Data memes EP.02
ไปให้สุด…แล้วหยุดที่มีม Part 2 มาแล้วครับ อยากที่เราบอกไปว่าในช่วงหลังของปีนี้จะเน้นเนื้อหาทางด้าน Data Science เป็นหลัก แต่เรื่อง Data Analytics ก็เป็นทักษะที่สำคัญที่เราทิ้งไปไม่ได้ ดังนั้น Memes วันนี้จะเกี่ยวข้องกับ Data Analytics โดยเฉพาะ เพื่อจะได้ทบทวนความรู้และได้มุมมองใหม่ๆเกี่ยวกับการวิเคราะห์ข้อมูลกัน
***กฏก็เช่นเคยนะครับ ขอให้ทุกคนอย่าคิดมากและสนุกกับเนื้อหาแทนนะครับ เพราะmemesส่วนใหญ่เนื้อหาค่อนข้างแรงและออกแนวเสียดสี🙂***
นี่คือสิ่งที่คนส่วนใหญ่คิดเมื่อเราทำงาน Data Analyst
ถ้าถามว่าประโยคนี้ถูกต้องหรือไม่? คำตอบก็คือไม่ถูกต้องทั้งหมดนะครับ โดยเฉพาะสิ่งที่ตัวเองทำจริงๆ มันไม่ได้ง่ายขนาดในรูปนะ เพราะงาน Data ทุกแขนงก็มีความท้าทายที่แต่ต่างกันไป ขึ้นอยู่กับองค์กรและความรับผิดชอบของแต่ละงานที่ได้รับ แต่เพื่อน ญาติ หรือคนอื่นๆอาจจะมองว่าเราเป็น Expert ก็ไม่แปลกเพราะทักษะของงานด้าน Data ส่วนใหญ่จะเป็นทักษะแบบ Technical (โปรแกรมที่ใช้ในการทำงานก็ต้องมากกว่า 1 โปรแกรมอยู่แล้ว อย่างตอนนี้ผมก็จะใช้ stack อย่าง Excel, Tableau, SPSS และ Python) ทำให้คนอื่นอาจจะรู้สึกได้ว่าเราทำอะไรได้หลายๆอย่าง
Data Analyst vs Data Scientist (1)
DS: “ฉันคิดว่าโมเดลของนายก็ดี แต่ติดตรงที่มันห่วย นายเอาข้อมูลมาให้ฉันทำโมเดลดีกว่า”
DA: “Wow…”
โดยส่วนใหญ่แล้ว Data Scientist จะเป็นคนรับผิดชอบในการสร้างโมเดลเพื่อการทำนายผลลัพธ์ที่จะเกิดขึ้นในอนาคต (Data Prediction) ซึ่งถ้าหากองค์กรไหนที่มี Data Scientist อยู่แล้วก็มักจะให้ Data Analyst อย่างเราวิเคราะห์ข้อมูลปัจจุบันเพียงอย่างเดียว แต่รู้ไหมว่า Data Analyst ก็สามารถช่วยเหลือ Data Scientist ในการทำงาน Prediction ได้เช่นกัน อย่างการช่วยกำหนดโจทย์ที่อาจจะเป็นที่ต้องการของลูกค้าจากการวิเคราะห์ข้อมูล, Validate ข้อมูลก่อนที่จะนำเข้าโมเดล, กำหนด Key Metrics ที่เหมาะสมกับที่ลูกค้าต้องการ เป็นต้น เพราะ Data Analyst นั้นจะเข้าใจสภาพแวดล้อมของข้อมูลมากกว่า
เราควรจะเชื่อในข้อมูล…หรือเชื่อในสัญชาตญาณของเราดีนะ?
บางครั้งเราก็รู้สึกไม่ Make Sense กับข้อมูล แต่ขอให้ทุกคนจำหลักการไว้เสมอเลยนะครับว่า ข้อมูลถูกเสมอ นี้เป็นเหตุผลที่ผมชอบทำงานกับข้อมูล เพราะข้อมูลคือข้อเท็จจริง (Fact) เว้นแต่เพียงกรณีเดียวนั้นคือ ข้อมูลที่ผิดตั้งแต่แรกเริ่ม เช่น วิธีการเก็บไม่เหมาะสม หรือ key in ไม่ถูกต้อง แต่เมื่อข้อมูลผ่านการ Validate มาแล้ว เราจะต้องตัดสินใจจากข้อมูลที่ได้เท่านั้น ห้ามพยายามบิดเบือน (ด้วยสัญชาตญาณ) เด็ดขาด!!
