Data & Analytics

Effective Data Storytelling (Part 2/2)

เล่าเรื่องด้วยข้อมูลให้ “เข้าใจ” และ “ตัดสินใจได้”

7 Feb 202640 min readDashboard

Effective Data Storytelling · Part 2 of 2

Effective Data Storytelling (Part 2/2)

เล่าเรื่องด้วยข้อมูลให้ “เข้าใจ” และ “ตัดสินใจได้”

ใน Part 1 เราคุยกันเรื่อง “ช่องว่างการสื่อสาร” ที่ทำให้ข้อมูลดี ๆ ถูกตีความผิดหรือกลายเป็นภาระสมองของผู้ฟัง Part 2 นี้จะพาไปสู่ขั้นที่สำคัญกว่า: ทำยังไงให้กราฟ “ซื่อสัตย์และชัดเจน” และทำยังไงให้สไลด์ “พาคนไปสู่การตัดสินใจ” ได้จริง

1) Graphical Integrity

กราฟต้องสะท้อนความจริง ไม่ชี้นำเกินข้อมูล

Graphical Integrity คือหลักการที่ทำให้ “สิ่งที่ตาเห็น” สอดคล้องกับ “ความจริงของข้อมูล” เป้าหมายของ Data Visualization ไม่ใช่การทำให้กราฟดูน่าสนใจหรือเร้าอารมณ์ แต่คือการสื่อสารข้อเท็จจริงอย่างถูกต้อง เพื่อสนับสนุนการตัดสินใจบนฐานข้อมูลที่แท้จริง

แนวปฏิบัติสำคัญ ได้แก่:

Ref: https://nastengraph.medium.com/bar-charts-best-practices-5e81ebc7b340

สเกลและสัดส่วนต้องไม่บิดเบือน โดยเฉพาะ Bar Chart ควรเริ่มจาก 0

Ref: https://nastengraph.medium.com/bar-charts-best-practices-5e81ebc7b340

หลีกเลี่ยงการเลือกช่วงเวลา หรือช่วงข้อมูลเฉพาะที่ทำให้ผลลัพธ์ “ดูดี” หรือ “ดูแย่” เกินความจริง

ไม่ใช้กราฟ 3 มิติ หรือการตกแต่ง เช่น ขอบมน (rounded edges) ที่ทำให้การรับรู้ขนาดเพี้ยน
คำนึงถึง Business Context เช่น การเปรียบเทียบยอดขายรายเดือน ต้องระวังความต่างของจำนวนวัน (มกราคม vs กุมภาพันธ์) หากต้องการความยุติธรรม ควรพิจารณาใช้ค่าเฉลี่ยต่อวัน (Average per day)
ระวังการใช้เปอร์เซ็นต์เพียงอย่างเดียว เพราะเปอร์เซ็นต์บอก “สัดส่วน” ไม่ได้บอก “ขนาดจริง” ตัวอย่างเช่น
- เพิ่ม 100% จาก 10 → 20 (ยังเล็กมากในเชิงมูลค่า)
- เพิ่ม 10% จาก 1,000,000 → 1,100,000 (มีนัยสำคัญสูงกว่า)
ดังนั้น เมื่อจำเป็น ควรแสดงทั้ง “%” และ “ค่าจริง” พร้อมระบุฐาน (base) ให้ชัดเจน

Percentages show proportion, not magnitude.

2) Maximizing Clarity

ตัดทุกองค์ประกอบที่ไม่ช่วยสื่อสารสารหลัก

หลักการสำคัญที่ใช้กันอย่างแพร่หลายคือแนวคิด Maximize Data-Ink Ratio ของ Edward Tufte ซึ่งอธิบายว่า “หมึกทุกหยดบนกราฟควรมีหน้าที่สื่อสารข้อมูล” หากองค์ประกอบใดไม่ช่วยให้เข้าใจข้อมูลได้ดีขึ้น องค์ประกอบนั้นควรถูกลดทอนหรือถอดออก

Data-Ink Ratio เปรียบเทียบระหว่าง “หมึกที่ใช้เพื่อสื่อข้อมูล” กับ “หมึกส่วนเกินที่ไม่เพิ่มคุณค่าในการสื่อสาร” ยิ่งลดส่วนเกินได้มาก กราฟยิ่งอ่านง่าย ชัดเจน และลด Cognitive Load ของผู้ฟัง เพื่อให้เข้าใจมากขึ้น อาจดูตัวอย่างจากบทความด้านล่าง

Best Practices for Pie Charts

Best Practices for Bar Charts

Best Practices for Line Charts

สิ่งที่ควรลดหรือหลีกเลี่ยง เช่น:

เส้นกรอบที่ไม่จำเป็น
พื้นหลังลวดลาย
เงาและเอฟเฟกต์ตกแต่ง
สีที่มากเกินความจำเป็น

หลักคิดสำคัญคือ

ความชัดเจนไม่ได้มาจากการ “เพิ่ม” แต่เกิดจากการ “ลดสิ่งที่ไม่จำเป็น”

