May the Analyst

Predictive Analytics: "နောက်ဆို ဘာဖြစ်လာနိုင်မလဲ?"

ပြီးခဲ့တဲ့ပို့စ်တွေမှာ လုပ်ငန်းထဲမှာ ဘာတွေဖြစ်ခဲ့လဲဆိုတာကို ရှာဖွေတဲ့ Descriptive Analytics နဲ့ ဘာကြောင့် ဖြစ်ရတာလဲဆိုတာကို အဖြေထုတ်တဲ့ Diagnostic Analytics အကြောင်းတွေကို ရေးခဲ့ပါတယ်။

အခုတဆင့်မှာတော့ သိထားတဲ့ အချက်အလက်တွေကို အခြေခံပြီး “နောင်အနာဂတ်မှာ ဘာတွေ ထပ်ဖြစ်လာနိုင်မလဲ?” (What is most likely to happen next?) ဆိုတာကို ကြိုတင်ခန့်မှန်းပေးမယ့် Predictive Analytics အကြောင်းကို ပြောပြပေးသွားပါမယ်။

ဒီအပိုင်းဟာ Statistical Algorithms တွေနဲ့ Machine Learning နည်းပညာတွေကို အသုံးပြုပြီး ကြိုတင်ခန့်မှန်းရတာဖြစ်လို့ Data Science နယ်ပယ်မှာ အလွန်အသုံးများပါတယ်။

နားလည်လွယ်မယ့် ဥပမာလေးတွေနဲ့ ကြည့်ရအောင် -

• Netflix Recommendation: Netflix အကောင့်တစ်ခု စတင်ဖွင့်ချိန်မှာ အကြိုက်ဆုံး ရုပ်ရှင်အမျိုးအစားတွေကို ရွေးချယ်ခိုင်းပါတယ်။ အဲဒါဟာ Data စုဆောင်းခြင်းပါပဲ။ နောက်ပိုင်းမှာ ကြည့်ရှုတဲ့ ပုံစံတွေအပေါ် မူတည်ပြီး စိတ်ကြိုက်ဖြစ်မယ့် ရုပ်ရှင်တွေကို Netflix က အလိုအလျောက် အကြံပြု (Recommend) ပေးလာတာဟာ Predictive Analysis ကို အသုံးပြုထားတာဖြစ်ပါတယ်။

• Lazada/Shopee/E-commerce Shopping: ဘာပစ္စည်းတွေကို ပိုစိတ်ဝင်စားပြီး ရှာဖွေလေ့ရှိလဲဆိုတဲ့ အလေ့အထပေါ် မူတည်ပြီး နောက်ထပ်ဝယ်ယူနိုင်ခြေရှိတဲ့ ပစ္စည်းတွေကို ကြိုတင်တွက်ချက်ကာ ပြသပေးတတ်ပါတယ်။

• Banking Apps: ပုံမှန်ငွေသုံးစွဲမှု ပုံစံ/ပမာဏထက် သိသိသာသာ ပိုများပြီး ထူးဆန်းတဲ့ သုံးစွဲမှုမျိုး ရှိလာတဲ့အခါ App ကနေ သတိပေးချက် (Alert) ပြသပေးတာမျိုးပါ။

• Smart Factories: စက်ရုံတွေမှာ တပ်ဆင်ထားတဲ့ Sensor တွေကနေတဆင့် Data တွေကို ရယူပြီး ဘယ်စက်ပစ္စည်း အစိတ်အပိုင်းက ဘယ်အချိန်မှာ ပျက်စီးသွားနိုင်ခြေရှိလဲဆိုတာကို ကြိုတင်တွက်ချက်ပေးနိုင်ပါတယ်။

ဒီလို ထိရောက်တဲ့ ခန့်မှန်းချက်တွေ ရရှိနိုင်ဖို့အတွက် Data တွေကိုစနစ်တကျ ဖြတ်သန်းရတဲ့ အဆင့် (၄) ဆင့် ရှိပါတယ်။

1. Data Collection: အချက်အလက်တွေကို စနစ်တကျ စုဆောင်းခြင်း
2. Data Modelling: စုဆောင်းထားတဲ့ Data တွေကို Predictive Models တွေထဲ ထည့်သွင်းပြီး ပုံစံတူ Trends တွေ၊ Patterns တွေကို အဖြေရှာခြင်း
3. Validation and Deployment: ဒီ Model က မှန်ကန်တိကျစွာ အလုပ်လုပ်နိုင်ရဲ့လားဆိုတာကို အချက်အလက်ဟောင်းတွေနဲ့ ပြန်လည်တိုက်ဆိုင် စစ်ဆေးခြင်း
4. Application: Model က စိတ်ချရပြီဆိုမှ လုပ်ငန်းရဲ့ Data အသစ်တွေကို ထည့်သွင်းပြီး အနာဂတ်အတွက် စတင်အသုံးချခြင်း

အသုံးများတဲ့ Predictive Analytics နည်းလမ်းတွေကတော့..

