ย้อนกลับไปเมื่อไม่กี่ปีก่อน ถ้านักการตลาดคนหนึ่งอยากทำ Data Visualization หรือ Dashboard ของตัวเองสักชุด ทางเดียวที่มีคือต้องไปลงเรียนโปรแกรมอย่าง Power BI, Tableau หรือ Looker หรือ Data Studio นั่นเองครับ แล้วก็ต้องนั่งฝึกลากวาง ตั้งค่า Data Source เขียนสูตรคำนวณ กันเป็นวันเป็นสัปดาห์ หรืออาจจะเป็นเดือน กว่าจะเลือก Chart จนได้ออกมาเป็น Dashboard หน้าแรกที่พอใช้งานได้ ด้วยความยากที่ต้องใช้ความพยายามสูงนี้ เลยทำให้สกิลนี้เลยกลายเป็นของนักการตลาดส่วนน้อยในที่สามารถทำ Data เองได้จริง ส่วนนักการตลาดที่เหลือได้แต่ส่งไฟล์ Excel ไปต่อคิวขอให้ทีม Data ทำให้
แต่วันนี้ภาพนั้นเปลี่ยนไปหมดแล้วครับ ทุกอย่างง่ายลงจนเหลือแค่แนบไฟล์ Excel หรือ CSV เข้าไปในแชท แล้วพิมพ์ Prompt บอก AI อย่าง ChatGPT หรือ Claude ว่าอยากได้ Chart รูปแบบไหน ไม่กี่วินาทีก็ได้ภาพออกมาให้เห็น ไม่ต้องลากวาง ไม่ต้องเขียนสูตร ไม่ต้องเปิดคอร์สเรียนโปรแกรมไหนเพิ่มเลยสักตัว กำแพงเรื่องเครื่องมือที่เคยทำให้นักการตลาดใช้ Data ยากได้หายไปหมดแล้ว
แต่พอกำแพงเครื่องมือหายไป ผมกลับเห็นปัญหาใหม่โผล่ขึ้นมาแทนครับ นั่นคือคนส่วนใหญ่ยังสั่ง AI ทำกราฟวนอยู่แค่ 3 แบบเดิม Pie, Bar และ Line ทั้งที่ Chart ที่นักการตลาดควรใช้เป็นมีถึง 21 แบบ ไม่ใช่ว่าอีก 18 แบบที่เหลือไม่มีประโยชน์หรอกครับ แต่หลายคนไม่รู้ว่ามีตัวเลือกเหล่านี้อยู่ และไม่รู้ว่าแต่ละคนใช้เพื่อตอบคำถามธุรกิจแบบไหน สุดท้าย Insight ดีๆ เลยยังนอนจมอยู่ในไฟล์ Excel เหมือนเดิม ทั้งที่ AI พร้อมจะขุดขึ้นมาให้แล้ว
บทความนี้ผมเลยอยากพาเพื่อนๆ นักการตลาดทุกคนมารู้จัก 21 Chart สำคัญ พร้อม Prompt ที่ Copy ไปสั่ง AI ได้ทันที แบ่งตาม 4 กลุ่มคำถามหลัก แต่ละแบบมีบอกครบว่าเหมาะกับอะไร ไม่เหมาะกับอะไร และในประโยค Prompt มีคำไหนบ้างที่ปรับเปลี่ยนเป็นโจทย์ธุรกิจของคุณเองได้ เพื่อให้การหา Insight จาก Data ที่มีอยู่ในมือกลายเป็นเรื่องง่าย โดยไม่ต้องเสียเวลาหลายเดือนไปกับการฝึกทำ Dashboard แบบเดิมอีกต่อไปครับ
The Message-First Rule หลักคิดก่อนสั่ง AI ทำ Chart ทุกครั้ง
พอเครื่องมือไม่ใช่กำแพงอีกต่อไป ทักษะเดียวที่ยังแยกคนที่ได้ Insight ออกจากคนที่ได้แค่กราฟสวยๆ คือหลักคิดข้อเดียวนี้ครับ Chart ที่ดีเริ่มจาก Message ไม่ใช่เริ่มจาก Data
Infographic เรื่อง Guided Visualizations ของ TapClicks สรุปเรื่องนี้ไว้เป็นแผนผังการตัดสินใจที่ผมชอบมาก ตรงกลางแผนผังมีคำถามเดียวคือ What Would You Like to Show หรือ คุณอยากให้คนดูเห็นอะไร แล้วแตกออกเป็น 4 เส้นทาง
- Comparison อยากเปรียบเทียบของหลายอย่าง หรือเทียบข้ามช่วงเวลา
- Relationship อยากเห็นความสัมพันธ์ระหว่างตัวแปร ว่าอะไรเกี่ยวกับอะไร
- Distribution อยากรู้ว่าข้อมูลกระจายตัวยังไง กระจุกอยู่ตรงไหน
- Composition อยากเห็นสัดส่วนและองค์ประกอบ ว่าก้อนใหญ่ประกอบจากอะไรบ้าง
สังเกตนะครับว่าทั้ง 4 เส้นทางเริ่มจากคำถาม ไม่มีเส้นทางไหนเริ่มจากว่าคุณมีข้อมูลแบบไหน นั่นแปลว่าข้อมูลชุดเดียวกันสามารถกลายเป็น Chart ได้หลายแบบ ขึ้นอยู่กับว่าคุณอยากเล่าอะไร ยอดขายรายเดือนแยกช่องทางชุดเดียวกัน ถ้าอยากบอกว่าช่องทางไหนโตเร็วสุดคือ Comparison แต่ถ้าอยากบอกว่าสัดส่วนช่องทางกำลังเปลี่ยนคือ Composition ได้ Chart คนละตัวจากข้อมูลก้อนเดียวกันครับ ใครอยากปูพื้นเพิ่ม การตลาดวันละตอนเคยเขียนพื้นฐาน 10 รูปแบบการทำ Data Visualizationไว้แล้ว อ่านคู่กันได้เลย