3) Small Multiples

เปรียบเทียบหลายมิติอย่างเป็นระบบ แทนการยัดทุกอย่างไว้ในกราฟเดียว

Small Multiples คือการนำเสนอกราฟรูปแบบเดียวกันหลายภาพ โดยเปลี่ยนเฉพาะตัวแปรที่ต้องการเปรียบเทียบ เช่น แสดงยอดขายรายเดือนแยกตามภูมิภาค โดยใช้สเกลเดียวกันทุกกราฟ

แนวทางนี้มีประสิทธิภาพสูง เพราะ:

ลดความซับซ้อนจากกราฟเดียวที่มีหลายเส้น หลายสี
ช่วยให้สมองเปรียบเทียบ “รูปแบบ (pattern)” ได้รวดเร็ว
เหมาะสำหรับการค้นหา anomaly หรือความแตกต่างระหว่างกลุ่ม

จุดเด่นของ Small Multiples คือความสม่ำเสมอ (consistency) ทำให้ผู้ชมโฟกัสที่ “ความแตกต่างของข้อมูล” ไม่ใช่ความแตกต่างของรูปแบบกราฟ

Best Practices:

ใช้สเกลแกน Y เดียวกันทุกภาพ เพื่อให้เปรียบเทียบได้ถูกต้อง
ใช้สีอย่างมีวัตถุประสงค์ เพื่อเน้นประเด็นสำคัญ
จัดวางกราฟในลำดับที่สายตาอ่านง่าย (ซ้าย→ขวา, บน→ล่าง)

ตัวอย่างอื่นๆ

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/2023-year-in-review/2023-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/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/2020-year-in-review/a-tale-of-2020-in-20-mckinsey-charts#/

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

Ref: https://qz.com/171191/south-koreans-drink-twice-as-much-liquor-as-russians-and-more-than-four-times-as-much-as-americans

Ref: https://flowingdata.com/2017/05/09/life-expectancy-by-state-against-the-us-average/

Small Multiples จึงเป็นเครื่องมือที่ทรงพลังในการเปรียบเทียบเชิงโครงสร้าง โดยไม่เพิ่ม Cognitive Load ให้ผู้ฟัง

4) Don’t make them think

ลดภาระสมองของผู้ฟัง ด้วยการออกแบบที่ชี้นำอย่างชัดเจน

https://go2products.co.uk/blogs/news/rules-of-typography-the-basics-of-good-graphic-design-practices-for-your-labels

แก่นสำคัญของ Data Storytelling ที่ดีคือ ทำให้ผู้ฟัง “เข้าใจทันที” โดยไม่ต้องพยายามตีความเอง หน้าที่ของผู้นำเสนอคือจัดโครงสร้างข้อมูล ภาพ และคำอธิบายให้สมองของผู้ฟังใช้พลังงานน้อยที่สุด

เมื่อเราช่วยจัดระเบียบสายตาและชี้นำประเด็นให้เรียบร้อย ผู้ฟังจะโฟกัสที่ “ความหมาย” แทนที่จะเสียพลังงานไปกับการอ่านกราฟ

4.1 Gestalt Principles (จัดวางให้สมองจัดกลุ่มเองโดยอัตโนมัติ)

Gestalt Principles (หลักการเกสตัลต์) คือหลักการรับรู้ของมนุษย์ที่อธิบายว่า เมื่อเราเห็นภาพ สมองจะจัดกลุ่มและตีความให้เป็นระเบียบโดยอัตโนมัติ หลักการนี้ถูกใช้กว้างขวางใน UX/UI, Graphic Design และ Data Visualization

https://www.toptal.com/designers/ui/gestalt-principles-of-design

https://nastengraph.medium.com/gestalt-principles-in-data-visualization-a4e56e6074b5

โดยทั่วไปนิยมพูดถึง 6–8 หลักการ ได้แก่

Proximity (ความใกล้กัน)
สิ่งที่อยู่ใกล้กัน จะถูกมองว่าเป็นกลุ่มเดียวกัน
→ ตัวอย่าง: วาง label ไว้ใกล้เส้นกราฟ แทนการใช้ legend แยกออกไป
Similarity (ความคล้ายกัน)
สี รูปร่าง หรือขนาดที่คล้ายกัน จะถูกมองว่าเป็นกลุ่มเดียวกัน
→ ใช้สีเดียวกันกับกลุ่มที่ไม่ใช่จุดสนใจ และใช้สีเด่นเฉพาะจุดสำคัญเพื่อ Highlight
Continuity (ความต่อเนื่อง)
สายตาจะไหลตามเส้นหรือรูปแบบที่ต่อเนื่อง
→ ใช้เส้นแนวโน้ม (trend line) หรือ layout ที่นำสายตาอย่างเป็นลำดับ
Closure (การเติมเต็มช่องว่าง)
แม้ภาพไม่สมบูรณ์ สมองจะเติมให้เอง
→ ใช้ minimal design โดยไม่จำเป็นต้องใส่เส้นกรอบครบทุกด้าน
Figure–Ground (ภาพหลัก–พื้นหลัง)
สมองจะแยกแยะอัตโนมัติว่าอะไรคือ “วัตถุที่สนใจ” (Figure) และอะไรคือ “ฉากหลัง” (Ground)
→ ทำข้อมูลสำคัญให้เด่น และทำข้อมูลรองให้จางลง
Common Fate (การเคลื่อนไหวไปทางเดียวกัน)
สิ่งที่เคลื่อนที่ไปทิศเดียวกัน → ถูกมองว่าเป็นกลุ่มเดียวกัน
→ ตัวอย่าง: ใน Animated Dashboard หากหลายเส้นกราฟเคลื่อนขึ้นพร้อมกัน ผู้ชมจะรับรู้ว่าเป็น “กลุ่มที่มีแนวโน้มเดียวกัน” หรือในกราฟ static ใช้ลูกศร/ทิศทางเดียวกันเพื่อสื่อความสัมพันธ์ของกลุ่มข้อมูล
Common Region / Enclosure (การล้อมกรอบ)
สิ่งที่ถูกล้อมด้วยกรอบหรือพื้นหลังเดียวกัน จะถูกมองว่าเป็นกลุ่มเดียวกันทันที
→ ใช้วงกลมหรือพื้นหลังเน้น เพื่อชี้จุดที่ต้องการให้โฟกัส
Symmetry (ความสมมาตร)
องค์ประกอบที่จัดวางอย่างสมดุลหรือสะท้อนกัน จะถูกมองว่าเกี่ยวข้องกัน
→ ตัวอย่าง: การจัดวาง Before–After แบบซ้าย–ขวาอย่างสมมาตร ช่วยให้ผู้ชมรับรู้ทันทีว่าเป็นข้อมูลที่ต้องการเปรียบเทียบกันโดยตรง

