สวัสดีค่ะ บทความแมวจะมาบอกเทคนิคการสื่อสารผ่าน Data Visualization ยังไงให้มีความหมายและมีประสิทธิภาพ

1

คิดให้ชัดเจนว่าอยากสื่ออะไร
คือก่อนจะลงมือทำ ต้องถามตัวเองก่อนล่ะว่าเราอยากจะสื่ออะไรกันแน่ จะบอกอะไรคนดู เช่น สมมติเราเป็นเจ้าของร้านกาแฟ อยากจะบอกว่าปีนี้ยอดขายเติบโตขึ้นกว่าปีก่อนกี่เปอร์เซ็นต์ จะเลือกใช้กราฟแบบไหนให้คนเห็นชัดๆ หรือถ้าเป็นผู้จัดการโรงงาน อยากจะเปรียบเทียบกำลังการผลิตระหว่างปีนี้กับปีที่แล้ว ก็ต้องเลือกชาร์ตหรือกราฟที่เหมาะสม

2

อย่ายัดข้อมูลมากเกินไป
ถ้าเพื่อน ๆ คิดว่าการนำข้อมูลใส่ไปให้หมด จะช่วยให้ดกิดความเข้าใจมากขึ้น แมวคิดว่าความแน่นเอี๊ยดนั้นจะส่งผลเสียมากกว่า เพราะแทนที่จะสื่อให้เข้าใจง่าย กลับยิ่งจะทำให้มันดูยุ่งเหยิงสับสน เช่น จะทำ Dashboard สำหรับเกมออนไลน์ เราไม่จำเป็นต้องเอา Metrics ทุกตัวมายัดไว้ในหน้าเดียว เลือกแต่ตัวสำคัญๆ พอ แล้วใช้วิธีแบ่งข้อมูลเป็นชุดๆ ใส่ไว้คนละ Tab แยกเป็นกราฟหลายๆ อันจะดีกว่าค่ะ

3

บอกเล่าเรื่องราวผ่าน Visualization
การใส่ข้อมูลแห้งๆ ลงไปมันไม่พอ8jt เราต้องเขียนบรรยายหรือหาวิธีนำเสนอให้มันเป็นเรื่องราวที่น่าสนใจ อย่างเช่นเพื่อนแมวคนนึง ทำงานเป็นนักวิเคราะห์ของ NGO เธออยากชี้ให้เห็นว่าภัยพิบัติเพิ่มขึ้นทุกปีและส่งผลต่อผู้คนมากขึ้น สิ่งที่เธอทำคือ เล่าเรื่องตั้งแต่อดีตจนถึงปัจจุบันว่า เมื่อก่อนภัยพิบัติเกิดขึ้นแค่ไหน มีแนวโน้มเพิ่มขึ้นยังไงในช่วง 5 ปีที่ผ่านมา พร้อมยกตัวอย่างเคสใหญ่ๆ แล้วสรุปท้ายว่าจำนวนผู้เสียชีวิตและได้รับผลกระทบเพิ่มขึ้นอย่างน่าตกใจ ทำให้เห็นภาพชัดเจน

4

ใส่ใจรายละเอียด
สุดท้ายนี้ ถึงแม้ว่าแมวจะบอกว่าอย่าใส่เยอะ แต่อย่ามองข้ามรายละเอียดเล็กๆ น้อยๆ อย่างการใส่หน่วยของตัวเลข การตั้งชื่อกราฟ คำอธิบายสัญลักษณ์ สิ่งต่างๆ พวกนี้เป็นสิ่งจำเป็นที่ช่วยให้คนดูเข้าใจกราฟและชาร์ตของเราได้อย่างถูกต้อง ไม่ต้องมานั่งเดา เช่น ถ้าเป็นกราฟแสดงยอดขาย หน่วยเป็นล้านแต่ไม่ใส่ คนที่ดูก็จะสับสน ไม่แน่ใจว่ากำลังดูตัวเลขระดับหลักสิบ หลักร้อย หรือล้านกันแน่ เป็นต้นค่ะ


หวังว่าเทคนิคที่แมวเล่าให้ฟังจะช่วยให้ทุกคนสร้าง Data Visualization ที่ปังได้อย่างมีชั้นเชิง การสื่อสารด้วยภาพที่ทำออกมาดีๆ จะช่วยดึงดูดความสนใจจากผู้ชม สร้างความเข้าใจในเนื้อหาได้ง่ายขึ้นเยอะเลย หัดเอาไปใช้ดูกันนะคะ

Inference vs. Prediction

เกร็ดความรู้ประจำวันนี้ แมวจะมาอธิบายให้ฟังว่า Inference กับ Prediction ต่างกันอย่างไร

Inference คือการสรุปอ้างอิงข้อมูลจากกลุ่มตัวอย่างไปยังประชากร เป็นเรื่องของการประมาณการและคาดเดาค่าพารามิเตอร์ต่างๆ ของประชากร เช่น ถ้าเราสุ่มตัวอย่างคนในกรุงเทพฯ มา 1,000 คน แล้ววัดส่วนสูงเฉลี่ยได้ 165 ซม. เราก็สามารถสรุปได้ว่าค่าเฉลี่ยส่วนสูงของประชากรในกรุงเทพฯ น่าจะประมาณ 165 ซม. โดยมีความคลาดเคลื่อนอยู่บ้าง แต่จะอยู่ในช่วงที่ยอมรับได้ทางสถิติ (เช่น สัก 95% Confidence Interval) Inference เน้นที่การหาความสัมพันธ์ ไม่ได้สนว่าจะเอาไปใช้ทำนายอนาคตได้แม่นแค่ไหน

ส่วน Prediction คือการสร้างโมเดลเพื่อทำนายค่าของตัวแปรตามในอนาคตจากตัวแปรอิสระ เป็นการมองไปข้างหน้า ตัวอย่างเช่น เราอยากเทรนโมเดลเพื่อทำนายว่าทีมฟุตบอลทีมหนึ่งจะชนะหรือแพ้ในเกมหน้า โดยใช้ข้อมูลในอดีตของทีม เช่น สถิติการยิงประตู เปอร์เซ็นต์การครองบอล ฟอร์มการเล่น ฯลฯ มาเทรนโมเดลด้วย Machine Learning ทีนี้พอได้โมเดลแล้ว ก็เอาข้อมูลใหม่มาป้อนเข้าไปเพื่อทำนายผลแมตช์ต่อไป Prediction เน้นประสิทธิภาพของโมเดลในการทำนายให้แม่นยำ ไม่ได้สนว่าข้อมูลในอดีตจะมีความสัมพันธ์กันยังไง

สรุปคือ Inference มองไปที่การหาความสัมพันธ์และอ้างอิงไปยังประชากร ส่วน Prediction มองไปข้างหน้า สนแต่ว่าจะเอาข้อมูลมาสร้างโมเดลแล้วทำนายให้แม่น


Leave a Reply

Your email address will not be published. Required fields are marked *