วิธีสร้าง Gem วิเคราะห์ข้อมูล ให้เป็น AI Analyst ส่วนตัว

หากต้องวิเคราะห์ข้อมูลเป็นประจำ เช่น ยอดขาย รายได้ ค่าใช้จ่าย Traffic เว็บไซต์ ผลโฆษณา คะแนนนักเรียน หรือข้อมูลจาก Spreadsheet เราสามารถสร้าง Gemini Gem สำหรับวิเคราะห์ข้อมูล ให้ทำหน้าที่เหมือน AI Analyst ส่วนตัวได้

แทนที่จะต้องพิมพ์กติกาเดิมทุกครั้งว่า

“ตรวจ Missing Data ก่อน ห้ามเดาตัวเลข แยก Fact กับ Interpretation คำนวณ Percentage ให้ตรวจสูตร และสรุป Insight เป็นภาษาไทย”

เราสามารถสร้าง Gem ชื่อ

Data Analyst

แล้วเก็บกติกาเหล่านี้ไว้ใน Instructions

หลังจากนั้นเมื่อมีข้อมูลชุดใหม่ เพียงแนบ Spreadsheet หรือไฟล์ที่ต้องการวิเคราะห์แล้วสั่ง เช่น

“วิเคราะห์ยอดขายเดือนนี้และหาสาเหตุที่ Revenue ลดลง”

Gem ก็สามารถใช้ Workflow ที่กำหนดไว้ล่วงหน้าในการวิเคราะห์ได้

แนวคิดที่ควรจำคือ

Instructions = วิธีวิเคราะห์

Knowledge = กติกาและบริบทธุรกิจ

Dataset = ข้อมูลที่ต้องวิเคราะห์ครั้งนี้

เมื่อแยกสามส่วนนี้ชัด AI Analyst จะทำงานเป็นระบบมากขึ้น

📊 AI Analyst Gem คืออะไร

AI Analyst Gem คือ Custom Gemini Gem ที่เราปรับแต่งให้มีหน้าที่วิเคราะห์ข้อมูลโดยเฉพาะ

สามารถช่วยงาน เช่น

• ตรวจโครงสร้างข้อมูล
• สรุป Dataset
• หา Trend
• เปรียบเทียบช่วงเวลา
• คำนวณ Percentage
• หา Growth
• หา Average
• ตรวจ Outlier
• ตรวจ Missing Data
• เปรียบเทียบ Segment
• หา Top/Bottom Performer
• สร้าง Insight
• สร้าง Chart
• สร้าง Report
• ตั้งคำถามต่อจากข้อมูล

ได้

แต่เป้าหมายที่ดีไม่ควรเป็น

“ให้ AI หาคำตอบให้ทุกอย่าง”

ควรเป็น

ให้ AI ช่วยตรวจ วิเคราะห์ และอธิบายข้อมูล โดยทุกข้อสรุปสามารถตรวจกลับไปยังข้อมูลต้นทางได้

❶ เริ่มจากกำหนดว่า Analyst ตัวนี้วิเคราะห์อะไร

ก่อนสร้าง Gem ให้ระบุประเภทงานหลัก

ตัวอย่าง

💰 Sales Analyst

วิเคราะห์

• Revenue
• Orders
• Average Order Value
• Product
• Region
• Salesperson

📈 Marketing Analyst

วิเคราะห์

• Traffic
• CTR
• CPC
• Conversion
• ROAS
• Campaign

🌐 Website Analyst

วิเคราะห์

• Users
• Sessions
• Pageviews
• Engagement
• Conversion
• Landing Pages

🏢 Business Analyst

วิเคราะห์

• Revenue
• Cost
• Profit
• Margin
• Growth
• Performance

🎓 Education Analyst

วิเคราะห์

• คะแนน
• Attendance
• Progress
• Weak Areas

Gem ที่มี Scope ชัดจะออกแบบ Instructions ได้ง่ายกว่า Analyst ที่ต้องรู้ทุกอุตสาหกรรมพร้อมกัน

❷ อย่าสร้าง Analyst ที่ “เดาเก่ง”

Analyst ที่ดีไม่ใช่ AI ที่ตอบทุกคำถามได้

แต่เป็น AI ที่รู้ว่าเมื่อไร

ข้อมูลไม่พอ

ตัวอย่าง Dataset มีเพียง

Sales

แต่ไม่มี Advertising Spend

เราไม่ควรให้ AI สรุปว่า

“ยอดขายลดเพราะโฆษณาไม่มีประสิทธิภาพ”

เพราะไม่มีข้อมูลรองรับ

✅ Instruction ที่ควรมี

“ห้ามอธิบายสาเหตุเชิงเหตุและผลหาก Dataset ไม่มีหลักฐานเพียงพอ ให้ระบุว่าเป็น Hypothesis แทน”

นี่เป็นกฎสำคัญสำหรับ AI Analyst

❸ เปิด Gemini Gems

เปิด Gemini ผ่าน Browser

จากนั้นไปที่

Gems → New Gem

ตั้งชื่อ เช่น

Data Analyst

Business Analyst

Sales Analyst

หรือ

Website Analytics Assistant

จากนั้นเขียน Instructions เพิ่ม Knowledge หากจำเป็น ทดลองใน Preview และกด Save

🎯 Workflow

New Gem → Name → Instructions → Knowledge → Preview → Save

❹ ตั้งชื่อให้ตรงกับงาน

✅ ตัวอย่าง

Sales Analyst

Marketing Analyst

SEO Analyst

Finance Reporting Assistant

Website Data Analyst

❌ กว้างเกิน

Smart AI

Analysis Gem

Assistant 4

เมื่อมีหลาย Gems ชื่อที่ชัดช่วยลดการเลือกผิด

❺ ใช้สูตร Persona + Task + Context + Format

โครงสร้างพื้นฐานของ Instructions สามารถออกแบบเป็น

👤 Persona

Gem เป็น Analyst ประเภทไหน

🎯 Task

ต้องวิเคราะห์อะไร

🧠 Context

Metric และธุรกิจหมายถึงอะไร

📄 Format

ต้องรายงานผลแบบไหน

ตัวอย่าง

“คุณเป็น Business Data Analyst มีหน้าที่ตรวจ วิเคราะห์ และอธิบายข้อมูลอย่างระมัดระวัง ก่อนวิเคราะห์ต้องตรวจ Schema, Missing Data และหน่วยของข้อมูล จากนั้นแยก Findings, Interpretation และ Recommendation ออกจากกัน”

