ยก ตัวอย่าง ข้อมูลเชิงปริมาณ มา 3 ตัวอย่าง

2.�������¢ͧ������

2.1. ����ͨ�ṡ����ѡɳТͧ������ ����ö���͡���� 2 ��Դ���
      2.1.1 �������ԧ�س�Ҿ (Qualitative Data) ���¶֧ �����ŷ���������ö�͡����� �դ���ҡ���͹��� �������ö�͡����Ҵ��������� ���ͺ͡�ѡɳФ����繡�����ͧ ������ �� �� ��ʹ� �ռ� �س�Ҿ�Թ��� �����֧������
     2.1.2�������ԧ����ҳ (Quantitative Data) ���¶֧ �����ŷ������ö�Ѵ����� ����դ���ҡ���͹��«������ö�Ѵ����͡���繵���Ţ�� �� ��ṹ�ͺ �س����� ��ǹ�٧ ���˹ѡ ����ҳ��ҧ� ���

�͡�ҡ���������ԧ����ҳ�ѧ����ö���͡�����ա 2 �ѡɳФ��
       2.1.2.1 �������ԧ����ҳẺ������ͧ (Continues Data) ���¶֧ �����ŷ���繨ӹǹ��ԧ�������ö�͡�����к���ء��ҷ���˹��� �ӹǹ 0 � 1 ����դ���ҡ��¹Ѻ����ǹ �������鹨ӹǹẺ���Ҵ�͹
       2.1.2.2 �������ԧ����ҳẺ��������ͧ (Discrete Data) ���¶֧�����ŷ���繨ӹǹ��� ���ͨӹǹ�Ѻ �� 0 , 1 , 2 , � ,�, 100 ��� ���� 0.1 , 0.2 , 0.3 , � , � ���㹪�ͧ��ҧ�ͧ���Ф�Ңͧ�����Ũ�����դ���������á

2.2 ����ͨ�ṡ������觷���Ңͧ������ ����ö���͡���� 2 ��Դ���
     2.2.1�����Ż������ (Primary Data) ���¶֧ �����ŷ�������繼�����Ǻ��������� ����ͧ �� �����Ẻ�ͺ��� ��÷��ͧ���ͧ���ͧ
     2.2.2�����ŷص������ (Second Data) ���¶֧ �����ŷ��������Ҩҡ˹��§ҹ��� ���ͼ����� �����ӡ�����Ǻ����������ʹյ �� ��§ҹ��Шӻբͧ˹��§ҹ��ҧ� �����ŷ�ͧ��蹫������ͺ�. �繼���Ǻ������ ���

2.3 ����ͨ�ṡ����дѺ����Ѵ ����ö���͡���� 4 ��Դ���
     2.3.1�������дѺ����ѭ�ѵ� (Nominal Scale) ���¶֧ �����ŷ�����繡�����繾ǡ �� �� �Ҫվ ��ʹ� ����� ��� �������ö���ҨѴ�ӴѺ ���͹��Ҥӹdz��
     2.3.2�������дѺ�ѹ�Ѻ (Ordinal Scale) ���¶֧ �����ŷ������ö���繡������ �����ѧ����ö�͡�ѹ�Ѻ���ͧ����ᵡ��ҧ�� ���������ö�͡������ҧ�ͧ�ѹ�Ѻ����蹹͹�� �����������ö���º��º������ѹ�Ѻ���Ѵ����դ���ᵡ��ҧ�ѹ�ͧ������ҧ���� �� �ѹ�Ѻ���ͧ����ͺ�ͧ�ѡ�֡�� �ѹ�Ѻ���ͧ�����һ�СǴ�ҧ����� ���
     2.3.3 �������дѺ��ǧ���,�ѹ���Ҥ (Interval Scale) ���¶֧ �����ŷ���ժ�ǧ��ҧ ����������ҧ���� �ѹ ����ö�Ѵ��������繢����ŷ��������ٹ���� �� �س����� ��ṹ�ͺ GPA ��ṹ I.Q. ���
     2.3.4�������дѺ�ѵ����ǹ (Ratio Scale) ���¶֧ �����ŷ�����ҵ���Ѵ�����дѺ����Ѵ����٧����ش ��͹͡�ҡ����ö�觡������ �Ѵ�ѹ�Ѻ�� �ժ�ǧ��ҧ�ͧ����������ѹ���� �ѧ�繢����ŷ�����ٹ������ ���˹ѡ ��ǹ�٧ ���зҧ ����� �ӹǹ��ҧ� ���

next   top    previous

1. ข้อมูลเชิงปริมาณ (Quantitative Data) เป็นข้อมูลที่วัดค่าได้ว่ามากหรือน้อยในเชิง ปริมาณ เช่น รายได้ อายุ ความสูงจำนวนสินค้า ฯลฯ ซึ่งแบ่งได้ 2 แบบ คือ 1.1 ข้อมูลแบบต่อเนื่อง (Continuous Data) หมายถึง ข้อมูลที่มีค่าต่อเนื่องกันในช่วงที่ กำหนด สามารถแจงสมาชิกในข้อมูลได้ เช่น ความสูง อายุ ระยะทาง เป็นต้น 1.2 ข้อมูลแบบไม่ต่อเนื่อง (Discrete Data) หมายถึง ข้อมูลที่มีค่าเป็นจำนวนเต็มหรือ จำนวนนับ เช่น จำนวนนักศึกษา จำนวนสมาชิกในครัวเรือน เป็นต้น

2. ข้อมูลเชิงคุณภาพ (Qualitative Data) เป็นข้อมูลที่ไม่สามารถระบุค่าได้ว่ามากหรือ น้อย อาจแทนด้วยตัวเลขก็ได้โดยตัวเลขดังกล่าวไม่มีความหมายในเชิงปริมาณ เช่น เพศ ระดับการศึกษา อาชีพ ทัศนคติเป็นต้น

1. ข้อมูลปฐมภูมิ (Primary Data) เป็นข้อมูลที่ผู้ใช้ไปเก็บรวบรวมข้อมูลเอง ข้อ มูลที่ได้จะมี ความทันสมัยมีความถูกต้องน่าเชื่อถือ แต่การรวบรวมข้อมูลต้องใช้เวลานาน ต้องใช้กำลังคนมาก เสียค่าใช้จ่าย สูง ไม่สะดวกเท่าที่ควร

2. ข้อมูลทุติยภูมิ (Secondary Data) เป็นข้อมูลที่มีการเก็บรวบรวมไว้แล้วผู้ใช้เป็นเพียงผู้ที่ นำข้อมูลนั้นมาใช้จึงเป็นการประหยัดทั้งเวลาและค่าใช้จ่าย แต่บางครั้งจะเป็นข้อมูลที่ไม่ตรงกับความต้องการ หรือไม่ละเอียดพอ นอกจากนี้ผู้ใช้มักจะไม่ทราบถึงข้อผิดพลาดของข้อมูล ซึ่งมีผลทำให้การวิเคราะห์ผลอาจจะ ผิดพลาดได้

https://sites.google.com/site/khwanjibi/khwam-hmay-khxmul-cheing-khunphaph

วันนี้จะพามาทำความรู้จัก 6 ประเภทของ Data ที่นักการตลาดต้องรู้ ตั้งแต่ Quantitative กับ Qualitative Data แล้วแยกย่อยไปจนถึง Nominal Data กับ Ordinal Data กับอีกสองชนิดสุดท้ายที่สำคัญแต่อาจไม่คุ้นกันอย่าง Discrete data กับ Continuous data ครับ

ทักษะเรื่อง Data Thinking หรือ Data Literacy ในวันนี้มีความสำคัญเพิ่มขึ้นทุกวัน เพราะเราก้าวเข้าสู่ยุค Data-Driven และ AI มากขึ้นทุกวันโดยที่เราอาจไม่รู้ตัว และในศตวรรษที่ 21 นี้บริษัทต่างก็ต้องการคนที่มีความรู้ความเข้าใจเรื่องดาต้ามากกว่าคนที่ไม่มี เพราะในวันที่เราต้องทำงานกับดาต้าที่มากขึ้นเรื่อยๆ การรู้ไว้ว่าดาต้ามีกี่ชนิด กี่ประเภท แล้วแต่ละประเภทต่างกันอย่างไร จะทำให้เราได้เปรียบกว่าคนที่ไม่รู้เพราะเราจะรู้ว่าเราจะต้องหยิบดาต้าแบบไหนเข้ามาใช้ เราต้องการดาต้าแบบใดเพื่อแก้ปัญหา ไม่ว่าจะในด้าน Statistics ในด้าน Marketing Research หรือแม้แต่ในด้าน Data Science เองก็ตาม

