เว็บไซต์คืออะไร?

https://www.facebook.com/749388141599539/

May the Analyst, Bangkok (2026)

18/06/2026

Prescriptive Analytics: "ဒါဆို... ငါတို့ ဘာဆက်လုပ်သင့်သလဲ?"

ပြီးခဲ့တဲ့ပို့စ်တွေမှာ...

- လုပ်ငန်းထဲမှာ ဘာတွေဖြစ်ခဲ့လဲဆိုတာကို ရှာဖွေတဲ့ Descriptive Analytics
- ဘာကြောင့် ဖြစ်ရတာလဲဆိုတာကို အဖြေထုတ်တဲ့ Diagnostic Analytics
- နောင်အနာဂတ်မှာ ဘာတွေ ထပ်ဖြစ်လာနိုင်မလဲ ကြိုတင်ခန့်မှန်းတဲ့ Predictive Analytics

တွေကို ပြောခဲ့ပြီးပြီမလို့ … အခုတစ်ခါမှာတော့ '4 Pillars of Data Analytics' ထဲမှာ အရေးအကြီးဆုံးနဲ့ နောက်ဆုံးအဆင့်ဖြစ်တဲ့ Prescriptive Analytics အကြောင်းကို ဆက်ပြောပြချင်ပါတယ်။

အနာဂတ်မှာ ဘာဖြစ်လာနိုင်မလဲဆိုတာကို သိပြီးတဲ့နောက်မှာ "အကောင်းဆုံးရလဒ် ထွက်လာဖို့အတွက် ငါတို့ ဘာဆက်လုပ်သင့်သလဲ?" (What should we do next?) ဆိုတဲ့ မေးခွန်းကို အဖြေထုတ်ပေးတာပါ။ သူက Machine Learning Algorithms တွေကို သုံးပြီး ဒေတာပေါ်အခြေခံတဲ့ အကောင်းဆုံး ဆုံးဖြတ်ချက်တွေ (Data-informed Decision Making) ချနိုင်အောင် လမ်းညွှန်ပြသပေးတဲ့ အဆင့်ဖြစ်ပါတယ်။

နေ့စဉ်ကြုံတွေ့နေရတဲ့ ဥပမာတွေ အနေနဲ့…

• Google Maps: ကားမောင်းနေရင်း လမ်းပိတ်သွားတဲ့အခါ ပိုမြန်မယ့် လမ်းကြောင်းအသစ်ကို Real-time ပြန်တွက်ချက်ပြီး ညွှန်ပြပေးတာမျိုး
• Credit Card / Banking: အသုံးပြုသူရဲ့ ပုံမှန်မဟုတ်တဲ့ ငွေကြေးသုံးစွဲမှု Pattern ကို မြင်တာနဲ့ တစ်ပြိုင်နက် လိမ်လည်မှုမခံရအောင် ကဒ်ကို ချက်ချင်း Lock ချပစ်တဲ့ Fraud Detection စနစ်မျိုး
• Product Development: နောက်ထပ် ထုတ်လုပ်မယ့် ပစ္စည်းအသစ်တွေမှာ ဝယ်ယူသူတွေ တကယ်လိုအပ်မယ့် Features တွေကို ဒေတာတွေအရ ကြိုတင်တွက်ချက် စဉ်းစားပေးတာမျိုး

စတာတွေဟာ Prescriptive Analytics သဘောတရားတွေပါ။

ဒီအဆင့်မြင့် လမ်းညွှန်ချက်တွေ ထွက်လာဖို့အတွက် နောက်ကွယ်မှာ လုပ်ဆောင်ရတဲ့ အဆင့်တွေဟာ များပြားရှုပ်ထွေးပါတယ်။

1. Graph Analysis: အချက်အလက် အမြောက်အမြားထဲက Data Points တွေရဲ့ ဆက်စပ်မှု (Connection) နဲ့ ပုံစံ (Pattern) တွေကို ရှာဖွေလေ့လာခြင်း
2. Simulation: "အကယ်၍ ဒီလိုလုပ်လိုက်ရင် ဘာဖြစ်မလဲ?" ဆိုတဲ့ ဖြစ်နိုင်ချေတွေ အများကြီးကို ကွန်ပျူတာစနစ်နဲ့ ကြိုတင်တွက်ချက် စမ်းသပ်ကြည့်ခြင်း
3. Optimization Modeling: အချိန်၊ ဘတ်ဂျက်၊ လူအင်အား စတဲ့ ကန့်သတ်ချက်တွေ (Constraints) ပေါ်မူတည်ပြီး ရှိသမျှထဲမှာ "အကောင်းဆုံးအဖြေ" ကို ရှာဖွေဖော်ထုတ်ခြင်း
4. Machine Learning & AI: အချိန်နဲ့အမျှ အသစ်ဝင်လာတဲ့ ဒေတာတွေကို အဆက်မပြတ် လေ့လာသင်ယူပြီး ပိုမိုတိကျ ကောင်းမွန်တဲ့ အကြံပြုချက် (Recommendations) တွေ ထုတ်ပေးခြင်း