• Classification Models: "Yes or No" (သို့မဟုတ်) "True or False" စတဲ့ အုပ်စုခွဲခြားမှုတွေကို ခန့်မှန်းတာပါ။ (ဥပမာ- ဒီ Customer က ဝန်ဆောင်မှုကို ဆက်လက်အသုံးပြုမှာလား၊ ဒါမှမဟုတ် ရပ်ဆိုင်းသွားမှာလား ခန့်မှန်းခြင်း)

• Regression Models: ပြောင်းလဲနေတဲ့ ကိန်းဂဏန်းတန်ဖိုး (Continuous Numerical Value) တစ်ခုကို တွက်ချက်ခန့်မှန်းတာပါ။ (ဥပမာ- အိမ်အကျယ်အဝန်း၊ တည်နေရာနဲ့ အိပ်ခန်းအရေအတွက်ပေါ် မူတည်ပြီး အိမ်တစ်လုံးရဲ့ အနာဂတ်ပေါက်ဈေးကို ခန့်မှန်းခြင်း)

• Time Series Forecasting: နေ့စဉ်၊ အပတ်စဉ်၊ ဒါမှမဟုတ် ရာသီအလိုက် ကောက်ယူထားတဲ့ Data တွေကို အခြေခံပြီး ခန့်မှန်းတာပါ။ (ဥပမာ- ရာသီအလိုက် အဝတ်အထည် ဒါမှမဟုတ် ကုန်ပစ္စည်းအမျိုးအစားအလိုက် ရောင်းအား ဘယ်လောက်တက်လာနိုင်မလဲ ခန့်မှန်းခြင်း)

ဒီမှာ သတိပြုရမယ့် အချက်အနေနဲ့က - Predictive Analytics ဆိုတာ ၁၀၀ ရာခိုင်နှုန်း သေချာပေါက်ဖြစ်လာမယ့် အဖြေကို ပေးတာမဟုတ်ဘဲ ဖြစ်နိုင်ခြေရာခိုင်နှုန်း (Probabilities) ကို တွက်ချက်ပေးတာသာ ဖြစ်ပါတယ်။ (ဥပမာ- Survey အဖြေတွေအပေါ် မူတည်ပြီး ဘယ်ဌာနက ဝန်ဆောင်မှုတွေက စာချုပ်သက်တမ်းတိုးဖို့ ဖြစ်နိုင်ခြေ ဘယ်နှရာခိုင်နှုန်း ရှိတယ်ဆိုတာမျိုးကိုသာ လမ်းညွှန်ပေးနိုင်တာ ဖြစ်ပါတယ်)။

Diagnostic Analytics: "ဘာကြောင့် ဖြစ်ရတာလဲ?"

အရင်တပိုစ့်မှာ Descriptive Analytics အကြောင်း ပြောခဲ့တုန်းက "ငါ့လုပ်ငန်းမှာ ဘာတွေဖြစ်ခဲ့လဲ?" (What happened?) ဆိုတာကို သိခဲ့ကြပါပြီ။ အခု ဒုတိယအဆင့်အနေနဲ့ “အဲဒါတွေက ဘာကြောင့် ဖြစ်ခဲ့တာလဲ?” (Why did this happen?) ဆိုတဲ့ အဖြေကို ရှာဖွေပေးမယ့် Diagnostic Analytics အကြောင်းကို ပြောပြချင်ပါတယ်။

ဘယ်ကိစ္စမှာမဆို အကြောင်းရင်းကို သိမှ အဖြေမှန်ကို ရှာနိုင်မှာပါ။ ဥပမာ — သွေးတိုးနေလို့ ခေါင်းကိုက်တာကို အကြောင်းရင်းဖြစ်တဲ့ သွေးတိုးကိုမကုဘဲ ခေါင်းကိုက်ပျောက်ဆေးပဲ သောက်နေရင် ရောဂါက သက်သာမှာ မဟုတ်ပါဘူး။ လုပ်ငန်းမှာလည်း တစ်ခုခုဖြစ်လာပြီဆိုရင် အရင်းအမြစ် (Root Cause) ကို သိအောင်ရှာဖို့က အရေးကြီးဆုံးပါပဲ။

ဥပမာအနေနဲ့ ကြည့်ရအောင် - Descriptive Analytics အရ ဒီလမှာ Website Traffic က 20% ကျသွားတယ်ဆိုပါစို့။ Diagnostic Analytics ကတော့ ဘာကြောင့် အဲဒီလို ကျသွားတာလဲဆိုတာကို အဖြေရှာပေးမှာပါ။

• Google Algorithm Update ကြောင့်လား?
• Website ရဲ့ Checkout Button မှာ Error ရှိနေတာလား?
• ပြိုင်ဘက်တွေက ပိုကောင်းတဲ့ Promotion တွေ ပေးနေတာကြောင့်လား?

အသုံးများတဲ့ Diagnostic Analytics နည်းလမ်းတွေကတော့ ...

• Correlation Analysis: အချက်အလက် (Variables) နှစ်ခုကြားက ဆက်စပ်မှုကို တိုင်းတာတာပါ။ (ဥပမာ- Website ကို လူဝင်နည်းတာနဲ့ အရောင်းကျတာ တိုက်ရိုက်ပတ်သက်နေသလား?)

• Drill-down Analysis: အချက်အလက်တွေကို အသေးစိတ် ထပ်မံခွဲခြမ်းစိတ်ဖြာတာပါ။ (ဥပမာ- စုစုပေါင်း အရောင်းကိန်းဂဏန်းထဲကမှ ဘယ်မြို့နယ်၊ ဘယ်ဆိုင်ခွဲ ဒါမှမဟုတ် ဘယ်ပစ္စည်းအမျိုးအစားက ပိုကျနေတာလဲ?)

• Regression Analysis: အချက်တစ်ခုရဲ့ ပြောင်းလဲမှုက တခြားအချက်တွေအပေါ် ဘယ်လောက်သက်ရောက်မှုရှိလဲဆိုတာကို ရှာဖွေတာပါ။ (ဥပမာ- ကြော်ငြာစရိတ် လျှော့လိုက်လို့ အရောင်းကျတာလား၊ ဒါမှမဟုတ် ရာသီဥတုလိုမျိုး တခြားအချက်တွေကြောင့်လား?)

