In a world flowing with data, marketers, entrepreneurs, and academics define 'Data' as an 'Asset' that can add value to understanding customers and businesses. But before we can 'Clean', 'Structure', or 'Analyze' to find those 'Hidden Insights', we must understand what we are looking at. ในโลกที่ข้อมูลไหลบ่า นักการตลาด ผู้ประกอบการ และนักวิชาการต่างนิยาม 'ข้อมูล' (Data) ว่าเป็น 'สินทรัพย์' (Asset) ที่สามารถเพิ่มมูลค่าในการเข้าใจลูกค้าและธุรกิจได้ แต่ก่อนที่เราจะ 'คลีน' 'จัดโครงสร้าง' หรือ 'วิเคราะห์' เพื่อหา 'อินไซต์ที่ซ่อนอยู่' (Hidden Insight) เราต้องเข้าใจก่อนว่าเรากำลังดูอะไรอยู่
The Two Main Types of Data 2 ประเภทหลักของข้อมูล
Understanding the type of data is the first button we must button correctly. If we misidentify the data type, we might choose the wrong analytical tools or methods, leading to misleading results. Data is generally categorized into Qualitative and Quantitative. การเข้าใจประเภทของข้อมูลคือกระดุมเม็ดแรกที่ต้องติดให้ถูก หากระบุประเภทผิด เราอาจเลือกเครื่องมือหรือวิธีการวิเคราะห์ผิด ซึ่งนำไปสู่ผลลัพธ์ที่เข้าใจผิดได้ โดยทั่วไปข้อมูลจะถูกแบ่งออกเป็น เชิงคุณภาพ (Qualitative) และ เชิงปริมาณ (Quantitative)
1. Qualitative Data 1. ข้อมูลเชิงคุณภาพ (Qualitative Data)
This is data that cannot act as a number in calculations. It describes qualities or categories. It works well for grouping or ordering but lacks a "true zero". คือข้อมูลที่ ไม่สามารถทำหน้าที่เป็นตัวเลข ในการคำนวณได้ มันอธิบายคุณลักษณะหรือหมวดหมู่ เหมาะสำหรับการจัดกลุ่มหรือจัดลำดับ แต่ขาด "ศูนย์แท้" (True Zero)
- Nominal (Labels): Just names or labels with no order. Example: Gender (Male, Female), Nationality (Thai, Japanese). นามบัญญัติ (Nominal): เป็นเพียงชื่อหรือป้ายกำกับที่ไม่มีลำดับ ตัวอย่าง: เพศ (ชาย, หญิง), สัญชาติ (ไทย, ญี่ปุ่น)
- Ordinal (Order): Categories that have a clear order or rank, but the difference between them isn't measureable. Example: Satisfaction (Low, Medium, High). เรียงลำดับ (Ordinal): หมวดหมู่ที่มีลำดับชัดเจน แต่ระยะห่างระหว่างลำดับวัดไม่ได้ ตัวอย่าง: ความพึงพอใจ (น้อย, ปานกลาง, มาก)
2. Quantitative Data 2. ข้อมูลเชิงปริมาณ (Quantitative Data)
This is data that can be calculated. It represents amounts or quantities and allows for mathematical operations. คือข้อมูลที่ สามารถคำนวณได้ มันแสดงถึงจำนวนหรือปริมาณและสามารถนำไปคำนวณทางคณิตศาสตร์ได้
- Interval (No True Zero): Numbers with known differences between them, but '0' doesn't mean 'none'. Example: Temperature (0°C is still a temperature), Calendar years. อันตรภาค (Interval): ตัวเลขที่มีระยะห่างเท่ากันแต่ '0' ไม่ได้แปลว่า 'ไม่มี' ตัวอย่าง: อุณหภูมิ (0°C ก็ยังมีอุณหภูมิ), ปีปฏิทิน
- Ratio (True Zero): Numbers with a true zero point, meaning '0' indicates absence. You can say 20 is twice as much as 10. Example: Income, Height, Weight. อัตราส่วน (Ratio): ตัวเลขที่มีจุดศูนย์แท้ แปลว่า '0' คือไม่มีเลย และสามารถเปรียบเทียบสัดส่วนได้ ตัวอย่าง: รายได้, ส่วนสูง, น้ำหนัก
Why does this matter? Because you cannot find the "average" (Mean) of distinct genders, nor can you say "High Satisfaction" is two times "Low Satisfaction". Choosing the right analysis method starts with identifying whether your data is Qualitative or Quantitative. ทำไมเรื่องนี้ถึงสำคัญ? เพราะคุณไม่สามารถหา "ค่าเฉลี่ย" ของเพศชายหญิงได้ และคุณบอกไม่ได้ว่า "พอใจมาก" มีค่าเป็นสองเท่าของ "พอใจน้อย" การเลือกวิธีการวิเคราะห์ที่ถูกต้องเริ่มต้นที่การระบุว่าข้อมูลของคุณเป็น เชิงคุณภาพ หรือ เชิงปริมาณ
Credits: Asst. Prof. Dr. Parameth Voraseyanont, Graduate School of Management and Innovation, KMUTT. เครดิต: ผศ. ดร. ปารเมศ วรเศยานนท์ บัณฑิตวิทยาลัยการจัดการและนวัตกรรม มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี
