วิธีใช้ Copilot ตรวจข้อมูลที่หายหรือช่องว่างใน Excel

Microsoft Copilot ใน Excel สามารถช่วยตรวจหา Missing Data หรือช่องว่างในตารางได้ เช่น Customer ID ที่หาย วันที่ที่ไม่ได้กรอก ราคาเป็นค่าว่าง หรือ Formula บางแถวหายไป ซึ่งปัญหาเหล่านี้อาจทำให้ Summary, PivotTable, Chart และ KPI ผิดพลาดได้

สิ่งสำคัญคือ Blank ไม่ได้มีความหมายเหมือน 0 เสมอไป ช่องว่างอาจหมายถึงข้อมูลยังไม่ถูกกรอก ไม่ทราบค่า หรือไม่มีข้อมูลจริง ขณะที่ 0 หมายถึงมีข้อมูลและค่าคือศูนย์ ดังนั้นก่อนแก้ Missing Data ต้องเข้าใจ Business Logic ของแต่ละ Column ให้ชัด

บทความนี้ comsiam จะอธิบายวิธีใช้ Copilot ตรวจข้อมูลที่หายหรือช่องว่างใน Excel ตั้งแต่การหา Cell ว่าง การตรวจ Missing Formula ไปจนถึงการจัดการ Missing Data อย่างปลอดภัยโดยไม่เติมค่าหรือเดาข้อมูลขึ้นมาเอง

① Missing Data คืออะไร

Missing Data คือข้อมูลที่ควรมี แต่ไม่มีอยู่ใน Cell

เช่น

• Customer ID ว่าง
• Product Code ว่าง
• Date ว่าง
• Sales ว่าง
• Owner ว่าง
• Formula หาย

แต่ต้องดูว่า Column นั้นจำเป็นต้องมีค่าจริงหรือไม่

② Blank กับ 0 ต่างกันอย่างไร

Blank = ไม่มีข้อมูล

0 = มีข้อมูลและค่าคือศูนย์

ตัวอย่าง

Sales ว่าง อาจหมายถึงยังไม่ได้บันทึก

Sales = 0 อาจหมายถึงไม่มีการขายจริง

ห้ามแทนกันโดยอัตโนมัติ

③ เริ่มจากให้ Copilot ตรวจ Missing Data

Prompt

ตรวจตารางนี้และแสดง Column ที่มีข้อมูลว่าง

ช่วยดูภาพรวมได้เร็ว

④ Prompt ที่ดีกว่า

ใช้

ตรวจ Missing Data ในทุก Column แสดงจำนวน Cell ว่างและเปอร์เซ็นต์ Missing ของแต่ละ Column โดยยังไม่แก้ข้อมูล

