สถิติเพื่อการตัดสินใจ
Solving Business Problems with Descriptive Statistics

อ.ดร. สมศักดิ์ จันทร์เอม

วิทยาลัยนานาชาตินวัตกรรมดิจิทัล มหาวิทยาลัยเชียงใหม่

31 มีนาคม 2569

🛑 STOP & READ

ก่อนอ่านเนื้อหา ควรศึกษาเรื่องนี้ก่อนนี้ คือ สถิติ <- click เลยถ้ายังไม่ผ่านตา

Scenario (สถานการณ์สมมติ): เปรียบเทียบผลการดำเนินงานของ

“ร้านกาแฟ 2 สาขา” เพื่อตัดสินใจว่าจะปรับปรุงสาขาไหน โดยใช้สถิติเป็นตัวชี้วัด

โจทย์ปัญหา (The Problem)

เรามีร้านกาแฟ 2 สาขา (Siam และ Silom) ผู้บริหารต้องการทราบว่า:

  1. สาขาไหนมียอดขายดีกว่ากัน? (Central Tendency)
  2. สาขาไหนมีความเสี่ยง/ยอดขายผันผวนมากกว่า? (Dispersion)
  3. ยอดขายมีโอกาส “พุ่งสูง” หรือ “ร่วงหนัก” แค่ไหน? (Shape)
  4. งบโฆษณามีผลต่อยอดขายจริงหรือไม่? (Correlation)

1. ข้อมูลตัวอย่าง

จำลองยอดขาย (Daily Sales) 30 วัน

Day Siam Silom Ads Siam_Sales
1 4887.90 5839.70 359.16 8479.50
2 4953.96 4757.39 227.93 7233.26
3 5311.74 6542.69 223.09 7542.64
4 5014.10 6517.20 187.91 6893.20
5 5025.86 6432.37 247.80 7503.86
6 5343.01 6232.96 493.69 10279.91
7 5092.18 6030.88 161.68 6708.98
8 4746.99 5107.13 136.42 6111.19
9 4862.63 4741.06 156.76 6430.23
10 4910.87 4629.29 376.00 8670.87
11 5244.82 4157.94 347.70 8721.82
12 5071.96 4888.12 456.56 9637.56
13 5080.15 3301.91 369.20 8772.15
14 5022.14 8453.43 394.83 8970.44
15 4888.83 7011.94 308.45 7973.33
16 5357.38 3515.34 363.94 8996.78
17 5099.57 4595.67 428.72 9386.77
18 4606.68 4500.02 414.51 8751.78
19 5140.27 6369.95 491.93 10059.57
20 4905.44 5074.95 275.77 7663.14
21 4786.44 5579.98 224.68 7033.24
22 4956.41 5157.18 263.79 7594.31
23 4794.80 5135.69 104.19 5836.70
24 4854.22 7252.90 173.54 6589.62
25 4874.99 4861.34 437.09 9245.89
26 4662.66 7474.71 192.46 6587.26
27 5167.56 2876.87 195.64 7123.96
28 5030.67 6076.92 130.68 6337.47
29 4772.37 5385.78 198.29 6755.27
30 5250.76 15000.00 392.85 9179.26

2. ใครขายดีกว่า? (Mean & Median)

ใช้ตอบคำถาม: “โดยปกติแล้ว เราขายได้เท่าไหร่?”

การคำนวณ

Value
Siam_Mean 4990.579
Siam_Med 4985.255
Silom_Mean 5783.377
Silom_Med 5271.480

💡 การตีความ

  • Mean: Silom ดูเหมือนจะขายดีกว่า (4,990.6 vs 5783.4)

  • Median: แต่ถ้าดูค่ากลางจริงๆ Silom (5,271.5) ใกล้เคียง Siam (4985.3) (แตกต่างไม่มาก)

  • Insight: Silom มีค่า Mean สูงเพราะมี “วันพิเศษ” มาดึงค่าขึ้นไป (Outlier Influence)

3. ใครเสี่ยงกว่า? (Variance & SD)

ใช้ตอบคำถาม: “ยอดขายแน่นอนแค่ไหน? ผีเข้าผีออกไหม?”

การคำนวณ

Value
Siam_SD 196.2054
Siam_Var 38496.5702
Silom_SD 2144.5992
Silom_Var 4599305.6209

💡 การตีความ

  • Siam (SD = 196.2): ยอดขายเกาะกลุ่มมาก คาดเดาได้ง่าย (Low Risk)

  • Silom (SD = 2,144.6): ยอดขายเหวี่ยงรุนแรงมาก วันไหนดีก็ดีใจหาย วันไหนแย่ก็แย่เลย (High Risk)

4. รูปทรงข้อมูล (Skewness & Kurtosis)

ใช้ตอบ: “โอกาสเกิดเหตุการณ์สุดโต่ง (Extreme Events)”

Value
Silom_Skewness 2.798632
Silom_Kurtosis 11.574961

  • Skewness (2.80): เบ้ขวามาก (Positive Skew) แปลว่า ส่วนใหญ่ยอดขายกลางๆ แต่มี “โอกาสรวยเปรี้ยง” (ยอดขายสูงปรี๊ด) ดึงกราฟไปทางขวา

  • Kurtosis (11.57): สูงมาก (Leptokurtic) แปลว่า มีโอกาสเกิด Outlier สูงกว่าปกติ (Data มีความผิดปกติสูง)

Visualizing Distributions

สังเกตว่า Silom (สีแดง) กราฟแบนและหางยาวไปทางขวา (Skewed)

5. ยิง Ads ช่วยไหม? (Pearson Correlation)

ใช้ตอบ: “ความสัมพันธ์ระหว่าง งบโฆษณา กับ ยอดขาย”

การคำนวณ

Correlation (r) = 0.9894

💡 การตีความ

  • ค่า r เข้าใกล้ +1 (0.87)

  • Positive Correlation: มีความสัมพันธ์เชิงบวกที่แข็งแรง

  • สรุป: “ยิ่งจ่ายค่าโฆษณา ยอดขายสาขา Siam ยิ่งเพิ่มขึ้นอย่างชัดเจน” \(\rightarrow\) ควรยิง Ads ต่อไป

สรุปผลการวิเคราะห์ (Conclusion)

สถิติ Siam Silom ความหมายทางธุรกิจ
Mean 4,990.6 5,783.4 Silom ทำเงินรวมได้เยอะกว่า
SD 196.2 2,144.6 Siam รายได้เสถียร, Silom ผันผวนสูง บริหารสต็อกยาก
Shape Normal Skewed Silom หวังผล “Big Win” ได้บ้าง แต่เสี่ยง
Action ✅ ⚠️ Siam: อัดโฆษณาเพิ่ม
Silom: หาสาเหตุความไม่นิ่ง


