# Data Analyst คืออะไร คนที่บอกว่าตัวเลขเชื่อได้แค่ไหน

> ที่มา: https://phygital.co.th/insights/what-is-data-analyst-agency · เผยแพร่ 2 กันยายน 2563 · อ่าน 16 นาที · โดย PARANATH PANARATANA

Data Analyst ในเอเจนซีรับผิดชอบอะไร ต่างจาก Data Scientist ตรงไหน พร้อมเหตุผลเชิงสถิติที่ทำให้การพิสูจน์ผลโฆษณายากกว่าที่คิด และข้อจำกัดของข้อมูลที่ต้องแจ้งก่อน

## Key Takeaways

- **หน้าที่หลักไม่ใช่การทำรายงาน แต่คือการบอกว่าตัวเลขตอบคำถามอะไรได้และตอบไม่ได้** — รายงานที่ดีจึงต้องระบุทั้งผลลัพธ์ ระเบียบวิธีที่ใช้ และช่วงความคลาดเคลื่อน ไม่ใช่ตัวเลขเดี่ยว ๆ บนแดชบอร์ด
- **การพิสูจน์ว่าโฆษณาทำให้ยอดขายเพิ่มขึ้นจริงยากกว่าที่ตัวเลขบนหน้าจอทำให้รู้สึก** — งานทดลองภาคสนาม 25 ชุดที่ตีพิมพ์ในวารสาร Quarterly Journal of Economics ปี 2558 พบว่าค่ากลางของช่วงความเชื่อมั่นของผลตอบแทนกว้างเกิน 100 จุดเปอร์เซ็นต์
- **ข้อจำกัดของข้อมูลต้องถูกแจ้งก่อนรายงาน ไม่ใช่หลังถูกถาม** — เครื่องมือวัดผลที่ใช้กันทั่วไปมีเกณฑ์ปิดบังข้อมูลบางส่วนเพื่อคุ้มครองผู้ใช้ ซึ่งทำให้ตัวเลขที่เห็นไม่ใช่ข้อมูลทั้งหมดที่เกิดขึ้นจริง

ธุรกิจที่มีแดชบอร์ดเต็มหน้าจอแต่ยังตัดสินใจไม่ได้ว่าจะย้ายงบไปทางไหน มักพบว่าปัญหาไม่ได้อยู่ที่ข้อมูลน้อย แต่อยู่ที่ไม่มีใครบอกได้ว่าตัวเลขชุดไหนเชื่อได้และเชื่อได้ในเงื่อนไขใด นี่คืองานของ Data Analyst ซึ่งมักถูกมองเป็นเพียงคนทำรายงาน ผู้ที่กำลังคิดจะจ้างหรือตั้งทีมข้อมูลของตัวเองจะพบคำอธิบายขอบเขตงาน ลำดับการทำงานจากโจทย์ถึงข้อเสนอ เหตุผลเชิงสถิติที่ทำให้การวัดผลโฆษณายากกว่าที่คาด และข้อจำกัดของเครื่องมือที่ใช้กันทั่วไปในหัวข้อถัดไป

Data Analyst คือตำแหน่งที่รับผิดชอบการตอบคำถามทางธุรกิจด้วยข้อมูลที่มีอยู่ พร้อมระบุว่าคำตอบนั้นเชื่อถือได้แค่ไหน ผลงานส่งมอบจึงไม่ใช่แดชบอร์ดที่สวยงาม แต่เป็นข้อสรุปที่ระบุได้ว่าใช้ข้อมูลชุดใด ด้วยวิธีใด และมีเงื่อนไขอะไรที่ทำให้ข้อสรุปนั้นใช้ไม่ได้

ความเข้าใจที่คลาดเคลื่อนบ่อยที่สุดคือการมองว่าตำแหน่งนี้มีไว้ทำรายงานประจำเดือน ทั้งที่งานส่วนที่มีมูลค่าที่สุดคือการบอกว่าตัวเลขที่เห็นอธิบายอะไรได้จริงและอธิบายอะไรไม่ได้

## Data Analyst ในเอเจนซีรับผิดชอบอะไร

ความรับผิดชอบแบ่งได้เป็นสี่เรื่อง คือการแปลงคำถามทางธุรกิจให้เป็นคำถามที่ตอบได้ด้วยข้อมูล การตรวจคุณภาพและที่มาของข้อมูลก่อนใช้ การวิเคราะห์เพื่อตอบคำถามนั้น และการรายงานผลพร้อมข้อจำกัดที่ติดมากับข้อมูล สามเรื่องแรกเป็นงานเบื้องหลัง ส่วนเรื่องสุดท้ายคือสิ่งที่ผู้ว่าจ้างเห็นและใช้ตัดสินใจ

ในงานเอเจนซี คำถามที่เข้ามาถึงตำแหน่งนี้มักอยู่ในสามกลุ่ม กลุ่มแรกคือคำถามเชิงพรรณนา เช่น เดือนที่ผ่านมายอดขายมาจากช่องทางใดบ้าง กลุ่มที่สองคือคำถามเชิงวินิจฉัย เช่น ยอดที่ลดลงมาจากจำนวนคนเข้าเว็บที่น้อยลงหรือจากอัตราการปิดการขายที่แย่ลง กลุ่มที่สามคือคำถามเชิงประเมิน เช่น แคมเปญที่เพิ่งจบสร้างยอดขายเพิ่มขึ้นจริงเท่าไร ซึ่งเป็นกลุ่มที่ตอบยากที่สุดและมีคนถามบ่อยที่สุด

เส้นแบ่งที่ชัดเจนคือคำถามสองกลุ่มแรกตอบได้จากข้อมูลที่บันทึกไว้อยู่แล้ว ส่วนกลุ่มที่สามต้องการการออกแบบการวัดผลตั้งแต่ก่อนแคมเปญเริ่ม การขอคำตอบกลุ่มที่สามหลังแคมเปญจบไปแล้วจึงได้เพียงการประมาณที่มีเงื่อนไขกำกับ ไม่ใช่คำตอบที่ยืนยันได้

### Data Analyst ต่างจากคนทำรายงานประจำเดือนอย่างไร

ต่างกันที่ทิศทางของงาน คนทำรายงานเริ่มจากตัวเลขที่ระบบมีแล้วนำมาจัดแสดง ส่วนนักวิเคราะห์เริ่มจากคำถามแล้วจึงไปหาว่าข้อมูลชุดใดตอบได้ ผลที่ตามมาคือรายงานจะบอกว่าเกิดอะไรขึ้น ส่วนงานวิเคราะห์จะบอกว่าเกิดเพราะอะไรและควรทำอะไรต่อ พร้อมระบุว่าข้อสรุปนั้นยังมีความไม่แน่นอนตรงไหน

## งานเดินอย่างไรตั้งแต่รับโจทย์จนถึงข้อเสนอ

กระบวนการมาตรฐานมีสี่ขั้น จุดที่พลาดบ่อยที่สุดไม่ใช่ขั้นวิเคราะห์ แต่เป็นขั้นแรกกับขั้นที่สอง เพราะโจทย์ที่ยังไม่ชัดจะทำให้การวิเคราะห์ที่ถูกต้องทางเทคนิคตอบคำถามผิดข้อ

| ขั้นตอน                                         | สิ่งที่ต้องได้เมื่อจบขั้น                                      | สัญญาณว่าขั้นนี้ยังไม่จบ                                                             |
| ------------------------------------------------ | -------------------------------------------------------------------- | ------------------------------------------------------------------------------------------ |
| **1\. แปลงโจทย์ธุรกิจเป็นคำถามที่ตอบได้** | คำถามที่ระบุตัวชี้วัด ช่วงเวลา และกลุ่มที่สนใจชัดเจน       | คำถามยังเป็นประโยคกว้าง เช่น อยากรู้ว่าการตลาดได้ผลไหม                           |
| **2\. ตรวจที่มาและคุณภาพข้อมูล**             | รายการแหล่งข้อมูล ช่วงเวลาที่ครอบคลุม และจุดที่ข้อมูลขาด    | ไม่มีใครตอบได้ว่าตัวเลขในระบบเริ่มเก็บเมื่อใดและเคยเปลี่ยนวิธีนับหรือไม่ |
| **3\. วิเคราะห์และประเมินความไม่แน่นอน**    | คำตอบพร้อมช่วงความคลาดเคลื่อนหรือเงื่อนไขที่ใช้ได้          | ได้ตัวเลขเดี่ยวโดยไม่มีใครถามว่าคลาดเคลื่อนได้เท่าไร                            |
| **4\. รายงานและเสนอทางเลือก**                | ข้อเสนอที่ผูกกับการตัดสินใจจริงและระบุสิ่งที่ยังไม่รู้ | รายงานจบที่การบรรยายตัวเลข โดยไม่มีข้อเสนอใดตามมา                               |

ขั้นที่สองเป็นขั้นที่กินเวลามากที่สุดในงานจริง เพราะข้อมูลของธุรกิจหนึ่งมักกระจายอยู่หลายระบบที่นับไม่เหมือนกัน เช่น ระบบขายหน้าร้านนับรายการคืนสินค้าเป็นยอดติดลบ แต่รายงานการตลาดนับเฉพาะยอดขายขาเข้า ความต่างระดับนี้ทำให้ตัวเลขสองฝั่งไม่ตรงกันทั้งที่ไม่มีใครผิด

### โจทย์ที่ดีสำหรับงานวิเคราะห์ต้องระบุอะไรบ้าง

อย่างน้อยสี่อย่าง คือการตัดสินใจที่รอคำตอบนี้อยู่ ตัวชี้วัดที่ใช้ตัดสิน ช่วงเวลาที่สนใจ และเกณฑ์ว่าผลลัพธ์ระดับใดจะเปลี่ยนการตัดสินใจ ข้อสุดท้ายสำคัญที่สุด เพราะหากไม่มีผลลัพธ์ใดที่ทำให้ทำต่างจากเดิม คำถามนั้นยังไม่คุ้มกับต้นทุนการวิเคราะห์

## ทำไมการพิสูจน์ว่าโฆษณาทำให้ยอดขายเพิ่มจึงยากกว่าที่คิด

คำถามที่ผู้ว่าจ้างถามบ่อยที่สุดคือโฆษณาที่ยิงไปสร้างยอดขายเพิ่มขึ้นเท่าไร และเป็นคำถามที่วิชาชีพนี้ตอบได้ยากที่สุดด้วยเหตุผลเชิงสถิติ ไม่ใช่เพราะเครื่องมือไม่ดีพอ

งานศึกษาชื่อ [The Unfavorable Economics of Measuring the Returns to Advertising](https://gwern.net/doc/economics/advertising/2015-lewis.pdf) ของ Randall A. Lewis และ Justin M. Rao ตีพิมพ์ในวารสาร Quarterly Journal of Economics เมื่อปี 2558 รวบรวมการทดลองภาคสนาม 25 ชุดกับผู้ค้าปลีกและสถาบันการเงินรายใหญ่ในสหรัฐอเมริกา ส่วนใหญ่ครอบคลุมผู้ใช้ระดับหลายล้านคน คิดเป็นงบโฆษณารวม 2.8 ล้านดอลลาร์ ผลที่พบคือ **ค่ากลางของช่วงความเชื่อมั่นของผลตอบแทนจากการลงทุนกว้างเกิน 100 จุดเปอร์เซ็นต์** ซึ่งกว้างเกินกว่าจะใช้ตัดสินว่าแคมเปญคุ้มหรือไม่

สาเหตุอยู่ที่ความผันผวนของยอดซื้อรายบุคคล งานชิ้นเดียวกันรายงานว่าค่าสัมประสิทธิ์การกระจายของยอดขายต่อคนในกลุ่มค้าปลีกอยู่ระหว่าง 4 ถึง 23 โดยกระจุกตัวที่ 10 ถึง 15 หมายความว่าส่วนเบี่ยงเบนมาตรฐานสูงกว่าค่าเฉลี่ยสิบเท่าขึ้นไป เมื่อสัญญาณที่ต้องการวัดมีขนาดเล็กเทียบกับความผันผวนระดับนี้ การทดลองที่ให้คำตอบชัดเจนจึงอาจต้องใช้กลุ่มตัวอย่างมากกว่า 10 ล้านคน-สัปดาห์ ซึ่งเกินกำลังของธุรกิจส่วนใหญ่

ข้อสรุปที่ใช้ได้จริงจากงานชิ้นนี้ไม่ใช่การเลิกวัดผล แต่คือการเปลี่ยนคำถาม จากการถามว่าผลตอบแทนเท่ากับกี่เปอร์เซ็นต์ มาเป็นการถามว่าผลอยู่เหนือเกณฑ์ที่ตัดสินใจได้หรือไม่ เช่น ตั้งเกณฑ์ว่าถ้าส่วนเพิ่มต่ำกว่าระดับหนึ่งจะหยุดช่องทางนั้น แล้วออกแบบการทดสอบให้ตอบเฉพาะคำถามนั้น ซึ่งใช้ขนาดกลุ่มตัวอย่างน้อยกว่ามาก

