บันทึกการเรียน — เส้นทางสู่นักวิเคราะห์ข้อมูล (DA) — คำถามดี มีชัยไปกว่าครึ่ง
เมื่อไม่นานมานี้ผมมีโอกาสได้รับคอร์สเรียนดี ๆ จากแคมเปญ True x Samart Skills (น่าจะเป็นรุ่นที่ 2 มั้งนะ?) ของ True Digital Academy แล้วเผอิญว่ากำลังสนใจอยากเรียนอะไรสักอย่างที่เกี่ยวกับสายงานการวิเคราะห์พอดี และแล้วก็ไปเจอเข้ากับสิ่งนี้
Google Data Analytics Professional Certificate | Coursera
อห คุณพร๊ะ! คอร์สเรียนบนแพลตฟอร์ม Coursera ที่น่าจะเป็นตัวเลือกที่ดีเป็นลำดับแรก ๆ สำหรับนักเรียนออนไลน์อย่างเรา ๆ แถมเป็นคอร์สที่บริษัทระดับโลกอย่าง Google เป็นผู้รังสรรค์ขึ้นมาให้อีก ซึ่งก็น่าจะการันตีคุณภาพของเนื้อหาภายในได้ในระดับนึงแล้ว แต่ยัง! ยังไม่พอ!! ถ้าเรียนจบแล้วยังมีใบเซอร์ฯ สวย ๆ ไว้ประดับโปรไฟล์ได้อีก หล่อกันให้สุดไปเลย
ซึ่งการจะได้ใบเซอร์ฯ ตัวนี้จำเป็นต้องเรียนให้จบทั้งซีรีย์รวมทั้งหมด 8 คอร์ส ซึ่งแคมเปญ True x Samart Skills ก็จัดมาให้เรียนได้ฟรี ๆ ทั้งหมด ขอออกตัวก่อนว่าปกติไม่ได้ใช้ผลิตภัณฑ์ใด ๆ ที่อยู่ในเครือของ True แต่ขอขอบคุณผู้มีส่วนเกี่ยวข้องทุกภาคส่วนที่จัดโครงการนี้ขึ้นมา ขอก้มกราบจากใจจริง
(👍≖‿‿≖)👍 👍(≖‿‿≖👍)
อนึ่ง ใบเซอร์ฯ ประเภทนี้ไม่ได้การันตีว่าเราเป็นผู้มีความสามารถเพียบพร้อมในด้านนั้น ๆ แต่อย่างน้อยเวลาเอาไปพูดกับใคร มันก็แสดงให้เห็นว่าเราก็มีความรู้ความสนใจเกี่ยวกับเรื่องนั้น ๆ ในระดับหนึ่ง ไม่ได้มั่วเอาเองนะ เห้ย!
คำถามดี มีชัยไปกว่าครึ่ง
หรือเอาจริง ๆ คือแทบจะกำหนดผลลัพธ์ได้เลยว่าจะแพ้หรือจะชนะ เพราะต่อให้เรามีฐานข้อมูลที่เพียบพร้อม มีแหล่งข้อมูลที่ดีมาก ๆ หรือมีเครื่องมือสุดวิเศษที่สามารถวิเคราะห์อะไรก็ได้ ทุกอย่างก็ไม่มีประโยชน์หากข้อมูลไม่สามารถให้ Insight ได้
ทุกโจทย์การวิเคราะห์เริ่มมาจากการตั้งคำถาม และทุกคำตอบมาจากการนำข้อมูลมาผ่านกระบวนการวิเคราะห์ การตอบคำถามที่คลุมเครือ ไม่ตรงประเด็น ก็จะได้คำตอบที่คลุมเครือและไม่ตรงตามวัตถุประสงค์ที่ต้องการเช่นเดียวกัน
เทคนิคการตั้งคำถามเพื่อการวิเคราะห์สไตล์พี่ใหญ่กูเกิ้ล (SMART)
ต้องมีความเฉพาะเจาะจง (S — pecific)
คำถามต้องมีบริบท บ่งบอกปัญหาที่ต้องการแก้ไขอย่างชัดเจน แต่ไม่ควรรวมหลายปัญหามาอยู่ภายในหนึ่งคำถาม ทางที่ดีที่สุดคือแต่ละปัญหาควรมีคำถามแยกเป็นของตัวเอง คำว่าเฉพาะเจาะจง คือ ไม่ควรตีความได้กว้างจนเกินไป
ต้องเป็นอะไรที่สามารถ “วัดผลได้” (M — easurable)
ข้อมูลที่ได้รับจากคำถามสามารถนำไปคิดคำนวณ หรือสามารถปรับเปลี่ยนไปเป็นข้อมูลที่สามารถนำไปคิดคำนวณได้หรือไม่
ต้องสามารถนำไปประยุกต์ได้ (A — ction oriented)
คำถามให้ข้อมูลที่สามารถนำไปปรับใช้ หรือนำไปเข้าสู่กระบวนการวิเคราะห์ต่อเพื่อหาทางแนวแก้ไขปัญหา หรือสามารถนำข้อมูลไปต่อยอดได้หรือไม่
ต้องมีความเกี่ยวโยงกับปัญหาที่ต้องการจะแก้ (R — elevant)
