สร้าง Dashboard ด้วย AI: จากข้อมูลดิบสู่ภาพที่ตัดสินใจได้
ขั้นตอนสร้าง Dashboard ด้วย AI แบบใช้งานจริง ตั้งแต่ตั้งคำถาม เตรียมข้อมูล วาง data model ไปจนถึงตรวจตัวเลขก่อนส่งให้ทีม
ไฟล์ Excel ยอดขายรายวันจาก 12 สาขาถูกส่งเข้ามาทุกเช้าวันจันทร์ ทีมใช้เวลาครึ่งวันก๊อปวาง ทำ Pivot และจัดกราฟใหม่ทุกสัปดาห์ แต่พอผู้บริหารถามว่า "สาขาไหนควรเพิ่มสต็อกสัปดาห์หน้า" กลับไม่มีใครตอบได้ทันที ปัญหาไม่ได้อยู่ที่เครื่องมือ แต่อยู่ที่ Dashboard ถูกสร้างขึ้นเพื่อ "แสดงข้อมูล" ไม่ใช่เพื่อ "ช่วยตัดสินใจ" บทความนี้จะพาคุณใช้ AI ช่วยในทุกขั้น โดยไม่ลืมส่วนที่คนต้องคิดเอง
Dashboard ที่ตัดสินใจได้ คืออะไร
Dashboard ที่ดีคือหน้าจอที่ตอบคำถามธุรกิจเฉพาะเจาะจงได้ในไม่กี่วินาที และบอกได้ว่าควรทำอะไรต่อ AI ช่วยเร่งงานที่ซ้ำและเป็นเทคนิค เช่น ทำความสะอาดข้อมูล เขียนสูตร เสนอรูปแบบกราฟ แต่ AI ไม่รู้ว่าธุรกิจของคุณนิยามคำว่า "ยอดขาย" แบบรวม VAT หรือไม่ หักคืนสินค้าหรือยัง ส่วนนี้คุณต้องกำหนดเอง
ขั้นที่ 1: เริ่มจากคำถาม ไม่ใช่จากข้อมูล
เขียน Decision Question ให้ชัด
แทนที่จะบอก AI ว่า "ทำ Dashboard ยอดขายให้หน่อย" ให้เขียนว่า "ผู้จัดการเขตต้องตัดสินใจทุกวันจันทร์ว่าจะโอนสต็อกระหว่างสาขาหรือไม่" คำถามแบบนี้ทำให้ AI เสนอ metric ที่ตรงจุด เช่น ยอดขายต่อสาขาเทียบสัปดาห์ก่อน จำนวนวันที่สต็อกจะพอขาย และสินค้าที่ขายช้า
ให้ AI ช่วยแตกคำถามเป็น Metric
ลองพิมพ์ใน ChatGPT, Claude หรือ Gemini ว่า "นี่คือการตัดสินใจที่ทีมต้องทำ ช่วยเสนอ KPI หลัก 3 ตัวและ KPI ประกอบ 5 ตัว พร้อมสูตรคำนวณ" แล้วคัดเลือกเอง อย่ารับทุกข้อเสนอ
ขั้นที่ 2: เตรียมข้อมูลและวาง Data Model
กลไกสำคัญที่หลายคนข้ามคือการแยกตาราง Fact (รายการขายแต่ละบิล) ออกจากตาราง Dimension (ข้อมูลสาขา สินค้า วันที่) แล้วเชื่อมกันด้วยคีย์ เช่น รหัสสาขา โครงสร้างแบบนี้ทำให้กรองและสรุปข้อมูลได้ถูกต้อง ไม่ว่าจะใช้ Excel, Google Sheets หรือ Power BI
- ให้ AI อ่านตัวอย่างข้อมูล 20 ถึง 50 แถว แล้วถามว่า "คอลัมน์ไหนควรเป็น Fact คอลัมน์ไหนควรเป็น Dimension"
- ให้ AI หาค่าที่ผิดปกติ เช่น ชื่อสาขาสะกดไม่ตรงกัน วันที่หลายรูปแบบ ยอดติดลบ
- สร้างตารางวันที่ (Date table) แยกไว้ เพื่อเทียบสัปดาห์ต่อสัปดาห์ได้ง่าย
ขั้นที่ 3: ให้ AI ช่วยเขียนสูตรและเสนอกราฟ