ตัวอย่างที่นำมาปรับใช้กับ Visualization

Proximity & Similarity: วาง label ไว้ใกล้เส้นกราฟโดยตรง (Proximity) แทนการใช้ legend เพื่อลดการสลับสายตา และใช้สีที่สอดคล้องกับแต่ละกลุ่ม (Similarity) เพื่อช่วยให้แยกข้อมูลได้ทันที

Similarity เพื่อ Highlight: ใช้สีอ่อนกับข้อมูลรองให้เป็นกลุ่มเดียวกัน และใช้สีเด่นเฉพาะจุดสำคัญ ทำให้ insight หลักโดดเด่นโดยไม่เพิ่มความซับซ้อน

https://www.reddit.com/r/dataisbeautiful/comments/4fo5cj/what%5Fschools%5Fgo%5Fto%5Fbed%5Fthe%5Flatest%5Fon%5Fweekdays%5Foc/

Common Region / Enclosure: ล้อมกรอบหรือวงกลมกลุ่มข้อมูลที่ต้องการเน้น เพื่อสื่อทันทีว่าข้อมูลส่วนนั้นมีความพิเศษ เช่น สองโรงเรียนที่เข้านอนเร็วแต่ได้อันดับดี

4.2 Label Data Strategically

ใส่ label เท่าที่จำเป็น เพื่อขยายสารหลัก

หาก label ช่วยลดการ “ไล่ตา” ควรใส่ แต่ไม่ควรใส่ทุกจุด

แนวทางที่ดี:

ใส่ specific label เฉพาะจุดที่ต้องการเน้น
หลีกเลี่ยงการ over-label
ใช้ annotation เพื่ออธิบาย insight ไม่ใช่แค่ตัวเลข

https://seekingalpha.com/article/4581441-grab-has-potential-but-so-far-the-cash-burn-is-enormous

หลักคิดคือ

Label ควรช่วย “ขยาย narrative” ไม่ใช่เพิ่มความรก

4.3 Calculate Important Numbers

อย่าให้ผู้ฟังคำนวณเอง

หากมีตัวเลขที่ผู้ฟัง “น่าจะอยากรู้” เช่น ส่วนต่าง, ผลรวม, % การเปลี่ยนแปลง ควรคำนวณและแสดงให้ชัดเจน

ตัวอย่าง:

ความต่างระหว่างปีนี้กับปีก่อน
% change ที่สำคัญ
ผลรวมที่สะท้อนภาพรวม

https://seekingalpha.com/article/4581441-grab-has-potential-but-so-far-the-cash-burn-is-enormous

https://www.dailynews.co.th/news/1885422/

การเพิ่ม calculation ที่เกี่ยวข้อง ช่วยให้กราฟมี narrative ชัดขึ้น และลด cognitive load

4.4 Add Reference Lines

เพิ่มเส้นอ้างอิงเพื่อให้ตีความได้ทันที

Reference Lines ช่วยให้ผู้ฟังเข้าใจ “บริบทของตัวเลข” เช่น:

ค่าเฉลี่ย (Average)
เส้นแนวโน้ม (Best-fit line)
เป้าหมาย (Target)
Threshold ที่กระตุ้นการตัดสินใจ
เหตุการณ์สำคัญในช่วงเวลาใดช่วงเวลาหนึ่ง

https://investor.bdms.co.th/storage/general-info/bdms-at-a-glance/20240515-bdms-at-glance.pdf

กราฟที่มี reference ที่เหมาะสม จะช่วยตอบคำถาม “ดีหรือไม่ดี” ได้ทันที โดยไม่ต้องอธิบายเพิ่มเติม

Ref: https://x.com/thealexbanks/status/1643225660759101444

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

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

5) Presenting Compelling Stories with Data

การเล่าเรื่องด้วยข้อมูลไม่ได้จบที่ “กราฟถูกต้อง” แต่ต้องพาผู้ฟังไปสู่ “ข้อสรุปที่ชัดเจน” และ “การตัดสินใจที่ต้องการ”

