Data & Analytics

Effective Data Storytelling (Part 1/2)

เล่าเรื่องด้วยข้อมูลให้ “เข้าใจ” และ “ตัดสินใจได้”

31 Jan 202634 min readDashboard

Effective Data Storytelling · Part 1 of 2

Effective Data Storytelling (Part 1/2)

เล่าเรื่องด้วยข้อมูลให้ “เข้าใจ” และ “ตัดสินใจได้”

ในโลกธุรกิจปัจจุบัน ความท้าทายที่แท้จริงไม่ได้อยู่ที่การขาดแคลนข้อมูล (Data Availability) แต่อยู่ที่ความสามารถในการสื่อสารข้อมูลเหล่านั้นให้ผู้อื่นเข้าใจและนำไปใช้งานได้จริง (Data Communication) บทความนี้สรุปองค์ความรู้จากหลักสูตร Effective Data Storytelling โดยมุ่งเน้นการปิดช่องว่างทางการสื่อสาร การเลือกใช้เครื่องมือ Visual ที่เหมาะสม และการนำเสนอข้อมูลที่ทรงพลัง

Part 1: Closing the Communication Gaps

ทำไมการสื่อสารด้วยข้อมูลจึงล้มเหลว?

ก่อนที่จะเริ่มออกแบบกราฟหรือสไลด์ เราจำเป็นต้องเข้าใจกลไกพื้นฐานและอุปสรรคของการสื่อสาร เพื่อป้องกันความผิดพลาดที่มักเกิดขึ้น “ระหว่างทาง”

1.1 Elements of Communication (องค์ประกอบการสื่อสาร)

การสื่อสารทุกครั้งประกอบด้วยขั้นตอนสำคัญ:

Sender (ผู้ส่งสาร) — ผู้ที่มีข้อมูลหรือความคิดต้องการถ่ายทอด
Encoding — การแปลงความคิดให้เป็นคำพูด ภาพ กราฟ หรือข้อความ
Message — สารที่ถูกส่งออกไป
Decoding — กระบวนการที่ผู้รับตีความสาร
Receiver (ผู้รับสาร) — ผู้ที่รับและแปลความหมายของข้อมูล

ปัญหามักเกิดขึ้น “ระหว่างทาง” เช่น

ผู้ส่งอธิบายไม่ชัดเจน
ผู้รับตีความผิด
ทั้งสองฝ่ายมีความเข้าใจพื้นฐานไม่ตรงกัน

It’s not what you say. It’s what people hear.
สิ่งสำคัญไม่ใช่แค่เราพูดอะไร แต่คือผู้ฟัง “เข้าใจว่าอะไร”

1.2 The Curse of Knowledge (กับดักของผู้รู้)

คุณเห็นอะไรในภาพนี้

ลองนึกภาพหนึ่งภาพ…
หลายคนจะเห็น “ดอกกุหลาบ”
แต่บางคนเห็นว่า…มี “ปลาโลมา” ซ่อนอยู่ในภาพ

ทันทีที่เรา “เห็นแล้ว”
เราจะ กลับไปมองภาพแบบไม่เห็นมันไม่ได้อีก นี่คือ The Curse of Knowledge

เมื่อเราทำงานกับข้อมูลมานาน เรามัก:
- เห็น Insight ชัดเจน
- เข้าใจ Logic ทุกขั้นตอน
- คิดว่ากราฟ “อธิบายตัวเองได้”
แต่ผู้ฟังอาจ:
- เห็นข้อมูลนี้เป็นครั้งแรก
- ไม่มีบริบทเดียวกับเรา
- ยัง “มองไม่เห็นภาพ” แบบที่เราเห็น

นี่คือ The Curse of Knowledge
อคติที่ทำให้ผู้เชี่ยวชาญเผลอคิดว่าคนอื่นรู้เท่าตน

ผู้พูดคิดว่า “ชัดมาก”
ผู้ฟังกลับรู้สึกว่า “งงมาก”

1.3 High Cognitive Load (เมื่อสมองผู้ฟังทำงานหนักเกินไป)

คุณเห็นอะไรในภาพนี้

Ref: www.facebook.com/SureAndShare/photos/1465495773814325

High Cognitive Load คือภาวะที่ผู้ฟังต้องใช้พลังสมองมากเกินไปในการทำความเข้าใจข้อมูล

สาเหตุที่พบบ่อย:

ข้อมูลมากเกินไป
กราฟซับซ้อนเกินไป
รายละเอียดที่ไม่จำเป็น

เมื่อมี “Noise” มากเกินไป
“Signal” หรือสารสำคัญจะถูกกลบ

กราฟที่ดีไม่ใช่กราฟที่ใส่ทุกอย่าง
แต่คือกราฟที่ ตัดสิ่งไม่จำเป็นออก

แนวคิดนี้เชื่อมโยงกับ Pre-Attentive Processing
ความสามารถของสมองที่มองเห็นบางสิ่งได้ทันที เช่น สี ขนาด หรือรูปร่าง

Source: Healey C., Perception in Visualization (https://www.csc2.ncsu.edu/faculty/healey/PP/)

หากออกแบบดี ผู้ฟังจะ “จับประเด็น” ได้โดยไม่ต้องใช้ความพยายามมาก

1.4 Misinterpretation (สารเดียวกัน เข้าใจต่างกัน)

Misinterpretation คือการตีความข้อมูลไม่ตรงกับเจตนาของผู้ส่ง

สาเหตุหลัก ได้แก่

ขาดบริบท
ประสบการณ์เดิมของผู้ฟังแตกต่าง
ความคุ้นเคยกับข้อมูลไม่เท่ากัน

กราฟเดียวกัน ผู้ฟังอาจเห็นต่างกัน เช่น:

จุดพุ่งขึ้น (Spike)
แนวโน้ม (Trend)
หรือสรุปคนละประเด็น

แนวทางแก้ไขคือการเพิ่ม:

บริบท (Context)
คำอธิบาย (Annotation)
การเน้นจุดสำคัญ (Highlight)

เพื่อช่วยกำกับการตีความให้อยู่ในทิศทางเดียวกัน

1.5 Audience First Approach (ยึดผู้ฟังเป็นศูนย์กลาง)

หัวใจของ Data Storytelling คือ

Start with people, then choose the data เริ่มจาก “คนฟัง” ก่อน แล้วค่อยเลือก “ข้อมูล”

ทำความเข้าใจผู้ฟัง (Audience Understanding)
- ผู้ฟังคือใคร
- เขาสนใจเรื่องอะไร
- มีพื้นฐานความรู้แค่ไหน
- คำถามหรือปัญหาที่เขาอยากได้คำตอบคืออะไร
ทำความเข้าใจข้อมูล (Data Understanding)
- ข้อมูลที่มีสามารถตอบคำถามอะไรได้
- ข้อมูลมีข้อจำกัดหรือช่องว่างอะไรบ้าง
จุดตัดสำคัญ (Key Insight)
- จุดที่ สิ่งที่ผู้ฟังอยากรู้ × สิ่งที่ข้อมูลตอบได้ คือ “สารหลัก” ที่ควรนำมาเล่า
- ข้อมูลเราตอบคำถามนั้นได้หรือไม่?
หน้าที่ของเราคือการไปหาข้อมูลเพิ่ม ไม่ใช่การยัดเยียดสิ่งที่มี

หลักคิดสำคัญ:

ผู้ฟังอยากรู้ แต่ข้อมูลไม่มี → ต้องหาข้อมูลเพิ่ม
Insight ดี แต่ผู้ฟังไม่สนใจ → ตัดออก
Insight มีจำนวนมาก → เลือกเล่าเฉพาะที่จำเป็น

One size does not fit all
เรื่องที่เล่าต้องปรับตามกลุ่มผู้ฟังเสมอ

Key Takeaways (ส่วนที่ 1)

สิ่งที่ชัดเจนสำหรับเรา อาจไม่ชัดเจนสำหรับผู้ฟัง
มนุษย์มีอคติในการรับรู้ มักเห็นสิ่งที่คุ้นเคย
กราฟที่ใช้ “สำรวจข้อมูล” ไม่เหมาะกับการ “อธิบายข้อมูล” เสมอไป
โครงสร้างเรื่องที่ดี + กราฟที่เข้าใจง่าย = การสื่อสารที่มีประสิทธิภาพ

Part 2: Visualizing Data Effectively

การออกแบบภาพข้อมูลให้ “เห็นแล้วเข้าใจ”

2.1 Why Data Visualization?

มีใครตีความข้อมูลนี้ได้บ้างไหม

Ref: Graphs in Statistical Analysis (F. J. Anscombe — 1973)

มนุษย์ไม่ถนัดอ่านตารางตัวเลขจำนวนมาก
แต่ถนัดมองหา:

รูปแบบ (Pattern)
แนวโน้ม (Trend)
ความผิดปกติ (Outlier)

งานวิจัยคลาสสิกอย่าง Anscombe’s Quartet แสดงให้เห็นว่า
ข้อมูลที่มีค่าสถิติเท่ากัน อาจเล่า “เรื่องราว” ต่างกันอย่างสิ้นเชิงเมื่อแสดงเป็นกราฟ

