Definition

Data Science คือ ศาสตร์แห่งข้อมูล หรือวิทยาการข้อมูล ซึ่งมักเป็นที่สับสนระหว่างคำว่า Data Science และ Data Scientist

Point สำคัญ คือ Data Science ไม่ใช่ Data Scientist

ความหมายของคำว่า Data Science แอดขอยกมาจากคอร์ส Data Analyst ของ Google ละกันและเค้าได้บอกไว้ว่า

Data science: A field of study that uses raw data to create new ways of modeling and understanding the unknown

แปลง่ายๆก็คือ สาขาวิชาที่ใช้ข้อมูลดิบเพื่อสร้างโมเดลหรือ ทำให้เข้าใจในสิ่งที่เราไม่รู้

---

What Can data do?

• อธิบายสถานะขององค์กร หรือกระบวนการต่างๆ ว่ามีแนวโน้มดีหรือไม่ดี
• ควานหาเหตุการณ์แปลกๆ ที่เกิดขึ้น
• ช่วยวิเคราะห์ เหตุผลของเหตุการณ์และพฤติกรรมต่างๆ
• ทำนายอนาคตที่กำลังจะเกิดขึ้น

ทีนี้เรามาลองดูว่าโลกของ Data มี Roles และความรับผิดชอบแตกต่างกันยังไงบ้าง

---

Data Science Roles and Tools

1.DATA ENGINEER

Data Entertain เอ้ย Data Engineer หรือ วิศวกรข้อมูล ตำแหน่งนี้ถือเป็นผู้ควบคุมข้อมูลทุกอย่าง คล้ายๆ TVA เลย (เดี๋ยววว) เพราะเป็นตำแหน่งที่มีหน้าที่เป็นด่านแรกของ Data Science Workflow เลยทีเดียว

2.DATA ANALYST

Data Analyst ถือว่าเป็นงานที่ Hot มากที่สุดงานนึงในช่วง 5 ปีที่ผ่านมาก เนื่องจากองค์กรส่วนมากยังคงติดอยู่กับปัญหาที่ว่า มีข้อมูล Excel เยอะๆ แต่ไม่รู้จะทำยังไงดี หรือต้องการ Report Dashboard แบบด่วนๆ ดังนั้นทุกองค์กรเลยมักจะเปิดรับตำแหน่งนี้เป็นอันดับแรก ก่อน Role อื่นๆ ใน Data Science

3.DATA SCIENTIST & MACHINE LEARNING SCIENTIST

แอดขอรวบ 2 ตำแหน่งเลยเพราะในไทยหาความต่างแทบไม่ค่อยเจอ ซึ่งส่วนใหญ่ที่เปิดรับกันจะเป็น Data Scientist และต้องมีสกิลของ ML Scientist ด้วย

Data Scientist เคยเป็นงานที่ Sexy ที่สุดอยู่ชั่วขณะหนึ่ง เพราะรายได้ค่อนข้างสูงและต้องการทักษะที่ค่อนข้างยากสำหรับหลายๆ คน

Data Scientist มักถูกเรียกจากหลายๆ คนว่า Data Science ซึ่งมันคือวิชา แต่เจ้า Data Scientist คือตำแหน่ง ที่เกี่ยวข้องกับ Data Science Workflow Stage สุดท้าย คือ ทดลองและทำนาย เพราะต้องคอยเอาข้อมูลจำนวนมากมารันโมเดลให้เกิด Insights หรือ Pattern ใหม่ๆ

---

Data Science Workflow

1.DATA COLLECTION ต้องรู้อะไรบ้าง

DATA SOURCES

แอดจะแบ่งง่ายๆ เป็นแค่ 2 หมวดหลัก คือ Company Data และ Open Data เพื่อป้องกันการงง

ตัวอย่างของ Company Data

• Web Events เป็นข้อมูลที่เก็บพฤติกรรมคนที่เข้ามาเล่นบน Website ของเรา เช่น เค้าคลิกปุ่มไหน ใช้เวลานานเท่าไหร่ ทำให้เรารู้ว่าแต่ละคนมีความสนใจอย่างไร สามารถนำไปทำ Personalize ต่อได้