การนำเสนอที่ดีจึงไม่ใช่การโชว์ข้อมูลเรียงลำดับ แต่คือการออกแบบการเดินทางของความคิดอย่างมีตรรกะ

5.1) Overview

Storytelling คือการพาผู้ฟังเดินทางจากจุดเริ่มต้น ไปสู่จุดหมายปลายทางอย่างเป็นระบบ

เหมือนมัคคุเทศก์ที่ดี:

เริ่มจากจุดที่ผู้ฟังอยู่ (ระดับความเข้าใจปัจจุบัน)
พาเดินทีละขั้นอย่างชัดเจน
ไม่มีการกระโดดข้ามเหตุผล
และพาผู้ฟังไปถึง “ข้อสรุป” พร้อมกัน

เป้าหมายไม่ใช่แค่ “ให้เห็นข้อมูล” แต่คือ “ให้เข้าใจความหมาย” และ “เห็นด้วยกับข้อเสนอ”

5.2) Set the Stage (ทุกเรื่องเล่าที่ดี ต้องมีบทนำ)

ในบริบทธุรกิจ บทนำควรสร้าง baseline understanding ก่อนเข้าสู่ข้อเสนอหลัก โดยใช้กรอบ SCQ (Situation–Complication–Question)

SCQ Framework

Situation (S): บริบทหรือข้อเท็จจริงที่ทุกคนเห็นพ้องต้องกัน
Complication(C): เหตุการณ์ ความเสี่ยง หรือความท้าทาย ที่ทำให้สถานการณ์ต้องได้รับความสนใจ
Question (Q): คำถามสำคัญที่การนำเสนอครั้งนี้จะตอบ

ตัวอย่าง:

Situation: ธุรกิจดิจิทัลแบงก์กิ้งเติบโต มีผู้เล่นทั่วโลกกว่า 249 ราย
Complication: มีเพียง 13 รายเท่านั้นที่ทำกำไรได้จริง
Question: ในตลาดที่แข่งขันสูงและทำกำไรยากเช่นนี้ ควรเลือกกลยุทธ์อย่างไรจึงจะชนะ?

บทนำควร:

สร้าง baseline understanding
ให้บริบทที่จำเป็น
ไม่ควรใส่ประเด็นใหม่หรือข้อถกเถียงในขั้นนี้

Common Patterns ที่พบบ่อยในงานธุรกิจ

Option 1: การขออนุมัติ
- Situation: เรามีปัญหา X
- Complication: แผนแก้ไขต้องใช้งบประมาณ Y
- Audience’s Question: ควรอนุมัติหรือไม่?
Option 2: การเลือกทางเลือก
- Situation: เราต้องการทำ X
- Complication: มีหลายแนวทางที่เป็นไปได้
- Audience’s Question: ตัวเลือกใดเหมาะสมที่สุด?
Option 3: การชี้แจงเพิ่มเติม
- Situation: เราได้นำเสนอ X ไปก่อนหน้านี้
- Complication: มีคำถามหรือข้อสงสัยเพิ่มเติมเกี่ยวกับ Y
- Audience’s Question: ข้อมูลเพิ่มเติมชี้ให้เห็นอะไร?

5.3) Structuring Your Presentation

หลังจากตั้งคำถามด้วย SCQ แล้ว ขั้นต่อไปคือการจัดโครงสร้างคำตอบให้ชัดเจน เพื่อให้ผู้ฟัง “ตามทัน” และไม่เสียสมาธิ

ลองนึกถึงแบบทดสอบความจำง่าย ๆ:

คนส่วนใหญ่จะจำได้ไม่กี่คำ เพราะสมองพยายามจำแบบ “เส้นตรง (linear)”

แต่ถ้าเราจัดโครงสร้างใหม่เป็น:

ทันทีที่มีโครงสร้าง การจดจำและความเข้าใจจะดีขึ้นอย่างชัดเจน

หลักเดียวกันนี้ใช้กับการนำเสนอ:
โครงสร้างที่ดีช่วยให้ข้อมูลย่อยลง เข้าใจง่าย และจดจำได้มากขึ้น

5.4) Structuring Your Presentation With the Pyramid Principle

หลังจาก SCQ คำตอบควรเริ่มที่ “ข้อสรุป” ทันที

Lead with your answer.

โครงสร้างแบบ Pyramid มี 3 ระดับหลัก:

Main Idea (ยอดพีระมิด): คำตอบหรือข้อสรุปที่ต้องการสื่อ
Key Points (เหตุผลหลัก 2–3 ข้อ): เหตุผลที่สนับสนุนข้อสรุป
ตอบคำถามว่า “ทำไม” หรือ “อย่างไร”
Evidence (หลักฐานสนับสนุน): ตัวเลข ข้อมูล รายละเอียด ที่ยืนยันแต่ละ Key Point

โครงสร้างจะเป็นแบบ:
SCQ → Main Idea → Point 1, 2, 3 → Evidence 1.1, 1.2, 1.3 …

เลือกระดับความลึกตามเวลา

Elevator Pitch: SCQ → Main Idea
Executive Summary: SCQ → Main Idea → Key Points
Complete Presentation: ลงลึกถึง Evidence ทั้งหมด