• Hypothesis Testing: ဘာကြောင့် ဖြစ်နိုင်တယ်ဆိုတဲ့ ယူဆချက်တစ်ခုကို စမ်းသပ်စစ်ဆေးတာပါ။ (ဥပမာ- "Website Design အသစ်ကြောင့် အရောင်းကျတာလား?" ဆိုတဲ့ ယူဆချက် မှန်မမှန်ကို ကိန်းဂဏန်းတွေနဲ့ ထောက်လှမ်းစစ်ဆေးခြင်း)

• Root Cause Analysis (RCA): "ဘာကြောင့်လဲ" ဆိုတာကို အထပ်ထပ်မေးတဲ့ (5 Whys) ဒါမှမဟုတ် Fishbone Diagram လိုမျိုး စနစ်တကျ နည်းလမ်းတွေသုံးပြီး ပြဿနာရဲ့ အရင်းအမြစ်ကို ရှာဖွေတာပါ။

• Cluster Analysis: တူညီတဲ့ Data Point တွေကို အုပ်စုခွဲပြီး လေ့လာတာပါ။ (ဥပမာ- မတူညီတဲ့ အသက်အရွယ် ဒါမှမဟုတ် ကျား/မ အလိုက် ဝယ်ယူမှုပုံစံတွေကို ခွဲခြားလေ့လာခြင်း)

• Time Series Decomposition: အချိန်ကာလအလိုက် ပြောင်းလဲမှုတွေကို ခွဲခြမ်းစိတ်ဖြာတာပါ။ (ဥပမာ- အအေးရောင်းအား တက်လာတာဟာ Website Design ကြောင့်လား၊ ဒါမှမဟုတ် ရာသီဥတု ပူလာတာကြောင့်လား?)

ခွဲခြမ်းစိတ်ဖြာချင်တဲ့ နယ်ပယ် (Domain) အလိုက် သင့်တော်တဲ့ နည်းလမ်းတွေကို ရွေးချယ်အသုံးပြုနိုင်ပါတယ်။

Descriptive Analytics ဆိုတာ ဘာလဲ?

လုပ်ငန်းတွေမှာ နေ့စဉ်နဲ့အမျှ sales records တွေ၊ inventory logs တွေနဲ့ social media engagement တွေ စုပုံနေမှာပါ။ ဒါပေမဲ့ ဒီအချက်အလက်တွေကို ဘယ်လို analysis လုပ်ပြီး အသုံးချရမလဲဆိုတာ မသိရင်တော့... လုပ်ငန်းတိုးတက်အောင်မြင်ဖို့ အခွင့်အရေးကောင်းတွေကို လက်လွှတ်ဆုံးရှုံးနေရတာနဲ့ အတူတူပါပဲ။

Descriptive Analytics ဆိုတာ ကိုယ့်ဆီမှာ ရှိပြီးသား data တွေကို အခြေခံပြီး "ငါ့လုပ်ငန်းမှာ ဘာတွေဖြစ်ခဲ့လဲ?" (What’s happened in my business?)... ဒါမှမဟုတ် "အခု ဘာတွေဖြစ်နေလဲ?" (What is happening?) ဆိုတဲ့ မေးခွန်းတွေကို အဖြေရှာတာပါ။

ကိုယ့်လက်ထဲမှာ ရှိထားတဲ့ raw data တွေကို reports တွေ၊ summary statistics တွေ၊ dashboards တွေအဖြစ် ပြောင်းလဲလိုက်တဲ့အခါ:

• ဘယ်ပစ္စည်းတွေက အရောင်းရဆုံးလဲ? (top-selling products)
• ပုံမှန်မဟုတ်တဲ့ အတက်အကျတွေက ဘာလဲ? (anomalies)
• အရောင်းအဝယ် အလားအလာတွေက ဘယ်လိုရှိလဲ? (sales trends)
• ဝယ်ယူသူတွေရဲ့ အလေ့အထက ဘယ်လိုလဲ? (customer-buying patterns)
စတာတွေကို ရှင်းရှင်းလင်းလင်း မြင်သာလာမှာပါ။

တစ်နည်းအားဖြင့်ပြောရရင် dataset တွေကို လုပ်ငန်းရှင်တွေနဲ့ stakeholders တွေ နားလည်လွယ်မယ့် ပုံစံမျိုးဖြစ်အောင် ပြောင်းလဲပေးတာပါ။ Data တွေကို စနစ်တကျ စုစည်းတဲ့ aggregation methods (ဥပမာ- mean, median, mode) တွေ၊ ပုန်းကွယ်နေတဲ့ အချက်အလက်တွေကို ရှာဖွေတဲ့ data mining methods တွေအပြင် charts နဲ့ graphs တွေကို သုံးတဲ့ data visualization နည်းလမ်းတွေကို အသုံးပြုပြီး ရှိနေတဲ့ data တွေကနေ အကျိုးရှိမယ့် အဖြေတွေကို ထုတ်ယူခြင်းပဲ ဖြစ်ပါတယ်။

Everyone's Data Anlyst !!

