หลากหลายธุรกิจได้รับข้อมูลมากขึ้นและมากขึ้นเรื่อย ๆ จากกลุ่มลูกค้าปัจจุบันและกลุ่มลูกค้าที่มีแนวโน้มที่จะซื้อ : เมื่อใดก็ตามที่เราคลิกบนเว็บไซต์ เพื่อดูตัวอย่าง สิ่งเหล่านี้ก็ถูกบันทึกลงในฐานข้อมูลของผู้ขายได้ และเมื่อใดก็ตามที่เราใช้บัตรประจำตัวอิเล็กทรอนิกส์ในการเข้าถึงระบบขนส่งสาธารณะหรือบริการอื่น ๆ อาจทำให้การเดินทางระหว่างเมืองของเราอาจจะได้รับการวิเคราะห์
ในอนาคตอันใกล้ สิ่งต่าง ๆ สามารถเชื่อมต่อกันได้ เช่น รถยนต์และเครื่องใช้ไฟฟ้า จะสร้างข้อมูลอย่างต่อเนื่อง ซึ่งจะให้ข้อมูลเชิงลึกที่เป็นประโยชน์เกี่ยวกับความชื่นชอบของผู้ใช้งาน นิสัยส่วนตัว และอื่น ๆ โดยบริษัทจะได้เรียนรู้มากมายจากเหล่าผู้ใช้งานและพฤติกรรมการใช้งานผลิตภัณฑ์ของพวกเขา และกระบวนการเรียนรู้นี้เอง จะช่วยให้พวกเขาโฟกัสเฉพาะกลุ่มและปรับปรุงผลิตภัณฑ์ของตนตามความคาดหวังและโปรไฟล์ของลูกค้า
ยกตัวอย่างเช่น บริษัทประกันภัยจะคอยสอดส่องว่า ผู้ขับขี่ขณะขับรถยนต์ที่เชื่อมต่ออินเตอร์เน็ต (connected cars) มีพฤติกรรมอย่างไร เพื่อปรับเบี้ยประกันภัยตามความเสี่ยงที่พวกเขารับรู้ หรือทำการวิเคราะห์พฤติกรรมการขับขี่เพื่อให้คำแนะนำแก่ผู้ขับขี่ถึงวิธีการเพิ่มประสิทธิภาพการใช้เชื้อเพลิง โดยไม่จำเป็นต้องทำแบบสำรวจอย่างเป็นทางการ เนื่องจากลูกค้าจะถูกได้รับการสำรวจอย่างต่อเนื่อง
มาดูเครื่องมือทางสถิติที่เราสามารถใช้เพื่อสร้างและวิเคราะห์โปรไฟล์ของลูกค้า สร้างการเชื่อมโยงความคาดหวังต่าง ๆ รวมทั้งศึกษาความคาดหวังที่เกี่ยวข้องกัน และอื่น ๆ ฉันจะโฟกัสไปที่เครื่องมือการวิเคราะห์หลายตัวแปร (multivariate tools) ซึ่งเป็นวิธีที่มีประสิทธิภาพมากในการวิเคราะห์ข้อมูลที่ได้จากการสำรวจและจัดการกับตัวแปรจำนวนมาก โดยวัตถุประสงค์ของฉัน คือ การจัดเตรียมภาพรวมทั่วไปในระดับสูงของเครื่องมือทางสถิติที่อาจใช้ในการวิเคราะห์ข้อมูลที่ได้จากการสำรวจ
ตัวอย่างง่าย ๆ ของการวิเคราะห์หลายตัวแปร (Multivariate Analysis)
มาเริ่มต้นด้วยตัวอย่างง่าย ๆ กันเถอะ ตารางด้านล่างนี้แสดงข้อมูลที่ลูกค้าจำนวนหนึ่งได้แบ่งปันความคิดเห็นเกี่ยวกับความชื่นชอบในอาหารประเภทต่าง ๆ ที่เลือกไว้ดังนี้ :
การดูตารางแบบธรรมดา ๆ ไม่ได้ช่วยให้เราเข้าใจความชื่นชอบได้ง่ายขึ้นหรอก ดังนั้นเราจึงใช้ Simple Correspondence Analysis ซึ่งเป็นหนึ่งในเครื่องมือหลายตัวแปรทางสถิติ (multivariate statistical tool) เพื่อแสดงสิ่งที่คาดหวังได้อย่างชัดเจน
ในโปรแกรม Minitab ไปที่เมนู Stat > Multivariate > Simple Correspondence Analysis… และป้อนข้อมูลของคุณตามที่แสดงใน dialog box ด้านล่าง (แล้วให้คลิกที่ “Graphs” และทำเครื่องหมายที่ช่อง “Symmetric plot showing rows and columns”)
โปรแกรม Minitab สร้างกราฟต่อไปนี้:
เมื่อดูจากกราฟแล้ว เราจะเห็นได้อย่างรวดเร็วว่า ผัก (Vegetables) มีแนวโน้มที่จะเกี่ยวข้องกับ “ไม่ชื่นชอบ (Disagree)” (ตำแหน่งใกล้กัน เมื่อเทียบกับตำแหน่งอื่น ๆ ในกราฟ) และ ไอศกรีม (Ice cream) อยู่ในตำแหน่งที่ใกล้กับ “เฉย ๆ (Neutral)” (ทั้งสองมีความเกี่ยวข้องกัน) ส่วนเนื้อสัตว์ (Meat) และมันฝรั่ง (Potatoes) กลุ่มลูกค้ามีแนวโน้มที่จะ “ชื่นชอบ (Agree)” หรือ “ชื่นชอบอย่างมาก (Strongly agree)”
ตอนนี้เราเข้าใจความชื่นชอบของกลุ่มลูกค้ามากขึ้นแล้ว เพราะเรารู้ว่าพวกเขาชอบและไม่ชอบอะไร
การเลือกประเภทเครื่องมือที่เหมาะสมเพื่อวิเคราะห์ข้อมูลที่ได้จากการสำรวจ
มีเครื่องมือการวิเคราะห์หลายตัวแปร (multivariate tools) ให้เลือกใช้มากมาย แล้วคุณจะเลือกเครื่องมือที่เหมาะสมในการวิเคราะห์ข้อมูลที่ได้จากการสำรวจได้อย่างไร?