### ธุรกิจขนาดกลางทดสอบผลของโฆษณาเองได้หรือไม่

ได้ในรูปแบบที่ลดความละเอียดลง เช่น สลับเปิดและปิดช่องทางเป็นช่วงเวลาสลับกันหลายรอบ แล้วเทียบยอดขายรวมของช่วงเปิดกับช่วงปิด วิธีนี้ตอบได้เพียงว่ามีผลหรือไม่มีผลชัดเจน ไม่ได้ตอบเป็นตัวเลขผลตอบแทนที่แม่นยำ แต่เพียงพอสำหรับการตัดสินใจว่าจะทำต่อหรือหยุด

## ข้อจำกัดของข้อมูลที่ต้องแจ้งก่อนรายงานทุกครั้ง

ข้อมูลที่ใช้ในงานการตลาดมีข้อจำกัดในตัวเองที่ไม่ได้เกิดจากความผิดพลาดของใคร แต่มาจากวิธีที่ระบบเก็บข้อมูลและจากกฎหมายที่คุ้มครองผู้ใช้ ข้อจำกัดเหล่านี้ต้องถูกระบุไว้ในรายงานตั้งแต่ต้น เพราะเป็นตัวกำหนดว่าข้อสรุปใช้ได้ในขอบเขตแค่ไหน

* **เครื่องมือวัดผลปิดบังข้อมูลบางส่วนโดยตั้งใจ** เอกสารทางการของ Google อธิบายไว้ในหัวข้อ [เกณฑ์ขั้นต่ำของข้อมูล](https://support.google.com/analytics/answer/9383630) ว่าระบบจะไม่แสดงข้อมูลบางแถว เช่น ข้อมูลประชากรหรือคำค้นหา เมื่อจำนวนผู้ใช้ไม่ถึงเกณฑ์ เพื่อไม่ให้ผู้อ่านรายงานเดาตัวตนของผู้ใช้รายบุคคลได้ ผลคือรายงานที่เห็นไม่ใช่ข้อมูลทั้งหมดที่เกิดขึ้น และกลุ่มเล็กมักหายไปก่อนเสมอ
* **การนับคนกับการนับอุปกรณ์ไม่ใช่สิ่งเดียวกัน** ผู้ใช้คนเดียวที่เข้าเว็บจากโทรศัพท์แล้วซื้อจากคอมพิวเตอร์ อาจถูกนับเป็นสองคนในรายงาน ทำให้ตัวเลขผู้ใช้ใหม่สูงกว่าความจริงและอัตราการปิดการขายต่ำกว่าความจริง
* **ข้อมูลที่ผูกกับตัวบุคคลมีเงื่อนไขทางกฎหมาย** [กฎหมายคุ้มครองข้อมูลส่วนบุคคลของไทย](https://ratchakitcha.soc.go.th/documents/17082307.pdf) กำหนดฐานการเก็บและใช้ข้อมูลไว้ชัด การนำข้อมูลลูกค้ามาวิเคราะห์ต่อจึงต้องตรวจก่อนว่าฐานที่ใช้เก็บครอบคลุมวัตถุประสงค์ใหม่หรือไม่
* **ข้อมูลย้อนหลังเปลี่ยนความหมายเมื่อระบบเปลี่ยน** การเปลี่ยนเครื่องมือวัดผล การเปลี่ยนนิยามของเหตุการณ์ที่บันทึก หรือการย้ายระบบขายหน้าร้าน ทำให้ตัวเลขก่อนและหลังเทียบกันตรง ๆ ไม่ได้ ต้องระบุวันที่เปลี่ยนไว้ในรายงานเสมอ

### รายงานที่ระบุข้อจำกัดไว้ ทำให้ดูน่าเชื่อถือน้อยลงหรือไม่

ตรงกันข้าม รายงานที่ไม่ระบุข้อจำกัดเลยคือรายงานที่ตรวจสอบไม่ได้ เพราะผู้อ่านไม่มีทางรู้ว่าข้อสรุปใช้ได้ในเงื่อนไขใด การระบุขอบเขตไว้ล่วงหน้ายังป้องกันการนำตัวเลขไปใช้ผิดบริบท ซึ่งเป็นความเสียหายที่แก้ยากกว่าการยอมรับว่าข้อมูลบางส่วนยังไม่สมบูรณ์