ဒေတာအကြောင်း ပြောကြရင် လူတွေက ရှုပ်ထွေးနေတဲ့ ကွန်ပျူတာ screen ကြီးတွေနဲ့ ကိန်းဂဏန်တွေနဲ့ပဲ သက်ဆိုင်တယ်လို့ ထင်တတ်ကြတယ်။ ဒါပေမယ့် တကယ်တမ်းတော့ နေ့စဉ်ဘဝတွေမှာ Data Analyst တယောက်လို စဉ်းစားနေရတဲ့ ကိစ္စတွေနဲ့ ပြည့်နှက်နေတာပါ။

အားလုံးနဲ့ ရင်းနှီးပြီးသားဖြစ်မယ့် အဝတ်လျှော်တဲ့ကိစ္စကိုပဲ ဥပမာအနေနဲ့ ကြည့်ကြည့်ကြရအောင်။ အဝတ်လျှော်တာကို Data Processing လုပ်ငန်းစဉ်တခုအနေနဲ့ မြင်ကြည့်ကြမယ် ဆိုပါစို့...

အဝတ်လျှော်တော့မယ်ဆိုရင် အဖြူရောင်တို့၊ အရောင်ရင့်တာတို့၊ ဂျင်းသားတို့ ဆိုပြီး ခွဲကြတယ်မလား.. အဲဒါဟာ Data Categorization လုပ်တာပေ့ါ။ အဲလိုမှ သေချာမလုပ်ဘဲ.. အဖြူရောင် အင်္ကျီတွေနဲ့ ကျွတ်တတ်တဲ့ အနီရောင် ရင့်ရင့် ဘောင်းဘီတထည် ရောလျှော်လိုက်မိပြီဆိုရင်တော့ အဖြူရောင်အင်္ကျီတွေက အရောင်စွန်းတွေဖြစ်ပြီး Data Corruption ဖြစ်လာနိုင်ပါတယ်။

တခါတလေကျလည်း နှစ်ဖက်ပေါင်းမှ တစုံဖြစ်တဲ့ ခြေအိတ်လျှော်မယ်လို့ ကြည့်လိုက်တဲ့အခါမှာ ခြေအိတ်တဖက် ပျောက်နေတာမျိုးတွေကတော့ Missing Values ပေ့ါ။

အဝတ်တွေ ခြောက်သွားလို့ ပြန်သိမ်းတဲ့အခါမှာလည်း ဟော.. ဒီအဝတ်တွေကတော့ ဘယ်သူ့အဝတ်တွေလည်း၊ အင်္ကျီလား၊ ဘောင်းဘီလား၊ အိမ်နေရင်းလားဆို ပြန်ခွဲကြရပြန်တယ်။ ဒါကတော့ sorting algorithms တွေပါ။

တချို့တွေက အဝတ်တွေကို မခေါက်ဘဲ ပုံထားတတ်ကြပြန်တယ်။ အလုပ်သွား ကျောင်းသွားတော့မယ်ဆိုရင် ဝတ်မယ့်ဝတ်စုံကို ရှာရတာမှာ Slow Query တွေကို ဖြစ်ပေါ်စေတဲ့ Unstructured Data တွေ ဖြစ်သွားပြန်ရော။

အဲလိုမှ မဟုတ်ဘဲ သေသေချာချာ စီစီရီရီ ခေါက်စီပီး သူ့အကန့်နဲ့သူ သိမ်းထားတဲ့ ဘီဒိုတလုံးကတော့ လိုချင်တာကို စက္ကန့်ပိုင်းအတွင်း ရှာတွေ့စေနိုင်တဲ့ Optimized Database တခုလို့ ပြောရမှာပါ။

အဝတ်လျှော်တာ၊ ခြေအိတ်ရှာတာတွေဟာ သာမာန်အလုပ်တွေလို့ ထင်ရပေမယ့် တကယ်တော့.. Data Processing Logic အနေနဲ့ ကြည့်မယ်ဆိုရင် ကိုယ်တို့တွေဟာ Data Manager တွေပါ။ ဒေတာဆိုတာ ကွန်ပျူတာတွေ၊ cloud တွေ၊ server တွေထဲမှာတင် ရှိတာမဟုတ်ဘဲ အဝတ်ခြင်းတွေထဲမှာလည်း ရှိနေနိုင်ပါတယ်။

ဒီလိုပဲ shopping ထွက်တာ၊ review တွေယှဉ်ကြည့်ပြီး စဉ်းစားဆုံးဖြတ်တာ၊ personal finance apps ကနေစလို့ fitness trackers တွေစသည်ဖြင့်.. ဒေတာနဲ့ ယှဉ်ကြည့်လို့ရတဲ့ တခြား နေ့တဓူဝကိစ္စတွေလည်း အများကြီးပါ။ ဒါကြောင့်မလို့လည်း ဒီနေ့ခေတ်မှာ Everyone’s Data Analyst ဆိုတဲ့ စကားလေး ခေတ်စားလာတာပါ။

Excel မှာ column letter နဲ့ row number (A1, C3) ဆိုတာမျိုးတွေ သုံးတာကို cell referencing လုပ်တယ်လို့ ခေါ်ပါတယ်။ Cell Referencing ဘယ်နှစ်မျိုး ရှိသလဲ သိပါသလား။

ပထမဆုံးတခုကတော့ Excel သုံးဖူးသူတိုင်း သိမှာဖြစ်တဲ့ Relative Referencing ပါ။ သူက Column A (Amount) * Column B (Tax Rate) ကို တွက်ချင်တဲ့ အခါမျိုးမှာ အဖြေတွက်ချင်တဲ့ cell မှာ = A1 * B1 လို့ ရိုက်ထဲ့ပီး အောက်ဘက် row က item တွေအတွက်ဆိုလည်း drag down လုပ်သွားရင် A2 * B2 လို့ auto ပြောင်းပီး တွက်ပေးသွားတာမျိုးပါ။

