ยอดขายหายไป 15%!

ถ้าเพื่อน ๆ เป็นเจ้าของร้าน สิ่งแรกที่จะทำคืออะไร? ลดราคา? ยิงแอดเพิ่ม? หรือเปิด Excel ไล่ดูว่าสินค้าไหนขายตก?

คือแต่ละวิธีก็ดูมีเหตุผลหมดเลย แต่เดี๋ยวก่อน… เรายังไม่รู้เลยว่ายอดขายมันหายไปเพราะอะไร 😂

สมมติเดือนก่อนร้านขายได้ 1,000,000 บาท เดือนนี้เหลือ 850,000 บาท รายได้หายไปตั้ง 150,000 บาท บางคนอาจคิดว่าคู่แข่งขายถูกกว่า เศรษฐกิจไม่ดี หรือลูกค้าเริ่มไม่ชอบร้านแล้ว แต่ทั้งหมดนี้ยังเป็นแค่การเดา

พอเปิดข้อมูลดูเพิ่ม เราพบว่าจำนวนคำสั่งซื้อลดจาก 2,000 เหลือ 1,700 รายการ ขณะที่ยอดซื้อเฉลี่ยต่อบิลยังอยู่ที่ 500 บาทเหมือนเดิม

อ้าว งั้นยอดซื้อต่อบิลก็ไม่ได้ลดนี่นา แปลว่ายอดขายที่หายไปในตัวอย่างนี้ มาจากจำนวนคำสั่งซื้อที่ลดลง แล้วทำไมคำสั่งซื้อถึงลด? ยังไม่รู้ 55555

แต่ไม่ใช่ว่าเราวิเคราะห์ล้มเหลวนะ อย่างน้อยตอนนี้เราก็รู้แล้วว่าควรไปตรวจเรื่องจำนวนคำสั่งซื้อ แทนที่จะสุ่มแก้ทุกอย่างพร้อมกัน

เราว่านี่แหละส่วนที่น่าสนใจของ Data Analytics มันไม่ได้ทำให้เรารู้คำตอบทุกเรื่องทันที แต่ช่วยให้เราแยกออกว่า อะไรที่รู้แล้ว อะไรที่ยังไม่รู้ และอะไรที่กำลังเดาอยู่

สารบัญ 📚

1. Data Analytics คืออะไร ทำไมไม่ใช่แค่การทำกราฟ
2. มีข้อมูลแล้ว แต่เราเข้าใจมันจริงไหม?
3. ทำไมคำถามถึงสำคัญกว่าเครื่องมือ
4. Data Analytics 4 ประเภท ต่างกันตรงไหน?
5. จากโจทย์ธุรกิจไปถึงการลงมือทำ
6. Tesco Lotus ที่เราคุ้นเคย เกี่ยวอะไรกับ Data Analytics?
7. Insight ที่ดีควรพาเราไปถึงไหน?
8. ก่อนเริ่มวิเคราะห์ ลองถามตัวเองแบบนี้

1. Data Analytics คืออะไร ทำไมไม่ใช่แค่การทำกราฟ

เวลาพูดถึง Data Analytics เพื่อน ๆ นึกถึงอะไรกัน? คนเขียนโค้ด SQL หน้าจอดำ ๆ? กราฟเต็มจอ? หรือ Dashboard ที่ดูเหมือนห้องควบคุมยานอวกาศ 🚀

จริง ๆ ก็ไม่ผิดนะ เพราะสิ่งเหล่านี้เป็นส่วนหนึ่งของงานวิเคราะห์ข้อมูล แต่ลองคิดดู ถ้าเราทำ Dashboard สวยมาก มีทั้งยอดขายรายวัน ยอดขายแยกสาขา สินค้าขายดี และตัวเลขอีกสารพัด แล้วสุดท้ายไม่มีใครรู้ว่าจะเอารายงานนี้ไปทำอะไรต่อ… แบบนี้ถือว่าวิเคราะห์ข้อมูลสำเร็จแล้วจริงไหม?