เพียงประโยคนี้ก็สร้าง Behavior ที่ชัดกว่าคำสั่ง

“วิเคราะห์ข้อมูลให้เก่งที่สุด”

❻ กำหนด Persona

ตัวอย่าง Persona ที่เหมาะ

“คุณเป็น Data Analyst ที่ให้ความสำคัญกับความถูกต้องของตัวเลขมากกว่าการสร้าง Narrative ที่น่าสนใจ”

หรือ

“คุณเป็น Marketing Analyst ที่ต้องแยก Observation ออกจาก Hypothesis”

หรือ

“คุณเป็น Business Analyst สำหรับผู้บริหารที่อธิบายข้อมูลด้วยภาษาง่าย”

Persona ที่ดีควรกำหนด

แนวทางคิด

ไม่ใช่เพียงตำแหน่งงาน

❼ กำหนด Task หลัก

ตัวอย่าง Tasks สำหรับ Data Analyst:

1. ตรวจ Dataset
2. ตรวจ Column
3. ตรวจ Data Type
4. ตรวจ Missing Data
5. ระบุ Metric
6. คำนวณ
7. เปรียบเทียบ
8. หา Pattern
9. สร้าง Insight
10. สรุปข้อจำกัด

การระบุ Workflow แบบนี้ช่วยไม่ให้ AI รีบกระโดดไปสรุปก่อนตรวจข้อมูล

❽ ให้ตรวจ Schema ก่อนเสมอ

Schema คือโครงสร้างของข้อมูล

ก่อนวิเคราะห์ควรรู้ว่า

• มี Column อะไร
• แต่ละ Column หมายถึงอะไร
• เป็น Number หรือ Text
• Date Format คืออะไร
• Unit คืออะไร

💬 Instruction

“ก่อนวิเคราะห์ Dataset ใหม่ ให้สรุป Columns, Data Types และสิ่งที่ยังไม่ทราบเกี่ยวกับ Schema ก่อน”

ช่วยป้องกันความเข้าใจผิดตั้งแต่ต้น

❾ ตรวจ Data Type

ตัวอย่าง Column

Revenue

ควรเป็น Number

แต่บาง Row อาจเป็น

1,500 บาท

ในรูป Text

หรือ

Date

บาง Row เป็น

01/02/26

ซึ่งอาจตีความวันกับเดือนไม่ตรงกัน

🎯 Analyst ควรตรวจ

• Number
• Text
• Date
• Boolean
• Category

ก่อน Calculation

❿ ตรวจหน่วยก่อนคำนวณ

ตัวอย่าง Revenue อาจเป็น

บาท

ดอลลาร์

พันบาท

ล้านบาท

ถ้า AI ไม่รู้ Unit การสรุปอาจผิดอย่างรุนแรง

💬 Instruction

“ก่อนรายงานตัวเลข ให้ตรวจ Unit หากไม่ทราบให้ระบุว่าไม่ทราบ ห้ามสมมติหน่วยเอง”

Rule นี้ควรเป็น Hard Rule

⓫ ตรวจ Missing Data

Missing Data สามารถเปลี่ยนผลวิเคราะห์ได้มาก

ตัวอย่างมีข้อมูลยอดขาย 12 เดือน

แต่เดือนเมษายนไม่มีข้อมูล

ถ้า AI คำนวณ Average โดยไม่พูดถึง Missing Month ผลลัพธ์อาจทำให้คนอ่านเข้าใจผิด

💬 Instruction

“ก่อนวิเคราะห์ ให้ตรวจ Missing Values และแจ้งว่ามีผลต่อ Calculation หรือ Conclusion หรือไม่”

⓬ แยก Missing ออกจาก Zero

นี่เป็นความผิดพลาดที่พบได้บ่อย

Zero

หมายถึง

มีข้อมูล และค่า = 0

Missing

หมายถึง

ไม่มีข้อมูล

สองอย่างไม่เหมือนกัน

ตัวอย่าง

ยอดขาย = 0

อาจหมายถึงไม่มีการขาย

แต่ Blank

อาจหมายถึงระบบไม่ได้บันทึกข้อมูล

ห้ามแทน Missing ด้วย 0 โดยอัตโนมัติหากไม่มีเหตุผล

⓭ ตรวจ Duplicate

ข้อมูลที่ซ้ำสามารถทำให้

Revenue

Orders

Users

หรือจำนวนรายการ

สูงเกินจริง

💬 Instruction

“ตรวจ Duplicate Rows หรือ Duplicate IDs ก่อน Aggregate ข้อมูล และอย่าลบ Duplicate จนกว่าจะอธิบายเกณฑ์ที่ใช้”

สำคัญมากกับ Transaction Data

⓮ ตรวจ Outlier

Outlier คือค่าที่ผิดปกติเมื่อเทียบกับข้อมูลส่วนใหญ่

ตัวอย่างยอดขายรายวัน

10,000

12,000

11,000

980,000

ค่า 980,000 ควรตรวจ

อาจเป็น

• Campaign ใหญ่
• Bulk Order
• Data Entry Error
• Duplicate

อย่ารีบลบทิ้ง

🎯 Analyst ควร

ตรวจ → ระบุ → วิเคราะห์ → ค่อยตัดสินใจ

⓯ ห้ามลบ Outlier โดยอัตโนมัติ

Outlier ไม่ได้แปลว่า Error เสมอไป

บางครั้งคือ Insight ที่สำคัญที่สุดใน Dataset

จึงควรใช้ Rule

“ห้ามตัด Outlier ออกจาก Analysis โดยอัตโนมัติ ให้แสดงผลทั้งก่อนและหลัง Exclusion หากจำเป็น”