• Survey Data เช่น การตอบแบบสอบถามของคน มีหลายวิธี
  • Face-to-Face Interview
  • Online Questionaire
  • Focus Group

ตัวอย่างของ Open Data

• Data APIs เป็นข้อมูลที่เราต้องทำการเชื่อม Application Programming Interface จากแหล่งข้อมูลที่เค้าเปิดให้เราดึงข้อมูลออกมาใช้ได้เลย เช่น
  • Twitter
  • Wikipedia
  • Google Maps เป็นต้น

ปล. ถ้าทุกคนอยากเข้าใจ API มากขึ้นแอดแนะนำบทความนี้เลย > API คืออะไร? อธิบายแบบคนไม่เขียนโปรแกรมรู้เรื่องได้มั้ย?

• Public Records เป็นข้อมูลที่เรา Download มาใช้ได้ง่ายๆ เลย มีทั้ง .csv หรือ image เพื่อให้เราเอามาทำ Project ส่วนตัวได้ และใช้ประกอบการสมัครงาน 5555+
  • Kaggle
  • data.gov
  • data.world
  • https://data.go.th/ อันนี้เป็นข้อมูลของรัฐบาลไทย เราก็ลองเอางบประมาณที่ใช้ไปวิเคราะห์เล่นๆ กันได้ 555+

DATA TYPE

แอดแบ่งเป็น 2 ประเภทหลัก คือ Quantitative (เชิงปริมาณ) และ Qualitative (เชิงคุณภาพ)

Other Data Types

• Image Data: มองข้อมูลเป็น Pixel สามารถเอาไปทำ Machine Learning ได้
• Text Data: ข้อมูลที่เป็นลักษณะตัวอักษร สามารถเอาไปทำ NLP ได้
• Geospatial Data: มองข้อมูลเป็น Layer บนแผนที่ มักใช้โปรแกรม ArcGIS, QGIS ช่วยวิเคราะห์และนำเสนอข้อมูล
• Network Data: ใช้เชื่อมความสัมพันธ์ของข้อมูลคล้ายใยแมงมุม

DATA STORAGE

LOCATION

• On-Premise: เก็บข้อมูลไว้ใน Server ที่เป็น Physical ต้องมีเจ้าหน้าที่หรือคนคอยดูแลอย่างใกล้ชิด เป็น Server ของตัวเอง ส่วนใหญ่ธนาคารหรือสถาบันทางการเงินมักจะเก็บข้อมูลแบบนี้
• On Cloud: เก็บข้อมูลไว้ใน Cloud ผ่าน Service ต่างๆ ของ AWS, Azure, GCP

TYPE OF DATA STORAGE

• Relational Database: ใช้เก็บข้อมูลที่มีโครงสร้างเป็นตาราง โดยมีความสัมพันธ์กันระหว่างตาราง และสามารถใช้ SQL ในการดึงข้อมูลออกมาใช้งานได้
• Document Database: ใช้เก็บข้อมูลที่ไม่มีโครงสร้าง เช่น อีเมล, ข้อความ, วีดีโอหรือเสียง, โซเชียลมีเดีย

DATA PIPELINE

Data Pipeline คือ สิ่งที่ทำให้ข้อมูลเคลื่อนที่ไปยังจุดที่ต้องการใช้งานได้อย่างถูกต้อง โดยข้อมูลนั้นจะพร้อมใช้งานใน Stage นั้นๆ นอกจากนั้น Data Pipeline ยังสามารถ

• ส่ง Data ไปยังจุดต่างๆ ที่ต้องการ
• เก็บข้อมูลและเอาไปวางใน Database แบบอัตโนมัติ
  • ตั้งเวลาได้เป็น รายชม. รายวัน รายสัปดาห์
  • กระทำต่อเมื่อมี Event เข้ามา

• ทำให้เราตรวจสอบสิ่งต่างๆ ได้ด้วยการแจ้งเตือนที่เราสร้างขึ้น
• ETL

ตัวอย่างการใช้ Data Pipeline กับ Smart Home

ETL (EXTRACT-TRANFORM-LOAD)

ETL เป็นกระบวนการที่ Data Engineer ใช้กันเป็นประจำเพื่อเก็บข้อมูลเข้าไปยังฐานข้อมูลได้อย่างถูกต้องครบถ้วน