เวลาผมนั่งตรวจงาน Data ที่ทีมการตลาดทำส่งมา สิ่งที่เจอบ่อยกว่าข้อมูลผิดคือการเลือก Chart ผิด ทีมเก็บข้อมูลมาดีมาก แต่เลือก Chart พลาดแค่ตัวเดียว Insight ทั้งชุดก็อ่านไม่ออกทันที ผมเองทำ Data ทำ Dashboard เองเป็นอยู่แล้ว เลยพอบอกได้ว่าจุดที่งานพังส่วนใหญ่ไม่ได้อยู่ที่ตัวเลข แต่อยู่ที่วิธีนำเสนอตัวเลข อย่างเคสที่เจอประจำคือข้อมูลเสียงผู้บริโภคหลายพันข้อความที่ทีมอุตส่าห์เก็บมา ถูกยุบเหลือ Pie Chart วงเดียวที่บอกได้แค่ว่าหมวดไหนใหญ่กว่า ทั้งที่คำถามจริงของแบรนด์คือหมวดไหนคนพูดน้อยแต่ Engagement แรง ซึ่งต้องใช้ Scatter Chart ตอบ ไม่ใช่ Pie ครับ
พอเข้าใจหลักนี้แล้ว สูตรการเขียน Prompt สั่ง AI ทำ Chart จะเหลือแค่ 3 ท่อนง่ายๆ
- ข้อมูลตั้งต้น บอกว่าใช้ข้อมูลไหน ไฟล์อะไร คอลัมน์อะไร
- สิ่งที่อยากเห็น บอกคำถามธุรกิจที่อยากได้คำตอบ ท่อนนี้สำคัญที่สุด
- ประเภท Chart ระบุชื่อ Chart ที่ต้องการ
ท่อนที่ 2 คือหัวใจครับ ถ้าคุณบอก AI แค่ว่าทำกราฟยอดขายให้หน่อย คุณจะได้กราฟเปล่าๆ กลับมา แต่ถ้าเติมว่า อยากรู้ว่าเมนูไหนควรตัดออกจากเล่ม AI จะเลือกวิธีนำเสนอ ไฮไลต์จุดสำคัญ และสรุป Insight ให้ด้วยในคำสั่งเดียว
วิธีใช้ Prompt ทั้ง 21 ตัวข้างล่างนี้ก็ง่ายมาก แนบไฟล์ข้อมูลของคุณเข้าไปในแชทก่อน จะเป็น Excel หรือ CSV ก็ได้ แล้วค่อยวาง Prompt ตาม ใช้ได้ทั้ง ChatGPT และ Claude รวมถึง AI ตัวอื่นที่วิเคราะห์ไฟล์ได้ ใครยังไม่เคยให้ AI อ่านไฟล์ข้อมูล ลองดูวิธีในบทความสอนใช้ ChatGPT ทำ Data Analysis และ Visualization แบบ No-Codeก่อนได้ครับ
ตัวอย่างทั้งหมดในบทความนี้ ผมสมมติเป็นข้อมูลยอดขายร้านอาหาร 2 สาขาที่มีไฟล์ POS ระดับบิลและระดับเมนู ซึ่งเป็นโครงข้อมูลที่ธุรกิจส่วนใหญ่มีอยู่แล้ว เพื่อนๆ อ่านแล้วเปลี่ยนเป็นบริบทธุรกิจตัวเองได้ทันที และทุก Prompt ผมรันจริงแล้วแปะภาพผลลัพธ์ที่ได้ไว้ใต้คำสั่งให้ดูประกอบเลย จะได้เห็นภาพก่อนลงมือว่าสั่งแบบนี้แล้วได้ Chart หน้าตาแบบไหนกลับมาครับ
Comparison กลุ่มที่ 1 Chart สำหรับเปรียบเทียบ
กลุ่มแรกคือกลุ่มที่นักการตลาดใช้บ่อยที่สุด เพราะคำถามส่วนใหญ่ในห้องประชุมคือคำถามเชิงเปรียบเทียบ อะไรขายดีกว่า สาขาไหนทำได้ดีกว่า เดือนนี้ดีกว่าเดือนก่อนมั้ย กลุ่มนี้มีให้เลือกถึง 8 แบบ และจุดที่ต้องระวังคือแต่ละแบบเกิดมาเพื่อจำนวน Item และจำนวนช่วงเวลาที่ต่างกันครับ
1. Variable Width Column Chart เทียบ 2 มิติในแท่งเดียว
เอาไฟล์ยอดขายรายเมนูมาสรุปเป็นรายหมวดอาหาร แล้วทำ Variable Width Column Chart
ให้ความกว้างของแท่ง = จำนวนจานที่ขายได้ และความสูงของแท่ง = Margin เฉลี่ยของหมวดนั้น
อยากเห็นว่าหมวดไหนขายเยอะแต่กำไรบาง และหมวดไหนขายน้อยแต่กำไรดีจนน่าดันเพิ่ม
เหมาะกับการเทียบ 2 ตัวชี้วัดพร้อมกันใน Chart เดียว เช่น ปริมาณกับกำไร เห็นทันทีว่าหมวดไหนตัวใหญ่แต่กำไรบาง ไม่เหมาะกับคนดูที่ไม่คุ้น Chart แบบนี้ ต้องอธิบายก่อนว่าความกว้างแปลว่าอะไร และไม่เหมาะเมื่อมีเกิน 5 ถึง 6 รายการ จะเริ่มอ่านไม่ออกครับ
ส่วนที่ปรับได้คือคู่ตัวชี้วัดทั้งสองแกน จะเปลี่ยนเป็น ความกว้าง = จำนวนลูกค้าในแต่ละ Segment คู่กับ ความสูง = ยอดซื้อเฉลี่ยต่อคน หรือ ความกว้าง = งบโฆษณาแต่ละช่องทาง คู่กับ ความสูง = ROAS ก็ได้ ขอแค่ตัวหนึ่งเป็นขนาด อีกตัวเป็นคุณภาพ
2. Table with Embedded Charts ตารางที่ฝังกราฟไว้ข้างใน
สรุป Top 5 เมนูขายดีจากไฟล์ที่แนบ เป็นตารางที่มีคอลัมน์ ชื่อเมนู ยอดขาย
กราฟแท่งเล็กๆ ฝังในตารางแสดงยอดขายเทียบกัน และคอลัมน์ % เติบโตเทียบเดือนก่อน
อยากได้ไว้แปะในรายงานประจำเดือนที่ผู้บริหารต้องเห็นทั้งตัวเลขจริงและแนวโน้มพร้อมกัน
เหมาะกับข้อมูลหลายมิติที่คนดูต้องการเห็นตัวเลขเป๊ะๆ ด้วย อย่างรายงานประจำเดือน คนอ่านได้ทั้งเลขจริงและภาพเปรียบเทียบในที่เดียว ไม่เหมาะกับการนำเสนอบนเวทีหรือสไลด์ เหตุผลคือตารางบังคับให้คนอ่านไล่ทีละแถว ไม่มีจุดโฟกัสเดียวให้สายตาพุ่งไปครับ