Silom: หาสาเหตุความไม่นิ่ง |

“สถิติช่วยเปลี่ยนข้อมูลดิบ ให้เป็นแผนกลยุทธ์”

การวิเคราะห์ข้อมูลทางการแพทย์

Clinical Data Analysis: Drug Efficacy Comparison

Scenario: การเปรียบเทียบประสิทธิผลของ “ยาลดความดัน 2 สูตร” (Drug A vs Drug B) เพื่อดูว่ายาตัวไหนลดความดันได้ดีกว่าและปลอดภัยกว่า (ผลข้างเคียงน้อยกว่า)

🏥 โจทย์วิจัย (Clinical Question)

โรงพยาบาลต้องการเปรียบเทียบยา 2 ชนิด:

  1. Drug A (Standard): ยามาตรฐานเดิม (Safe & Proven)
  2. Drug B (Experimental): ยาสูตรใหม่ (New & Risky)

คำถามวิจัย:

  1. ยาตัวไหนลดความดันโลหิต (BP Reduction) ได้มากกว่า? (Mean/Median)

  2. ยาตัวไหนให้ผลคงที่กว่ากัน (ไม่เหวี่ยง)? (SD/Var)

  3. มีการตอบสนองที่ผิดปกติ (Adverse Events) หรือไม่? (Skew/Kurtosis)

  4. อายุคนไข้มีผลต่อการออกฤทธิ์ไหม? (Correlation)

🧬 1. จำลองข้อมูลผู้ป่วย (Simulate Data)

ข้อมูลการลดลงของความดัน (mmHg) ในผู้ป่วย 40 คน

ID DrugA DrugB Age BP_Reduction
1 14.43652 -2.000000 54 9.036520
2 12.37488 -2.000000 52 7.174881
3 16.59037 -2.000000 49 11.690368
4 15.54014 12.442106 45 11.040141
5 14.44539 19.503327 64 8.045387
6 13.86795 19.382394 54 8.467953
7 11.24268 7.745612 31 8.142684
8 12.46642 18.070951 30 9.466418
9 13.06450 20.911332 69 6.164501
10 12.75798 17.826368 50 7.757981
11 17.65093 17.416679 67 10.950927
12 15.26795 14.775090 34 11.867955
13 16.87750 26.722058 35 13.377499
14 15.34508 19.830472 38 11.545076
15 16.91530 17.665950 33 13.615301
16 12.27463 19.413062 44 7.874627
17 15.13667 20.838476 39 11.236670
18 15.20132 11.603920 49 10.301315
19 16.80269 20.176844 34 13.402689
20 10.85129 15.172495 55 5.351286
21 12.54287 13.383443 56 6.942873
22 16.28609 23.824770 43 11.986089
23 14.28047 23.210343 41 10.180474
24 15.58807 23.519142 38 11.788071
25 12.74946 17.907125 61 6.649463
26 16.28453 12.265212 65 9.784531
27 12.78652 10.959102 39 8.886525
28 13.23032 16.588356 39 9.330319
29 11.89181 15.911150 54 6.491810
30 14.74664 22.983318 35 11.246642
31 19.76533 17.468571 57 14.065328
32 16.20255 17.652989 61 10.102552
33 15.35872 22.748506 70 8.358723
34 17.16106 15.917336 65 10.661063
35 14.50638 22.870002 35 11.006376
36 10.77253 18.311457 35 7.272526
37 14.25895 20.692110 33 10.958945
38 16.04574 7.675884 39 12.145736
39 16.03561 20.182158 47 11.335611
40 12.19498 35.000000 46 7.594978

2. ประสิทธิผลยา (Mean & Median)

ใช้ตอบ: “โดยเฉลี่ยแล้ว ยาตัวไหนเก่งกว่า?”

Calculation

mmHg Reduced
Mean_A 14.54497
Med_A 14.62651
Mean_B 16.81420
Med_B 17.86675

🩺 Clinical Interpretation

  • Mean: Drug B (16.8) ดูเหมือนลดความดันได้ดีกว่า Drug A (14.5)
  • Median: ค่ากลาง Drug B (17.8) ก็ยังสูงกว่า
  • เบื้องต้น: Drug B ดูมีประสิทธิภาพสูงกว่า (High Efficacy)

3. ความปลอดภัย/ความนิ่ง (SD & Variance)

ใช้ตอบ: “ผลการรักษาน่าเชื่อถือแค่ไหน?”

Calculation

Value
SD_A 2.061144
Var_A 4.248316
SD_B 7.393106
Var_B 54.658010

🩺 Clinical Interpretation

  • Drug A (SD=2.06): ค่าต่ำมาก แปลว่า “หมอสั่งยานี้ แล้วมั่นใจได้ว่าความดันลดลงประมาณ 16 แน่ๆ” (Predictable)

  • Drug B (SD=7.39): ค่าสูงมาก แปลว่า “บางคนลดเยอะ บางคนไม่ลดเลย” การตอบสนองไม่แน่นอน (Unpredictable response)

4. วิเคราะห์ความเสี่ยง (Skewness & Kurtosis)

ใช้ตอบ: “มีโอกาสเกิดเคสประหลาด (Extreme Cases) มากแค่ไหน”

Value
Skew_B -0.8778569
Kurt_B 1.9896900

  • Skewness (-0.88): ติดลบเล็กน้อย (เบ้ซ้าย) แสดงว่ามีกลุ่มคนที่ “ยาไม่ได้ผล” (ค่าต่ำๆ) ดึงกราฟไปทางซ้าย

  • Kurtosis (1.99): เป็นบวก แสดงว่ากราฟโด่งกว่าปกติเล็กน้อย มีโอกาสเจอ Outlier (เช่น คนที่ความดันลดฮวบ หรือไม่ลดเลย) มากกว่าการแจกแจงปกติ

  • หมอต้องระวัง Drug B ในคนไข้บางกลุ่ม

Visualizing Clinical Data

Drug A (สีชมพู) เกาะกลุ่มแน่น ส่วน Drug B (สีเขียว) กระจายตัวกว้างมาก

5. ปัจจัยแทรกซ้อน (Correlation)

ใช้ตอบ: “อายุยิ่งเยอะ ยายิ่งได้ผลน้อยลงจริงไหม?” (สมมติฐานใน Drug A)

Calculation

Pearson r = -0.4129

🩺 Clinical Interpretation

  • r = -0.41 (Negative Correlation)

  • ความหมาย: มีความสัมพันธ์ผกผันปานกลาง

  • สรุป: “ยิ่งอายุมากขึ้น ประสิทธิภาพของยา Drug A มีแนวโน้มลดลง”

  • Action: อาจต้องปรับขนาดยาในผู้สูงอายุ

🏁 สรุปผลทางการแพทย์ (Medical Conclusion)

Statistic Drug A Drug B ข้อแนะนำ (Recommendation)
Efficacy (Mean) ปานกลาง สูง ถ้าต้องการผลเลิศ เลือก B
Safety (SD) สูง (นิ่ง) ต่ำ (เหวี่ยง) ถ้าต้องการความชัวร์ เลือก A
Risk (Shape) Normal Outliers B ต้องเฝ้าระวังผลข้างเคียงใกล้ชิด
Factor (Cor) Age - A อาจต้องเพิ่มโดสในคนแก่

Final Decision

เลือก Drug A เป็นยาหลัก (First-line) เพราะผลนิ่งกว่า และใช้ Drug B เป็นทางเลือกในเคสที่ดื้อยา

การวิเคราะห์ข้อมูลทางเศรษฐศาสตร์

Economic Indicators: Growth vs. Inequality

Scenario (สถานการณ์สมมติ)

“Nordinia”: ตัวแทนของประเทศพัฒนาแล้ว (Developed Market) ที่มีความมั่นคงสูง

“Equatoria”: ตัวแทนของประเทศกำลังพัฒนา (Emerging Market) ที่มีการเติบโตสูงแต่ผันผวน

📉 โจทย์ทางเศรษฐศาสตร์ (Economic Problem)

รัฐบาลต้องการเปรียบเทียบโครงสร้างรายได้ของ 2 ประเทศ:

  1. Nordinia (Type A): เศรษฐกิจแบบรัฐสวัสดิการ (Welfare State)
  2. Equatoria (Type B): เศรษฐกิจโตเร็วแบบทุนนิยมเสรี (Emerging Market)

คำถามเชิงนโยบาย:

  1. รายได้เฉลี่ยที่แท้จริงเป็นอย่างไร? (Mean vs Median)
  2. ความเหลื่อมล้ำสูงแค่ไหน? (Skewness)
  3. มีความเสี่ยงเกิดวิกฤตเศรษฐกิจหรือไม่? (Kurtosis/SD)
  4. การศึกษาส่งผลต่อรายได้จริงไหม? (Correlation)

1. จำลองข้อมูลรายได้ (Income Simulation)

ข้อมูลรายได้ต่อหัว (Income per Capita) หน่วย $1,000

ID Nordinia Equatoria Edu_Years
1 38.35070 17.430576 7.226026
2 42.51823 9.873121 3.860840
3 41.87185 33.940333 7.014209
4 49.44310 55.190633 7.273970
5 31.10049 511.422566 11.219539
6 44.42816 17.872511 3.956033
7 39.21614 30.029867 8.530082
8 46.82277 35.142181 5.545495
9 40.18318 51.375948 9.244828
10 43.09265 36.292217 4.125561
11 38.60651 40.888252 6.474978
12 36.66396 21.108524 5.990489
13 35.00410 59.873795 7.721748
14 35.73890 8.233745 5.740134
15 36.62349 11.823143 4.741533
16 39.59231 37.814644 7.088098
17 41.30308 85.200694 8.912262
18 36.15283 54.957757 6.572868
19 32.78043 37.154235 6.663685
20 42.55394 8.597497 6.163915
21 43.48435 31.279991 8.593909
22 42.30003 21.809112 6.687901
23 34.19707 57.186377 9.156708
24 46.38470 88.872440 9.299698
25 34.70884 79.111861 8.017375
26 40.21097 18.897482 6.567935
27 43.36751 14.888203 6.211523
28 39.53565 56.093532 8.189673
29 39.01487 39.291242 7.433497
30 47.20634 29.762203 6.466018
31 38.96915 169.521012 11.351544
32 38.50026 28.842339 6.297526
33 41.32389 93.389534 9.529266
34 38.74999 18.683415 6.004156
35 38.50867 18.061191 6.299170
36 40.89152 7.248664 3.266222
37 37.76014 10.991159 5.177279
38 42.82120 43.205680 7.218409
39 37.02752 29.550025 7.810131
40 35.14156 76.730856 8.886093
41 51.07201 14.673353 4.522784
42 47.10305 5.158078 3.115679
43 44.43367 16.247776 4.978367
44 38.15994 30.838620 7.726051
45 35.46649 19.431388 5.752930
46 41.65328 19.697350 7.228247
47 41.95989 220.306892 10.474053
48 38.31931 72.928854 8.307853
49 51.29014 16.434763 5.632128
50 24.37249 15.981273 4.849556
51 45.74128 9.919852 5.506094
52 40.44547 28.150975 6.560611
53 41.42274 258.698447 10.362276
54 38.89247 140.593522 10.772127
55 39.16846 20.805210 4.533134
56 35.22745 63.988900 8.441401
57 45.49160 31.976617 7.606818
58 36.71892 24.384942 6.524849
59 34.43952 28.717399 6.938682
60 40.34368 65.219185 8.630819
61 41.85458 43.180619 8.581038
62 43.23800 10.912034 4.897909
63 33.39003 28.807639 6.726667
64 45.04685 52.737616 7.440829
65 47.15675 33.372127 5.796118
66 36.79522 62.410583 7.531632
67 39.59930 34.896200 5.577852
68 44.16359 89.755399 10.011398
69 50.31840 43.023075 5.847954
70 35.22013 141.855989 10.281608
71 34.30810 37.399804 7.049338
72 37.95062 23.666730 6.053204
73 43.88100 10.426770 6.087991
74 39.21932 38.284467 5.499570
75 32.54694 33.816585 5.960177
76 36.26979 13.583621 6.072487
77 41.68034 54.818697 7.582702
78 41.62769 38.361393 7.416309
79 46.32595 37.151537 6.545655
80 39.62211 21.994681 4.839543
81 30.79414 22.704168 6.207533
82 46.49276 79.433626 9.849498
83 43.04410 49.647077 7.581069
84 34.40913 23.700787 6.503632
85 40.86657 97.709921 9.445200
86 46.70931 25.471588 5.919996
87 41.06717 31.540769 6.937329
88 33.79331 19.874780 4.752880
89 35.65904 69.108906 7.565680
90 41.11000 62.234992 6.938264
91 40.37773 38.743668 8.241588
92 32.24694 27.151743 5.474857
93 41.73003 33.193095 7.017995
94 46.04361 65.456730 10.372701
95 40.85565 9.752592 7.767446
96 43.79221 8.679108 5.235273
97 43.81465 28.428273 7.346385
98 38.48723 10.394349 3.489075
99 32.33477 75.356115 10.294058
100 45.03637 85.333812 9.338770

2. กับดักรายได้เฉลี่ย (Mean vs Median)

ใช้ตอบ: “คนส่วนใหญ่รวยจริง หรือแค่ตัวเลขหลอกตา?”

Calculation

Income ($k)
Mean_Nor 40.12752
Med_Nor 40.27732
Mean_Eq 49.16164
Med_Eq 33.28261

💰 Economic Interpretation

  • Nordinia: Mean (40.12) กับ Median (40.28) ใกล้กันมาก รายได้ทั่วถึง

  • Equatoria: Mean (49.16) ดูเหมือนรวยกว่า แต่ Median (33.28) ต่ำมาก รวยกระจุก จนกระจาย

  • Note: ในเศรษฐศาสตร์ ถ้า Mean > Median มากๆ แสดงว่ามีความเหลื่อมล้ำสูง

3. ความผันผวนทางเศรษฐกิจ (SD & Var)

ใช้ตอบ: “เศรษฐกิจมั่นคง หรือเสี่ยงฟองสบู่?”

Calculation

Volatility
SD_Nor 4.835795
SD_Eq 62.196678

💰 Economic Interpretation

  • Nordinia (SD=4.83): ความผันผวนต่ำ รายได้ประชากรเกาะกลุ่มกัน ชนชั้นกลางแข็งแกร่ง

  • Equatoria (SD=62.20): ความผันผวนสูงมาก (Gap ระหว่างคนจนสุดกับรวยสุดกว้างมหาศาล) เสี่ยงต่อความไม่สงบทางสังคม

4. ดัชนีความเหลื่อมล้ำ (Skewness & Kurtosis)

ใช้ตอบ: “ลักษณะการกระจายตัวของความมั่งคั่ง”

Value
Skew_Eq 4.938142
Kurt_Eq 31.959494

  • Skewness (4.94): เบ้ขวาอย่างรุนแรง (Right Skewed) ยืนยันว่าประชากรส่วนใหญ่อยู่ฐานราก มีเศรษฐี (Outlier) ดึงค่า Mean ขึ้นไป

  • Kurtosis (31.96): สูงมาก (Fat Tails) บ่งบอกถึง Extreme Inequality มีโอกาสเจอ “Super Rich” ที่รวยผิดปกติมากกว่าการแจกแจงแบบทั่วไป

Visualizing Inequality

กราฟ Equatoria (สีส้ม) แสดงให้เห็นหางที่ยาวยืดไปทางขวา (Rich People) ในขณะที่ยอดกราฟกองอยู่ทางซ้าย (Poor People)

5. ผลตอบแทนของการศึกษา (Correlation)

ใช้ตอบ: “ทฤษฎี Human Capital: เรียนสูงแล้วรวยขึ้นจริงไหม?”

Calculation

Correlation (r) = 0.6703

💰 Economic Interpretation

  • r = 0.65 (Strong Positive)
  • Insight: มีความสัมพันธ์เชิงบวกสูง
  • Policy Implication: การลงทุนในการศึกษา (Education) เป็นกลไกสำคัญในการเพิ่มรายได้และอาจช่วยลดความเหลื่อมล้ำได้ในระยะยาว (Social Mobility)

🏁 บทสรุปเชิงนโยบาย (Policy Conclusion)

Indicator Nordinia Equatoria ความหมายทางเศรษฐศาสตร์
Central Mean \(\approx\) Median Mean > Median Equatoria ตัวเลข GDP ดูดีแต่คนส่วนใหญ่ยังจน
Dispersion Low SD High SD ความเหลื่อมล้ำสูง (High Inequality)
Skewness 0 (Normal) High (+) การกระจายรายได้ไม่เป็นธรรม
Action รักษาเสถียรภาพ ปฏิรูปโครงสร้าง Equatoria ต้องใช้ระบบภาษี (Progressive Tax) ลดช่องว่าง

Key Takeaway

“ค่าเฉลี่ย (Mean) อาจโกหกเราได้เสมอในเรื่องของรายได้ ต้องดู Median และ Skewness ประกอบเสมอ”

🌾 การวิเคราะห์ข้อมูลเพื่อการเกษตร

ด้านเกษตรศาสตร์ (Agriculture)

Scenario: การเปรียบเทียบผลผลิตข้าว (Rice Yield) ระหว่าง “ปุ๋ยเคมี” กับ “ปุ๋ยอินทรีย์” เพื่อดูทั้งปริมาณผลผลิตและความสม่ำเสมอ

🌾 โจทย์วิจัยเกษตร (Agri-Research)

เกษตรกรต้องการเปรียบเทียบวิธีการปลูกข้าว 2 แบบ:

  1. Chemical (เคมี): เร่งโตไว แต่อาจไม่ยั่งยืน
  2. Organic (อินทรีย์): โตช้ากว่า แต่ดินดีระยะยาว

ตัวชี้วัดความสำเร็จ:

  1. Yield (Mean): แบบไหนได้ข้าวเยอะกว่า?

  2. Stability (CV): แบบไหนผลผลิตนิ่งกว่า (ไม่แกว่ง)?

  3. Risk (SD/Min): ความเสี่ยงที่จะได้ผลผลิตต่ำ?

  4. Weather (Cor): ปริมาณน้ำฝนมีผลแค่ไหน?

1. จำลองข้อมูลแปลงนา (Field Data)

เก็บข้อมูล 30 แปลง (ไร่) หน่วย: กก./ไร่

Plot Chem Org Rain Yield_Chem
1 767.3964 776.8481 959.0033 1246.898
2 855.2462 758.3746 855.9740 1283.233
3 732.5056 780.2360 831.6387 1148.325
4 821.4359 687.8068 1020.0886 1331.480
5 831.0769 785.6956 904.2581 1283.206
6 917.3966 728.2688 1123.8119 1479.303
7 861.8790 755.0395 1017.9079 1370.833
8 788.7266 777.6101 989.7973 1283.625
9 891.7028 699.8519 1065.4832 1424.444
10 777.6741 763.4541 836.8705 1196.109
11 852.6448 764.4738 1060.2244 1382.757
12 720.5156 772.7464 947.3916 1194.211
13 942.7756 680.4202 898.3160 1391.934
14 653.3180 736.2149 919.4415 1113.039
15 776.3317 716.8385 1023.6739 1288.169
16 780.6662 762.0878 992.1422 1276.737
17 715.0245 767.0680 990.8055 1210.427
18 805.8465 728.8175 1174.2138 1392.953
19 718.2330 741.2973 988.0710 1212.268
20 594.9692 705.4837 1071.2787 1130.609
21 783.6244 715.4923 1173.7861 1370.517
22 870.8522 741.7659 909.5998 1325.652
23 773.2019 767.3370 1178.9508 1362.677
24 653.6078 708.0929 925.3208 1116.268
25 874.4436 772.4717 1150.2309 1449.559
26 658.9610 718.4644 866.9440 1092.433
27 846.7068 754.9614 987.6287 1340.521
28 788.0680 783.8943 1060.8919 1318.514
29 846.7239 785.2117 813.7843 1253.616
30 849.8136 737.1641 974.1809 1336.904

2. ผลผลิตเฉลี่ย (Mean & Median)

ใช้ตอบ: “โดยรวมแล้ว ใครได้เนื้อข้าวเยอะกว่า?”