แผนภาพต้นไม้ตัดสินใจด้านล่างนี้ แสดงวิธีการเลือกเครื่องมือตามวัตถุประสงค์และประเภทของข้อมูลที่คุณมี ยกตัวอย่างเช่น เราเลือก correspondence analysis ในตัวอย่างก่อนหน้านี้ เนื่องจากตัวแปรทั้งหมดของเรามีลักษณะเป็นแบบจัดกลุ่ม (Categorical) หรือข้อมูลเชิงคุณภาพ (Qualitative)
ข้อมูลแบบจัดกลุ่ม (Categorical Data) และการทำนายของสมาชิกกลุ่ม (กิ่งด้านขวามือ)
Clustering
หากคุณมีข้อมูลที่เป็นตัวเลข (หรือข้อมูลแบบต่อเนื่อง) และต้องการทำความเข้าใจว่า กลุ่มลูกค้าของคุณถูกจัดกลุ่มได้อย่างไร หรือถูกรวม (จากมุมมองทางสถิติ) เป็นกลุ่ม ๆ ที่มีลักษณะเดียวกัน (homogeneous groups) ได้อย่างไร คุณสามารถใช้เทคนิค Clustering ซึ่งอาจเป็นประโยชน์ในการกำหนดโปรไฟล์และกลุ่มลูกค้า
Discriminant Analysis or Logistic Regression (Scoring)
หากข้อมูลของคุณอยู่คนละกลุ่ม และคุณต้องการเข้าใจว่า ตัวแปรใดมีความสำคัญในการกำหนดกลุ่มของลูกค้า หรือทำนายข้อมูลใหม่ตามสมาชิกกลุ่ม คุณสามารถใช้ discriminant analysis หรือ binary logistic regression (หากคุณมีเพียงแค่ 2 กลุ่ม)
Correspondence Analysis
ดังที่เราเห็นในตัวอย่างแรก correspondence analysis ช่วยให้เราศึกษาความสัมพันธ์ระหว่างตัวแปรที่เป็นข้อมูลแบบจัดกลุ่ม (Categorical Data) / ข้อมูลเชิงคุณภาพ (Qualitative Data)
การวิเคราะห์ข้อมูลเชิงตัวเลขหรือข้อมูลแบบต่อเนื่อง (กิ่งด้านซ้ายมือ)
Principal Component Analysis or Factor Analysis
หากตัวแปรทั้งหมดของคุณเป็นตัวเลข คุณสามารถใช้ principal components analysis เพื่อทำความเข้าใจว่า ตัวแปรหนึ่งมีความเกี่ยวข้องกันกับอีกตัวแปรหนึ่งได้อย่างไร ส่วน Factor analysis อาจมีประโยชน์ในการระบุปัจจัยพื้นฐานหรือปัจจัยที่ไม่รู้จักที่เกี่ยวข้องกับตัวแปรของคุณ
Item Analysis
เครื่องมือนี้สร้างขึ้นเพื่อการวิเคราะห์ข้อมูลที่ได้จากการสำรวจโดยเฉพาะ รายการสำรวจมีการประเมินลักษณะที่คล้ายคลึงกันหรือไม่? รายการใดแตกต่างจากคำถามที่เหลืออยู่ โดยมีวัตถุประสงค์ เพื่อประเมินความสอดคล้องภายในแบบสำรวจ
การคำนวณต้องใช้ความพยายามอย่างมาก แต่การวิเคราะห์หลายตัวแปร (multivariate analyses) เหล่านี้ในโปรแกรม Minitab นั้นใช้งานง่ายมาก และสร้างกราฟที่เข้าใจได้ง่าย (ตามตัวอย่างด้านบนเกี่ยวกับความชื่นชอบอาหาร)
ดูให้ละเอียดที่เครื่องมือการวิเคราะห์หลายตัวแปร (multivariate tools) เฉพาะบางเครื่องมือ
มาดูเครื่องมือสำหรับการวิเคราะห์ข้อมูลการสำรวจเชิงตัวเลขให้ละเอียดกันดีกว่า รูปภาพด้านล่างแสดงเครื่องมือที่คุณสามารถใช้ได้และวัตถุประสงค์ในแต่ละกรณี วิธีการเหล่านี้มักใช้เพื่อจัดกลุ่มตัวแปรที่เป็นตัวเลขตามความคล้ายคลึงกัน นอกจากนี้ยังอาจมีประโยชน์ในการศึกษาว่าข้อมูลถูกจัดตำแหน่งตามกลุ่มตัวแปรหลักอย่างไร เพื่อระบุโปรไฟล์ของลูกค้า