ส่วนที่ปรับได้คือ Top 5 เมนู เปลี่ยนเป็น Top 10 สินค้า, Top 5 Campaign หรือ Top 5 พนักงานขาย และคอลัมน์ที่ 3 จะเปลี่ยนจาก % เติบโต เป็น Margin, จำนวนรีวิว หรือคะแนนความพอใจก็ได้ตามข้อมูลที่มี
3. Bar Chart จัดอันดับของที่มีหลายรายการ
รวมยอดขายรายเมนูทั้ง 2 สาขาของเดือนล่าสุด แล้วทำ Bar Chart แนวนอน
เรียงจากมากไปน้อย เอาเฉพาะ Top 10 อยากรู้ว่าเมนูตัวท็อปทิ้งห่างตัวรองแค่ไหน
เหมาะกับการจัดอันดับรายการจำนวนมาก 10 ถึง 20 ตัว โดยเฉพาะเมื่อชื่อรายการยาว ชื่อยาวอ่านง่ายกว่าในแนวนอน เช่น Top 10 เมนู, Top 15 Keyword ที่คนค้นเจอเรา ไม่เหมาะกับข้อมูลตามช่วงเวลา คนดูจะสับสนว่าทำไมเวลาวิ่งจากบนลงล่างครับ
ส่วนที่ปรับได้คือ เดือนล่าสุด เปลี่ยนเป็นไตรมาส ครึ่งปี หรือทั้งปี, Top 10 เปลี่ยนจำนวนได้ตามใจ และ ยอดขาย เปลี่ยนเป็นจำนวนออเดอร์ ยอด Engagement หรือจำนวนรีวิวได้ทั้งนั้น
4. Column Chart เทียบของไม่กี่ตัว
เทียบยอดขายเดือนล่าสุดระหว่างสาขา A กับสาขา B เป็น Column Chart แนวตั้ง
หน่วยล้านบาท อยากเห็นชัดๆ ว่าสองสาขาห่างกันเท่าไหร่
เหมาะกับการเทียบของ 2 ถึง 7 ตัวที่ชื่อสั้น อย่างยอดขายรายสาขา สายตาคนอ่านความสูงของแท่งได้แม่นที่สุดในบรรดา Chart ทุกแบบ ไม่เหมาะเมื่อรายการเยอะหรือชื่อยาว ตัวหนังสือใต้แท่งจะเอียงจนอ่านยาก กรณีนั้นให้สลับไปใช้ Bar แนวนอนในข้อ 3 แทนครับ
ส่วนที่ปรับได้คือ สาขา A กับสาขา B เปลี่ยนเป็นแบรนด์เรากับค่าเฉลี่ยตลาด, ทีมขาย 4 ทีม หรือสินค้า 3 รุ่น และ ยอดขาย เปลี่ยนเป็น Conversion Rate หรือต้นทุนต่อออเดอร์ได้
5. Circular Area Chart ข้อมูลที่วนเป็นรอบ
สรุปยอดขายเฉลี่ยรายวันจันทร์ถึงอาทิตย์จากข้อมูล 3 เดือนล่าสุด
ข้อมูลนี้วนเป็นรอบสัปดาห์ เลยอยากได้เป็น Circular Area Chart
ให้เห็นว่าวันไหนคือวันพีคของร้าน และวันไหนเงียบจนควรจัดโปรกระตุ้น
เหมาะกับข้อมูลที่วนเป็นรอบจริงๆ เช่น ยอดขายรายวันในสัปดาห์ หรือ Traffic รายชั่วโมงใน 24 ชั่วโมง รูปวงกลมสื่อความหมายว่าอาทิตย์วนกลับมาจันทร์ ซึ่งเส้นตรงสื่อไม่ได้ ไม่เหมาะกับข้อมูลที่ไม่ได้วนรอบ และไม่เหมาะเมื่อต้องเทียบค่าแบบแม่นๆ เหตุผลคือพื้นที่วงกลมหลอกตา ค่าที่ต่างกัน 2 เท่าจะดูเหมือนต่างกัน 4 เท่าครับ
ส่วนที่ปรับได้คือหน่วยของรอบ จาก รายวันในสัปดาห์ เปลี่ยนเป็น รายชั่วโมงใน 1 วัน หรือ รายเดือนใน 1 ปี สำหรับธุรกิจที่มี Seasonality ชัด เช่น ร้านของขวัญที่พีคช่วงปีใหม่
6. Line Chart ดูแนวโน้มต่อเนื่อง
สรุปยอดขายรายเดือนย้อนหลัง 6 เดือน แยกสาขา A กับสาขา B
ทำ Line Chart เทียบ 2 เส้น หน่วยล้านบาท
อยากรู้ว่าสองสาขาแนวโน้มไปทางเดียวกันหรือกำลังสวนทางกัน
เหมาะกับแนวโน้มต่อเนื่องหลายช่วงเวลา อย่างยอดขาย 12 เดือน หรือยอด Follower 52 สัปดาห์ นี่คือ Chart อเนกประสงค์ที่ใช้ผิดยากเป็นพิเศษครับ ไม่เหมาะกับข้อมูลที่เป็นหมวดหมู่ไม่ใช่เวลา เช่น เอาเมนู 5 จานมาลากเส้นต่อกัน เส้นจะสื่อความต่อเนื่องที่ไม่มีอยู่จริง
ส่วนที่ปรับได้คือ รายเดือนย้อนหลัง 6 เดือน เปลี่ยนเป็นรายวัน 30 วัน หรือรายสัปดาห์ 12 สัปดาห์ ตามจังหวะธุรกิจ และเปลี่ยนคู่เส้นจาก 2 สาขา เป็น ปีนี้เทียบปีก่อน ซึ่งเป็นท่ามาตรฐานของการรายงานผลประจำปี
7. Column Chart เทียบไม่กี่ช่วงเวลา
เทียบยอดขายรวม 3 เดือนล่าสุดเป็น Column Chart 3 แท่ง
อยากเห็นเป็นก้อนชัดๆ ว่าเดือนล่าสุดดีขึ้นจริงหรือทรงตัว
เหมาะกับการเทียบเวลาแค่ 2 ถึง 4 จุด เช่น ไตรมาสนี้เทียบไตรมาสก่อน หรือปีนี้เทียบปีก่อน แท่งให้ความรู้สึกก้อนใครก้อนมันชัดกว่าเส้น ไม่เหมาะเมื่อช่วงเวลาเกิน 7 ถึง 8 แท่ง จะรกจนเสียจุดแข็งของแท่งไป กรณีนั้นเปลี่ยนเป็น Line ในข้อ 6 ครับ
ส่วนที่ปรับได้คือ 3 เดือนล่าสุด เปลี่ยนเป็น Q1 Q2 Q3, ก่อนแคมเปญกับหลังแคมเปญ หรือ 3 ปีล่าสุด สำหรับเล่าภาพการเติบโตระยะยาวให้นักลงทุนฟัง
