1. ค้นหาความสัมพันธ์ระหว่างข้อมูล

2. สร้างกราฟแสดงข้อมูล

3. คำนวณค่าเฉลี่ยของข้อมูล

4. ตรวจสอบความถูกต้องของข้อมูล

1. ทุกคนสามารถสร้างสรรค์และเผยแพร่บทความ รูปภาพ วีดีโอ รีวิว (User-generated content) ได้ง่ายขึ้น

2. การใช้งานแอปหรือเว็บไซต์ที่มีการเก็บข้อมูลการใช้งานของเราอยู่ตลอดเวลา

3. อุปกรณ์ที่ใช้เซ็นเซอร์เก็บข้อมูลและมีการเชื่อมต่อกับอินเทอร์เน็ตเพื่อแลกเปลี่ยนข้อมูล (Internet of Things) แพร่หลายมากขึ้น

4. จำนวนสื่อสิ่งพิมพ์ นิตยสาร หนังสือพิมพ์เพิ่มมากขึ้นเพื่อตอบสนองรูปแบบการใช้ชีวิตของคนรุ่นใหม่

1. การเลือก Metics ควรเป็นหน้าที่ของฝ่ายธุรกิจ ไม่ใช่ความรับผิดชอบของ Data Scientist

2. Metrics ที่ดีควรจะบอกให้เรารู้ว่าควรจะทำอะไรเมื่อตัวเลขเพิ่มขึ้นหรือลดลง (Actionable)

3. คุณสมบัติทางสถิติของ Metrics ที่ดีคือ ไม่แปรปรวนเกินไป (Noisy) และไม่เปลี่ยนแปลงยากจนเกินไป (Insensitive)

4. เราควรใช้ Metrics เพียงตัวเดียวในการวัดผล เพื่อความชัดเจนในการตัดสินใจ

1. Active use: จำนวนผู้ใช้งานแอปพลิเคชั่นที่ใช้งานอยู่ โดยบ่งบอกถึงจำนวนผู้ใช้ที่กลับมาใช้งานแอปพลิเคชั่น และแสดงถึงความน่าสนใจของแอปพลิเคชั่น

2. Average time spent in app : ระยะเวลาเฉลี่ยที่ผู้ใช้ ใช้ในแอปพลิเคชั่น โดยบ่งบอกถึงระดับความสนใจของผู้ใช้ และแสดงถึงประโยชน์และความน่าดึงดูดของเนื้อหา

3. Number of sessions per user : จำนวน session ของผู้ใช้ต่อคน โดยบ่งบอกถึงความถี่ในการใช้งานแอปพลิเคชั่น และแสดงถึงความคุ้นเคยและความพึงพอใจของผู้ใช้

4. System Usability Scale (SUS) : คะแนนความง่ายในการใช้งาน โดยบ่งบอกถึงความง่ายในการเรียนรู้และใช้งานแอปพลิเคชั่น และแสดงถึงความสะดวกและประสิทธิภาพ