Ref: Graphs in Statistical Analysis (F. J. Anscombe — 1973)

ตาราง: เหมาะสำหรับการเก็บข้อมูลและดูค่าละเอียด
กราฟ: เหมาะสำหรับการหา Pattern, Trend และ Outlier ช่วยลดภาระการคำนวณของสมอง และช่วยให้ตัดสินใจได้รวดเร็วขึ้น

เป้าหมายของ Data Visualization คือ

ลดภาระการคำนวณในสมอง
ช่วยให้เข้าใจความหมายได้รวดเร็ว
ทำให้ผู้ดูตัดสินใจได้ดีขึ้น

ตารางช่วย “เก็บข้อมูล”
กราฟช่วย “เข้าใจข้อมูล”

2.2 Visual Encodings (การแปลงข้อมูลเป็นภาพ)

การเลือกใช้คุณลักษณะทางภาพ (Encodings) มีผลต่อความแม่นยำในการรับรู้ของมนุษย์ เรียงลำดับประสิทธิภาพจากมากไปน้อยดังนี้:

ข้อมูลเชิงตัวเลข / มีลำดับ (Quantitative / Ordinal) เช่น 1, 50, 100 หรือ S, M, L, XL

Position (ตำแหน่ง): แม่นยำที่สุด (เช่น Scatter Plot, Bar Chart)
Length (ความยาว): (เช่น Bar Chart)
Angle/Slope (มุม): (เช่น Pie Chart — มักอ่านยากกว่า)
Area (พื้นที่): (เช่น Bubble Chart)
Color Intensity (ความเข้มสี): แม่นยำน้อยที่สุด เหมาะสำหรับดูภาพรวม (เช่น Heatmap)

ประสิทธิภาพในการเปรียบเทียบ: Position > Length > Angle > Area > Color

Ref: Data Visualization Theory: An Introduction

ข้อมูลเชิงกลุ่ม (Categorical / Qualitative) เช่น dog, cat, rabbit

Position (การวางตำแหน่ง)
Categorical Colors (สีแยกกลุ่ม)
Shape (รูปทรง)

ข้อมูลแบบเครือข่าย (Relational / Network) เช่น social network, communication network

Connection (เส้นเชื่อม)
Containment (การจัดกลุ่ม / กรอบ)

เลือกวิธี Encode ให้เหมาะกับ “สิ่งที่อยากให้คนอ่านเปรียบเทียบ”

2.3 Selecting the Right Chart (Chart Taxonomy)

การเลือกกราฟต้องเริ่มจากคำถามว่า “เราต้องการแสดงอะไร?”

ข้อมูลเดียวกัน ใช้ได้หลายกราฟ
แต่ กราฟที่ดีคือกราฟที่ตอบคำถามได้ดีที่สุด

2.4 Visualizing Relationships (การหาความสัมพันธ์)

การแสดง “ความสัมพันธ์” ของตัวแปรตั้งแต่ 2 ตัวขึ้นไป

กราฟกลุ่ม Relationship ใช้เพื่อตรวจดูว่า ตัวแปรตั้งแต่ 2 ตัวขึ้นไปมีความสัมพันธ์กันหรือไม่ เช่น เมื่อค่าแกน X เพิ่มขึ้น ค่าแกน Y มีแนวโน้มเพิ่มขึ้น ลดลง หรือไม่เปลี่ยนอย่างมีแบบแผน

ตัวอย่างคำถาม:

หาก อายุงานเพิ่มขึ้น แล้ว เงินเดือนเพิ่มขึ้นหรือไม่

โดยทั่วไป

X (ตัวแปรต้น / Independent Variable) = อายุงาน
Y (ตัวแปรตาม / Dependent Variable) = เงินเดือน
และ แต่ละจุด แทนข้อมูลของ “คนหนึ่งคน” (หนึ่ง observation)

Scatter Plot

Scatter Plot ใช้แสดงความสัมพันธ์ของข้อมูลเชิงตัวเลข 2 ตัวแปรบนแกน X และ Y เพื่อดูแนวโน้มโดยรวม และรูปแบบของข้อมูล

วิธีอ่านเบื้องต้น

จุดเรียง “เฉียงขึ้น” → แนวโน้มความสัมพันธ์เชิงบวก (Positive relationship)
จุดเรียง “เฉียงลง” → แนวโน้มความสัมพันธ์เชิงลบ (Negative relationship)
จุดกระจายไร้รูปแบบ → อาจไม่มีความสัมพันธ์ชัดเจน หรือมีปัจจัยอื่นแทรก