---

---

## Data Analyst ต่างจาก Data Scientist และ Data Engineer อย่างไร

สามตำแหน่งนี้ทำงานกับข้อมูลชุดเดียวกัน แต่รับผิดชอบคนละช่วงของสายงาน การเรียกรวมกันว่าทีมข้อมูลทำให้ธุรกิจจ้างผิดตำแหน่งบ่อย โดยเฉพาะการจ้างผู้เชี่ยวชาญด้านแบบจำลองเข้ามาในองค์กรที่ข้อมูลยังไม่ถูกจัดเก็บให้พร้อมใช้

| เกณฑ์เทียบ                             | Data Analyst                                           | Data Scientist                                            | Data Engineer                                                |
| --------------------------------------- | ------------------------------------------------------ | --------------------------------------------------------- | ------------------------------------------------------------ |
| **คำถามหลักที่ตอบ**                  | เกิดอะไรขึ้น เพราะอะไร และควรทำอะไรต่อ          | สิ่งที่จะเกิดขึ้นถัดไปน่าจะเป็นอย่างไร          | ข้อมูลไหลจากต้นทางถึงปลายทางครบและตรงเวลาหรือไม่ |
| **ผลงานส่งมอบ**                      | ข้อสรุปและข้อเสนอพร้อมข้อจำกัด                  | แบบจำลองพร้อมค่าความแม่นยำ                           | ระบบส่งข้อมูลและโครงสร้างตารางที่ใช้ต่อได้          |
| **สิ่งที่ต้องมีก่อนเริ่มงานได้** | ข้อมูลที่เข้าถึงได้และคำถามที่ชัด              | ข้อมูลปริมาณมากพอและปัญหาที่นิยามได้เป็นตัวเลข  | สิทธิ์เข้าถึงระบบต้นทางและข้อตกลงเรื่องความปลอดภัย |
| **สัญญาณว่าจ้างผิดตำแหน่ง**         | ถูกใช้ทำแดชบอร์ดอย่างเดียวจนไม่ได้ตอบคำถาม | ถูกจ้างมาทั้งที่ข้อมูลยังไม่ถูกรวมไว้ที่เดียว | ถูกขอให้ตีความผลทางธุรกิจแทนการวางระบบ             |

ในทีมขนาดเล็ก คนคนเดียวมักรับทั้งสามบทบาท ซึ่งทำได้เมื่อปริมาณข้อมูลยังไม่มาก แต่มีผลข้างเคียงที่ต้องรู้คือผู้ที่วางระบบเก็บข้อมูลเองจะตรวจข้อผิดพลาดของระบบตัวเองได้ยากกว่าคนนอก จึงควรกำหนดให้มีการตรวจสอบข้ามอย่างน้อยปีละครั้ง

งานฝั่งที่แปลงข้อมูลเป็นทิศทางการสื่อสารอยู่ใน[Strategic Planner คืออะไร คนที่แปลข้อมูลเป็นโจทย์ครีเอทีฟ](https://phygital.co.th/insights/what-is-strategic-planner-marketing-strategy) ส่วนฝั่งที่นำผลวิเคราะห์ไปตัดสินใจซื้อสื่ออยู่ใน[Media Buyer คืออะไร Media Buying กับส่วนต่างที่มองไม่เห็น](https://phygital.co.th/insights/what-is-media-buyer-advertising-negotiation) และโมเดลเอเจนซีที่ใช้ตัวเลขเป็นตัวชี้วัดหลักอธิบายไว้ใน[Performance Marketing Agency คืออะไร เหมาะกับธุรกิจแบบไหน](https://phygital.co.th/insights/what-is-performance-marketing-agency)

### ธุรกิจควรจ้างตำแหน่งไหนก่อนเมื่อเริ่มต้นจากศูนย์

เริ่มจากผู้ที่ทำงานวิเคราะห์ได้ก่อน เพราะตอบคำถามที่ค้างอยู่ได้ทันทีด้วยข้อมูลที่มี และจะเป็นคนบอกเองว่าข้อมูลส่วนใดยังขาดจนต้องลงทุนวางระบบเพิ่ม การเริ่มจากการวางระบบก่อนโดยยังไม่รู้ว่าจะตอบคำถามใด มักจบด้วยระบบที่เก็บข้อมูลครบแต่ไม่มีใครใช้

## ทักษะที่นักวิเคราะห์ข้อมูลใช้จริงในแต่ละสัปดาห์

ประกาศรับสมัครมักระบุชื่อเครื่องมือเป็นหลัก ทั้งที่เครื่องมือเปลี่ยนได้เร็วกว่าทักษะ สิ่งที่ตรวจสอบได้จากงานที่เคยทำมีห้าอย่าง