• Extract: เป็นการเก็บข้อมูลจาก Data Source ต่างๆ
• Transform: เป็นการแปลงข้อมูลให้อยู่ในรูปแบบที่พร้อมใช้งาน
• Load: เก็บข้อมูลเข้า Database เพื่อให้ Data Analyst และ Data Scientist ใช้งานต่อ

และ Data Engineer มักใช้ Data Pipeline ในการทำกระบวนการ ETL แบบอัติโนมัตินั่นเอง

---

2.DATA PREPARATION ต้องรู้อะไรบ้าง

ทำไมต้องเตรียมข้อมูล?

• ข้อมูลในชีวิตจริงค่อนข้างปวดหัว
• เตรียมข้อมูลเพื่อป้องกันความผิดพลาด, ผลลัพธ์ที่ไม่ถูกต้อง, biasing algorithm (ไม่รู้จะแปลยังไงดี 555)

ลองคิดง่ายๆ ข้อมูลก็เหมือนกับวัตถุดิบที่ใช้ตอนทำกับข้าว ถ้าเราไม่ได้เปลี่ยนมันให้อยู่ในรูปแบบที่พร้อมปรุง เราก็ไม่น่าจะกินมันได้ ข้อมูลก็เช่นกัน

ทำความสะอาดข้อมูลกันดีกว่า

อันนี้เป็นตัวอย่างข้อมูลที่เรามักเจอกันตอนทำงานจริง

TIDY DATA

สิ่งที่เราต้องทำเป็นอย่างแรก คือ ต้องจัดข้อมูลให้อยู่ในรูปแบบที่ควรจะเป็น จากในตัวอย่างจะเห็นว่าหากมีการเก็บข้อมูลแบบนี้ต่อไปเรื่อยๆ ตารางจะยิ่งมีคอลัมน์มากขึ้นเรื่อย เราเรียกข้อมูลแบบนี้ว่า Wide-Format

แต่ใน Process Data Prep นี้เราต้องทำให้ข้อมูลอยู่ในรูปแบบของ Long-Format หมายถึง เมื่อมีข้อมูลใหม่เพิ่มเข้ามาจะเพิ่มจำนวนแถวแทน

REMOVE DUPLICATES

กำจัดข้อมูลที่ซ้ำซ้อนกันออกไป ซ้ำกันในความหมายนี้ คือ ข้อมูลเหมือนกัน 100% ทุกคอลัมน์

เริ่ม Transform ข้อมูล

UNIQUE ID

กำหนด Unique Key ให้ข้อมูลของเรา เพื่อให้ข้อมูล 1 แถวที่เรามีถือเป็น 1 Data Point จริงๆ และเพื่อให้ง่ายต่อการทำ Relationship ในกรณีที่เรามีข้อมูลหลายตาราง

Homogeneity

ปรับให้ข้อมูลมีรูปแบบเดียวกัน เช่น Size ที่ใช้หน่วยวัดที่ต่างกัน และ Location ที่ใช้ตัวย่อและชื่อเต็ม

Data Type

ชนิดของข้อมูลสำคัญมากต่อการนำข้อมูลมาวิเคราะห์ต่อ หากข้อมูลที่เราจะใช้ในหาจำนวน ก็ควรมีลักษณะเป็นตัวเลข (Integer) เช่น ข้อมูล Age หรืออายุ จะนำไปหาค่าเฉลี่ยได้ Data Type ก็ควรเป็นลักษณะตัวเลข

MISSING VALUE

มีหลายวิธีที่เราสามารถจัดการกับข้อมูลที่สูญหายไป หรือไม่มีค่าในคอลัมน์ต่างๆ

เหตุผลที่มี Missing Value

• กรอกข้อมูลไม่ครบ (Human Error)
• Error โดยระบบ
• ค่านั้นสามารถเป็นค่าว่างได้ หรือที่จริงแล้วมันเป็นค่าว่างจริงๆ