ဒါဆို တကယ်လို့များ တန်ဖိုးတခုကို မပြောင်းလဲပဲ သုံးချင်တယ်ဆိုရင်ရော? ဥပမာ Tax rate 2% လို့ သတ်မှတ်ထားတယ်ဆိုရင် တွက်တိုင်းမှာ *1.02 လို့ ရိုက်ထည့်လို့တော့ အဆင်မပြေပါဘူး.. ဘာကြောင့်လဲဆိုတော့ တချိန်ချိန် နှုန်းထားက 3% ပြောင်းသွားတဲ့အခါမျိုးမှာ cell တိုင်းမှာ လိုက်ပြောင်းပေးရမှာမလို့ပါ။ အဲဒီလို အခါမျိုးမှာ Absolute Referencing ကို သုံးပါတယ်။ Column and row ရှေ့မှာ $ ခံပီး lock လုပ်ပီး သုံးတာပါ။ အဲဒီလိုဆို formula ကို ဘယ်လို copy ကူးကူး၊ drag down လုပ်လုပ် lock လုပ်ထားတဲ့ column and row က မပြောင်းတော့တာမလို့ နှုန်းထားပြောင်းချင်ရင် အဲဒီ cell တခုမှာ ဝင်ပြောင်းရုံပါပဲ။ =A1 * $B$1 ဒါမျိုးပါ။

Column ကိုပဲ lock ထားပီး row ကို ပြောင်းစေချင်တယ် သို့မဟုတ် row ကိုပဲ lock ထားပီး column ကို ပြောင်းစေချင်တယ်ဆိုလည်း သုံးလို့ရပါတယ်။ အဲဒါကိုတော့ Mixed Referencing လို့ ခေါ်ပါတယ်။ Mixed Referencing က တွက်ချက်မှုတွေ လုပ်တဲ့အခါမှာ အလွန်အသုံးဝင်ပါတယ်။

ဒါပေမယ့် ရှုပ်ထွေးတဲ့ တွက်ချက်မှုတွေ အများကြီး ပါလာတဲ့အခါ၊ တချိန်ချိန်မှာ ဖိုင်အဟောင်းတွေကို ပြန်ကြည့်တဲ့အခါ၊ တခြားလူတယောက် လုပ်ထားတဲ့ ဖိုင်တခုကို ကြည့်ရတဲ့အခါမှာ ဘယ် formula က ဘယ် cell တွေကို referencing လုပ်ထားပြီး၊ ဘယ် cell ဟာ ဘာအတွက်လဲ၊ ဒီတန်ဖိုးကို ဘယ်လိုကြောင့် ယူထားသလဲ၊ A1, B2, C5 .. တွေ အများကြီး ရှုပ်ယှက်ခတ်လို့ အဲဒါတွေ လိုက်ဖတ်နေရတာနဲ့ မူးနေတာမျိုးတွေ မကြာခန ကြုံဖူးမှာနော်။ တခါတလေ ကိုယ်တိုင်တွက်ထားတာတောင် အရမ်းများလာတဲ့အခါ အဲလိုပြန်ကြည့်နေရတာက အဆင်မပြေလှပါဘူး။ အောက်က formula ကို ကြည့်ပါ။

=SUMIF(B20:B34, ">" & $F$21,B20:B34)*$F$22

တွက်ထားတာ မှန်ပေမယ့် formula ကို ကြည့်ရုံနဲ့ ဘာကိုတွက်ထားသလဲဆိုတာ မသိနိုင်ပါဘူး။

=SUMIF(Revenue,">"&Discount_Threshold,Revenue)*Discount_Rate

ခု ဒီ formula ကို ကြည့်ရင်တော့ Revenue ရဲ့ ပေါင်းခြင်းဟာ Discount_Threshold ထက် များနေမယ်ဆိုရင် Revenue ကို ပေါင်းပြီး Discount_Rate နဲ့ မြှောက်ရမယ်ဆိုတာကို formula ကို မြင်တာနဲ့ သိနိုင်ပါတယ်။ ဘာဖြစ်လို့လဲဆိုတော့ ဒီ formula မှာ ရှုပ်ယှက်ခတ်နေတဲ့ cell referencing တွေအစား descriptive and intuitive ဖြစ်တဲ့ name ranges တွေကို သုံးထားလို့ပါ။

Excel မှာ cell တခု သို့မဟုတ် group of cells တွေကို အဓိပ္ပါယ်ရှိတဲ့ နာမယ်တွေ ပေးပြီး သုံးလို့ ရပါတယ်။ အဲဒါကို Named Ranges လို့ ခေါ်ပါတယ်။

Named Ranges ကို သုံးတာ ဘာနဲ့ တူသလဲဆိုရင် အတန်းတတန်းထဲမှာ ရှေ့ကနေရေရင် တတိယတန်း ၃ ခုံမြောက်မှာ ထိုင်နေတဲ့ကောင်လေးလို့ ပြောတာထက်စာရင် နာမယ်ကို ပြောလိုက်တာ ပိုလွယ်သလိုမျိုး၊ ဒီလမ်းထဲကို ညာဘက်ကဝင်သွားပီး ဘယ်နှအိမ်မြောက်လို့ ပြောလိုက်တာထက်စာရင် အိမ်နံပါတ် ဘယ်လောက်လို့ ပြောလိုက်တာက ပိုအဆင်ပြေသလိုမျိုးပါပဲ။

နောက်တပို့စ်မှာတော့ Named Ranges တွေကို ဘယ်လိုသုံးရတယ်ဆိုတာကို သေချာရှင်းပြပေးပါမယ်။

ဒီနေ့ တိုက်တိုက်ဆိုင်ဆိုင် ဒီ memes လေး တွေ့လို့ ..

