Data Analytics คือการนำข้อมูลที่มีอยู่มาเข้าสู่กระบวนการวิเคราะห์ เพื่อนำข้อมูลไปใช้ประโยชน์ในด้านต่าง ๆ ที่ครอบคลุมในทุกอุตสาหกรรม ทั้งภาครัฐและภาคเอกชน ซึ่งจะต้องอาศัยเทคโนโลยีหรือซอฟต์แวร์เฉพาะด้านที่เข้ามาช่วยให้การประมวลผลและวิเคราะห์ข้อมูลเป็นไปอย่างแม่นยำและนำไปใช้งานได้อย่างมีประสิทธิภาพ โดยสามารถแบ่งประเภทของการวิเคราะห์ข้อมูล ได้ 4 รูปแบบ ตั้งแต่ Descriptive Analytics คือการวิเคราะห์ว่าเกิดอะไรขึ้น, Diagnostic Analytics คือการวิเคราะห์ว่าสิ่งนั้น ๆ เกิดขึ้นเพราะอะไร, Predictive Analytics คือวิเคราะห์เพื่อคาดการณ์แนวโน้มของสิ่งที่จะเกิดต่อไป และ Prescriptive Analytics คือการวิเคราะห์สิ่งที่จะเกิดขึ้นจากการใช้ทางเลือกต่าง ๆ ในเชิงแนะนำ
Data Analytics Evolution
– การวิเคราะห์ข้อมูลแท้จริงแล้วเป็นเรื่องที่อยู่กับมนุษย์มาเป็นเวลานาน ซึ่งมีพื้นฐานมาจากการใช้ตัวเลขหรือสถิติ เพียงแต่ในสมัยก่อนการที่รัฐบาลหรือองค์กรจะบันทึกข้อมูล แล้วนำมาวิเคราะห์นั้น จะต้องใช้เวลานานและใช้ความพยายามอย่างสูง ตัวอย่างเช่น เมื่อย้อนกลับไปสมัยที่ยังไม่มีคอมพิวเตอร์ สำนักสำรวจสำมะโนประชากรของสหรัฐฯ ใช้เวลามากกว่า 7 ปีในการประมวลผลข้อมูลให้เสร็จสมบูรณ์
– แต่เมื่อยุคสมัยเปลี่ยนไป โลกเริ่มมีการพัฒนาความก้าวหน้าด้านเทคโนโลยี จนกระทั่งช่วงยุค 1940 – 1950 เป็นยุคที่องค์กรภาครัฐเริ่มใช้คอมพิวเตอร์ และเริ่มมีการวิเคราะห์ข้อมูลเกิดขึ้น รวมทั้งการวิเคราะห์ข้อมูลเริ่มถูกนำไปใช้ในองค์กรด้านงานวิจัยมากขึ้น โดยค่อย ๆ เริ่มจากการรวบรวมข้อมูลแบบออฟไลน์และวิเคราะห์ด้วยตนเอง
– ต่อเนื่องสู่ช่วงปลายยุค 1960 Analytics เริ่มได้รับความสนใจมากขึ้นเมื่อคอมพิวเตอร์กลายเป็นระบบสนับสนุนการตัดสินใจในด้านต่าง ๆ ทำให้มีการพัฒนาเทคโนโลยีเกิดขึ้น เช่น องค์กรด้านไอทีที่มีชื่อเสียงอย่าง IBM ได้คิดค้นเทคโนโลยีการเก็บข้อมูล “Disk storage” เป็นจุดเริ่มต้นของการเข้าถึงข้อมูลและแบ่งปันข้อมูลระหว่างคอมพิวเตอร์ได้ รวมทั้งมีการพัฒนาระบบจัดการฐานข้อมูล (DBMS) อีกด้วย เป็นยุคแรกเริ่มของการนำเทคโนโลยีมาช่วยในการวิเคราะห์ข้อมูลอย่างเห็นได้ชัด
– ต่อมาในยุค 1970 – 1980 ด้วยการพัฒนาของยุคสมัยและเทคโนโลยีที่รวดเร็ว บริษัทด้านเทคโนโลยี และสตาร์ทอัพหลายแห่ง ได้พัฒนานวัตกรรมที่เกี่ยวข้องกับข้อมูลขึ้นมามากมาย ไม่ว่าจะเป็น Relational database, Data warehouse, Decision support systems (DSS), SQL รวมทั้ง ETL เป็นต้น
– จนเข้าสู่ยุค 1990 การค้นหาออนไลน์ได้รับความนิยมมากขึ้น ทั้งในภาคธุรกิจและประชาชนทั่วไป โดยบริษัทยักษ์ใหญ่อย่าง Google, Amazon และ eBay เนื่องจากข้อมูลที่เพิ่มมากขึ้นเป็นจุดเริ่มต้นให้โลกเกิดคำว่า ข้อมูลมหาศาล หรือ Big data ขึ้นมา และทำให้เกิดนวัตกรรมต่าง ๆ ตามมา ไม่ว่าจะเป็น Database marketing, Data mart, OLAP, Data mining และ Data visualization ซึ่งเข้ามาช่วยในวิเคราะห์ข้อมูลแนวโน้มทางธุรกิจ ซึ่งทำให้ได้ข้อสรุปและคำแนะนำที่ดีขึ้นกว่าในยุคสมัยก่อน ๆ อย่างมาก ช่วยให้การทำธุรกิจมีประสิทธิภาพยิ่งขึ้น แต่ในขณะเดียวกัน เมื่อปริมาณข้อมูลมีการเพิ่มมากขึ้นอย่างรวดเร็ว หลายองค์กรจึงเริ่มพบปัญหาในการจัดเก็บและการประมวลผลข้อมูล