Algorithms တွေနဲ့ AI ဟာ နားလည်ရခက်တာမို့ Google Maps ဥပမာနဲ့ ပြန်ကြည့်ရအောင်။ သူက နှစ်ပေါင်းများစွာ စုဆောင်းထားတဲ့ ယာဉ်ကြောပိတ်ဆို့မှု ဒေတာ (Historical Traffic Behavior) တွေကို လေ့လာထားတဲ့အပြင်၊ အခု လမ်းပေါ်မှာ တကယ်မောင်းနေတဲ့ အသုံးပြုသူတွေဆီက ရတဲ့ လည်ပတ်မှုအခြေအနေ (Real-time Location Data) တွေကိုလည်း စက္ကန့်မလပ် ရယူနေတာပါ။ ဒါတင်မကသေးဘဲ အစိုးရဌာနတွေက ထုတ်ပြန်တဲ့ လမ်းပိတ်ဆို့မှု သတင်းအချက်အလက်တွေနဲ့ အသုံးပြုသူတွေ ကိုယ်တိုင် လမ်းပေါ်ကနေ တိုက်ရိုက် Report လုပ်တဲ့ အချက်အလက် (User Report Issues) တွေကိုပါ အဆက်မပြတ် ပေါင်းစပ်တွက်ချက်ပြီးမှ သင့်အတွက် အမြန်ဆုံးလမ်းကို ညွှန်ပြပေးနိုင်တာ ဖြစ်ပါတယ်။

⚠️ Prescriptive Analytics ဟာ လုပ်ငန်းတွေအတွက် အလွန်အသုံးဝင်ပြီး ထိရောက်မှုရှိတာ မှန်ပေမယ့် လုပ်ငန်းအမျိုးအစားတိုင်းအတွက် လက်တွေ့အသုံးချဖို့တော့ အများကြီး မလွယ်ကူလှသေးပါဘူး။ ဘာကြောင့်လဲဆိုတော့ -

• အချိန်ကိုက် တိကျတဲ့ High-quality Data တွေ အမြဲလိုအပ်ခြင်း၊
• ရှုပ်ထွေးလှတဲ့ AI Infrastructure (နည်းပညာအဆောက်အအုံ) တည်ဆောက်ရခြင်း၊
• ဒီ AI စနစ်တွေ ဘယ်လိုအလုပ်လုပ်သလဲဆိုတာကို နားလည်ပြီး ကောင်းမွန်စွာ စီမံခန့်ခွဲနိုင်မယ့် ကျွမ်းကျင်လူသားအရင်းအမြစ် (Expertise) အမြောက်အမြား လိုအပ်ခြင်းတို့ကြောင့် ဖြစ်ပါတယ်။

26/05/2026

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)။

17/05/2026

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။

14/05/2026

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။

07/05/2026

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။

05/05/2026

ဒီကနေ့ Data Analysis လုပ်ရာမှာ Data -> Remove Duplicates ကို သုံးပြီး manual cleanup တွေနဲ့ အချိန်တွေ အများကြီး ကုန်နေတုန်းပဲလား။
အဲဒါဆိုရင်တော့ မဖြစ်မနေသိထားသင့်တဲ့ dynamic array function တခုဖြစ်တဲ့ UNIQUE function အကြောင်း ပြောပြချင်ပါတယ်။

ဥပမာ... online shop တခုအတွက် ဒီလမှာ sales transactions ပေါင်း များစွာရှိတဲ့ထဲက ဘယ်မြို့တွေက အဝယ်တွေ ရှိသလဲလို့ သိချင်တယ်ဆိုပါစို့။ အဲဒါဆိုရင် ဒီ UNIQUE function လေးကို သုံးပြီး အလွယ်တကူကြည့်လို့ရပါပြီ။

Syntax:
=UNIQUE(array, [by_col], [exactly_once])
array မှာ ကိုယ် filter လုပ်ချင်တဲ့ range ကို ရွေးပေးရပါမယ်။

[by_col] မှာ ကတော့ row or column ဘယ် range အတွက် ရှာချင်တာလဲဆိုတာ အတွက်ပါ။

[exactly_once] argument ကတော့ UNIQUE function ရဲ့ hidden power လို့တောင် ပြောလို့ရပါတယ်။ ပုံမှန် FALSE ကို ရွေးထားတဲ့ အခါမှာ ထပ်နေတဲ့ values တွေကို ဖယ်ပြီး တကြိမ်ပဲ return ပြန်မှာ ဆိုပေမယ့် TRUE ကို ရွေးထားတဲ့ အခါမှာတော့ source range ထဲမှာ တကြိမ်ပဲ ပါဝင်တဲ့ values ကို return ပြန်ပေးမှာပါ။

အပေါ်က ဥပမာနဲ့ ပြန်ပြောရမယ်ဆိုရင် တကြိမ်ပဲ မှာတဲ့မြို့ကို သိချင်တဲ့အခါမျိုးမှာ သုံးရပါတယ်။

Power Combo အနေနဲ့ UNIQUE ကိုမှ SORT function နဲ့ တွဲသုံးမယ်ဆိုရင်တော့ organized list ကို ရလာမှာဖြစ်လို့ ပိုပြီးတောင် အဆင်ပြေမှာပါ။

example video လေးမှာ အပေါ်က ပေးထားတဲ့ ဥပမာလေးကို လုပ်ပြထားပါတယ်။ video ထဲမှာကတော့ table နဲ့ သုံးပြထားပေမယ့် ပုံမှန် range (row/ column) နဲ့လည်း သုံးလို့ ရပါတယ်။

14/01/2026

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။

May the Analyst

18/06/2026

26/05/2026

17/05/2026

14/05/2026

07/05/2026

05/05/2026

14/01/2026

ที่อยู่

เว็บไซต์

แจ้งเตือน

ทางลัด

แชร์

ประเภท

คำขอนำรายการออก