Data Analytics คือการนำข้อมูลมาศึกษาเพื่อทำความเข้าใจสิ่งที่เกิดขึ้น หาคำตอบ และช่วยประกอบการตัดสินใจ ส่วน Excel, SQL, R หรือ Dashboard เป็นเครื่องมือที่ช่วยให้เราทำสิ่งเหล่านั้นได้ง่ายขึ้น

พูดง่าย ๆ คือ เราควรรู้ก่อนว่าอยากได้คำตอบอะไร แล้วค่อยเลือกเครื่องมือ ไม่ใช่เปิดโปรแกรมขึ้นมาก่อนแล้วค่อยคิดว่าจะวิเคราะห์อะไรดี เหมือนซื้อเครื่องครัวมาเต็มบ้าน แต่ยังไม่รู้เลยว่าจะทำเมนูอะไร 55555

2. มีข้อมูลแล้ว แต่เราเข้าใจมันจริงไหม?

ตอนเรียนเรื่อง Data เราจะเจอแนวคิดหนึ่งชื่อ DIKW Model ซึ่งย่อมาจาก Data, Information, Knowledge และ Wisdom ฟังชื่อแล้วเหมือนยาก แต่จริง ๆ มันอธิบายเรื่องใกล้ตัวมาก ลองเอาร้านค้าเมื่อกี้มาเป็นตัวอย่าง

Data — ข้อมูลดิบ

ยอดขายเดือนนี้ 850,000 บาท แล้วไงต่อ? 😂 คือมันเป็นแค่ตัวเลขหนึ่งตัว เรายังไม่รู้ด้วยซ้ำว่าขายดีหรือขายแย่

Information — ข้อมูลที่มีบริบท

พอรู้ว่าเดือนก่อนขายได้ 1,000,000 บาท เราก็เห็นแล้วว่าเดือนนี้ยอดขายลดลง 15% เริ่มมีอะไรให้คิดต่อแล้วใช่ไหม?

Knowledge — ความเข้าใจ

เราลองดูจำนวนคำสั่งซื้อแล้วพบว่าลดลง 15% เหมือนกัน แต่ยอดซื้อเฉลี่ยต่อบิลไม่เปลี่ยน ตอนนี้เราเริ่มเข้าใจแล้วว่ายอดขายที่ลดลงมาจากส่วนไหนของตัวเลข แต่ยังไม่รู้สาเหตุจริง ๆ ว่าทำไมจำนวนคำสั่งซื้อถึงลดลง

Wisdom — การนำความเข้าใจไปใช้ตัดสินใจ

แทนที่จะรีบลดราคาทั้งร้าน เราอาจเลือกตรวจข้อมูลสต็อก จำนวนคนเข้าร้าน หรือปัญหาการสั่งซื้อก่อน แล้วค่อยตัดสินใจว่าจะปรับอะไร

เห็นมั้ยยว่าข้อมูลเกือบทั้งหมดเป็นชุดเดิม แต่พอเราถามต่อเรื่อย ๆ มันเริ่มมีประโยชน์ขึ้นมา DIKW ไม่ใช่สูตรที่ทุกงานต้องทำตามเป๊ะ ๆ แต่ช่วยเตือนว่า มีข้อมูลเยอะ ไม่ได้แปลว่าเราเข้าใจมันแล้ว 🤣

3. ทำไมคำถามถึงสำคัญกว่าเครื่องมือ

สมมติหัวหน้าส่งไฟล์ Excel มาให้แล้วบอกว่า “ช่วยวิเคราะห์ยอดขายให้หน่อย” โอเค… แล้วจะให้วิเคราะห์อะไร? 55555

อยากรู้ว่าสินค้าไหนขายดี? ทำไมกำไรลดลง? หรือเดือนหน้าควรสั่งของเพิ่มเท่าไร? สามเรื่องนี้ใช้ข้อมูลไม่เหมือนกันเลย

ถ้าอยากรู้สินค้าขายดี เราอาจแค่จัดอันดับยอดขายด้วย Pivot Table ก็พอ แต่ถ้าอยากรู้ว่าทำไมกำไรลด เราต้องดูต้นทุน ส่วนลด และข้อมูลอื่นด้วย ส่วนถ้าจะวางแผนสต็อกเดือนหน้า ก็ต้องดูยอดขายย้อนหลังและความต้องการสินค้าประกอบกันอีก

เพราะฉะนั้นก่อนจะไปเปิด Excel หรือเขียน SQL เราควรถามให้ชัดก่อนว่า “สุดท้ายเรากำลังจะเอาคำตอบนี้ไปตัดสินใจเรื่องอะไร?”

