7  การนำเสนอข้อมูลและการวิเคราะห์เชิงภาพ

Modified

18 พฤษภาคม 2569

Noteวัตถุประสงค์การเรียนรู้

เมื่อศึกษาบทนี้แล้ว ผู้เรียนควรสามารถ:

  1. อธิบายบทบาทของนำเสนอภาพข้อมูลได้

  2. เลือกประเภทของกราฟให้เหมาะสมกับข้อมูลได้

  3. ใช้เครื่องมือสร้างกราฟ เช่น Excel หรือ Jamovi

  4. วิเคราะห์และตีความข้อมูลจากกราฟได้

  5. ใช้ภาพข้อมูลเพื่อสนับสนุนการตัดสินใจได้

7.1 บทบาทของการนำเสนอข้อมูลด้วยภาพ (Data Visualization) ในโลกธุรกิจยุคข้อมูลขนาดใหญ่

ในปัจจุบันนี้ข้อมูลมีปริมาณมหาศาล (Volume) และเปลี่ยนแปลงอย่างรวดเร็ว (Velocity) ลำพังเพียงการอ่านข้อมูลจากตารางหรือฐานข้อมูลโดยตรงนั้นไม่เพียงพอต่อการตัดสินใจการนำเสนอข้อมูลด้วยภาพ จึงเปรียบเสมือน “เลนส์ขยาย” ที่ช่วยให้ผู้บริหารและนักวิเคราะห์มองเห็นสิ่งที่ซ่อนอยู่ภายใต้ภูเขาน้ำแข็งของข้อมูลดิบ [1]

  1. การเปลี่ยนความซับซ้อนให้เป็นความชัดเจน (Complexity to Clarity) ข้อมูลขนาดใหญ่มักมาพร้อมกับความยุ่งเหยิง การสร้างกราฟจะช่วยทำหน้าที่ “คัดกรองสัญญาณออกจากเสียงรบกวน” (Signal vs. Noise) ช่วยให้เราสามารถสรุปภาพรวมของยอดขายหลักล้านรายการ หรือพฤติกรรมลูกค้าจากหลายช่องทาง ให้เหลือเพียงแผนภูมิเดียวที่เข้าใจได้ในเสี้ยววินาที [2]
Figure 7.1: การเปรียบเทียบการแสดงผลข้อมูลข้อมูลขนาดใหญ่ (A) Scatter Plot ปกติประสบปัญหาจุดทับซ้อน (Overplotting) ทำให้ไม่เห็นรูปแบบของข้อมูล (Noise) (B)

  1. การค้นหารูปแบบและแนวโน้ม (Pattern & Trend Recognition) สมองของมนุษย์ถูกออกแบบมาให้จดจำรูปทรงและสีสันได้ดีกว่าตัวเลข กราฟช่วยให้เราตรวจพบสิ่งสำคัญได้ทันที เช่น:

    • Trends: ยอดขายกำลังเติบโตขึ้นหรือลดลงในช่วงเวลาใด (Time-series)

    • Correlations: ปัจจัยใดที่ส่งผลต่อกัน เช่น เมื่ออุณหภูมิสูงขึ้น ยอดขายเครื่องดื่มเย็นจะสูงตามจริงหรือไม่

    • Outliers: ข้อมูลที่ผิดปกติ เช่น ยอดสั่งซื้อที่สูงเกินจริงในสาขาหนึ่ง ซึ่งอาจหมายถึงโอกาสใหม่หรือความผิดพลาดของระบบ [3]

Figure 7.2: การวิเคราะห์แนวโน้มยอดขายและจุดวิกฤต (Sales Trend & Outlier Analysis)

  1. การสร้าง “Insight” เพื่อการตัดสินใจที่แม่นยำ เป้าหมายสูงสุดไม่ใช่แค่การมีกราฟที่สวยงาม (Aesthetics) แต่คือการสร้าง Actionable Insight หรือข้อมูลเชิงลึกที่นำไปใช้งานได้จริง เช่น:

    “เราไม่ได้ต้องการแค่กราฟแท่งที่บอกว่าเดือนนี้ขายดี แต่เราต้องการเห็นว่า ลูกค้ากลุ่มไหน ที่ทำกำไรให้เรามากที่สุด เพื่อที่เราจะได้อนุมัติงบประมาณการตลาดไปให้ถูกกลุ่ม” [4]

