การคิดวิเคราะห์ Analytical thinking เพื่อเพิ่มประสิทธิภาพการทำงาน โดยอ.ศศิมา สุขสว่าง

การคิดวิเคราะห์ Analytical thinking เพื่อเพิ่มประสิทธิภาพการทำงาน

จากประสบการทำงานของเก๋ตอนทำงานประจำ และ จากที่ได้ไปเป็นวิทยากร ที่ปรึกษาสัมมนาในหลักสูตร Analytical Thinking สิ่งหนึ่งที่สำคัญสำหรับคนทำงานคือการวิเคราะห์ตัวเลข ค่ะ ไม่ว่าจะอยู่ตำแหน่งไหน เราจะได้เห็นข้อมูลที่เป็นตัวเลขหลากหลายรูปแบบเลย  เช่น  

1.ผลลัพธ์การทำงาน (Performance Metrics) เช่น   ยอดขาย / จำนวนคำสั่งซื้อ / ปริมาณลูกค้า/จำนวนชิ้นงานที่ผลิต / ที่ตรวจสอบ / ที่ส่งมอบ/จำนวนข้อร้องเรียน / ปัญหาที่พบ 

2. ตัวเลขด้านต้นทุน / ค่าใช้จ่าย  เช่น   ต้นทุนต่อหน่วยผลิต / บริการ/  ค่าแรง / ค่าล่วงเวลา/  ค่าขนส่ง

3. ตัวเลขด้านประสิทธิภาพ / เวลา เช่น เปรียบเทียบ Before – After จากการปรับปรุงงาน

4. ตัวเลขด้านทรัพยากรบุคคล (HR Data) เช่น  จำนวนพนักงานเข้าใหม่ – ลาออก/  Turnover Rate/  ค่าเฉลี่ยอายุงาน / อายุเฉลี่ยของพนักงาน/  สัดส่วนพนักงานแต่ละกลุ่มงาน

5. ตัวเลขด้านลูกค้า / บริการ เช่น คะแนนความพึงพอใจของลูกค้า (Customer Satisfaction Score)/จำนวนข้อร้องเรียน / ชมเชย

เป็นต้น

(หมายเหตุ : เนื้อหาในบทความนี้เป็นส่วนหนึ่งของหลักสูตร Analytical Thinking for Performance working ของอาจารย์เก๋ค่ะ มีเป็นsession เล็กๆให้ลองฝึกวิเคราะห์ข้อมูลจากตัวเลขค่ะเพื่อนำไปหาแนวทางพัฒนาประสิทธิภาพการทำงานค่ะ (ไม่ได้เป็นการใช้ IT หรือโปรแกรมคอมพิวเตอร์ยากในการวิเคราะห์ค่ะ เหมาะสำหรับพนักงานที่ต้องเริ่มวิเคราะห์ข้อมูล หรือหัวหน้ามือใหม่ๆที่ต้องเริ่มดูข้อมูลและวิเคราะห์ข้อมูลเพื่อเพิ่มประสิทธิภาพการทำงานของทีมค่ะ )

การวิเคราะห์ข้อมูลตัวเลขจำนวนมากให้เกิดประโยชน์สูงสุดนั้น ต้องอาศัยการสังเกตและตีความอย่างเป็นระบบ ไม่ใช่แค่ดูตัวเลขเดี่ยวๆ แต่ต้องมองหาความสัมพันธ์ แนวโน้ม และความผิดปกติ

บทความนี้เก๋มาแบ่งปันวิธีการวิเคราะห์ตัวเลขแบบง่าย สำหรับท่านที่ต้องเข้ามาทำงานในส่วนของข้อมูลของตัวเลข แล้วต้องวิเคราะห์ แล้วเห็นตัวเลขเยอะๆ แล้วจะเป็นลม (บางทีเก๋ก็เป็นค่ะ 555)   หรือหัวหน้างานที่ต้องวิเคราะห์การทำงาน และข้อมูลด้านการทำงาน เพื่อพัฒนาประสิทธิภาพการทำงานของทีมงานค่ะ  เป็นทริกเล็กๆน้อยๆ เผื่อเอาไว้ไปวิเคราะห์ตัวเลขแบบง่ายในที่ทำงานค่ะ