ผมมักบอกคนรอบตัวเสมอว่าดาต้าก็เหมือนกับเครื่องมือช่าง แต่การที่เราจะหยิบจับเครื่องมือได้ถูกเราต้องรู้ก่อนว่าเครื่องมือแต่ละอย่างทำอะไรได้บ้าง จะได้หยิบมาใช้ได้ตรงปัญหาแล้วทำให้แก้ได้อย่างรวดเร็วไม่บานปลายครับ

ในตอนนี้เราจะมาเรียนรู้กันว่าโดยส่วนใหญ่แล้วดาต้าแบ่งออกเป็นกี่ประเภทหลัก แล้วในแต่ละประเภทหลักแบ่งออกได้อีกกี่ชนิดย่อย พร้อมกับภาพตัวอย่างเพื่อให้เข้าใจไปพร้อมกัน ถ้าพร้อมแล้วไปทำความรู้จักกับ 6 Types of Data กันครับ

Qualitative data และ Quantitative data

มาทำความรู้จักกับดาต้าหลักสองชนิดกันก่อนนะครับว่าต่างกันอย่างไร และในโลกของดาต้ายุคใหม่นั้นดาต้าสองชนิดนี้สามารถเหมือนกันได้ขนาดไหน

1. Quantitative data ข้อมูลเชิงปริมาณ

แปลง่ายๆ คือข้อมูลเชิงปริมาณ ที่สามารถวัดค่าได้ชัดเจน เป็นข้อมูลประเภทตัวเลข ข้อมูลประเภทนี้จะได้มาจากการถามคำถามจำพวก “เท่าไหร่” “มากแค่ไหน” หรือ “บ่อยแค่ไหน” เช่น สูงเท่าไหร่ ซื้อครั้งละมากแค่ไหน มาบ่อยขนาดไหน

Quantitative data นั้นจะง่ายต่อการนำไปใช้งานตามหลักสถิติ เอาไปทำ Data Visualization ต่อได้ง่าย สามารถเอาไปแสดงออกไปรูปแบบของกราฟชนิดต่างๆ ได้ ไม่ว่าจะ Line chart, Bar graph, Scatter plot หรืออื่นๆ อีกมากมาย

ตัวอย่างข้อมูลประเภท Quantitative data เช่น คะแนนสอบวัดผลของเด็กนักเรียน น้ำหนัก ไซส์รองเท้า อุณหภูมิในห้อง

และใน Quantitative data แบ่งออกได้อีก 2 ชนิดย่อย คือ Discrete data และ Continuous data ซึ่งเดี๋ยวจะมาอธิบายต่อในภายหลังครับ

2. Qualitative data ข้อมูลเชิงคุณภาพ

เป็นที่รู้จักกันในนามข้อมูลเชิงคุณภาพ แต่เดิมดีข้อมูลประเภทนี้จะมีจำนวนน้อยมาก หายาก เข้าถึงได้ลำบาก ต้องผ่านการทำ Marketing Research ในรูปแบบ Interview หรือ Focus group ที่มีค่าใช้จ่ายสูงแต่ได้ดาต้ามาน้อยมาก

ข้อมูลประเภท Qualitative data ไม่สามารถทำออกมาในรูปแบบตัวเลขได้ในสมัยก่อน และไม่สามารถวัดผลได้ก่อนหน้านี้ เพราะมักจะอยู่ในรูปแบบของคำพูด การบรรยาย การอธิบาย ตัวหนังสือ รูปภาพ หรือสัญลักษณ์ต่างๆ ที่ไม่ใช่ตัวเลข

Qualitative data ยังถูกเรียกว่า Categorical data เพราะข้อมูลที่ได้มาสามารถนำมาจัดลำดับตามกลุ่มหัวข้อหรือหมวดหมู่ได้ และถ้าทำได้ดีพอก็จะกลายเป็นตัวเลขที่แน่นอนชัดเจนซึ่งสามารถนำไปวิเคราะห์ต่อได้ดีขึ้นเช่นเดียวกับ Quantitative data

Qualitative data จะมาจากคำถามประเภท “รู้สึกอย่างไรตอนนี้?” คำตอบที่ได้จะไม่ใช่ตัวเลข แต่จะเป็น รู้สึกดี รู้สึกเฉยๆ หรือรู้สึกแย่ และอาจจะผ่านการถามต่อไปอีกว่า “แล้วทำไมถึงรู้สึกแบบนี้?” ข้อมูลที่ได้มาจะมีความเป็นนามธรรมสูง ยากจะจัดลำดับหรือเอามาสรุปเป็นตัวเลขได้โดยง่ายในสมัยก่อน

ตัวอย่าง Qualitative data เช่น สีต่างๆ สถานที่ชอบไปในวันหยุด ชื่อ เชื้อชาติ เป็นต้น

และ Qualitative data ยังแบ่งแยกย่อยออกได้อีก 2 ชนิดเช่นกัน ประกอบด้วย Nominal data และ Ordinal data ซึ่งเราจะมาทำความรู้จักกันต่อครับ

Nominal data กับ Ordinal data ต่างกันอย่างไร

3. Nominal data ข้อมูลระบุประเภท

Nominal เป็นคำภาษาลาตินมาจากคำว่า Nomen ซึ่งหมายถึงคำว่า Name ในภาษาอังกฤษ ดังนั้น Nominal data นี้จึงหมายถึงดาต้าประเภท Label หรือการระบุว่าข้อมูลนี้คืออะไร โดยไม่เกี่ยวกับปริมาณที่สามารถวัดได้ในภายหลัง

ดังนั้น Nominal data จึงเป็นแค่ชื่อที่เอาไว้ระบุหรือจัดกลุ่มประเภทของ Data ที่มีให้ง่ายต่อการจัดการหรือนำไปวิเคราะห์ต่อในภายหลัง ตัวอย่างเช่น เพศ แล้วค่อยระบุทีหลังว่าชายหรือหญิง สีผม แล้วค่อยระบุว่าสีอะไร สถานะ แล้วค่อยระบุว่า โสด แต่งงานแล้ว หรือหย่าร้าง เป็นต้น

และ Nominal data จะไม่มีการเปลี่ยนแปลงระดับค่าภายในตามมา เช่น ถ้าพูดถึง สีของดวงตา จะมีแค่ ฟ้า เขียว น้ำตาล จะไม่มีการแตกแยกย่อยลงไปได้อีกว่า ฟ้ามาก ฟ้าน้อย น้ำตาอ่อน น้ำตาลเข้ม ดังนั้น Nominal data จึงเป็นค่าที่มีความตายตัวชัดเจนไม่สามารถแบ่งแยกย่อยเพิ่มได้ เช่น ถ้าบอกว่าเป็นคนไทยก็คือไทย ไม่มีไทยมาก ไทยน้อย พอนึกภาพออกใช่ไหมครับ

4. Ordinal data ข้อมูลวัดระดับ

Ordinal data คือข้อมูลที่ใช้แสดงลำดับในข้อมูลอีกทีหนึ่ง หรือนึกถึงคำว่า Order ก็ได้ครับ นี่คือความแตกต่างจาก Nominal data ที่เป็นการจำแนกชนิดของข้อมูลแต่ไม่สามารถลำดับความแตกต่างต่อได้

ซึ่ง Ordinal data อาจจะเป็นการลำดับด้วยตัวเลข 1 ถึง 10 หรือระดับความพึงพอใจ ซึ่งหัวใจหลักคือการระบุว่าอะไรเหนือกว่าหรือด้อยกว่า แต่ตัวเลขเหล่านี้ไม่สามารถนำไปคำนวนด้วยการบวกลบตรงๆ ได้ จะต้องใช้วิธีอื่นในการคำนวนประมวลผลเพื่อทำให้เห็นภาพรวม