Figure 7.3: แผนภูมิเปรียบเทียบระหว่าง (A) ยอดขายรวมตามกลุ่มลูกค้า ซึ่งอาจทำให้เราตัดสินใจผิดพลาดไปทุ่มงบกับกลุ่ม Individual และ (B) การวิเคราะห์กำไรสุทธิร่วมกับ ROI บ่งชี้ว่ากลุ่ม Corporate คือกลุ่มที่สร้างกำไรสูงสุดด้วยต้นทุนที่ต่ำกว่า Insight นี้ช่วยให้ผู้บริหารตัดสินใจ ‘อนุมัติงบประมาณการตลาด’ (Actionable Decision) ไปยังกลุ่ม Corporate และ SME ได้อย่างแม่นยำเพื่อเพิ่มมวลรวมกำไรขององค์กร
  1. การเล่าเรื่องด้วยข้อมูล (Data Storytelling) ในบริบททางธุรกิจ การนำเสนอภาพคือเครื่องมือในการ “โน้มน้าวใจ” (Persuasion) การนำเสนอแผนธุรกิจต่อผู้บริหารด้วยภาพวิเคราะห์ที่ชัดเจน จะช่วยสร้างความเชื่อมั่นได้มากกว่าการรายงานด้วยวาจา เพราะตัวเลขที่ถูกแปลงเป็นภาพจะให้หลักฐานที่จับต้องได้และจดจำง่าย
Figure 7.4: แผนภูมิแสดงพลังของ Data Storytelling ในเชิงธุรกิจ แทนที่จะแสดงเพียงกราฟเส้นหลายเส้นที่ดูสับสน การใช้สีที่ตัดกัน (Selective Color) และการใส่คำบรรยาย (Annotation) ช่วยให้นักวิเคราะห์สามารถนำเสนอ ‘หลักฐาน’ ที่จับต้องได้ว่า สาขาต้นแบบใหม่มีศักยภาพสูงกว่ารูปแบบเดิมอย่างเห็นได้ชัด ภาพนี้ทำหน้าที่เป็นเครื่องมือโน้มน้าวใจผู้บริหารให้อนุมัติงบประมาณขยายกิจการได้อย่างมีน้ำหนักมากกว่าการใช้เพียงตัวเลขในตาราง

7.2 การเลือกประเภทกราฟให้เหมาะสมกับวัตถุประสงค์

หัวใจสำคัญของการนำเสนอข้อมูลด้วยภาพ ไม่ใช่การเลือกกราฟที่ “สวยที่สุด” แต่คือการเลือกกราฟที่ “สื่อสารได้ตรงประเด็นที่สุด” โดยเราสามารถแบ่งตามวัตถุประสงค์การใช้งานได้ดังนี้ [5]

graph LR
    A[เริ่ม: คุณต้องการนำเสนออะไร?] --> B{เปรียบเทียบค่า?}
    A --> C{ดูความสัมพันธ์?}
    A --> D{ดูการกระจายตัว?}
    A --> E{ดูสัดส่วน?}

    B --> B1[เปรียบเทียบหมวดหมู่: กราฟแท่ง Bar Chart]
    B --> B2[เปรียบเทียบตามเวลา: กราฟเส้น Line Chart]

    C --> C1[ความสัมพันธ์ 2 ตัวแปร: Scatter Plot]
    C --> C2[ความสัมพันธ์มหาศาล: Heatmap / Hexbin]

    D --> D1[ดูความหนาแน่น: Histogram]
    D --> D2[ดูค่าผิดปกติ/ช่วงข้อมูล: Box Plot]

    E --> E1[ส่วนประกอบของทั้งหมด: Pie / Donut Chart]
    E --> E2[การเปลี่ยนแปลงสัดส่วน: Stacked Bar Chart]

    style A fill:#f9f,stroke:#333,stroke-width:4px
    style B1 fill:#bbf,stroke:#333
    style B2 fill:#bbf,stroke:#333
    style C1 fill:#dfd,stroke:#333
    style C2 fill:#dfd,stroke:#333
Figure 7.5: แผนผังการตัดสินใจเลือกใช้กราฟ (Data-to-Chart Decision Tree) ช่วยให้นักวิเคราะห์ข้อมูลสามารถเลือกเครื่องมือการนำเสนอที่ตรงกับธรรมชาติของข้อมูลและวัตถุประสงค์ทางธุรกิจมากที่สุด เพื่อลดความเข้าใจผิดและเพิ่มประสิทธิภาพในการสื่อสาร Insight

จาก Figure 7.5 สามารถสรุปเป็น Table 7.1 ได้ดังนี้

Table 7.1: ตารางสรุป: ชนิดข้อมูล vs ชนิดกราฟ
วัตถุประสงค์ ชนิดข้อมูล กราฟที่แนะนำ ตัวอย่างการใช้งานในธุรกิจ
เปรียบเทียบ Categorical + Numeric Bar Chart (กราฟแท่ง) ยอดขายแยกตามสาขาในเชียงใหม่
แนวโน้ม Time-series + Numeric Line Chart (กราฟเส้น) อัตราการเติบโตของกำไรรายเดือน
ความสัมพันธ์ Numeric + Numeric Scatter Plot (จุดกระจาย) ความสัมพันธ์ระหว่างงบโฆษณาและยอดขาย
การกระจายตัว Numeric Box Plot / Histogram การวิเคราะห์ช่วงอายุของลูกค้าที่เข้าร้าน
สัดส่วน Categorical (ส่วนประกอบ) Pie / Donut / Treemap ส่วนแบ่งการตลาด (Market Share)