ข้อดีของ Pyramid คือทำให้เรื่องมี “แกนกลาง” ชัด

ข้อผิดพลาดที่พบบ่อยคือ ผู้พูดมีกราฟจำนวนมาก และพยายามเล่าทุกอย่าง ทำให้ไม่มีจุดยึดหลัก ผู้ฟังหลงประเด็น

5.5) The Substructures Within The Pyramid

โครงสร้างพีระมิดไม่ได้มีแค่ “บน–ล่าง” แต่ยังมีตรรกะภายในแต่ละชั้นด้วย

5.5.1) Vertical Logic: Question–Answer Structure

ความสัมพันธ์แนวตั้ง (Vertical Logic) คือรูปแบบ “คำถาม–คำตอบ”

ทุกครั้งที่เราพูดประโยคหนึ่ง ผู้ฟังจะเกิดคำถามในใจโดยอัตโนมัติ
หน้าที่ของระดับถัดลงมาคือ “ตอบคำถามนั้น”

หากเราตั้งคำถามได้ดี เราจะหาหลักฐานที่เหมาะสมได้ดีเช่นกัน
ความลึกของพีระมิดจึงขึ้นอยู่กับระดับความน่าเชื่อถือที่ผู้ฟังต้องการ

ตัวอย่างโครงสร้าง:

1. ส่วน Introduction (SCQ Framework)

Situation (สถานการณ์): บริษัทใช้กระดาษในการอนุมัติงานทั้งหมด
Complication (ปัญหา): ปริมาณงานเพิ่มขึ้น ต้นทุนกระดาษสูงขึ้น 20% และงานล่าช้า
Question (คำถาม): จะลดต้นทุนและเพิ่มความเร็วได้อย่างไร?

2. Main Idea

“ควรเปลี่ยนไปใช้ Digital Signature และ Cloud Storage ภายในไตรมาสหน้า”

3. Key Points

Point 1: ลดต้นทุน
Point 2: เพิ่มประสิทธิภาพ
Point 3: เพิ่มความปลอดภัย

4. Evidence

สนับสนุน Point 1:
1.1 ค่ากระดาษและหมึกพิมพ์จะลดลงประมาณ 50,000 บาทต่อเดือน
1.2 ลดพื้นที่จัดเก็บตู้เอกสาร ทำให้มีพื้นที่ใช้สอยในออฟฟิศเพิ่มขึ้น
สนับสนุน Point 2:
2.1 ระบบ Digital Signature ช่วยให้การอนุมัติงานทำได้ผ่านมือถือ ไม่ต้องรอคนอยู่ออฟฟิศ
2.2 การค้นหาเอกสารเก่าทำได้ใน 5 วินาที แทนที่จะต้องไปรื้อที่ห้องเก็บเอกสาร
สนับสนุน Point 3:
3.1 ระบบ Cloud มีการทำ Backup ข้อมูลทุกวัน ป้องกันเอกสารหายจากไฟไหม้หรือน้ำท่วม
3.2 สามารถจำกัดสิทธิ์การเข้าถึงเอกสารสำคัญได้เฉพาะรายบุคคล

การปรับระดับความลึกตามสถานการณ์

Elevator Pitch: พูดเฉพาะ Main Idea + เหตุผลหลักสั้น ๆ
Executive Summary: Main Idea + 2–3 Key Points
Full Presentation: ลงรายละเอียดถึง Evidence

5.5.2) Horizontal Logic: Logical Flow Within Each Level

นอกจากแนวตั้งแล้ว การจัดเรียงเหตุผลใน “ระดับเดียวกัน” ต้องมีตรรกะด้วย ซึ่งเรียกว่า Horizontal Logic

มี 2 รูปแบบหลัก:

(1) Deductive Grouping — Reasoning แบบลำดับขั้น

เริ่มจากปัญหา → อธิบายสาเหตุ → เสนอทางแก้

Main Idea: คุณต้องเปลี่ยน

Statement 1: สิ่งที่ผิดพลาดไป (What is going wrong): A1, B1, C1
Statement 2: สาเหตุที่แท้จริง (What is causing it): A2, B2, C2
Statement 3: ทางออกที่ควรทำ (What you should do): A3, B3, C3
แล้วนี้คือเหตุผลทั้งหมด ทำไมคุณควรเปลี่ยน

เหมาะกับการโน้มน้าวแบบ step-by-step reasoning
ข้อควรระวังคือ หากหลายชั้นเกินไป อาจทำให้ผู้ฟังหลงประเด็น

ตัวอย่างเช่น

สถานการณ์: บริษัทกำลังมียอดขายลดลง
Main Idea: เราต้องเปลี่ยนกลยุทธ์การขาย

Step 1 — What is going wrong:
- ลูกค้าใหม่ลดลง (A1)
- Conversion rate ต่ำ (B1)
- ทีมขายใช้เวลาปิดดีลนาน (C1)
Step 2 — What is causing it:
- ไม่มีระบบติดตาม lead ที่ดี (A2)
- ข้อเสนอไม่ตรงกลุ่มเป้าหมาย (B2)
- กระบวนการอนุมัติซับซ้อน (C2)
Step 3 — What you should do:
- ลงทุนใน CRM ใหม่ (A3)
- ปรับ messaging ให้ตรง segment (B3)
- ลดขั้นตอนอนุมัติให้สั้นลง (C3)