⓰ ตรวจช่วงวันที่

ก่อนเปรียบเทียบข้อมูลต้องดูช่วงเวลา

ตัวอย่าง

เดือนนี้มีข้อมูลถึงวันที่ 15

แต่เอาไปเทียบกับเดือนก่อนครบ 30 วัน

จะทำให้ Revenue ดูลดลงมาก

💬 Instruction

“ก่อนเปรียบเทียบช่วงเวลา ให้ตรวจว่าจำนวนวันและ Coverage เทียบกันได้หรือไม่”

นี่เป็น Rule ที่มีประโยชน์มากกับ Dashboard และ Analytics

⓱ ห้ามเปรียบเทียบช่วงเวลาคนละขนาดโดยไม่แจ้ง

ตัวอย่าง

1–15 สิงหาคม

เทียบกับ

1–31 กรกฎาคม

ไม่ใช่ Comparison ที่เท่าเทียม

อาจต้องใช้

1–15 สิงหาคม

กับ

1–15 กรกฎาคม

หรือ

Daily Average

แทน

AI Analyst ควรเตือนเรื่องนี้

⓲ กำหนด Metric Dictionary

หากองค์กรมี Metric เฉพาะ ควรสร้าง Data Dictionary

ตัวอย่าง

Revenue

ยอดขายหลัง Discount แต่ก่อน VAT

New Customer

ลูกค้าที่สั่งซื้อครั้งแรก

Conversion Rate

Orders ÷ Sessions × 100

AOV

Revenue ÷ Orders

จากนั้นเพิ่ม Data Dictionary เป็น Knowledge ของ Gem

ช่วยให้ Analyst ใช้ Definition เดียวกันทุกครั้ง

⓳ Knowledge เหมาะกับอะไรใน Analyst Gem

Knowledge ไม่จำเป็นต้องใส่ Dataset ทั้งหมด

สิ่งที่เหมาะกว่า ได้แก่

• Data Dictionary
• KPI Definition
• Business Rules
• Reporting Standard
• Target
• Segment Definition
• Funnel Definition
• Product Category Map

ข้อมูลเหล่านี้เปลี่ยน Analyst จาก AI ทั่วไปให้เข้าใจบริบทธุรกิจได้มากขึ้น

⓴ Dataset ของแต่ละเดือนควรใส่ Knowledge ไหม

ไม่จำเป็นเสมอไป

ถ้าเป็น Dataset ชั่วคราว เช่น

ยอดขายเดือนสิงหาคม

ควรแนบใน Chat ตอนวิเคราะห์

แทนการใส่เป็น Knowledge ถาวร

🎯 จำง่าย

กฎที่ใช้ทุกครั้ง → Knowledge

ข้อมูลรอบนี้ → Upload ใน Chat

ช่วยลดการปะปน Dataset ข้ามรอบ

㉑ Gemini วิเคราะห์ Spreadsheet ได้ไหม

ได้ Gemini Apps รองรับการอัปโหลด Spreadsheet และเอกสารเพื่อ

• ถามคำถาม
• สรุป
• วิเคราะห์
• หา Insight

จากข้อมูล

ดังนั้นหลังเปิด Analyst Gem สามารถเพิ่ม Spreadsheet สำหรับงานครั้งนั้นแล้วสั่งวิเคราะห์ตาม Workflow ของ Gem ได้

㉒ Gemini สร้าง Chart ได้ไหม

บน Gemini Web สามารถขอให้สร้าง Chart จาก Spreadsheet ที่อัปโหลดได้

เช่น

“สร้าง Bar Chart แสดง Revenue ตาม Category”

หรือ

“สร้าง Line Chart ของยอดขายรายเดือน”

จากนั้น Chart ที่สร้างสามารถปรับประเภทหรือ Label ตามความสามารถที่ระบบรองรับ

⚠️ แต่ Chart ที่ดูสวยไม่ได้รับประกันว่าการ Aggregate ถูก

ต้องตรวจตัวเลขต้นทางด้วย

㉓ ให้ AI เลือก Chart ได้ แต่ต้องอธิบายเหตุผล

สามารถใช้ Prompt

“แนะนำ Chart ที่เหมาะกับข้อมูลนี้และอธิบายว่าทำไม”

ตัวอย่าง

Line Chart

เหมาะกับ Trend ตามเวลา

Bar Chart

เหมาะกับ Comparison ระหว่าง Category

Scatter Plot

เหมาะกับ Relationship ของสองตัวแปร

อย่าใช้ Chart เพียงเพราะดูสวย

㉔ กำหนด Hard Rule: ห้ามสร้างตัวเลข

นี่ควรเป็นกฎหลัก

“ห้ามสร้าง Estimate, Revenue, Percentage, Growth หรือ Metric หากคำนวณไม่ได้จากข้อมูลที่ให้”

ถ้า Data ไม่มีค่า

อย่าเติม

0

Average

Industry Benchmark

เอง

㉕ ห้ามแก้ตัวเลขต้นฉบับเงียบ ๆ

ถ้าเจอค่าที่ดูผิด เช่น

Revenue = -999999

AI ไม่ควรแก้เป็นค่าที่คิดว่าน่าจะถูก

ควรแจ้ง

“พบค่าผิดปกติ”

แล้วขอให้ตรวจ

💬 Instruction

“ห้ามแก้ Source Data โดยไม่ระบุการเปลี่ยนแปลงทุกครั้ง”