Calculation

kg/rai
Mean_Chem 791.7123
Mean_Org 745.7830
Med_Chem 788.3973
Med_Org 755.0005

🌾 Interpretation

  • Mean: เคมี (791.7 กก.) สูงกว่า อินทรีย์ (745.8 กก.) อยู่ประมาณ 45 กก./ไร่

  • Decision: ถ้าเน้นปริมาณสูงสุด -> เลือกเคมี

  • แต่… ต้องดูความเสี่ยงในสไลด์ถัดไป

Coefficient of Variation (CV)

CV ย่อมาจาก Coefficient of Variation (“สัมประสิทธิ์ความแปรผัน”) เป็นค่าสถิติที่ใช้เปรียบเทียบว่าข้อมูลชุดไหน “แกว่ง” (ผันผวน) มากกว่ากัน โดย เทียบกับขนาดของข้อมูลนั้นๆ (Relative Variability)

สูตรการคำนวณ

\[CV =\dfrac{\text{Mean}}{\text{SD}}\times 100\%\]

ทำไมต้องใช้ CV? (ทำไมใช้แค่ SD ไม่พอ?)

เพราะ SD (Standard Deviation) บอกแค่ค่าความกระจาย “แบบดิบๆ” แต่ถ้าข้อมูล 2 ชุด มีหน่วยต่างกัน หรือ มีขนาดต่างกันมากๆ เราจะเอา SD มาเทียบกันตรงๆ ไม่ได้

ตัวอย่าง

  • หุ้น A: ราคา 10 บาท แกว่งขึ้นลง 2 บาท (SD=2) ดูเหมือนแกว่งน้อย
  • หุ้น B: ราคา 1,000 บาท แกว่งขึ้นลง 20 บาท (SD=20) ดูเหมือนแกว่งเยอะ

ถ้าดูแค่ SD หุ้น B (20) ดูน่ากลัวกว่า หุ้น A (2) แต่ถ้าคิด CV:

  • หุ้น A: (ผันผวนสูงมาก)
  • หุ้น B: (นิ่งมาก)

การแปลความหมาย (Interpretation)

  1. ค่า CV ต่ำ (Low CV):

    • ข้อมูลเกาะกลุ่มกันดี

    • มีความสม่ำเสมอ (Consistency)

    • ความเสี่ยงต่ำ

  2. ค่า CV สูง (High CV):

    • ข้อมูลกระจายตัวมาก

    • คาดเดายาก (Unpredictable)

    • ความเสี่ยงสูง

3. ความเสถียร (SD & CV)

ในทางเกษตร เรานิยมใช้ CV (Coefficient of Variation) เพื่อดูความสม่ำเสมอ

Calculation

Value
SD_Chem 83.551074
Mean_CHem 791.712278
CV_Chem 10.553212
SD_Org 30.773961
Mean_Org 745.782971
CV_Org 4.126396

🌾 Interpretation

  • CV Chem (10.55%): ค่าสูง = ผลผลิตผันผวน คาดเดายาก (High Risk)

  • CV Org (4.12%): ค่าต่ำ = ผลผลิตสม่ำเสมอมาก (Stable)

  • สรุป: เกษตรกรที่กลัวความเสี่ยง ควรเลือกอินทรีย์

Visualizing Yield Stability

สังเกต Organic (สีเขียว) กล่องจะแคบ (เกาะกลุ่ม) ส่วน Chemical (สีส้ม) กล่องกว้าง (กระจายตัว)

4. ปัจจัยน้ำฝน (Correlation)

ใช้ตอบ: “พันธุ์ข้าวนี้ ทนแล้ง/ชอบน้ำ แค่ไหน?”

Calculation

Correlation (r) = 0.6075

🌾 Interpretation

  • r = 0.61 (High)

  • Insight: การทำนาเคมี พึ่งพาปริมาณน้ำฝนสูงมาก (ฝนดีได้เยอะ ฝนแล้งเจ๊งเลย)

  • Action: ถ้าพื้นที่ชลประทานไม่ดี อย่าเสี่ยงทำเคมี

🏁 สรุปผลการทดลอง (Conclusion)

Indicator Chemical Organic คำแนะนำ (Recommendation)
Yield สูงกว่า ต่ำกว่านิดหน่อย ถ้าต้องการ Volume \(\to\) เคมี
Stability (CV) ต่ำ (เสี่ยง) สูง (ชัวร์) ถ้าต้องการความแน่นอน \(\to\) อินทรีย์
Dependency พึ่งน้ำมาก ทนทาน พื้นที่แล้งซ้ำซาก \(\to\) อินทรีย์

Smart Farmer Choice

เลือก Organic เพื่อความยั่งยืนและความเสี่ยงต่ำ แม้ผลผลิตต่อไร่จะน้อยกว่าเล็กน้อย

การวิเคราะห์ข้อมูลสังคมศาสตร์

Social Survey: Generational Gap Analysis

Scenario: การสำรวจ “ความพึงพอใจในการทำงาน” (Job Satisfaction) ของพนักงาน Gen Z เปรียบเทียบกับ Gen X ในองค์กร

👥 โจทย์ทางสังคมศาสตร์ (Social Survey)

HR ต้องการศึกษาช่องว่างระหว่างวัย (Generation Gap) เรื่องความสุขในที่ทำงาน (Scale 1-10):

  1. Gen X: ผู้บริหาร/หัวหน้างาน
  2. Gen Z: เด็กจบใหม่

คำถาม:

  1. Mode (ฐานนิยม): คนส่วนใหญ่รู้สึกอย่างไร? (สำคัญกว่า Mean ในข้อมูล Likert)

  2. Dispersion: ความคิดเห็นไปในทางเดียวกันหรือแตกแยก?

  3. Correlation: ชั่วโมงทำงานสัมพันธ์กับความสุขไหม?

1. จำลองข้อมูลแบบสอบถาม (Survey Data)

Satisfaction Score: 1 (ทุกข์สุด) - 10 (สุขสุด)

