เวลาถาม Google Gemini เรื่องที่ต้องอาศัยข้อมูลหลายส่วน ปัญหาที่พบบ่อยคือ AI อาจ รีบสรุปคำตอบเร็วเกินไป ก่อนตรวจว่าข้อมูลที่มีเพียงพอหรือไม่ มีจุดขัดแย้งตรงไหน หรือสาเหตุที่กำลังพูดถึงเป็นข้อเท็จจริงจริง ๆ หรือเป็นเพียงการคาดเดา

ตัวอย่างเช่น

ยอดขายเดือนนี้ลดลง 20% ช่วยบอกสาเหตุให้หน่อย

คำถามนี้อาจทำให้ Gemini รีบเสนอว่า

ลูกค้าน้อยลง
คู่แข่งเพิ่มขึ้น
ราคาแพง
การตลาดไม่ได้ผล
เศรษฐกิจไม่ดี

แต่ถ้าเราไม่ได้ให้ข้อมูลเกี่ยวกับ Traffic, Conversion Rate, ราคา, Campaign หรือจำนวนลูกค้า ข้อสรุปเหล่านี้ยังเป็นเพียง Hypothesis

Prompt ที่ดีกว่าคือ

วิเคราะห์ข้อมูลที่ฉันให้ก่อน อย่าเพิ่งสรุปสาเหตุ แยก Fact, Pattern, Anomaly, Missing Information และ Hypothesis จากนั้นค่อยเสนอ Conclusion เฉพาะส่วนที่ข้อมูลรองรับ

นี่เปลี่ยน Gemini จากการเป็นเพียง “เครื่องตอบคำถาม” ให้กลายเป็น “ผู้ช่วยวิเคราะห์ข้อมูลอย่างเป็นขั้นตอน”

บทความนี้จะอธิบาย วิธีสั่ง Gemini วิเคราะห์ข้อมูลก่อนสรุปคำตอบ พร้อม Prompt Template สำหรับข้อมูลธุรกิจ การตลาด SEO Coding Report และงานวิเคราะห์ทั่วไป

ทำไมควรให้ Gemini วิเคราะห์ก่อนสรุป?

เพราะคำตอบที่เร็วไม่จำเป็นต้องเป็นคำตอบที่แม่น

งานวิเคราะห์ที่ดีควรมีขั้นตอนประมาณนี้

Data → Observation → Pattern → Hypothesis → Evidence → Conclusion → Action

แต่ถ้าเราใช้ Prompt กว้าง ๆ Gemini อาจกระโดดจาก

Data → Conclusion

ทันที

ปัญหาคือระหว่างสองจุดนี้ยังมีคำถามสำคัญ เช่น

ข้อมูลครบหรือไม่
มีข้อมูลผิดปกติหรือไม่
มีสาเหตุอื่นหรือไม่
ข้อมูลสนับสนุนข้อสรุปแค่ไหน
สิ่งที่เห็นเป็น Correlation หรือ Causation
ต้องมีข้อมูลอะไรเพิ่มก่อนตัดสินใจ

ดังนั้นการบอก Gemini ให้ “วิเคราะห์ก่อน” ช่วยลดการสรุปเร็วเกินไป

สูตรพื้นฐานในการสั่ง Gemini วิเคราะห์ก่อนตอบ

ใช้โครงสร้าง

Input + Analysis Steps + Evidence Rule + Conclusion Rule

ตัวอย่าง

จากข้อมูลด้านล่าง:

[DATA]

ทำตามลำดับ:

สรุป Facts ที่เห็นจากข้อมูล

หา Patterns และ Anomalies

ระบุ Missing Information

สร้าง Hypotheses

ระบุ Evidence ที่สนับสนุนหรือขัดแย้งแต่ละ Hypothesis

ค่อยสรุปเฉพาะสิ่งที่ข้อมูลรองรับ

ห้ามสรุป Root Cause หากยังไม่มี Evidence เพียงพอ

เพียงเท่านี้คำตอบก็มักมีโครงสร้างการวิเคราะห์ที่ดีขึ้นมาก

① ให้ Gemini สรุปข้อมูลก่อนตีความ

เริ่มจาก

สรุปสิ่งที่ข้อมูล “บอกตรง ๆ” ก่อน โดยยังไม่ตีความสาเหตุ

ตัวอย่าง

จากตารางยอดขายนี้ สรุปเฉพาะ:

ยอดขายรวม

การเปลี่ยนแปลงรายเดือน

ช่วงที่สูงสุด

ช่วงที่ต่ำสุด

ยังไม่ต้องอธิบายสาเหตุ

นี่ช่วยแยก Observation ออกจาก Interpretation

② แยก Fact กับ Interpretation

Prompt:

แบ่งคำตอบเป็น:

Facts — ข้อมูลที่ยืนยันได้โดยตรง
Interpretations — ความหมายที่อาจตีความจากข้อมูล
Unknowns — สิ่งที่ข้อมูลยังตอบไม่ได้

ตัวอย่าง

Fact

Conversion Rate ลดจาก 3% เหลือ 2%

Interpretation

หน้า Landing Page อาจมีปัญหา

สองอย่างไม่เหมือนกัน

Fact ยืนยันได้จากตัวเลข

Interpretation ยังต้องตรวจเพิ่ม

③ แยก Observation กับ Cause

Prompt:

สำหรับทุก Finding ให้ระบุว่าเป็น Observation หรือ Cause

หากเป็น Cause ต้องมี Evidence สนับสนุน หากไม่มี ให้ Label เป็น Hypothesis

ช่วยป้องกันคำตอบแบบ

“ยอดขายลดเพราะโฆษณาไม่ดี”

ทั้งที่เรารู้เพียงว่า

ยอดขายลด

④ ให้ Gemini หา Pattern

Prompt:

วิเคราะห์ข้อมูลนี้เพื่อหา Pattern เช่น Trend, Repetition, Seasonality, Relationship และ Change Point โดยยังไม่สรุปสาเหตุ

