Data Analytics คืออะไร

การวิเคราะห์ข้อมูลช่วยให้บริษัทมองเห็นและเข้าใจกระบวนการและบริการของตนอย่างลึกซึ้งยิ่งขึ้น ซึ่งให้ข้อมูลเชิงลึกโดยละเอียดเกี่ยวกับประสบการณ์ของลูกค้าและปัญหาของลูกค้า โดยเปลี่ยนกระบวนทัศน์นอกเหนือจากข้อมูล เพื่อเชื่อมโยงข้อมูลเชิงลึกกับการกระทำ บริษัทต่างๆ สามารถสร้างประสบการณ์ของลูกค้าที่เป็นส่วนตัว สร้างผลิตภัณฑ์ดิจิทัลที่เกี่ยวข้อง เพิ่มประสิทธิภาพการดำเนินงาน และเพิ่มผลผลิตของพนักงาน

การวิเคราะห์ Big Data ดำเนินการตาม 5 ขั้นตอนต่อไปนี้ในการวิเคราะห์ชุดข้อมูลขนาดใหญ่ 

1. การเก็บรวบรวมข้อมูล
2. พื้นที่เก็บข้อมูล
3. การประมวลผลข้อมูล
4. การล้างข้อมูล
5. การวิเคราะห์ข้อมูล

การเก็บรวบรวมข้อมูล

ซึ่งรวมถึงการระบุแหล่งที่มาของข้อมูลและการรวบรวมข้อมูลจากแหล่งข้อมูลเหล่านั้น การเก็บรวบรวมข้อมูลเป็นไปตามกระบวนการ ETL หรือ ELT

ETL – Extract Transform Load

ใน ETL ข้อมูลที่สร้างขึ้นจะถูกแปลงเป็นรูปแบบมาตรฐานก่อนแล้วจึงถูกโหลดลงในที่จัดเก็บข้อมูล

ELT – Extract Load Transform

ใน ELT ข้อมูลจะถูกโหลดลงในพื้นที่เก็บข้อมูลก่อน แล้วจึงแปลงเป็นรูปแบบที่กำหนด

พื้นที่เก็บข้อมูล

จากความซับซ้อนของข้อมูล ข้อมูลสามารถถูกย้ายไปยังพื้นที่เก็บข้อมูลได้ เช่น คลังข้อมูลบนระบบคลาวด์หรือ Data Lake เครื่องมือข่าวกรองธุรกิจสามารถเข้าถึงข้อมูลดังกล่าวได้เมื่อจำเป็น

Data Lake และคลังข้อมูล

คลังข้อมูล คือฐานข้อมูลที่ได้รับการปรับให้เหมาะสมเพื่อวิเคราะห์ข้อมูลแบบเชิงสัมพันธ์ที่ได้มาจากระบบธุรกรรมและแอปพลิเคชันหน่วยธุรกิจ โครงสร้างและสคีมาของข้อมูลถูกกำหนดไว้ล่วงหน้าเพื่อเพิ่มประสิทธิภาพให้กับการค้นหาและการรายงานที่รวดเร็ว ข้อมูลจะได้รับการตัดทอน เสริมแต่ง และปรับเปลี่ยนเพื่อให้สามารถใช้เป็น “แหล่งที่มาของความจริงเพียงหนึ่งเดียว” ที่ผู้ใช้จะเชื่อถือได้ ตัวอย่างข้อมูลประกอบด้วยโปรไฟล์ลูกค้าและข้อมูลผลิตภัณฑ์

Data Lake นั้นแตกต่างออกไป เพราะสามารถจัดเก็บทั้งข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างได้โดยไม่ต้องประมวลผลเพิ่มเติม โครงสร้างของข้อมูลหรือสคีมาจะไม่ได้ถูกกำหนดเมื่อมีการบันทึกข้อมูล ซึ่งหมายความว่าคุณสามารถจัดเก็บข้อมูลทั้งหมดของคุณได้โดยไม่ต้องมีการออกแบบอย่างละเอียด ซึ่งมีประโยชน์อย่างยิ่งหากยังไม่ทราบว่าจะใช้ข้อมูลอย่างไรในอนาคต ตัวอย่างข้อมูลได้แก่ เนื้อหาในโซเชียลมีเดีย ข้อมูลอุปกรณ์ IoT และข้อมูลที่ไม่สัมพันธ์กันจากแอปมือถือ