7.3 เริ่มต้นการสื่อสารด้วยภาพ: จากตัวเลขสู่รูปทรง

ก่อนที่เราจะเลือกใช้กราฟชนิดใดก็ตาม สิ่งแรกที่นักศึกษาต้องทำไม่ใช่การเปิดโปรแกรมเพื่อสร้างกราฟ แต่คือการ “ทำความเข้าใจธรรมชาติของข้อมูล” ในมือเสียก่อน หากเราเปรียบการวิเคราะห์ข้อมูลเป็นการทำอาหาร ข้อมูลแต่ละประเภทก็คือวัตถุดิบที่ต้องการวิธีการปรุงที่แตกต่างกัน

  1. กฎการเลือกกราฟตามประเภทตัวแปร หัวใจสำคัญในการเลือกกราฟคือการระบุให้ได้ว่าตัวแปรที่เรากำลังสนใจคืออะไร

    • ตัวแปรเชิงปริมาณ (Numeric/Quantitative): ข้อมูลที่เป็นตัวเลข วัดค่าได้ เช่น ยอดขาย, อุณหภูมิ, อายุ, คะแนนสอบ (เหมาะกับ Histogram, Line Chart, Scatter Plot)

    • ตัวแปรเชิงกลุ่ม (Categorical/Qualitative): ข้อมูลที่แบ่งเป็นประเภทหรือกลุ่ม เช่น เพศ, ประเภทสินค้า, สาขา, ระดับสมาชิก (เหมาะกับ Bar Chart, Pie Chart)

  2. วัตถุประสงค์ของการแสดงภาพ การสร้างกราฟที่ “ชัดแจ้งเชิงโครงสร้าง” ต้องตอบคำถาม 4 ข้อนี้ให้ได้ก่อนเสมอ

    1. Comparison: เราต้องการเปรียบเทียบความแตกต่างระหว่างกลุ่มใช่หรือไม่?

    2. Distribution: เราต้องการดูการกระจายตัวหรือ “หน้าตา” ของข้อมูลกลุ่มเดียวใช่หรือไม่?

    3. Relationship: เราต้องการหาว่าปัจจัย A ส่งผลต่อปัจจัย B อย่างไรใช่หรือไม่?

    4. Composition: เราต้องการดูส่วนประกอบหรือสัดส่วนของทั้งหมดใช่หรือไม่?

กราฟไม่ใช่แค่การตกแต่งรายงานให้ดูดี แต่มันคือเครื่องมือในการ ‘ลดภาระทางปัญญา’ (Cognitive Load) ของมนุษย์ แทนที่เราจะให้ผู้บริหารจ้องตารางที่มีตัวเลข 1,000 แถวเพื่อหาว่ายอดขายตกที่สาขาไหน เราแค่แสดงภาพเดียวที่บอกจุดวิกฤตได้ทันที นั่นคือพลังการนำเสนอข้อมูลด้วยภาพ ความเข้าใจในประเภทของตัวแปร คือเข็มทิศในการเลือกเครื่องมือแสดงผล หากเลือกกราฟผิดประเภท ไม่เพียงแต่จะสื่อสารล้มเหลว แต่อาจนำไปสู่การตีความที่บิดเบือนและส่งผลเสียต่อการตัดสินใจทางธุรกิจ” [6]

และในการศึกษาบทนี้ เราจะไม่ท่องจำกราฟทีละชนิดแบบสะเปะสะปะ แต่เราจะเรียนรู้ผ่าน “เข็มทิศวัตถุประสงค์” โดยแบ่งออกเป็น 4 เส้นทางหลัก ตามความต้องการของผู้ใช้งานข้อมูล ดังนี้

7.3.1 การวิเคราะห์เพื่อการเปรียบเทียบ

การเปรียบเทียบคือหัวใจของการบริหารจัดการ เพื่อตอบคำถามว่า “ใครทำได้ดีกว่า?” หรือ “สถานการณ์เปลี่ยนไปอย่างไร?” โดยแบ่งออกเป็น 2 มิติหลัก

  1. เปรียบเทียบระหว่างหมวดหมู่ (Between Categories): เช่น ยอดขายสาขา ก ข ค เป็นต้น

  2. เปรียบเทียบตามกาลเวลา (Over Time): เช่น ยอดขายเดือนนี้เทียบกับเดือนที่แล้ว

7.3.2 กรณีศึกษา: ศึกชิงแชมป์ยอดขาย “Chiang Mai Brew”