ช่วยประเมิน Data Quality

⑤ ตรวจ Required Field

บาง Column ห้ามว่าง เช่น

• Order ID
• Date
• Product Code
• Amount

Prompt

แสดง Row ที่ Required Field เหล่านี้ว่าง

ช่วยหา Record ที่ไม่สมบูรณ์

⑥ สร้างรายการ Missing

ใช้

สร้างรายการ Row ที่มี Missing Data พร้อมชื่อ Column ที่หาย

ช่วยตรวจทีละรายการ

⑦ Highlight Cell ว่าง

Prompt

Highlight Cell ว่างใน Column ที่จำเป็น

ช่วยให้เห็นปัญหาทันที

⑧ สร้าง Missing Flag

ใช้

เพิ่มคอลัมน์ Data Status ถ้ามี Required Field ว่างให้แสดง Missing

ช่วยตรวจแบบต่อเนื่อง

⑨ ตรวจ Customer ID ว่าง

Prompt

แสดง Row ที่ Customer ID ว่าง

สำคัญกับการเชื่อมข้อมูลลูกค้า

⑩ ตรวจ Product Code ว่าง

ใช้

แสดงรายการที่ Product Code ว่าง

ช่วยป้องกันการรวมยอดผิดสินค้า

⑪ ตรวจ Order ID ว่าง

Prompt

ตรวจ Order ที่ไม่มี Order ID

หาก Order ID เป็น Unique Key ถือเป็นปัญหาสำคัญ

⑫ ตรวจ Date ว่าง

ใช้

แสดงรายการที่ Transaction Date ว่าง

ถ้าไม่มี Date จะวิเคราะห์ Trend ไม่ได้ถูกต้อง

⑬ ตรวจ Amount ว่าง

Prompt

แสดง Transaction ที่ Amount ว่าง

ควรแยกจาก Amount = 0

⑭ ตรวจ Region ว่าง

ใช้

แสดงรายการที่ Region ยังไม่ได้ระบุ

ช่วย Data Segmentation

⑮ ตรวจ Owner ว่าง

Prompt

หา Task ที่ไม่มี Owner

เหมาะกับ Project Management

⑯ ตรวจ Deadline ว่าง

ใช้

หา Task ที่ไม่มี Deadline

ช่วยหา Work Item ที่ยังวางแผนไม่ครบ

⑰ ตรวจ Status ว่าง

Prompt

แสดงรายการที่ Status ว่าง

ช่วย Workflow Tracking

⑱ ตรวจ Email ว่าง

ใช้

แสดง Customer ที่ไม่มี Email

แต่ต้องดูว่า Email เป็น Required Field จริงหรือไม่

⑲ ตรวจ Phone ว่าง

Prompt

แสดง Customer ที่ไม่มี Phone Number

เหมาะกับ CRM Data Quality

⑳ ตรวจหลาย Column พร้อมกัน

ใช้

แสดง Row ที่ Customer ID, Email หรือ Phone ว่างอย่างน้อยหนึ่งช่อง

ช่วยหา Record ไม่ครบ

㉑ ตรวจ Row ว่างทั้งหมด

Prompt

ตรวจว่ามี Row ว่างทั้งแถวอยู่ใน Dataset หรือไม่

Row ว่างกลางข้อมูลอาจรบกวน Range

㉒ ตรวจ Column ว่างทั้งหมด

ใช้

ตรวจว่ามี Column ที่ไม่มีข้อมูลเลยหรือไม่

ช่วยหา Column ที่ไม่จำเป็น

㉓ Missing Formula คืออะไร

บาง Cell ควรมี Formula เหมือน Row อื่น แต่กลับว่าง

เช่น Profit ควรมีสูตรทุก Row

ถ้ามีบาง Row ว่าง อาจเป็น Formula Missing

㉔ หา Missing Formula

Prompt

ตรวจคอลัมน์ Profit และแสดง Row ที่ Formula หายไป

ช่วยหา Calculation Gap

㉕ ตรวจ Formula ถูกพิมพ์ทับ

บาง Cell อาจไม่ได้ว่าง แต่ถูกใส่ตัวเลขทับ Formula

Prompt

ตรวจ Cell ที่ควรมี Formula แต่กลับเป็นค่าคงที่

ช่วยหา Silent Error

㉖ Missing กับ Formula Error ต่างกัน

Missing = ไม่มีค่า

Error = มี Formula แต่คำนวณไม่ได้

เช่น

• #N/A
• #VALUE!
• #DIV/0!