เหมาะกับ

Traffic
Sales
Campaign
Operations
Support Tickets

⑤ ให้ Gemini หา Anomaly

Anomaly คือค่าหรือเหตุการณ์ที่ผิดไปจาก Pattern ปกติ

Prompt:

หา Data Points ที่ผิดจากแนวโน้มปกติอย่างชัดเจน และอธิบายว่าทำไมจึงควรตรวจเพิ่ม โดยยังไม่สรุปว่าเป็น Error

ตัวอย่าง

ยอดขายแต่ละวันประมาณ

80,000–100,000 บาท

แต่วันหนึ่งเหลือ

15,000 บาท

ถือเป็นจุดที่ควรตรวจ

แต่ไม่ควรสรุปทันทีว่า

ระบบล่ม

จนกว่าจะมี Evidence

⑥ ให้ Gemini หา Missing Data

Prompt ที่มีประโยชน์มากคือ

ก่อน Conclusion ระบุข้อมูลที่ยังขาดและสามารถเปลี่ยนข้อสรุปได้

ตัวอย่างยอดขายลดลง อาจต้องดู

Traffic
Conversion
Average Order Value
Price
Refunds
Inventory
Campaign Changes

ถ้าไม่มีข้อมูลเหล่านี้ คำตอบควรมีข้อจำกัด

⑦ ให้ Gemini สร้าง Hypothesis แทนการเดาสาเหตุ

Prompt:

อย่าระบุ Root Cause ทันที ให้สร้าง Hypotheses ที่เป็นไปได้ก่อน

ตัวอย่าง

Hypothesis	สิ่งที่ต้องตรวจ
Traffic ลด	Sessions
Conversion ลด	Conversion Rate
AOV ลด	Average Order Value
Stock Out	Inventory
Checkout Error	Error Log

นี่ทำให้การวิเคราะห์สามารถนำไปตรวจต่อได้

⑧ เรียง Hypothesis ตาม Evidence

Prompt:

เรียง Hypothesis จาก:

มี Evidence สนับสนุนมากที่สุด

มี Evidence บางส่วน

ยังไม่มี Evidence

จะดีกว่าการเรียงตามสิ่งที่ AI “คิดว่าน่าจะเป็น”

⑨ ให้ Gemini ระบุ Evidence Against

อย่าดูแต่ข้อมูลที่สนับสนุน

Prompt:

สำหรับแต่ละ Hypothesis ให้ระบุทั้ง:

Evidence For

Evidence Against

Missing Evidence

ช่วยลด Confirmation Bias

⑩ ใช้ Competing Hypotheses

Prompt:

สร้างสาเหตุที่เป็นไปได้อย่างน้อย 3 แบบที่แข่งขันกัน แล้วบอกว่าข้อมูลอะไรจะแยกแต่ละ Hypothesis ออกจากกันได้

เหมาะกับ Troubleshooting และ Business Analysis

⑪ ให้ Gemini ระบุว่าอะไร “ยังสรุปไม่ได้”

Prompt:

สร้าง Section ชื่อ “สิ่งที่ยังสรุปไม่ได้จากข้อมูลนี้” ก่อน Final Recommendation

นี่เป็นเทคนิคง่ายแต่มีประโยชน์มาก

เพราะคำตอบที่ดีควรบอกทั้ง

สิ่งที่รู้

และ

สิ่งที่ยังไม่รู้

⑫ ใช้ Known / Unknown / Need to Verify

Prompt:

แบ่งข้อมูลเป็น:

Known
สิ่งที่ข้อมูลยืนยัน

Unknown
สิ่งที่ยังไม่มีข้อมูล

Need to Verify
สิ่งที่มีสัญญาณแต่ยังต้องตรวจ

เหมาะกับการวิเคราะห์ที่ข้อมูลไม่สมบูรณ์

⑬ ให้ Gemini ตรวจคุณภาพข้อมูล

ก่อนวิเคราะห์ ควรถามว่า Data ใช้ได้หรือไม่

Prompt:

ตรวจ Data Quality ก่อนวิเคราะห์ โดยดู:

Missing Values

Duplicate Data

Outliers

Inconsistent Units

Invalid Values

Date Range

หากพบปัญหา ให้แยกออกก่อน Conclusion

เพราะ Analysis ที่ดีบน Data ผิดก็ยังได้คำตอบผิด

⑭ ตรวจหน่วยของข้อมูล

ตัวอย่าง

บาง Row เป็น

บาท

บาง Row เป็น

ดอลลาร์

แต่ถ้าไม่ได้บอก AI อาจนำมารวมกัน

Prompt:

ตรวจ Unit และ Currency ก่อนคำนวณหรือเปรียบเทียบ หากไม่ตรงกันให้หยุดและแจ้งก่อน

⑮ ตรวจช่วงเวลา

Prompt:

ตรวจว่าข้อมูลทุกชุดอยู่ในช่วงเวลาเดียวกันหรือไม่ หากเปรียบเทียบคนละช่วงให้ระบุข้อจำกัดก่อนสรุป

เช่น

มกราคม–มีนาคม 2025

เทียบกับ

มกราคม–มิถุนายน 2026

ไม่ควรสรุปง่าย ๆ โดยไม่ Normalize

⑯ ตรวจ Baseline

คำว่า “เพิ่มขึ้น” หรือ “ลดลง” ต้องเทียบกับอะไร

Prompt:

ก่อนสรุป Trend ให้ระบุ Baseline ที่ใช้เปรียบเทียบ เช่น Previous Month, Previous Year หรือ Target

ตัวอย่าง

ยอดขายเพิ่ม 10%

แต่เพิ่มจาก

เดือนก่อน
ปีก่อน
Target

ความหมายต่างกัน

⑰ ให้ Gemini ตรวจ Calculation

Prompt:

หากมีการคำนวณ ให้แสดง Formula, Input และ Result แยกก่อนนำค่าที่ได้ไปใช้ใน Conclusion