วิธีจัดการกับ Missing Value

• คำนวณหาค่าโดยใช้ข้อมูลที่มีอยู่ (ทำได้โดยใช้ Mean, Median, Mode หรือใช้ ML และวิธีอื่นๆ เพื่อคำนวนหาค่าก็ได้)
• ลบทิ้ง (ตรงนี้ขึ้นอยู่กับจำนวนข้อมูลด้วย หากข้อมุลมีน้อยมาก ทุกๆ แถวจึงมีความสำคัญ ควรเลือกใช้วิธีการอื่นแทน)
• เก็บเอาไว้โดยไม่ทำอะไรเลย

โดยตัวอย่างนี้เราจะใช้วิธีง่ายๆ คือ การหาค่าเฉลี่ยจากอายุที่มีอยู่แล้ว (แอดย้ำว่าเป็นแค่วิธีหนึ่งง่ายๆ เท่านั้น)

เท่านี้เราก็สามารถทำงานต่อใน Stage ถัดไป นั่นคือ Exploration & Visualization ได้แล้ว

---

3.EXPLORATION & VISUALIZATION ต้องรู้อะไรบ้าง

EDA

Exploratory Data Analysis หรือ EDA เชื่อว่าหลายคนคงเคยได้ยินมาบ้าง แต่ยังไม่แน่ใจนักว่ามันคืออะไร

• การเข้าไปสำรวจข้อมูล
• ดูค่าทางสถิติของข้อมูล
• แสดงผลข้อมูลออกมาเป็นภาพ หรือกราฟต่างๆ (Data Visualization)

สำรวจข้อมูล

นี่คือตัวอย่างข้อมูลที่หลายสำนักมักใช้นำมายกตัวอย่าง เพราะมันเข้าใจง่าย ทั้ง Udacity รวมถึง DataCamp ด้วย โดยข้อมูลชุดนี้จะประกอบด้วย 4 Datasets แต่ละ Dataset จะมี 2 คอลัมน์ คือ X,Y

โจทย์ คือ เราจะหาความสัมพันธ์ของทั้ง 4 Datasets นี้อย่างไร แน่นอนว่าไม่พ้นการใช้ค่าทางสถิติ

ค่าทางสถิติของข้อมูล

และนี่ก็คือค่าทางสถิติของข้อมูล (แอดเอามากรอกใหม่ในชีทแล้ว คำนวนมือเองเลย) จะเห็นว่าค่า Mean, SD หรือแม้กระทั่ง Correlation ก็ได้เท่ากันเป๊ะ ดังนั้นจึงสรุปได้ว่าข้อมูลทั้ง 4 ชุดนี้มีลักษณะคล้ายกันมากๆๆๆ

แต่เดี๋ยวก่อน!! อย่าลืมว่าเราต้องเอาไปแสดงผลดูในรูปแบบของกราฟด้วย เพื่อความชัวร์

แสดงผลข้อมูล

ลองเอาข้อมูลทั้ง 4 มาแสดงผลในรูปแบบกราฟ หรือ Scatter Plot จะเห็นได้ว่าข้อมูลทั้ง 4 ชุดต่างกันอย่างเห็นได้ชัด ดังนั้นการทำ EDA จึงขาดขั้นตอนนี้ไปไม่ได้เลย

แอดเคย Live เรื่อง Data Visualization บน Facebook แบบละเอียดกับแอดทอย DataRockie และพี่ต่อ CEO Predictive ใครสนใจจิ้มไปฟังกันได้ > Data Visualization

DASHBOARD

หลังจากได้ข้อมูลมาเรียบร้อย เราสามารถนำข้อมูลเข้าไปยัง BI Tools ต่างๆ เพื่อทำการแสดงผลในรูปแบบ Dashboard และนำเสนอข้อมูลที่คนสามารถคลิกหมุนข้อมูล หรือมองเห็นภาพใหญ่ของข้อมูลได้อย่างรวดเร็ว โดยเฉพาะอย่างยิ่งทีมผู้บริหาร

คนที่อยากทำตำแหน่ง Data Analyst จำเป็นมากที่ต้องใช้ Tools เหล่านี้ให้เป็นอย่างน้อยสัก 1 Tool เพราะมีพื้นฐานการใช้คล้ายๆ กัน