เราว่าคำถามนี้สำคัญมาก เพราะบางทีเราทำงานถูกทุกขั้นตอนทางเทคนิค แต่กลับไม่ได้ตอบสิ่งที่คนต้องการจริง ๆ เสียเวลาฟรีเลย 🥲

4. Data Analytics 4 ประเภท ต่างกันตรงไหน?

เวลาอ่านเรื่อง Data Analytics มักเจอศัพท์ภาษาอังกฤษสี่คำนี้ Descriptive, Diagnostic, Predictive และ Prescriptive Analytics ชื่อคล้ายกันจนชวนจำสลับ แต่ถ้าจำเป็นคำถามจะง่ายกว่าเยอะ

ประเภท	คำถามที่ตอบ
Descriptive	เกิดอะไรขึ้น?
Diagnostic	ทำไมถึงเกิดขึ้น?
Predictive	ต่อไปอาจเกิดอะไรขึ้น?
Prescriptive	แล้วเราควรทำอะไร?

กลับมาที่ร้านของเรากันอีกครั้ง 🤗

Descriptive — เกิดอะไรขึ้น?

ยอดขายลดลง 15% จำนวนคำสั่งซื้อลดลง 300 รายการ จบ แค่นี้ก่อน เรารู้แล้วว่าเกิดอะไรขึ้น แต่ยังไม่รู้ว่าทำไม

Diagnostic — ทำไมถึงเกิดขึ้น?

คราวนี้ต้องสืบต่อ 🔎 ลองแยกยอดขายตามสินค้า สาขา หรือช่วงเวลา แล้วดูว่ามีอะไรเปลี่ยนไปบ้าง ถ้าพบว่าสินค้าขายดีหมดสต็อกในช่วงที่ยอดขายตก ก็อาจเป็นเบาะแสสำคัญ แต่ยังสรุปไม่ได้ทันทีนะว่าสต็อกหมดคือสาเหตุทั้งหมด ต้องตรวจปัจจัยอื่นด้วย

Predictive — ต่อไปอาจเกิดอะไรขึ้น?

ถ้ามีข้อมูลยอดขายย้อนหลัง เราอาจนำมาประมาณว่าเดือนหน้าสินค้ากลุ่มไหนน่าจะขายได้เท่าไร ร้านจะได้เตรียมของให้พอ แต่อย่าลืมว่าเป็นแค่การคาดการณ์ ไม่ใช่การมองเห็นอนาคต 55555

Prescriptive — แล้วควรทำอะไร?

สมมติเรามีงบซื้อสินค้าเพิ่มแค่ 100,000 บาท จะซื้อสินค้าตัวไหนดี? ตัวที่ขายดีที่สุด? ตัวที่กำไรสูงที่สุด? หรือสินค้าที่หมดบ่อย? คราวนี้ต้องเอาข้อมูลหลายด้านมาชั่งน้ำหนัก เพื่อเลือกวิธีที่เหมาะกับเป้าหมายและข้อจำกัดของร้าน

ทั้งสี่ประเภทไม่จำเป็นต้องใช้ครบทุกครั้ง บางคำถามใช้ตาราง Excel ธรรมดาก็ตอบได้แล้ว ไม่ต้องสร้าง Machine Learning ให้อลังการเสมอไป