တကယ်ပါနော်.. excel ဆိုတာ microsoft office ထဲမှာ ပါတာမလို့ ကွန်ပျူတာ စသုံးပြီဆိုကတည်းက တော်တော်များများ တရင်းတနှီးကြီး မဟုတ်တောင် အနည်းအကျဉ်း သိကြ၊ သုံးတတ်ကြတာပါပဲ။ စာရင်း မှတ်တာ တွက်တာ၊ ဘတ်ဂျက်ချတာအစ seating plan လုပ်တာမျိုးအပါ အလွယ်တကူ သုံးလို့ အဆင်ပြေတာလေ…

အဲလိုမလို့ အရမ်းလွယ်သလားဆိုတော့လည်း သူ့ကို လုံးဝပြည်ပြည့်ဝဝ အသုံးချမယ်ဆိုရင် ကျယ်ပြန့်တာမလို့ လေ့လာစရာတွေ များလှပါတယ်။ အသုံးလည်း ဝင်လှပါတယ်။ ဒါကြောင့် excel က essential tools အနေနဲ့ ဆက်လက်ရှိနေရပြီး data analysis အပိုင်းမှာဆိုရင်လည်း data preparation က စလို့ visualization, power tools တွေအထိပါ သုံးနိုင်တာမလို့ လုံးဝကို ပစ်လို့မရတဲ့ tools တခုပါ။

Excel မှာ function လေး တခုကို သုံးတတ်လိုက်တာနဲ့ အလုပ်ကို အများကြီး ပိုတွင်သွားစေတာမျိုးတွေလည်း ရှိသလို.. သူ့ကို ထဲထဲဝင်ဝင် သုံးတတ်ရင် အလုပ်တွေ အများကြီး ပြီးနိုင်ပြီး အလုပ်ထဲမှာ excel ကျွမ်းကျွမ်းကျင်ကျင် သုံးတတ်ရင်တော့ ပုံထဲကလိုပဲ ဖြစ်ပါလိမ့်မယ်နော်။ 😁

ဒါကတော့ စာရေးရတာ ပျင်းနေလို့ ပေ့ါပေါ့ပါးပါး ပို့စ်ပါ။

ဒီနေ့တော့ time-based project, finance and payroll, human resource အစရှိတဲ့ analysis တွေမှာ အလွန်အသုံးဝင်တဲ့ excel function လေးခုအကြောင်း ပြောပြချင်ပါတယ်။

WORKDAY, WORKDAY.INTL
ဒီ function နှစ်ခုကတော့ သတ်မှတ်ထားတဲ့ရက် (completion/target date/due date) တွက်ချင်တဲ့အခါမှာ သုံးပါတယ်။ ပုံမှန်ဆို ပေးချင်တဲ့ရက်အရေအတွက်ကို ပေါင်းထည့်ပြီး တွက်လို့မရဘူးလားဆိုတော့ ... စနေ၊ တနင်္ဂနွေပိတ်ရက်တွေ (weekends)၊ အစိုးရရုံးပိတ်ရက်တွေ (public holidays) တွေကိုပါ ထည့်တွက်ဖို့ လိုလာပြီဆို ဘယ်လိုပေါင်းမှာလဲ.. အဲဒီလိုအခါမျိုးမှာ WORKDAY သို့မဟုတ် WORKDAY.INTL function ကို အသုံးပြုနိုင်ပါတယ်။ သူတို့နှစ်ခုလုံးက user က သတ်မှတ်ပေးလိုက်တဲ့ working days ကို ပေါင်းပီး future or past date ကို တွက်တာဆိုပေမယ့် ကွာခြားချက်ကတော့ WORKDAY မှာ စနေ၊ တနင်္ဂနွေကို weekends အဖြစ် အလိုလျောက် သတ်မှတ်ပေမယ့်၊ WORKDAY.INTL မှာတော့ weekends ကို ကိုယ့်အလုပ်ရဲ့ ပိတ်ရက်အတိုင်း သတ်မှတ်ပေးလို့ ရပါတယ်။ အဲဒါအပြင် နှစ်ခုလုံးမှာ public holidays ကိုလည်း ထည့်ပေးလို့ ရပါတယ်။ holidays ထည့်တဲ့အခါမှာတော့ တခုချင်းစီ ရိုက်ထည့်တာထက်စာရင် list နဲ့ ထည့်ပေးတာက ပိုအဆင်ပြေပါလိမ့်မယ်။
=WORKDAY(start_date, days, [holidays])
=WORKDAY.INTL(start_date, days, [weekend], [holidays])

NETWORKDAYS, NETWORKDAYS.INTL
ဒီ function နှစ်ခုကတော့ သတ်မှတ်ထားတဲ့ နေ့စွဲနှစ်ခုရဲ့ကြားထဲက ကြာတဲ့ရက်ကို (စနေ၊ တနင်္ဂနွေနဲ့ အစိုးရရုံးပိတ်ရက်တွေ မပါဘဲ) working days သီးသန့်ကိုပဲ တွက်ပေးတာ ဖြစ်ပါတယ်။ အပေါ်က function နှစ်ခုလိုပဲ NETWORKDAYS မှာ စနေ၊ တနင်္ဂနွေဟာ default weekends ဖြစ်ပြီးတော့ NETWORKDAYS.INTL မှာတော့ ကိုယ့်အလုပ်ရဲ့ ပိတ်ရက်အတိုင်း သတ်မှတ်ပေးလို့ ရပါတယ်။ functions နှစ်ခုလုံးမှာလည်းပဲ public holidays ထည့်ပေးလို့ ရပါမယ်။
=NETWORKDAYS(start_date, end_date, [holidays])
=NETWORKDAYS.INTL(start_date, end_date, [weekend], [holidays])

