ในยุคปัจจุบันที่ข้อมูลได้กลายเป็นสินทรัพย์ที่มีค่ายิ่งสำหรับธุรกิจ การวิเคราะห์ข้อมูลจึงมีความสำคัญมากขึ้นเรื่อยๆ ในฐานะเครื่องมือที่ช่วยให้ธุรกิจสามารถเข้าใจและใช้ประโยชน์จากข้อมูลได้อย่างมีประสิทธิภาพ

Data Analytics หรือการวิเคราะห์ข้อมูล คือกระบวนการในการนำข้อมูลมาวิเคราะห์เพื่อค้นหารูปแบบ แนวโน้ม และความสัมพันธ์ที่ซับซ้อนของข้อมูล เพื่อนำไปใช้ประโยชน์ในการปรับปรุงการตัดสินใจ การดำเนินงาน และกลยุทธ์ขององค์กร

• ช่วยให้เข้าใจปัญหา Data Analytics ช่วยให้ธุรกิจสามารถเข้าใจปัญหาและความต้องการที่แท้จริงของกลุ่มเป้าหมายได้ โดยการวิเคราะห์ข้อมูลเกี่ยวกับพฤติกรรม ทัศนคติ และความต้องการต่างๆ ของกลุ่มเป้าหมาย
• ระบุโอกาสทางการตลาด Data Analytics ช่วยให้ธุรกิจสามารถระบุโอกาสทางการตลาดใหม่ๆ ได้ โดยการวิเคราะห์ข้อมูลเกี่ยวกับพฤติกรรมการซื้อ พฤติกรรมการใช้งาน และแนวโน้มของตลาด
• ปรับปรุงประสิทธิภาพการดำเนินงาน Data Analytics ช่วยให้ธุรกิจสามารถปรับปรุงประสิทธิภาพการดำเนินงานต่างๆ เช่น กระบวนการผลิต การจัดซื้อจัดจ้าง และการจัดการทรัพยากรบุคคล โดยการวิเคราะห์ข้อมูลเกี่ยวกับกระบวนการทำงาน ประสิทธิภาพการผลิต และต้นทุน
• ลดต้นทุน Data Analytics ช่วยให้ธุรกิจสามารถลดต้นทุนต่างๆ เช่น ต้นทุนการผลิต ต้นทุนการดำเนินงาน และต้นทุนด้านการตลาด โดยการวิเคราะห์ข้อมูลเกี่ยวกับต้นทุน ประสิทธิภาพการผลิต และการใช้ทรัพยากร
• ปรับปรุงการตัดสินใจ Data Analytics ช่วยให้ธุรกิจสามารถปรับปรุงการตัดสินใจต่างๆ เช่น การตัดสินใจด้านกลยุทธ์ การตัดสินใจด้านการตลาด และการตัดสินใจด้านการเงิน โดยการวิเคราะห์ข้อมูลเกี่ยวกับปัจจัยต่างๆ ที่ส่งผลต่อการตัดสินใจ
• Data Analytics จึงมีความสำคัญต่อธุรกิจเป็นอย่างมาก เพราะช่วยให้ธุรกิจสามารถเข้าใจปัญหาและความต้องการที่แท้จริงของกลุ่มเป้าหมาย ระบุโอกาสทางการตลาดใหม่ๆ ปรับปรุงประสิทธิภาพการดำเนินงาน ลดต้นทุน และปรับปรุงการตัดสินใจ ส่งผลให้ธุรกิจสามารถดำเนินธุรกิจได้อย่างมีประสิทธิภาพและประสบความสำเร็จ

แนวโน้มของ Data Analytics ในอนาคตมีดังนี้

การวิเคราะห์ข้อมูลเชิงลึก (Insightful Data Analysis) การวิเคราะห์ข้อมูลเชิงลึกจะช่วยให้ธุรกิจสามารถมองเห็นภาพรวมและความสัมพันธ์ที่ซับซ้อนของข้อมูล เพื่อนำไปสู่การค้นพบข้อมูลเชิงลึกที่เป็นประโยชน์ต่อการตัดสินใจ

การวิเคราะห์ข้อมูลขนาดใหญ่ (Big Data Analysis) การวิเคราะห์ข้อมูลขนาดใหญ่จะช่วยให้ธุรกิจสามารถวิเคราะห์ข้อมูลปริมาณมหาศาลได้อย่างมีประสิทธิภาพ เพื่อนำไปสู่การค้นพบแนวโน้มและโอกาสใหม่ๆ