ID GenX GenZ Hours Satisfaction_Score
1 6 1 38 5.1639651
2 9 2 48 1.0449615
3 7 8 51 2.4988082
4 7 5 42 4.8100746
5 9 2 43 3.3672471
6 10 7 54 1.6448122
7 9 1 50 2.2490633
8 9 1 56 2.4166210
9 6 5 52 0.9725847
10 8 3 45 2.7287699
11 5 1 36 3.8952876
12 5 8 53 2.7374375
13 10 8 46 3.6475929
14 7 7 51 0.2841472
15 9 3 36 3.4341813
16 6 2 43 2.3707495
17 8 4 50 2.4702406
18 6 7 47 4.1015218
19 8 3 40 6.2086617
20 8 3 38 4.7401328
21 8 7 51 3.3931660
22 8 1 49 2.7756767
23 7 6 50 1.2347505
24 6 8 47 3.3243600
25 10 3 41 3.6503906
26 8 7 37 5.6047829
27 7 3 59 0.5882943
28 6 1 58 0.1622434
29 8 7 38 3.0066299
30 8 1 41 4.9748119
31 9 1 45 2.5489993
32 8 1 48 2.7711242
33 8 5 45 2.6250251
34 5 1 43 1.7196320
35 7 7 55 3.6547932
36 7 5 49 3.1799191
37 8 9 36 4.3352091
38 5 3 42 4.6071472
39 8 1 44 3.1347314
40 7 4 53 1.7214325
41 6 6 60 -0.3036764
42 5 10 36 4.4027106
43 7 6 51 1.6385599
44 9 1 48 2.8288414
45 6 2 36 3.5265051
46 9 1 45 2.1582079
47 9 2 55 1.1809904
48 8 5 56 2.1195581
49 7 9 35 3.7798250
50 7 6 36 4.7335186

2. ค่ากลางของความรู้สึก (Mode & Median)

ในสังคมศาสตร์ Mode และ Median มักสะท้อน “เสียงส่วนใหญ่” ได้ดีกว่า Mean

Calculation Function

Score (1-10)
Mode_X 8.0
Med_X 8.0
Mode_Z 1.0
Med_Z 3.5

👥 Interpretation

  • Gen X (Mode=8): คนส่วนใหญ่ให้คะแนน 8 (Happy)

  • Gen Z (Mode=1): คนส่วนใหญ่ให้คะแนน 1 (Burnout!) 😱

  • Insight: มีปัญหาใหญ่ในกลุ่ม Gen Z ที่ต้องรีบแก้ไข

3. ความแตกแยกทางความคิด (SD)

ใช้ตอบ: “คนใน Gen เดียวกันคิดเหมือนกันไหม?”

Calculation

Dispersion
SD_X 1.388142
SD_Z 2.770103

👥 Interpretation

  • Gen X (SD=1.39): ค่าน้อย = ความเห็นไปในทิศทางเดียวกัน (Consensus)

  • Gen Z (SD=2.77): ค่ามาก = เสียงแตก (Polarized) บางคนชอบมาก บางคนเกลียดเลย

Visualizing Sentiment

Gen X กราฟเบ้ไปทางขวา (สุข) ส่วน Gen Z กระจายมั่ว (Flat/Uniform)

4. Work-Life Balance (Correlation)

ใช้ตอบ: “ยิ่งทำงานหนัก ยิ่งไม่มีความสุขจริงไหม?”

Calculation

Correlation (r) = -0.7085

👥 Interpretation

  • r = -0.75 (Negative)

  • Insight: สัมพันธ์เชิงลบชัดเจน “ชั่วโมงทำงานยิ่งเยอะ ความสุขยิ่งดิ่งลงเหว”

  • Recommendation: นโยบายลดเวลาทำงาน อาจช่วยกู้คืนความสุข Gen Z ได้

บทสรุปทางสังคม (Social Conclusion)

Indicator Gen X Gen Z นัยทางสังคม (Implication)
Central (Mode) 8 (Happy) 1 (Unhappy) เกิด Gap อย่างรุนแรงระหว่างวัย
Consensus (SD) สูง (คิดเหมือนกัน) ต่ำ (เสียงแตก) Gen Z ควบคุมดูแลยากกว่า มีความหลากหลายสูง
Driver (Cor) เฉยๆ Work Hours ภาระงานคือตัวแปรหลักของความทุกข์ใน Gen Z

Urgent Action

องค์กรต้องปรับวัฒนธรรมการทำงานด่วน เพื่อรักษา Talent กลุ่ม Gen Z

🏭 การวิเคราะห์ข้อมูลการผลิต (Quality Control)

QC Scenario: Machine Precision Analysis

Scenario: โรงงานผลิตชิ้นส่วนยานยนต์ ต้องการเลือกเครื่องจักรผลิตน็อต (Bolts) ระหว่าง:

  1. Machine A (Old Reliable): เครื่องเก่าแก่ ไว้ใจได้

  2. Machine B (High Speed): เครื่องรุ่นใหม่ เร็วแต่ยังไม่จูน

⚙️ โจทย์ทางวิศวกรรม (Engineering Problem)

เป้าหมาย: ผลิตน็อตขนาดเส้นผ่านศูนย์กลาง 10.00 mm (Spec: 9.95 - 10.05 mm)

คำถามวิศวกร:

  1. Accuracy (Mean): เครื่องไหนตั้งค่าได้ตรงเป้ากว่ากัน?
  2. Precision (SD/Cp): เครื่องไหนแม่นยำ/เกาะกลุ่มกว่า? (สำคัญที่สุดใน QC)
  3. Defect Rate (Kurtosis): โอกาสเกิดของเสีย (หลุด Spec) มีแค่ไหน?
  4. Heat Effect (Cor): ความร้อนเครื่องจักรทำให้ชิ้นงานเพี้ยนไหม?

1. จำลองข้อมูลการผลิต (Production Simulation)