Tools เหล่านี้สามารถแสดงผลข้อมูลออกมาได้ดังตัวอย่างข้างล่าง

---

4.EXPERIMENTATION & PREDICTION ต้องรู้อะไรบ้าง

A/B TESTING

ใช้สำหรับทำการทดลองว่าสิ่งไหนดีกว่ากัน โดยมีขั้นตอนง่ายๆ ดังนี้

• ตั้งคำถาม: Banner แบบ A หรือ แบบ B จะทำให้คนกดซื้อของ (เกิด Conversion Rate) มากกว่ากัน?
• ตั้งสมมุติฐาน: Banner ทั้ง 2 แบบ มีอัตราการกดซื้อของเท่ากัน
• เก็บข้อมูล: แบ่งคนออกเป็นสองกลุ่มเท่าๆ กัน (เห็น Banner A 50% | Banner B 50%)
• แปลผลข้อมูล: ดู Conversion Rate ของคนทั้ง 2 กลุ่ม

เพื่อนๆ สามารถหาอ่านรายละเอียดเกี่ยวกับ A/B Testing ได้เพิ่มจาก Google เด้อ

PREDICTIVE MODELING

เป็น Model ที่ Data Scientist ใช้เพื่อทำนายผลข้อมูลในรูปแบบต่างๆ และเจ้า Model ที่ว่านี้ก็มีหลายรูปแบบด้วยกัน แอดอาจจะยกตัวอย่างไม่หมด แต่โดยหลักการแล้วคล้ายกัน คือ ต้องมี Input เพื่อส่งให้โมเดลทำการเรียนรู้และวิเคราะห์ผลออกมาเป็น Output

เช่น หากเรา Feed Input ที่เป็น tweet ของชาวเน็ต Model จะสามารถทำนายได้ว่ามีโอกาสที่จะเป็นข่าวปลอมกี่ %

FORECASTING TIME SERIES

ในปัจจุบัน หากข้อมูลที่เราใช้งานอยู่มีการเก็บข้อมูลวันหรือเวลา สามารถนำมาทำนายผลอนาคตในเชิงของเวลาได้

• ฝนจะตกกี่ครั้งในเดือนหน้า
• รถจะติดมากขึ้นแค่ไหนในอีก 1 ชั่วโมง
• สินค้าไหนจะต้องสั่งเพิ่มในช่วงเวลาใด
• ประชากรโลกจะเพิ่มเป็นจำนวนเท่าไหร่ในอีก 30 ปี
• ยอดขายสินค้าจะเพิ่มขึ้นมากน้อยแค่ไหนในแต่ละ Quarter

MACHINE LEARNING

Machine Learning คือ การทำนายผลด้วยข้อมูล

Supervised Machine Learning

คือ การทำนายผลด้วยข้อมูลที่มี Labels และ Features

• ทำระบบแนะนำสินค้าให้ลูกค้าใน Website E-Commerce
• ช่วยแพทย์วินิจฉัยโรคด้วยข้อมูลรูปภาพ เช่น โรคเบาหวานขึ้นตา
• แปลงลายมือเป็นตัวหนังสือ
• ทำนายผลลูกค้าที่จะย้ายค่าย (Churn Prediction)

ตัวอย่าง CHURN PREDICTION

ก่อนอื่นเราต้องรู้จัก Labels และ Features กันก่อน

• Labels: เฉลยข้อสอบว่า คำตอบที่ถูกต้องเป็นอะไร ในกรณีนี้ก็จะเป็นคอลัมน์ที่บอกว่า ลูกค้าจะ Churn หรือ Subscribe ต่อ
• Features: ข้อมูลอื่นๆ ที่เป็นปัจจัยในการประมวลผลของ Model

เมื่อมี Dataset ที่เรามีเฉลยข้อสอบอยู่แล้ว เราจึงนำข้อมูลชุดนี้มาทำการสร้างโมเดล โดยเราจะแบ่งข้อมูลเป็น 2 ชุดหลักๆ คือ

• Training Dataset เพื่อใช้สอนโมเดลให้รู้จักว่าข้อมูลแบบไหนที่ทำให้เป็น Churn หรือ Subscribe
• Test Dataset เพื่อทดสอบโมเดลว่าแม่นยำแค่ไหน หากนำมาใช้กับข้อมูลที่เพิ่งเคยเห็น
• บางที่ก็จะมี Validate Dataset เพิ่มด้วย