1. **การดึงและจัดรูปข้อมูล** ใช้ภาษาสอบถามฐานข้อมูลหรือเครื่องมือจัดการตารางได้ในระดับที่ทำงานเองได้โดยไม่ต้องรอฝ่ายเทคนิคทุกครั้ง
2. **การตรวจความสมเหตุสมผลของตัวเลข** เทียบยอดจากสองระบบที่ควรตรงกัน เช่น ยอดในระบบขายกับยอดที่เข้าบัญชีจริง ก่อนนำตัวเลขไปวิเคราะห์ต่อ
3. **ความเข้าใจสถิติพื้นฐาน** รู้ความต่างระหว่างความสัมพันธ์กับสาเหตุ อ่านช่วงความเชื่อมั่นเป็น และรู้ว่ากลุ่มตัวอย่างเล็กเกินไปเมื่อใด
4. **การเล่าเรื่องด้วยข้อมูล** เลือกกราฟที่ตอบคำถามเดียว และเขียนข้อสรุปที่ผู้อ่านนำไปตัดสินใจได้โดยไม่ต้องตีความเอง
5. **ความเข้าใจธุรกิจที่กำลังวิเคราะห์** รู้ว่ากำไรของธุรกิจนั้นมาจากอะไร ต้นทุนหลักอยู่ตรงไหน ตัวเลขที่ขยับจึงจะถูกตีความได้ตรงกับความหมายทางธุรกิจ

### ผู้สมัครงานสายข้อมูลควรเตรียมแฟ้มผลงานแบบไหน

เตรียมงานตัวอย่างที่แสดงกระบวนการคิด ตั้งแต่คำถามตั้งต้น วิธีตรวจคุณภาพข้อมูล ไปจนถึงข้อจำกัดที่ยอมรับไว้ในข้อสรุป ชุดข้อมูลสาธารณะใช้ได้ทั้งหมด สิ่งที่ผู้ว่าจ้างดูคือวิธีตั้งคำถามและความตรงไปตรงมาเรื่องข้อจำกัด ไม่ใช่ความสวยงามของกราฟ

## ข้อจำกัดของบทบาทนี้ที่ต้องรู้ก่อนตั้งทีม

การมีนักวิเคราะห์ในทีมไม่ได้แปลว่าการตัดสินใจจะดีขึ้นอัตโนมัติ ข้อแลกเปลี่ยนที่พบบ่อยมีห้าข้อ

* **ข้อมูลที่มีอยู่จำกัดคำถามที่ตอบได้** หากไม่เคยเก็บข้อมูลกลุ่มควบคุมไว้เลย คำถามเรื่องส่วนเพิ่มจะตอบได้เพียงการประมาณ การเพิ่มคนไม่ได้แก้ข้อจำกัดนี้ ต้องแก้ที่การออกแบบการเก็บข้อมูล
* **งานวิเคราะห์ใช้เวลาเกินที่คนนอกคาดเสมอ** เวลาส่วนใหญ่หมดไปกับการตรวจและจัดรูปข้อมูล ไม่ใช่การวิเคราะห์ การตั้งความคาดหวังว่าขอตัวเลขวันนี้ได้พรุ่งนี้จึงมักจบด้วยตัวเลขที่ยังไม่ถูกตรวจ
* **ตัวชี้วัดที่วัดง่ายมักถูกใช้แทนตัวชี้วัดที่สำคัญ** ยอดคลิกและยอดเข้าชมวัดง่ายกว่ากำไรต่อคำสั่งซื้อ ทีมจึงมีแรงจูงใจให้รายงานสิ่งที่วัดง่าย ทั้งที่ไม่ใช่สิ่งที่ธุรกิจต้องการเพิ่ม
* **รายงานที่ขัดกับความคาดหวังมีแรงต้านเสมอ** ผู้ที่เคยรายงานตัวเลขชุดเดิมหรืออนุมัติงบก้อนนั้นเป็นผู้มีส่วนได้เสียโดยตรงกับข้อสรุปใหม่ ข้อค้นพบที่ไม่สวยงามจึงมีโอกาสถูกกรองก่อนถึงผู้มีอำนาจตัดสินใจ ข้อนี้เป็นเรื่องโครงสร้างการรายงาน ไม่ใช่เรื่องความสามารถของผู้วิเคราะห์
* **เครื่องมือช่วยงานทำให้ผลิตรายงานเร็วขึ้น แต่ไม่ได้ตรวจสมมติฐานแทน** การสร้างกราฟและเขียนคำสั่งดึงข้อมูลอัตโนมัติเร็วขึ้นมากในระยะหลัง สิ่งที่ยังต้องใช้คนคือการตัดสินว่าข้อมูลชุดนั้นเหมาะกับคำถามหรือไม่ และการรับผิดชอบต่อข้อสรุป