ตัวอย่าง

Conversion Rate = Sales / Visitors × 100

ช่วยให้ตรวจเลขง่ายขึ้น

⑱ แยก Correlation กับ Causation

หนึ่งในข้อผิดพลาดสำคัญในการวิเคราะห์ข้อมูลคือ

A เกิดพร้อม B จึงสรุปว่า A ทำให้ B

Prompt:

หากพบความสัมพันธ์ระหว่างตัวแปร ให้เรียกว่า Correlation ก่อน และห้ามสรุป Causation หากไม่มีหลักฐานด้านเหตุและผล

เช่น

Traffic ลดพร้อมยอดขายลด

ไม่ได้แปลว่า Traffic เป็นสาเหตุเดียวเสมอไป

⑲ ให้ Gemini หา Alternative Explanations

Prompt:

ก่อนสรุปสาเหตุ ให้เสนอ Alternative Explanations อย่างน้อย 3 แบบที่อาจอธิบายข้อมูลเดียวกันได้

ช่วยลดการยึดติดกับคำอธิบายแรก

⑳ ใช้ Counterfactual Thinking

Prompt:

หาก Hypothesis นี้เป็นจริง เราคาดว่าจะเห็นข้อมูลอะไรเพิ่ม? และหากไม่จริง เราควรเห็นอะไร?

ตัวอย่าง

ถ้าสาเหตุคือ

Traffic ลด

เราควรเห็น

Sessions ลด

ถ้า Sessions ไม่ลด ก็ต้องมองสาเหตุอื่น

㉑ ใช้ 5 Whys อย่างระมัดระวัง

5 Whys มีประโยชน์ แต่ถ้าไม่มีข้อมูล AI อาจเดาต่อเป็นทอด ๆ

Prompt ที่ดีกว่า

ใช้ 5 Whys แต่หยุดทันทีเมื่อขั้นถัดไปไม่มี Evidence และระบุข้อมูลที่ต้องตรวจแทนการเดา

นี่สำคัญมาก

㉒ ใช้ Root Cause Tree

Prompt:

สร้าง Root Cause Tree สำหรับ [Problem] แบ่ง Possible Causes เป็นหมวด และระบุ Evidence ที่ใช้ตัดแต่ละ Branch

ตัวอย่าง

ยอดขายลด

อาจแบ่งเป็น

Acquisition

Traffic ลด

Conversion

Conversion ลด

Value

AOV ลด

Retention

Repeat Purchase ลด

Operations

Stock / Checkout / Delivery

มีระบบกว่ารายการสาเหตุแบบสุ่ม

㉓ ให้ Gemini วิเคราะห์แบบ Funnel

เหมาะมากกับธุรกิจและ Marketing

ตัวอย่าง Funnel:

Traffic → Lead → Sale → Repeat

Prompt:

วิเคราะห์ Funnel ทีละ Stage ก่อน และหาว่า Stage ไหนเปลี่ยนมากที่สุดเมื่อเทียบกับ Baseline จากนั้นค่อยสร้าง Hypotheses เฉพาะ Stage นั้น

ช่วยลดพื้นที่ค้นหาสาเหตุ

㉔ วิเคราะห์ Conversion Funnel

ตัวอย่าง

Visitors = 100,000
Leads = 5,000
Sales = 500

Prompt:

คำนวณ Conversion Rate แต่ละ Stage แล้วเปรียบเทียบกับ Period ก่อน จากนั้นระบุว่าความเปลี่ยนแปลงหลักเกิดที่ Stage ไหน

นี่ดีกว่าถามว่า

ทำไมยอดขายลด?

เพราะเริ่มจากตำแหน่งปัญหา

㉕ วิเคราะห์ Revenue ด้วยสมการง่าย ๆ

Revenue มักแยกได้เป็น

Traffic × Conversion Rate × Average Order Value

Prompt:

วิเคราะห์ว่าการเปลี่ยน Revenue อธิบายได้จาก Traffic, Conversion หรือ AOV มากที่สุด โดยใช้ข้อมูลที่ให้เท่านั้น

ช่วยวิเคราะห์เป็นส่วนประกอบ

㉖ วิเคราะห์ Growth Drivers

Prompt:

แยกการเติบโตเป็น Drivers เช่น Customer Count, Frequency, Price และ Average Basket แล้วระบุว่าตัวใดเปลี่ยนมากที่สุด

เหมาะกับธุรกิจ Retail และ Ecommerce

㉗ ให้ Gemini วิเคราะห์ Trend ก่อน Recommendation

Prompt:

อย่าเสนอ Action Plan จนกว่าจะสรุป Trend และ Problem Area จากข้อมูลก่อน

นี่ช่วยไม่ให้ Recommendation เป็น Generic

㉘ Recommendation ต้องเชื่อมกับ Finding

Prompt:

ทุก Recommendation ต้องระบุว่าแก้ Finding หรือ Hypothesis ข้อใด หากเชื่อมโยงไม่ได้ ให้ตัด Recommendation นั้นออก

ทำให้คำแนะนำมีเหตุผลมากขึ้น

㉙ ใช้ Finding → Evidence → Action

รูปแบบ Output ที่ดีคือ

Finding	Evidence	Confidence	Recommended Next Step

Prompt:

ตอบทุก Finding ใน Format นี้

ช่วยลดคำตอบแบบลอย ๆ

㉚ ใช้ Observation → Hypothesis → Test

อีกโครงสร้างหนึ่ง

Observation	Hypothesis	Test	Expected Signal

เหมาะกับงาน Diagnosis

㉛ ให้ Gemini เลือก Next Best Question

Prompt:

หลังวิเคราะห์ข้อมูลแล้ว ให้ระบุคำถามถัดไป 3 ข้อที่ถ้าได้คำตอบจะลดความไม่แน่นอนได้มากที่สุด

ช่วยให้เราเก็บข้อมูลอย่างมีเป้าหมาย

㉜ เลือก Next Best Data

Prompt:

หากสามารถขอ Data เพิ่มได้เพียง 3 อย่าง ควรขออะไรเพื่อแยก Hypotheses ที่มีอยู่ได้ดีที่สุด?