ควรแยกกัน

㉗ ตรวจทั้ง Missing และ Error

ใช้

ตรวจทั้ง Blank Cell และ Formula Error ใน Column สำคัญ

ช่วย Data Quality Review ครบขึ้น

㉘ นับ Missing Data

Prompt

นับจำนวน Missing Value ของแต่ละ Column

ช่วยจัดลำดับว่าคอลัมน์ไหนมีปัญหามากที่สุด

㉙ คำนวณ Missing Percentage

ใช้

คำนวณเปอร์เซ็นต์ Missing ของแต่ละ Column

เช่น

Email Missing = 12%

ช่วยประเมินคุณภาพข้อมูล

㉚ จัดอันดับ Column ที่ Missing สูงสุด

Prompt

เรียง Column ตามเปอร์เซ็นต์ Missing จากมากไปน้อย

ช่วยหา Data Quality Priority

㉛ Missing มากไม่ได้แปลว่าผิดเสมอไป

ตัวอย่าง Middle Name อาจว่างเป็นเรื่องปกติ

จึงต้องดู Required/Optional

㉜ กำหนด Required กับ Optional

ควรมี Data Dictionary เช่น

• Order ID = Required
• Date = Required
• Notes = Optional

ช่วยให้ Copilot รู้ว่าช่องว่างใดเป็นปัญหา

㉝ Prompt ตาม Data Dictionary

ใช้

ตรวจ Missing เฉพาะ Column ที่กำหนดเป็น Required

ช่วยลด False Alert

㉞ ตรวจ Missing ตามกลุ่ม

เช่น Region North อาจมี Email หายเยอะกว่ากลุ่มอื่น

Prompt

เปรียบเทียบ Missing Email ตาม Region

ช่วยหา Process Problem

㉟ ตรวจ Missing ตามเดือน

ใช้

แสดงเปอร์เซ็นต์ Missing Data รายเดือน

ช่วยดูว่าคุณภาพข้อมูลดีขึ้นหรือแย่ลง

㊱ ตรวจ Missing ตาม Source

ถ้ามี Source File

Prompt

เปรียบเทียบ Missing Data ตาม Source File

ช่วยหาว่าไฟล์หรือระบบไหนมีปัญหา

㊲ ตรวจ Missing ตาม User

ถ้ามี Created By

สามารถดูว่า Record จาก Workflow ใดมี Missing สูง

แต่ควรใช้เพื่อแก้ Process ไม่ใช่โทษบุคคล

㊳ ตรวจ Missing แบบ Pattern

เช่นพบว่าเมื่อ Region ว่าง Country ก็มักว่างด้วย

Prompt

มี Pattern ของ Missing Data ระหว่างหลาย Column หรือไม่

ช่วยหา Root Cause

㊴ Missing Not at Random

บางครั้งข้อมูลหายเฉพาะบางกลุ่ม

เช่นลูกค้าประเภทหนึ่งไม่มี Email มากกว่ากลุ่มอื่น

ต้องระวัง Bias ใน Analysis

㊵ อย่าเติมค่าด้วยการเดา

ถ้า Customer Age ว่าง

ไม่ควรให้ AI เดาอายุจากชื่อหรือข้อมูลอื่นโดยไม่มีหลักฐาน

㊶ อย่าเติม 0 ทุกช่อง

นี่เป็นข้อผิดพลาดที่พบบ่อย

Blank Sales ไม่ได้แปลว่า Sales = 0

อาจหมายถึงยังไม่มีข้อมูล

㊷ อย่าเติม Average ทุกกรณี

การแทน Missing ด้วย Average อาจทำให้ Distribution เปลี่ยน

ควรใช้เมื่อมีเหตุผลทางสถิติที่เหมาะสม

㊸ การเติม Missing Data เรียกว่าอะไร

เรียกว่า Imputation

เช่นใช้

• Mean
• Median
• Mode
• Previous Value
• Model

แต่ไม่ควรใช้โดยไม่มีเหตุผล

㊹ Mean Imputation

ใช้ค่าเฉลี่ยแทน Missing

ง่าย แต่สามารถลด Variance ของข้อมูล

ไม่เหมาะกับทุกกรณี

㊺ Median Imputation

Median ทนต่อ Outlier มากกว่า Mean

อาจเหมาะกับข้อมูลที่เบ้

แต่ยังต้องใช้ด้วยความระมัดระวัง

㊻ Mode Imputation

ใช้ค่าที่พบบ่อยที่สุด

อาจใช้กับ Category บางประเภท

แต่ไม่ควรใช้หากทำให้ข้อมูลดูแน่นอนเกินจริง

㊼ Forward Fill

ใช้ค่าก่อนหน้ามาเติม

เหมาะกับ Time Series บางประเภท

แต่ไม่เหมาะทุก Dataset

㊽ Backward Fill

ใช้ค่าถัดไปมาเติมย้อนหลัง

ต้องมีเหตุผลรองรับเช่นเดียวกัน

㊾ ขอ Copilot เสนอวิธี ไม่ใช่แก้ทันที

Prompt

สำหรับ Missing แต่ละ Column เสนอวิธีจัดการที่เป็นไปได้ พร้อมข้อดีข้อเสีย แต่ยังไม่เติมค่า