㉖ แยก Fact กับ Interpretation

นี่เป็นหนึ่งในกฎที่สำคัญที่สุด

ตัวอย่าง

Fact

Conversion Rate ลดจาก 4% เป็น 3%

Interpretation

หน้า Landing Page อาจมีปัญหา

สองอย่างไม่เหมือนกัน

ข้อมูลยืนยัน Fact

แต่ Interpretation ยังต้องหาหลักฐานเพิ่มเติม

🎯 Output ที่ดี

Finding

Conversion Rate ลด 25%

Possible Explanation

อาจเกี่ยวข้องกับ Traffic Mix

Need to Verify

ควรดู Conversion Rate แยกตาม Channel

นี่คือ Analysis ที่ระมัดระวัง

㉗ Correlation ไม่เท่ากับ Causation

สมมติพบว่า

Advertising Spend เพิ่ม

และ

Sales เพิ่ม

ไม่ได้แปลว่า Advertisement เป็นสาเหตุทั้งหมด

อาจมี

• Seasonality
• Promotion
• Product Launch
• Organic Growth

พร้อมกัน

💬 Rule

“ห้ามสรุปความสัมพันธ์เป็นเหตุและผลหาก Dataset ไม่รองรับการพิสูจน์ Causation”

㉘ ให้ AI ระบุ Hypothesis

แทนการบอกว่า

“ยอดขายลดเพราะ Traffic ลด”

ให้ใช้

“หนึ่งในสมมติฐานที่ควรตรวจคือ Traffic ลดลง”

จากนั้นบอก Data ที่ต้องใช้ยืนยัน

วิธีนี้มีคุณค่ากับการตัดสินใจมากกว่า Narrative ที่มั่นใจเกินหลักฐาน

㉙ กำหนด Calculation Formula

Metric สำคัญควรมีสูตรใน Knowledge

ตัวอย่าง

Growth %

(Current − Previous) ÷ Previous × 100

AOV

Revenue ÷ Orders

Conversion Rate

Conversions ÷ Sessions × 100

Gross Margin %

Gross Profit ÷ Revenue × 100

การกำหนดสูตรช่วยลดความคลุมเครือ

㉚ ให้ AI แสดงสูตรก่อน Calculation สำคัญ

สำหรับ Metric ที่สำคัญสามารถสั่ง

“แสดง Formula และค่าที่นำมาใช้ก่อนแสดงผลลัพธ์”

เช่น

Revenue Growth

= (120,000 − 100,000) ÷ 100,000 × 100

= 20%

ช่วยให้ตรวจได้ง่าย

㉛ ระวัง Percentage Point กับ Percent Change

ตัวอย่าง Conversion Rate

จาก 4%

เป็น 5%

เพิ่มขึ้น 1 Percentage Point

แต่

เพิ่มขึ้น 25%

เมื่อวัด Relative Change

สองคำตอบถูกคนละความหมาย

AI Analyst ควรแยกให้ออก

㉜ กำหนด Number Formatting

สามารถกำหนด

• จำนวน Decimal
• Currency
• Percentage
• Thousands Separator

ตัวอย่าง

“ตัวเลขเงินบาทใช้ Comma และไม่แสดงทศนิยม เว้นแต่จำเป็น Percentage ใช้ทศนิยมไม่เกิน 2 ตำแหน่ง”

ช่วยให้ Report สม่ำเสมอ

㉝ อย่าปัดเลขเร็วเกินไป

Calculation หลายขั้นควรใช้ Precision เดิมจนจบ

แล้วค่อย Round ตอนแสดงผล

ไม่ควร Round ทุกขั้น เพราะอาจสะสม Error

💬 Instruction

“คำนวณด้วย Precision ที่เพียงพอและ Round เฉพาะ Output สุดท้าย”

㉞ กำหนด Output สำหรับ Analyst

Format ที่ดีอาจเป็น

Executive Summary

สิ่งสำคัญที่สุด

Data Quality

ปัญหา Dataset

Key Findings

ข้อค้นพบ

Segment Analysis

รายละเอียด

Risks / Caveats

ข้อจำกัด

Recommendations

สิ่งที่ควรทำต่อ

โครงสร้างนี้เหมาะกับ Analysis ทางธุรกิจ

㉟ ให้ Executive Summary มาก่อน

ผู้บริหารไม่ควรต้องอ่าน Calculation ทั้งหมดก่อนรู้คำตอบ

สามารถกำหนดว่า

“เริ่มด้วย 3–5 Key Findings ที่สำคัญที่สุด แล้วค่อยแสดงรายละเอียด”

ช่วยให้ Report อ่านเร็วขึ้น

㊱ แต่ Summary ต้องมาจาก Analysis

อย่าสั่ง AI ว่า

“เขียน Executive Summary ให้ดูน่าสนใจ”

ควรเป็น

“สรุปเฉพาะ Findings ที่มีข้อมูลรองรับ”

ช่วยลดการสร้าง Narrative เกิน Data

㊲ ให้จัดอันดับ Insight

ข้อมูลอาจมี Insight 30 ข้อ แต่ไม่ใช่ทุกข้อสำคัญ

ให้ Gem จัดระดับ

High Impact

กระทบธุรกิจสูง

Medium

ควรติดตาม

Low

Observation รอง

หรือจัดตาม

Impact × Confidence

จะช่วย Prioritize ได้ดีขึ้น

㊳ ให้ระบุ Confidence

สามารถกำหนดว่าแต่ละ Conclusion มี

• High confidence
• Medium confidence
• Low confidence

โดยพิจารณาจาก Data Coverage และ Evidence

ไม่ใช่ให้ AI สร้าง Probability ปลอม

⚠️ อย่าให้สร้าง 87% Confidence โดยไม่มีโมเดลรองรับ

ใช้ระดับเชิงคุณภาพดีกว่า

㊴ วิเคราะห์ Trend

ตัวอย่าง Prompt

“วิเคราะห์ Trend รายเดือน แยก Growth, Peak, Decline และช่วงที่ผิดปกติ”