แนวทางการดูข้อมูลตัวเลขจำนวนมากและการวิเคราะห์

1. ทำความเข้าใจภาพรวมของข้อมูล (Overview of Data)

• แหล่งที่มาและความน่าเชื่อถือ:ข้อมูลมาจากไหน? มีความถูกต้อง น่าเชื่อถือแค่ไหน? เช่น ข้อมูลจากหน่วยงานราชการย่อมมีความน่าเชื่อถือสูงกว่าข้อมูลที่รวบรวมเองแบบไม่เป็นทางการ, ข้อมูลที่มีการจัดเก็บอย่างเป็นกิจลักษณะ มีกลุ่มตัวอย่าง วันเวลาที่เก็บ  จะมีความน่าเชื่อถือมากกว่า คำพูดคำกล่าวลอยๆ เป็นต้น
• ประเภทของข้อมูล:ข้อมูลนั้นเป็นข้อมูลประเภทใด เช่น ยอดขาย กำไร จำนวนลูกค้า ระยะเวลา หรือข้อมูลเชิงสถิติอื่นๆ การรู้ประเภทข้อมูลจะช่วยให้เลือกวิธีการวิเคราะห์ได้เหมาะสมตามหน้าที่การงานของเรา
• ขนาดและขอบเขต:ข้อมูลมีปริมาณมากแค่ไหน ครอบคลุมช่วงเวลาใดบ้าง และมีมิติอะไรบ้าง เช่น ข้อมูลยอดขายย้อนหลัง 5 ปี แบ่งตามภูมิภาคและสินค้าแต่ละชนิด, ของเสียที่เกิดขึ้นย้อนหลัง ไป 6 เดือน – 1 ปี ในแต่ละเครื่องจักร

2. มองหาสถิติพื้นฐาน (Basic Statistics)

สิ่งแรกๆ ที่ควรสังเกตคือค่าสถิติพื้นฐานเพื่อให้เห็นภาพรวมของชุดข้อมูล:

• ค่าเฉลี่ย (Mean): ตัวเลขส่วนใหญ่มีค่าประมาณเท่าไหร่?
• มัธยฐาน (Median): ค่ากลางของข้อมูล เมื่อเรียงลำดับจากน้อยไปมาก ช่วยลดผลกระทบจากค่าผิดปกติ (outlier)
• ฐานนิยม (Mode): ตัวเลขหรือค่าที่ปรากฏบ่อยที่สุด
• ค่าสูงสุด (Max) และค่าต่ำสุด (Min): ช่วงของข้อมูลทั้งหมด (Range) เพื่อดูว่าข้อมูลมีการกระจายตัวกว้างแค่ไหน
• ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation): ข้อมูลมีการกระจายตัวจากค่าเฉลี่ยมากน้อยแค่ไหน ถ้าค่าสูงแสดงว่าข้อมูลกระจายตัวมาก ถ้าค่าน้อยแสดงว่าข้อมูลเกาะกลุ่มกัน
• ผลรวม (Sum) และจำนวนนับ (Count): เป็นค่าพื้นฐานที่สำคัญในการดูปริมาณรวมของข้อมูล

3. ค้นหาแนวโน้มและรูปแบบ (Trends and Patterns)

• แนวโน้ม (Trends): ข้อมูลมีทิศทางเพิ่มขึ้น ลดลง หรือคงที่เมื่อเวลาผ่านไป? ลองดูข้อมูลเป็นกราฟเส้น (Line Chart) เพื่อให้เห็นแนวโน้มได้ชัดเจน
• ฤดูกาล (Seasonality): มีช่วงเวลาใดที่ข้อมูลมีการเปลี่ยนแปลงซ้ำๆ เป็นประจำหรือไม่ เช่น ยอดขายสินค้าบางชนิดที่พุ่งสูงขึ้นในช่วงเทศกาล, ช่วงต้นปีจำนวนคนลาออกจะเพิ่มขึ้น หลังจากรับโบนัส, ช่วงหลังสงกรานต์ คนจะลดการใช้จ่ายลง โดยเฉพาะบ้านที่มีครอบครัวลูกต้องเข้าโรงเรียน
• วัฏจักร (Cycles): มีรูปแบบการขึ้นลงที่เกิดขึ้นซ้ำๆ ในระยะยาวหรือไม่ (อาจยาวกว่าฤดูกาล)
• ความสัมพันธ์ (Correlations): ตัวเลขชุดหนึ่งมีความสัมพันธ์กับตัวเลขอีกชุดหนึ่งหรือไม่ เช่น ค่าโฆษณาสัมพันธ์กับยอดขายอย่างไร? การใช้กราฟกระจาย (Scatter Plot) ช่วยให้เห็นความสัมพันธ์ได้ดี

4. สังเกตความผิดปกติและค่าที่โดดเด่น (Anomalies and Outliers)

• ค่าผิดปกติ (Outliers): มีตัวเลขใดที่สูงหรือต่ำกว่าปกติอย่างมีนัยสำคัญหรือไม่? ค่าเหล่านี้อาจเป็นข้อผิดพลาดในการบันทึกข้อมูล หรืออาจเป็นสิ่งที่น่าสนใจที่ต้องสืบสวนเพิ่มเติม เช่น ยอดขายที่พุ่งสูงผิดปกติในวันเดียว, ยอดสินค้าบางอย่างมีจำนวนขายสูงในวันเดียวกัน เป็นคู่, งานเสียจากเครื่องจักรตัวเดียวในช่วงกลางคืน เป็นต้น
• การเปลี่ยนแปลงที่สำคัญ (Significant Changes): มีจุดใดในข้อมูลที่เกิดการเปลี่ยนแปลงอย่างกะทันหัน หรือมีค่าพุ่งขึ้น/ลดลงอย่างรวดเร็วหรือไม่? อะไรคือสาเหตุของการเปลี่ยนแปลงนั้น?

5. การจัดกลุ่มและเปรียบเทียบ (Segmentation and Comparison)

• แบ่งกลุ่มข้อมูล:ลองจัดกลุ่มข้อมูลตามเกณฑ์ต่างๆ เพื่อเปรียบเทียบ เช่น เปรียบเทียบยอดขายตามภูมิภาค ประเภทลูกค้า หรือช่วงอายุ หรือวันทำงาน วันหยุด
• เปรียบเทียบกับค่ามาตรฐาน/เป้าหมาย:ตัวเลขที่เรามีอยู่ดีกว่าหรือแย่กว่าค่าเฉลี่ยของอุตสาหกรรม, คู่แข่ง, หรือเป้าหมายที่ตั้งไว้หรือไม่?

6. การแสดงภาพข้อมูล (Data Visualization)

การแปลงตัวเลขจำนวนมากให้อยู่ในรูปแบบกราฟ แผนภูมิ หรือ Dashboard จะช่วยให้เข้าใจข้อมูลได้ง่ายขึ้นและมองเห็นสิ่งที่กล่าวมาข้างต้นได้ชัดเจนกว่าการดูตัวเลขดิบๆ:

• กราฟเส้น (Line Chart): เหมาะสำหรับดูแนวโน้มตามเวลา
• กราฟแท่ง (Bar Chart): เหมาะสำหรับเปรียบเทียบข้อมูลในแต่ละหมวดหมู่
• กราฟวงกลม (Pie Chart): เหมาะสำหรับดูสัดส่วน
• กราฟกระจาย (Scatter Plot): เหมาะสำหรับดูความสัมพันธ์ระหว่างสองตัวแปร
• Heat Map: เหมาะสำหรับแสดงความสัมพันธ์หรือค่าความหนาแน่นของข้อมูลจำนวนมาก

7. ตั้งคำถามและสืบค้นเชิงลึก (Ask Questions and Dig Deeper)

เมื่อเห็นตัวเลขหรือรูปแบบที่น่าสนใจ ให้ตั้งคำถามเพิ่มเติมเสมอ เช่น:

• "ทำไมตัวเลขนี้ถึงเป็นแบบนี้?"
• "มีอะไรที่อาจส่งผลกระทบต่อตัวเลขเหล่านี้อีกหรือไม่?"
• "ถ้าสถานการณ์เปลี่ยนไป ตัวเลขเหล่านี้จะเปลี่ยนไปอย่างไร?"
• "ข้อมูลนี้บอกอะไรเกี่ยวกับธุรกิจ/สถานการณ์นี้?"
• "มีข้อมูลอะไรที่ขาดหายไปหรือไม่?"

