วิเคราะห์ CSV และตารางธุรกิจอย่างไม่หลงตัวเลข
ตรวจ schema หน่วย ค่าว่าง ค่าซ้ำ และฐานการคำนวณก่อนให้ AI ช่วยสร้างคำถาม สูตร และคำอธิบายแนวโน้ม
เป้าหมาย: แยกการตรวจข้อมูล การคำนวณ และการตีความ พร้อมทวนผลกับสูตรหรือ pivot ที่ทำซ้ำได้ · ใช้เวลาประมาณ 17 นาที
ขั้นตอนทำงานที่ตรวจสอบได้
อย่าส่งข้อมูลเข้า AI แล้วรอคำตอบเพียงรอบเดียว ให้แยกงานและเก็บหลักฐานทุกช่วง
อ่าน schema
ระบุความหมายคอลัมน์ ชนิดข้อมูล หน่วย เขตเวลา และ grain ของแต่ละแถว
ตรวจคุณภาพ
นับค่าว่าง ค่าซ้ำ ค่าผิดช่วง และหมวดสะกดต่าง
คำนวณแบบทำซ้ำ
ใช้สูตร query หรือ pivot พร้อมบันทึกขั้นตอน ไม่คำนวณจากการเดาของโมเดล
ตีความอย่างระวัง
แยก correlation จากสาเหตุ และเทียบช่วงเวลา/ฐานที่เหมาะสม
ตัวอย่างในงานจริง
ยอดขาย Shopee กับ Lazada
คำนวณยอดสุทธิหลังส่วนลดและคืนสินค้าแยกช่องทาง พร้อมจำนวนคำสั่งซื้อที่เป็นฐาน
ยอดรวมสูงอาจมาจากจำนวนรายการ ไม่ใช่มูลค่าต่อคำสั่งซื้อ
ยอดร้านหลายสาขา
เปรียบเทียบ same-store sales เฉพาะสาขาที่เปิดครบทั้งสองช่วง
หลีกเลี่ยงการสรุปโตเพราะมีสาขาใหม่เพิ่ม
ข้อผิดพลาดที่พบบ่อย
อัปโหลด CSV ที่มีชื่อและเบอร์ลูกค้า
ละเมิดหลักลดข้อมูลและเพิ่มความเสี่ยง PDPA
ลบตัวระบุและใช้ข้อมูลรวมเท่าที่งานต้องการ
ให้ AI บวกตัวเลขยาวจากข้อความ
เกิดข้อผิดพลาดที่ทำซ้ำไม่ได้
ใช้ spreadsheet หรือ code คำนวณ แล้วให้ AIอธิบายผล
เทียบเดือนเต็มกับเดือนปัจจุบัน
แนวโน้มตกเพราะช่วงเวลาไม่เท่ากัน
กำหนด cut-off และฐานเปรียบเทียบ
ตรวจยอดขายก่อนประชุม
CSV มีวันที่แบบไทยและ ISO ปนกัน ช่องทางสะกด Shopee สองแบบ มีรายการคืนเป็นค่าลบ และมีอีเมลลูกค้า
เขียนแผนเตรียมข้อมูลและคำถามวิเคราะห์สามข้อ
ดูคำตอบตัวอย่าง
สร้างสำเนาที่ลบอีเมล กำหนด data dictionary แปลงวันที่เป็นมาตรฐาน รวมชื่อช่องทาง ตรวจค่าซ้ำและค่าว่าง แยกยอดขาย/ส่วนลด/คืนสินค้า แล้วคำนวณยอดสุทธิ จำนวนคำสั่งซื้อ และค่าเฉลี่ยต่อคำสั่งซื้อด้วยสูตรที่บันทึก ก่อนขอให้ AI อธิบายแนวโน้มและข้อจำกัด
- ลบข้อมูลส่วนบุคคล
- มาตรฐานวันที่และหมวด
- แยกรายการคืน
- คำนวณทำซ้ำได้
- ระบุฐานและข้อจำกัด
บันทึกช่วยจำ
- ตรวจผลรวมกับระบบต้นทางก่อนใช้ตัดสินใจ
- อย่าอัปโหลดข้อมูลที่องค์กรไม่อนุมัติแม้จะสะดวก
สรุปบทเรียนนี้
- ทำความเข้าใจ grain และ schema
- ตรวจและคำนวณด้วยขั้นตอนทำซ้ำได้
- AI ช่วยอธิบาย ไม่แทนการตรวจตัวเลข