AI Analyst สามารถช่วยเห็น Pattern ที่อาจพลาดเมื่อดูตารางดิบ

แต่ต้องตรวจว่า Data เรียง Date ถูกก่อน

㊵ วิเคราะห์ Segment

แทนดู Total อย่างเดียว ให้แบ่งตาม

• Product
• Channel
• Region
• Device
• Customer Type
• Salesperson

ตัวอย่าง Total Revenue ลด 5%

แต่

Mobile ลด 20%

Desktop เพิ่ม 8%

Insight ที่แท้จริงอาจอยู่ใน Segment

㊶ ระวัง Simpson’s Paradox

Aggregate Data บางครั้งทำให้ Conclusion ต่างจาก Segment Data

จึงไม่ควรดู Total เพียงระดับเดียว

💬 Instruction

“เมื่อพบการเปลี่ยนแปลงสำคัญของ Metric หลัก ให้ตรวจ Segment ที่เกี่ยวข้องก่อนสรุป”

เป็น Rule ที่ดีสำหรับ Analyst

㊷ วิเคราะห์ Top Performer

สามารถถาม

“หา Top 10 Products ตาม Revenue”

แต่ควรระบุ Metric ให้ชัด

เพราะ

Top by Revenue

ไม่เหมือน

Top by Profit

ไม่เหมือน

Top by Units

ห้ามใช้คำว่า

“สินค้าที่ดีที่สุด”

โดยไม่ระบุเกณฑ์

㊸ วิเคราะห์ Bottom Performer

เช่นเดียวกัน

“Bottom 10 Campaigns ตาม ROAS”

ต้องระบุ Metric

จากนั้นควรตรวจ Sample Size

Campaign ที่มี Spend 10 บาทกับ Campaign Spend 1 ล้านบาทไม่ควรตีความแบบเดียวกันเสมอไป

㊹ ตรวจ Sample Size

ข้อมูลขนาดเล็กสามารถสร้าง Percentage ที่ดูรุนแรง

ตัวอย่าง Conversion

1 จาก 1

= 100%

แต่ Sample = 1

จึงยังสรุปไม่ได้มาก

💬 Instruction

“เมื่อรายงาน Rate หรือ Percentage ให้ตรวจ Sample Size และเตือนหากจำนวนข้อมูลน้อย”

สำคัญอย่างมากกับ Experiment และ Marketing

㊺ วิเคราะห์ Year-over-Year

ถ้าธุรกิจมี Seasonality

Month-over-Month อย่างเดียวอาจหลอกได้

ตัวอย่างร้านขายของขวัญ

December สูงมากทุกปี

January ลดลง

ไม่ได้แปลว่าธุรกิจพัง

ควรดู

YoY

ร่วมด้วยเมื่อเหมาะสม

㊻ วิเคราะห์ Seasonality

สามารถสั่ง

“ตรวจว่าการขึ้นลงนี้สอดคล้องกับ Seasonal Pattern หรือไม่จากข้อมูลหลายปี”

แต่ถ้ามีข้อมูลเพียง 3 เดือน

AI ควรบอกว่า

ข้อมูลไม่พอ

ไม่ควรแต่ง Seasonality ขึ้นมา

㊼ วิเคราะห์ Funnel

ถ้า Dataset มี Funnel เช่น

Visitors

↓

Product View

↓

Add to Cart

↓

Checkout

↓

Purchase

Gem สามารถคำนวณ Drop-off Rate แต่ละขั้น

จากนั้นหา

จุดที่สูญเสียผู้ใช้มากที่สุด

นี่เป็น Use Case ที่ดีมากสำหรับ Analyst Gem

㊽ วิเคราะห์ Cohort

หากมีข้อมูลผู้ใช้ตามวันที่เริ่มต้น สามารถวิเคราะห์ Cohort เช่น

• Acquisition Month
• Retention
• Repeat Purchase

แต่ต้องมี Identifier และ Time Dimension ที่เพียงพอ

หากไม่มี อย่าให้ AI เดาข้อมูล Cohort

㊾ วิเคราะห์ Forecast ได้ไหม

AI สามารถช่วยสร้าง Scenario หรืออธิบาย Forecast ได้ แต่ควรระวังมาก

Forecast ต้องมี

• Historical Data
• Method
• Assumptions
• Uncertainty

💬 Instruction

“หากทำ Forecast ให้ระบุ Method และ Assumptions และห้ามนำ Projection ไปเขียนเหมือนเป็น Actual”

นี่เป็น Hard Rule ที่ดี

㊿ Actual กับ Forecast ต้องแยกชัด

Report ควรแยก

Actual

ข้อมูลที่เกิดขึ้นแล้ว

Forecast

ค่าคาดการณ์

Target

เป้าหมาย

ไม่ควรรวมใน Column เดียวโดยไม่มี Label

เพราะคนอ่านอาจเข้าใจผิด

51. Recommendation ต้องเชื่อมกับ Finding

AI มักสร้าง Recommendation ทั่วไป เช่น

“เพิ่มการตลาด”

แม้ข้อมูลไม่ได้บอก

ควรกำหนด

“ทุก Recommendation ต้องอ้างอิง Finding อย่างน้อยหนึ่งข้อ และอธิบายเหตุผล”

ตัวอย่าง

Finding:

Mobile Conversion ลดลง 30%

Recommendation:

ตรวจ Mobile Checkout Flow

สมเหตุสมผลกว่า

“เพิ่มงบโฆษณา”

52. แยก Recommendation จาก Evidence

Format ตัวอย่าง

Finding

Mobile Conversion ลดลง

Evidence

5.2% → 3.6%

Hypothesis

Checkout บนมือถืออาจมี Friction

Next Analysis

ดู Drop-off ตาม Checkout Step

Action

ตรวจ Mobile Checkout

นี่เป็น Output ที่นำไปทำงานต่อได้

53. บอก Data ที่ต้องการเพิ่ม

Analyst ที่ดีไม่ควรจบแค่

“ข้อมูลไม่พอ”

ควรบอกด้วยว่า

ต้องการ Data อะไรเพิ่ม

ตัวอย่าง

“ยังระบุสาเหตุยอดขายลดไม่ได้ หากต้องการตรวจ Marketing ควรเพิ่ม Channel, Spend, Clicks และ Conversion”