8. Line Chart หลายเส้นหลายหมวด
สรุปยอดขาย 5 หมวดอาหารรายเดือนย้อนหลัง 6 เดือน ทำ Line Chart หลายเส้นในกราฟเดียว
อยากรู้ว่าหมวดไหนแนวโน้มโตสวนตลาด หมวดไหนกำลังแผ่ว
ช่วยไฮไลต์เส้นที่โตแรงสุดให้เด่น ที่เหลือทำสีจางลง
เหมาะกับการเทียบแนวโน้มหลายหมวดพร้อมกัน 4 ถึง 6 เส้น เช่น ยอดขาย 5 หมวดสินค้าตลอดปี ไม่เหมาะเมื่อเกิน 6 ถึง 7 เส้น จะกลายเป็นเส้นสปาเก็ตตี้ที่แยกไม่ออกว่าเส้นไหนเป็นเส้นไหน ทางแก้ที่ผมใส่ไว้ในตัว Prompt เลยคือให้ไฮไลต์เส้นพระเอกเส้นเดียว ที่เหลือทำสีจาง ซึ่งเป็นเทคนิคที่ทำให้กราฟหลายเส้นกลับมาอ่านง่ายทันทีครับ
ส่วนที่ปรับได้คือ 5 หมวดอาหาร เปลี่ยนเป็น 5 ช่องทางการขาย หรือ 4 Segment ลูกค้า และเงื่อนไขไฮไลต์จาก เส้นที่โตแรงสุด เปลี่ยนเป็น เส้นของแบรนด์เราเทียบคู่แข่ง ก็ได้
Relationship กลุ่มที่ 2 Chart สำหรับหาความสัมพันธ์
กลุ่มนี้มีสมาชิกแค่ 2 ตัว แต่เป็น 2 ตัวที่ผมคิดว่านักการตลาดสาย Data ได้ใช้คุ้มที่สุด สิ่งที่กลุ่มนี้ทำได้แต่กลุ่มอื่นทำไม่ได้ คือการโชว์ข้อมูลทุกจุดโดยไม่ยุบรวม ทำให้เราเห็นทั้ง Pattern และตัวประหลาดที่แอบซ่อนอยู่ในข้อมูลครับ
9. Scatter Chart หาความสัมพันธ์ 2 ตัวแปร
ทำ Scatter Chart จากข้อมูลเมนูทั้งหมด แกน X คือจำนวนจานที่ขายได้ต่อเดือน
แกน Y คือราคาเฉลี่ยต่อจาน อยากดูว่าเมนูไหนถูกแต่ขายเยอะ เมนูไหนแพงแต่ขายน้อย
ช่วยตีเส้นแบ่ง 4 Quadrant ที่ค่าเฉลี่ยของแต่ละแกน แล้วสรุปว่าแต่ละมุมควรทำอะไรต่อ
เหมาะกับการหาความสัมพันธ์ระหว่าง 2 ตัวแปรและหาตัวประหลาด เช่น ราคากับปริมาณขาย หรืองบโฆษณากับยอด Conversion การตีเส้นแบ่ง 4 Quadrant ในตัว Prompt จะเปลี่ยน Scatter ธรรมดาให้กลายเป็นเครื่องมือตัดสินใจทันที มุมล่างซ้ายคือขายน้อยราคาถูก ซึ่งมักเป็นตัวเลือกแรกที่ควรพิจารณาตัดออก ไม่เหมาะกับคนดูทั่วไปที่ไม่ชินกับการอ่าน 2 แกนพร้อมกัน และไม่เหมาะเมื่อจุดน้อยกว่า 10 จุด จะมองไม่เห็น Pattern ครับ
ส่วนที่ปรับได้คือคู่แกนทั้งสอง จะเปลี่ยนเป็น แกน X จำนวนโพสต์ กับ แกน Y ยอด Engagement เฉลี่ยต่อโพสต์ สำหรับวิเคราะห์คอนเทนต์ ก็เป็นท่าเดียวกับที่ผมใช้สรุปข้อมูล Social Listening เป็นประจำเลย
10. Bubble Chart เพิ่มมิติที่ 3 เข้าไป
ทำ Bubble Chart รายเมนู แกน X คือจำนวนจานที่ขายต่อเดือน แกน Y คือราคาเฉลี่ยต่อจาน
ขนาดฟองคือ % Margin ของเมนูนั้น
อยากหาว่าเมนูไหนคือพระเอกตัวจริงที่ทั้งขายได้ ราคาดี และกำไรหนา ควรเอาไปดันเป็นตัวชูโรง
เหมาะกับการเพิ่มมิติที่ 3 เข้าไปใน Scatter เช่น ปริมาณ คูณราคา คูณกำไร ซึ่งเป็นตรรกะเดียวกับ BCG Matrix ที่นักการตลาดคุ้นเคยกันดี ไม่เหมาะเมื่อมิติที่ 3 ต้องอ่านค่าแบบแม่นๆ เหตุผลคือคนกะขนาดฟองไม่ได้ ฟองที่ใหญ่กว่ากัน 2 เท่า คนมองว่าใหญ่กว่ากันนิดเดียว ขนาดฟองจึงใช้สื่อได้แค่ระดับ ใหญ่ กลาง เล็ก เท่านั้นครับ
ส่วนที่ปรับได้คือมิติที่ 3 จาก % Margin เปลี่ยนเป็น จำนวนรีวิว, อัตราการซื้อซ้ำ หรือ Growth Rate และถ้าใช้กับ Portfolio สินค้า ลองเปลี่ยนเป็น แกน X ส่วนแบ่งตลาด แกน Y การเติบโตของตลาด ขนาดฟองคือยอดขาย จะได้ BCG Matrix ฉบับข้อมูลจริงของตัวเองเลย
Distribution กลุ่มที่ 3 Chart สำหรับดูการกระจายตัว
กลุ่มนี้คือกลุ่มที่ถูกใช้น้อยที่สุด ทั้งที่ตอบคำถามที่ค่าเฉลี่ยตอบไม่ได้ ลองนึกดูครับว่าถ้ายอดเฉลี่ยต่อบิลของร้านคือ 550 บาท ลูกค้าส่วนใหญ่จ่าย 550 บาทจริงหรือเปล่า คำตอบคือไม่แน่ อาจมีลูกค้ากลุ่มใหญ่จ่าย 300 กับอีกกลุ่มจ่าย 900 แล้วค่าเฉลี่ยหลอกให้เราออกโปรที่ไม่โดนใครเลยก็ได้ กลุ่มนี้เกิดมาเพื่อจับเรื่องแบบนี้ครับ
11. Column Histogram ดูว่าข้อมูลกระจุกตรงไหน
ทำ Histogram การกระจายของยอดต่อบิลจากข้อมูลเดือนล่าสุด แบ่งช่วงละ 500 บาท