1. เพิ่มประสิทธิภาพของแคมเปญการตลาด

2. พัฒนาผลิตภัณฑ์และบริการที่ตรงกับความต้องการของลูกค้า

3. ลดจำนวนลูกค้าที่อยากจะเลิกใช้บริการ

4. ทุกข้อที่กล่าวมาไม่ใช่ข้อดีของการแบ่งกลุ่มลูกค้า

1. ลดราคาเพื่อดึงดูดลูกค้าใหม่

2. ปรับแต่งเนื้อหาบนเว็บไซต์ตามความต้องการของลูกค้า

3. นำเสนอผลิตภัณฑ์ที่คล้ายคลึงกับคู่แข่งมากขึ้น

4. ลดการคืนสินค้าของลูกค้า

1. การพึ่งพาข้อมูลเชิงปริมาณเพียงอย่างเดียว

2. การรวมข้อมูลทั้งเชิงปริมาณและเชิงคุณภาพ

3. มุ่งเน้นไปที่ข้อเสนอแนะของลูกค้า

4. เพิกเฉยต่อข้อมูลทางการเงิน

1. ลดข้อผิดพลาดของมนุษย์และเพิ่มประสิทธิภาพ

2. มอบประสบการณ์ที่ปรับแต่งให้เหมาะกับลูกค้าแต่ละราย

3. ส่งเสริมความสัมพันธ์ที่ลึกซึ้งยิ่งขึ้นระหว่างธุรกิจกับลูกค้า

4. สร้างความคิดสร้างสรรค์ใหม่

1. วิเคราะห์ประวัติการฟังเพลงของผู้ใช้เพื่อแนะนำเพลงใหม่ที่พากเขาอาจชอบ

2. สร้างเพลย์ลิสต์ที่ปรับแต่งตามอารมณ์และกิจกรรมของผู้ใช้

3. แนะนำศิลปินและแนวเพลงใหม่ ๆ ให้ผู้ใช้ลองฟัง

4. อนุญาตให้ผู้ใช้เชื่อมต่อกับเพื่อนและแบ่งปันเพลงที่พวกเขาชอบ

1. ทำให้ธุรกิจสามารถตัดสินใจโดยใช้ข้อมูลและปรับปรุงกระบวนการได้

2. ช่วยให้ตัดสินใจได้อย่างมีประสิทธิภาพและแม่นยำ นำไปสู่ผลลัพธ์ที่ดีกว่า

3. ช่วยสร้างสรรค์นวัตกรรมและโซลูชั่นใหม่ ๆ

4. ทุกข้อที่กล่าวมาคือบทบาทของ Intelligence ในการสร้างคุณค่า

1. วิเคราะห์พฤติกรรมการใช้งานเว็บไซต์ของผู้ใช้งานเพื่อเพิ่มอัตราการกลับมาใช้งานซ้ำ (Retention Rate)

2. ติดตามแนวโน้มยอดขาย (Trend) เพื่อวางแผนการผลิตสินค้า

3. สร้างโมเดลสำหรับหากลุ่มลูกค้าที่มีโอกาสใช้คูปองส่วนลดสูง เพื่อใช้เป็นกลุ่มเป้าหมายในการยิงโฆษณา

4. วางแผนจัดการสินค้าคงคลังตามความคิดเห็นของเพื่อนร่วมงานที่มีประสบการณ์มากกว่า

1. โรเซ่นำข้อมูลประวัติการอนุมัติสินเชื่อมาทำนายว่าผู้สมัครสินเชื่อรายไหนมีแนวโน้มที่จะเป็นหนี้เสีย เพื่อประกอบการตัดสินใจ

2. ลิซ่านำข้อมูลพฤติกรรมของผู้ใช้งานมาทำนายว่าใครมีโอกาสที่จะเลิกใช้งานแอปอีกใน 7 วัน เพื่อจะได้ดูแลลูกค้ากลุ่มนี้เป็นพิเศษ

3. เจนนี่นำข้อมูลประวัติการเข้าชมสินค้าบนเว็บ E-Commerce มาสร้างระบบแนะน้ำสินค้า เพื่อช่วยให้ลกค้าค้นหาสินค้าค้าที่ตนเองอาจจะสนใจได้ง่ายขึ้น

4. จีซูนำข้อมูลการขายมาสรุปยอดเป็นรายงานเพื่อให้ผู้บริหารใช้ประกอบการว่างแผนธุรกิจ

1.ระบบลงทะเบียนผู้ใช้งานใหม่ (User Registration)

2.ระบบตรวจจับการโกง (Fraud Detection)

3.ระบบแชทบอท (Chat Bot) โต้ตอบกับลูกค้าอัตโนมัติ

4.ระบบแนะนำสินค้า (Recommender System)

1. Descriptive Analytics

2. Predictive Analytics

3. Prescriptive Analytics

4. Diagnostic Analytics

1. หากเรามีข้อมูลปริมาณไม่มาก แต่มีรายละเอียดเพียงพอต่อการวิเคราะห์ ข้อมูลชุดนี้ก็เป็นประโยชน์เช่นกัน

2. คุณสมบัติทางสถิติของตัวชี้วัด (Metric) ที่ดี คือ ไม่แปรปรวนเกินไป (Noisy) และไม่เปลี่ยนแปลงยากจนเกินไป (Insensitive)

3. ในการตอบคำถามทางธุรกิจ เราไม่สามารถใช้ตัวชี้วัด (Metric) เพียงตัวเดียว แต่มักจะใช้หลายๆ ค่าวัดประกอบกัน

4. ในการวัดความพึงพอใจของลูกค้า การใช้ข้อมูลตัวเลขเหมาะสมกว่าการใช้ข้อมูลเชิงคุณภาพ เพราะทำให้เข้าใจสาเหตุของปัญหา

1. ควรแบ่งกลุ่มทดลองตามคุณลักษณะบางอย่างของผู้ใช้งาน เช่น เพศชายกับเพศหญิง หรือ ผู้ใช้งาน iOS กับ Android

2. สามารถใช้กดสอบว่ารูปภาพประกอบโฆษณาอันไหนทำให้คนคลิกเข้ามาดูได้มากกว่ากัน

3. ต้องอาศัยความรู้สถิติเชิงอนุมานในการสรุปว่ากลุ่มทดลอง 2 กลุ่มมีความแตกต่างกันอย่างมีนัยสำคัญทางสถิติ