→ นี่คือเหตุผลเป็นลำดับว่า “ทำไมต้องเปลี่ยน” และ “ควรเปลี่ยนอย่างไร”

เหมาะกับการเล่าแบบไล่เหตุผลทีละขั้น
ปัญหา → สาเหตุ → ทางแก้

(2) Inductive Grouping — สรุปจากหลักฐานหลายชุด

รวบรวมเหตุผลหลายข้อ แล้วสรุปเป็นข้อเสนอเดียว

Main Idea: คุณต้องเปลี่ยน

Statement 1: How? → คุณควรทำแบบนี้ ทำ A3, B3, C3
Statement 2: Why?
- ควรทำ A3 เพราะ A1 เกิดจาก A2
- ควรทำ B เพราะ B1 เกิดจาก B2
- ควรทำ C เพราะ C1 เกิดจาก C2

ตัวอย่างเช่น

สถานการณ์: บริษัทกำลังมียอดขายลดลง
Main Idea: เราต้องเปลี่ยนกลยุทธ์การขาย

How?
- A3 ลงทุนใน CRM ใหม่
- B3 ปรับ messaging
- C3 ลดขั้นตอนอนุมัติ
Why?
- ควรใช้ CRM เพราะลูกค้าใหม่ลดลง (A1) จากการไม่มีระบบติดตาม lead (A2)
- ควรปรับ messaging เพราะ conversion ต่ำ (B1) จากการสื่อสารไม่ตรงกลุ่ม (B2)
- ควรลดขั้นตอนอนุมัติ เพราะดีลใช้เวลานาน (C1) จากกระบวนการซับซ้อน (C2)

→ รูปแบบนี้เริ่มจาก “ข้อเสนอ” ก่อน แล้วค่อยสนับสนุนด้วยเหตุผลหลายด้าน

เหมาะกับการพรีเซนต์เชิงบริหาร
พูดข้อเสนอทันที แล้วค่อยอธิบายว่าทำไม

Deductive = พาเดินทีละขั้นจนไปถึงข้อเสนอ
Inductive = บอกข้อเสนอก่อน แล้วค่อยพิสูจน์ให้เห็นว่าถูกต้อง

5.6) MECE Principle

MECE (Mutually Exclusive, Collectively Exhaustive) เป็นหลักการจัดโครงสร้างความคิดที่พัฒนาโดย Barbara Minto แห่ง McKinsey เพื่อให้การวิเคราะห์และการนำเสนอ “ครบถ้วน ไม่ซ้ำซ้อน”

https://getlucidity.com/strategy-resources/guide-to-the-mece-principle/

MECE ประกอบด้วย 2 ส่วนสำคัญ:

Mutually Exclusive (ME)
แต่ละกลุ่มต้องแยกจากกันอย่างชัดเจน ไม่มีการซ้อนทับกัน
Collectively Exhaustive (CE)
เมื่อรวมทุกกลุ่มเข้าด้วยกัน ต้องครอบคลุมประเด็นทั้งหมด ไม่มีส่วนตกหล่น

ตัวอย่างจากภาพ

ปัญหาคือบางหัวข้อซ้อนทับกัน เช่น
“ลดค่าใช้จ่ายพนักงาน” กับ “งดจ่ายโบนัส” เป็นกลุ่มเดียวกันเชิงโครงสร้าง ทำให้เกิด overlap และไม่เป็น Mutually Exclusive

แนวทางถูกแบ่งเป็น

ลด Fixed Costs
ลด Variable Costs

จากนั้นจึงแตกย่อยเป็นรายการภายใต้แต่ละหมวด

โครงสร้างนี้:

ไม่ซ้ำซ้อน (ME)
ครอบคลุมต้นทุนทั้งระบบ (CE)

MECE ไม่ใช่แค่ “จัดหมวดหมู่”
แต่คือการเข้าใจธรรมชาติของปัญหา ว่าควรแบ่งอย่างไรจึงจะครบและไม่ทับกัน

โครงสร้างที่ดีจะช่วยให้:

วิเคราะห์ได้ชัด
สื่อสารได้ง่าย
และลดความสับสนในการตัดสินใจ

MECE จึงเป็นรากฐานสำคัญของการคิดเชิงโครงสร้างใน Data Storytelling และการนำเสนอเชิงกลยุทธ์

5.7) Top-Down Thinking

Top-Down Thinking คือการเริ่มจาก “ปลายทาง” ก่อนเสมอ
เราต้องถามตัวเองว่า:

ผู้ฟังอยากรู้อะไร?
เขาจะตัดสินใจเรื่องอะไร?
จุดจบของการนำเสนอครั้งนี้คืออะไร?