ปลอดภัยกว่า

㊿ Missing Date ควรทำอย่างไร

ถ้า Date หาย

ควรกลับไปตรวจ Source

ไม่ควรเดาวันจาก Row ก่อนหน้าโดยอัตโนมัติ

51. Missing Price ควรทำอย่างไร

ควรหา

• Product Master
• Price List
• Source System

ถ้ามี Source ที่เชื่อถือได้

แล้วค่อยเติมจากข้อมูลจริง

52. Missing Region ควรทำอย่างไร

ถ้ามี Address หรือ Customer Master อาจ Lookup จาก Source ที่ถูกต้อง

ไม่ควรเดา Region จากชื่อบริษัท

53. Missing Customer Name

ถ้ามี Customer ID

สามารถ Lookup จาก Customer Master ได้

นี่ดีกว่าการเดาชื่อ

54. Missing Product Name

ถ้ามี Product Code

สามารถดึงจาก Product Master

ช่วยรักษาความถูกต้อง

55. ใช้ XLOOKUP เติมข้อมูลที่หาย

Prompt

ถ้า Product Name ว่าง ให้ดึงชื่อจาก Product Master โดยใช้ Product Code

เหมาะเมื่อมี Source of Truth

56. ใช้ IF ตรวจช่องว่าง

สามารถสร้างสูตร เช่น

ถ้า Cell ว่าง ให้แสดง Missing

ช่วยสร้าง Quality Flag

57. ใช้ COUNTBLANK

COUNTBLANK ช่วยนับ Cell ว่างใน Range

Prompt

สร้างสูตรนับจำนวน Cell ว่างในคอลัมน์นี้

เหมาะกับ Data Quality Metric

58. ใช้ ISBLANK

สามารถตรวจว่า Cell ว่างหรือไม่

ใช้ร่วมกับ IF ได้

59. ระวัง Cell ดูว่างแต่มี Formula

Cell บางช่องมี Formula ที่คืนค่า ""

ดูเหมือน Blank แต่ไม่เหมือน Cell ว่างจริงทุกกรณี

ต้องตรวจ Formula ด้วย

60. ตรวจ Empty String

Prompt

ตรวจ Cell ที่ดูว่างแต่มี Formula คืนค่า Empty String

ช่วยแยก Missing จริง

61. ระวัง Space ที่ดูเหมือน Blank

Cell ที่มี " " ไม่ใช่ Blank จริง

ควรตรวจ TRIM และ Length

62. ตรวจช่องว่างปลอม

ใช้

ตรวจ Cell ที่มีเฉพาะ Space และจัดเป็น Missing

ช่วย Data Cleaning

63. ใช้ LEN ตรวจ

Cell ที่ LEN = 0 อาจไม่มีข้อความแสดง

แต่ควรดู Formula ประกอบ

64. Highlight Missing Data

Conditional Formatting สามารถใช้ Highlight ช่องว่าง

ช่วย Data Entry Review

65. Highlight Required Missing

Prompt

Highlight เฉพาะ Missing ใน Required Columns

ดีกว่า Highlight ทุก Blank

66. สร้าง Missing Data Dashboard

สามารถสรุป

• Total Rows
• Missing Count
• Missing %
• Column Affected

ช่วยติดตาม Data Quality

67. Prompt Dashboard

สร้างตารางสรุป Missing Count และ Missing Percentage ของแต่ละ Column

เหมาะกับ Data Quality Report

68. สร้าง Heatmap Missing

Heatmap ช่วยดู Pattern ของ Missing ตาม Row/Column

เหมาะกับ Dataset ใหญ่

69. Missing Data กับ PivotTable

PivotTable อาจแสดง (blank)

ไม่ควรซ่อน (blank) ทันทีโดยไม่ตรวจว่าเกิดจากอะไร

70. Missing Data กับ Chart

Chart อาจ

• เว้นช่อง
• แสดง 0
• เชื่อมเส้น

ขึ้นอยู่กับการตั้งค่าและประเภท Chart

ต้องรู้ความหมาย

71. Missing Data กับ Average

Missing อาจไม่ถูกนับเหมือนค่า 0

ดังนั้น Average ของข้อมูลอาจต่างกันมากหากเติม 0 ผิด

72. Missing Data กับ Count

COUNT และ COUNTA ให้ผลต่างกัน

ต้องเลือกตามชนิดข้อมูล

73. Missing Data กับ Growth

ถ้าช่วงก่อน Missing แต่ช่วงล่าสุดมีข้อมูล

Growth อาจคำนวณไม่ได้อย่างสมเหตุสมผล

ไม่ควรฝืนคำนวณ

74. Missing Data กับ Forecast

Time Series ที่มีช่วงหายมากอาจทำให้ Forecast ไม่น่าเชื่อถือ

ควร Clean ก่อน

75. Missing Data กับ AI Insight

ถ้า Missing สูงมาก Copilot อาจสรุป Pattern จากข้อมูลที่ไม่ครบ

ควรให้ AI แจ้ง Data Quality ก่อน Analysis

76. Prompt ก่อนวิเคราะห์

ก่อนวิเคราะห์ข้อมูล ช่วยรายงาน Missing Data และเตือนหาก Column สำคัญมี Missing สูง