เจ้าของร้านต้องการทราบว่าในบรรดา 4 สาขา (นิมมาน, คูเมือง, แม่เหียะ, และสันติธรรม) สาขาไหนทำรายได้สูงสุด และ กลุ่มสินค้าประเภทไหน (Coffee vs Non-Coffee vs Bakery) ที่เป็นตัวดึงรายได้หลัก เพื่อที่จะวางแผนจัดสรรงบประมาณส่งเสริมการขายในไตรมาสถัดไป

Cautionชุดข้อมูลสำหรับฝึกปฏิบัติ (Dataset)

GOOGLE DRIVE: ch7/ChiangMaiBrew_Branch_Sales.csv

Figure 7.6: แผนภูมิแท่งเปรียบเทียบ (Clustered Bar Chart) แสดงให้เห็นถึงประสิทธิภาพการทำกำไรของแต่ละสาขาในเชียงใหม่ พบว่าสาขาที่มีนิมมานมียอดขายสินค้ากลุ่ม Coffee โดดเด่นกว่าสาขาอื่นอย่างชัดเจน ข้อมูลเชิงภาพนี้ช่วยให้ผู้บริหารตัดสินใจเลือกสาขาต้นแบบ (Model Branch) ในการจัดทำแคมเปญ Membership ครั้งหน้าได้อย่างแม่นยำ
Tip️ ขั้นตอนการสร้างกราฟเพื่อการเปรียบเทียบ
  1. การทำใน Excel (สำหรับเน้นความเร็วและ Business Report)

เป้าหมาย: สร้าง Clustered Bar Chart เพื่อดูยอดขายแยกตามสาขาและประเภทสินค้า

ขั้นตอน:

1.1 ใช้ Pivot Table สรุปข้อมูล: ลาก Branch ไปที่ Rows, ลาก Category ไปที่ Columns, และลาก Total_Sales ไปที่ Values (Sum)

1.2 คลุมดำที่ตาราง Pivot แล้วไปที่เมนู Insert > Recommended Charts > เลือก Clustered Column

1.3 Insight: นักศึกษาจะเห็นทันทีว่าแท่งไหนสูงที่สุดในแต่ละสาขา

  1. การทำใน jamovi (สำหรับวิเคราะห์เชิงสถิติแม่นยำ)

เป้าหมาย: สร้าง Bar Plot พร้อมค่าความคลาดเคลื่อน (Error Bars) เพื่อดูว่ายอดขายแต่ละสาขาแตกต่างกันอย่างมีนัยสำคัญหรือไม่

ขั้นตอน:

2.1 Import ไฟล์ CSV เข้าไปใน jamovi

2.2 ไปที่เมนู Exploration > Descriptives

2.3 ลาก Total_Sales ลงในช่อง Variables และลาก Branch ลงในช่อง Split by

2.4 ติ๊กเลือกที่เมนู Plots > เลือก Bar plot และ Mean

2.5 Insight: jamovi จะแสดงค่าเฉลี่ยยอดขายต่อบิลของแต่ละสาขา พร้อมเส้น Error Bar ซึ่งช่วยให้วิเคราะห์ได้ลึกกว่าแค่ยอดรวม

เมื่อเราขยับจากมิติของการเปรียบเทียบมาสู่ การกระจายตัว (Distribution) เรากำลังเปลี่ยนคำถามจาก “ใครมากกว่าใคร” เป็นการสำรวจว่า “ข้อมูลส่วนใหญ่กองกันอยู่ที่ไหน และมีค่าที่กระโดดออกไปผิดปกติ (Outliers) หรือไม่”

7.4 การวิเคราะห์การกระจายตัว

ในการวิเคราะห์ข้อมูลขนาดใหญ่ ข้อมูลมักจะมีพฤติกรรมที่ซับซ้อน เราจึงต้องการเครื่องมือที่ช่วย “ถ่ายภาพ” หน้าตาของข้อมูลดิบให้เห็นเป็นรูปทรงทางสถิติ โดยมี 2 เครื่องมือหลักที่ทำงานร่วมกันได้อย่างสมบูรณ์

  1. Histogram: ดู “รูปทรง” ของความถี่ ใช้เพื่อดูว่าข้อมูลมีความโด่ง (Peak) อยู่ที่จุดไหน และมีลักษณะเบ้ (Skewness) หรือไม่ เช่น อายุลูกค้าส่วนใหญ่อยู่ที่ 20-30 ปี หรือ 50-60 ปี?