ดังนั้น Ordinal data จึงจัดอยู่ระหว่าง Qualitative กับ Quantitative คือมีทั้งคุณค่าและสามารถวัดปริมาณได้พร้อมกัน เช่น ถ้าเทียบกับการใช้ Social listening tool ก็หมายถึง Sentiments Analysis ที่สามารถวัดอารมณ์ความรู้สึกในแต่ละโพสในหัวข้อที่เราอยากรู้ออกมาได้ เช่น ชอบ ไม่ชอบ เฉยๆ หรือถ้า Social listening tool ใหม่ๆ ที่สามารถทำงานได้ละเอียดๆ ก็จะแยกย่อยอารมณ์ออกมาได้อีกหลายเลเวล จากนั้นค่อยเอามาสรุปว่าตกลงมีคนที่ชอบรวมเท่าไหร่ และไม่ชอบรวมเท่าไหร่ครับ

ตัวอย่าง Ordinal data เช่น อันดับที่ 1 2 หรือ 3 หรือเกรดที่ได้จากการวัดผล A B C หรือ D หรือคะแนนความพึงพอใจหลังการขาย 1 ถึง 10 หรือสถานะทางการเงิน รวย ปานกลาง ยากจน

สรุปได้ว่า Nominal data คือข้อมูลที่ระบุสุดท้ายแต่ไม่สามารถแตกระดับแยกย่อยเพื่อวัดผลได้ แต่พอจะวัดจำนวนได้ แต่ Ordinal data คือข้อมูลที่สามารถวัดระดับความแตกต่างได้ แต่ไม่สามารถเอาตัวเลขที่ได้มาบวก ลบ คูณ หาร หรือคำนวนโดยตรงครับ

Discrete data กับ Continuous data ต่างกันอย่างไร

2 ประเภทสุดท้ายของ Data ที่จะพูดถึงในบทนี้เป็น Subset ของ Quantitative data หรือข้อมูลเชิงปริมาณที่นักการตลาดควรรู้จักไว้ เพราะในหลักสถิติ การวิเคราะห์ข้อมูล การทำ Marketing research หรือแม้แต่กับงานด้าน Data science หลายครั้งในการตัดสินใจเลือกดาต้ามาใช้ก็มักจะเป็นสองประเภทนี้ส่วนใหญ่ การรู้ไว้ว่าเรากำลังใช้อะไรอยู่จึงทำให้ง่ายต่อการเลือกหยิบมาใช้ในอนาคตครับ

5. Discrete data

Discrete data คือข้อมูลตัวเลขที่เป็นการนับจำนวนเต็ม แต่ไม่ใช่ข้อมูลต่อเนื่องหรือเกี่ยวข้องกับข้อมูลอื่นอีก แถมยังไม่สามารถแบ่งแยกออกเป็นส่วนย่อยได้อีกแล้ว เช่น ข้อมูลจำนวนเด็กนักเรียนในห้องเรียน ที่ชัดเจนว่าจะเป็น 10 15 หรือ 20 คนเป็นต้น แต่จะไม่มี 11.5 คนเด็ดขาด เพราะคนหนึ่งคนแบ่งแยกย่อยไม่ได้ หรือแม้แต่จำนวนวันในแต่ละเดือนก็นับเป็น Discrete data เช่นกัน เพราะมันชัดเจนว่าแต่ละเดือนมีกี่วัน

ตัวอย่าง Disctete data เช่น จำนวนพนักงานในแต่ละบริษัท จำนวนตึกสูงเกิน 5 ชั้นในแต่ละเขต จำนวนประตูที่ทีมฟุตบอลหนึ่งทำได้ จำนวนคำถามที่ตอบได้ถูกต้อง จำนวนสินค้าที่ลูกค้าซื้อ จำนวนครั้งที่ลูกค้ามาในเดือนนี้

6. Continuous data

ข้อมูลชนิดสุดท้ายนี้มีความพิเศษและน่าสนใจ ตรงที่ Continuous data คือข้อมูลที่ต่อเนื่องของสิ่งหนึ่งที่อาจจะคงที่หรือเปลี่ยนแปลงไปตามกาลเวลา เช่น ส่วนสูงของคนหนึ่งที่ถูกวัดตั้งแต่อายุ 1 ขวบ ไปจนถึง 15 ขวบ หรือน้ำหนักของคนหนึ่งที่วัดต่อเนื่องทุกเดือนเป็นเวลาสิบปี

