สำหรับโรงงานที่เริ่มทำ Digital Transformation หรือต้องการประยุกต์เทคโนโลยียุคใหม่เพื่อเพิ่มความสามารถในการแข่งขัน ไม่ว่าจะเป็นการบริหารจัดการภายใน การผลิต การตรวจอบซัพพลายเชน งานคลังสินค้า ไปจนถึงกลไกทางการตลาดต่าง ๆ อาจจะต้องเคยได้ยินคำว่า Data Analysis หรือ Data Analytics ผ่านหูกันมาบ้าง แน่นอนว่าทั้ง 2 คำนี้มีความคล้ายคลึงกันอยู่และมีความจำเป็นอย่างมากในการแข่งขันยุคใหม่ แต่คุณรู้กันหรือไม่ว่าทั้ง 2 คำนี้แตกต่างกันอย่างไร และเหมาะกับการใช้งานแบบใด?
DATA + [Analysis/Analytics] การวิเคราะห์ที่ธุรกิจต้องใช้ในการแข่งขันยุคใหม่
ปัญหาของการทำธุรกิจแบบที่ผ่านมา คือ เราไม่รู้ว่าเราไม่รู้อะไร หรือ ถึงแม้รู้ว่าอยากรู้อะไรแต่มีข้อมูลไม่พอให้ตัดสินใจ นั่นจึงเป็นที่มาของการที่เทคโนโลยียุคใหม่ให้ความสำคัญกับการเก็บข้อมูลให้ครอบคลุมที่สุด แต่เมื่อมีข้อมูลจำนวนมหาศาลเกิดขึ้นจะคัดกรองอย่างไร มองหาประเด็นตรงไหน อะไรที่ดูมีความสัมพันธ์กัน จะมองภาพรวม มองภาพเล็ก หาความเชื่อมโยงระหว่างคุณภาพการผลิตกับการจัดซื้อสินค้า หรือมองสองภาพเชื่อมกันได้อย่างไร ตรงนี้เองที่ Data Analysis และ Data Analytics จะเข้ามาช่วยไม่ในฐานะเครื่องมือและกระบวนการสำคัญ ไม่ว่าจะเป็นการใช้แพลตฟอร์มที่มีระบบพร้อมใช้ หรือให้ผู้เชี่ยวชาญดำเนินการก็ตาม
ในขณะเดียวกันหากต้องการต่อยอดเพื่อใช้งานเทคโนโลยีขั้นสูง ไม่ว่าจะเป็น Digital Twin หรือจะเป็นการใช้ AI เพื่อช่วยในการทำงาน โดยเฉพาะอย่างยิ่งในการมองจากภาพใหญ่ไปภาพเล็ก หรือทำการสรุปข้อมูลเพื่อตัดสินใจ ซึ่งเทคโนโลยีขั้นสูงเหล่านี้ต่างประกอบไปด้วย Data Analysis และ Data Analytics เช่นกัน
Data Analysis และ Data Analytics จุดร่วม, ความแตกต่าง และการต่อยอดใช้งาน
เพื่อให้เข้าใจและเห็นภาพของกระบวนการด้านข้อมูลทั้ง 2 ได้อย่างชัดเจน และสามารถนำไปต่อยอดได้อย่างมีประสิทธิภาพ การเริ่มต้นด้วยการนิยามแต่ละประเด็นจะทำให้เข้าใจได้อย่างดียิ่งขึ้น
Data Analytics การเตรียมความพร้อมของข้อมูล
Data Analytics นั้นเป็นกระบวนการที่กว้างครอบคลุมตั้งแต่การสกัดข้อมูล การแปลงข้อมูล และการบริหารจัดการข้อมูลดิบ เพื่อเก็บรวบรวมข้อมูลอันมีค่าและส่งต่อให้เกิดการตัดสินใจ เหมือนเป็นการงมเข็มในมหาสมุทรที่ผู้ใช้กำลังมองหาข้อมูลเชิงลึกบางอย่างที่สามารถใช้งานได้หลากหลายเป้าประสงค์
Data Analytics นั้นประกอบไปด้วย การระบุหรือยืนยันปัญหา, การเก็บข้อมูล, การบริหารจัดการข้อมูล และการทำความสะอาดข้อมูล
Data Analysis การวิเคราะห์ข้อมูลเชิงลึกและการนำไปใช้งาน
Data Analysis นั้นสามารถเรียกว่าอยู่ในร่มของ Data Analytics ก็ได้ แต่การให้ความสำคัญนั้นเน้นไปที่เรื่องของการตรวจสอบข้อมูลเชิงลึกเฉพาะเรื่อง ซึ่งจริง ๆ แล้วเป็นการนำข้อมูลที่ถูกทำความสะอาดและบริหารจัดการจาก Data Analytics มาส่องดูด้วยแว่นขยายเพื่อให้เข้าใจคุณสมบัติและความสำคัญที่เกิดขึ้น
การทำงานของ Data Analysis จะเกี่ยวข้องกับงานดังนี้ การวิเคราะห์ข้อมูลเชิงการตรวจสอบ (EDA), การวิเคราะห์สถิติ, แบบจำลองข้อมูล (Data Model) และการเปลี่ยนข้อมูลเป็นการแสดงผลด้วยภาพ (Data Visualization)
Data Analytics VS Data Analysis
| Data Analytics | Data Analysis | |
| ขอบเขต | มีขอบเขตที่กว้างกว่าและเป็นการมองไปทั้งวงจรชีวิตของข้อมูล ตั้งแต่การเก็บข้อมูล การทำความสะอาด และการบริหารจัดการ | มีความจำเพาะเจาะจงสูง เป็นการตรวจสอบข้อมูลเชิงลึก และเป็นการตีความจากข้อมูลที่ได้เตรียมเอาไว้ |
| การให้ความสำคัญ | การได้มาซึ่งข้อมูลเชิงลึกเพื่อนำไปต่อยอดหรือใช้ในการตัดสินใจ | การทำความเข้าใจตัวข้อมูลและมองหารูปแบบตลอดจนความสัมพันธ์ที่เกิดขึ้น |
| เทคนิค | ใช้เครื่องมือหลากหลาย เช่น วิธีวิทยาสำหรับการเก็บข้อมูล, เครื่องมือการทำความสะอาดข้อมูล หรืออัลกอริที่มสำหรับ ML | เป็นการใช้เทคนิคจำเพาะ เช่น การวิเคราะห์ชุดของเวลา หรือ การวิเคราะห์คลัสเตอร์ เพื่อค้นหาเป้าหมายที่ชัดเจน |
| ผลลัพธ์ | เป็นคำแนะนำที่ทำตามได้, เอกสารรายงาน และ Dashboard | เป็นข้อมูลเชิงอธิบาย, สถิติเชิงอ้างอิง, การเปลี่ยนข้อมูลเป็นภาพเพื่อทำความเข้าใจ และการสร้างสมมติฐาน |
| ผู้ใช้ | วิศวกรข้อมูล, ผู้มีส่วนได้ส่วนเสียหลักของธุรกิจ, ผู้จัดการ และอื่น ๆ | นักวิทยาศาสตร์ข้อมูล, นักวิเคราะห์, นักวิจัย และอื่น ๆ |
| ทักษะที่ต้องการ | ความรู้ด้านเทคนิคมุมกว้างที่ครอบคุลมกระบวนการบริหารจัดการข้อมูล | ต้องการทักษะที่เข้มข้นแข็งแรงในด้านโมเดลสถิติ ยกตัวอย่างเช่น การวิเคราะห์การถดถอยเชิงเส้น เป็นต้น |
ที่มา:
airbyte.com