คำถามมีความเกี่ยวโยงกับปัญหา และต้องมั่นใจว่าข้อมูลที่ได้รับกลับมาเกี่ยวข้องกับประเด็นปัญหาที่ต้องการแก้ไข
ถ้าเป็นไปได้(ควร)ต้องมีกรอบเวลาที่ชัดเจน (T — ime bound)
อันนี้ก็เพื่อความสะดวกของตัวเราเองและเพื่อนร่วมงานที่ยังต้องฝ่าฟันไปด้วยกัน บางครั้งการตั้งลิมิตไว้ว่าจะใช้ข้อมูลตั้งแต่ช่วงเวลา xxx ไปจนถึงช่วง xxx ก็เพื่อเป็นการจำกัดปริมาณข้อมูลที่เราต้องบริหารจัดการ จำกัดความเป็นไปได้ที่อาจได้รับจากการวิเคราะห์ เพื่อไม่ให้หัวเราชิงระเบิดไปก่อนจบงานนั่นเอง แต่ก็ต้องอย่าลืมว่าช่วงเวลาที่กำหนดควรต้องกว้างมากพอ เพื่อให้ข้อมูลที่จะนำมาใช้ไม่ถูกบีบให้อยู่ในช่วงที่แคบจนเกินไปจนอาจทำให้ผลการวิเคราะห์ไม่ได้สะท้อนถึงความเป็นจริง (Biased)
และคำถามที่ดี ควรเป็นคำถามปลายเปิดนะจ๊ะ
คำถามประเภทที่ควรหลีกเลี่ยง เอาทิ้งไปเลยได้ยิ่งดี
คำถามที่มีการชี้นำ (Leading questions)
คำถามประเภทนี้คือคำถามที่มีคำตอบสิงอยู่ในคำถาม เมื่ออ่านคำถามแล้วเกิดความรู้สึกคล้อยตาม เช่น สินค้าตัวนี้แพงไหม? อาหารร้านนี้ห่วยแตกไหม? เสื้อผ้าแบรนด์นี้ดีไหม?
เป็นการสร้างอคติให้กับข้อมูลด้วยการชักชวน แถมยังเป็นคำถามปลายปิดอีกด้วย
คำถามปลายปิด (Closed-ended questions)
โดยทั่วไป คำถามประเภทนี้คือคำถามที่มีคำตอบแค่ “ใช่” กับ “ไม่” หรือไม่ก็คำตอบรูปแบบอื่นแต่มีใจความสั้นมาก ๆ ด้วยความที่การเลือกคำตอบค่อนข้างง่าย จึงมีความเป็นไปได้ที่ผู้ตอบไม่ได้ใส่ใจพิจารณาข้อมูลก่อนตอบ หรืออาจตอบแบบขอไปที หรือแม้กระทั่งเดาคำตอบมาแบบมั่ว ๆ และที่สำคัญ เราในฐานะนักวิเคราะห์ข้อมูล ก็ไม่อาจบอกได้เลยว่าด้วยเหตุผลใดเขาจึงตอบเช่นนี้
สรุปคือข้อมูลที่ได้มันน้อย บอกที่มาที่ไปไม่ได้ เลยเอาไปวิเคราะห์ต่อได้ยากนั่นเอง
คำถามที่คลุมเครือ สับสนกันหมดตั้งแต่ต้นน้ำยันปลายน้ำ (Vague questions)
คำถามประเภทนี้คือคำถามประเภทที่ถามขึ้นมาลอย ๆ ไม่เฉพาะเจาะจง อ่านคำถามแล้วเดาบริบทไม่ออก ไม่รู้ว่าถามถึงอะไรกันแน่ หรือไม่รู้ว่าจะต้องตอบแบบไหน
บทส่งท้าย
จริง ๆ แล้วผมเริ่มเรียนคอร์สนี้มาได้สักระยะหนึ่งแล้ว และเริ่มมีความรู้สึกว่าผู้สอนจะเริ่มนำหลักการยัดใส่เพิ่มเติมเข้ามาเพิ่มขึ้นเรื่อย ๆ ซึ่งผมเองก็เกรงว่าหากผ่านไปอาจจะมีการหลงลืมหรือตกหล่นเกิดขึ้นแน่ ๆ จริงอยู่ว่าเราเปิดบทเรียนทบทวนใหม่ได้เรื่อย ๆ แต่จุดที่เราอยากจะทบทวนมันอยู่ตรงไหนล่ะ? แล้วถ้าเราไม่รู้ว่าเราลืมอะไร เราจะไปทบทวนตรงจุดนั้นได้อย่างไรกัน? บางทีการเขียนสรุปไว้ (ซึ่งก็เป็นการทบทวนไปในตัว) ก็อาจทำให้เวลาย้อนกลับมาดูอาจจะเกิดการ ระลึก ได้เร็วขึ้น แถมยังอาจเป็นประโยชน์กับคนที่ศึกษาในเรื่องเดียวกันได้ด้วย
และที่สำคัญ ระยะเวลาที่เขาให้เรียนฟรีมันมี จำกัด อ่ะนะ…
ขอบคุณคอร์สแสนวิเศษจาก True Digital Academy
ข้อมูลจากคอร์ส Ask Questions to Make Data-Driven Decisions
เรียบเรียงโดย ผมเอง เนื่องจากตั้งใจให้เป็นบันทึกการเรียนรู้ หากผิดพลาด ณ จุดใด จะแก้ไขเพิ่มเติมให้ครับ