มีประโยชน์มากกับ Data Analysis ที่ข้อมูลไม่ครบ

㉝ ใช้ Information Gain

Prompt:

จัดลำดับ Data ที่ควรเก็บเพิ่มตามว่าข้อมูลใดมีโอกาสเปลี่ยน Conclusion หรือแยกสาเหตุได้มากที่สุด

นี่ช่วยลดการเก็บ Data ทุกอย่างโดยไม่จำเป็น

㉞ วิเคราะห์ Sensitivity

Prompt:

ระบุ Assumptions สำคัญใน Conclusion และวิเคราะห์ว่าถ้า Assumption เปลี่ยน Recommendation จะเปลี่ยนหรือไม่

เหมาะกับ Forecast และ Business Decision

㉟ ใช้ Scenario Analysis

Prompt:

สร้าง Conservative, Base และ Upside Scenario โดยแสดง Assumptions แยกกัน และอย่านำ Scenario ไปเขียนเหมือน Actual Data

ช่วยวิเคราะห์ความไม่แน่นอนอย่างชัดเจน

㊱ วิเคราะห์ Worst Case

Prompt:

ระบุ Worst-case Scenario ที่สมเหตุสมผลจากข้อมูลและข้อจำกัดที่ให้ พร้อม Early Warning Indicators

เหมาะกับ Risk Analysis

㊲ วิเคราะห์ Best Case อย่างระมัดระวัง

Prompt:

สร้าง Upside Scenario โดยใช้เฉพาะ Assumptions ที่ระบุชัด ห้ามสร้าง Growth Rate โดยไม่มี Basis

㊳ ใช้ Pre-Mortem

Prompt:

สมมติว่า Plan นี้ล้มเหลวในอีก 6 เดือน วิเคราะห์สาเหตุที่เป็นไปได้จากข้อมูลปัจจุบัน และ Label ทุกข้อว่าเป็น Scenario ไม่ใช่ Fact

ช่วยหา Risk ที่อาจมองข้าม

㊴ ให้ Gemini ทำ Red Team

Prompt:

ก่อน Final Recommendation ให้ท้าทายข้อสรุปของตัวเอง โดยหา Evidence หรือ Scenario ที่อาจทำให้ Recommendation นี้ผิด

นี่ช่วยลดการสรุปทางเดียว

㊵ ใช้ Devil’s Advocate อย่างมีขอบเขต

Prompt:

เสนอ Argument ที่แข็งแรงที่สุดต่อ Recommendation นี้ แล้วบอกว่าต้องมีข้อมูลอะไรจึงจะตัดสินได้ดีขึ้น

เหมาะกับ Decision Making

㊶ ให้ Gemini วิเคราะห์ Data ก่อนสร้าง Content

ถ้าเรามีข้อมูลลูกค้า

อย่าเริ่ม

เขียน Marketing Copy

ทันที

ใช้

วิเคราะห์ Customer Pain Points และ Buying Objections จากข้อมูลนี้ก่อน แล้วค่อยสร้าง Message ที่เชื่อมกับ Findings

ช่วยให้ Content มี Context จริง

㊷ วิเคราะห์ Search Data ก่อนคิด SEO Content

Prompt:

จาก Keyword/Query Data นี้ ให้จัดกลุ่ม Intent, Questions และ Problems ก่อน แล้วค่อยเสนอ Content Topics โดยห้ามสร้าง Search Volume ใหม่

ช่วยลดการคิด Topic แบบเดา

㊸ วิเคราะห์ Analytics ก่อนปรับเว็บไซต์

Prompt:

วิเคราะห์ Traffic, Engagement และ Conversion เพื่อหาหน้าที่มีปัญหาก่อน อย่าเสนอการ Redesign ทั้งเว็บไซต์ทันที

ช่วยหา Page ที่ควรแก้จริง

㊹ วิเคราะห์ Campaign ก่อนเพิ่มงบ

Prompt:

ก่อนแนะนำเพิ่ม Budget ให้ตรวจ CPA, Conversion, Revenue, Margin และ Trend เทียบกับ Baseline แล้วระบุข้อจำกัดของ Data

การเพิ่มงบโดยดูเพียง ROAS ตัวเดียวอาจไม่พอ

㊺ วิเคราะห์ Customer Feedback

Prompt:

จัด Feedback เป็น Themes, Frequency, Severity และ Evidence ก่อนสรุป Top Problems ห้ามนับข้อความเดียวซ้ำหลาย Theme โดยไม่มีเหตุผล

㊻ วิเคราะห์ Support Tickets

Prompt:

จัด Ticket ตาม Issue Category แล้วนับ Frequency จากข้อมูลจริง ก่อนเสนอ Priority แก้ปัญหา

ช่วยให้ Priority มาจาก Data

㊼ วิเคราะห์ Survey

Prompt:

แยก Quantitative Results กับ Open-text Themes และอย่าสรุปว่าความเห็นกลุ่มเล็กแทนผู้ตอบทั้งหมด

สำคัญกับ Survey Data

㊽ วิเคราะห์ Review ลูกค้า

Prompt:

สรุป Positive Themes, Negative Themes และ Repeated Complaints จาก Reviews ที่ให้เท่านั้น ห้ามสร้าง Customer Sentiment ที่ไม่มีข้อความรองรับ

㊾ วิเคราะห์ข้อมูลก่อนสร้าง Recommendation

Master rule ที่ใช้ได้กว้างคือ

No Recommendation Before Diagnosis.