และตอนนี้ มาดูเครื่องมือที่เราสามารถใช้วิเคราะห์ข้อมูลที่มาจากการสำรวจแบบจัดกลุ่มอย่างละเอียดยิ่งขึ้นกัน อีกครั้ง รูปภาพด้านล่างแสดงเครื่องมือที่คุณมีและวัตถุประสงค์ของเครื่องมือเหล่านั้น ซึ่งเครื่องมือต่าง ๆ ใช้เพื่อศึกษาว่าตัวแปรตัวเลขสัมพันธ์กับกลุ่มข้อมูลเชิงคุณภาพได้อย่างไร
บทสรุป
นี่เป็นภาพรวมทั่วไปของเครื่องมือหลายตัวแปร (multivariate tools) สำหรับการวิเคราะห์ข้อมูลที่ได้จากการสำรวจ หากคุณต้องการเจาะลึกและเรียนรู้เพิ่มเติมเกี่ยวกับเทคนิคเหล่านี้ คุณสามารถค้นหาได้จากแหล่งข้อมูลบนเว็บไซต์ Minitab หรือผ่านเมนู Help ในโปรแกรมสำเร็จรูปสถิติ Minitab หรือคุณสามารถติดต่อทีมสนับสนุนด้านเทคนิคของเรา
บทความต้นฉบับ : Using Multivariate Statistical Tools to Analyze Customer and Survey Data
ต้นฉบับนำมาจาก Minitab blog, แปลและเรียบเรียงโดยรัฐพงษ์ ยอดสีมา,
บริหารจัดการ SCM Blog โดยชลทิชา จำรัสพร บริษัท โซลูชั่น เซ็นเตอร์ จํากัด ตัวแทน Minitab ในประเทศไทย
เพิ่มเติมเกี่ยวกับบริษัท Minitab
Minitab ช่วยให้บริษัทและองค์กรต่างๆ สามารถมองเห็นแนวโน้มของข้อมูล, แก้ปัญหาและค้นพบประเด็นสำคัญจากข้อมูลเชิงลึก โดยนำเสนอชุดโซลูชั่นที่ครอบคลุมทุกด้านและดีที่สุดสำหรับซอฟต์แวร์ในระดับเดียวกัน ที่ใช้สำหรับการวิเคราะห์ข้อมูลและการปรับปรุงกระบวนการ
ด้วยวิธีการที่เป็นเอกลักษณ์ และการนำเสนอซอฟต์แวร์และบริการแบบองค์รวม Minitab ช่วยให้องค์กรเข้าถึงกระบวนการตัดสินใจในส่วนที่ช่วยผลักดันให้เกิดความเป็นเลิศทางธุรกิจได้ดีขึ้น ความง่ายในการใช้งานที่โดดเด่นกว่าใครมีส่วนช่วยให้ Minitab สามารถทำให้การเข้าถึงข้อมูลเชิงลึกเป็นเรื่องที่ง่าย ทีมงานของ Minitab ซึ่งประกอบด้วยผู้เชี่ยวชาญทางด้านการวิเคราะห์ข้อมูลที่ได้ผ่านการอบรมมาเป็นอย่างเข้มงวด จะช่วยให้ผู้ใช้งานมั่นใจว่าจะได้รับประโยชน์สูงสุดจากการใช้งานวิเคราะห์ข้อมูลและพร้อมที่จะให้คำปรึกษาตลอดเวลาที่ใช้งานเพื่อนำไปสู่การตัดสินใจที่ดีขึ้น รวดเร็ว และแม่นยำ
เป็นเวลากว่า 50 ปีที่ Minitab ได้ช่วยองค์การต่าง ๆ เพิ่มรายได้ ควบคุมและลดต้นทุน เพิ่มคุณภาพ เสริมสร้างความพึงพอใจของลูกค้า และเพิ่มประสิทธิภาพ ธุรกิจและองค์นับหมื่นทั่วโลกใช้ Minitab Statistical Software®, Companion by Minitab®, Minitab Workspace®, Salford Predictive Modeler® and Quality Trainer® เป็นเครื่องมือช่วยในการค้นพบและปรับปรุงความบกพร่องในกระบวนการ