หมายเหตุ: Scatter Plot ไม่ได้มีไว้แค่หา “เส้นตรง” แต่ช่วยมองเห็น cluster, pattern, และ outlier ได้ดีมาก

Ref: https://www.livemint.com/mint-top-newsletter/techtalk23062023.html

Correlation (ค่าสหสัมพันธ์)

เมื่อพูดถึงความสัมพันธ์ มักอ้างอิงค่า Correlation ซึ่งเป็นค่าที่บอกความสัมพันธ์เชิงเส้นระหว่างตัวแปร 2 ตัว โดยมีช่วง -1 ถึง 1

-1 = ความสัมพันธ์ทางตรงกันข้ามสมบูรณ์ (X เพิ่ม → Y ลด)
1 = ความสัมพันธ์ทางเดียวกันสมบูรณ์ (X เพิ่ม → Y เพิ่ม)
0 = ไม่พบความสัมพันธ์เชิงเส้นชัดเจน

https://www.statlect.com/fundamentals-of-probability/linear-correlation

ข้อควรระวัง: Correlation บอก “ความสัมพันธ์” ไม่ได้ยืนยัน “เหตุและผล” (correlation ≠ causation)

Bubble Chart

หากต้องการเพิ่ม ตัวแปรที่ 3 (เชิงตัวเลข) เพื่อให้ข้อมูล “ลึกขึ้น” สามารถใช้ Bubble Chart ได้ โดยให้

X = ตัวแปรต้น
Y = ตัวแปรตาม
Size (ขนาดฟอง) = ตัวแปรที่สาม (ควรเป็นตัวแปรที่ “รองลงมา” ในความสำคัญ)

ตัวอย่าง

X = อายุงาน
Y = เงินเดือน
Size = ผลงานรวม / ยอดขาย / จำนวนโปรเจกต์

Best Practices

ให้ X และ Y ยังคงเป็น “แกนหลัก” ในการเล่าความสัมพันธ์
ขนาดฟองใช้เพื่อเสริม “น้ำหนัก” ของแต่ละจุด
ระวังจำนวนจุดมากเกินไปจนอ่านแนวโน้มไม่ได้

เพิ่มตัวแปรที่ 4 (เป็นหมวดหมู่)

ถ้ามีตัวแปรที่สี่เป็น “หมวดหมู่” (เช่น แผนก / ภูมิภาค) สามารถเพิ่มได้ด้วย

Bubble Chart + Color (สีแยกกลุ่ม)

ข้อควรระวังสำคัญ: Overload / Cognitive Load

ใส่หลายมิติเกินไป → ผู้ฟังจับประเด็นหลักไม่ได้
ยึดหลัก: กราฟต้องเน้น Key Message และย่อยง่าย
สิ่งที่ไม่จำเป็นต่อการตัดสินใจ → ตัดออก

Ref: https://www.mckinsey.com/featured-insights/2020-year-in-review/a-tale-of-2020-in-20-mckinsey-charts#/

Ref: https://www.mckinsey.com/featured-insights/year-in-review/year-in-charts

มากกว่านั้น เรายังสามารถนำสีมาช่วยเพื่อแบ่งกลุ่มต่างๆ ใน Visualziation ประเภท Relationship ได้อีกด้วย

Ref: https://portfoliooptimizer.io/blog/the-gerber-statistic-a-robust-co-movement-measure-for-correlation-matrix-estimation/

Ref: https://theintelligentecommerce.substack.com/p/analytical-assortment-optimization

Ref: https://aws.amazon.com/resources/analyst-reports/gartner/gartner-magic-quadrant-for-ai-code-assistants/

Heatmap

Heatmap เหมาะเมื่อข้อมูลมีจำนวนมาก และต้องการเห็น pattern / peak / anomaly ได้เร็ว โดยใช้ “ความเข้มสี” แทนค่าตัวเลข

ตัวอย่างสถานการณ์

ร้านค้า 12 ร้าน × 12 เดือน → หากต้องการเห็นแนวโน้มรวมและจุดพีคเร็วๆ Heatmap จะอ่านง่ายกว่าตาราง

Heatmap ช่วย

มอง pattern ได้รวดเร็ว
เห็นช่วงพีค/ความผิดปกติชัด
ลดภาระการอ่านตารางตัวเลข

Ref: https://datavizcatalogue.com/methods/heatmap.html

ข้อควรระวัง

เลือกสเกลสีให้เหมาะกับชนิดข้อมูล
มีทั้งบวก/ลบ → ใช้ diverging และกำหนด “ค่ากลาง” ชัดเจน
เป็นจำนวน/ความหนาแน่น → ใช้ sequential
หลีกเลี่ยง “สีรุ้ง” เพราะทำให้รับรู้ความต่างได้ยาก