ใน Prompt สามารถเขียนว่า

ห้ามเสนอ Recommendation ก่อนจบ Analysis Section และทุก Recommendation ต้องอ้าง Finding ที่เกี่ยวข้อง

㊿ Prompt อเนกประสงค์สำหรับวิเคราะห์ข้อมูลก่อนสรุป

<OBJECTIVE>
[คำถามหรือสิ่งที่ต้องการตัดสินใจ]
</OBJECTIVE>

<DATA>
[ข้อมูล]
</DATA>

ทำงานตามลำดับ:

ตรวจ Data Quality

สรุป Facts

หา Trends และ Patterns

หา Anomalies

ระบุ Missing Information

แยก Observation ออกจาก Interpretation

สร้าง Hypotheses

ระบุ Evidence For / Against แต่ละ Hypothesis

ระบุสิ่งที่ยังสรุปไม่ได้

สร้าง Conclusion เฉพาะส่วนที่ข้อมูลรองรับ

เสนอ Next Checks หรือ Actions

Constraints:

ห้ามสร้างข้อมูล

ห้ามเปลี่ยน Correlation ให้เป็น Causation

ห้ามเรียก Hypothesis ว่า Root Cause หากยังไม่มี Evidence

หากข้อมูลไม่พอ ให้ระบุ Missing Data แทนการเดา

Prompt วิเคราะห์ข้อมูลธุรกิจ

ธุรกิจ: [BUSINESS]

ปัญหา: [PROBLEM]

Data: [DATA]

ก่อน Recommendation ให้:

สรุป Facts

เปรียบเทียบกับ Baseline

ระบุ Metrics ที่เปลี่ยนมากที่สุด

สร้าง Possible Causes

ระบุ Data ที่ต้องตรวจเพิ่ม

แยก Root Cause ที่ยืนยันได้จาก Hypothesis

แล้วค่อยเสนอ Actions

Prompt วิเคราะห์ยอดขาย

ข้อมูลยอดขาย:
[DATA]

วิเคราะห์ Revenue ผ่าน:

Customer Count

Conversion

Average Order Value

Repeat Purchase

ระบุว่า Driver ใดเปลี่ยนมากที่สุด และอย่าสรุปสาเหตุที่ไม่มีข้อมูล

Prompt วิเคราะห์ Marketing Funnel

Funnel:

Visitors: [ ]
Leads: [ ]
Sales: [ ]
Revenue: [ ]

Baseline:
[ข้อมูลเดิม]

คำนวณ Conversion แต่ละ Stage แล้วหาว่าจุดใดเปลี่ยนมากที่สุด จากนั้นสร้าง Hypotheses เฉพาะ Stage นั้น พร้อม Evidence Needed

Prompt วิเคราะห์ Campaign

Campaign Data:
[DATA]

วิเคราะห์:

Spend

Reach

Clicks

CTR

Leads

Conversion

Revenue

CPA/ROAS ถ้าข้อมูลเพียงพอ

อย่าสรุปว่า Campaign ดีหรือแย่จาก Metric เดียว

Prompt วิเคราะห์ SEO

Search Data:
[DATA]

วิเคราะห์:

Impressions

CTR

Position

Queries

Landing Pages

แยกปัญหาที่อาจมาจาก Visibility, CTR หรือ Ranking ก่อนเสนอวิธีแก้

Prompt วิเคราะห์ Traffic ลด

Traffic ลดจาก [A] เป็น [B]

ก่อนสรุปสาเหตุ ให้ตรวจ:

Channel

Device

Country

Landing Page

Date Range

Tracking Changes

ระบุว่า Data ใดไม่มีและต้องตรวจเพิ่ม

Prompt วิเคราะห์ Conversion ต่ำ

Traffic ยังใกล้เคียงเดิม แต่ Conversion ลด

ช่วยสร้าง Diagnostic Tree แบ่ง:

Traffic Quality

Offer

Price

UX

Technical

Trust

ห้ามสรุปสาเหตุจนกว่าจะมี Evidence

Prompt วิเคราะห์ข้อมูลก่อนทำ SEO Article

จาก Query Data ต่อไปนี้ [DATA] ช่วยหา:

Primary Intent

Supporting Questions

Recurring Problems

Commercial Signals

จากนั้นจึงเสนอ Article Topics โดยห้ามสร้าง Query หรือ Search Volume ที่ไม่มีใน Data

Prompt วิเคราะห์ข้อมูลลูกค้าก่อนสร้าง Persona

ใช้เฉพาะ Customer Data [DATA]

สรุป:

Goals

Problems

Behaviors

Objections

Repeated Patterns

ห้ามสร้าง Age, Income หรือ Demographics ที่ไม่มีข้อมูล

Prompt วิเคราะห์ Competitor Data

จากข้อมูลคู่แข่งที่ให้:

[DATA]

เปรียบเทียบตาม Criteria เดียวกัน และหากข้อมูลส่วนใดไม่มีให้ใช้ N/A ห้ามเติมข้อมูลจากการเดา

Prompt วิเคราะห์ Report

วิเคราะห์ Report นี้โดยแยก:

Key Facts

Trends

Variances

Risks

Unknowns

Decisions Needed

อย่าเพิ่มข้อมูลนอก Report

Prompt วิเคราะห์ Spreadsheet

ก่อนสรุป Spreadsheet นี้ ให้ตรวจ:

Missing Values

Duplicate Rows

Outliers

Invalid Values

Units

จากนั้นค่อยวิเคราะห์ Trend และ Insights

Prompt วิเคราะห์ Survey

วิเคราะห์ Survey โดยแยก:

Quantitative:

Distribution

Top Responses

Qualitative:

Recurring Themes

Examples

Limitations:

Sample Size

Missing Responses

ห้ามสรุปเกินข้อมูลที่มี

Prompt วิเคราะห์ Coding Error

Environment: [ENVIRONMENT]

Error: [ERROR]

Code: [CODE]

ก่อนเสนอ Fix:

สรุป Expected vs Actual

หา First Failure Point

สร้าง Hypotheses

ระบุ Evidence ใน Stack Trace/Code

เลือก Root Cause ที่มี Evidence มากที่สุด

แล้วค่อยเสนอ Minimal Fix

Prompt วิเคราะห์ Log

อ่าน Log ตามเวลาและหา:

Last Normal Event

First Anomaly

First Error

Cascading Errors

ห้ามถือว่า Error บรรทัดสุดท้ายเป็น Root Cause โดยอัตโนมัติ

Prompt วิเคราะห์ SQL ช้า

Query: [QUERY]

Schema: [SCHEMA]