โดยทั่วไป องค์กรต้องใช้ทั้ง Data Lake และคลังข้อมูลสำหรับการวิเคราะห์ข้อมูล AWS Lake Formation และ Amazon Redshift สามารถตอบโจทย์ความต้องการด้านพื้นที่เก็บข้อมูลของคุณได้

การประมวลผลข้อมูล

เมื่อมีข้อมูล จะต้องมีการแปลงและจัดระเบียบเพื่อให้ได้ผลลัพธ์ที่ถูกต้องจากการสืบค้นวิเคราะห์ ตัวเลือกในการประมวลผลข้อมูลมีไว้เพื่อการดำเนินการดังกล่าว ทางเลือกของแนวทางขึ้นอยู่กับทรัพยากรการคำนวณและการวิเคราะห์ที่มีให้สำหรับการประมวลผลข้อมูล

การประมวลผลแบบรวมศูนย์ 

การประมวลผลทั้งหมดเกิดขึ้นบนเซิร์ฟเวอร์กลางที่โฮสต์ข้อมูลทั้งหมด

การประมวลผลแบบกระจาย 

ข้อมูลถูกแจกจ่ายและเก็บไว้ในเซิร์ฟเวอร์ที่แตกต่างกัน

การประมวลผลเป็นชุด 

ข้อมูลบางส่วนจะถูกสะสมไปตามกาลเวลา และถูกประมวลผลเป็นชุด

การประมวลผลแบบเรียลไทม์

ข้อมูลได้รับการประมวลผลอย่างต่อเนื่อง การคำนวณจะเสร็จสิ้นภายในไม่กี่วินาที 

การชำระข้อมูล

การชำระข้อมูลเกี่ยวข้องกับการทำความสะอาดเพื่อหาข้อผิดพลาด เช่น การทำซ้ำ ความไม่สอดคล้อง ความซ้ำซ้อน หรือรูปแบบที่ไม่ถูกต้อง  นอกจากนี้ยังใช้เพื่อกรองข้อมูลที่ไม่ต้องการสำหรับการวิเคราะห์อีกด้วย

การวิเคราะห์ข้อมูล

นี่คือขั้นตอนในการแปลงข้อมูลดิบเป็นข้อมูลเชิงลึกที่นำไปใช้ได้จริง การวิเคราะห์ข้อมูลทั้ง 4 ประเภทมีดังนี้

1. การวิเคราะห์แบบพรรณนา

นักวิทยาศาสตร์ข้อมูลวิเคราะห์ข้อมูลเพื่อทำความเข้าใจว่าเกิดอะไรขึ้น หรือเกิดอะไรขึ้นในสภาพแวดล้อมของข้อมูล เป็นลักษณะการแสดงข้อมูลด้วยภาพ เช่น แผนภูมิวงกลม แผนภูมิแท่ง เส้นกราฟ ตาราง หรือการบรรยายที่สร้างขึ้น

2. การวิเคราะห์แบบวินิจฉัย

การวิเคราะห์แบบวินิจฉัยคือกระบวนการการวิเคราะห์ข้อมูลแบบเจาะลึกหรือแบบละเอียดเพื่อทำความเข้าใจถึงสาเหตุของเหตุการณ์บางอย่าง เป็นลักษณะการแสดงข้อมูลด้วยการใช้เทคนิคต่างๆ กัน เช่น การเจาะลึก การค้นพบข้อมูล การขุดข้อมูล และการหาความสัมพันธ์ ในแต่ละเทคนิคเหล่านี้ มีการดำเนินการและการแปลงข้อมูลหลายแบบที่ถูกนำมาใช้สำหรับวิเคราะห์ข้อมูลดิบ

3 การวิเคราะห์เชิงคาดการณ์

การวิเคราะห์เชิงคาดการณ์ใช้ข้อมูลในอดีตเพื่อสร้างการคาดการณ์ที่แม่นยำเกี่ยวกับแนวโน้มในอนาคต เป็นลักษณะการแสดงข้อมูลด้วยการใช้เทคนิคต่างๆ เช่น แมชชีนเลิร์นนิง การพยากรณ์ การจับคู่รูปแบบ และการสร้างแบบจำลองเชิงคาดการณ์ ในแต่ละเทคนิคเหล่านี้ คอมพิวเตอร์ได้ถูกตั้งค่าให้ย้อนกลับไปหาการเชื่อมต่อที่เป็นเหตุเป็นผลในข้อมูล

4. ข้อมูลวิเคราะห์เชิงแนะนำ

ข้อมูลวิเคราะห์เชิงแนะนำจะต่อยอดจากข้อมูลที่คาดการณ์ ไม่เพียงแต่คาดการณ์สิ่งที่น่าจะเกิดขึ้น แต่ยังแนะนำการตอบสนองที่เหมาะสมที่สุดต่อผลลัพธ์นั้นด้วย โดยสามารถวิเคราะห์ผลกระทบที่อาจเกิดขึ้นจากตัวเลือกต่างๆ และแนะนำแนวทางปฏิบัติที่ดีที่สุด เป็นลักษณะการแสดงข้อมูลด้วยการวิเคราะห์กราฟ การจำลอง การประมวลผลเหตุการณ์ที่ซับซ้อน นิวรัลเน็ตเวิร์ก และกลไกการแนะนำ

ได้ นักวิเคราะห์ข้อมูลสามารถทำให้กระบวนการทำงานเป็นอัตโนมัติ และเพิ่มประสิทธิภาพได้ การวิเคราะห์ข้อมูลอัตโนมัติคือแนวปฏิบัติของการใช้ระบบคอมพิวเตอร์เพื่อดำเนินการวิเคราะห์โดยแทบไม่มีการแทรกแซงจากมนุษย์หรือไม่มีเลย กลไกเหล่านี้มีความซับซ้อนแตกต่างกันไป มีตั้งแต่สคริปต์ธรรมดาหรือบรรทัดของโค้ดไปจนถึงเครื่องมือวิเคราะห์ข้อมูลที่ดำเนินการสร้างแบบจำลองข้อมูล การค้นพบคุณลักษณะ และการวิเคราะห์ทางสถิติ 

ตัวอย่างเช่น บริษัทรักษาความปลอดภัยทางไซเบอร์อาจใช้ระบบอัตโนมัติเพื่อรวบรวมข้อมูลจากกิจกรรมบนเว็บจำนวนมาก ทำการวิเคราะห์เพิ่มเติม จากนั้นใช้การแสดงข้อมูลเป็นภาพเพื่อแสดงผลลัพธ์และสนับสนุนการตัดสินใจทางธุรกิจ

ธุรกิจเก็บข้อมูลสถิติ ข้อมูลเชิงปริมาณ และข้อมูลจากหลายช่องทาง ทั้งช่องทางที่ลูกค้าสัมผัสโดยตรงและช่องทางภายใน แต่การหาข้อมูลเชิงลึกที่สำคัญจะใช้การวิเคราะห์อย่างรอบคอบของข้อมูลจำนวนมาก ซึ่งนี่ไม่ใช่เรื่องเล็กๆ ดูตัวอย่างบางส่วนว่าการวิเคราะห์ข้อมูลและวิทยาศาสตร์ข้อมูลสามารถเพิ่มมูลค่าให้กับธุรกิจได้อย่างไร

การวิเคราะห์ข้อมูลช่วยปรับปรุงข้อมูลเชิงลึกของลูกค้า

การวิเคราะห์ข้อมูลสามารถทำได้กับชุดข้อมูลจากแหล่งที่มาของข้อมูลลูกค้าต่างๆ เช่น

• การสำรวจลูกค้าโดยบริษัทอื่น
• ข้อมูลบันทึกการซื้อของลูกค้า
• กิจกรรมโซเชียลมีเดีย
• คอมพิวเตอร์คุกกี้
• สถิติของเว็บไซต์หรือแอปพลิเคชัน

การวิเคราะห์สามารถเปิดเผยข้อมูลที่ซ่อนอยู่ เช่น ความชอบของลูกค้า หน้ายอดนิยมบนเว็บไซต์ ระยะเวลาที่ลูกค้าใช้ในการท่องเว็บ ความคิดเห็นของลูกค้า และการโต้ตอบกับแบบฟอร์มเว็บไซต์ สิ่งนี้ช่วยให้ธุรกิจสามารถตอบสนองความต้องการของลูกค้าได้อย่างมีประสิทธิภาพและเพิ่มความพึงพอใจของลูกค้า