ช่วยลดการสรุปผิด

77. กำหนด Threshold

เช่น

ถ้า Missing > 20%

ให้ Flag Column

Prompt

Flag Column ที่มี Missing มากกว่า 20%

ช่วยหา Risk

78. Missing Threshold ต้องขึ้นกับ Context

20% อาจสูงสำหรับ Order ID

แต่ต่ำหรือปกติสำหรับ Notes

ต้องดูประเภทข้อมูล

79. ตรวจ Missing ต่อ Record

บาง Row อาจขาดหลาย Field

Prompt

จัดอันดับ Row ตามจำนวน Required Field ที่ว่าง

ช่วยหา Record ที่แย่ที่สุด

80. สร้าง Completeness Score

เช่น

จำนวน Field ที่มีข้อมูล / จำนวน Field ที่ควรมี

สามารถใช้เป็น Data Quality Score

81. Prompt Completeness Score

สร้าง Data Completeness Percentage สำหรับแต่ละ Row จาก Required Columns

ช่วยประเมินคุณภาพ Record

82. จัดระดับ Data Quality

ตัวอย่าง

• 100% = Complete
• 80–99% = Review
• ต่ำกว่า 80% = Incomplete

ควรกำหนดเกณฑ์ตามงานจริง

83. ตรวจ Missing ก่อนลบ Row

ไม่ควรลบทุก Row ที่มี Blank

บาง Row อาจยังมีข้อมูลสำคัญ 95%

ต้องดูว่าค่าใดหาย

84. ลบ Row เมื่อไร

อาจพิจารณาเมื่อ

• Unique Key หาย
• ข้อมูลใช้ไม่ได้
• ไม่สามารถกู้จาก Source ได้

แต่ต้องมีกฎชัด

85. เก็บ Missing ไว้เมื่อไร

ถ้าค่าว่างมีความหมายว่า

ไม่ทราบ

การเก็บ Missing อาจถูกต้องกว่าเติมค่า

86. ใช้คำว่า Unknown

บาง Category อาจใช้

Unknown

แทน Blank

ถ้านโยบายข้อมูลกำหนดเช่นนั้น

แต่ต้องไม่ทำให้ Unknown ถูกตีความเป็นค่าจริง

87. ใช้คำว่า Not Applicable

กรณีบาง Field ไม่เกี่ยวข้อง

ควรแยก

Not Applicable

ออกจาก

Missing

ช่วยให้ Data Quality ชัด

88. Unknown กับ Not Applicable ต่างกัน

Unknown = ควรมีค่า แต่ยังไม่รู้

Not Applicable = Field นี้ไม่เกี่ยวกับ Record นี้

สำคัญในการวิเคราะห์

89. Prompt สำหรับ Sales Data

ตรวจ Missing Data ใน Sales Dataset โดยเน้น Order ID, Date, Product Code, Quantity, Sales และ Customer ID สรุป Missing Count และ Missing Percentage โดยห้ามเติมค่าหรือลบ Row

90. Prompt สำหรับ Customer Data

ตรวจ Customer Master หา Customer ID, Name, Email, Phone และ Region ที่ว่าง แยก Required กับ Optional และสร้างรายการที่ต้อง Review

91. Prompt สำหรับ Inventory

ตรวจ Product Code, Product Name, Stock, Minimum Stock, Price และ Unit ที่ว่าง และระบุว่าช่องว่างใดทำให้ Inventory Analysis ใช้งานไม่ได้

92. Prompt สำหรับ Project

ตรวจ Task ID, Owner, Status, Start Date และ Deadline ที่ว่าง แล้วจัดอันดับ Task ตามความไม่สมบูรณ์ของข้อมูล

93. Prompt สำหรับ Finance

ตรวจ Missing ใน Invoice Number, Vendor, Date, Amount, Currency และ Payment Status โดยห้ามแทน Missing Amount ด้วย 0

94. Checklist ก่อนจัดการ Missing

ตรวจอย่างน้อย

1. Column นี้ Required หรือ Optional
2. Blank หมายถึงอะไร
3. 0 มีความหมายต่างจาก Blank หรือไม่
4. มี Source of Truth ไหม
5. สามารถ Lookup ได้ไหม
6. Missing เกิดกี่ %
7. Missing กระจุกในกลุ่มไหน
8. มี Pattern หรือไม่
9. จำเป็นต้องเติมจริงหรือไม่
10. ต้องเก็บ Audit Trail ไหม

