รายงานวิเคราะห์ข้อมูล ThaiEDA

สร้างโดย ThaiEDA v2.0.0 · 730 จำนวนแถว × 3 จำนวนคอลัมน์
วิธีอ่านรายงานนี้: เริ่มจากบทสรุปด้านบน แล้วดูสิ่งที่ควรทำก่อน แล้วค่อยเจาะรายละเอียดแต่ละคอลัมน์
ประเภทข้อมูลที่ตรวจพบ
ข้อมูลอนุกรมเวลา
ข้อมูลนี้มีแกนเวลาและตัวเลขวัดผล เหมาะกับการดูแนวโน้ม ฤดูกาล และจุดกระโดด
ภาษาข้อมูลที่ตรวจพบ ไม่มีข้อความ (ตัวเลข/วันที่ล้วน)
ผลกระทบต่อการวิเคราะห์: ไม่พบข้อความชัดเจน เน้นวิเคราะห์ตัวเลข/วันที่และข้าม Thai-specific checks
ควรดูอะไรเป็นพิเศษ
  • ดู trend และ seasonality ก่อน forecasting
  • ตรวจช่วงเวลาที่ข้อมูลขาดหรือความถี่ไม่สม่ำเสมอ
  • หา spike/drop ที่อาจเป็นเหตุการณ์สำคัญหรือ data issue

2. สำคัญที่สุด

1
🟡 เตือน ยอดขายรายวัน
ยอดขายรายวัน 20.0% มีค่าผิดปกติ — ควรตรวจก่อนนำไป forecast คำนวณยอดรวม หรือวัด performance
Isolation Forest flagged 146 outlier(s) (most anomalous score -0.247; lower = more anomalous).
ผลกระทบ 20.0%
2
🟡 เตือน ยอดขายรายวัน
ยอดขายรายวัน 2.3% มีค่าผิดปกติ — ควรตรวจก่อนนำไป forecast คำนวณยอดรวม หรือวัด performance
Local Outlier Factor flagged 17 outlier(s) (most anomalous factor -3.255; more negative = more anomalous).
ผลกระทบ 2.33%
3
🔵 ข้อมูล ยอดขายรายวัน
พบแนวโน้มเพิ่มขึ้นตาม 'วันที่' — พิจารณาวางแผน/พยากรณ์โดยคำนึงถึงทิศทางนี้
4
🔵 ข้อมูล ยอดขายรายวัน
ความแตกต่างระหว่างกลุ่มมีนัยสำคัญ — พิจารณาแยกวิเคราะห์ 'ยอดขายรายวัน' ตาม 'วันที่' หรือใช้เป็นฟีเจอร์ในการสร้างโมเดล
บทสรุปผู้บริหาร
ข้อมูลใช้ต่อได้ แต่ควรตรวจจุดที่เตือนก่อนวิเคราะห์เชิงลึก
ชุดข้อมูลมี 730 แถว × 3 คอลัมน์ พบความผิดปกติ 2 จุดใน 1 คอลัมน์ วิเคราะห์อนุกรมเวลา 2 คอลัมน์ (มีแนวโน้ม 1, มี seasonality 1) ข้อมูลใช้งานได้ แต่ควรตรวจสอบจุดที่เตือนก่อนวิเคราะห์เชิงลึก
  • มีข้อมูล 730 แถว × 3 คอลัมน์
  • ค่าว่าง 0.00% ของข้อมูลทั้งหมด
  • แถวซ้ำ 0 แถว (0.00%)
  • พบข้อค้นพบที่ควรดู 10 เรื่อง
  • มี insight เชิงธุรกิจ 3 เรื่อง

สิ่งที่ควรทำก่อน

1
🟡 เตือน พบค่าผิดปกติจากโมเดล (Isolation Forest)
คอลัมน์ 'ยอดขายรายวัน': Isolation Forest พบค่าผิดปกติ 146 ค่า (คะแนนผิดปกติสุด -0.247; ยิ่งต่ำยิ่งผิดปกติ) (146 รายการ, 20.0%)
แล้วไงต่อ? ค่าผิดปกติแบบ ML ใช้เสริมวิธีเชิงสถิติ — ควรตรวจสอบจุดที่ถูก flag ประกอบกัน
2
🟡 เตือน พบค่าผิดปกติเชิงความหนาแน่น (LOF)
คอลัมน์ 'ยอดขายรายวัน': Local Outlier Factor พบค่าผิดปกติ 17 ค่า (ค่าผิดปกติสุด -3.255; ยิ่งติดลบมากยิ่งผิดปกติ) (17 รายการ, 2.3%)
แล้วไงต่อ? LOF จับค่าผิดปกติเชิงความหนาแน่นเฉพาะถิ่น — มีประโยชน์เมื่อสถิติรวมมองไม่เห็น
3
🟡 เตือน พบค่าผิดปกติเฉพาะช่วง (spike)
คอลัมน์ 'ยอดขายรายวัน' มีค่าผิดปกติเฉพาะช่วง 10 จุด (spike/level shift จาก residual)
แล้วไงต่อ? ตรวจสอบเหตุการณ์ในช่วงเวลาดังกล่าวของ 'ยอดขายรายวัน' ว่าผิดปกติจริงหรือเป็นข้อมูลพิเศษ
4
🟡 เตือน พบค่าผิดปกติเฉพาะช่วง (spike)
คอลัมน์ 'จำนวนออเดอร์' มีค่าผิดปกติเฉพาะช่วง 22 จุด (spike/level shift จาก residual)
แล้วไงต่อ? ตรวจสอบเหตุการณ์ในช่วงเวลาดังกล่าวของ 'จำนวนออเดอร์' ว่าผิดปกติจริงหรือเป็นข้อมูลพิเศษ
5
🔵 ข้อมูล ค่าเฉลี่ย 'ยอดขายรายวัน' เพิ่มขึ้นตาม 'วันที่'
ค่าเฉลี่ย 'ยอดขายรายวัน' เพิ่มขึ้นอย่างมีนัยสำคัญตาม 'วันที่' (รายเดือน) (τ=0.99, จาก 1,120.0 เป็น 4,954.1)
แล้วไงต่อ? พบแนวโน้มเพิ่มขึ้นตาม 'วันที่' — พิจารณาวางแผน/พยากรณ์โดยคำนึงถึงทิศทางนี้