แล้วจึงค่อย work backward เพื่อจัดโครงเรื่องให้ไปถึงจุดนั้นอย่างมีตรรกะ

5.7.1) กับดักของนักวิเคราะห์

นักวิเคราะห์มักทำงานแบบนี้:

Data → Graphs → Key Points → Main Idea

ซึ่งเหมาะกับการวิเคราะห์ (Analysis)
แต่ไม่เหมาะกับการนำเสนอ (Presentation)

การพรีเซนต์ต้องคิดย้อนกลับ:

Main Idea → Key Points → Evidence → Data

Hypothesis-Driven Approach

วิธีคิดที่ช่วยรักษาโครงเรื่องคือการตั้งสมมติฐานก่อน

ตั้ง Hypothesis เกี่ยวกับปัญหา
หาข้อมูลมาทดสอบสมมติฐาน
วิเคราะห์ผล
ปรับหรือยืนยันสมมติฐาน

ตัวอย่างความต่างของ Main Idea

Example 1: เรื่องคล้ายๆกัน แต่ต่างกันในรายละเอียด

แบบที่ 1
“ต้นทุนเราสูง เพราะ Low Productivity และ High Overtime”

→ เหมาะกับการเปิดด้วยปัญหาว่าต้นทุนสูง แล้วขยายความบอกสาเหตุ

แบบที่ 2
“เราควรลดต้นทุนด้วยการ Eliminate ขั้นตอนที่ไม่จำเป็น และปรับโครงสร้างค่าจ้าง”

→ เหมาะกับการเปิดด้วยต้นทุนสูง ที่มีการบอกสาเหตุไปแล้ว จึงมาขยายด้วย Action ว่าต้องทำอย่างไรต่อ

Example 2: การลงรายละเอียดที่มากขึ้น จะทำให้เรื่องราวน่าสนใจมากขึ้น

ถ้าแบบนี้ จะกลางๆ ไม่ลงทรายละเอียด

แบบที่ 1 → นั้นเป็นการบอกเล่าเรื่องทั่วๆไป

ลงรายละเอียดไปอีกว่าดีแล้ว ช่วยให้เกิดอะไร

แบบที่ 2 → ใส่รายละเอียดเพิ่มเข้าไปว่าทำแล้วจะช่วยให้ดีขึ้นอย่างไร

Avoid Intellectually Blank Main Ideas Main Idea ที่ดีต้องสรุป “ความหมาย” ไม่ใช่แค่ “หัวข้อ”

Main Idea ที่ดี:

ต้องชัด
มีผลกระทบทางธุรกิจ
และนำไปสู่ Action ได้

5.8) Creating Effective Slides

ผู้ฟังต้อง “ฟังเรา” พร้อมกับ “ดูสไลด์”
ดังนั้นสไลด์ที่ดีต้องลด Cognitive Load ให้มากที่สุด

หลักสำคัญ: หนึ่งสไลด์ = หนึ่งข้อความหลัก

ผู้ฟังโฟกัสได้ทีละเรื่อง
การใส่หลายประเด็นในสไลด์เดียว ทำให้จดจำไม่ได้

ทุกสไลด์ควรเริ่มจาก “Headline” ไม่ใช่แค่ “Title”

Headline ≠ Title

Title คือชื่อหัวข้อ บอกว่า “สไลด์นี้เกี่ยวกับอะไร”
Headline คือข้อสรุปของสไลด์ บอกว่า “ข้อมูลนี้สื่ออะไร”
❌ Title: Revenue
✅ Headline: รายได้เพิ่มขึ้น 2 เท่าใน 3 ปีที่ผ่านมา
❌ Title: Sales by Channel
✅ Headline: ยอดขายผ่านเว็บไซต์มากกว่าช่องทางอื่นรวมกันทั้งหมด

Headline ต้อง:

อธิบาย insight จากข้อมูล
มีตัวเลขหรือบริบทที่ชัด
สนับสนุนด้วยกราฟด้านล่าง

โครงสร้างสไลด์ที่ดี

กราฟทำหน้าที่ “พิสูจน์” headline
ไม่ใช่ทำหน้าที่ “ให้ผู้ฟังตีความเอง”

Good Headlines ต้อง:

อธิบายประเด็นจากข้อมูลโดยตรง
ไม่ให้ผู้ฟังตีความเอง
ชัดเจนพอที่จะเข้าใจใน 3–5 วินาที

ถามตัวเองทุกครั้ง:

กราฟนี้ทำให้ผู้ฟังเชื่อ headline ได้ทันทีหรือไม่?
ต้องมี reference line หรือ comparison เพิ่มหรือไม่?
ถ้าให้ดูกราฟอย่างเดียว ผู้ฟังจะเข้าใจผิดไหม?

Don’t make them think.
Make the point obvious.

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

ตัวอย่าง Headline ด้านบน:

มี CEO ผิวสีเพียง 4 คนเท่านั้นในกลุ่มบริษัท Fortune 500 แต่หากจะให้เท่าเทียมกับสัดส่วนประชากรผิวสีในสหรัฐฯ ตัวเลขนี้ควรจะไม่น้อยกว่า 60 คน

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

ตัวอย่าง Headline ด้านบน:

รถยนต์ไฟฟ้าได้กลายเป็นส่วนแบ่งหลักในการส่งออกรถยนต์ของประเทศจีน

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

ตัวอย่าง Headline ด้านบน:

คนส่วนใหญ่ที่ลาออกจากงานในช่วง 2 ปีที่ผ่านมา ไม่กลับไปทำงานในอุตสาหกรรมเดิมที่พวกเขาจากมา