การวิเคราะห์ข้อมูลแบบอัตโนมัติ (Automated Data Analysis) การวิเคราะห์ข้อมูลแบบอัตโนมัติจะช่วยให้ธุรกิจสามารถวิเคราะห์ข้อมูลได้อย่างรวดเร็วและมีประสิทธิภาพมากยิ่งขึ้น

ธุรกิจที่ให้ความสำคัญกับ Data Analytics และลงทุนในเทคโนโลยีการวิเคราะห์ข้อมูล จะมีโอกาสที่จะประสบความสำเร็จและเติบโตได้มากกว่าธุรกิจที่ให้ความสำคัญน้อย

ในยุคข้อมูล (Data Age) ข้อมูลได้กลายเป็นสินทรัพย์ที่มีค่ายิ่งสำหรับองค์กรทุกประเภท การวิเคราะห์ข้อมูล (Data Analytics) เป็นกระบวนการในการแปลงข้อมูลดิบให้เป็นข้อมูลเชิงลึกที่สามารถนำไปใช้เพื่อปรับปรุงการตัดสินใจทางธุรกิจ ประสิทธิภาพการดำเนินงาน และโอกาสทางธุรกิจใหม่ๆ

Data Collection คือขั้นตอนแรกของกระบวนการวิเคราะห์ข้อมูล เป็นกระบวนการในการรวบรวมข้อมูลดิบจากแหล่งต่างๆ ข้อมูลดิบเหล่านี้อาจมาจากแหล่งต่างๆ เช่น ฐานข้อมูล ระบบสารสนเทศ (Information System) แหล่งข้อมูลออนไลน์ แหล่งข้อมูลออฟไลน์ หรือแม้แต่จากแหล่งข้อมูลบุคคล

ความสำคัญของ Data Collection

Data Collection มีความสำคัญอย่างยิ่งต่อกระบวนการวิเคราะห์ข้อมูล เนื่องจากข้อมูลดิบเป็นรากฐานของข้อมูลเชิงลึกที่ได้จากการวิเคราะห์ข้อมูล ข้อมูลดิบที่ดีและมีคุณภาพจะทำให้การวิเคราะห์ข้อมูลมีความแม่นยำและมีประสิทธิภาพมากขึ้น

ประเภทของ Data Collection

Data Collection สามารถทำได้หลายวิธี โดยแบ่งออกเป็นประเภทหลักๆ ได้ดังนี้

• Active Data Collection: เป็นการรวบรวมข้อมูลดิบโดยอาศัยความตั้งใจของมนุษย์ เช่น การสำรวจ การสัมภาษณ์ การจดบันทึก
• Passive Data Collection: เป็นการรวบรวมข้อมูลดิบโดยอัตโนมัติ เช่น การใช้เซ็นเซอร์ การใช้กล้องวงจรปิด การใช้แอปพลิเคชันบนอุปกรณ์เคลื่อนที่

เครื่องมือและเทคนิค Data Collection

มีเครื่องมือและเทคนิค Data Collection มากมายที่สามารถใช้ในการรวบรวมข้อมูลดิบ เครื่องมือและเทคนิคเหล่านี้อาจแตกต่างกันไปตามประเภทของข้อมูลที่ต้องการรวบรวมและแหล่งข้อมูล

ตัวอย่าง Data Collection

ตัวอย่างของ Data Collection ได้แก่

• องค์กรค้าปลีกรวบรวมข้อมูลการขายจากระบบ POS
• องค์กรการเงินรวบรวมข้อมูลการใช้จ่ายของลูกค้าจากบัตรเครดิตและบัตรเดบิต
• องค์กรสาธารณสุขรวบรวมข้อมูลสุขภาพของประชาชนจากระบบทะเบียนประวัติผู้ป่วย

แนวทางปฏิบัติที่ดีที่สุดสำหรับ Data Collection

เพื่อให้ Data Collection มีประสิทธิภาพและได้ผลลัพธ์ที่ดี ควรปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุด ดังนี้

• กำหนดวัตถุประสงค์ของ Data Collection ให้ชัดเจน
• เลือกประเภทของ Data Collection ให้เหมาะสมกับวัตถุประสงค์
• เลือกใช้เครื่องมือและเทคนิค Data Collection ที่มีประสิทธิภาพ
• ออกแบบแบบสอบถามหรือเครื่องมือในการรวบรวมข้อมูลให้เหมาะสม
• ตรวจสอบความถูกต้องของข้อมูลดิบ

การติดตั้ง event tracking ใน GA4 นั้นจะต้องใช้ Google Tag Manager (GTM) เพื่อสร้าง event และเชื่อมต่อกับ GA4 ได้อย่างถูกต้อง ดังนั้นขั้นตอนการติดตั้ง event tracking ใน GA4 สามารถทำได้ตามขั้นตอนดังนี้:

โดยสรุปแล้วการติดตั้ง event tracking ใน GA4 จะต้องใช้ Google Tag Manager และมีขั้นตอนที่ค่อนข้างซับซ้อน แต่การติดตั้ง event tracking นั้นเป็นสิ่งที่สำคัญเพื่อให้เข้าใจพฤติกรรมผู้ใช้งานและวิเคราะห์ข้อมูลอย่างมีประสิทธิภาพใน Google Analytics 4

GA4 หรือ Google Analytics 4 เป็นเครื่องมือวัดและวิเคราะห์การใช้งานเว็บไซต์และแอปพลิเคชันที่มีความสามารถและประโยชน์มากมาย ดังนี้

GCP (Google Cloud Platform) เป็นพื้นที่คลาวด์ที่ให้บริการโซลูชันการคำนวณและการจัดเก็บข้อมูลต่างๆ โดยมีเทคโนโลยีที่ทันสมัยและมีความน่าเชื่อถือ นี่คือเหตุผลที่คนหลายๆ ใช้ GCP เพื่อเพิ่มประสิทธิภาพและความน่าเชื่อถือของธุรกิจของพวกเขา

เหตุผลที่ควรใช้ GCP

Since the announcement about Google ending support for Universal Analytics, it is required to shift to Google Analytics 4 and more opportunities to learn from the reports. This article will summarize the data aggregation methods that Google Analytics 4 is said to have changed significantly from Universal Analytics.

Introduction

App + Web Properties, which allows tracking across apps and the web, was released as a beta version and is now official as Google Analytics 4 (GA4).

The main reasons raised for GA4 are as follows:

1. To respond to major changes in consumer behavior.
2. to respond to the world’s growing emphasis on privacy

In recent years, with the rapid increase in the number of smartphone users, the medium used by users has expanded from the Web to mobile applications. With the current UA, access analysis for apps is difficult, and there is a problem of not being able to identify users across devices.
GA4 appeared in response to these changing times, and in order to grasp users who use all kinds of devices such as smartphones and apps and go through multiple platforms, it has become necessary to conduct access analysis across analysis of the complex consumption behavior and trends of users who move around websites and apps in all directions. This is because it has become necessary to analyze the complex consumption behavior and trends of users who move across websites, apps, and other platforms.
Therefore, GA4 offers the following advantages over traditional universal analytics.

• Users who browse the Web on a PC and then purchase from an mobile application can now be recognized as the same customer, even if they are using different devices.
• Now that we can measure on an event-by-event basis, more events can be measured automatically.
• BigQuery can be linked for free
• Enhanced machine learning analysis and insights to predict future behavior

As you can see from the above benefits, UA and GA4 have fundamentally changed the way data is measured: while UA converted data received in hits to session-based data, GA4 now collects it in events as user basis.

GA4 enables user-oriented analysis, so that after a user visits a website or application, it is possible to understand the behavior of the user up to the point of conversion through repeat visits.

Acquisition: Are the users leading to conversions and revenue?
Conversion: Are users who made conversion actions leading to revenue?
Revenue: What are the behaviors of revenue-generating users on the website and app?
User retention: What are the behaviors of users who continue to use the website?

Before starting analysis with GA4, it is necessary to organize the purpose of the website, the purpose of using the data, and the target figures as a basic premise.

For example, for an e-commerce site, the objective is to sell products and services, and the target figures should include which products were purchased the most, which users made the most purchases, and the monthly purchase amount, etc. For a BtoB site, the objective is to collect user information that can be used by sales and find potential customers. For a BtoB website, the objective is to collect user information that can be used by sales and to discover potential customers, which may include the number of inquiries received, the number of documents downloaded, and the number of e-mail magazine subscriptions.

It is very important to have a purpose for the website, the purpose of using the data, and the target values, so that the values measured by GA4 can be evaluated and improved.

In order to analyze GA4 data, reporting functions in the following 3 aggregation methods can be utilized.

1. Aggregate by GA4 report
・Standard report: Finding out a hypothesis
・Exploration report: Dig deeper into the issue based on the hypothesis

2.Aggregate in GA4x Looker studio
・Direct linkage with GA4: Check KPI and monitoring dimensions and metrics

3. Aggregation with GA4xBigQuery
・Link to BigQuery: Dig deeper into issues on a per-user basis

Here are the specifications and characteristics of each.