ช่วยให้รอบ Analysis ถัดไปดีขึ้น

54. ใช้ Knowledge สำหรับ Business Target

ตัวอย่าง Knowledge ระบุว่า

Target Conversion Rate = 4%

เมื่อ Dataset ล่าสุด = 3.2%

Gem สามารถรายงาน

ต่ำกว่า Target 0.8 Percentage Point

ได้

แต่ควรตรวจว่า Target ยังเป็น Version ปัจจุบัน

55. Update Knowledge เมื่อ KPI เปลี่ยน

หากบริษัทเปลี่ยน

Target

Definition

Segmentation

หรือ Formula

ต้อง Update Knowledge ของ Analyst Gem

ไม่เช่นนั้น Report อาจใช้กติกาเก่า

56. ทดสอบ Analyst Gem ด้วย Dataset เล็กก่อน

ก่อนใช้กับ Spreadsheet 100,000 Rows ลอง Dataset เล็กที่รู้คำตอบก่อน

ตัวอย่าง

Revenue:

100

200

300

ถาม Total

ควรได้

600

Average

200

จากนั้นทดลอง Growth และ Missing Data

ช่วยดูว่า Instructions ทำงานตามที่ต้องการหรือไม่

57. Test Known Answer

สร้าง Test Case ที่เรารู้คำตอบ

เช่น

January = 100

February = 120

Growth = 20%

ถ้า Gem ตอบผิด

ต้องแก้ Workflow ก่อนใช้กับข้อมูลจริง

58. ทดสอบ Division by Zero

ตัวอย่าง Previous Period = 0

Formula Growth %

ไม่สามารถคำนวณแบบปกติได้

AI ไม่ควรตอบว่า

“Infinite Growth”

โดยไม่มีคำอธิบาย

ควรระบุว่า Growth Percentage แบบมาตรฐานไม่เหมาะในกรณีฐานเป็นศูนย์

59. ทดสอบ Missing Data

สร้าง Dataset มีช่องว่าง

แล้วถาม Average

ดูว่า Gem

• Ignore Missing
• Treat as Zero
• แจ้งก่อน

อย่างไร

Behavior ควรตรงกับ Instructions

60. ทดสอบข้อมูลผิดประเภท

ใส่ Revenue บาง Row เป็น

“unknown”

ดูว่า Gem ตรวจพบหรือไม่

ไม่ควรบังคับ Convert เป็น 0 แบบเงียบ ๆ

61. ทดสอบ Outlier

ใส่ค่าผิดปกติหนึ่งค่า

ดูว่า Gem Highlight หรือไม่

จากนั้นถาม

“ควรลบไหม”

Gem ควรอธิบายเหตุผลก่อน ไม่ใช่ลบทันที

62. ทดสอบคำถามที่พิสูจน์ไม่ได้

ถาม

“ยอดขายลดเพราะเว็บไซต์ช้าใช่ไหม”

ทั้งที่ Dataset มีเพียง Revenue

Gem ที่ดีควรบอกว่า

ข้อมูลชุดนี้ยังยืนยันไม่ได้

และแนะนำ Data เช่น

• Page Speed
• Conversion
• Device
• Bounce/Engagement

เพิ่มเติม

63. ทดสอบ Calculation หลายขั้น

ตัวอย่าง

Revenue

Cost

Profit

Margin

Growth

เพื่อดูว่า AI รักษาสูตรและ Unit ได้หรือไม่

งานสำคัญควรตรวจด้วย Spreadsheet หรือ Calculation Source อีกครั้ง

🚀 Workflow สร้าง AI Analyst Gem ที่แนะนำ

❶ Define

กำหนดประเภท Analysis

❷ Persona

กำหนด Analyst Role

❸ Metrics

กำหนด KPI

❹ Formula

กำหนดสูตรสำคัญ

❺ Context

เพิ่ม Business Context

❻ Knowledge

เพิ่ม Data Dictionary และ Rules

❼ Data Quality Rules

Missing, Duplicate, Outlier

❽ Accuracy Rules

ห้ามเดาตัวเลข

❾ Causality Rules

แยก Fact/Hypothesis

❿ Output

กำหนด Report Format

⓫ Preview

ทดสอบ

⓬ Known-answer Test

ตรวจ Calculation

⓭ Negative Test

ถามสิ่งที่ Dataset ไม่มี

⓮ Save

บันทึก Gem

⓯ Upload Dataset

แนบข้อมูลรอบจริง

⓰ Analyze

วิเคราะห์

⓱ Verify

ตรวจตัวเลขสำคัญ

⓲ Decide

มนุษย์นำ Insight ไปตัดสินใจ

🔥 Instructions สำหรับ AI Data Analyst พร้อมใช้

Role

คุณคือ Data Analyst ที่ให้ความสำคัญกับความถูกต้องของข้อมูลและความสามารถในการตรวจสอบย้อนหลัง

Objective

ช่วยตรวจ วิเคราะห์ และอธิบาย Dataset เพื่อค้นหา Findings ที่มีหลักฐานรองรับ และเสนอสิ่งที่ควรวิเคราะห์หรือทำต่อ

Workflow

เมื่อได้รับ Dataset ใหม่:

1. ตรวจ Columns และ Schema
2. ตรวจ Data Types
3. ตรวจ Unit
4. ตรวจช่วงวันที่
5. ตรวจ Missing Values
6. ตรวจ Duplicate
7. ตรวจ Outlier
8. ระบุ KPI ที่สามารถคำนวณได้
9. แสดง Formula สำหรับ Metric สำคัญ
10. วิเคราะห์ Trend และ Segment
11. แยก Fact, Interpretation และ Hypothesis
12. สรุป Limitations
13. เสนอ Next Analysis หรือ Action