คำอธิบายเพิ่มเติม: ตัวเลขที่น่าสนใจคือมีถึง 65% ที่ไม่กลับไปทำงานในสายเดิม โดยแบ่งเป็นคนที่ย้ายไปทำอุตสาหกรรมอื่น (48%) และคนที่ออกจากระบบแรงงานไปเลย (17%) ครับ

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

ตัวอย่าง Headline ด้านบน:

คาดว่าจะมีขยะสิ่งทอและเสื้อผ้าที่ใช้แล้วประมาณ 740,000 ตันในแคลิฟอร์เนียที่ถูกนำไปฝังกลบ และมีเพียงประมาณ 5,000 ตันเท่านั้นที่ถูกนำกลับมาเข้ากระบวนการรีไซเคิลแบบหมุนเวียน

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

ตัวอย่าง Headline ด้านบน:

ณ วันที่ 15 เมษายน รัฐบาลใน 191 ประเทศได้สั่งปิดโรงเรียนระดับอนุบาลถึงมัธยมปลาย (K-12) เพื่อตอบโต้การระบาดของโคโรนาไวรัส

5.9) Driving Actions

การเล่าเรื่องด้วยข้อมูลที่ดี ไม่ได้หยุดแค่ “บอกว่ามีอะไรเปลี่ยน”
แต่ต้องช่วยให้ผู้ฟังเข้าใจว่า อะไรคือ Meaningful Change และควรทำอะไรต่อ

Meaningful Changes

เมื่อยอดขาย “ตกลงอย่างชัดเจน”
ผู้ฟังควรถามทันทีว่า:

เกิดอะไรขึ้น?
เป็นปัญหาชั่วคราวหรือเชิงโครงสร้าง?
ปัจจัยอะไรเป็นสาเหตุ?

การเห็นการลดลงโดยไม่อธิบาย “เหตุผล” จะทำให้การสื่อสารไม่สมบูรณ์

ยอดขายเพิ่มขึ้นต่อเนื่องในอัตราเดิม แม้ตัวเลขจะเปลี่ยน แต่ “รูปแบบไม่เปลี่ยน” นี่อาจไม่ใช่ Meaningful Change เพราะไม่มีการเปลี่ยนแปลงเชิงโครงสร้าง (no shift in rate)

แต่ถ้า “อัตราการเติบโตเปลี่ยน” เช่น โตเร็วขึ้น หรือชะลอลง นั้นจะเป็น Meaningful Change ซึ่งต้องหาเหตุผลมารองรับ

The Audience Confusion Matrix

กราฟนี้อธิบายความสับสนของผู้ฟัง โดยดูจาก 2 มิติ:

สิ่งที่ข้อมูลแสดง (Data Observation)
สิ่งที่ผู้ฟังคาดหวัง (Audience Expectation)

No Meaningful Change + No Expectation
👉 ไม่มี conflict
ข้อมูลนิ่ง และผู้ฟังก็ไม่ได้คาดหวังอะไร → ไม่ต้องขยายมาก
No Meaningful Change + Expectation of Change
👉 “What did you miss?”
ผู้ฟังคาดว่าจะมีการเปลี่ยนแปลง แต่ข้อมูลไม่แสดง → อาจเกิดจาก:
- เราวิเคราะห์ไม่ลึกพอ
- หรือสื่อสารไม่ชัดเจน
ต้องอธิบายว่าทำไม “ไม่เปลี่ยน”
Meaningful Change + No Expectation
👉 “What happened?”
ข้อมูลเปลี่ยนอย่างมีนัย แต่ผู้ฟังไม่ได้คาดไว้ → นี่คือจุดที่ต้องเล่าเรื่อง อธิบายสาเหตุ และผลกระทบ
Meaningful Change + Expectation of Change
👉 “What do we do now?”
ทั้งข้อมูลและผู้ฟังคาดตรงกันว่าเกิดการเปลี่ยนแปลง → นี่คือจุดที่ต้อง “ตัดสินใจ”
จาก Insight → Action

กราฟอื่นๆที่น่าสนใจ

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

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

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

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

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

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

นอกจากนี้ สามารถดู Best Visualization อื่นๆได้ตาม link

ท้ายที่สุด Data Storytelling ไม่ได้วัดกันที่ “กราฟสวย” หรือ “ข้อมูลแน่น” แต่วัดกันที่ความสามารถในการพาผู้ฟังไปถึง ความเข้าใจร่วมกัน และ การตัดสินใจที่ชัดเจน เราต้องทำให้กราฟซื่อสัตย์ (Graphical Integrity) ลดสิ่งรบกวนเพื่อเพิ่มความชัด (Maximizing Clarity) ออกแบบให้เปรียบเทียบง่าย (Small Multiples) และช่วยผู้ฟัง “ไม่ต้องคิดเยอะ” ด้วยการจัดวาง–ไฮไลต์–ใส่บริบทอย่างเหมาะสม

เมื่อเราจัดโครงเรื่องแบบ Top-down ใช้ Pyramid + MECE สร้างสไลด์ที่มี Headline ชัด และชี้ Meaningful Change ได้ตรงประเด็น ข้อมูลจะไม่หยุดแค่ “Insight” แต่จะต่อยอดไปเป็น “Action” ที่ทำได้จริง วัดผลได้จริง และขับเคลื่อนผลลัพธ์ทางธุรกิจได้จริงครับ

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)