  2. Box Plot: ดู “ความแปรปรวน” และ “ค่าผิดปกติ” ใช้เพื่อดูความกระจายของข้อมูลผ่านค่าควอไทล์ (Quartiles) และที่สำคัญที่สุดคือการใช้ระบุ Outliers ซึ่งอาจเป็นกลุ่มลูกค้าพิเศษหรือข้อผิดพลาดของข้อมูล [7]

7.4.1 กรณีศึกษา: เจาะลึกโปรไฟล์ลูกค้า “Chiang Mai Brew”

“ถ้าเราจะทำแคมเปญลดราคาช่วงบ่าย เราต้องรู้ก่อนว่าลูกค้าที่เข้าร้านเรามีอายุเฉลี่ยเท่าไหร่ และยอดซื้อส่วนใหญ่อยู่ในช่วงราคาไหน เพื่อตั้งราคาโปรโมชั่นให้จูงใจคนส่วนใหญ่”

Figure 7.7: การวิเคราะห์การกระจายตัวของอายุลูกค้าและยอดซื้อต่อบิล
Cautionชุดข้อมูลสำหรับฝึกปฏิบัติ (Dataset)

GOOGLE DRIVE: ch7/ChiangMaiBrew_Distribution_Data.csv

Tip️ ขั้นตอนการปฏิบัติใน Excel และ jamovi

  1. การทำใน Excel (เน้นรวดเร็ว)

    • Histogram: คลุมคอลัมน์ Customer_Age > ไปที่เมนู Insert > เลือกไอคอน Statistical Chart > เลือก Histogram

    • Box Plot: คลุมคอลัมน์ Branch และ Customer_Age > ไปที่เมนู Insert > เลือกไอคอน Statistical Chart > เลือก Box and Whisker

  2. การทำใน jamovi (เน้นวิชาการ)

    • ไปที่เมนู Exploration > Descriptives

    • ลาก Customer_Age ลงในช่อง Variables และ Branch ลงใน Split by

    • ในส่วน Plots: ติ๊กเลือก Histogram, Density, และ Box plot (ติ๊กเลือก Outliers ด้วย)

    • Insight: jamovi จะวาดรูปทรงระฆังคว่ำ (Density) ทับลงบน Histogram ทำให้นักศึกษาเห็นความเป็น “Normal Distribution” ได้ทันที

จาก Figure 7.6 แผนภูมิฮิสโทแกรมแสดงให้เห็นว่าลูกค้าหลักของร้านมีอายุเกาะกลุ่มที่ช่วง 25-35 ปี (Millennials) ในขณะที่แผนภูมิกล่อง (Box Plot) ช่วยระบุกลุ่ม Outliers ซึ่งเป็นลูกค้ากลุ่มสูงวัยที่มีพฤติกรรมแตกต่างจากกลุ่มหลัก Insight นี้ช่วยให้ฝ่ายวางแผนแคมเปญสามารถแยกกลยุทธ์ระหว่าง ‘สินค้ากระแสหลัก’ และ ‘สินค้ากลุ่มพรีเมียมสำหรับผู้ใหญ่’ ได้อย่างชัดเจน

Importantจุดที่เป็น Outlier ใน Box Plot

อย่าไปมองว่าเป็นขยะที่ต้องลบทิ้งเสมอไปนะ ในโลกธุรกิจ… Outlier เหล่านี้อาจจะเป็นกลุ่มลูกค้า Whale ที่ซื้อของหนักกว่าคนอื่น 10 เท่าก็ได้ หน้าที่ของเราคือต้องหาให้เจอว่าพวกเขาคือใคร

7.5 การวิเคราะห์ความสัมพันธ์

ในโลกธุรกิจ ข้อมูลไม่ได้อยู่อย่างโดดเดี่ยว การรู้ว่ายอดขายรวมเป็นเท่าไหร่นั้นดี แต่การรู้ว่า “อะไรส่งผลต่อยอดขาย” นั้นดีกว่า ความสัมพันธ์ที่เรามักมองหาคือ

  • ทิศทาง (Direction): เป็นบวก (ไปทางเดียวกัน) หรือเป็นลบ (สวนทางกัน)?

  • ความแข็งแกร่ง (Strength): ข้อมูลเกาะกลุ่มกันเป็นเส้นตรงชัดเจน หรือกระจายจนหาความสัมพันธ์ลำบาก?

7.5.1 กรณีศึกษา: สมมติฐาน “อายุยิ่งมาก ยิ่งเปย์หนัก?”

เราจะพิสูจน์สมมติฐานที่ว่า “ลูกค้าที่มีอายุมากขึ้น (มีรายได้มั่นคง) จะมียอดซื้อต่อบิลที่สูงกว่ากลุ่มวัยรุ่นหรือไม่?” ข้อมูลเชิงลึกนี้จะช่วยให้ร้านตัดสินใจได้ว่าจะเน้นขายเมนูพรีเมียมราคาแพงให้กลุ่มเป้าหมายช่วงอายุใด

เราจะใช้ Scatter Plot ร่วมกับการใส่ Regression Line เพื่อให้นักศึกษาเห็นแนวโน้มเชิงสถิติได้ทันที

Figure 7.8: ความสัมพันธ์ระหว่างอายุลูกค้าและยอดซื้อต่อบิล: การพิสูจน์สมมติฐานทางธุรกิจ
Cautionชุดข้อมูลสำหรับฝึกปฏิบัติ (Dataset)

