‘โหราศาสตร์ กับ วิทยาศาสตร์’ ฟังดูแล้วเหมือนเป็นเส้นขนานที่ไม่มีวันมาบรรจบกันได้ แต่รู้หรือไม่ว่าศาสตร์การวิเคราะห์ข้อมูล Data Analytics ที่ใช้กันอย่างแพร่หลายในยุคนี้แท้จริงแล้วมีรากเหง้าเดียวกับ ‘โหราศาสตร์’ !

ย้อนกลับไปในอดีต โหราศาสตร์ คือ ศาสตร์ของการทำนายที่จะศึกษารูปแบบพฤติกรรมของมนุษย์และเก็บข้อมูลอย่างเป็นระบบ ว่ามนุษย์ที่มีช่วงเวลาตกฟาก ราศี สถานที่เกิด ลักษณะนิสัย หรือความชอบเช่นนี้ มักจะมีพฤติกรรมเช่นใด โดยเมื่อการศึกษาลักษณะของมนุษย์แต่ละประเภทเริ่มเจาะลึกถึงรายละเอียดมากขึ้น จึงเกิดเป็นฐานข้อมูลขนาดใหญ่ที่ช่วยให้การประเมินสถิติและความน่าจะเป็นเพื่อนำมาสรุปเป็นคำทำนายมีความแม่นยำมากขึ้น แต่เมื่อโหราศาสตร์มีหลักการทำงานที่ไม่แตกต่างจากศาสตร์ Data Analytics เหตุใดศาสตร์ดังกล่าวจึงถือกำเนิดขึ้น

“Data Analytics คือ การจัดการข้อมูลจำนวนมหาศาลให้อยู่ในสภาพพร้อมใช้งาน
เริ่มตั้งแต่การเก็บรวบรวมและจัดกลุ่มข้อมูล
โดยอาจมีการแปลงข้อมูลให้เป็นภาพเพื่อให้ง่ายต่อการทำความเข้าใจ
จากนั้นจึงนำข้อมูลไปวิเคราะห์ และนำไปใช้ประโยชน์ในด้านต่างๆ”

ศาสตร์ Data Analytics เกิดขึ้นได้เพราะปัจจุบันมนุษย์มีลักษณะเฉพาะตัวที่เป็นปัจเจกมากขึ้น และยังอาศัยอยู่ในโครงสร้างสังคมที่มีความซับซ้อน ดังนั้นหากจะวิเคราะห์ข้อมูลให้มีความแม่นยำจำเป็นต้องเพิ่มเกณฑ์ในการวิเคราะห์ อาทิ วิสัยทัศน์ และเป้าหมายในการดำเนินชีวิต เพื่อให้จำแนกมนุษย์แต่ละประเภทออกจากกันได้อย่างละเอียด และสามารถนำข้อมูลด้านพฤติกรรมนั้นไปใช้ประโยชน์ต่อได้ โดยเฉพาะทางด้านการตลาด เพราะการวิเคราะห์ข้อมูลของลูกค้าทั้งในอดีตและปัจจุบัน  จะทำให้บริษัท – ห้างร้านต่างๆ ทำนายพฤติกรรมของลูกค้าในอนาคตได้อย่างแม่นยำมากขึ้น และสามารถพัฒนาแคมเปญทางการตลาดเพื่อตอบสนองความต้องการของลูกค้าได้ตรงจุด

โดยการทำ Data Analytics นั้นแบ่งออกเป็น 4 รูปแบบ แต่ละรูปแบบจะมีความแตกต่างกันไป และอาจไม่ได้เหมาะสมกับธุรกิจทุกประเภท ดังนั้นธุรกิจจำเป็นต้องทำความเข้าใจว่าการวิเคราะห์แต่ละรูปแบบเป็นอย่างไร เพื่อนำไปพัฒนาประสิทธิภาพการดำเนินงานให้เหมาะสมกับประเภทธุรกิจ เพราะยิ่งใช้รูปแบบการวิเคราะห์ที่ซับซ้อนมากขึ้น ต้นทุนการวิเคราะห์ก็จะเพิ่มขึ้นด้วย

1) Descriptive Analytics (การวิเคราะห์เชิงพรรณนา) เป็นการวิเคราะห์ข้อมูลดิบจากหลายแหล่ง เพื่อตอบคำถามว่าเกิดอะไรขึ้นบ้างในอดีต เพื่อช่วยให้ธุรกิจวางเป้าหมายในอนาคตได้อย่างถูกต้อง เช่น การคำนวณยอดขายรายเดือน หรือจำนวนลูกค้าในปัจจุบัน แต่ไม่แนะนำให้บริษัทที่มีข้อมูลจำนวนมากใช้การวิเคราะห์รูปแบบนี้ เพราะจะทำให้การวิเคราะห์เกิดความซับซ้อนมากขึ้น

2) Diagnostics Analytics (การวิเคราะห์เชิงวินิจฉัย) เป็นการนำข้อมูลที่เก็บรวบรวมมาตอบคำถามว่าทำไมสิ่งนั้นจึงเกิดขึ้น โดยจะวิเคราะห์ถึงสาเหตุของปัญหาและกระบวนการต่างๆ มักใช้กับข้อมูลเชิงลึกที่มีความเฉพาะเจาะจงสูง เช่น การประเมินว่าแต่ละโปรโมชันส่งผลอย่างไรต่อจำนวนลูกค้า

3) Predictive analytics (การวิเคราะห์เชิงทำนาย) เป็นการนำข้อมูลจากการวิเคราะห์ด้วย 2 ขั้นตอนข้างต้นมาทำนายสิ่งที่น่าจะเกิดขึ้นในอนาคต พร้อมทั้งอธิบายถึงสาเหตุที่เป็นเช่นนั้น เช่น การประมาณการยอดขายในเดือนถัดไป

4) Prescriptive Analytics (การวิเคราะห์เชิงให้คำแนะนำ) เป็นการกำหนดสิ่งที่ต้องดำเนินการ เพื่อจัดการกับปัญหาในอนาคตหรือระบุแนวโน้มของเทรนด์ต่างๆ ที่อาจเกิดขึ้นได้ จึงจำเป็นต้องใช้เครื่องมือและเทคโนโลยีขั้นสูงในกระบวนการวิเคราะห์ เช่น การบริหารจัดการสต็อกโดยมีเงื่อนไขว่าต้องใช้ต้นทุนต่ำที่สุด แต่สร้างผลกำไรสูงสุด

ในยุคดิจิทัลที่ข้อมูลมีค่ามหาศาลต่อการดำเนินธุรกิจ หากรู้จักเลือกใช้รูปแบบการวิเคราะห์ข้อมูลที่เหมาะสมกับตนเอง ก็จะทำให้ธุรกิจยังสามารถอยู่รอดได้ท่ามกลางการแข่งขันอันรุนแรง