5. จากโจทย์ธุรกิจไปถึงการลงมือทำ

ถ้ารู้แล้วว่าต้องเริ่มจากคำถาม แล้วเวลาทำงานจริงต้องทำอะไรบ้าง? มี Framework หนึ่งชื่อ CRISP-DM ชื่อเต็มคือ Cross-Industry Standard Process for Data Mining มันเป็นกรอบช่วยจัดกระบวนการทำงานกับข้อมูล มีอยู่ 6 ขั้นตอน

ขั้นตอน	เราทำอะไร?
1. Business Understanding	เข้าใจว่าธุรกิจมีปัญหาอะไร
2. Data Understanding	ดูว่ามีข้อมูลอะไรอยู่บ้าง
3. Data Preparation	เตรียมและตรวจสอบข้อมูล
4. Modeling	วิเคราะห์หรือสร้างแบบจำลอง
5. Evaluation	ตรวจผลว่าตอบโจทย์จริงไหม
6. Deployment	นำผลไปใช้จริง

ลองคิดภาพว่าเราได้รับโจทย์ยอดขายตกมา เริ่มแรกก็ต้องถามเจ้าของร้านก่อนว่าอยากรู้เรื่องอะไร เขาต้องการหาสาเหตุ หรืออยากให้ช่วยวางแผนเพิ่มยอดขาย? พอเข้าใจแล้วค่อยไปดูข้อมูล

แต่เปิดไฟล์มาเจอวันที่คนละรูปแบบ รหัสสินค้าซ้ำ บางรายการไม่มีข้อมูลต้นทุน… อ้าววว ยังวิเคราะห์ไม่ได้ ต้องจัดการข้อมูลก่อนอีก 😂

พอข้อมูลพร้อมแล้วจึงค่อยเริ่มวิเคราะห์ ตรวจผล และสรุปให้คนที่ต้องตัดสินใจเข้าใจ ถ้าระหว่างทางพบว่าข้อมูลไม่พอ ก็กลับไปเก็บเพิ่ม

มันไม่ได้เป็นเส้นตรงที่ต้องทำ 1 → 2 → 3 → 4 → 5 → 6 แล้วจบเสมอไป บางทีทำไปครึ่งทางถึงเพิ่งรู้ว่าข้อมูลสำคัญที่สุดไม่ได้ถูกเก็บไว้ตั้งแต่แรก ก็ต้องกลับไปเริ่มใหม่บางส่วน เป็นเรื่องปกติของงาน Data

6. Tesco Lotus ที่เราคุ้นเคย เกี่ยวอะไรกับ Data Analytics?

เพื่อน ๆ น่าจะรู้จัก เทสโก้ โลตัส (Tesco Lotus) กันใช่ไหม? ห้างที่เราเคยไปซื้อของกิน ของใช้ เดินเลือกของเข้าบ้านกันนี่แหละ บางคนอาจยังติดปากเรียกว่าเทสโก้ โลตัสอยู่เลย ทั้งที่ตอนนี้ชื่อ Lotus’s แล้ว 55555

Tesco เดิมเป็นบริษัทค้าปลีกจากอังกฤษ และเคยเป็นเจ้าของธุรกิจ Tesco Lotus ในประเทศไทยด้วย ต่อมา Tesco ขายธุรกิจในไทยและมาเลเซียให้กลุ่มซีพี โดยการซื้อขายเสร็จสิ้นเมื่อเดือนธันวาคม 2020 ก่อนที่แบรนด์ในไทยจะเริ่มเปลี่ยนเป็น Lotus’s ในปี 2021

แล้วมันเกี่ยวกับ Data Analytics ตรงไหน? เรื่องที่เราจะพูดถึงต่อไปเป็นกรณีของ Tesco ในสหราชอาณาจักร ไม่ใช่การวิเคราะห์ระบบสมาชิกของ Lotus’s ประเทศไทยในปัจจุบันนะ

Clubcard — บัตรสมาชิกที่ทำได้มากกว่าสะสมแต้ม

เวลาไปซื้อของในซูเปอร์มาร์เก็ต เราอาจชินกับการยื่นบัตรสมาชิกหรือกดเบอร์โทรศัพท์ก่อนจ่ายเงิน ส่วนใหญ่ก็คงคิดถึงแต้ม ส่วนลด หรือโปรโมชันก่อนเลย