อยากรู้ว่าบิลส่วนใหญ่ของร้านอยู่ช่วงราคาไหน จะได้ออกแบบชุดโปรโมชันให้ตรงกับที่ลูกค้าจ่ายจริง
เหมาะกับการหาว่าข้อมูลกระจุกตรงไหน เช่น บิลส่วนใหญ่อยู่ช่วง 500 ถึง 1,000 บาท ซึ่งเป็นคำถามที่ค่าเฉลี่ยตอบไม่ได้ ค่าเฉลี่ยมักโดนบิลก้อนใหญ่ไม่กี่ใบลากขึ้นจนหลอกตา ไม่เหมาะกับการเทียบระหว่างหมวดหมู่ นั่นเป็นงานของ Bar และ Column ธรรมดา แกน X ของ Histogram ต้องเป็นช่วงตัวเลขต่อเนื่องเท่านั้นครับ
ส่วนที่ปรับได้คือ ยอดต่อบิล เปลี่ยนเป็น ยอดซื้อต่อออเดอร์ออนไลน์, อายุลูกค้าในระบบสมาชิก หรือ ระยะเวลาที่ลูกค้าอยู่ในร้าน และ ช่วงละ 200 บาท ปรับความละเอียดตามข้อมูล ช่วงแคบเห็นรายละเอียดเยอะ ช่วงกว้างเห็นภาพรวมง่าย
12. Line Histogram โค้งการกระจายของข้อมูลจำนวนมาก
ข้อมูลบิลมีหลายพันรายการ ทำเป็น Line Histogram แบ่งช่วงละ 100 บาท
ให้เห็นเป็นโค้งการกระจายแทนแท่ง แล้วช่วยดูให้หน่อยว่าโค้งมียอดเดียวหรือมี 2 ยอด
ถ้ามี 2 ยอด แปลว่าร้านน่าจะมีลูกค้า 2 กลุ่มที่พฤติกรรมจ่ายต่างกันซ่อนอยู่
เหมาะกับข้อมูลจำนวนมากระดับหลักพันขึ้นไปที่อยากเห็นรูปทรงการกระจาย เช่น โค้งเบ้ซ้ายเบ้ขวา หรือโค้ง 2 ยอดที่เรียกว่า Bimodal ซึ่งมักแปลว่ามีลูกค้า 2 Segment ซ่อนอยู่ในข้อมูลก้อนเดียว นี่คือหนึ่งใน Insight ที่มีมูลค่าที่สุดที่ Chart ธรรมดาให้ไม่ได้ครับ ไม่เหมาะกับข้อมูลน้อย เส้นจะหยักไปหยักมาจนอ่าน Pattern ไม่ออก กรณีนั้นกลับไปใช้ Column Histogram ข้อ 11 ตรงไปตรงมากว่า
ส่วนที่ปรับได้คือคำถามท้าย Prompt จาก หา 2 ยอด เปลี่ยนเป็น เทียบโค้งของสาขา A กับสาขา B ซ้อนกัน เพื่อดูว่าลูกค้าสองสาขามีพฤติกรรมการจ่ายต่างกันมั้ย
13. Scatter Chart หาตัวประหลาดในข้อมูล
ทำ Scatter Chart ดูการกระจายของบิลทั้งหมด แกน X คือจำนวนรายการต่อบิล
แกน Y คือยอดบิล อยากเช็คว่ามีบิลผิดปกติหรือ Outlier มั้ย
เช่น บิลที่รายการน้อยแต่ยอดสูงผิดปกติ ช่วยไฮไลต์จุดที่น่าสงสัยแล้วลิสต์ออกมาให้ดูด้วย
เหมาะกับงานตรวจสอบและหาความผิดปกติ เช่น บิลไหนรายการน้อยแต่ยอดสูงผิดปกติ ซึ่งอาจเป็นได้ทั้งลูกค้า VIP ที่ควรดูแลพิเศษ หรือข้อมูลที่คีย์ผิดที่ต้อง Clean ออกก่อนวิเคราะห์ต่อ งานแบบนี้เป็นขั้นตอนที่คนข้ามบ่อยที่สุดแล้วมารู้ตัวตอน Insight เพี้ยนไปแล้วครับ ไม่เหมาะกับข้อมูลหลักหมื่นจุดขึ้นไป จุดจะทับกันจนดำเป็นปื้น ต้องสุ่มตัวอย่างหรือเปลี่ยนไปใช้ Heatmap แทน
ส่วนที่ปรับได้คือนิยามความผิดปกติ จาก รายการน้อยยอดสูง เปลี่ยนเป็น ลูกค้าที่ Engagement สูงแต่ไม่เคยซื้อ หรือ Campaign ที่ Click เยอะแต่ Conversion ต่ำ ตามสิ่งที่ธุรกิจคุณอยากจับ
14. 3D Area Chart สามมิติสำหรับงานพิเศษ
ทำ 3D Area Chart ยอดขายรายชั่วโมง 10:00 ถึง 21:00 แยก 3 ช่องทาง
หน้าร้าน Delivery และ Takeaway ซ้อนกันเป็นมิติลึก
อยากเห็นในภาพเดียวว่าแต่ละช่องทางพีคคนละเวลายังไง
เหมาะกับงานพิเศษที่มิติที่ 3 มีความหมายจริงและมีคนดูที่พร้อมตีความ บทความของ TapClicks เองยังบอกตรงๆ ว่า Chart ตัวนี้ต้องอาศัยผู้เชี่ยวชาญด้าน Data Visualization ทำ ไม่เหมาะกับงานรายงานทั่วไปแทบทุกกรณี เหตุผลคือมุมมอง 3 มิติบังข้อมูลด้านหลังและหลอกตาเรื่องขนาด งานส่วนใหญ่ที่คิดจะใช้ 3D จริงๆ แล้วใช้ Line หลายเส้นหรือ Heatmap ตอบได้ดีกว่าครับ
ส่วนที่ปรับได้คือ รายชั่วโมง 10:00 ถึง 21:00 เปลี่ยนเป็น รายวันจันทร์ถึงอาทิตย์ หรือ รายเดือนทั้งปี และ 3 ช่องทาง เปลี่ยนเป็น 3 สาขา หรือ 3 Segment ลูกค้า แต่ถ้าเอาไปใช้งานจริง ผมแนะนำให้เติมท้าย Prompt ว่า ถ้า 3D อ่านยาก ช่วยทำ Line Chart หลายเส้นมาเทียบให้ด้วย แล้วคุณจะเห็นเองว่าเวอร์ชันไหนตอบคำถามได้ไวกว่า
Composition กลุ่มที่ 4 Chart สำหรับดูสัดส่วนและองค์ประกอบ