กรณีศึกษา: Nextdoor ใช้การวิเคราะห์ข้อมูลเพื่อปรับปรุงประสบการณ์ของลูกค้าอย่างไร

Nextdoor เป็นศูนย์กลางชุมชนสำหรับการเชื่อมต่อที่เชื่อถือได้ รวมถึงมีการแลกเปลี่ยนข้อมูล สินค้า และบริการที่เป็นประโยชน์ เมื่ออาศัยพลังของชุมชนท้องถิ่น Nextdoor ช่วยให้ผู้คนมีชีวิตที่มีความสุขและมีความหมายมากขึ้น 

Nextdoor ใช้โซลูชั่นการวิเคราะห์ของ Amazon เพื่อวัดการมีส่วนร่วมของลูกค้าและประสิทธิภาพของคำแนะนำ การวิเคราะห์ข้อมูลช่วยให้ลูกค้าสามารถสร้างการเชื่อมต่อที่ดีขึ้นและดูเนื้อหาที่เกี่ยวข้องมากขึ้นในแบบเรียลไทม์ได้

การวิเคราะห์ข้อมูลช่วยให้แคมเปญทางการตลาดมีประสิทธิภาพ 

การวิเคราะห์ข้อมูลช่วยขจัดการคาดเดาทางการตลาด การพัฒนาผลิตภัณฑ์ การสร้างเนื้อหา และการบริการลูกค้า ช่วยให้บริษัทต่างๆ เปิดตัวเนื้อหาที่เป็นเป้าหมายและปรับแต่งโดยการวิเคราะห์ข้อมูลแบบเรียลไทม์ 

การวิเคราะห์ข้อมูลยังให้ข้อมูลเชิงลึกอันมีค่าเกี่ยวกับวิธีการทำงานของแคมเปญทางการตลาด การกำหนดเป้าหมาย ข้อความ และครีเอทีฟโฆษณาทั้งหมดสามารถปรับเปลี่ยนได้ตามการวิเคราะห์แบบเรียลไทม์ การวิเคราะห์สามารถเพิ่มประสิทธิภาพด้านการตลาดโดยสร้างยอดขายมากขึ้นและมีการสูญเสียค่าโฆษณาน้อยลง

กรณีศึกษา: Zynga ใช้การวิเคราะห์ข้อมูลเพื่อปรับปรุงแคมเปญทางการตลาดได้อย่างไร

Zynga เป็นหนึ่งในบริษัทเกมมือถือที่ประสบความสำเร็จมากที่สุดในโลก โดยมีเกมยอดฮิตอย่าง Words With Friends, Zynga Poker และ FarmVille โดยมีผู้เล่นมากกว่าหนึ่งพันล้านคนทั่วโลกที่ติดตั้งเกมเหล่านี้ 

รายได้ของ Zynga มาจากการซื้อในแอป ดังนั้น พวกเขาจึงวิเคราะห์การดำเนินการของผู้เล่นในเกมแบบเรียลไทม์โดยใช้ Amazon Kinesis เพื่อวางแผนแคมเปญทางการตลาดในเกมให้มีประสิทธิภาพมากขึ้น

การวิเคราะห์ข้อมูลช่วยเพิ่มประสิทธิภาพการดำเนินงาน

การวิเคราะห์ข้อมูลสามารถช่วยให้บริษัทปรับปรุงกระบวนการ ลดความสูญเสีย และเพิ่มรายได้ ตารางการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ ปรับปรุงบัญชีรายชื่อพนักงาน และการจัดการซัพพลายเชนที่มีประสิทธิภาพสามารถปรับปรุงประสิทธิภาพทางธุรกิจได้อย่างทวีคูณ

กรณีศึกษา: BT Group ใช้การวิเคราะห์ข้อมูลเพื่อปรับปรุงการดำเนินงานได้อย่างไร

BT Group เป็นบริษัทด้านโทรคมนาคมและเครือข่ายชั้นนำของสหราชอาณาจักรที่ให้บริการลูกค้าใน 180 ประเทศ ทีมสนับสนุนด้านเครือข่ายของ BT Group ใช้บริการวิเคราะห์ข้อมูลของ Amazon Kinesis เพื่อรับมุมมองแบบเรียลไทม์ของการโทรผ่านเครือข่ายของบริษัทในสหราชอาณาจักร วิศวกรด้านการสนับสนุนเครือข่ายและนักวิเคราะห์ข้อบกพร่องใช้ระบบนี้เพื่อระบุ ตอบสนอง และแก้ไขปัญหาในเครือข่ายได้สำเร็จ