ภาพรวม

จำนวนแถว
730
จำนวนคอลัมน์
3
เซลล์ทั้งหมด
2,190
เซลล์ที่ว่าง
0 (0.0%)
แถวซ้ำ
0

ประเภทคอลัมน์

ตัวเลข 2วันที่/เวลา 1

คอลัมน์ที่ควรระวัง

🟡 เตือน ยอดขายรายวัน
  • Isolation Forest พบค่าผิดปกติ 146 ค่า (คะแนนผิดปกติสุด -0.247; ยิ่งต่ำยิ่งผิดปกติ)
  • Local Outlier Factor พบค่าผิดปกติ 17 ค่า (ค่าผิดปกติสุด -3.255; ยิ่งติดลบมากยิ่งผิดปกติ)

การกระจายและสหสัมพันธ์

แผนภาพการกระจายแบบเมทริกซ์
scatter matrix
กราฟนี้บอกอะไรเรา: ใช้ดู pattern ระหว่างตัวเลข เช่น เส้นตรง กลุ่มย่อย หรือ outlier
แผนภาพกล่อง
box plot
กราฟนี้บอกอะไรเรา: จุดที่หลุดจากกล่องคือค่าที่ควรตรวจว่าเป็น outlier จริงหรือไม่
แผนภาพไวโอลิน
violin plot
กราฟนี้บอกอะไรเรา: ดูรูปทรงการกระจายว่าเบ้ มีหลายกลุ่ม หรือกระจุกตัวตรงไหน

