AnalyticHub

မနေ့က Zero to Hero အတန်းမှာ Lookup Functions တွေအကြောင်းသင်ရင်း Index Match သုံးပြီး Data Mapping လုပ်တဲ့နေရာမှာ Exact Match ပေးဖို့လိုလား သင်တန်းသားတစ်ယောက် မေးတုန်းက ကျွန်တော် ပေးစရာမလိုဘူးလို့ ဖြေမိခဲ့ပါတယ်ဗျ။

ဒါပေမယ့် ဒီနေ့ ပြန်ပြီးဆန်းစစ်ကြည့်တဲ့အချိန်မှာ အရေးကြီးတဲ့ Logic အမှားတစ်ခုကို သတိထားမိလို့ ပြန်ပြီး Audit လုပ်ပေးချင်ပါတယ်ဗျ။ အတိအကျတူတဲ့ Data တွေမှာတော့ ကိစ္စမရှိပေမယ့် အပြည့်အစုံမပါတဲ့ Data မျိုးတွေဆို Index Match နဲ့ VLOOKUP က Approximate Mode ကိုသုံးပြီး "AT" ကို ရှာတာမှာ "Amazon" ချည်း ပြန်ပေးနေသလို အဖြေမှားတွေ ထွက်နိုင်ပါတယ်ဗျ။

ဒါကြောင့် VLOOKUP နဲ့ INDEX MATCH သုံးမယ်ဆိုရင် Exact Match (Match Type 0) ကို မဖြစ်မနေ ပေးဖို့လိုပါမယ်ဗျ။

ကျွန်တော်ကတော့ Excel နဲ့ Data Mapping လုပ်တဲ့နေရာမှာ Index/VLOOKUP ထက် ပိုပြီး Smart ဖြစ်တဲ့ XLOOKUP နဲ့ပဲ သုံးဖြစ်ပါတယ်ဗျ။ သူ့ရဲ့ Default Mode က Exact Match ဖြစ်သလို ကျွန်တော်တို့ တခြား Wildcard လိုမျိုးတွေပါ သုံးလို့ရလို့ပါဗျ။

2D Dimensions တွေကို Data Mapping မှာ XLOOKUP Tutorial လေး Sharing လုပ်ပေးပါမယ်ဗျ။

ကျွန်တော်နဲ့အတူတူ Data Analysis ကို Excel သုံးပြီး Logic အခြေခံကစလို့ လက်တွေ့ကျကျ လေ့လာချင်ရင်တော့ အခု ၅ လပိုင်းမှာ ပြန်ဖွင့်မယ့် Batch 10 မှာ Join လို့ရပါပြီဗျ။

Excel ကို Data Entry သက်သက်ပဲလို့ သတ်မှတ်ထားတဲ့ခေတ် ကုန်သွားပါပြီ။

အခုနောက်ပိုင်း Business တွေက သာမန် Report ထက်စာရင် ရှေ့ကိုကြိုမြင်ရမယ့် Proactive Analytics ကို ပိုတောင်းဆိုလာကြတယ်။ ကျွန်တော်တို့ Enterprise Project တွေမှာ Revenue Leakage ရှာဖို့နဲ့ High risk client တွေကို ကြိုသိဖို့ DAX နဲ့ Cohort Matrix တွေ သုံးခဲ့သလိုမျိုး၊ အခုဆို Excel ထဲမှာတင် ဒီလို Advanced Data Pipeline တွေကို အပြည့်အဝ တည်ဆောက်လို့ ရနေပါပြီ။

Executive တွေ တကယ်လိုချင်တာက Data ကိုကြည့်ပြီး တိကျတဲ့ Business Decision ချနိုင်ဖို့ပါ။ အဲ့ဒါကြောင့် Excel ကို Tool တစ်ခုအနေနဲ့တင် မဟုတ်ဘဲ လုပ်ငန်းခွင်ပြဿနာတွေကို တကယ်ဖြေရှင်းပေးနိုင်မယ့် လက်နက်တစ်ခုလို အသုံးချချင်သူတွေအတွက် Data Analysis and Stats in Excel (Batch 10) ကို ပြန်ဖွင့်လိုက်ပါပြီဗျ။

ဒီအတန်းက Basic သက်သက် မဟုတ်ဘူးဗျ။ M Query နဲ့ Data Clean တာ၊ Power Pivot နဲ့ Star Schema modeling လုပ်တာ၊ DAX ရေးတာကနေ Regression Analysis နဲ့ Predictive Forecasting လုပ်တဲ့အထိ အစအဆုံး ပါဝင်မှာပါ။ ဒီသင်တန်းပြီးရင် Power BI နဲ့ SQL အတန်းတွေ ဆက်တက်ဖို့အတွက်လည်း Foundation အခိုင်အမာ ရသွားမှာပါဗျ။

Course Details:

သင်တန်းကာလ: 05/25/2026 မှ 06/17/2026 ထိ

သင်တန်းချိန်: Mon, Tue, Wed (မနက် ၉ နာရီတိုင်း Recording တင်ပေးမှာပါ)

သင်တန်းကြေး: 1 သိန်းကျပ်

Support: သင်တန်းပြီးရင် Individual Project တစ်ခု မဖြစ်မနေ လုပ်ရမှာဖြစ်ပြီး၊ လုပ်ပြီးသားတွေကို ကျွန်တော်ကိုယ်တိုင် တစ်ယောက်ချင်းစီ Review ပေးသွားမှာပါ။

Quality ကို သေချာထိန်းချင်တာကြောင့်ရော၊ တစ်ယောက်ချင်းစီကို Feedback သေချာပေးချင်တာကြောင့်ပါ ဒီ Batch 10 ကို အယောက် ၂၀ (20 Seats) ပဲ ကန့်သတ်ပြီး လက်ခံသွားပါမယ်ဗျ။

Payment Details:

KPay / AYAPay: 09421950274 (Aye Thazin Myint)

KBZ Bank: 33151133102058701 (AYE THAZIN MYINT)

AYA Bank: 20021609716 (AYE THAZIN MYINT)

သင်တန်းအပ်ဖို့အတွက် ငွေလွှဲပြီးရင် Comment မှာ ပေးထားတဲ့ Google Form link မှာ အချက်အလက်ဖြည့်သွင်းပေးပါဗျ။ သင်တန်းရဲ့ Course outline detail ကိုတော့ ပုံအောက်မှာ ရေးပေးထားပါတယ်။

ဒီအတန်းလေး လူပြည့်သွားပါပြီ။

​Time zone မတူတာကြောင့် Recording ကြည့်ပြီး Join မယ့်သူတွေ များနေလို့ Live တက်နိုင်မယ့်သူတွေကို လက်ခံရင်းနဲ့ အခု ၁၅ ယောက် ဖြစ်သွားပါတယ်။ တကယ်လို့ အတန်းမှန်မှန် Live တက်နိုင်တဲ့သူရှိရင်တော့ ၂ ယောက်လောက် ထပ်အပ်လို့ ရပါသေးတယ်ဗျ။

​ကျွန်တော်နဲ့အတူ လက်တွေ့ Project တွေကို လုပ်ငန်းခွင်က Junior Analyst တစ်ယောက်လို တကယ်လုပ်ရမှာပါ။ "ကိုယ်လုပ်မှ ကိုယ်ရမှာ" ဖြစ်တဲ့အတွက် Consistency ရှိရှိ စာလုပ်ဖို့တော့ လိုပါမယ်။ ကျွန်တော့်ဘက်ကလည်း အကောင်းဆုံးတွေကို မချွင်းမချန် ပေးသွားမှာဖြစ်သလို Curriculum ထဲမှာလည်း အချို့အပိုင်းတွေကို Update လုပ်ထားပါတယ်။

​တစ်ပတ် ၅ ရက်က တော်တော်လည်း အီပြီး ပင်ပန်းပေမယ့် အိပဲ့အိပဲ့နဲ့ အကြာကြီး အချိန်ဆွဲနေတာထက်စာရင် ၃ လလောက် အပြတ်အသတ် ကြိုးစားလိုက်တာက Progress ပိုမြန်စေမှာပါဗျ။ Statistics က A/B Test တွေ၊ Power BI မှာ DAX သက်သက်တင်မဟုတ်ဘဲ Business Logic တွေ၊ Stats တွေပါ Apply လုပ်ပြီး စဉ်းစားရတာမျိုးတွေက သေချာပေါက် ပင်ပန်းနိုင်ပါတယ်။ ဒါပေမဲ့ တစ်ခေါက်နဲ့ခက်ရင် Give up မလုပ်ပါနဲ့။

