Prompt สำหรับ Data Analysis: วิเคราะห์ข้อมูลด้วย AI

AI สามารถช่วยวิเคราะห์ข้อมูลได้อย่างรวดเร็ว ตั้งแต่การสรุปข้อมูล หา patterns ไปจนถึงการสร้าง insights ที่มีคุณค่า

หลักการเขียน Prompt สำหรับ Data Analysis

องค์ประกอบสำคัญ

1. Data: ระบุข้อมูลที่มี (format, columns, ขนาด)
2. Goal: เป้าหมายการวิเคราะห์คืออะไร
3. Context: บริบททางธุรกิจ
4. Output: รูปแบบผลลัพธ์ที่ต้องการ
5. Constraints: ข้อจำกัด (เวลา งบ ฯลฯ)

ตัวอย่างโครงสร้าง

ข้อมูล:
[อธิบายหรือแปะข้อมูล]

เป้าหมาย:
[ต้องการวิเคราะห์อะไร]

บริบท:
[ข้อมูลนี้มาจากไหน ใช้ทำอะไร]

รูปแบบผลลัพธ์:
[ต้องการ output แบบไหน]

Templates สำหรับงานต่างๆ

1. Exploratory Data Analysis (EDA)

วิเคราะห์ข้อมูลเบื้องต้น (EDA) จากข้อมูลต่อไปนี้:

[แปะข้อมูล หรืออธิบาย schema]

ให้วิเคราะห์:
1. สถิติพื้นฐาน
   - Mean, Median, Mode
   - Standard deviation
   - Min, Max, Range

2. การกระจายตัว
   - Distribution shape
   - Outliers

3. Missing values
   - จำนวนและ % ที่หายไป
   - Pattern ของ missing data

4. Correlations
   - ความสัมพันธ์ระหว่าง columns

5. Initial insights
   - สิ่งที่น่าสังเกต
   - คำถามที่ควรสำรวจต่อ

2. Trend Analysis

วิเคราะห์แนวโน้ม (Trends) จากข้อมูล:

ข้อมูล: [ข้อมูล time series]
ช่วงเวลา: [ระบุ]

วิเคราะห์:
1. Overall trend: เพิ่มขึ้น/ลดลง/คงที่
2. Growth rate: อัตราการเติบโต
3. Seasonality: มี pattern ตามฤดูกาลไหม
4. Anomalies: จุดผิดปกติ
5. Forecast: คาดการณ์ช่วงถัดไป

รูปแบบ:
- สรุปเป็น bullet points
- ระบุตัวเลขสำคัญ
- แนะนำ visualization ที่เหมาะสม

3. Comparison Analysis

เปรียบเทียบข้อมูลระหว่าง [A] และ [B]:

ข้อมูล A: [ข้อมูล]
ข้อมูล B: [ข้อมูล]

เปรียบเทียบ:
1. Performance metrics
2. ความแตกต่างที่สำคัญ
3. จุดแข็ง/จุดอ่อนของแต่ละฝั่ง
4. สาเหตุที่เป็นไปได้
5. คำแนะนำ

แสดงในรูปแบบตาราง + สรุป

4. Customer Segmentation

วิเคราะห์และแบ่งกลุ่มลูกค้าจากข้อมูล:

ข้อมูล:
- Demographics: [อายุ, เพศ, location]
- Behavior: [ความถี่ซื้อ, มูลค่า, products]
- Engagement: [visits, clicks, time spent]

ให้:
1. แบ่งกลุ่มลูกค้า 3-5 กลุ่ม
2. ตั้งชื่อและอธิบายแต่ละกลุ่ม
3. ขนาดของแต่ละกลุ่ม
4. พฤติกรรมเด่นของแต่ละกลุ่ม
5. กลยุทธ์สำหรับแต่ละกลุ่ม

5. Sales Analysis

วิเคราะห์ยอดขายจากข้อมูล:

ข้อมูล: [sales data]
ช่วงเวลา: [ระบุ]

วิเคราะห์:
1. ยอดขายรวมและการเติบโต
2. Top products/categories
3. ช่วงเวลาที่ขายดี
4. ภูมิภาค/สาขาที่ดีที่สุด
5. Average order value
6. Customer lifetime value
7. ปัจจัยที่มีผลต่อยอดขาย
8. โอกาสในการเพิ่มยอดขาย

ตัวอย่างจริง

ตัวอย่าง 1: E-commerce Analytics

วิเคราะห์ข้อมูล e-commerce ต่อไปนี้:

Orders (ม.ค. - มิ.ย. 2024):
- Total orders: 15,234
- Revenue: 4,500,000 บาท
- Unique customers: 8,500
- Average order value: 295 บาท
- Return rate: 3.2%

By Category:
- เสื้อผ้า: 45% of revenue
- รองเท้า: 25%
- accessories: 20%
- อื่นๆ: 10%

By Channel:
- Website: 60%
- Mobile app: 35%
- Social: 5%

บริบท: ร้านขายเสื้อผ้าออนไลน์ กลุ่มเป้าหมายอายุ 25-35

ให้:
1. สรุป performance overall
2. 3 insights สำคัญ
3. 3 areas ที่ควรปรับปรุง
4. แนะนำ KPIs ที่ควรติดตาม
5. actions แนะนำสำหรับ Q3

ตัวอย่าง 2: Website Traffic

วิเคราะห์ traffic ของเว็บไซต์:

ข้อมูล 30 วันที่ผ่านมา:
| Metric | ค่า | vs เดือนก่อน |
|--------|-----|--------------|
| Sessions | 50,000 | +15% |
| Users | 35,000 | +10% |
| Pageviews | 120,000 | +20% |
| Bounce rate | 55% | -5% |
| Avg. session | 2:30 | +0:20 |