แต่สำหรับธุรกิจค้าปลีก ข้อมูลธุรกรรมที่เชื่อมกับสมาชิกยังช่วยให้เข้าใจพฤติกรรมการซื้อได้ด้วย Tesco ในอังกฤษมีโปรแกรมสมาชิกชื่อ Clubcard และทำงานร่วมกับบริษัท dunnhumby ซึ่งเชี่ยวชาญด้าน Customer Data Science หรือการวิเคราะห์ข้อมูลลูกค้า

ลองคิดดูว่าถ้าร้านค้ามีรายการซื้อสินค้าจำนวนมาก จะมีคำถามอะไรที่น่าสนใจบ้าง ลูกค้ากลุ่มไหนชอบซื้อสินค้าประเภทใด? สินค้าไหนมักถูกซื้อร่วมกัน? โปรโมชันที่จัดไปเข้าถึงลูกค้ากลุ่มที่ต้องการจริงไหม? นี่คือตัวอย่างคำถามที่ข้อมูลธุรกรรมสามารถช่วยให้ธุรกิจศึกษาได้ ไม่ได้แปลว่า Tesco ใช้ข้อมูลตอบทุกคำถามนี้ด้วยวิธีเดียวกันทั้งหมด

จากข้อมูลการซื้อ สู่การตัดสินใจทางธุรกิจ

ในเดือนพฤศจิกายน 2021 Tesco เปิดตัวแพลตฟอร์ม Tesco Media and Insight ร่วมกับ dunnhumby แพลตฟอร์มนี้นำข้อมูลเชิงลึกเกี่ยวกับลูกค้ามาช่วยให้แบรนด์และคู่ค้าวางแผนการตลาด พัฒนาข้อเสนอให้เหมาะกับกลุ่มลูกค้า และประเมินผลแคมเปญได้ดีขึ้น

เราเลยชอบประเด็นนี้ เพราะมันย้อนกลับไปที่เรื่องแรกของบทความเลย ข้อมูลการซื้อสินค้าไม่ใช่จุดจบ แต่เป็นจุดเริ่มต้นของคำถามใหม่ ๆ

แน่นอนว่าการใช้ข้อมูลลูกค้าต้องคำนึงถึงความเป็นส่วนตัวและกฎเกณฑ์ที่เกี่ยวข้องด้วย ไม่ใช่ว่ามีข้อมูลแล้วจะนำไปทำอะไรก็ได้ และร้านค้าเล็ก ๆ ก็ไม่จำเป็นต้องมีระบบใหญ่เท่า Tesco ถึงจะเริ่มใช้ Data Analytics ได้

สมมติเรามีแค่รายงานยอดขายรายวันใน Excel ก็เริ่มตั้งคำถามได้แล้วว่า สินค้าไหนขายดี วันไหนลูกค้าน้อย หรือสินค้าประเภทไหนทำกำไรได้มากที่สุด บางทีคำตอบที่มีประโยชน์ที่สุด อาจไม่ได้มาจากข้อมูลเป็นล้านแถวด้วยซ้ำ

แหล่งข้อมูล: Tesco — การขายธุรกิจในไทยและมาเลเซีย (2020), Tesco Media and Insight (2021)

7. Insight ที่ดีควรพาเราไปถึงไหน?

อีกคำที่ได้ยินบ่อยในสาย Data คือ Insight บางทีเราเห็นรายงานเขียนว่า “ยอดขายลดลง 15%” แล้วก็เรียกว่า Insight คือ… มันก็เป็นข้อมูลที่มีประโยชน์นะ แต่ยังไม่ได้ช่วยให้เราเข้าใจปัญหามากเท่าไร

ถ้าเปลี่ยนเป็น “ยอดขายลดลง 15% โดยจำนวนคำสั่งซื้อลดลงในสัดส่วนเดียวกัน ขณะที่ยอดซื้อเฉลี่ยต่อบิลยังเท่าเดิม” อันนี้เริ่มดีขึ้นและ เพราะเราเห็นแล้วว่ายอดขายที่ลดลงมาจากองค์ประกอบไหน 👏