Ref: https://www.facebook.com/McKinseyGlobalInstitute/posts/infographic-different-ai-techniques-will-be-more-valuable-for-some-industries-th/10155185530401428/

Ref: https://x.com/thealexbanks/status/1671854652311375872

Ref: https://mode.com/blog/cohort-analysis-helps-look-ahead/

2.5 Visualizing Comparison (การหาความแตกต่าง)

การแสดง “ความแตกต่าง” เพื่อให้ตอบได้ทันทีว่าอะไร “มากกว่า/น้อยกว่า”

การเปรียบเทียบเป็นหนึ่งในเป้าหมายหลักของการวิเคราะห์ข้อมูล เช่น

ลูกค้าเดือนนี้ vs เดือนที่แล้ว
ยอดขายแต่ละสินค้า
คะแนนความพึงพอใจแต่ละช่องทาง

กราฟกลุ่ม Comparison ถูกออกแบบมาให้ผู้ดูตอบได้เร็วว่า

อันไหนมากกว่า อันไหนน้อยกว่า
ต่างกันแค่ไหน (magnitude)

Bar Chart / Column Chart

Bar Chart / Column Chart เป็นกราฟมาตรฐานที่มีประสิทธิภาพสูงสำหรับการเปรียบเทียบ เพราะสายตามนุษย์เปรียบเทียบ “ความยาว” ได้แม่นยำ

เหมาะกับ

เปรียบเทียบค่าในช่วงเวลาเดียวกันระหว่างหมวดหมู่
เช่น ยอดขายตามประเภทสินค้า / คะแนนแต่ละสาขา

แนวทางเล่าเรื่องให้ดี

เน้นแท่งสำคัญด้วยสีที่ต่างออกไป (ใช้เท่าที่จำเป็น)
ใส่ label/คำอธิบายเฉพาะจุดสำคัญเพื่อชี้ Key Message

สิ่งที่ควรหลีกเลี่ยง

3D, เงา, ลูกเล่นที่บิดเบือนการรับรู้
การตัดแกนแบบไม่จำเป็น (ทำให้ดูต่างกันเกินจริง)
ถ้าสีไม่ได้สื่อความหมายว่ามีสิ่งไหนแตกต่างกัน ให้ใช้สีเดียว

Ref: https://www.mckinsey.com/featured-insights/2020-year-in-review/a-tale-of-2020-in-20-mckinsey-charts#/

Ref: https://www.mckinsey.com/featured-insights/2022-year-in-review/2022-the-year-in-charts

Ref: https://www.mckinsey.com/featured-insights/2021-year-in-review/2021-the-year-in-charts

Ref: https://www.mckinsey.com/featured-insights/2024-year-in-review/2024-year-in-charts

Ref: https://www.mckinsey.com/featured-insights/2023-year-in-review/2023-the-year-in-charts

Grouped Bar

ใช้เมื่อต้องการเปรียบเทียบ “หลายมิติภายในหมวดเดียวกัน”

ตัวอย่าง

ยอดขายปี 2023 vs 2024 ในแต่ละภูมิภาค
คะแนนก่อน–หลังแคมเปญในแต่ละช่องทาง

ข้อควรระวัง

หากมีหมวดหรือมิติเยอะเกินไป กราฟจะอ่านยากทันที
ควรจำกัดจำนวนซีรีส์ และใช้สีที่แยกกันชัดเจน

Ref: https://www.mckinsey.com/featured-insights/2020-year-in-review/a-tale-of-2020-in-20-mckinsey-charts#/

Stacked Bar

เหมาะเมื่ออยากให้เห็นทั้ง ค่ารวม (Total) และ องค์ประกอบภายใน (Composition)

จุดแข็ง

เห็นสัดส่วนส่วนย่อยภายในแท่งเดียวกัน

จุดอ่อน

เปรียบเทียบ “ส่วนย่อยเดียวกัน” ระหว่างหลายหมวดได้ยาก
เพราะฐานของชิ้นส่วนย่อย (โดยเฉพาะชิ้นกลาง) ไม่เท่ากัน

Ref: https://www.mckinsey.com/featured-insights/2020-year-in-review/a-tale-of-2020-in-20-mckinsey-charts#/

Ref: https://www.mckinsey.com/featured-insights/2021-year-in-review/2021-the-year-in-charts

Ref: https://www.mckinsey.com/featured-insights/year-in-review/year-in-charts

Ref: https://www.mckinsey.com/featured-insights/2023-year-in-review/2023-the-year-in-charts