ข้อที่สี่แก้ได้ด้วยการกำหนดเส้นทางรายงานไว้ล่วงหน้า เช่น ระบุว่าผลการวัดแคมเปญจะถูกส่งถึงผู้มีอำนาจอนุมัติงบโดยตรงพร้อมกันกับที่ส่งให้ทีมที่ดูแลแคมเปญ กติกาที่ตกลงกันตั้งแต่ก่อนเริ่มงานทำให้ไม่ต้องตัดสินใจเรื่องนี้ตอนที่ผลออกมาแล้ว

### เอเจนซีที่ไม่มีนักวิเคราะห์ประจำรับงานลักษณะนี้ได้หรือไม่

ได้ในขอบเขตที่ตกลงกันไว้ชัด เช่น รับผิดชอบการรายงานผลตามตัวชี้วัดที่กำหนดร่วมกัน โดยไม่รวมงานออกแบบการทดสอบส่วนเพิ่ม สิ่งที่ผู้ว่าจ้างควรถามคือใครเป็นผู้ตรวจความถูกต้องของตัวเลขก่อนส่ง และรายงานจะระบุข้อจำกัดของข้อมูลไว้หรือไม่

## ธุรกิจที่ยังไม่มีทีมข้อมูลเริ่มจากอะไรได้บ้าง

ธุรกิจส่วนใหญ่ไม่ได้เริ่มจากการซื้อเครื่องมือใหม่ แต่เริ่มจากการทำให้ข้อมูลที่มีอยู่แล้วตอบคำถามได้ สามอย่างต่อไปนี้ทำได้ด้วยทรัพยากรที่มี

* **เขียนนิยามตัวชี้วัดให้ตรงกันทั้งองค์กร** ระบุว่ายอดขายนับรวมภาษีหรือไม่ นับยอดคืนสินค้าอย่างไร และนับ ณ วันสั่งซื้อหรือวันส่งของ เอกสารหน้าเดียวนี้ลดการถกเถียงเรื่องตัวเลขได้มากกว่าการเพิ่มรายงานใหม่
* **เทียบตัวเลขสองระบบที่ควรตรงกันเดือนละครั้ง** เช่น ยอดในระบบขายหน้าร้านกับยอดที่เข้าบัญชีธนาคาร เมื่อพบส่วนต่างให้บันทึกสาเหตุไว้ วิธีนี้ทำให้รู้ทันทีเมื่อระบบใดเริ่มเก็บข้อมูลผิด
* **ตั้งคำถามเดียวต่อเดือนที่ผูกกับการตัดสินใจจริง** เช่น ควรต่ออายุแคมเปญใดและควรหยุดช่องทางใด แล้วหาคำตอบจากข้อมูลที่มี การเริ่มจากคำถามทำให้เห็นเองว่าข้อมูลส่วนใดยังขาด

สัญญาณที่บอกว่าถึงเวลาหาผู้เชี่ยวชาญคือเมื่อคำถามที่ค้างอยู่ตอบไม่ได้เพราะข้อมูลกระจายหลายระบบจนเทียบกันไม่ได้ หรือเมื่อมีงบโฆษณาก้อนใหญ่พอที่การตัดสินใจผิดหนึ่งครั้งจะแพงกว่าค่าจ้างผู้วิเคราะห์ทั้งปี สำหรับธุรกิจแบบขายผ่านทีมขาย เกณฑ์คัดกรองผู้สนใจที่ใช้ข้อมูลประกอบอ่านต่อได้ใน[Lead Scoring คืออะไร แยกคะแนนความเหมาะกับความสนใจก่อนส่ง MQL](https://phygital.co.th/insights/lead-scoring-mql-vs-sql)

## สรุป

Data Analyst รับผิดชอบการตอบคำถามทางธุรกิจด้วยข้อมูลที่มี พร้อมระบุว่าคำตอบนั้นเชื่อถือได้แค่ไหน งานที่มีคุณภาพจึงส่งมอบทั้งข้อสรุป ระเบียบวิธี และข้อจำกัดไปด้วยกัน การพิสูจน์ส่วนเพิ่มจากโฆษณามีข้อจำกัดเชิงสถิติที่งานวิจัยปี 2558 แสดงไว้ชัด ทางออกคือเปลี่ยนคำถามให้ตอบได้ด้วยข้อมูลที่หาได้จริง ส่วนธุรกิจที่ยังไม่มีทีมข้อมูลเริ่มได้จากการนิยามตัวชี้วัดให้ตรงกันและเทียบตัวเลขข้ามระบบเป็นประจำ