4. สามารถใช้ทดสอบว่าฟีเจอร์ใหม่ช่วยให้ผู้ใช้งานกลับมาใช้ซ้ำบ่อยขึ้นหรือไม่

1. ไม่สามารถอธิบายความสัมพันธ์ได้จาก Information ที่มี

2. ความยาวของนามสกุลมีผลทำให้ใช้ระยะเวลานานในการเรียนบทเรียนจนจบ

3. ความยาวของนามสกลและระยะเวลาที่ใช้เรียนไม่มีความสัมพันธ์กัน (No Correlation)

4. ความยาวของนามสกุลและระยะเวลาที่ใช้เรียน มีความสัมพันธ์เชิงบวก (Positively Correlated)

1. ข้อมูลจากภายนอก (External Data) มีประโยชน์ ช่วยให้ทราบเกี่ยวกับสภาพตลาด คู่แข่ง หรือคนที่มีโอกาสเป็นลกค้าของบริษัทในอนาคต

2. การใช้งานฐานข้อมูล (Database) จะช่วยให้การจัดเก็บข้อมูลเป็นระบบมากขึ้น และสามารถเขียนโค้ดเพื่อใช้ในการประมวลผลข้อมูลได้

3. ข้อมูลจากหลาย ๆ ตาราง หรือหลาย ๆ sources เมื่อเอามารวมกันจะทำให้ข้อมูลสมบูรณ์ขึ้น สามารถวิเคราะห์ได้หลากหลายมุมมองมากขึ้น

4. ไม่ควรเก็บข้อมูลเพิ่มทีหลัง เพราะจะทำให้โครงสร้างข้อมูลเปลี่ยน

1. นำข้อมูลวันที่ไปคำนวณว่าเป็นวันธรรรมดา (weekday) หรือวันสุดสัปดาห์ (weekend) เพื่อใช้ในการเปรียบเทียบข้อมูลในช่วงเวลาต่างๆ

2. ลบข้อมูลซ้ำที่เกิดจากความผิดพลาดของระบบที่รู้อยู่แล้ว (known errors)

3. แก้ไขค้ำของข้อมูลข้อความให้สอดคล้องกัน (standardize values) เช่น เปลี่ยน bangkok, BKK, Krungthep เป็น Bangkok

4. แทนค่าข้อมูลตัวเลขที่หายไป (missing values) ด้วยค่า 0 เพื่อให้สามารถนำไปคำนวณทางสถิติต่อได้

1. เมื่อรวบรวมข้อมูลได้หลากหลายและมีปริมาณมากพอให้คอมพิวเตอร์เรียนรู้

2. เมื่อต้นทนหรือความเสี่ยงของการทำนายผิดพลาดค่อนข้างต่ำ

3. เมื่อลักษณะของสิ่งที่ต้องการทำนายมีการเปลี่ยนแปลงตามเวลา

4. เมื่อมีการระบุผลลัพธ์ที่ต้องการจากการทำนาย (label) โดยผู้เชี่ยวชาญไว้แล้วเป็นปริมาณมาก

1. ต้นฝนจากทีม Marketing นำข้อมูลการสั่งซื้อสินค้ามาสรุป เพื่อทำความเข้าใจพฤติกรรมการซื้อของลูกค้า เช่น ความถี่ในการซื้อของลูกค้าโดยเฉลี่ย หรือ มูลค่าการซื้อต่อบิลที่สูงที่สุด

2. ต้นน้ำจากทีม Mobile app นำข้อมูลการลงชื่อเข้าใช้งาน (log in) มาสำรวจหาความผิดปกติในชุด

ข้อมูล เช่น ค้นหาบัญชีผู้ใช้งานที่มีการใช้งานผ่านอุปกรณ์ (device) เป็นจำนวนมาก หรือเข้าใช้งาน

จากหลากหลายประเทศ

3. ต้นกล้าจากทีม Operations นำข้อมูลมาใช้สร้างโมเดลตามงานวิจัย เพื่อทำนายการชำรุดของ

เครื่องจักร (predictive maintenance)

4. ต้นข้าวจากทีม Sales นำข้อมูลการสั่งซื้อสินค้า มาสร้างกราฟเป็นจำนวนมาก เพื่อค้นหาปัจจัยที่ส่ง

ผลต่อยอดขาย เช่น ช่วงเวลา หรือ ส่วนลด

1. มนุษย์สามารถทำความเข้าใจกราพได้ง่ายกว่าตารางตัวเลข

2. ผลลัพธ์ที่ได้จาก Numerical method อาจจะชี้นำไปในทางที่ผิด หากข้อมูลมูลมีการกระจายตัวที่ไม่ปกติ