Weekends ထည့်ဖို့အတွက်က နှစ်နည်း ရှိပါတယ်။
ပထမတနည်းက predefined numerical codes တွေကို သုံးတာပါ။ refer လုပ်ဖို့ အောက်က table မှာ ထည့်ပေးထားပါတယ်။

ဒုတိယတနည်းကတော့ 7-character string ကို သုံးတာပါ။ တနင်္လာကစပီး 0 = workday, 1 = non-workday (weekend) အနနဲ့ ထည့်ပေးရမှာမျိုးပါ။

=NETWORKDAYS.INTL("1/1/2026", "1/31/2026", "1010000")

အောက်မှာ ရိုးရှင်းပီးလွယ်ကူတဲ့ ဥပမာလေးသုံးပြထားပေမယ့် တခြားရှုပ်ထွေးတဲ့ တွက်ချက်မှုတွေမှာလည်း ထည့်သုံးနိုင်တာမလို့ အသုံးဝင်တဲ့ function တွေ ဖြစ်ပါတယ်။

Join me to explore the world of data analysis!

Excel dataset တွေကို ကြည့်တဲ့အခါမှာ တချို့ text string တွေမှာ မလိုအပ်တဲ့ space အပိုတွေ ပါလာတာမျိုးတွေ၊ ဘာမှန်းမသိတဲ့ character တွေ ပါလာတာမျိုးတွေ၊ တချို့ စာလုံးတွေကို တခြားစာလုံးနဲ့ အစားထိုး သုံးချင်တာမျိုးတွေ.. အဲလိုမျိုးတွေကို ဘယ်လိုလုပ်ရမလဲလို့ သိချင်တယ်ဆို အောက်မှ ပြောပြမယ့် function သုံးမျိုးအကြောင်းကို ဖတ်ကြည့်ပါ။

TRIM
မလိုအပ်တဲ့ space အပိုတွေကို ဖယ်ရှားပေးပါတယ်။ မလိုအပ်တဲ့ space အပိုဆိုတဲ့နေရာမှာ text string တခုရဲ့ အရှေ့ဆုံးနဲ့ အနောက်ဆုံးတင် မကဘဲ၊ စကားလုံး တခုနဲ့ တခုကြားမှာပါ space တခုထက် ပိုပါနေတာမျိုးဆို single space ပဲ ချန်ပီး ကျန်တဲ့ space တွေကို ဖယ်ရှားပေးပါတယ်။
= TRIM(text)

CLEAN
ASCII character ကို ကြားဖူးကြမယ် ထင်ပါတယ်။ သူက letters, digits, punctuation marks, control characters စတာတွေကို မတူညီတဲ့ နံပါတ်တွေ သတ်မှတ်ထားပြီး ကွန်ပျူတာကို ညွှန်ကြားတဲ့ coding standard တမျိုးပါ။ အဲဒီမှာ non-printable ascii characters သုံးဆယ့်နှစ်လုံး ရှိပါတယ်။ သူတို့က ပရင်တာတို့ မော်နီတာတို့ကို new line, tab,… အစရှိသဖြင့် command ပေးဖို့ သုံးတဲ့ characters တွေဖြစ်လို့ တကယ်က မမြင်ရတဲ့ character တွေပါ။ တခါတလေကျ system တခုကနေ တခု import လုပ်တဲ့အခါ၊ ဒေတာတွေ ကူးလာတဲ့အခါမျိုးမှာ မထင်မှတ်ဘဲ အဲဒီ character တွေဟာ text string တွေနဲ့ အတူတူ ရောပါလာတတ်ပါတယ်။ မမြင်ရပေမယ့်လည်း ရှိနေတတ်ပါတယ်။ အဲဒါမျိုးတွေကို ဖယ်ရှားဖို့အတွက်ဆိုရင် CLEAN function ကို အသုံးပြုနိုင်ပါတယ်။
=CLEAN(text)

SUBSTITUTE
Text column တခုထဲမှာ text string တခုကို တခြား text string တခုနဲ့ အစားထိုးချင်တဲ့ အခါမျိုးတွေမှာ သုံးပါတယ်။ ဥပမာ.. ဖုန်းနံပါတ်ကို (555) 123-4567 လို ဖြည့်ထားတာမျိုးတွေမှာ ကွင်းစကွင်းပိတ် မထည့်ချင်တာမျိုးတွေ၊ နေ့စဉ်ကို 2025/Oct/02 လို့ ရေးထားတာမျိုးမှာ / အစား - ကို ပြောင်းသုံးချင်တာမျိုးတွေ.. အဲဒီလိုမျိုး အခါတွေမှာ SUBSTITUTE function ကို အသုံးပြုနိုင်ပါတယ်။
=SUBSTITUTE(text,old_text,new_text,[instance_num])

Optional ဖြစ်တဲ့ [instance_num] ထည့်တာနဲ့ မထည့်တာကို နောက်ဆုံးမှာ စမ်းပြထားပါတယ်။ ကိုယ်အစားထိုးချင်တဲ့ အရေအတွက်ကို သတ်မှတ်ပေးတဲ့နေရာမှာ သုံးတာပါ။

Join me to explore the world of data analysis!