– จนมาถึงยุคปี 2000 จนถึงปัจจุบัน ซึ่งเป็นยุคของการใช้สมาร์ทโฟน, แอปพลิเคชัน หรืออุปกรณ์ที่เชื่อมต่อต่าง ๆ ซึ่งเป็นยุคเกิดการแข่งขันทางธุรกิจที่สูงมาก เพื่อเอาชนะใจลูกค้า ทำให้เกิดแพลตฟอร์มที่เกี่ยวกับการประมวลผลการวิเคราะห์ออนไลน์เกิดขึ้น และเกิดข้อมูลที่ไม่มีโครงสร้างขึ้นมากมาย ถือเป็นจุดเริ่มต้นของฐานข้อมูลรูปแบบใหม่ที่เรียกว่า NoSQL โดยในยุคนี้บริษัทไอทีทั่วโลก ได้มีการพัฒนาเทคโนโลยีใหม่ ๆ ออกมาเพื่อตอบโจทย์ความต้องการของธุรกิจ ไม่ว่าจะเป็น NoSQL, Cloud storage, Cloud computing, AI และ ML เป็นต้น ซึ่งเทคโนโลยีเหล่านี้ถูกพัฒนามาเพื่อลดข้อจำกัดในการจัดเก็บข้อมูล ช่วยให้สามารถประมวลผลข้อมูลได้เร็วและแม่นยำขึ้น สามารถนำข้อมูลไปวิเคราะห์ขั้นสูงเพื่อหาข้อมูลเชิงลึกที่เป็นประโยชน์ต่อธุรกิจ ทำให้ความสามารถของการทำ Data analytics นั้น ก็มีการยกระดับขึ้นไปพร้อมกับการพัฒนาของเทคโนโลยีต่อเนื่องมาจนถึงปัจจุบัน
Descriptive Analytics คือการวิเคราะห์ข้อมูลแบบพื้นฐาน เพื่อแสดงผลที่เกิดขึ้น หรือกำลังจะเกิดขึ้น จากข้อมูลในอดีต ในลักษณะที่เข้าใจง่ายสามารถสร้างขึ้นได้ด้วยตนเอง เช่น รายงาน แผนภูมิ กราฟ ตาราง เป็นต้น ซึ่งจะช่วยให้เข้าใจการเปลี่ยนแปลงที่เกิดขึ้นกับองค์กรได้ดียิ่งขึ้น เช่น การเปลี่ยนแปลงของราคาสินค้ารายปี การเติบโตของยอดขายรายเดือน การเปรียบเทียบยอดขายในแต่ละสาขาหรือแต่ละช่องทาง การเปรียบเทียบจำนวนผู้ใช้งานเว็บไซต์ในแต่ละช่วงเวลา เป็นต้น ซึ่ง Descriptive Analytics คือการอธิบายสิ่งที่เกิดขึ้นตามวัตถุประสงค์และช่วงเวลาที่กำหนดนั่นเอง
Diagnostic Analytics คือการวิเคราะห์เชิงวินิจฉัย ซึ่งเป็นรูปแบบหนึ่งของการวิเคราะห์ขั้นสูงแบบเจาะลึก โดยการวิเคราะห์ข้อมูลที่ได้จากการทำ Descriptive Analytics เพื่อหาคำตอบว่าทำไมจึงเกิดสิ่งนั้น ๆ หรืออธิบายปัจจัยและตัวแปรที่เป็นสาเหตุของการเกิดสิ่งนั้น ๆ ขึ้น ซึ่งจะต้องอาศัยเทคนิคต่าง ๆ เข้ามาช่วย เช่น การทำ Data discovery หรือ Data mining เป็นต้น ตัวอย่างการวิเคราะห์ข้อมูลเชิงวินิจฉัย เช่น อธิบายสาเหตุที่ทำให้ยอดขายเพิ่มขึ้น จำนวน ผู้ใช้ที่เข้าชมเว็บไซต์เพิ่มขึ้น จำนวนลูกค้าที่เข้าใช้บริการที่หน้าร้านลดลง โปรโมชันที่ไม่ค่อยได้รับความนิยม เนื้อหาโฆษณาที่ได้ CTR% มากกว่าเนื้อหาอื่น ๆ หรือวิเคราะห์การทำงานของเครื่องคอมพิวเตอร์เพื่อตรวจจับความผิดปกติ เป็นต้น ข้อมูลเหล่านี้จะทำให้องค์กรรู้ถึงความต้องการของตลาด เข้าใจพฤติกรรมของลูกค้า รู้สาเหตุของปัญหาด้านเทคโนโลยี รวมถึงสามารถปรับปรุงวัฒนธรรมองค์กร เพื่อการทำงานที่ดีขึ้น