​ရှေ့ Batch က သင်တန်းသားတစ်ယောက်ဆိုရင် အစပိုင်းမှာ Power BI က What-if Forecasting တို့၊ Pareto တို့၊ Statistics က A/B Test တွေမှာ အတော်လေး ရုန်းကန်ခဲ့ရပါတယ်။ ဒါပေမဲ့ အားတဲ့အချိန်မှာ ထပ်ခါထပ်ခါ ပြန်လေ့ကျင့်ရင်းနဲ့ နောက်ဆုံး Session မှာ သူပြောသွားတာက "Analyst အလုပ်က ထင်သလောက် မခက်ပါလားလို့ တွေးမိလာတယ်" တဲ့။ သူတို့ဆိုရင် Full-time အလုပ်ရှိနေတဲ့ကြားက ဒီလို Level ထိ ရောက်အောင် ကြိုးစားနိုင်ခဲ့ကြတာပါ။

​အပ်ထားတဲ့သူတွေကို ၂၆ ရက်နေ့ Group ထဲ ထည့်ပေးပါမယ်။ ၂၇ ရက်နေ့မှာ အားလုံးနဲ့ တွေ့ပါမယ်ဗျ။
​

Data analysis ဆိုတာ အဖြေတွေ ပြီးပြည့်စုံဖို့သက်သက် မဟုတ်ဘဲ ကိုယ့် Data ရဲ့ အဓိပ္ပာယ်ကို အမှန်တကယ် နားလည်ဖို့က ပိုအရေးကြီးပါတယ်။

လတ်တလော Construction project တစ်ခုကို လေ့လာရင်း Data Analyst Zero to Hero မှာ ကျွန်တော် အမြဲသင်ပေးဖြစ်တဲ့ အချက်တစ်ခုကို ပြန်သတိရမိပါတယ်။

ကျွန်တော်တို့ Analyst တွေက Confirmation Bias ထောင်ချောက်ထဲ ခဏခဏ ကျတတ်ကြတယ်ဗျ။
ကိုယ်တွေ့လိုက်တဲ့ အဖြေတစ်ခုကို အမှန်လို့ အရင်ယူဆလိုက်ကြတယ်။ အဲ့ဒီနောက် ဒါကိုပဲ သက်သေပြနိုင်အောင် Data ကို အတင်း ဖိပြီး လုပ်ယူတတ်ကြတယ်ဗျ။

Company project တွေမှာ Stakeholder တွေက မြန်မြန်ဆန်ဆန် အဖြေလိုချင်ကြတော့ အချိန်ယူပြီး Data ရဲ့ သဘောသဘာဝကို အဆုံးထိ တူးဆွဖို့ အခွင့်အရေး သိပ်မရတတ်ဘူးဗျ။ အဲ့ဒီမှာတင် လွဲချော်မှုတွေ စတော့တာပဲ။
ဥပမာ MASE လို Metric တွေ ရလဒ်မကောင်းရင် ဒီ Data က အသုံးမဝင်ဘူးလို့ ထင်တတ်ကြတယ်။တကယ်တော့ ရလဒ်မကောင်းတဲ့ အရာတွေထဲမှာ ဘာလို့မကောင်းရတာလဲ ဆိုတဲ့ အဖိုးတန် Insight တွေ အများကြီး ရှိနေတတ်ပါတယ်ဗျ။

Proactive Analytics ကို တကယ် အကောင်အထည်ဖော်ချင်ရင် ကိုယ့်ရဲ့ Bias တွေကို အရင် ဖယ်ထားဖို့ လိုပါတယ်။Data ကို ကိုယ်ဖြစ်ချင်တဲ့ ပုံစံအတိုင်း အတင်းမသွင်းပါနဲ့။Data က ပြောပြနေတဲ့ အမှန်တရားကိုပဲ အရှိကိုအရှိအတိုင်း မြင်အောင် ကြည့်ကြပါလို့ တိုက်တွန်းချင်ပါတယ်။

​

ဒီလအတွင်း လုပ်ဖြစ်ခဲ့တာလေးတွေ တွေးမိရင်း ကျေးဇူးတင်စကား ပြောချင်လို့ပါဗျ။

AnalyticHub ရဲ့ family members တွေ၊ သင်တန်းသားတွေ၊ client တွေနဲ့ content တွေကို အမြဲ share ပေးကြတဲ့ အားလုံးအတွက် ရေးဖြစ်တဲ့ post ပါ။