GOOGLE DRIVE: ch7/ChiangMaiBrew_Distribution_Data.csv

Tip️ ขั้นตอนการปฏิบัติใน Excel และ jamovi

1 การทำใน Excel (เน้นความเข้าใจเบื้องต้น)

1.1 คลุมคอลัมน์ Customer_Age และ Total_Sales

1.2 ไปที่เมนู Insert > เลือก Scatter (X, Y) Chart

1.3 คลิกขวาที่จุดข้อมูลในกราฟ > เลือก Add Trendline…

1.4 ติ๊กเลือก Display Equation on chart เพื่อดูสมการเส้นตรง

2 การทำใน jamovi (เน้นการพิสูจน์สมมติฐาน)

2.1 ไปที่เมนู Regression > เลือก Correlation Matrix

2.2 ลาก Customer_Age และ Total_Sales เข้าไปในช่อง Variables

2.3 ในส่วน Plot: ติ๊กเลือก Correlation matrix

2.4 Insight: jamovi จะแสดงทั้งค่า Pearson’s r และรูปกราฟพร้อมเส้นแนวโน้ม ซึ่งช่วยยืนยันระดับนัยสำคัญ (p-value) ของความสัมพันธ์นี้ได้ทันที

จาก Figure 7.8 แผนภูมิการกระจาย (Scatter Plot) แสดงความสัมพันธ์เชิงบวกระหว่างอายุลูกค้าและยอดซื้อต่อบิล ค่า Pearson’s r ที่ปรากฏบ่งบอกถึงระดับความแข็งแกร่งของความสัมพันธ์ ข้อมูลนี้ช่วยให้นักการตลาดสามารถออกแบบแคมเปญ Up-selling สำหรับกลุ่มลูกค้าช่วงอายุ 40 ปีขึ้นไปที่มีกำลังซื้อสูงกว่าได้อย่างมีประสิทธิภาพ

Importantสาเหตุ vs ความสัมพันธ์ (Causation vs Correlation)

กราฟนี้บอกว่าอายุกับยอดซื้อ ‘ไปด้วยกัน’ (Correlation) แต่เรายังสรุปไม่ได้ทันทีว่าอายุคือ ‘สาเหตุ’ (Causation) ที่ทำให้ซื้อเยอะเสมอไป อาจจะมีปัจจัยอื่นซ่อนอยู่ เช่น ระยะเวลาที่เป็นสมาชิก (Loyalty) หน้าที่ของคนทำงานกับข้อมูลความใหญ่ คือต้องหาตัวแปรเหล่านั้นมาวิเคราะห์ต่อ [8]

7.6 การวิเคราะห์ส่วนประกอบ

ในมุมมองธุรกิจ การรู้แค่ “ยอดรวม” อาจไม่พอ เราต้องรู้ว่าภายใน 100% ของยอดขายนั้น “ชิ้นส่วนไหนสำคัญที่สุด” เพื่อจัดลำดับความสำคัญของสินค้า (Product Portfolio) โดยกราฟที่ใช้ต้องแสดงให้เห็นขนาดที่สัมพันธ์กับภาพรวม

7.6.1 กรณีศึกษา: สินค้าตัวไหนคือ “พระเอก” ของแต่ละสาขา?

เราจะวิเคราะห์ว่าในยอดขายทั้งหมดของ Chiang Mai Brew สินค้ากลุ่มไหน (Coffee, Non-Coffee, Bakery) ครองสัดส่วนพื้นที่ในใจลูกค้ามากที่สุด และแต่ละสาขามีโครงสร้างรายได้ที่เหมือนหรือต่างกันอย่างไร

เราจะใช้ Treemap (กราฟสี่เหลี่ยมตามพื้นที่) ซึ่งเป็นที่นิยมมากใน Dashboard สมัยใหม่ และ Stacked Bar Chart (กราฟแท่งซ้อน) เพื่อเปรียบเทียบสัดส่วนระหว่างสาขา

Figure 7.9: การวิเคราะห์ส่วนประกอบยอดขาย (Composition Analysis) ของร้าน Chiang Mai Brew
Cautionชุดข้อมูลสำหรับฝึกปฏิบัติ (Dataset)

GOOGLE DRIVE: ch7/ChiangMaiBrew_Composition_Data.csv

Tip️ ขั้นตอนการปฏิบัติใน Excel และ jamovi

1 การทำใน Excel (เน้นการรายงานสัดส่วน)

1.1 Treemap: คลุมข้อมูล Branch, Category, Total_Sales > Insert > Hierarchy Chart > Treemap

2.2 Stacked Bar: ใช้ Pivot Table สรุปผล > Insert > 100% Stacked Column Chart

  1. การทำใน jamovi (เน้นการแจกแจงความถี่)