กลุ่มสุดท้ายคือกลุ่มที่ตอบคำถามว่าก้อนใหญ่ประกอบจากอะไร และสัดส่วนนั้นกำลังเปลี่ยนไปมั้ย มีสมาชิกเยอะสุดถึง 7 ตัว จุดตัดสินใจสำคัญของกลุ่มนี้มี 2 เรื่อง คือดูจุดเวลาเดียวหรือดูการเปลี่ยนแปลงข้ามเวลา และสนใจแค่สัดส่วนหรือสนใจยอดจริงด้วย แค่ตอบ 2 คำถามนี้ได้ คุณจะเลือก Chart ในกลุ่มนี้ถูกทันทีครับ
15. Stacked 100% Column Chart เทียบสัดส่วนข้ามช่วงเวลา
ทำ Stacked 100% Column Chart สัดส่วนช่องทางขาย หน้าร้าน Delivery และ Takeaway
รายเดือนย้อนหลัง 3 เดือน ทุกแท่งสูงเท่ากันที่ 100%
อยากเห็นชัดๆ ว่า Delivery กำลังกินสัดส่วนเพิ่มขึ้นเรื่อยๆ จริงมั้ย
เหมาะกับการเทียบสัดส่วนข้ามช่วงเวลาไม่กี่จุด ทุกแท่งสูงเท่ากันทำให้เทียบสัดส่วนกันตรงๆ ได้ทันที ไม่เหมาะกับกรณีที่ยอดรวมสำคัญ นี่คือกับดักใหญ่สุดของ Chart ตัวนี้ครับ สัดส่วน Delivery ที่โตขึ้นอาจเกิดขึ้นพร้อมกับยอดรวมที่กำลังหด ซึ่ง Chart แบบ 100% จะซ่อนความจริงข้อนี้ไว้สนิท ถ้ายอดรวมสำคัญให้ข้ามไปใช้ข้อ 16
ส่วนที่ปรับได้คือ ช่องทางขาย เปลี่ยนเป็น สัดส่วนงบการตลาดแต่ละสื่อ หรือ สัดส่วนยอดขายแต่ละ Segment และจำนวนช่วงเวลาปรับได้ตั้งแต่ 2 ถึง 6 แท่ง เกินกว่านั้นให้ไปใช้ข้อ 17 แทน
16. Stacked Column Chart เห็นทั้งยอดรวมและองค์ประกอบ
ทำ Stacked Column Chart ยอดขายรายเดือนย้อนหลัง 6 เดือน
แต่ละแท่งซ้อนยอดของสาขา A กับสาขา B เข้าด้วยกัน หน่วยล้านบาท
อยากเห็นพร้อมกันว่ายอดรวมแต่ละเดือนเป็นเท่าไหร่ และสาขาไหนเป็นตัวหลักของยอดนั้น
เหมาะกับการอยากเห็นยอดรวมและส่วนประกอบพร้อมกัน เช่น ยอดรวมรายเดือนพร้อมสัดส่วนของแต่ละสาขา ไม่เหมาะกับการเทียบชั้นที่อยู่กลางแท่ง เหตุผลคือชั้นกลางไม่มีฐานร่วมกัน จุดเริ่มของแต่ละแท่งไม่ตรงกัน สายตาคนจึงเทียบได้แม่นแค่ชั้นล่างสุดชั้นเดียว เทคนิคคือเอาข้อมูลที่สำคัญที่สุดวางไว้ชั้นล่างเสมอครับ
ส่วนที่ปรับได้คือชั้นที่ซ้อน จาก 2 สาขา เปลี่ยนเป็น รายได้จากลูกค้าเก่ากับลูกค้าใหม่ ซึ่งเป็นภาพที่บอกสุขภาพธุรกิจได้ดีมาก ยอดรวมโตแต่ชั้นลูกค้าใหม่บางลงเรื่อยๆ คือสัญญาณอันตรายที่ควรเห็นก่อนสายเกินแก้
17. Stacked 100% Area Chart สัดส่วนที่เปลี่ยนต่อเนื่องยาวๆ
ทำ Stacked 100% Area Chart สัดส่วนช่องทางขายรายเดือนต่อเนื่อง 12 เดือน
สนใจแค่การเบียดกันของสัดส่วน ไม่สนยอดจริง
อยากเห็นเป็นภาพเดียวว่าปีที่ผ่านมา Delivery ค่อยๆ เบียดหน้าร้านไปเท่าไหร่แล้ว
เหมาะกับสัดส่วนที่เปลี่ยนต่อเนื่องยาวๆ ตั้งแต่ 12 ช่วงเวลาขึ้นไป เช่น Market Share รายเดือน 2 ปี ภาพการเบียดกันของแต่ละพื้นที่เล่าเรื่องการแย่งชิงได้ทรงพลังมาก ไม่เหมาะเมื่อมีเกิน 4 ถึง 5 ชั้น จะเริ่มแยกไม่ออก และเช่นเดียวกับข้อ 15 คือซ่อนขนาดของยอดรวมจริงไว้ ต้องเล่าคู่กับตัวเลขยอดรวมเสมอครับ
ส่วนที่ปรับได้คือ 12 เดือน ขยายเป็น 24 เดือนหรือรายไตรมาส 3 ปี และเปลี่ยนหัวข้อจากช่องทางขายเป็น สัดส่วน Traffic แต่ละ Source ของเว็บไซต์ เพื่อดูว่า AI Search กำลังเบียด Google Search แค่ไหน ซึ่งเป็นคำถามที่นักการตลาดปีนี้ควรถามมากๆ
18. Stacked Area Chart เล่าว่าโตแบบไหน
ทำ Stacked Area Chart ยอดขายแยกช่องทางรายเดือน 12 เดือน เป็นมูลค่าจริงหน่วยล้านบาท
อยากเล่าให้ทีมเห็นว่ายอดรวมของเราโตขึ้น และตัวที่ดันให้โตคือช่องทางไหน
เหมาะกับการเล่าเรื่องว่าโตแบบไหน เช่น ยอดรวมโตขึ้นและ Delivery คือเครื่องยนต์หลัก ได้ทั้งภาพรวมและองค์ประกอบในกราฟเดียว เหมาะมากกับสไลด์สรุปผลประจำปี ไม่เหมาะกับหมวดที่ค่าแกว่งขึ้นลงแรง เหตุผลคือชั้นบนจะโดนชั้นล่างยกขึ้นยกลงตาม จนอ่านแนวโน้มของตัวมันเองไม่ออก กรณีนั้นแยกเป็น Line คนละเส้นในข้อ 8 ชัดกว่าครับ
ส่วนที่ปรับได้คือหน่วยเวลาและหมวด เหมือนข้อ 17 ทุกอย่าง ต่างกันแค่ข้อนี้ใช้เมื่อยอดจริงสำคัญ ข้อ 17 ใช้เมื่อสนใจแค่สัดส่วน จำคู่นี้ไว้คู่เดียวก็เลือกไม่พลาดแล้ว