Data Cleaning က ဘာလို့ အရေးကြီးတာလဲ...

Data Analysis လုပ်တဲ့အခါမှာ Data Cleaning က အရေးပါတဲ့ လုပ်ငန်းစဉ်တခုပါ။ ဘာလို့လဲ... Data တွေဟာ clean and organize ဖြစ်နေမှသာ dataset က accurate and complete ဖြစ်ပြီး data integrity ရှိမှုကို အာမခံပေးနိုင်မှာ။

Data cleaning လုပ်ချင်းဟာ တိကျသေချာတဲ့ ယုံကြည်စိတ်ချရတဲ့ analytics results ရစေဖို့ အခြေခံအုတ်မြစ်တခုပါပဲ... ဒါကို Data Analysis Industry ထဲမှာ “Garbage in, garbage out (GIGO)” လို့ ခေါ်ဝေါ်ကြပါတယ်။ ဒေတာမှာ flaw ရှိနေတယ်ဆိုရင် ဘယ်လောက်အချိန်ပေးပြီး ဘယ်လိုအဆင့်မြင့်တဲ့ tools တွေ algorithms တွေ သုံးပြီး လုပ်ပါစေ.. ရလဒ်မှာ လိုအပ်တဲ့ quality, accuracy နဲ့ reliability ရှိမှာ မဟုတ်ပါဘူး။

အလွယ်ကူ မှတ်မိနိုင်ဆုံး ဥပမာအနေနဲ့ ပေးရရင်... ဟင်းချက်ကြတဲ့အခါမှာ ပါဝင်ရမယ့် ပစ္စည်းတွေမှားနေတာ၊ ပါဝင်ရမယ့် ပစ္စည်းမှန်ပေမယ့် ထည့်ဝင်ရမယ့် အရေအတွက်/အမောင့်မှားနေတာ၊ သို့မဟုတ် ပုပ်သိုးနေတဲ့ ဟင်းချက်ပစ္စည်းတွေ ထည့်သုံးမိတာ၊ သေချာသန့်ရှင်းရေး မလုပ်တာ... ထမင်းကြော်ကြတယ် ဆိုပါစို့... ထမင်းကြော်ထဲ ဖရဲသီးတွေ ထည့်ကြော်တာမျိုး၊ ဆားကို ထည့်ရာမှာ တဇွန်းရဲ့ လေးပုံတပုံထည့်ရမှာကို တဇွန်းလုံးထည့်မိတာမျိုး၊ ပုတ်နေတဲ့ ဥနီတွေ၊ အနံ့မကောင်းတော့တဲ့ အသားတွေ ထည့်မိတာမျိုး၊ အသီးအရွက်တွေကို သေချာမဆေးမိလို့ ညစ်ပတ်နေတမျိုး.. ဘယ်လို master chef ကပဲ လာကြော်သည်ဖြစ်စေ.. ဘယ်လိုမှ အရသာမကောင်းနိုင်တဲ့ ထမင်းကြော်တပွဲ အနေနဲ့ ထွက်လာမှာဖြစ်ပြီး... သုံးလိုက်ရတဲ့ အရင်းအမြစ်တွေ အချိန်တွေဟာ အလဟဿ ဖြုံးလိုက်သလိုဖြစ်ပြီး.. negative business outcomes တွေပဲ ထွက်လာမှာ ဖြစ်ပါတယ်။

Bad data leads to bad decisions. ပါ...

Data Cleaning မှာ ဘာတွေ လုပ်ရမလဲဆိုတော့...

✔️ Missing values တွေကို ဘယ်လို ကိုင်တွယ်ရမလဲ (incomplete records တွေကို အနီးစပ်ဆုံး ဒေတာတွေနဲ့ အစားထိုးရမှာလား.. ဖြုတ်ပစ်ရမှာလားဆိုတာ) ကိုယ့်ရဲ့ data set နဲ့ data input ကို သေချာနားလည်ပြီး ဆုံးဖြတ်ရမှာတွေ..

✔️ Duplicate/irrelevant records တွေကို ဖယ်ရှားပစ်တာတွေ..

✔️ ဒေတာတွေ တခုနဲ့ တခု consistent/standardized formats ဖြစ်စေရမှာတွေ.. ဥပမာ typos တွေ inconsistent capitalization, format mismatch ဖြစ်နေတာတွေ..

✔️ Outliers တွေကို identify လုပ်ပီး သူတို့ဘယ်ကဖြစ်လာသလဲဆိုတာ နားလည်ရမှာတွေ.. တချို့ outliers တွေဟာ ကိုယ်ရဲ့ရလဒ်တွေကို distort ဖြစ်စေနိုင်ပေမယ့်.. တချို့ outliers တွေကျတော့လည်း valuable insight ကို ပေးနေတဲ့ outliers မျိုးလည်း ဖြစ်နေတတ်ပါသေးတယ်။

Dataset တခုကို analysis လုပ်တော့မယ်ဆိုရင် Data Cleaning ဟာ အများကြီး အချိန်ပေးပြီး မဖြစ်မနေ လုပ်သင့်တဲ့ အဆင့်တခုပါ.. သူ့ရဲ့ Golden Rule လေးကို အမြဲ အမှတ်ရနေရမှာပါ.. “Garbage in, Garbage out” ပါ။

Join me to explore the world of data analysis!