## คำถามที่พบบ่อย (FAQ)

### RFM Analysis ที่เอเจนซีมักเสนอคืออะไร และเหมาะกับธุรกิจแบบไหน

เป็นการจัดกลุ่มลูกค้าจากสามค่า คือซื้อครั้งล่าสุดเมื่อใด ซื้อบ่อยแค่ไหน และใช้จ่ายรวมเท่าไร เหมาะกับธุรกิจที่มีการซื้อซ้ำและบันทึกข้อมูลผูกกับลูกค้าได้ เช่น ร้านอาหารที่มีระบบสมาชิก ส่วนธุรกิจที่ขายครั้งเดียวจบหรือไม่มีข้อมูลผูกบุคคล วิธีนี้จะให้กลุ่มที่ไม่มีความหมายในทางปฏิบัติ

### ต้องมีข้อมูลมากแค่ไหนจึงเริ่มวิเคราะห์ได้

ขึ้นกับคำถาม คำถามเชิงพรรณนาและวินิจฉัยใช้ข้อมูลระดับหลักร้อยรายการก็เริ่มได้ ส่วนคำถามที่ต้องการพิสูจน์ส่วนเพิ่มจากโฆษณาต้องใช้ขนาดตัวอย่างสูงกว่านั้นมากตามที่งานศึกษาระบุไว้ ธุรกิจส่วนใหญ่จึงเริ่มจากสองกลุ่มแรกก่อน แล้วค่อยออกแบบการทดสอบเมื่อมีงบที่ใหญ่พอให้คุ้มกับการทดสอบ

### ควรจ้างเอเจนซีทำงานวิเคราะห์ หรือสร้างทีมภายใน

ต่างกันที่ความต่อเนื่องและความเข้าใจบริบท ทีมภายในได้เปรียบเรื่องความเข้าใจต้นทุนและกระบวนการทำงานจริง ส่วนผู้รับจ้างภายนอกได้เปรียบเรื่องประสบการณ์ข้ามอุตสาหกรรมและเริ่มงานได้เร็ว รูปแบบที่ใช้กันบ่อยคือจ้างภายนอกเพื่อวางมาตรฐานรายงานและวิธีตรวจข้อมูลไว้ก่อน แล้วจึงรับคนภายในมาดูแลต่อ

### แดชบอร์ดที่มีอยู่แล้วเชื่อถือได้แค่ไหน

ตรวจได้ด้วยสามคำถาม คือตัวเลขนี้ดึงจากระบบใด นิยามของแต่ละค่าเขียนไว้ที่ไหน และเคยเทียบกับข้อมูลต้นทางครั้งล่าสุดเมื่อใด หากตอบคำถามที่สามไม่ได้ ควรเทียบใหม่ก่อนใช้ตัดสินใจ เพราะการเปลี่ยนแปลงในระบบต้นทางมักไม่ส่งสัญญาณใดมาถึงหน้าแดชบอร์ด

### ปัญญาประดิษฐ์จะมาแทนตำแหน่งนี้หรือไม่

ส่วนที่เปลี่ยนชัดคือการเขียนคำสั่งดึงข้อมูล การสร้างกราฟ และการร่างสรุป ซึ่งเร็วขึ้นมาก ส่วนที่ยังต้องใช้คนคือการเลือกว่าคำถามใดควรตอบ การตัดสินว่าข้อมูลชุดใดเหมาะกับคำถามนั้น และการรับผิดชอบต่อข้อสรุปที่ถูกนำไปใช้จ่ายงบจริง

## ตัวเลขที่รายงานทุกเดือน ตรวจย้อนถึงต้นทางได้หรือยัง

บริษัท ฟิจิทัล เอเจนซี จำกัด วางระบบวัดผลโดยเริ่มจากนิยามตัวชี้วัดและที่มาของข้อมูลแต่ละชุด แล้วรายงานผลพร้อมข้อจำกัดที่ติดมากับข้อมูลทุกครั้ง เพื่อให้ผู้ว่าจ้างรู้ว่าตัวเลขแต่ละตัวใช้ตัดสินใจอะไรได้และยังตัดสินใจอะไรไม่ได้

- [นัดประชุมผ่าน Google Meet](https://calendar.app.google/DotQdE7Ca8LZG6Us5)
- [เพิ่มเพื่อนใน LINE](https://lin.ee/J8Qq8Do)