19. Pie Chart สัดส่วนง่ายๆ ที่มีพระเอกชัด
รวมยอดขายตามหมวดอาหารทั้ง 2 สาขา ทำ Pie Chart สัดส่วนรายได้แต่ละหมวด
เอาแค่ 5 หมวดใหญ่ ที่เหลือรวมเป็นอื่นๆ
อยากได้ภาพเดียวที่บอกว่ารายได้เกือบครึ่งของร้านมาจากหมวดไหน
เหมาะกับสัดส่วนง่ายๆ 3 ถึง 5 ชิ้นที่มีชิ้นเดียวเป็นพระเอกชัดๆ เช่น หมวดจานหลักกินรายได้เกือบครึ่ง คนทั่วไปเข้าใจภายใน 2 วินาที ไม่เหมาะเมื่อชิ้นเยอะ หรือชิ้นที่ขนาดใกล้กัน สายตาคนเทียบมุมไม่ได้ว่า 22% กับ 26% อันไหนใหญ่กว่า และห้ามใช้ Pie 2 วงเทียบข้ามช่วงเวลาเด็ดขาด งานนั้นเป็นของ Stacked Column ข้อ 15 ครับ
ส่วนที่ปรับได้คือ 5 หมวด ลดเหลือ 3 ถึง 4 ยิ่งน้อยยิ่งชัด และเปลี่ยนหัวข้อเป็น สัดส่วนงบการตลาด หรือ สัดส่วนรายได้แต่ละ Business Unit ได้ตามสะดวก จุดที่ห้ามปรับคืออย่าเพิ่มจำนวนชิ้นเกิน 5 ถ้าข้อมูลมีหมวดเยอะกว่านั้น กลับไปใช้ Bar Chart ข้อ 3 เถอะครับ
20. Waterfall Chart อธิบายว่าทำไมตัวเลขถึงเปลี่ยน
ทำ Waterfall Chart อธิบายว่ายอดขายรวมจากเดือนก่อน 2.31 ล้านบาท
ขยับมาเป็นเดือนนี้ 2.56 ล้านบาท มาจากอะไรบวก อะไรลบบ้าง
แยกเป็นปัจจัย เช่น ยอด Delivery ที่เพิ่ม เมนูใหม่ที่เข้ามา และยอดหน้าร้านที่หายไป
เหมาะกับการอธิบายว่าทำไมตัวเลขถึงเปลี่ยน เดินจากจุดตั้งต้นไปจุดปลายทีละก้อน เหมาะสุดกับการรีวิวงบ สรุปกำไรขาดทุน หรือสรุปผลแคมเปญให้ผู้บริหาร คำถามในห้องประชุมมักไม่ใช่ยอดเท่าไหร่ แต่คือทำไมถึงเป็นยอดนี้ และ Waterfall ตอบคำถามนั้นได้ในภาพเดียวครับ ไม่เหมาะกับข้อมูลที่ไม่ได้มีตรรกะบวกลบต่อเนื่อง และรายการย่อยไม่ควรเกิน 7 ถึง 8 ขั้น เกินกว่านั้นคนดูจะหลงว่าเริ่มจากตรงไหน
ส่วนที่ปรับได้คือตัวเลขตั้งต้นและปลายทางตามข้อมูลจริงของคุณ และปัจจัยบวกลบ จากช่องทางขาย เปลี่ยนเป็น งบตั้งต้น ลบค่าสื่อ ลบค่า Production เหลือ Margin หรือ ลูกค้าต้นเดือน บวกลูกค้าใหม่ ลบลูกค้าที่หายไป เหลือลูกค้าปลายเดือน ซึ่งท่าหลังคือการเล่า Churn ที่เห็นภาพที่สุดแบบหนึ่งเลย
21. Stacked 100% Column with Subcomponents แตกชั้นย่อยหาตัวขับเคลื่อนจริง
ทำ Stacked 100% Column Chart แบบแตกองค์ประกอบย่อย เทียบ 3 เดือนล่าสุด
ช่องทางหลักแตกเป็นชั้นย่อย หน้าร้านแยกตามสาขา และ Delivery แยกตามแพลตฟอร์ม
อยากรู้ว่าสัดส่วน Delivery ที่โตขึ้น จริงๆ แล้วโตจากแพลตฟอร์มไหนกันแน่
เหมาะกับการตอบคำถาม 2 ชั้นในกราฟเดียว เช่น Delivery โต แล้วแพลตฟอร์มไหนคือตัวขับเคลื่อนจริง เหมาะกับทีมที่ต้อง Drill Down เพื่อวางแผนงบให้ตรงจุด ไม่เหมาะกับการนำเสนอครั้งแรกกับคนที่ยังไม่เห็นภาพใหญ่ เหตุผลคือข้อมูลแน่นเกินไปสำหรับการปูพื้น ลำดับที่ถูกคือโชว์ตัวแม่ในข้อ 15 ให้ทุกคนเห็นภาพใหญ่ก่อน แล้วค่อยตามด้วยตัวนี้เป็นภาพเจาะครับ
ส่วนที่ปรับได้คือโครงสร้างชั้นย่อย จาก ช่องทางแตกเป็นแพลตฟอร์ม เปลี่ยนเป็น งบการตลาดแตกเป็นแคมเปญย่อยในแต่ละสื่อ หรือ รายได้แต่ละภาคแตกเป็นรายจังหวัดหลัก ขอแค่มีลำดับชั้นแม่ลูกชัดเจน Chart ตัวนี้จัดการให้ได้หมด
Data Storytelling สรุปวิธีใช้ 21 Prompt ทำ Data Visualization ให้เก่งกว่าคนที่แค่ Copy
เล่ามาถึงตรงนี้ เราไล่กันมาครบทั้ง 21 แบบ ตั้งแต่ Chart สามัญประจำบ้านอย่าง Bar และ Line ไปจนถึงตัวเฉพาะทางอย่าง Waterfall และ Variable Width Column และมีเรื่องหนึ่งที่อยากให้เพื่อนๆ ลองสังเกตดูครับ คือตลอดทั้งบทความ เราไม่ได้พูดถึงวิธีใช้โปรแกรมเลยสักบรรทัด ไม่มีสอนลากวาง ไม่มีสูตร ไม่มีเมนูตั้งค่า มีแต่คำถามธุรกิจกับ Chart ที่ตอบคำถามนั้น นี่แหละคือหลักฐานว่าทักษะของนักการตลาดยุคนี้ย้ายจากการใช้เครื่องมือให้คล่อง มาอยู่ที่การรู้ว่าจะขอดูอะไรจากข้อมูลแทนแล้ว คำถามสุดท้ายที่อยากชวนคิดต่อคือ แล้วเราจะใช้ทั้ง 21 ตัวนี้ยังไงให้ไปไกลกว่าการ Copy Prompt ไปวาง