Hard Rules

• ห้ามสร้างตัวเลขที่ไม่มีในข้อมูล
• ห้ามเติม Missing Value โดยไม่แจ้ง
• ห้ามเปลี่ยน Source Data โดยไม่ระบุ
• ห้ามลบ Outlier อัตโนมัติ
• ห้ามสมมติ Unit
• ห้ามสร้าง KPI หากไม่มีข้อมูลสำหรับ Formula
• ห้ามสรุป Correlation ว่าเป็น Causation
• ห้ามเขียน Forecast เหมือน Actual
• ห้ามสร้าง Industry Benchmark หากไม่ได้รับข้อมูล
• หากข้อมูลไม่พอให้ระบุสิ่งที่ต้องการเพิ่ม

Calculation Rules

• แสดง Formula สำหรับ Metric สำคัญ
• ตรวจ Denominator ก่อนหาร
• ระบุ Percentage กับ Percentage Point ให้ถูก
• Round เฉพาะ Output สุดท้ายเมื่อเหมาะสม
• ใช้ Unit เดียวกันก่อน Comparison

Output Format

Executive Summary

สรุป Finding สำคัญที่สุด

Data Quality

รายงาน Missing, Duplicate, Outlier หรือข้อจำกัด

Key Findings

แสดงตัวเลขสนับสนุนแต่ละ Finding

Segment Analysis

วิเคราะห์ส่วนที่เกี่ยวข้อง

Hypotheses

ระบุสมมติฐานแยกจาก Fact

Recommendations

เชื่อมทุกข้อกับ Finding

Next Data Needed

ระบุข้อมูลที่ควรมีเพิ่ม

Knowledge

ใช้ Data Dictionary, KPI Definition, Business Rules และ Target ใน Knowledge เป็น Reference หากมี

หาก Knowledge ขัดกับ Dataset ให้แจ้งความขัดแย้งก่อนสรุป

🔥 Prompt วิเคราะห์ Spreadsheet พร้อมใช้

ตรวจข้อมูลก่อน

“ยังไม่ต้องหา Insight ตรวจ Dataset นี้ก่อน สรุป Schema, Data Types, Date Range, Missing Values, Duplicate, Outlier และปัญหาที่อาจทำให้ Analysis ผิด”

วิเคราะห์ภาพรวม

“วิเคราะห์ Dataset นี้ โดยเริ่มจาก Executive Summary แล้วแสดง Key Findings พร้อมตัวเลขสนับสนุนทุกข้อ”

วิเคราะห์ยอดขาย

“วิเคราะห์ Revenue ตามเดือน Product และ Region หา Growth, Top/Bottom Performers และสิ่งผิดปกติ โดยห้ามสรุปสาเหตุที่ Dataset ไม่รองรับ”

วิเคราะห์ Marketing

“วิเคราะห์ Spend, Clicks, Conversions, CPA และ ROAS แยกตาม Campaign พร้อมระบุ Campaign ที่ควรตรวจเพิ่มเติมและเหตุผล”

วิเคราะห์เว็บไซต์

“วิเคราะห์ Users, Sessions, Engagement และ Conversion แยกตาม Device และ Landing Page หา Segment ที่เปลี่ยนมากที่สุด”

หา Root Cause

“ยอดขายลดลงในเดือนล่าสุด ตรวจว่า Dataset นี้สามารถอธิบายสาเหตุอะไรได้จริง แยก Evidence ออกจาก Hypothesis และบอกว่าต้องใช้ Data เพิ่มอะไร”

สร้าง Chart

“แนะนำ Chart ที่เหมาะกับ Findings หลักจาก Spreadsheet นี้ พร้อมอธิบายว่าทำไมแต่ละ Chart จึงเหมาะ”

🔥 Prompt ตรวจ Calculation

“ตรวจ Calculation ทั้งหมดอีกครั้ง แสดง Formula, Numerator, Denominator และผลลัพธ์สำหรับ Metric สำคัญ ห้ามอ้างอิงคำตอบก่อนหน้าโดยไม่คำนวณใหม่จากข้อมูล”

เหมาะกับ Report ที่มีตัวเลขสำคัญ

🔥 Prompt หา Insight ที่ไม่ธรรมดา

แทนคำสั่ง

“หา Insight เยอะ ๆ”

ใช้

“หาเฉพาะ Findings ที่มี Business Impact หรือมี Pattern ผิดปกติ โดยตัด Observation ที่เห็นได้ชัดแต่ไม่มีประโยชน์ในการตัดสินใจออก”

ช่วยลด Insight ปริมาณมากแต่คุณค่าต่ำ

⚠️ ข้อผิดพลาดที่พบบ่อยเมื่อสร้าง AI Analyst

❌ สั่งว่า “วิเคราะห์ให้ดีที่สุด”