2.1 ไปที่เมนู Analyses > Exploration > Descriptives

2.2 ลาก Category เข้าไปในช่อง Variables และ Branch เข้าใน Split by

2.3 ในส่วน Plots: เลือก Bar plot

2.4 ติ๊กเลือก Percent ในส่วนของ Bar plots เพื่อให้แสดงเป็นค่าร้อยละแทนจำนวนนับ

จาก Figure 7.9 แผนภูมิพื้นที่ (Treemap) ช่วยให้เห็นขนาดของรายได้ที่เกิดขึ้นจริงในแต่ละส่วนของธุรกิจ พบว่าหมวด Coffee ในสาขานิมมานคือ ‘หัวใจหลัก’ ของรายได้ ในขณะที่แผนภูมิแท่งซ้อน (Stacked Bar) บ่งชี้ว่าแต่ละสาขามีโครงสร้างการขายที่แตกต่างกัน เช่น สาขาแม่เหียะอาจมียอดขาย Bakery ที่คิดเป็นสัดส่วนร้อยละสูงกว่าสาขาอื่น Insight นี้ช่วยให้ฝ่ายปฏิบัติการจัดหาวัตถุดิบ (Logistics) เข้าแต่ละสาขาได้อย่างเหมาะสมกับความต้องการที่แท้จริง

Importantกลยุทธ์

ถ้าคุณเห็นว่าส่วนแบ่งของ Bakery เล็กมากในสาขาสันติธรรม คุณมี 2 ทางเลือก:

  1. เลิกขายเพื่อลดต้นทุน หรือ

  2. ทำโปรโมชั่นดันยอดขายส่วนนี้ขึ้นมา…

Big Data ไม่ได้ให้คำตอบสำเร็จรูป แต่ให้ ‘ข้อมูลประกอบการตัดสินใจ’ ที่ชัดเจน

7.7 สรุปเนื้อหา: การสื่อสารข้อมูลด้วยภาพเพื่อการตัดสินใจ

เป้าหมายสำคัญของการแสดงข้อมูลด้วยภาพ (Data Visualization) ไม่ใช่เพียงการสร้างกราฟที่สวยงาม แต่คือการช่วยให้ผู้ใช้งานสามารถมองเห็นรูปแบบ แนวโน้ม และความสัมพันธ์ที่ซ่อนอยู่ภายในข้อมูลขนาดใหญ่ได้อย่างชัดเจน

การสื่อสารข้อมูลที่ดีช่วยเปลี่ยนข้อมูลจำนวนมหาศาลให้กลายเป็นความเข้าใจเชิงลึก ซึ่งสามารถนำไปใช้สนับสนุนการวิเคราะห์ การสื่อสาร และการตัดสินใจได้อย่างแม่นยำมากยิ่งขึ้น

  1. หัวใจของการเลือกใช้กราฟ (The Golden Rule) เราไม่ได้เลือกกราฟตามความชอบ แต่เลือกตาม “วัตถุประสงค์ (Intent)” และ “ประเภทตัวแปร (Data Types)” โดยแบ่งเป็น 4 เส้นทางหลัก

    • Comparison (การเปรียบเทียบ): เพื่อหาอันดับหรือความแตกต่าง (ใช้ Bar Chart, Line Chart)

    • Distribution (การกระจายตัว): เพื่อหาลักษณะทางสถิติและค่าผิดปกติ (ใช้ Histogram, Box Plot)

    • Relationship (ความสัมพันธ์): เพื่อหาความเชื่อมโยงและปัจจัยส่งผล (ใช้ Scatter Plot)

    • Composition (ส่วนประกอบ): เพื่อหาสัดส่วนและโครงสร้างภาพรวม (ใช้ Treemap, Stacked Bar Chart)

  2. กระบวนการสร้าง Insight (From Data to Story)

    1. Complexity to Clarity: ลด Noise และเลือกเฉพาะ Signal ที่สำคัญ (เช่น การใช้ Hexbin สำหรับ Big Data)

    2. Highlighting the Action: กราฟที่ดีต้องบอกได้ว่า “ต้องทำอย่างไรต่อ” ไม่ใช่แค่บอกว่า “เกิดอะไรขึ้น”

    3. Data Storytelling: ใช้ภาพเพื่อการโน้มน้าวใจ (Persuasion) โดยการใช้สีและการเน้นย้ำ (Annotation) เพื่อนำสายตาผู้บริหารไปสู่บทสรุป

  3. เครื่องมือที่หลากหลาย (Multi-Tool Proficiency) นักศึกษาที่ดีต้องเลือกใช้เครื่องมือให้เหมาะสมกับสถานการณ์:

    • Excel: สำหรับรายงานธุรกิจที่ต้องการความรวดเร็วและใช้แพร่หลาย

    • jamovi: สำหรับการวิเคราะห์ที่ต้องการความแม่นยำทางสถิติ (Mean, Error Bars, Outliers)