8. ใช้เครื่องมือช่วย (Utilize Tools)

สำหรับข้อมูลปริมาณมาก การใช้เครื่องมือต่างๆ จะช่วยให้การวิเคราะห์มีประสิทธิภาพมากขึ้น เช่น Microsoft Excel / Google Sheets, ภาษาโปรแกรมต่างๆ หรือ Generative AI เดี๋ยวนี้ใส่ข้อมูลเข้าไปสั่งให้วิเคราะห์ตามความต้องการของเราก็สามารถช่วยวิเคราะห์ได้เลย

สรุป

การวิเคราะห์ข้อมูลตัวเลขจำนวนมาก ไม่ใช่แค่การอ่านตัวเลข แต่คือการหาเรื่องราว (Story) ที่ซ่อนอยู่เบื้องหลังตัวเลขเหล่านั้น ด้วยการใช้สถิติพื้นฐาน การมองหาแนวโน้ม ความผิดปกติ และการแสดงภาพข้อมูล คุณจะสามารถดึง insight ที่มีคุณค่าออกมาจากกองตัวเลขได้ค่ะ

อ.เก๋หวังว่าบทความนี้จะมีประโยชน์ ช่วยเป็นไกด์ไลน์ สำหรับท่านที่กำลังทำงานใหม่ๆ แล้วต้องเจอกับตัวเลข หรือ ท่านที่เพิ่งขึ้นเป็นหัวหน้าแล้วต้องวิเคราะห์ตัวเลข  หรือท่านที่กำลังปวดหัวกับข้อมูลที่เป็นตัวเลขนะคะ   เนื้อหาในบทความนี้เป็นส่วนหนึ่งของหลักสูตร Analytical Thinking for Performance working ของอาจารย์เก๋ค่ะ เป็น session เล็กๆให้ลองฝึกวิเคราะห์ข้อมูลจากตัวเลขค่ะ   เพื่อนำไปหาแนวทางพัฒนาประสิทธิภาพการทำงานค่ะ (ไม่ได้เป็นการใช้ IT หรือโปรแกรมคอมพิวเตอร์ยากในการวิเคราะห์ค่ะ เหมาะสำหรับพนักงานที่ต้องเริ่มวิเคราะห์ข้อมูล หรือหัวหน้ามือใหม่ๆที่ต้องเริ่มดูข้อมูลและวิเคราะห์ข้อมูลเพื่อเพิ่มประสิทธิภาพการทำงานของทีมค่ะ 

...........

.........................

- สนใจหลักสูตร "  Design Thinking for Innovation Development" วิทยากร อ.ศศิมา สุขสว่าง ดูรายละเอียด กดที่นี่ 

- สนใจหลักสูตร " Analytical Thinking ทักษะการคิดวิเคราะห์ " วิทยากร อ.ศศิมา สุขสว่าง ดูรายละเอียด กดที่นี่ 

- สนใจหลักสูตร " Critical thinking  ทักษะการคิดวิพากษ์ " วิทยากร อ.ศศิมา สุขสว่าง ดูรายละเอียด กดที่นี่ 

- สนใจหลักสูตร " Creative thinking  to Innovation ทักษะการคิดสร้างสรรค์พัฒนานวัตกรรม " วิทยากร อ.ศศิมา สุขสว่าง ดูรายละเอียด กดที่นี่ 

- สนใจหลักสูตรอื่นๆ ในการพัฒนานวัตกรรมและพัฒนาองค์กร  ดูรายละเอียดทั้งหมด กดดูที่นี่    

............................

ติดต่อวิทยากรสัมมนาอบรม In-House training ด้านการคิดเชิงวิเคราะห์ Analytical thinking ความคิดสร้างสรรค์ การพัฒนานวัตกรรม หรือติดตามบทความ ได้ที่ 

อ.ศศิมา สุขสว่าง (เก๋)อาจารย์ศศิมา สุขสว่าง -อ.เก๋

บริษัทเอชซีดี อินโนเวชั่น จำกัด

Email : sasimasuk.com@gmail.com

Line ID : sasimasuk.com หรือเบอร์โทร. 0815609994

Website: http://www.sasimasuk.com/  

FB: https://www.facebook.com/CreativetoInnovation/

Tel:  081-5609994

Youtube: https://www.youtube.com/innoinninecreativetoinnovation