AnalyticHub ကို စလုပ်တုန်းက သင်တန်းဖွင့်ပြီး ပိုက်ဆံရှာဖို့ ရည်ရွယ်ချက် မရှိခဲ့ဘူးဗျ။

ကျွန်တော်ကိုယ်တိုင် data analytics group တွေက sharing တွေကြောင့် အလုပ်ရခဲ့တာပါ။

ဒါကြောင့် ခုမှစလေ့လာမယ့်သူတွေကို အကုန်မချွင်းမချန် sharing လုပ်မယ်ဆိုတဲ့ စိတ်နဲ့ စတင်ခဲ့တာဖြစ်ပါတယ်ဗျ။

နောက်ပိုင်း NGO organization တစ်ခုက သင်ဖို့ကမ်းလှမ်းတာရော၊ တခြားသူတွေ တိုက်တွန်းတာကြောင့်ပါ သင်တန်းစဖွင့်ဖြစ်ခဲ့တယ်။

ကျွန်တော်ကိုယ်တိုင် ကုမ္ပဏီမှာ အလုပ်စဝင်တဲ့အချိန် မသိတာတွေ၊ မလေ့လာဖူးတာတွေ အများကြီး ကြုံခဲ့ရတယ်ဗျ။

ကျွန်တော့် သင်တန်းသားတွေကို လုပ်ငန်းခွင်မှာ ဒီလိုမျိုး အခက်အခဲတွေ ထပ်မကြုံစေချင်တော့ပါဘူး။

ဒါကြောင့် လက်တွေ့ project base နဲ့ အကောင်းဆုံး သင်ပေးမယ်ဆိုပြီး ဆုံးဖြတ်ခဲ့တယ်ဗျ။

တကယ်တမ်း ပြည့်ပြည့်စုံစုံ သင်ပေးနိုင်ဖို့ဆိုတာ ကိုယ်လုပ်နေတဲ့ ကုမ္ပဏီတစ်ခုတည်း မဟုတ်ဘဲ industry အမျိုးမျိုးကို ထိတွေ့ဖူးမှ ရမှာပါ။

ဒါကြောင့် tech giant company တွေက experience ၅ နှစ်ကျော်ရှိတဲ့ director တွေလို key stakeholder တွေနဲ့ analyst တွေကို consult လုပ်ရင်း လိုအပ်တာတွေ လေ့လာခဲ့ရတယ်ဗျ။

ကျွန်တော်တို့လို self study သမားတွေက uni ကလူတွေလို စည်းစနစ် မကျပါဘူး။

ဒါကြောင့် uni က master သမားတွေကို guide လုပ်ပေးရင်း ကျွန်တော့်ရဲ့ လိုအပ်တဲ့ data skill တွေကိုပါ ပြန်ဖြည့်ခဲ့ရတယ်။

အရင်က 9 to 5 အလုပ်နဲ့ဆို တစ်ပတ်ကို နာရီ ၉၀ ကျော်လောက် အလုပ်လုပ်ခဲ့ရတယ်ဗျ။

ပင်ပန်းပေမယ့် ကျွန်တော့် သင်တန်းသားတွေ လုပ်ငန်းခွင်မှာ အခက်အခဲဖြစ်ရင် သူတို့အတွက် အဖြေအမြဲ ရှိနေချင်လို့ပါ။

တောင်တန်းတွေနဲ့ ရာသီဥတု မပူမအေး နေလို့ကောင်းတဲ့ နေရာလေးမှာ အမြဲတမ်း နေချင်ခဲ့တာပါ။

ဒီလို ကြိုးစားခဲ့ရတဲ့ ရလဒ်တွေကြောင့် အခုဆို ကျွန်တော် တကယ်နေချင်တဲ့ နေရာကနေ အလုပ်လုပ်ခွင့် ရနေပြီဗျ။

ဒီလထဲမှာတင် ကွယ်လွန်သွားတဲ့ အမေနဲ့ အဘိုးအဘွားတွေအတွက် အလှူလုပ်ပေးနိုင်ခဲ့တယ်။

ကျွန်တော့်ကို စောင့်ရှောက်ခဲ့တဲ့ မွေးစားအမေနဲ့ အဘိုးကို ခရီးသွားဖို့ စီစဉ်ပေးနိုင်ခဲ့သလို၊ သားသမီးကိုပဲ အမြဲဦးစားပေးတဲ့ အဖေ့အတွက်လည်း လိုချင်တဲ့ ဖုန်းလေး ဝယ်ပေးနိုင်ခဲ့တယ်ဗျ။