ประเมินผลโมเดล

โดยมากจะใช้สิ่งที่เรียกว่า Confusion Metrix ในการวัดคุณภาพของโมเดล แต่แอดอาจจะไม่ได้ลงรายละเอียดมากนัก แต่เอาให้ทุกคนพอเห็นภาพตามได้

จากตาราง จะเห็นว่าข้อมูล Test Dataset ของเรา

• มีคน Subscribe อยู่ 970 แต่โมเดลทำนายออกมา 1,000
• มีคน Churn อยู่ 30 แต่โมเดลทำนายออกมา 0

ดังนั้นเมื่อเราเอาความจริงกับสิ่งที่โมเดลทำนายมาคำนวณจะอยู่ที่ 97% ดูเผินๆ เหมือนจะดีใช่มั้ย?

แต่ในความเป็นจริงแล้วโมเดลนี้อาจจะไม่ค่อยดีนักเนื่องจากไม่สามารถจับ Pattern ของคนที่ Churn ได้เลย ทำให้โมเดลนี้เมื่อนำไปใช้งานจริงอาจจะทำให้ผลลัพธ์ที่ออกมาไม่มีประสิทธิภาพเลยก็ได้

Unsupervised Machine Learning

คือ การทำนายผลข้อมูลโดยใช้เพียงแค่ Features เนื่องจากเป็นโมเดลที่มักใช้ตามหา Label โดยมากจะนำไปใช้ในการจัดกลุ่มข้อมูล หรือ Clustering

เช่น หากวันนี้เราหลงเข้าไปในป่าแล้วไปเจอกับ ดอกไม้สายพันธ์แปลกๆ ที่เราไม่รู้จัก เราจึงพยายามจะจัดกลุ่มดอกไม้เหล่านั้น โดยอาจดูจากความกว้างและความยาวของเกสร, ความกว้างและความยาวของกลีบดอก, รวมถึงจำนวนกลีบดอก และที่ขาดไม่ได้เลยคือ สีของดอกไม้

เราจะทำการโยน Input เข้าไป เพื่อให้โมเดล Clustering ทำการจัดกลุ่ม จากรูปภาพดอกไม้ที่เราถ่ายมาได้ แต่ต้องบอกก่อนว่าวิธีการนี้เป็นการจัดกลุ่มจากสิ่งที่เรามีเท่านั้น ลองดูตัวอย่างผลลัพธ์ที่ได้

การตัดสินใจเรื่องจำนวนของ Cluster

• ขึ้นอยู่กับความเหมาะสม เมื่อเรามองจากผลลัพธ์ที่เราได้
• ใช้ Domain Expert ที่มีความรู้เกี่ยวกับข้อมูลนั้นๆ มาช่วยตัดสินใจว่าจะแบ่งเป็นกี่ Cluster

---

แล้วก็จบแล้วสำหรับ Data Science Workflow!!

SUMMARY

สำหรับบทความนี้เหมาะสำหรับคนที่สนใจเรื่อง Data Science โดยที่ยังไม่เคยมีพื้นฐานมาก่อน เนื้อหาทั้งหมด มาจากส่วนหนึ่งของคอร์ส Data Science For Everyone ใน Data Camp

บทความนี้หลักๆ เราได้เรียนรู้อะไรบ้าง

• เราใช้ข้อมูลทำอะไรได้บ้าง
• ตำแหน่งหรือหน้าที่การงานต่างๆ ในโลก Data Science และ Tools ที่ต้องใช้
• Data Science Workflow แต่ละตำแหน่งอยู่ใน Stage ไหน ต้องทำอะไรบ้างในแต่ละ Stage

อยากให้บทความนี้จะเป็นจุดเริ่มต้นให้เพื่อนๆ มองเห็นเป้าหมายว่าเราอยากทำจุดไหนของ Data Science เพื่อใช้ในการกำหนดเส้นทางสิ่งที่ต้องเรียนในอนาคต และสุดท้ายนี้หวังว่าบทความจะมีประโยชน์ไม่มากก็น้อยคร้าบ

ค้นหาบทความอื่นๆ ของเราได้

Search

 2,142 total views,  6 views today