3. เราควรใช้ Numerical method ร่วมกับ Graphical method ในการวิเคราะห์ข้อมูล

4. Graphical method ใช้ได้กับข้อมูลที่เป็นตัวเลขเท่านั้น

1. เปรียบเทียบยอดการรับชม (views) ของ 2 วิดีโอที่รีวิวสินค้าเดียวกัน เพื่อดูว่าช่องไหนสามารถเข้า

ถึงผู้ชมได้มากกว่ากัน

2. เปรียบเทียบยอดการรับชม (views) รวมทุกวิดีโอของแต่ละช่อง เพื่อดูว่าช่องไหนมีแนวโน้มจะทำวิดีโอสินค้าให้เราได้ประสบความสำเร็จมากกว่ากัน

3. เปรียบเทียบสัดส่วนยอดการกดถูกใจ (likes) กับยอดการรับชม (views) ของ 2 วิดีโอที่รีวิวสินค้า

เดียวกัน เพื่อดูว่าช่องไหนทำวิดีโออออกมาได้ถูกใจผู้ชมมากกว่ากัน

4. เปรียบเทียบปริมาณการสั่งซื้อ (conversions) โดยเฉลี่ยของวิดีโอรีวิวสินค้าของเราจากทั้ง 2 ช่อง

เพื่อดูว่าทำการตลาดกับช่องไหนคุ้มค่ากว่ากัน

1. ต้องการสรุปยอดการซื้อโดยเฉลี่ยของลูกค้าแต่ละคน

2. ต้องการศึกษาความถี่ในการใช้บริการของลูกค้าแต่ละคนในรอบ 30 วันที่ผ่านมา

3. ต้องการเปรียบเทียบการกระจายตัวของยอดการซื้อต่อใบเสร็จ ตามกลุ่มของลูกค้า

4. ต้องการระบุลูกค้าที่ไม่ได้มาใช้บริการนานเกิน 1 เดือน

1. B

2. C

3. A, B

1. 50% ของนักเรียนได้คะแนนสอบอยู่ในช่วง 31.0 ถึง 44.0 คะแนน

2. คะแนนสอบเฉลี่ยเท่ากับ 38.7

3. เพื่อให้ไม่มีคนสอบตก อาจารย์จึงแอบเพิ่มคะแนนให้นักเรียนที่ได้คะแนนน้อยที่สุดอีก 1 คะแนน ส่งผลให้ค่า Q1, Q2, Q3 เปลี่ยนเป็น 32.0, 39.7, และ 45.0 ตามลำดับ

4. นักเรียนส่วนใหญ่ได้คะแนนสอบมากกว่า 40 คะแนน

1. ค่าเฉลี่ย (Mean)

2. Histogram

3. ค่าเบี่ยงเบนมาตรฐาน (Standard Deviation)

4. Interquartile Range (IQR)

1. ค่าฐานนิยม (Mode)

2. ค่ามัธยฐาน (Median)

3. ค่าเฉลี่ย (Mean)

1. a < b < c < d

2. b < a < d < c

3. c < d < a < b

4. d < c < b < a

1. เพศมีความสัมพันธ์กับการถูกโจรกรรม

2. ธนาคารไม่ควรปฏิเสธการออกบัตรเครดิตให้กับลูกค้าผู้หญิงมากขึ้น เพราะเพศอาจจะไม่ใช่ต้นเหตุ

ที่แท้จริงของการถูกโจรกรรม

3. ถ้าเจ้าของบัตรที่เป็นผู้หญิงมีโอกาสถูกโจรกรรมสูงกว่าเจ้าของบัตรที่เป็นผู้ชายมาก เราสามารถสรุปได้ว่าเพศเป็นสาเหตุที่ทำให้ถูกโจรกรรม

4. ธนาคารสามารถใช้ Insights นี้ในการทำคอนเทนต์ให้ความรู้ โดยเน้นไปที่พฤติกรรมเสี่ยงของผู้ถือ

บัตรที่เป็นผู้หญิง เช่น การชอปปิ้งเสื้อผ้าออนไลน์ผ่านเว็บที่ไม่น่าเชื่อถือ

1. 100% Stacked Bar Chart

2. Line chart

3. Pie Chart

4. Tree Map

1. กล่องตรงกลาง Box plot แสดงข้อมูลในช่วง +/ 2 S.D.

2. ข้อมูล Outliers จะไม่ถูกนำมาแสดงผลใน Box plot

3. เส้นขีดตรงกลางของ Box plot แสดงค่าเฉลี่ย (mean)

4. เหมาะสำหรับการเปรียบเทียบการกระจายตัวของข้อมูลหลายกลุ่ม

1. Histogram

2. Line chart

3. Heatmap

4. Pie Chart