Mark vs Santa ?
หากเราต้องการรู้ว่าการวิเคราะห์ข้อมูลนั้นมีประโยชน์(หรือจะเรียกว่าโทษดี)ขนาดไหน หนึ่งใน Data Crisis ที่เราควรจะรู้ไว้เป็นตัวอย่างเลยก็คือ Facebook–Cambridge Analytica ที่ข้อมูลของผู้ใช้งาน Facebook หลุดรั่วไปให้กับบริษัทวิเคราะห์ชื่อดังอย่าง Cambridge Analytica ที่กำลังวิเคราะห์ผลของการเลือกตั้งในปี 2016 ทำให้บริษัท Cambridge Analytica ใช้ข้อมูลดังกล่าวเพื่อเปลี่ยนแปลงพฤติกรรมของผู้ใช้งาน Facebook ให้พวกเขามาเลือก Donald Trump กัน ซึ่งนั้นเป็นสิ่งที่ผิดจริยธรรมทางด้านข้อมูล แต่มันก็บ่งบอกได้ว่าการมีข้อมูลมากก็สามารถมีอิทธิพลได้มากเช่นกัน จึงทำให้ Meme นี้เกิดขึ้นมา (Mark รู้ทุกอย่าง และสามารถขายข้อมูลให้บริษัทอื่นได้ด้วย😆)
Data Analyst vs Data Scientist (2)
Scene A (ด้านบน)
Presentator: “เราต้องการเงิน 100 ล้านเพื่อเพิ่มยอดขาย 5%”
Commentator: “เราไม่เห็นว่าการขายน้ำผลไม้จะดีต่อธุรกิจยังไง ?”
Scene B (ด้านล่าง)
Presentator: “ผมบอกคุณไปรึยังว่าเราใช้ AI ปั่นน้ำผลไม้ ?”
Commentator: “เอาเงินไปเลย!!!”
สุดท้ายเป็นเรื่องสุดเศร้าของ Data Analyst ที่ปัจจุบันคนให้ความสำคัญกับปัญญาประดิษฐ์ (Artificial Intelligence: AI)ซะมากกว่าการวิเคราะห์ข้อมูลทั่วไป แต่ Data Analyst ก็ไม่ต้องน้อยใจไปนะครับ เพราะความจริงแล้วคนส่วนใหญ่อาจจะไม่เข้าใจเลยว่าไม่ใช่ทุกประเภทธุรกิจจะมี AI ได้ บางธุรกิจ AI มีหน้าที่เพียงช่วยเหลือธุรกิจให้ทำงานได้สะดวกสบายยิ่งขึ้นเท่านั้น แต่ Core Business จริงๆจะต้องหวังพึ่งการวิเคราะห์ทั่วไปของ Data Analyst อยู่
AI สำหรับใครหลายคนแล้วยังถือว่าเป็นเรื่องใหม่และหลายท่านก็คงนำมันมาใช้ให้เป็นบริการเสริม (Additional Service) เช่น การทำนายยอดขาย, การแบ่งกลุ่มลูกค้า เป็นต้น หรือถ้าเป็นธุรกิจที่มีเป้าหมายในการนำ AI มาใช้จริงๆ เช่น ทำแชทบอท, รถยนต์ขับเคลื่อนอัตโนมัติ งานเหล่านี้จะให้ความสำคัญกับ Data Scientist ที่มีความชำนาญด้าน AI มากกว่า
ถ้าชอบหรือต้องการสอบถามหรือพูดคุยเพิ่มเติม กดไปที่เพจ ดาต้าไส้แห้ง หรือ LinkedIn ข้างล่างเลยจ้า แล้วเรื่องถัดไปจะเป็นเรื่องอะไรก็ขอให้กดติดตามกันไว้ด้วยนะคร้าบ😍