาคนที่มีทักษะความสามารถด้านนี้ได้อย่างแน่นอน
ฝากประวัติง่าย ได้งานไว อัปเดตทันใจ กับ 
ฝากประวัติโดยย่อของคุณ เพียงไม่กี่ข้อ ก็รอรับการแนะนำงานสุดพิเศษที่เหมาะกับความต้องการของคุณจาก JobHACK ได้ทันที
เพิ่มโอกาสได้งานให้ถึงขีดสุด เพื่อดึงดูดความสนใจจากผู้ว่าจ้าง ด้วยเรซูเม่คุณภาพของคุณ พร้อมรับงานแนะนำสุด Exclusive ก่อนใคร กับ ONE Profile
มีเรซูเม่คุณภาพ พร้อม Tips แนะนำอย่างมืออาชีพ
ดาวโหลดหรือแชร์ลิ้งก์ เพื่อเพิ่มโอกาสให้ผู้ว่าจ้างเห็นโปรไฟล์ของคุณ
ประหยัดเวลาในการจัดรูปแบบและแก้ไข