แต่ก็ยังมีคำถามต่ออยู่ดี ทำไมจำนวนคำสั่งซื้อถึงลดลง? เรายังตอบไม่ได้

แทนที่จะรีบสรุปว่าเป็นเพราะลูกค้าหายไป เราอาจเสนอให้ตรวจข้อมูลจำนวนผู้เข้าร้าน สินค้าขาดสต็อก และปัญหาการสั่งซื้อเพิ่มเติมก่อน

ฟังดูเหมือนยังตอบไม่จบใช่ไหม? แต่เราว่าการบอกว่า “ข้อมูลตอนนี้ยังไม่พอจะสรุปสาเหตุ” ไม่ใช่เรื่องเสียหน้าเลย มันดีกว่าการฟันธงผิด ๆ แล้วทำให้คนอื่นเอาไปตัดสินใจต่อจนเกิดความเสียหาย

Insight ที่ดีจึงไม่จำเป็นต้องเป็นประโยคที่ฟังดูฉลาดมาก ๆ แค่ทำให้คนอ่านเข้าใจสถานการณ์ดีขึ้น และรู้ว่าควรตรวจอะไรหรือทำอะไรต่อ ก็มีคุณค่าแล้วววว 👍

8. ก่อนเริ่มวิเคราะห์ ลองถามตัวเองแบบนี้

ถ้าวันหนึ่งมีคนส่ง Excel มาให้เพื่อน ๆ แล้วบอกว่า “ช่วยวิเคราะห์ข้อมูลให้หน่อย” อย่าเพิ่งรีบสร้างกราฟนะ 55555

ลองถามก่อนว่าเรากำลังแก้ปัญหาอะไร อยากรู้คำตอบเรื่องไหน และข้อมูลที่มีตอบคำถามนั้นได้จริงไหม ถ้ายังไม่รู้ว่าต้องตัดสินใจอะไร ก็กลับไปคุยกับคนให้โจทย์ก่อน

ถ้าข้อมูลไม่ครบ ก็บอกว่าข้อมูลไม่ครบ ถ้าผลที่ได้ยังเป็นแค่สมมติฐาน ก็อย่าเพิ่งสรุปว่าเป็นข้อเท็จจริง และถ้าใช้ Pivot Table ธรรมดาก็ตอบได้แล้ว ก็ไม่ต้องเขียนโค้ดซับซ้อนให้เหนื่อยเปล่า

เราอาจจะคุ้นกับภาพ Data Analyst ที่ต้องเก่งเครื่องมือหลายอย่าง แต่เครื่องมือเป็นแค่ส่วนหนึ่งของงานเท่านั้น สิ่งที่ยากไม่แพ้กันคือการรู้ว่า ต้องถามอะไรจากข้อมูล และควรเชื่อคำตอบนั้นมากแค่ไหน

บางทีคำถามดี ๆ หนึ่งข้อ อาจช่วยประหยัดเวลาทำกราฟไปได้หลายชั่วโมงเลยก็ได้ 🙂

ถ้าเพื่อน ๆ เพิ่งเริ่มเรียน Data แล้วรู้สึกว่ามีเรื่องให้จำเยอะไปหมด เราเคยเขียนเรื่อง Learning How to Learn — เรียนยังไงให้จำและนำไปใช้ได้จริง ไว้ด้วย เผื่อช่วยจัดวิธีเรียนให้ไม่เหนื่อยเกินไป 🙂

แหล่งอ้างอิง

• DataRockie Bootcamp 13 — Intro to Data Science
• IBM — CRISP-DM Help Overview
• Tesco PLC — Tesco completes sale of Thailand and Malaysia businesses
• Tesco PLC — Tesco Media and Insight Platform

หมายเหตุ: ร้านค้าและตัวเลขยอดขายในตัวอย่างหลักเป็นข้อมูลสมมติสำหรับการเรียนรู้ ไม่ใช่ข้อมูลจากธุรกิจจริงนะจ้ะ