คำตอบอยู่ที่การเข้าใจว่าสายตาคนเราอ่านอะไรได้แม่นแค่ไหนครับ หลักที่ผมใช้ประจำคือ สายตาคนเทียบความยาวจากฐานเดียวกันได้แม่นที่สุด รองลงมาคือตำแหน่งของจุด ตามด้วยความชันของเส้น แล้วค่อยเป็นพื้นที่ ส่วนที่แย่ที่สุดคือมุมของ Pie ลำดับนี้อธิบายได้เกือบทุกคำแนะนำในบทความนี้ ทำไม Bar กับ Column ถึงเป็นม้างานที่ใช้ได้ 80% ของงาน ทำไม Pie ถึงมีเงื่อนไขเยอะ และทำไม 3D ถึงควรหลีกเลี่ยง ตัวเลขไหนที่คนดูต้องอ่านให้แม่น เอาตัวเลขนั้นไปวางบนสิ่งที่สายตาเทียบได้แม่นกว่าเสมอ
อีกเรื่องที่อยากฝากไว้คือ ก่อนวาง Prompt ทุกครั้ง ลองเขียนประโยคเดียวให้จบก่อนว่า Chart นี้ต้องทำให้คนดูเห็นว่าอะไร ถ้าเติมประโยคนี้ไม่ได้ แปลว่ายังไม่ควรทำ Chart ต่อให้ AI ทำสวยแค่ไหนก็จะได้แค่ภาพประกอบรายงาน ไม่ใช่เครื่องมือตัดสินใจ และถ้าเติมได้เมื่อไหร่ ประโยคนั้นแหละคือท่อนที่ 2 ของ Prompt ที่พร้อมใช้ทันที ใครอยากได้ Prompt สายวิเคราะห์ข้อมูลเพิ่ม การตลาดวันละตอนมีรวม 20 Prompt ทำ Data Analysis ด้วย ChatGPT ที่เปลี่ยนข้อมูลการตลาดให้กลายเป็นการตัดสินใจไว้ให้อ่านต่อแล้วครับ
และถ้าให้ผมรวบทุกอย่างในบทความนี้ให้เหลือเพียงคำเดียว คำนั้นคือ Data Storytelling หรือในภาษาไทยคือ การเล่าเรื่องด้วยข้อมูล ยุคที่ต้องฝึก Power BI เราเสียเวลาส่วนใหญ่ไปกับการทำให้ Chart ขึ้นจอให้ได้ก่อน ยุค AI เวลาก้อนนั้นถูกคืนมาให้เราใช้กับคำถามที่สำคัญกว่า คือจะเล่าเรื่องอะไรจากข้อมูลตรงหน้า Chart ทั้ง 21 แบบจึงไม่ใช่ 21 วิธีโชว์ข้อมูล แต่คือ 21 วิธีเล่าเรื่อง 21 คำถามที่ต่างกัน และงานของนักการตลาดคือเลือกให้ถูกว่าเรื่องที่กำลังจะเล่า ต้องใช้วิธีเล่าแบบไหน
นับจากนี้ไปกำแพงระหว่างนักการตลาดกับ Data จะไม่ใช่โปรแกรมที่ต้องฝึกกันเป็นเดือนอีกต่อไป แต่คือคำถามที่คุณตั้งกับข้อมูลตรงหน้า เวลาเปิดไฟล์ชุดใหม่ อย่าเพิ่งถามว่าจะทำกราฟอะไรดี ให้ถามว่าคุณอยากให้คนดูเห็นอะไร แล้วปล่อยให้ 21 Prompt ชุดนี้ทำงานแทน ใครตั้งคำถามเป็นก่อน ก็จะเปลี่ยนข้อมูลกองเดิมให้กลายเป็นการตัดสินใจได้ก่อนคู่แข่งอย่างชัดเจนครับ
Data Analytics Thinking with AI สำหรับคนที่อยากลงมือทำกับข้อมูลจริงของตัวเอง
อ่านมาถึงตรงนี้ ถ้าเพื่อนๆ อยากทำแบบที่เห็นในบทความนี้กับข้อมูลของธุรกิจตัวเองบ้าง ตั้งแต่อ่านโครงสร้างไฟล์ ตั้งคำถาม ไปจนถึงได้ Dashboard ที่ใช้ตัดสินใจได้จริง ผมเปิดคลาสสอนเรื่องนี้โดยเฉพาะ ชื่อคลาส Data Analytics Thinking with AI สอนสร้าง Interactive Dashboard ด้วย ChatGPT, Claude หรือ Gemini ครับ
สิ่งที่คลาสนี้เน้นเป็นพิเศษ คือการทำ Data ด้วย AI แบบเข้าใจจริง ไม่ใช่แค่โยนไฟล์เข้าไปแล้วถามลอยๆ เหมือนที่หลายคนทำกันอยู่ อย่างที่เพื่อนๆ เห็นตลอดบทความนี้ว่า Prompt ที่ให้ Insight ได้ ต้องมาจากการเข้าใจ Data Foundation ว่าข้อมูลในมือหน้าตาเป็นยังไง และ Data Thinking ว่าควรตั้งคำถามอะไรกับมัน ในคลาสเราจะฝึกครบทั้งกระบวนการ ตั้งแต่ดูว่าธุรกิจคุณมี Data Source อะไรบ้าง เลือก Chart ให้ตรงคำถามแบบที่เล่าไป 21 แบบในบทความนี้ ไปจนถึงประกอบร่างเป็น Dashboard ที่กดดูต่อเองได้ โดยออกแบบมาสำหรับคนที่ไม่มีพื้นฐาน Data มาก่อนเลยก็เรียนได้
คลาสเรียนแบบ On-site วันเสาร์ที่ 17 ตุลาคม 2026 ที่อาคารพร้อมพรรณ ลาดพร้าวซอย 3 เดินทางได้ทั้ง BTS และ MRT รับจำกัดแค่ 20 คนเพื่อให้ดูแลได้ทั่วถึง และมี Session ถามตอบส่วนตัวหลังเรียนจบด้วย ค่าเรียนปกติ 14,900 บาท แต่ 10 คนแรกได้ราคา Early Bird 12,900 บาท ใครสนใจดูรายละเอียดและสมัครคลาส Data Analytics Thinking with AI ได้ที่ฟอร์มนี้เลยครับ
ลิงก์สมัครเรียน https://forms.gle/yy2BBrrG4AbBJNwJA