Existing Indexes: [INDEXES]

Execution Plan: [PLAN]

ก่อนเสนอ Index ให้ระบุ Bottleneck จาก Evidence เช่น Scan, Join, Sort หรือ Cardinality

Prompt วิเคราะห์ Code Performance

Performance Data: [PROFILE]

Code: [CODE]

ใช้ Profile Data เป็นหลักก่อนเสนอ Optimization ห้าม Rewrite Code ที่ไม่มี Evidence ว่าเป็น Bottleneck

Prompt วิเคราะห์ Incident

Incident Data:
[LOGS / TIMELINE]

แยก:

Impact

Timeline

First Anomaly

Confirmed Cause

Contributing Factors

Unknowns

ห้ามสร้าง Root Cause เพื่อให้ Postmortem ดูครบ

Prompt วิเคราะห์ Project Delay

Project Data:
[DATA]

วิเคราะห์:

Planned vs Actual

Critical Path

Blockers

Dependencies

Resource Constraints

อย่าสรุปว่าใครเป็นสาเหตุโดยไม่มีข้อมูล

Prompt วิเคราะห์ทีม

ใช้เฉพาะ Performance Data ที่ให้ แยก System/Process Issues ออกจาก Individual Issues และห้ามสรุปคุณภาพบุคคลจาก Metric เดียว

วิธีสั่ง Gemini “อย่าเพิ่งแนะนำ”

ประโยคง่าย ๆ ที่มีประโยชน์คือ

รอบแรกวิเคราะห์เท่านั้น ยังไม่ต้องเสนอ Solution

จากนั้นหลังเห็น Analysis แล้วค่อยถาม

จาก Analysis นี้ มี Solution ใดที่ตรง Root Problem มากที่สุด?

ช่วยป้องกันการสร้าง Solution ก่อนเข้าใจ Problem

Analysis First, Recommendation Second

สามารถล็อก Workflow ว่า

Phase 1

Analysis

Phase 2

Diagnosis

Phase 3

Recommendation

Prompt:

ห้ามข้าม Phase และห้ามเสนอ Recommendation ใน Phase 1

เหมาะกับงานที่มีข้อมูลจำนวนมาก

วิธีให้ Gemini วิเคราะห์ทีละ Layer

สำหรับข้อมูลใหญ่

ใช้

Layer 1

Summary

Layer 2

Patterns

Layer 3

Drivers

Layer 4

Root Cause

Layer 5

Action

ทำให้ไม่กระโดดข้ามขั้น

วิธีให้ Gemini สรุปหลังวิเคราะห์เสร็จ

Prompt:

Final Summary ต้องใช้เฉพาะ Findings ที่เกิดจาก Analysis ก่อนหน้า ห้ามเพิ่ม Conclusion ใหม่ใน Summary

ช่วยป้องกัน Summary มีข้อมูลที่ Analysis ไม่เคยพูด

วิธีให้ Gemini ระบุระดับความเชื่อมั่น

แทนการขอ

Confidence 95%

ใช้

ระบุ Evidence Strength เป็น Strong / Moderate / Weak พร้อมเหตุผล

เพราะตัวเลข Confidence จาก AI ไม่ได้เป็นความน่าจะเป็นที่รับรอง

Evidence Strength

ตัวอย่าง

Strong

มีข้อมูลตรงหลายจุด

Moderate

มีสัญญาณแต่ยังมีคำอธิบายอื่น

Weak

เป็นเพียง Hypothesis

Prompt:

ใช้ระดับ Evidence Strength นี้ในทุก Conclusion

วิธีให้ Geminiแสดง Limitations

Prompt:

ทุก Analysis ต้องมี Section “ข้อจำกัดของข้อมูล” ก่อน Recommendation

ช่วยให้ผู้ใช้รู้ว่าคำตอบควรเชื่อได้แค่ไหน

วิธีให้ Gemini ตรวจ Bias

Prompt:

ตรวจว่าการวิเคราะห์กำลังให้ความสำคัญกับข้อมูลที่สนับสนุนสมมติฐานแรกมากเกินไปหรือไม่ และหา Evidence ที่ขัดแย้งด้วย

เหมาะกับข้อมูลที่มีความคลุมเครือ

อย่าให้ Gemini สรุปจาก Sample เล็กเกินไป

Prompt:

หาก Sample Size น้อย ให้ระบุข้อจำกัดและหลีกเลี่ยงการ Generalize ไปยังประชากรทั้งหมด

สำคัญกับ Survey และ Customer Feedback

อย่าให้ Gemini สรุป Trend จาก 2 จุดข้อมูล

สองจุดอาจบอก

เพิ่ม

แต่ยังไม่ใช่ Trend ระยะยาว

Prompt:

แยกระหว่าง Short-term Change กับ Sustained Trend และอย่าเรียกข้อมูลไม่กี่จุดว่า Trend โดยไม่มีบริบท

อย่าให้ Gemini สรุปจาก Average อย่างเดียว

Average อาจซ่อน Distribution

Prompt:

หากข้อมูลมี Distribution ให้ดู Median, Range หรือ Segments เพิ่ม ไม่ใช้ Average เพียงตัวเดียวในการสรุป

ให้ Gemini Segment ข้อมูลก่อน

ตัวอย่างยอดรวมดูปกติ แต่ Mobile อาจลดมาก

Prompt:

วิเคราะห์ Overall ก่อน แล้ว Segment ตาม [Channel/Device/Region/Product] เพื่อดูว่าความเปลี่ยนแปลงมาจากกลุ่มใด

วิธีใช้ Drill-Down Analysis

Workflow:

Overall → Segment → Metric → Record

Prompt:

เริ่มจาก Overall Trend แล้ว Drill Down ไปยัง Segment ที่เปลี่ยนมากที่สุด ไม่ต้องวิเคราะห์ทุก Segment เท่ากัน

ช่วยประหยัดเวลา

Pareto Analysis

Prompt:

หา 20% ของ Categories ที่สร้างประมาณ 80% ของ Impact จาก Data ที่ให้ หากข้อมูลไม่รองรับ 80/20 ตรง ๆ ให้ใช้เป็นแนวทางจัดอันดับแทน

อย่าบังคับให้ต้องได้ 80/20 เป๊ะ

วิเคราะห์ Before vs After

Prompt:

เปรียบเทียบ Before และ After โดยแยก:

Metric Difference

Absolute Change

Percentage Change

Other Changes ที่เกิดพร้อมกัน

ห้ามสรุปว่าการเปลี่ยนแปลงเกิดจาก Intervention เพียงอย่างเดียวหากไม่มี Control

วิเคราะห์ A/B Test

Prompt:

วิเคราะห์ผล A/B Test โดยดู Sample Size, Conversion และ Difference ก่อน ห้ามประกาศ Winner จาก Percentage ต่างกันอย่างเดียว หากข้อมูล Statistical Confidence ไม่พอให้ระบุข้อจำกัด

วิเคราะห์ Experiment

Prompt:

แยก:

Hypothesis
Change
Metric
Result
Confounders
Conclusion
Next Test

ช่วยลดการตีความเกิน Experiment

Prompt สำหรับ Decision หลังวิเคราะห์

ใช้ Analysis ที่ได้เป็น Input ในการตัดสินใจ โดย Recommendation ต้องระบุ:

Supporting Evidence

Key Assumption

Main Risk

What Would Change the Recommendation

เป็น Decision Support ที่แข็งแรงขึ้น

What Would Change My Mind?

Prompt:

ระบุ Evidence ใหม่แบบใดที่จะทำให้คุณเปลี่ยน Conclusion ปัจจุบัน

ช่วยป้องกัน Conclusion ที่ปิดตาย

วิเคราะห์ความย้อนกลับได้ของ Decision

Prompt:

ก่อน Recommendation ให้ระบุว่าการตัดสินใจนี้ Reversible หรือ Irreversible และปรับระดับ Evidence ที่ต้องการให้เหมาะสม

Decision ที่ย้อนกลับไม่ได้ควรต้องมีหลักฐานสูงกว่า

Low-Risk Experiment Before Big Decision

Prompt:

ถ้ายังมีความไม่แน่นอน ให้เสนอ Experiment ที่เล็กและย้อนกลับได้ก่อนการตัดสินใจเต็มรูปแบบ

เหมาะกับ

Marketing
Pricing
Product
Operations

10 Prompt สั้น ๆ สำหรับบังคับให้ Gemini วิเคราะห์ก่อน

①

สรุป Facts ก่อน ยังไม่ต้องตีความ

②

แยก Observation ออกจาก Cause

③

หา Missing Data ก่อน Conclusion

④

สร้าง Hypotheses แทนการเดา Root Cause

⑤

ระบุ Evidence For และ Against

⑥

แยก Known / Unknown

⑦

อย่าสรุป Causation จาก Correlation

⑧

Recommendation ต้องเชื่อมกับ Finding

⑨

ระบุสิ่งที่ยังสรุปไม่ได้

⑩

ตรวจ Alternative Explanations ก่อน Final

5 Prompt ที่ควรจำที่สุด

ถ้าจะจำเพียง 5 ข้อ ให้ใช้

สรุป Facts ก่อน
แยก Fact กับ Hypothesis
ระบุ Missing Information
หา Evidence ก่อน Root Cause
ค่อย Recommendation หลัง Analysis

เพียงเท่านี้ช่วยปรับคุณภาพงานวิเคราะห์ได้มาก

ข้อผิดพลาดที่พบบ่อยเมื่อให้ Gemini วิเคราะห์ข้อมูล

1. ถามหาสาเหตุทันที

บังคับ AI ให้เดา

2. ไม่มี Baseline

ไม่รู้ว่า “ดีขึ้น” เทียบกับอะไร

3. Data ไม่ครบ

แต่ยังต้องการ Conclusion ชัด

4. ไม่ตรวจ Data Quality

Garbage In, Garbage Out

5. สับสน Correlation กับ Causation

เห็นพร้อมกันไม่ได้แปลว่าเหตุผลเดียวกัน

6. ใช้ Average อย่างเดียว

ซ่อน Segment

7. เชื่อ Hypothesis แรก

เกิด Confirmation Bias

8. Recommendation มาก่อน Diagnosis

ได้คำแนะนำทั่วไป

9. ไม่ระบุ Unknowns

คำตอบดูมั่นใจกว่าหลักฐาน

10. ไม่กลับไปตรวจ Source

Insight อาจมาจากข้อมูลที่ตีความผิด

Checklist ก่อนให้ Gemini วิเคราะห์

ตรวจว่า

① Objective ชัดหรือไม่
② Data ครบพอหรือไม่
③ Period ชัดหรือไม่
④ Baseline มีหรือไม่
⑤ Units ตรงกันหรือไม่
⑥ Missing Values มีหรือไม่
⑦ Segments สำคัญมีอะไร
⑧ Metrics หลักคืออะไร
⑨ ต้องการหา Trend หรือ Cause
⑩ Data รองรับ Causation หรือไม่
⑪ มี Hypothesis เดิมที่อาจทำให้ Bias หรือไม่
⑫ Missing Data ต้องระบุหรือไม่
⑬ Output Format คืออะไร
⑭ Recommendation ต้องรอ Analysis หรือไม่
⑮ ต้องตรวจ Evidence Strength หรือไม่

Checklist สำหรับคำตอบที่ดี

หลัง Gemini ตอบ ตรวจว่า

① Facts แยกชัด
② ไม่มีข้อมูลที่สร้างขึ้นเอง
③ Pattern มี Evidence
④ Anomaly มีข้อมูลรองรับ
⑤ Hypothesis ถูก Label
⑥ Missing Data ถูกระบุ
⑦ Cause ไม่ถูกสรุปเร็วเกินไป
⑧ Correlation ไม่ถูกเขียนเป็น Causation
⑨ Recommendation เชื่อมกับ Finding
⑩ Limitations ชัด
⑪ มี Next Check
⑫ Conclusion ไม่แรงเกิน Evidence