7.8 แบบฝึกหัดท้ายบทที่ 7: การวิเคราะห์ข้อมูลด้วย Excel และ jamovi

Importantข้อมูลที่ใช้ประกอบการทำแบบฝึกหัด

ให้นักศึกษาดาวน์โหลดไฟล์ ChiangMaiBrew_Distribution_Data.csv เพื่อใช้ในการตอบคำถามและปฏิบัติการในข้อต่อไปนี้

7.8.1 ส่วนที่ 1: การวิเคราะห์ด้วย Excel (Business Reporting)

  1. การสร้าง PivotChart: ให้นักศึกษาใช้ Pivot Table สรุปผลรวมยอดขาย (Total_Sales) แยกตามสาขา (Branch) และประเภทสินค้า (Category)

    • จากนั้นสร้าง Clustered Column Chart และทำการปรับแต่งดังนี้:

    • เรียงลำดับสาขาจากยอดขาย “มากไปน้อย”

    • เปลี่ยนชื่อแกนและชื่อกราฟให้เป็นภาษาไทยที่เหมาะสม

    • คำถาม: จากกราฟที่ได้ สาขาใดมียอดขายสินค้าประเภท “Bakery” สูงที่สุด?

  2. การวิเคราะห์การกระจายตัว (Histogram):

    • ให้นักเลือกคอลัมน์ Customer_Age และสร้างกราฟ Histogram (Insert > Statistical Chart)

    • คำถาม: นักศึกษาพบรูปทรงของการกระจายตัวเป็นแบบใด (สมมาตร, เบ้ขวา หรือ เบ้ซ้าย) และช่วงอายุใดที่มีความถี่ลูกค้าสูงที่สุด (Mode)?

7.8.2 ส่วนที่ 2: การวิเคราะห์ด้วย jamovi (Statistical Analysis)

  1. การสำรวจข้อมูลและระบุค่าผิดปกติ (Box Plot):

    • ให้นำเข้าไฟล์ข้อมูลเข้าสู่โปรแกรม jamovi

    • ไปที่เมนู Exploration > Descriptives โดยตั้งค่าดังนี้:

    • Variables: Customer_Age

    • Split by: Branch

    • Plots: ติ๊กเลือก Box plot และ Label Outliers

    • คำถาม: ในสาขา “Nimman” มีลูกค้ากลุ่ม Outlier (กลุ่มที่อายุโดดออกไป) ปรากฏอยู่หรือไม่? และการทราบข้อมูลกลุ่ม Outlier นี้มีประโยชน์ต่อการวางแผนการตลาดอย่างไร?

  2. การวิเคราะห์สหสัมพันธ์ (Scatter Plot):

    • ไปที่เมนู Regression > Correlation Matrix

    • ลากตัวแปร Customer_Age และ Total_Sales เข้าไปวิเคราะห์

    • ติ๊กเลือก Correlation matrix (Plot) เพื่อดูแผนภูมิการกระจาย

    • คำถาม: ค่า Pearson’s \(r\) ที่ได้มีค่าเท่าใด? และความสัมพันธ์ระหว่าง “อายุ” กับ “ยอดซื้อ” เป็นไปในทิศทางเดียวกัน (Positive) หรือทิศทางตรงกันข้าม (Negative)?

7.8.3 ส่วนที่ 3: การประยุกต์ใช้เพื่อการตัดสินใจ (Actionable Insight)

  1. Decision Making: หากนักศึกษาเป็นผู้จัดการเขตพื้นที่เชียงใหม่ และมีงบประมาณจำกัดในการจัดกิจกรรม “Young Professional Coffee Workshop” (เจาะกลุ่มคนทำงานอายุ 25-35 ปี)

    • จากการดู Box Plot ในข้อ 3 นักศึกษาจะเลือกจัดกิจกรรมที่ สาขาใด เพราะเหตุใด? (ให้ตอบโดยอ้างอิงจากตำแหน่งของกล่องควอไทล์ที่แสดงช่วงอายุลูกค้าหลักของสาขานั้น)

  2. Visualization Ethics: หากนักศึกษาต้องการนำเสนอกราฟเปรียบเทียบยอดขายในข้อ 1 ให้ดู “เติบโตแบบก้าวกระโดด” โดยการตั้งแกน Y ไม่ให้เริ่มที่เลข 0 นักศึกษาคิดว่าการกระทำนี้เหมาะสมหรือไม่ในเชิงจริยธรรมข้อมูล? และจะส่งผลเสียต่อการตัดสินใจของผู้บริหารอย่างไร? [9]

Tipคำแนะนำ

การใช้เครื่องมือต่างกัน (Excel เน้นดูยอดรวม / jamovi เน้นดูสถิติ) จะช่วยให้เราเห็นภาพของธุรกิจได้ “รอบด้าน”