สูตรและ Measure
เครื่องมือ BI หลายตัวมี AI ในตัวแล้ว เช่น เอกสาร Microsoft Learn ระบุว่า Copilot ใน Power BI ช่วยสร้างหน้ารายงานและเขียน DAX query ได้ ส่วนเอกสารของ Google ระบุว่า Gemini ใน Data Studio (ชื่อใหม่ของ Looker Studio) ช่วยสร้าง calculated field จากภาษาธรรมดาได้ ฟีเจอร์เหล่านี้มีเงื่อนไขด้าน license และบางส่วนยังเป็น Preview จึงควรเช็กกับองค์กรก่อน
เลือกกราฟให้ตรงคำถาม
- เทียบระหว่างกลุ่ม: Bar chart เรียงจากมากไปน้อย
- แนวโน้มตามเวลา: Line chart
- ตัวเลขหลักที่ต้องเห็นทันที: KPI card พร้อมค่าเทียบเป้าหรือเทียบช่วงก่อน
ตัวอย่าง: Dashboard ยอดขายรายสัปดาห์ของร้านค้าปลีก
สมมติร้านเครื่องสำอางที่มีสาขาในห้างทั่วกรุงเทพฯ แถวบนสุดเป็น KPI card 3 ใบ คือ ยอดขายสัปดาห์นี้เทียบสัปดาห์ก่อน อัตรากำไรขั้นต้น และจำนวนสินค้าที่สต็อกจะหมดภายใน 7 วัน แถวที่สองเป็น Bar chart ยอดขายรายสาขาที่ไฮไลต์สาขาที่ต่ำกว่าเป้า แถวสุดท้ายเป็นตารางสินค้าที่ต้องโอนสต็อก ผู้จัดการเขตเปิดดูแล้วรู้ทันทีว่าวันนี้ต้องโทรหาสาขาไหน
Dashboard ที่ดีไม่ได้มีกราฟเยอะที่สุด แต่ทำให้คนรู้ว่าต้องทำอะไรต่อ
ข้อควรระวัง
- AI เดาชื่อคอลัมน์หรือสูตรผิดได้ ตรวจตัวเลขสำคัญกับข้อมูลต้นทางด้วยมือเสมอ อย่างน้อย 2 ถึง 3 จุด
- ค่าเฉลี่ยของค่าเฉลี่ย เป็นความผิดพลาดที่พบบ่อย ให้คำนวณจากผลรวมจริงแล้วค่อยหาร
- ข้อมูลส่วนบุคคล อย่าอัปโหลดชื่อ เบอร์โทร หรือข้อมูลลูกค้าเข้าเครื่องมือ AI ทั่วไปที่องค์กรไม่ได้อนุมัติ ให้ลบหรือแทนด้วยรหัสก่อนตามหลัก PDPA
- นิยามต้องเป็นลายลักษณ์อักษร เขียนไว้ใต้กราฟหรือในหน้าคำอธิบายว่าแต่ละ metric คำนวณอย่างไร
เริ่มต้นยังไง
- เลือกการตัดสินใจ 1 เรื่องที่ทีมทำซ้ำทุกสัปดาห์ แล้วเขียนเป็นประโยคเดียว
- ให้ AI เสนอ KPI แล้วคัดให้เหลือไม่เกิน 3 ตัวหลัก
- เตรียมข้อมูล แยก Fact และ Dimension ให้ AI ช่วยหาค่าผิดปกติ
- สร้างเวอร์ชันแรกใน Excel, Google Sheets หรือ Power BI ภายใน 1 วัน
- ให้ผู้ใช้จริงลองใช้ 2 สัปดาห์ แล้วตัดกราฟที่ไม่มีใครดูออก
ถ้าอยากฝึกพื้นฐานก่อน ลองคอร์ส ให้ AI วิเคราะห์ข้อมูล Excel และทำ Dashboard หรือ บทนำสู่การวิเคราะห์ข้อมูลด้วย Power BI บน Plants.work Learn และถ้ากำลังมองหางานสาย Data ดูตำแหน่งที่เปิดรับได้ที่ หน้างาน