ไม่มี Workflow ชัดเจน

❌ ไม่ตรวจ Schema

AI เข้าใจ Column ผิด

❌ ไม่ตรวจ Unit

Calculation ผิดความหมาย

❌ Treat Missing เป็น Zero

ผลลัพธ์ผิด

❌ ลบ Outlier ทันที

อาจลบ Insight สำคัญ

❌ สรุป Correlation เป็น Causation

เกินหลักฐาน

❌ ไม่มีสูตร KPI

แต่ละรอบคำนวณคนละ Definition

❌ ให้ AI สร้าง Benchmark

ตัวเลขไม่มี Source

❌ ไม่ตรวจ Sample Size

Rate ดูดีเกินจริง

❌ เชื่อ Calculation โดยไม่ Verify

งานสำคัญควรตรวจซ้ำ

✅ Checklist ก่อน Save AI Analyst Gem

👤 Role

Analyst ประเภทไหน

🎯 Objective

วิเคราะห์เพื่ออะไร

📊 KPI

นิยามครบหรือยัง

🧮 Formula

กำหนดหรือยัง

📚 Knowledge

มี Data Dictionary ไหม

❓ Missing Data

มี Rule หรือยัง

🔁 Duplicate

ตรวจหรือยัง

📈 Outlier

กำหนดวิธีจัดการไหม

🚫 Hallucination

ห้ามแต่งตัวเลขหรือยัง

🔬 Causality

แยกจาก Correlation หรือยัง

📄 Output

มี Report Format หรือยัง

🧪 Preview

ทดสอบแล้วหรือยัง

✅ Checklist ก่อนเชื่อผลวิเคราะห์

📅 Date Range

ช่วงเวลาถูกไหม

💱 Unit

ถูกไหม

🔢 Formula

ตรวจไหม

📉 Missing

มีผลไหม

🔁 Duplicate

มีไหม

⚠️ Outlier

ตรวจแล้วหรือยัง

👥 Sample Size

เพียงพอไหม

📊 Segment

ดู Total อย่างเดียวหรือไม่

🧠 Fact vs Hypothesis

แยกหรือยัง

✅ Recalculate

Metric สำคัญตรวจซ้ำหรือยัง

❓ คำถามที่พบบ่อยเกี่ยวกับ Gem วิเคราะห์ข้อมูล

Gemini Gem ใช้วิเคราะห์ข้อมูลได้ไหม

ได้ สามารถสร้าง Custom Gem ที่มี Instructions สำหรับ Workflow วิเคราะห์ข้อมูล และใช้ร่วมกับไฟล์หรือ Spreadsheet ที่เพิ่มให้ Gemini วิเคราะห์ได้

Gemini วิเคราะห์ Spreadsheet ได้ไหม

ได้ Gemini Apps รองรับ Spreadsheet เพื่อถามคำถาม สรุป และหา Insight จากข้อมูล

Gemini สร้างกราฟจาก Spreadsheet ได้ไหม

ได้ บน Gemini Web สามารถขอให้สร้าง Chart จาก Spreadsheet ที่อัปโหลดและปรับ Chart ตามความสามารถที่รองรับ

ควรใส่ Dataset เป็น Knowledge หรือ Upload ตอนวิเคราะห์

ถ้าเป็น Dataset ที่เปลี่ยนทุกเดือนหรือใช้ครั้งเดียว การ Upload ตอนวิเคราะห์มักเหมาะกว่า ส่วน Knowledge เหมาะกับ Data Dictionary, KPI Definition และ Business Rules ที่ใช้ซ้ำ

AI Analyst คำนวณผิดได้ไหม

ได้ จึงควรตรวจ Formula และ Metric สำคัญซ้ำ โดยเฉพาะตัวเลขที่ใช้ตัดสินใจด้านธุรกิจหรือการเงิน

ป้องกัน AI แต่งตัวเลขอย่างไร

กำหนด Hard Rule ว่าห้ามสร้าง Estimate, Benchmark หรือ Metric ที่คำนวณไม่ได้จากข้อมูลที่ให้

Missing Data ควรเป็น 0 ไหม

ไม่เสมอไป Missing กับ Zero มีความหมายต่างกัน ต้องเข้าใจความหมายของ Dataset ก่อนแทนค่า

Outlier ควรลบทิ้งไหม

ไม่ควรลบอัตโนมัติ ต้องตรวจว่าเป็น Error หรือเหตุการณ์จริงก่อน

Gemini บอกสาเหตุจากข้อมูลได้เลยไหม

บางครั้ง Dataset แสดงได้เพียงความสัมพันธ์ ไม่ได้พิสูจน์สาเหตุ จึงควรแยก Evidence, Interpretation และ Hypothesis

AI Analyst ใช้แทนนักวิเคราะห์จริงได้ไหม

เหมาะกับการช่วยสำรวจ ตรวจ คำนวณ และสรุปข้อมูล แต่การตัดสินใจสำคัญยังควรมีมนุษย์ตรวจทั้งข้อมูล วิธีวิเคราะห์ และข้อสรุป

🎯 สรุปวิธีสร้าง Gem วิเคราะห์ข้อมูล ให้เป็น AI Analyst ส่วนตัว

การสร้าง AI Analyst Gem ที่ดีไม่ได้เริ่มจากคำสั่งว่า

“วิเคราะห์ข้อมูลให้ดีที่สุด”

แต่เริ่มจากการสร้าง Workflow ที่ตรวจสอบได้

โครงสร้างหลักคือ

Persona + Task + Context + Format

จากนั้นเพิ่มกฎสำหรับ Data Analysis ได้แก่

Schema + Data Type + Unit + Missing Data + Duplicate + Outlier + Formula + Segment + Fact/Hypothesis + Limitations

สิ่งที่ควรใส่เป็น Knowledge คือข้อมูลที่ใช้ซ้ำ เช่น

• Data Dictionary
• KPI Definition
• Formula
• Business Rules
• Target
• Segment Definition

ส่วน Dataset เช่นยอดขายเดือนล่าสุดหรือ Spreadsheet Campaign ใหม่ สามารถ Upload ตอนใช้งานจริง

Workflow ที่แนะนำคือ

Upload Data → ตรวจ Data Quality → ตรวจ Formula → วิเคราะห์ → แยก Fact กับ Hypothesis → สรุป Findings → Verify ตัวเลข → ตัดสินใจ

และกฎที่สำคัญที่สุดคือ

ห้ามสร้างตัวเลขที่ไม่มี

ห้ามสมมติ Unit

ห้าม Treat Missing เป็น Zero โดยอัตโนมัติ

ห้ามลบ Outlier โดยไม่ตรวจ

ห้ามสรุป Correlation เป็น Causation

หากข้อมูลไม่พอ ให้บอกว่าต้องการข้อมูลอะไรเพิ่ม

เมื่อออกแบบ Gem ด้วยหลักเหล่านี้ Gemini จะสามารถทำหน้าที่เหมือน AI Analyst ส่วนตัวที่ช่วยเปลี่ยน Spreadsheet และข้อมูลดิบให้เป็น Insight ที่อ่านง่ายขึ้น โดยยังรักษาหลักสำคัญที่สุดของงานวิเคราะห์ไว้คือ

ทุกข้อสรุปต้องย้อนกลับไปตรวจได้จากข้อมูลจริง