Ref: https://www.mckinsey.com/featured-insights/2022-year-in-review/2022-the-year-in-chart

Best Practices (Comparison Charts)

Y-axis ควรเริ่มที่ 0 (โดยเฉพาะ Bar Chart)
ใช้สีเฉพาะเมื่อจำเป็นต่อการสื่อสาร
เรียงลำดับหมวดหมู่ตามความหมาย (เช่น มาก→น้อย) เพื่ออ่านง่าย
หลีกเลี่ยง 3D และองค์ประกอบตกแต่งที่ทำให้สับสน

2.6 Pareto & Waterfall Charts

Pareto Chart (หลัก 80/20)

Pareto Chart ใช้เพื่อหาว่า “ปัจจัยใดสร้างผลลัพธ์ส่วนใหญ่”
เหมาะกับการจัดลำดับความสำคัญและโฟกัสการแก้ปัญหา

Ref: https://www.nngroup.com/articles/pareto-principle/

เหมาะกับ

สาเหตุการล่มของระบบ (Top causes)
ประเภทปัญหาที่เกิดซ้ำมากที่สุด
หมวดที่สร้างผลกระทบหลักในธุรกิจ

Waterfall Chart

Waterfall Chart ใช้เพื่ออธิบายการเปลี่ยนแปลง “ทีละขั้น” จากค่าเริ่มต้นไปค่าสิ้นสุด ทำให้เห็นว่าแต่ละปัจจัย เพิ่ม/ลด อย่างไรจนได้ผลลัพธ์สุดท้าย

Ref: https://datavizproject.com/data-type/waterfall-chart/

นิยมใช้

งบกำไร-ขาดทุน (Revenue → Costs → Profit)
การเปลี่ยนแปลงของ KPI (เดือนก่อน → ปัจจัยบวก/ลบ → เดือนนี้)
การอธิบาย bridge ของตัวเลข (variance explanation)

2.7 Visualizing Distribution (การหาการกระจายตัว)

การแสดง “การกระจายตัวของข้อมูล” (Data Distribution)

กราฟกลุ่มนี้ใช้ตอบคำถามว่า
ข้อมูลส่วนใหญ่อยู่ช่วงไหน กระจุกหรือกระจาย มีค่าผิดปกติหรือไม่

Histogram

Histogram คือวิธีพื้นฐานในการแสดง การกระจายตัวของตัวแปรเชิงตัวเลข 1 ตัว

หลักการทำงาน

แบ่งข้อมูลออกเป็นช่วง (Bins)
ความสูงของแท่ง = ความถี่ของข้อมูลในช่วงนั้น
แท่งควร “ชิดกัน” เพื่อให้เห็น รูปทรง (Shape) ของการกระจาย

Histogram บอกเราได้ว่า

ข้อมูลกระจุกตัวหรือกระจายตัว
การกระจายเอียงซ้าย/เอียงขวา (Skewness)
มีหลายยอด (Multi-modal) หรือยอดเดียว
มีค่าผิดปกติ (Outliers) หรือไม่

Skewed Left (เบ้ซ้าย): หางยาวไปทางซ้าย
ข้อมูลส่วนใหญ่อยู่ด้านขวา ค่ามาก ๆ มีเยอะ ค่าน้อยมีน้อย
Symmetric (สมมาตร):ซ้าย–ขวาใกล้เคียงกัน
ค่ากลางอยู่ตรงกลางพอดี รูประฆังคว่ำ อาจเป็น Normal Distribution หรือไม่ก็ได้
Skewed Right (เบ้ขวา): หางยาวไปทางขวา
ข้อมูลส่วนใหญ่อยู่ด้านซ้าย ค่าน้อยเยอะ ค่ามากมีน้อย
Bimodal Skewed Left (สองยอด เบ้ซ้าย): มี 2 ยอด + หางยาวซ้าย
ข้อมูลมี 2 กลุ่มหลัก และค่าต่ำสุดลากยาว
Trimodal Symmetric (สามยอด สมมาตร): มี 3 ยอด และซ้ายขวาสมดุล
ข้อมูลแบ่งเป็น 3 กลุ่มชัด ๆ และกระจายสมดุล
Bimodal Skewed Right (สองยอด เบ้ขวา): มี 2 ยอด + หางยาวขวา
มี 2 กลุ่มหลัก และค่ามาก ๆ ลากยาวออกไป
Skewed Left with Outliers (เบ้ซ้าย + ค่าผิดปกติ): เบ้ซ้าย และมีจุดโดดไกลจากกลุ่ม มีค่าต่ำผิดปกติหลุดออกมาชัดเจน
Symmetric with Outliers (สมมาตร + ค่าผิดปกติ): รูปทรงสมมาตร แต่มีจุดโดด
โครงสร้างหลักปกติ แต่มีค่าบางตัวสูง/ต่ำผิดกลุ่ม
Skewed Right with Outliers (เบ้ขวา + ค่าผิดปกติ): เบ้ขวา และมีค่ามากผิดปกติ
มีค่าที่สูงมากหลุดออกจากกลุ่มหลัก