Predictive Analytics คือการวิเคราะห์ข้อมูลทั้งข้อมูลในอดีตและปัจจบุันออกมาในเชิงคาดการณ์ ทำนาย หรือการพยากรณ์ เพื่อหาแนวโน้มที่จะเกิดสิ่งต่าง ๆ ขึ้นตามวัตถุประสงค์ที่กำหนด โดยการสร้างแบบจำลองทางสถิติ บวกกับการนำเทคโนโลยีปัญญาประดิษฐ์มาใช้ ซึ่งสามารถสร้างประโยชน์ได้มากมายในหลายแง่มุม เช่น การคาดการณ์ความเสี่ยงและโอกาส ยอดขาย ภัยไซเบอร์ สภาพอากาศ การลงทุน หุ้น หรือผลการเลือกตั้ง เป็นต้น อย่างไรก็ตามการทำ Predictive Analytics ที่ถูกต้องและแม่นยำนั้น ขึ้นอยู่กับคุณภาพของข้อมูล ซึ่งเป็นสิ่งที่องค์กรควรให้ความสำคัญเป็นอันดับแรก โดยการเตรียมข้อมูลให้มีคุณภาพที่ดีและเหมาะสม ก่อนนำไปใช้วิเคราะห์เพื่อให้เกิดผลลัพธ์ที่มีประสิทธิภาพ ลดข้อผิดพลาด และเกิดประโยชน์อย่างแท้จริง
Prescriptive Analytics คือการวิเคราะห์แบบให้คำแนะนำ ซึ่งเป็นการวิเคราะห์ที่มีความซับซ้อนมากที่สุด ต่อเนื่องจากการทำ Predictive Analytics กล่าวคือ เมื่อได้ข้อมูลแนวโน้มที่จะเกิดบางสิ่งขึ้นแล้ว การทำ Prescriptive Analytics จะช่วยแนะนำแนวทางการดำเนินการในขั้นตอนต่อไปที่เหมาะสมที่สุด และวิเคราะห์ไปถึงผลที่จะเกิดขึ้นถ้าหากเลือกปฏิบัติตามแนวทางนั้น ๆ หรือแม้แต่แนะนำแนวทางในการรับมือและแก้ไขปัญหา การวิเคราะห์แบบให้คำแนะนำจึงถือเป็นเครื่องมือที่สำคัญอย่างมากสำหรับการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล การวิเคราะห์แบบให้คำแนะนำคือทำงานร่วมกันระหว่าง Big data อัลกอริธึมของ Machine learning และเทคโนโลยี AI เพื่อช่วยในการวิเคราะห์ข้อมูลจำนวนมหาศาลที่มีความซับซ้อนเกินกว่าที่มนุษย์จะทำได้ ซึ่งการทำ Prescriptive Analytics ยังช่วยเพิ่มประสิทธิภาพในการตัดสินใจด้านต่าง ๆ ไม่ว่าจะเป็น ด้านการลงทุน ด้านการตลาด ด้านการตรวจจับการฉ้อโกง (Fraud Detection) ในอุตสาหกรรมธนาคาร ด้านการพัฒนาและปรับปรุงผลิตภัณฑ์ เป็นต้น ซึ่งนับว่าการวิเคราะห์ที่ทรงพลังเป็นอย่างมาก และเป็นแรงขับเคลื่อนสำคัญที่จะช่วยให้องค์กรสามารถบรรลุเป้าหมายทางธุรกิจได้อย่างรวดเร็วและมีประสิทธิภาพ
ขอบคุณข้อมูลอ้างอิงจาก
www.techtarget.com/searchdatamanagement/definition/data-analytics
www.dataversity.net/brief-history-analytics/
www.analyticsinsight.net/evolution-of-analytics-over-the-years/
www.online.hbs.edu/blog/post/types-of-data-analysis
www.afterinc.com/2018/12/28/brief-history-predictive-analytics-part-1/
www.afterinc.com/2019/01/03/brief-history-predictive-analytics-part-2/
www.afterinc.com/2019/01/15/brief-history-predictive-analytics-part-3/
www.studyonline.unsw.edu.au/blog/descriptive-predictive-prescriptive-analytics
www.investopedia.com/terms/d/descriptive-analytics.asp
www.gartner.com/en/information-technology/glossary/diagnostic-analytics#
www.online.hbs.edu/blog/post/diagnostic-analytics
www.dataversity.net/brief-history-analytics/
www.scnsoft.com/blog/4-types-of-data-analytics
www.online.hbs.edu/blog/post/prescriptive-analytics
www.talend.com/resources/what-is-prescriptive-analytics/