1. Aggregate by GA4 report

There are two types of report screens in GA4.
There are “Standard Reports” in a standardized format and “Exploration Reports” that users can create by recombining dimensions and indicators as they wish. The “Custom Report” in the traditional Universal Analytics (hereinafter referred to as UA) functionality becomes the “Exploration Report” in GA4.

Standard Report Aggregation Methods

GA4 standard reports are often used to formulate hypotheses to analyze. For example, we have an SEO strategy, but are repeat users looking at certain pages the most? Do users who lead to conversions tend to occur at certain events? We make hypotheses by looking at indicator figures such as the following.

The aggregation method of the standard report has an underlying database table, which displays aggregated data measured by GA4.

About some specifications:

If the result of multiplying the radix of each dimension in the report exceeds the maximum number of rows, “(other)” rows will appear in the Analytics.

※Reference:
https://support.google.com/analytics/answer/13208658?visit_id=638127301129422574-1591277467&rd=1&hl=en

In addition, dimensions with more than 500 unique values per day are considered high base numbers and are more likely to reach the report line limit (50,000 lines) and display “(other)” lines.

This does not only affect reports containing custom dimensions with more than 500 types of data, but all standard reports are affected.

Note that if the maximum number of rows is exceeded, (Other) rows will appear in all standard reports, increasing the likelihood of inaccurate measurements.

Additional reference 1：About radix

The radix is the number of unique values assigned to a dimension.
It is a combination of all dimensions in the property.
Some dimensions have a fixed number of unique values. For example, “device” has 3 (PC, tablet, mobile). On the other hand, a dimension with more than 500 unique values in a day is considered a High-Property Dimension.
In a high-likelihood dimension, the number of rows in the report will increase, increasing the likelihood that the upper limit will be reached. Data that exceeds the limit will be aggregated into “(other)” rows.

Aggregation Methods for Exploration Reports

GA4 exploratory reports are used to verify hypotheses made using standard reports. Unlike standard reports, exploratory reports cannot be created unless you have a clear idea of what you want to analyze, since it is necessary to customize the axis of analysis and indicators by yourself.

・Free-form
Graphs and tables can be created by combining indicators such as the number of accesses, users, and events with dimensions such as country, age, and day of the week.

・Funnel exploration
In this report is it possible for to visualize the percentage of the flow. For example, total number of visitors who made final conversion in the flow of TOP page → Column page → Contact form → Inquiry completed. We are able to find out how many users left the site during the steps or how many users lead to final step.

・Path exploration
It is possible to visualize where a user came from to visit the site, and the sequence of movements through the site and the application.

・Segment overlap
User segments can be compared to see the overlap between indicators.

For example, by looking at how many users satisfy the two segments of “visited from Bangkok” and “visited more than twice”, we can find the best customers.

・User explorer
A list of users can be displayed and detailed individual behavioral data can be viewed.

・Cohort exploration
You can visually see the number of repeat visits by users with common attributes. You can see, for example, “how many times the same user accessed the Web site.

・User lifetime
You can check the Lifetime Value (customer lifetime value), which includes the main referral sources that lead to conversions, the behavior of the first visit, and subsequent actions.

The aggregation method of the exploratory report is to set the items to be displayed in the report from the unprocessed data and refer to the report to be displayed by query.

About some specifications:

GA4 is designed for user privacy and thresholds are easily applied.
Selecting a high radix dimension will not produce an “other” line, but sampling and data thresholds are more likely to be applied.

※Reference：About data sampling https://support.google.com/analytics/answer/2637192
※Reference：[GA4] About data thresholds https://support.google.com/analytics/answer/9383630

Additional reference 1：Differences in data between standard and exploration reports

Report type	GA4 Data table ・Data that will be shown	Sampling	Viewing “(other)”
Standart report	Data Tables: Aggregated Referenced only from aggregated data tables	None	Yes If the combination of all dimensions in a property exceeds 50,000 rows
Exploration report	Data table: Unprocessed (not pre-aggregated) Include and reference unprocessed data tables	Yes Free version:10 Million Events 360 (Paid version):Billion Events	None

Additional reference 2：Indication of the presence or absence of data thresholds

In some cases, events measured with thresholds applied may not be displayed in Settings (or Management) > Events. Also, the threshold may be applied even if there is no indication in the indicator that the threshold is applied.

• How to avoid getting data thresholds
  • Change the reporting identifier to “device-based” and check again
  • Create a report that does not apply thresholds such as “event name by number of events” in the exploration report
  • Increase the time period covered by the report
  • In the “Explore” report, remove dimension related to users

Additional reference 3：Indication of sampling availability