ใช้เมื่อ: ต้องการเข้าใจ “ธรรมชาติของข้อมูล” เช่น คะแนนสอบ, เงินเดือน, เวลาใช้งาน

สมมุติว่าเรามี Data แบบนี้

เราสามารถ Plot Histogram ได้แบบนี้

แต่ถ้าเราอยากจะดูทั้ง 3 SKU ใน Visualization เดียว เราต้องแปลง Histogram เป็น Box plot โดย

ซึ่งเราสามารถรวม 3 SKU ได้ดังนี้

Box Plot

Box Plot ใช้สรุปการกระจายตัวของข้อมูล โดยเฉพาะเมื่อ ต้องการเปรียบเทียบหลายกลุ่ม

Ref: https://www.simplypsychology.org/boxplots.html

องค์ประกอบสำคัญ

เส้นกลางกล่อง = Median (มัธยฐาน)
กล่อง = ช่วง Q1 ถึง Q3 (IQR: Interquartile Range)
เส้นยื่น (Whiskers) = ช่วงข้อมูลหลัก
จุดนอกเส้น = Outliers

Box Plot เหมาะเมื่อ

เปรียบเทียบการกระจายของหลายกลุ่ม เช่น เงินเดือนแต่ละแผนก
ต้องการดูความแตกต่างด้าน “ค่ากลาง + ความกระจาย” พร้อมกัน

ตัวอย่าง Histogram และ Box Plot โดย Mckinsey

Ref: https://www.mckinsey.com/mhi/our-insights/investing-in-the-future-how-better-mental-health-benefits-everyone

2.8 Visualizing Composition (การหาสัดส่วนขององค์ประกอบ)

Pie Chart

ใช้แสดงสัดส่วนของแต่ละกลุ่มจากทั้งหมด

ข้อจำกัด

เปรียบเทียบขนาดชิ้นส่วนยาก
มนุษย์อ่าน “มุม/พื้นที่” ไม่แม่นเท่าความยาว

Best Practices

ไม่เกิน 5 กลุ่มต่อกราฟ
หลีกเลี่ยงการใช้หลาย Pie เพื่อเปรียบเทียบ
เรียงจากมาก → น้อย
ถ้ามีมากกว่า 5 หรือค่าใช้เคียงกันมากๆ ควรใช้ Bar Chart/Column Chart

Ref: https://www.atlassian.com/data/charts/how-to-choose-pie-chart-vs-bar-chart

Treemap

ใช้แสดงสัดส่วนพร้อมโครงสร้างแบบลำดับขั้น (Hierarchy)

จุดแข็ง

เห็นภาพรวม + โครงสร้างกลุ่มย่อย

ข้อจำกัด

กลุ่มเล็กจำนวนมาก → อ่านยาก
เปรียบเทียบพื้นที่ไม่แม่นเท่าความยาว

Ref: https://www.mckinsey.com/mhi/our-insights/investing-in-the-future-how-better-mental-health-benefits-everyone

Ref: https://www.mckinsey.com/featured-insights/year-in-review/year-in-charts

Ref: https://www.mckinsey.com/featured-insights/2024-year-in-review/2024-year-in-charts

100% Stacked Bar Chart

ใช้เปรียบเทียบ “สัดส่วน” ระหว่างหลายกลุ่ม โดยไม่สนค่ารวม

เหมาะเมื่อ

อยากรู้ว่าแต่ละกลุ่มมีโครงสร้างสัดส่วนต่างกันอย่างไร
เช่น สัดส่วนพนักงานแต่ละ Generation ในแต่ละแผนก
stacked 100% bar chart ใช้เปรียบเทียบสัดส่วนของข้อมูลแต่ละกลุ่ม เหมาะสำหรับกรณีที่ค่าผลรวมจากทุกกลุ่มไม่สำคัญ

Ref: https://www.mckinsey.com/featured-insights/2021-year-in-review/2021-the-year-in-charts

Ref: https://www.mckinsey.com/featured-insights/2023-year-in-review/2023-the-year-in-charts

Ref: https://www.mckinsey.com/featured-insights/2022-year-in-review/2022-the-year-in-charts