Prompt Template วิเคราะห์ข้อมูลแบบครบ

<QUESTION>
[สิ่งที่ต้องการรู้]
</QUESTION>

<DATA>
[ข้อมูล]
</DATA>

<BASELINE>
[ข้อมูลที่ใช้เปรียบเทียบ]
</BASELINE>

ทำงานตามลำดับ:

Phase 1 — Data Check

ตรวจ Missing Values

ตรวจ Units

ตรวจ Date Range

ตรวจ Outliers

ตรวจข้อมูลขัดกัน

Phase 2 — Facts

สรุปเฉพาะสิ่งที่ข้อมูลยืนยัน

Phase 3 — Analysis

Trends

Patterns

Segments

Anomalies

Phase 4 — Diagnosis

Possible Hypotheses

Evidence For

Evidence Against

Missing Evidence

Phase 5 — Conclusion

สรุปเฉพาะสิ่งที่ Evidence รองรับ

Phase 6 — Next Action

เสนอ Data หรือ Test ที่ควรทำต่อ

Constraints:

ห้ามสร้างข้อมูลใหม่

ห้ามเดา Root Cause

ห้ามสรุป Causation จาก Correlation

หากข้อมูลไม่พอ ให้ระบุ Unknowns

Prompt Template แบบสั้น

วิเคราะห์ข้อมูลนี้ก่อนสรุป โดยทำตามลำดับ:

Facts → Patterns → Anomalies → Missing Data → Hypotheses → Evidence → Conclusion → Next Action

ห้ามสรุป Root Cause หากยังไม่มี Evidence และห้ามสร้างข้อมูลที่ไม่มีใน Input

เป็น Prompt สั้นที่ใช้ได้กับงานจำนวนมาก

Master Prompt สำหรับวิเคราะห์ก่อนตอบ

ทุกครั้งที่ฉันส่งข้อมูลให้วิเคราะห์ ให้ใช้กฎต่อไปนี้:

อย่ารีบตอบ Conclusion

ตรวจ Data Quality ก่อน

แยก Fact ออกจาก Interpretation

ระบุ Missing Information

สร้าง Hypotheses เมื่อจำเป็น

ระบุ Evidence สนับสนุนและคัดค้าน

ห้ามสรุป Correlation เป็น Causation

Recommendation ต้องเชื่อมกับ Finding

ระบุข้อจำกัดของข้อมูล

หาก Evidence ยังไม่พอ ให้ตอบว่า “ยังสรุปไม่ได้”

Output:

Facts
Analysis
Hypotheses
Missing Information
Conclusion
Recommended Next Check

สูตรที่ควรจำ

ถ้าไม่ต้องการจำ Prompt ยาว ให้จำสูตร

Facts → Patterns → Hypotheses → Evidence → Conclusion → Action

หรือแบบย่อมาก

วิเคราะห์ก่อน สรุปทีหลัง

Prompt พร้อมใช้สำหรับงานทั่วไป

จากข้อมูล [DATA] ช่วยวิเคราะห์ก่อนสรุปคำตอบ โดยเริ่มจากข้อเท็จจริงที่ข้อมูลยืนยัน จากนั้นหา Pattern และ Anomaly ระบุ Missing Information และสร้าง Hypotheses ที่เป็นไปได้ พร้อม Evidence ที่สนับสนุนหรือขัดแย้งแต่ละข้อ ห้ามเรียก Hypothesis ว่า Root Cause จนกว่าจะมีหลักฐานเพียงพอ และค่อยสร้าง Recommendation หลังจากสรุป Findings แล้ว หากข้อมูลไม่พอ ให้ระบุสิ่งที่ยังไม่สามารถสรุปได้แทนการเดา

สรุป วิธีสั่ง Gemini วิเคราะห์ข้อมูลก่อนสรุปคำตอบ

หากต้องการใช้ Google Gemini กับงานวิเคราะห์ สิ่งสำคัญคืออย่าเริ่มจากคำสั่งว่า

บอกสาเหตุให้หน่อย

หรือ

สรุปว่าควรทำอะไร

ทันที

เพราะ AI อาจข้ามขั้นตอน Diagnosis และสร้างคำตอบที่ดูสมเหตุสมผลแต่ยังไม่มี Evidence รองรับ

วิธีที่ดีกว่าคือใช้ลำดับ

Data → Facts → Patterns → Missing Information → Hypotheses → Evidence → Conclusion → Action

Prompt ที่ควรเซฟไว้คือ

วิเคราะห์ข้อมูลที่ฉันให้ก่อน อย่าเพิ่งสรุปคำตอบ เริ่มจากสรุป Facts ที่ข้อมูลยืนยัน จากนั้นหา Trends, Patterns และ Anomalies แยก Observation ออกจาก Interpretation ระบุ Missing Information สร้าง Hypotheses ที่เป็นไปได้ และบอก Evidence ที่ต้องใช้สนับสนุนหรือหักล้างแต่ละข้อ ห้ามสรุป Root Cause หรือ Causation หากข้อมูลยังไม่เพียงพอ จากนั้นค่อยสร้าง Conclusion เฉพาะสิ่งที่ Evidence รองรับ และเสนอ Next Action ที่เชื่อมกับ Findings

หัวใจสำคัญคือ ทำให้ Gemini มีสิทธิ์ตอบว่า “ยังสรุปไม่ได้” เมื่อข้อมูลไม่พอ

เพราะในงานวิเคราะห์ คำตอบที่บอกว่า “ต้องตรวจข้อมูลเพิ่ม” อาจมีคุณค่ามากกว่าคำตอบที่สรุปได้เร็วแต่ผิด

เมื่อใช้ Prompt แบบ Analysis-First อย่างเป็นระบบ Gemini จะช่วยเราได้ดีขึ้นทั้งการวิเคราะห์ข้อมูลธุรกิจ การตลาด SEO Report Troubleshooting และการตัดสินใจที่ต้องอาศัยข้อมูลหลายด้าน