Top pages:
1. /products (30%)
2. /blog (25%)
3. / (20%)
4. /about (10%)
5. /contact (5%)

Traffic sources:
- Organic: 40%
- Direct: 25%
- Social: 20%
- Referral: 10%
- Paid: 5%

วิเคราะห์:
1. Overall health ของเว็บ
2. จุดแข็งและจุดอ่อน
3. โอกาสในการเพิ่ม traffic
4. Content ที่ควรทำเพิ่ม
5. แนะนำ A/B tests

ตัวอย่าง 3: Survey Analysis

วิเคราะห์ผลสำรวจความพึงพอใจลูกค้า:

ผู้ตอบ: 500 คน

คำถาม 1: ความพึงพอใจโดยรวม (1-5)
- 5 (Very satisfied): 120 (24%)
- 4: 200 (40%)
- 3: 100 (20%)
- 2: 50 (10%)
- 1 (Very dissatisfied): 30 (6%)

คำถาม 2: จะแนะนำให้คนอื่นไหม (NPS 0-10)
- Promoters (9-10): 35%
- Passives (7-8): 40%
- Detractors (0-6): 25%

คำถาม 3: สิ่งที่ต้องปรับปรุง (เลือกได้หลายข้อ)
- ราคา: 45%
- คุณภาพสินค้า: 30%
- การจัดส่ง: 25%
- Customer service: 20%
- อื่นๆ: 10%

ข้อเสนอแนะ (Open-ended): [ตัวอย่าง 10 ข้อ]

วิเคราะห์:
1. สรุปความพึงพอใจโดยรวม
2. คำนวณ NPS score
3. วิเคราะห์ pain points หลัก
4. Theme จาก open-ended responses
5. แนะนำ 3 actions เร่งด่วน

เทคนิคขั้นสูง

1. Multi-step Analysis

วิเคราะห์แบบหลายขั้นตอน:

ขั้นตอน 1: Understand
- อธิบายข้อมูลที่มี
- ระบุ assumptions

ขั้นตอน 2: Explore
- หา patterns
- ระบุ anomalies

ขั้นตอน 3: Analyze
- ทดสอบสมมติฐาน
- หา correlations

ขั้นตอน 4: Synthesize
- สรุป insights
- ให้คำแนะนำ

ขั้นตอน 5: Present
- สร้าง executive summary
- ระบุ next steps

2. Hypothesis Testing

ทดสอบสมมติฐานต่อไปนี้:

Hypothesis: [สมมติฐาน]
เช่น "ลูกค้าที่ได้รับ email จะซื้อสินค้ามากกว่า"

ข้อมูล:
Group A (ได้ email): [ข้อมูล]
Group B (ไม่ได้): [ข้อมูล]

วิเคราะห์:
1. เปรียบเทียบ metrics
2. statistical significance
3. ยืนยันหรือปฏิเสธ hypothesis
4. confidence level
5. ข้อจำกัดของการวิเคราะห์

3. Root Cause Analysis

วิเคราะห์สาเหตุของ [ปัญหา]:

ปัญหา: ยอดขายลดลง 20% ใน Q2

ข้อมูลที่มี:
- Sales by product
- Sales by region
- Marketing spend
- Competitor data
- Economic indicators

วิเคราะห์แบบ 5 Whys:
1. ยอดขายลดทำไม? → [หาคำตอบ]
2. ทำไมถึงเป็นแบบนั้น? → [หาคำตอบ]
3. ... ต่อไปจนถึง root cause

สรุป:
- Root causes หลัก
- Contributing factors
- แนะนำวิธีแก้ไข

Visualization Prompts

แนะนำ Chart ที่เหมาะสม

จากข้อมูลต่อไปนี้:
[ข้อมูล]

แนะนำ:
1. Chart type ที่เหมาะสมที่สุดและเหตุผล
2. Axes และ labels ที่ควรใช้
3. สีที่เหมาะสม
4. Title และ subtitle
5. Code สำหรับสร้าง chart (Python/matplotlib)

สร้าง Dashboard Layout

ออกแบบ dashboard สำหรับ [วัตถุประสงค์]:

Audience: [ผู้ใช้งาน]
Metrics สำคัญ: [list]
Update frequency: [ความถี่]

ให้ออกแบบ:
1. Layout (grid)
2. Charts ที่ควรมี
3. Filters ที่จำเป็น
4. KPIs ที่ต้องแสดง
5. Color scheme

Best Practices

1. ให้ Context เพียงพอ

❌ "วิเคราะห์ยอดขาย"
✅ "วิเคราะห์ยอดขาย Q1 2024 ของร้านค้าปลีก
    เป้าหมาย: หาสาเหตุที่ยอดลดลง 15%
    เปรียบเทียบกับ Q1 2023"

2. ระบุ Format ผลลัพธ์

รูปแบบ output:
1. Executive summary (3 bullets)
2. Key metrics table
3. Top 5 insights
4. Recommended actions
5. Risks และ limitations

3. แยก Facts vs Interpretation

"แยกระหว่าง:
- Facts: สิ่งที่ข้อมูลบอก
- Interpretations: การตีความ
- Recommendations: คำแนะนำ"

สรุป

Prompt สำหรับ Data Analysis:

1. Data: อธิบายข้อมูลให้ชัด
2. Goal: ระบุเป้าหมาย
3. Context: ให้บริบททางธุรกิจ
4. Output: กำหนดรูปแบบผลลัพธ์
5. Depth: ระบุความละเอียดที่ต้องการ

งานที่ทำได้:

• EDA, Trend Analysis
• Segmentation
• Hypothesis Testing
• Root Cause Analysis
• Visualization

---

อ่านเพิ่มเติม:

• Prompt Engineering พื้นฐาน
• AI Analytics
• AI Tools สำหรับธุรกิจ