เก็บตัวอย่าง 50 ชิ้น (หน่วย: mm) Target = 10.00 mm

ID Mach_A Mach_B Temp Diameter_A Diameter_B
1 10.020964 10.07952 51.70610 10.046817 10.07952
2 9.909569 10.06480 43.74183 9.931440 10.06480
3 9.999213 10.08795 53.79832 10.026112 10.08795
4 10.007326 10.07856 48.61494 10.031633 10.07856
5 9.985546 10.07293 68.83416 10.019963 10.07293
6 9.980621 10.08611 77.07893 10.019160 10.08611
7 9.973347 10.09085 62.60321 10.004649 10.09085
8 9.993021 10.07289 73.24402 10.029643 10.07289
9 9.959562 10.09156 62.24300 9.990683 10.09156
10 10.029588 10.09236 44.60740 10.051891 10.09236
11 9.983908 10.07678 68.65062 10.018233 10.07678
12 9.959889 10.08733 77.44444 9.998611 10.08733
13 9.992891 10.07712 70.41245 10.028097 10.07712
14 9.980484 10.10349 68.41962 10.014694 10.10349
15 10.037116 10.08348 45.63721 10.059935 10.08348
16 9.969023 10.07654 45.51364 9.991780 10.07654
17 10.016915 10.07097 70.13030 10.051980 10.07097
18 9.975722 10.07606 54.81253 10.003128 10.07606
19 10.008375 10.07036 57.20470 10.036977 10.07036
20 9.968906 10.08769 63.42869 10.000621 10.08769
21 9.971918 10.08545 63.77302 10.003804 10.08545
22 10.027339 10.09050 40.50657 10.047592 10.09050
23 9.965692 10.09193 41.00316 9.986194 10.09193
24 10.014710 10.07662 63.31998 10.046370 10.07662
25 9.942812 10.06942 40.05803 9.962841 10.06942
26 9.979507 10.07736 71.70335 10.015359 10.07736
27 9.989276 10.09502 70.46013 10.024506 10.09502
28 9.992031 10.08788 73.01595 10.028539 10.08788
29 10.034263 10.08335 54.51896 10.061523 10.08335
30 9.993328 10.06373 66.23370 10.026445 10.06373
31 9.984973 10.09849 72.29452 10.021120 10.09849
32 9.954601 10.08475 57.42960 9.983316 10.08475
33 10.024373 10.07013 66.00473 10.057375 10.07013
34 10.022634 10.08256 51.73955 10.048504 10.08256
35 9.970558 10.06589 48.57677 9.994846 10.06589
36 9.957658 10.08088 60.95923 9.988138 10.08088
37 9.947285 10.08315 65.34069 9.979956 10.08315
38 9.991824 10.07561 49.46362 10.016556 10.07561
39 9.975944 10.06550 76.66213 10.014276 10.06550
40 10.026424 10.09324 72.90007 10.062874 10.09324
41 9.993412 10.07522 48.35445 10.017590 10.07522
42 10.070381 10.09053 60.16414 10.100463 10.09053
43 10.064482 10.07183 65.69019 10.097327 10.07183
44 10.032128 10.06863 59.20767 10.061732 10.06863
45 10.050609 10.05380 66.37933 10.083799 10.05380
46 10.020439 10.08986 74.77290 10.057825 10.08986
47 9.876495 10.08198 73.26996 9.913130 10.08198
48 10.018969 10.07377 71.89866 10.054918 10.07377
49 10.025036 10.08450 56.80631 10.053439 10.08450
50 10.039247 10.09499 57.01031 10.067752 10.09499

2. ความเที่ยงตรง (Accuracy: Mean)

ใช้ตอบ: “โดยเฉลี่ยแล้ว ผลิตได้ตามขนาดที่ลูกค้าสั่งไหม?” (Target = 10.00)

Calculation

Diameter (mm)
Target 10.00000
Mean_A 10.02468
Mean_B 10.08068

⚙️ Engineering Interpretation

  • Machine A (10.02): ค่าเฉลี่ยใกล้เคียง 10.00 มากกว่า (High Accuracy)
  • Machine B (10.08): ค่าเฉลี่ยหลุดไปไกล (Bias) ต้องทำการ Calibrate ใหม่ด่วน
  • Note: ในงาน QC ค่า Mean แก้ได้ง่ายแค่หมุนปุ่มปรับตั้งค่า (Offset)

3. ความแม่นยำ (Precision: SD)

ใช้ตอบ: “คุณภาพนิ่งแค่ไหน?” (หัวใจของงานวิศวกรรม)

Calculation

Value (mm)
SD_A 0.0370333
SD_B 0.0102742

⚙️ Engineering Interpretation

  • Machine A (SD=0.04): ค่าสูง แปลว่าชิ้นงาน “แกว่ง” เดี๋ยวเล็กเดี๋ยวใหญ่ (Loose) แก้ไขยาก อาจต้องเปลี่ยนตลับลูกปืน
  • Machine B (SD=0.01): ค่าต่ำมาก แปลว่าเครื่อง “นิ่งกริบ” (Precise)
  • Decision: วิศวกรจะเลือก Machine B แล้วค่อยปรับ Mean เอา เพราะ SD แก้ไม่ได้

Visualizing QC Specs

Machine B (สีแดง) ผอมสูง (แม่นยำ) แต่ Machine A (สีน้ำเงิน) อ้วนเตี้ย (กระจาย)

4. ผลกระทบความร้อน (Correlation)

ใช้ตอบ: “เครื่องจักร Sensistive ต่อสภาพแวดล้อมไหม?”

Calculation

Correlation (r) = 0.1071

⚙️ Interpretation

  • r = 0.11 (Positive)

  • Insight: “ยิ่งเครื่องร้อน ชิ้นงานยิ่งขยายตัว (ใหญ่ขึ้น)”

  • Action: Machine A ต้องติดแอร์หรือระบบหล่อเย็นเพิ่ม เพื่อลด Variation

🏁 สรุปผลวิศวกรรม (Engineering Conclusion)

Indicator Machine A (Old) Machine B (New) Recommendation
Accuracy Good Poor Machine B ต้อง Calibrate ศูนย์ใหม่
Precision Low High เลือก Machine B (ระยะยาวดีกว่า)
Stability แพ้ความร้อน ทนทาน A ต้องคุมอุณหภูมิห้องให้ดี

QC Rule

“ยอมเลือกเครื่องที่ แม่นยำ (Low SD) แต่ ไม่ตรง (Wrong Mean) ดีกว่า… เพราะค่า Mean ปรับจูนได้ง่าย แต่ SD คือ DNA ของเครื่องจักร”

📚 การวิเคราะห์ข้อมูลการศึกษา (Educational Data)

EdTech Analysis: Online vs. On-site Learning

Scenario: โรงเรียนต้องการประเมินผลสัมฤทธิ์ทางการเรียนวิชาคณิตศาสตร์

  1. Classroom (On-site): เรียนในห้องกับครู (Traditional)

  2. Online (E-Learning): เรียนผ่าน Zoom ที่บ้าน (Modern)

🎓 โจทย์ทางการศึกษา (Education Problem)

คะแนนสอบเต็ม 100 คะแนน

คำถามวิจัย:

  1. Achievement (Mean): วิธีไหนเด็กได้คะแนนเยอะกว่า?
  2. Inequality (SD): วิธีไหนลดช่องว่างระหว่างเด็กเก่ง/เด็กอ่อนได้ดีกว่า?
  3. Failure Risk (Skewness): มีเด็กสอบตกเยอะผิดปกติไหม?
  4. Effort (Cor): เวลาที่ใช้ทำการบ้าน ส่งผลต่อคะแนนจริงไหม?