ဘယ်အရာမှ မမြဲတဲ့ လောကကြီးမှာ အချိန်မရွေး သေသွားနိုင်တဲ့အတွက် ကိုယ်ချစ်ရတဲ့ သူတွေအပေါ် အမြဲတမ်း အကောင်းဆုံးတွေပဲ ပေးသွားချင်ပါတယ်။

ဒီလိုတွေ လုပ်နိုင်ခဲ့တာဟာ AnalyticHub ကို ယုံကြည်ပေးတဲ့ တစ်ယောက်ချင်းစီတိုင်းကြောင့်ပါဗျ။

ကျွန်တော် financial freedom ရပြီး အိပ်မက်တွေ တကယ်ဖြစ်လာသလိုမျိုး အားလုံးကိုလည်း ရစေချင်တယ်။

Tutorial video တွေမှာပဲဖြစ်ဖြစ်၊ follower တွေ၊ client တွေနဲ့ student တွေအတွက်ပဲဖြစ်ဖြစ် ဒီထက်ပိုကောင်းတဲ့ အရာတွေ ပေးနိုင်အောင် အမြဲတမ်း ကျွန်တော့်ရဲ့ အကောင်းဆုံးကို ကြိုးစားသွားပါမယ်ဗျ။

​

Tutorial Hell ထဲ ပိတ်မိနေတဲ့ Self study Analyst တွေအတွက် သင်္ကြန်ပိတ်ရက် အကြံပေးချင်ပါတယ်။

ပြဿနာက ကျွန်တော်တို့ လေ့လာစရာတွေများပြီး အရာအားလုံးကို အကုန်သိချင်နေကြတာပဲ။

လေ့လာတဲ့နေရာမှာလည်း Pareto 80 20 Rule ကို သေချာပေါက် သုံးဖို့ လိုပါတယ်။
၂၀ ရာခိုင်နှုန်းသော Core Skill တွေက ၈၀ ရာခိုင်နှုန်းသော အလုပ်အခွင့်အလမ်းတွေကို ယူဆောင်လာပေးမှာပါ။

Tool အသစ်တွေချည်း ဆက်တိုက် လိုက်လေ့လာနေမယ့်အစား Market က တကယ်လိုချင်တဲ့ Pathway အတိုင်း သွားသင့်ပါတယ်။

ဒီ Pathwayက ကုမ္ပဏီတွေကို Consultation လုပ်ပေးရင်း တွေ့ရတဲ့ Executive Business Problem တွေ၊ Uni Assignment Guide တွေနဲ့ Market Analysis ကို ပေါင်းစပ်ပြီး ဆွဲထုတ်ထားတဲ့ လမ်းကြောင်း ဖြစ်ပါတယ်။

Self study လုပ်နေရင် ဒီ 4 Phase အတိုင်း စနစ်တကျ သွားကြည့်ပါ။

Phase 1: Excel Proactive Analytics and Statistics ကို အရင်ပိုင်အောင်လုပ်ပါ။ Regression Model တွေသုံးပြီး Prediction တွေ တွက်ချက်နိုင်တဲ့အထိ လေ့လာပါ။

Phase 2: Power BI Deep Diveကို ဆက်သွားပါ။ Star Schema နဲ့ Data Modeling လုပ်ပြီး Dynamic What If Scenarios တွေ တည်ဆောက်နိုင်တဲ့အထိ DAX ကို သေချာလေ့လာသင့်တယ်။

Phase 3: Advanced SQL and Database Engineering ကို ကူးပါ။ Retail business တွေရဲ့ hidden margin opportunities တွေ ရှာဖွေဖို့ Complex Analysis တွေ ကိုယ်တိုင် လုပ်ကြည့်ပါ။

Phase 4: Databricks Pipeline and Portfolio ကို တည်ဆောက်ပါ။ Big Data cleaning pipeline တွေ run ပြီး Clean ဖြစ်သွားတဲ့ data ကို Power BI နဲ့ ချိတ်ပြီး Executive Dashboard တစ်ခုကို အစအဆုံး ကိုယ်တိုင် ဆွဲကြည့်ပါဗျ။

ဒီ Pathway အတိုင်းသွားရင် လမ်းမပျောက်တော့ဘူး။
အခု လက်ရှိ သိထားတဲ့ Data Skill တွေကို ဒီ Pathway နဲ့ တိုက်စစ်ပြီး လက်တွေ့ အသုံးချနိုင်ပြီလား ဆိုတာကို အရင်ဆုံး ပြန် Evaluate လုပ်ကြည့်ဖို့ တိုက်တွန်းချင်ပါတယ်ဗျ။

Basic SQL လောက်သိရုံနဲ့ Chart လှလှလေးတွေ ဆွဲပြရုံနဲ့ Data Analyst လုပ်လို့ရတဲ့ ခေတ် မဟုတ်တော့ပါဘူး။

လုပ်ငန်းခွင်မှာ တကယ် Stand out ဖြစ်ချင်ရင် Intermediate level အထိ သွားနိုင်မယ့် Solid foundation တစ်ခု ရှိဖို့ လိုပါတယ်ဗျ။ ပြီးခဲ့တဲ့ သောကြာနေ့ကမှ ပြီးသွားတဲ့ Data Analyst Zero to Hero သင်တန်းသားရဲ့ Review က သက်သေပါပဲ။
ဒီ Course plan က သာမန် သီအိုရီတွေ သင်နေတာ မဟုတ်ပါဘူး။ လက်ရှိ ကျွန်တော်ကိုယ်တိုင် Consult လုပ်ပေးနေရတဲ့ FMCG နဲ့ Retail ဘက်က Analyst တွေရဲ့ လုပ်ငန်းစဉ်တွေကို အခြေခံပြီး ဆွဲထားတာပါ။ ဒါကြောင့် Local တင်မကဘဲ Thailand, Singapore, UK, Malaysia, Laos, Dubai, Australia, US စတဲ့ Market တွေကိုပါ Confident ရှိရှိ ဝင်တိုးနိုင်ဖို့ ရည်ရွယ်ထားတာပါ။

အတန်းထဲမှာဆိုရင် Power BI မှာ Pareto နဲ့ What If analysis တွေ ကိုယ်တိုင်ရေးနိုင်သွားပါတယ်။ SQL မှာ CTEs နဲ့ Window functions တွေ သုံးပြီး Retention နဲ့ Segmentation analysis တွေ လုပ်နိုင်သွားတယ်ဗျ။ ဒါ့အပြင် Databricks နဲ့ Shopee e commerce dataset ကိုသုံးပြီး Advanced business case တွေအထိ ဖြေရှင်းနိုင်သွားပါတယ်။ Genie AI agent တွေကိုပါ လုပ်ငန်းခွင်မှာ သုံးတတ်သွားတာပါ။

ဒီလို Beginner ကနေ Intermediate အဆင့်ထိ ရောက်ဖို့ တစ်ပတ် ၅ ရက် ညတိုင်း အတန်းတက်ရလို့ တော်တော်လေးတော့ ပင်ပန်းပါတယ်ဗျ။ ကျွန်တော့်ဘက်က Real world experience တွေကို 100% ချပြပေးထားသလို သင်တန်းသားဘက်ကလည်း Continuous practice လုပ်ပြီး အပင်ပန်းခံနိုင်မှ ရမှာပါ။

တကယ် Analyst ဖြစ်ချင်တယ် ကိုယ့်ဘက်ကလည်း ကြိုးစားနိုင်တယ်ဆိုရင်တော့ ဒီအတန်းကို Join လို့ရပါတယ်။ စာရင်းပေးပြီး မအပ်ဖြစ်တဲ့သူ ရှိလို့ Regular class အတွက် 2 နေရာစာ ရပါဦးမယ်ဗျ။ One on One တက်ချင်တဲ့သူတွေအတွက် 1 ယောက် လက်ခံပေးလို့ ရပါ‌သေးတယ်။

ဘာလို့ Data တွေက Dashboard ပေါ်မှာပဲ လှနေပြီး Decision Table ပေါ်ကို မရောက်ရတာလဲ?

​မနေ့က Data Analysis in Excel Recording တန်းက Sales Analysis project တစ်ခုကို review လုပ်ပေးရင်း ဒီပြဿနာကို ထပ်တွေ့ရတယ်ဗျ။

​သင်တန်းသားတွေက Tool ex*****on ပိုင်းမှာ အရမ်းကြိုးစားကြသလို ကျွမ်းလည်း ကျွမ်းကျင်ကြတယ်။ ဒါပေမယ့် Business Strategy ဘက်ကို ကူးတဲ့ Phase မှာ အခက်အခဲ ဖြစ်နေကြတုန်းပဲဗျ။ ဒါက သူတို့ညံ့လို့ မဟုတ်ဘဲ ပွင့်ပွင့်လင်းလင်းပြောရရင် Experience ၅ နှစ်လောက်ရှိတဲ့ Senior တွေတောင် Descriptive Analytics အဆင့်မှာပဲ ရပ်နေတာကို ကျွန်တော် Consult လုပ်ရင်း ခဏခဏ တွေ့ရတတ်ပါတယ်။ ဒါက ကျွန်တော်တို့ Data Industry တစ်ခုလုံးမှာ ဖြစ်နေတဲ့ Gap ကြီးမို့ ကျွန်တော်ကိုယ်တိုင်လည်း အမြဲ Level up ဖြစ်အောင် ကြိုးစားနေရတဲ့ အပိုင်းပါဗျ။

​Executive Business Problem တွေကို ဖြေရှင်းနိုင်တဲ့ Proactive Analytics လုပ်နိုင်ဖို့ ကျွန်တော် အမြဲသုံးတဲ့ Framework ၃ ခုကို sharing လုပ်ပေးချင်ပါတယ်။

​၁။ Identify the Business Question

Analysis မစခင် ကိုယ်လုပ်မယ့် Analysis က ဘယ် Executive Problem ကို ဖြေရှင်းပေးမှာလဲ အရင် ချရေးပါ။ ဥပမာ Daily sales trend ကို ကြည့်တယ်ဆိုပါစို့။ "ဒီ Trend ကို ကြည့်ပြီး Stakeholder တွေ ဘာ Action ဆက်ယူလို့ရမှာလဲ" ဆိုတာ ရည်ရွယ်ချက် မရှိရင် အဲဒီ Analysis ကို အစကတည်းက ပိတ်ပစ်ရပါမယ်။

​၂။ The So What Rule (Find the Vital Few)

Root cause မတွေ့မချင်း Data ကို Angle ပေါင်းစုံကနေ အဆုံးထိ လိုက်ကြည့်ရပါမယ်။ ဒါပေမယ့် Stakeholder ကို Present လုပ်တဲ့အခါ အဲဒီ Multiple perspectives တွေ အကုန်လျှောက်ပြနေလို့ မရဘဲ Action ချက်ချင်းယူလို့ရမယ့် Vital Few insights အနည်းစုကိုပဲ စစ်ထုတ်ပြီး တင်ပြရပါမယ်။

​၃။ Stakeholder Role Play

Chart တစ်ခု ဆွဲပြီးတာနဲ့ "ငါသာ Stakeholder ဆိုရင် ဒီ Data ကို ကြည့်ပြီး ဆုံးဖြတ်ချက် ချက်ချင်း ချလို့ရမလား" လို့ ကိုယ့်ကိုယ်ကိုယ် Challenge လုပ်ကြည့်ပါ။ ဥပမာ ရောင်းအား အနည်းဆုံး Branch ၅ ခုကိုပဲ ရွေးပြတော့မယ်ဆိုပါစို့။ တကယ်လို့ အဲဒီ Branch တွေရဲ့ Individual contribution တွေက တစ်ခုနဲ့တစ်ခု သိပ်မကွာနေဘူးဆိုရင် အဲဒီထဲကမှ ၅ ခုကိုပဲ ကွက်ပြနေတာက Insightful မဖြစ်တဲ့အပြင် Stakeholder ကိုတောင် အမြင်မှားစေနိုင်ပါတယ်။ အဲဒီအစား Pareto 80 20 rule လိုမျိုး သုံးပြီး business impact အမှန်တကယ် အများဆုံးရှိနေတဲ့ factor တွေကိုပဲ အရင်ရှာရပါမယ်။

​Data Terminology တွေ သိရုံ Formula ရေးတတ်ရုံနဲ့ မလုံလောက်တော့ဘူးဗျ။ တကယ့် Proactive Analyst တစ်ယောက် ဖြစ်ဖို့ဆိုရင် အခုလို Strategic Mindset မျိုး အမြဲ လေ့ကျင့်ထားဖို့ လိုအပ်ပါတယ်ဗျ။

​