2.9 Visualizing Time Series (การแสดงข้อมูลตามเวลา)

Line Chart

วิธีหลักในการแสดง ตัวเลขตามช่วงเวลา

จุดแข็ง

เห็นแนวโน้ม (Trend) ชัด
เห็นจุดเปลี่ยน (Turning points)

Best Practices

เลือกความละเอียดเวลาให้เหมาะสม (วัน/เดือน/ปี)
อย่าใช้เกิน 4 เส้น ในกราฟเดียว

Ref: https://www.mckinsey.com/featured-insights/2020-year-in-review/a-tale-of-2020-in-20-mckinsey-charts#/

Ref: https://www.mckinsey.com/featured-insights/2024-year-in-review/2024-year-in-charts

Ref: https://www.mckinsey.com/featured-insights/year-in-review/year-in-charts

Ref: https://www.mckinsey.com/featured-insights/2024-year-in-review/2024-year-in-charts

Stacked Area Chart

ใช้แสดงทั้ง แนวโน้มรวม และ สัดส่วนของหลายกลุ่ม

ข้อควรระวัง

อ่านสัดส่วนยากเมื่อมีหลายกลุ่ม
ถ้าไม่ได้ชำนาญ อาจทำให้กราฟซับซ้อนเกินไป

Ref: https://www.mckinsey.com/featured-insights/2020-year-in-review/a-tale-of-2020-in-20-mckinsey-charts#/

Ref: https://www.mckinsey.com/featured-insights/2022-year-in-review/2022-the-year-in-charts

Visualizing Time-Series with Bar Chart

Bar Chart สามารถใช้กับข้อมูลตามเวลาได้ โดยเฉพาะเมื่อเน้น
การเปรียบเทียบค่าระหว่างช่วงเวลา เช่น เดือนนี้ vs เดือนก่อน หรือ ปีนี้ vs ปีก่อน

เหมาะกับสถานการณ์เช่น

เปรียบเทียบ เดือนนี้ vs เดือนก่อน
เปรียบเทียบ ปีนี้ vs ปีก่อน
วิเคราะห์ผล ก่อน–หลังเหตุการณ์สำคัญ เช่น แคมเปญหรือการเปลี่ยนนโยบาย

Bar Chart = เน้นการเปรียบเทียบค่าระหว่างจุดเวลา Line Chart = เน้นแนวโน้มการเปลี่ยนแปลงต่อเนื่อง (Trend)

ข้อควรระวังในการเลือกใช้

Bar Chart → เน้นความต่างเชิงปริมาณ และควรเริ่มแกน Y ที่ 0
Line Chart → เน้นทิศทางการเปลี่ยนแปลง ไม่จำเป็นต้องเริ่มที่ 0

Ref: https://www.linkedin.com/posts/brentdykes%5Foccasionally-when-i-use-a-bar-chart-for-activity-7409266975337717763-pZ-a/

อย่าใช้ Line Chart กับข้อมูลที่ “ไม่ต่อเนื่อง”
เช่น เปรียบเทียบส่วนแบ่งตลาดหลายบริษัท → ควรใช้ Bar Chart

ท้ายที่สุด Data Storytelling ไม่ใช่เรื่อง “ทำกราฟให้สวย” แต่คือการทำให้ผู้ฟัง “เข้าใจถูก” และ “ตัดสินใจได้” เราต้องเริ่มจากผู้ฟัง ลด cognitive load ใส่บริบทและการเน้นประเด็นให้พอดี และรักษา graphical integrity เพื่อให้สิ่งที่ตาเห็นสะท้อนความจริงของข้อมูล เมื่อทำได้ ข้อมูลจะไม่หยุดอยู่แค่ insight แต่ต่อยอดไปเป็น action และผลลัพธ์ที่วัดได้จริง
ในบทความต่อไปจะพาไปไกลกว่าการเลือกกราฟให้เหมาะ โดยโฟกัส “ทำให้คนไม่ต้องคิดเยอะ (Don’t make them think)” ผ่านหลักความชัดเจนและความซื่อสัตย์ของกราฟ เช่น เลี่ยง 3D, ใช้การ highlight/label และ small multiples จากนั้นต่อด้วยการจัดโครงเรื่องแบบ Pyramid Principle + MECE เพื่อทำสไลด์ที่มี headline ชัด มีเหตุผลรองรับ และปิดด้วยข้อเสนอ/การตัดสินใจที่ต้องการให้เกิดขึ้นจริง ฝากติดตามด้วยนะครับ

Data Science Explore the world of data science with Donato_Story

Dashboard Discover the power of data visualization with Donato_Story

Donato_Journey Join me on my journey (Thai version)

Course_Review Discover the training courses with Donato_Story (Thai version)