1. จำลองข้อมูลคะแนนสอบ (Exam Scores)

นักเรียนกลุ่มละ 40 คน (Score 0-100)

ID Onsite Online Hours Score_Online_Real
1 72.36112 101.07201 7 91.75041
2 79.02917 97.10305 9 94.97214
3 77.99496 94.43367 5 81.10357
4 90.10896 88.15994 7 82.71196
5 60.76078 85.46649 3 68.82654
6 82.08505 91.65328 4 76.15730
7 73.74582 91.95989 7 85.37192
8 85.91644 88.31931 6 79.82352
9 75.29309 101.29014 9 97.90310
10 79.94824 74.37249 3 61.06075
11 72.77042 95.74128 3 76.01890
12 69.66233 90.44547 8 87.31183
13 67.00656 91.42274 7 84.99592
14 68.18224 88.89247 7 83.22473
15 69.59758 89.16846 8 86.41793
16 74.34770 85.22746 6 77.65922
17 77.08493 95.49160 3 75.84412
18 68.84452 86.71892 5 75.70325
19 63.44868 84.43952 9 86.10766
20 79.08631 90.34368 2 69.24057
21 80.57495 53.70915 7 58.59641
22 78.68004 56.47601 10 69.53320
23 65.71531 36.78006 7 46.74604
24 85.21552 60.09371 4 54.06560
25 66.53415 64.31350 4 57.01945
26 75.33756 43.59044 5 45.51331
27 80.38801 49.19860 9 61.43902
28 74.25704 58.32717 10 70.82902
29 73.42379 70.63680 9 76.44576
30 86.53014 40.44027 5 43.30819
31 73.35063 38.61619 8 51.03133
32 72.60042 45.90124 5 47.13087
33 77.11822 57.76200 7 61.43340
34 72.99998 48.43865 9 60.90705
35 72.61388 35.09387 10 54.56571
36 76.42642 42.53957 4 41.77770
37 71.41622 53.36069 10 67.35248
38 79.51392 53.25537 8 61.27876
39 70.24403 62.65190 3 52.85633
40 67.22650 49.24422 10 64.47095

2. ผลสัมฤทธิ์เฉลี่ย (Mean & Median)

ใช้ตอบ: “วิธีไหนเวิร์คกว่ากัน?”

Calculation

Score
Mean_Onsite 74.68604
Mean_Online 70.80378

🎓 Interpretation

  • Mean Onsite (74.7): คะแนนมาตรฐาน
  • Mean Online (70.8): คะแนนเฉลี่ยดูน้อยกว่านิดหน่อย
  • ระวัง!: การดูแค่ Mean ในเคสการศึกษา อาจโดนหลอกได้ ถ้าเด็กแบ่งเป็น 2 ก๊ก (เก่งเว่อร์ vs อ่อนเว่อร์)

3. ความเหลื่อมล้ำ (SD & Distribution)

ใช้ตอบ: “ครูดูแลเด็กได้ทั่วถึงไหม?”

Calculation

Dispersion
SD_Onsite 6.47189
SD_Online 21.59679

🎓 Interpretation

  • Onsite (SD=6.5): Low SD แปลว่าครูดึงเด็กทั้งห้องให้ไปพร้อมๆ กันได้ (No one left behind)
  • Online (SD=21.6): High SD แปลว่าเกิด “Digital Divide” รุนแรง เด็กที่พร้อมไปไกล เด็กที่ไม่พร้อมทิ้งดิ่ง

Visualizing Learning Gap

สังเกต Online (สีแดง) เป็นกราฟ “สองยอด” (Camel Hump) ชัดเจน คือมีกลุ่มเด็กเทพและเด็กตก ในขณะที่ Onsite (สีเขียว) เป็นระฆังคว่ำปกติ

4. ปัจจัยความพยายาม (Correlation)

ใช้ตอบ: “Online Learning ต้องอาศัยวินัยตัวเอง (Self-discipline) แค่ไหน?”

Calculation

Correlation (r) = 0.2467

🎓 Interpretation

  • r = 0.25 (Very High)

  • Insight: การเรียนออนไลน์ คะแนนขึ้นอยู่กับ “ความขยันส่วนตัว” สูงมาก (ใครไม่ทำการบ้าน คือสอบตกเลย)

  • Contrast: ในห้องเรียน ครูอาจช่วยจี้ ช่วยสอนเสริม ทำให้เด็กขี้เกียจยังพอผ่านได้

🏁 สรุปผลการศึกษา (Education Conclusion)

Indicator On-site Online Recommendation
Performance มาตรฐาน High Var Online เหมาะกับเด็กหัวกะทิเท่านั้น
Equity (SD) High Low On-site ลดความเหลื่อมล้ำได้ดีกว่า
Success Factor ครูผู้สอน วินัย นร. ต้องฝึก Self-learning ก่อนเรียน Online

Policy Suggestion

“หากโรงเรียนจะใช้ Online Learning เต็มรูปแบบ ต้องมีระบบช่วยเหลือ (Support System) ให้เด็กกลุ่มเสี่ยงเป็นพิเศษ เพื่อไม่ให้ค่า SD สูงจนเกิดความเหลื่อมล้ำ”

📹 YouTuber’s Dilemma

“Vlog ท่องเที่ยว” vs “รีวิวสินค้า”

ควรเลือกทำคอนเทนต์ไหนดี?

1. The Data (กับดักค่าเฉลี่ย)

🏖️ Vlog ท่องเที่ยว

  • Mean: 100k views
  • Median: 20k views 

❌ Mean สูงกว่า Median มาก (เบ้ขวา) แปลว่ามีคลิปฟลุ๊คดึงมีนขึ้นไป

📦 รีวิวสินค้า

  • Mean: 50k views
  • Median: 48k views 

✅ Mean ใกล้เคียง Median แปลว่ายอดวิวเสถียรมาก

2. Visualization (เห็นภาพความเสี่ยง)

Vlog Pattern (High Risk)
🚀 1,000,000 (Viral!)
…
😐 20,000
😐 18,000
😐 22,000

Review Pattern (Consistency)
🙂 52,000
🙂 49,000
🙂 48,000 (Median)
🙂 51,000

💡 Insight

Vlog เหมือน “ซื้อหวย” (รวยหรือร่วง)

Review เหมือน “รับเงินเดือน” (มั่นคง)

3. Business Decision

หากต้องคุยกับ Sponsor หรือวางแผนช่อง:

Decision 1: การการันตียอดวิว (KPI)

ใช้ค่า Median ในการสัญญาเสมอ!

  • อย่าสัญญา 100k (Vlog Mean) เพราะโอกาสทำได้จริงแค่ 20k \(\rightarrow\) โดนปรับแน่

  • สัญญาที่ 48k (Review Median) \(\rightarrow\) ทำได้จริง ปลอดภัย

Decision 2: Content Strategy

  • Cash Cow: ทำคลิป รีวิว 80% เพื่อรายได้ที่แน่นอน

  • Growth: ทำคลิป Vlog 20% เพื่อลุ้น Viral เปิดการมองเห็นใหม่ๆ