ข้อมูลประเภท Continuous data นี้จะทำให้เราได้เห็นวิวัฒนาการหรือความเปลี่ยนแปลงที่ชัดเจน หรือแม้แต่ไม่เปลี่ยนแปลงเราก็รู้ได้ ข้อมูลประเภทนี้อาจจะมีให้ใช้น้อยมาก เพราะยากต่อการติดตามในการจัดเก็บ แต่ในโลกยุคดิจิทัลการจะเก็บข้อมูลเหล่านี้ก็ง่ายกว่าวันวานมากกว่าที่คิด

ส่วนหนึ่งที่ใกล้ตัวเราทุกคนคือข้อมูลปริมาณการใช้เวลาในแอปต่างๆ บนโทรศัพท์มือถือ ที่ถ้าใครใช้ Apple ก็จะได้เห็นว่าตกลงแล้วตัวเองติด Facebook มากขึ้นหรือลดลงเมื่อเทียบกับสัปดาห์ก่อน

ความต่างของ Continuous data กับ Discrete data อยู่ตรงที่ความต่อเนื่องของข้อมูลที่เก็บ กับความเป็นอิสระต่อกันครับ

ตัวอย่างข้อมูลประเภท Continuouse data อื่นๆ เช่น ระยะเวลาที่ใช้ทำแต่ละงานให้สำเร็จ ความสูงของเด็กคนหนึ่ง ความเร็วรถ จำนวนพื้นที่ตารางฟุตของบ้านสองห้องนอนตามระยะเวลาที่ผ่านไป หรือข้อมูลจำนวนประชากรไทยในแต่ละปี หรืออัตราส่วนการรู้หนังสือของคนไทย หรือค่าน้ำมันดีเซลในแต่ละปี

จะเห็นว่าข้อมูลประเภท Continuous data จะอ้างอิงจะกาลเวลาที่เปลี่ยนไป เพื่อทำให้เราได้เห็นการเติบหรือการเปลี่ยนแปลงได้อย่างชัดเจน

สรุป 6 ชนิดของ Data ที่นักการตลาดต้องรู้

ในยุคของ Data-Driven Marketing เราต้องเกี่ยวข้องกับ Data ไม่มากก็น้อย ไม่ทางใดก็ทางหนึ่ง ไม่ว่าจะเอาไปใช้ในด้านสถิติ ใช้ในด้านของการทำ Marketing Research หรือใช้กับงานด้าน Data Science การที่เรารู้ไว้ว่าดาต้าแบบไหนมีคุณสมบัติอะไร จะทำให้เราสามารถเลือกหยิบดาต้ามาใช้ได้ง่าย หรือเลือกที่จะจัดเก็บมาใช้งานต่อได้เร็วขึ้น

เพราะดาต้าแต่ละประเภทก็มีคุณสมบัติที่ต่างกัน บางอย่างเป็นตัวเลขชัดเจน บางอย่างไม่ใช่ตัวเลขแล้วเราจะเอามาทำให้เป็นตัวเลขเพื่อวิเคราะห์ต่อได้อย่างไร บางอย่างอาจต้องใช้การติดตามข้อมูลอย่างต่อเนื่อง หรือบางอย่างไม่ต้องแค่เทียบที่เหมือนกันในช่วงเวลาเดียวกันก็พอ

สิ่งที่ควรทำต่อจากนี้คือการพยายามแยกประเภทดาต้าหรือข้อมูลรอบตัวให้ออกว่าอันนี้คืออะไร ระหว่าง Qualitative หรือ Quantitative แล้วมันน่าจะเป็นอะไรระหว่าง Nominal หรือ Ordinal data หรือรายงานนี้ใช้ข้อมูลแบบ Discrete data หรือ Continuous data กันแน่นะ

ยกตัวอย่างข้อมูลเชิงปริมาณมีอะไรบ้าง

ตัวอย่างข้อมูลเชิงคุณภาพมีอะไรบ้าง

ลักษณะของข้อมูลเชิงปริมาณเป็นอย่างไร พร้อมยกตัวอย่าง

Nominal Data มีอะไรบ้าง