4 รูปแบบของการวิเคราะห์ข้อมูล (Data Analytics)

     Data Analytics เป็นเครื่องมือสำหรับธุรกิจ (Business Intelligence) เพราะการที่กิจการบริหารงานโดยไม่ทราบข้อมูลที่จำเป็นก็เปรียบเหมือนคนตาบอดที่คอยคลำทางเพื่อไปยังจุดหมายซึ่งอาจจะถูกหรือผิดทาง บางครั้งอาจสรุปได้ว่าเป็นการเดินทางของกิจการที่ไร้จุดหมายปลายทางเลยก็ได้ ดังนั้นการทำ Data Analytics นี้ไม่จำเป็นต้องเป็นธุรกิจขนาดใหญ่เท่านั้น ธุรกิจขนาดกลางและเล็กก็สามารถทำได้เช่นกัน เรามาทำความเข้าใจรูปแบบของการวิเคราะห์ข้อมูล (Data Analytics) ว่ามีแบบใดบ้าง

     1. การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive Analytics) เป็นการวิเคราะห์เพื่อแสดงผลของรายการทางธุรกิจ เหตุการณ์ หรือกิจกรรมต่าง ๆ ที่ได้เกิดขึ้น หรืออาจกำลังเกิดขึ้นในลักษณะที่ง่ายต่อการเข้าใจหรือต่อการตัดสินใจ ตัวอย่างเช่น รายงานการขาย รายงานผลการดำเนินงาน ปกติรายงานเหล่านี้เป็นรายงานที่เกี่ยวข้องกับการจัดทำข้อมูลทางการเงินหรืองบการเงินประจำปีและงบการเงินประจำปี เป็นหนึ่งในรายงานที่ใช้ในการวิเคราะห์ข้อมูลแบบพื้นฐานที่ผู้ใช้งบการเงินต้องการ เช่น กำไรขั้นต้นสูงขึ้นเนื่องจากต้นทุนการผลิตที่ต่ำลงจากผลของการขยายกำลังการผลิตที่เพิ่มขึ้นตามยอดขายที่เติบโตขึ้นโดยปัจจัยด้านราคาขายคงที่

     2. การวิเคราะห์แบบเชิงวินิจฉัย (Diagnostic Analytics) เป็นการอธิบายถึงสาเหตุของสิ่งที่เกิดขึ้น ปัจจัยต่าง ๆ และความสัมพันธ์ของปัจจัยหรือตัวแปรต่าง ๆ ที่มีความสัมพันธ์ต่อกันของสิ่งที่เกิดขึ้น ตัวอย่างเช่น ความสัมพันธ์ระหว่างยอดขายต่อกิจกรรมทางการขายของฝ่ายขาย หรือแนวทางการทำตลาดของฝ่ายการตลาด ปกติเรื่องนี้มักจะเป็นการหาแนวทางใหม่ ๆ ที่ช่วยเสริมให้การตัดสินใจของฝ่ายจัดการนั้นเป็นไปในทางที่ถูกต้องที่สุดในสภาพแวดล้อมปัจจุบัน เช่น จำนวนยอดขายปี 25x2 เพิ่มขึ้น 5% จากปีก่อน เนื่องจากการเพิ่มกิจกรรมส่งเสริมการตลาดที่มีมากขึ้นและมีประสิทธิผลสูงจากการตอบรับของผู้บริโภค ประกอบกับดัชนีความเชื่อมั่นของผู้บริโภคสูงขึ้น