95. Checklist หลังจัดการ Missing

ตรวจ

1. Row Count
2. Missing Count
3. Missing %
4. Total เปลี่ยนไหม
5. Average เปลี่ยนไหม
6. Formula ถูกไหม
7. Lookup ถูกไหม
8. ไม่มีค่าถูกเดาเอง
9. Unknown/N/A ใช้ถูกไหม
10. Raw Data ยังอยู่หรือไม่

96. คำถามที่พบบ่อย

Copilot หา Cell ว่างใน Excel ได้ไหม

ได้ และสามารถช่วยสรุป Missing Count ตาม Column ได้

ควรเติม Cell ว่างด้วย 0 ไหม

ไม่เสมอ ต้องดูว่า Blank และ 0 มีความหมายเดียวกันหรือไม่

Copilot เติมข้อมูลที่หายได้ไหม

ช่วยเสนอหรือสร้างวิธีเติมจาก Source ที่มีได้ แต่ไม่ควรเดาข้อมูลที่ไม่มีหลักฐาน

Missing Data เยอะทำให้ Analysis ผิดไหม

ได้ โดยเฉพาะเมื่อ Missing อยู่ใน Metric หรือ Dimension สำคัญ

ควรลบ Row ที่มี Missing ไหม

ไม่ควรลบอัตโนมัติ ต้องดูว่า Field ที่หายสำคัญแค่ไหนและสามารถกู้ข้อมูลได้หรือไม่

97. สูตร Prompt ที่แนะนำ

ใช้โครง

Required Fields + Missing Scan + Missing Rate + Pattern + Source Recovery + Restriction

ตัวอย่าง

ตรวจ Missing Data ในตารางนี้ โดยถือว่า Order ID, Date, Product Code และ Sales เป็น Required Fields แสดง Row ที่ขาดข้อมูล นับ Missing และ Missing Percentage ของแต่ละ Column ตรวจว่า Missing กระจุกตาม Region หรือ Period ใดหรือไม่ และถ้าสามารถกู้ข้อมูลจาก Master Table ได้ให้เสนอวิธี Lookup แต่ห้ามเดา เติมค่า หรือลบ Row อัตโนมัติ

Prompt แบบนี้ช่วยให้ Data Cleaning ปลอดภัยและตรวจสอบได้

98. สรุป

วิธีใช้ Copilot ตรวจข้อมูลที่หายหรือช่องว่างใน Excel ให้ได้ผลดีที่สุด คืออย่ามอง Cell ว่างทุกช่องว่าเป็นปัญหาแบบเดียวกัน

ควรแยกให้ชัดว่า

• Required หรือ Optional
• Missing หรือ Not Applicable
• Blank หรือ 0
• กู้จาก Source ได้หรือไม่
• จำเป็นต้องเติมค่าหรือไม่

ลำดับที่แนะนำคือ

ตรวจ Missing → นับจำนวน → ดูเปอร์เซ็นต์ → หา Pattern → ตรวจ Source → Flag → กู้ข้อมูลเมื่อมีหลักฐาน → ตรวจผลอีกครั้ง

Prompt พร้อมใช้คือ

“ตรวจ Missing Data ใน Workbook นี้ แยก Required และ Optional Columns สรุป Missing Count และ Percentage แสดง Row ที่ Required Field ว่าง ตรวจว่า Blank เป็น Missing จริงหรือเป็น Formula ที่คืนค่าว่าง และเสนอวิธีกู้ข้อมูลจาก Source ที่มีเมื่อทำได้ ห้ามแทน Blank ด้วย 0 ห้ามเดาค่า และห้ามลบ Row อัตโนมัติ”

comsiam แนะนำให้รักษาความหมายของ Missing Data ให้ถูกต้อง เพราะการเติมค่าผิดเพียงเล็กน้อยอาจทำให้ Average, Growth, KPI, PivotTable และ Insight เปลี่ยนไปอย่างมาก การยอมรับว่า “ข้อมูลนี้ยังไม่ทราบ” ในบางกรณีจึงดีกว่าการเติมค่าที่ดูครบแต่ไม่ใช่ข้อมูลจริง