     3. การวิเคราะห์แบบพยากรณ์ (Predictive Analytics) เป็นการวิเคราะห์เพื่อพยากรณ์สิ่งที่กำลังจะเกิดขึ้นหรือน่าจะเกิดขึ้น โดยใช้ข้อมูลที่ได้เกิดขึ้นแล้วในอดีต (ส่วนใหญ่เป็นข้อมูลพื้นฐาน) กับแบบจำลองทางสถิติต่าง ๆ (สมมติฐาน) รวมถึงการใช้เทคโนโลยีปัญญาประดิษฐ์ต่าง ๆ (Artificial Intelligence) เป็นเครื่องมือช่วยในการจัดเรียงข้อมูลหรือเพื่อการวิเคราะห์ ตัวอย่างเช่น การพยากรณ์ยอดขาย การพยากรณ์ผลตอบแทนจากการลงทุน อาทิ จำนวนยอดขายปี 25x2 มีความเป็นไปได้ที่จะเพิ่มขึ้นอีก 5% จากปีก่อน ดัชนีความเชื่อมั่นของผู้บริโภคสูงขึ้น และแผนการขยายกำลังการผลิตจากเดิมที่ได้ลงทุนแล้วในปีก่อนหน้าสามารถเพิ่มกำลังการผลิตได้อีกเพราะยังมีกำลังการผลิตคงเหลือ ซึ่งสอดคล้องกับความต้องการสินค้าที่มีสูงขึ้นอย่างต่อเนื่องจากพฤติกรรมผู้บริโภคที่เปลี่ยนวิธีการสั่งซื้อสินค้ามาเป็นการซื้อผ่านช่องทางออนไลน์เพิ่มขึ้น

     4. การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics) เป็นการวิเคราะห์ข้อมูลที่มีความซับซ้อนที่สุดและอาศัยความเชี่ยวชาญของผู้วิเคราะห์มากที่สุด เพราะเป็นทั้งการพยากรณ์สิ่งต่าง ๆ ที่จะเกิดขึ้น ข้อดี ข้อเสีย สาเหตุ และระยะเวลาของสิ่งที่จะเกิดขึ้น รวมถึงการให้คำแนะนำทางเลือกต่าง ๆ ที่มีอยู่ และผลของแต่ละทางเลือกแก่ฝ่ายจัดการ เพราะจะต้องใช้ข้อมูลพื้นฐาน ข้อมูลจากการวินิจฉัย ตลอดจนการคาดการณ์ต่าง ๆ อย่างละเอียดและระมัดระวังรอบคอบอย่างมาก เช่น กิจการควรชะลอแผนการลงทุนขยายกำลังการผลิตของโรงงานออกไปที่ไตรมาสที่ 3 ของปี เนื่องจากความไม่ชัดเจนของจำนวนความต้องการของสินค้าในช่วง 2 ปีข้างหน้า ด้วยคู่แข่งที่เริ่มเข้ามามากขึ้นและเทคโนโลยีการผลิตเปลี่ยนแปลงค่อนข้างเร็ว ตลอดจนอัตราดอกเบี้ยมีแนวโน้มลดลงส่งผลให้ต้นทุนทางการเงินในการดำเนินการที่น่าจะลดลง ความชัดเจนน่าจะมีมากขึ้นในช่วงไตรมาสที่ 3 ของปีนี้

     การทำ Data Analytics ในปัจจุบันทั้ง 4 รูปแบบนั้นมีความสำคัญเพิ่มขึ้นอย่างมากและมากขึ้นในอนาคต เพราะข้อมูลคือสินทรัพย์หลักที่สำคัญที่จะทำให้กิจการอยู่รอดได้ ดังนั้นนักบัญชียุคใหม่ต้องเริ่มต้นลองหัดวิเคราะห์และหาความเชื่อมโยงของข้อมูล อย่าเพียงดูแต่รายงานสรุป แต่ต้องเข้าไปดูข้อมูลดิบอื่น ๆ เพื่อประกอบว่ามีข้อมูลที่สำคัญส่วนใดหายไป หรือการเชื่อมโยงของข้อมูลใดมีความสำคัญ หรือเกี่ยวข้องกับเหตุการณ์อะไรกับกระแสเงินสดหมุนเวียนของกิจการ แล้วเริ่มปรับกระบวนการงานบัญชีให้แข็งแกร่งยิ่งขึ้นกว่าปัจจุบัน และพัฒนาศักยภาพของตนเองหรือทีมงานอย่างต่อเนื่อง