ข้อมูลที่ขาดหาย

✓ ไม่มีข้อมูลที่ขาดหาย

ข้อค้นพบสำคัญ 4 เตือน 6 ข้อมูล

🟡 เตือน ความผิดปกติ พบค่าผิดปกติจากโมเดล (Isolation Forest)
คอลัมน์ 'ยอดขายรายวัน': Isolation Forest พบค่าผิดปกติ 146 ค่า (คะแนนผิดปกติสุด -0.247; ยิ่งต่ำยิ่งผิดปกติ) (146 รายการ, 20.0%)
แล้วไงต่อ? ค่าผิดปกติแบบ ML ใช้เสริมวิธีเชิงสถิติ — ควรตรวจสอบจุดที่ถูก flag ประกอบกัน
🟡 เตือน ความผิดปกติ พบค่าผิดปกติเชิงความหนาแน่น (LOF)
คอลัมน์ 'ยอดขายรายวัน': Local Outlier Factor พบค่าผิดปกติ 17 ค่า (ค่าผิดปกติสุด -3.255; ยิ่งติดลบมากยิ่งผิดปกติ) (17 รายการ, 2.3%)
แล้วไงต่อ? LOF จับค่าผิดปกติเชิงความหนาแน่นเฉพาะถิ่น — มีประโยชน์เมื่อสถิติรวมมองไม่เห็น
🟡 เตือน อนุกรมเวลา พบค่าผิดปกติเฉพาะช่วง (spike)
คอลัมน์ 'ยอดขายรายวัน' มีค่าผิดปกติเฉพาะช่วง 10 จุด (spike/level shift จาก residual)
แล้วไงต่อ? ตรวจสอบเหตุการณ์ในช่วงเวลาดังกล่าวของ 'ยอดขายรายวัน' ว่าผิดปกติจริงหรือเป็นข้อมูลพิเศษ
🟡 เตือน อนุกรมเวลา พบค่าผิดปกติเฉพาะช่วง (spike)
คอลัมน์ 'จำนวนออเดอร์' มีค่าผิดปกติเฉพาะช่วง 22 จุด (spike/level shift จาก residual)
แล้วไงต่อ? ตรวจสอบเหตุการณ์ในช่วงเวลาดังกล่าวของ 'จำนวนออเดอร์' ว่าผิดปกติจริงหรือเป็นข้อมูลพิเศษ
🔵 ข้อมูล อนุกรมเวลา พบแนวโน้มเพิ่มขึ้นตามเวลา
คอลัมน์ 'ยอดขายรายวัน' มีแนวโน้มเพิ่มขึ้นอย่างต่อเนื่องตามเวลา
แล้วไงต่อ? พิจารณาถอดแนวโน้ม (detrend) ของ 'ยอดขายรายวัน' ก่อนวิเคราะห์ความสัมพันธ์/พยากรณ์
🔵 ข้อมูล อนุกรมเวลา พบรูปแบบตามฤดูกาล (seasonality)
คอลัมน์ 'ยอดขายรายวัน' มีรูปแบบซ้ำเป็นรอบ 7 จุด (รายวัน)
แล้วไงต่อ? ใช้โมเดลที่รองรับ seasonality (เช่น SARIMA/STL) ในการพยากรณ์ 'ยอดขายรายวัน'
🔵 ข้อมูล อนุกรมเวลา ไม่พบแนวโน้มหรือ seasonality
คอลัมน์ 'จำนวนออเดอร์' ไม่มีแนวโน้มหรือรูปแบบตามฤดูกาลชัดเจน — อาจเป็น random walk/ข้อมูลนิ่ง
แล้วไงต่อ? การพยากรณ์ 'จำนวนออเดอร์' อาจใช้วิธีพื้นฐาน (naive/mean) เป็นฐานเปรียบเทียบ
🔵 ข้อมูล เชิงธุรกิจ ค่าเฉลี่ย 'ยอดขายรายวัน' เพิ่มขึ้นตาม 'วันที่'
ค่าเฉลี่ย 'ยอดขายรายวัน' เพิ่มขึ้นอย่างมีนัยสำคัญตาม 'วันที่' (รายเดือน) (τ=0.99, จาก 1,120.0 เป็น 4,954.1)
แล้วไงต่อ? พบแนวโน้มเพิ่มขึ้นตาม 'วันที่' — พิจารณาวางแผน/พยากรณ์โดยคำนึงถึงทิศทางนี้
🔵 ข้อมูล เชิงธุรกิจ ผลรวม 'ยอดขายรายวัน' เพิ่มขึ้นตาม 'วันที่'
ผลรวม 'ยอดขายรายวัน' เพิ่มขึ้นอย่างมีนัยสำคัญตาม 'วันที่' (รายเดือน) (τ=0.96, จาก 34,720.4 เป็น 148,624.1)
แล้วไงต่อ? พบแนวโน้มเพิ่มขึ้นตาม 'วันที่' — พิจารณาวางแผน/พยากรณ์โดยคำนึงถึงทิศทางนี้
🔵 ข้อมูล เชิงธุรกิจ กลุ่ม '2025-12' ต่างจากกลุ่มอื่นอย่างมีนัยสำคัญใน 'ยอดขายรายวัน' (ตาม 'วันที่')
กลุ่ม '2025-12' มีค่าเฉลี่ย 'ยอดขายรายวัน' 70% สูงกว่ากลุ่มอื่น (เฉลี่ย 4,954.1 เทียบกับ 2,913.3, p=0.000)
แล้วไงต่อ? ความแตกต่างระหว่างกลุ่มมีนัยสำคัญ — พิจารณาแยกวิเคราะห์ 'ยอดขายรายวัน' ตาม 'วันที่' หรือใช้เป็นฟีเจอร์ในการสร้างโมเดล

ข้อค้นพบจากการวิเคราะห์คอลัมน์ผสม (3)

แนวโน้ม ค่าเฉลี่ย 'ยอดขายรายวัน' เพิ่มขึ้นตาม 'วันที่' จัดกลุ่มตาม: วันที่ · ตัววัด: ยอดขายรายวัน · mean
ค่าเฉลี่ย 'ยอดขายรายวัน' เพิ่มขึ้นอย่างมีนัยสำคัญตาม 'วันที่' (รายเดือน) (τ=0.99, จาก 1,120.0 เป็น 4,954.1)
กราฟนี้บอกอะไรเรา
insight chart
τ=0.986 · ค่า p=0.0 · 2024-01 → 2025-12 (1,120.01 → 4,954.14)
แล้วไงต่อ? พบแนวโน้มเพิ่มขึ้นตาม 'วันที่' — พิจารณาวางแผน/พยากรณ์โดยคำนึงถึงทิศทางนี้
แนวโน้ม ผลรวม 'ยอดขายรายวัน' เพิ่มขึ้นตาม 'วันที่' จัดกลุ่มตาม: วันที่ · ตัววัด: ยอดขายรายวัน · sum
ผลรวม 'ยอดขายรายวัน' เพิ่มขึ้นอย่างมีนัยสำคัญตาม 'วันที่' (รายเดือน) (τ=0.96, จาก 34,720.4 เป็น 148,624.1)
กราฟนี้บอกอะไรเรา
insight chart
τ=0.964 · ค่า p=0.0 · 2024-01 → 2025-12 (34,720.45 → 148,624.1)
แล้วไงต่อ? พบแนวโน้มเพิ่มขึ้นตาม 'วันที่' — พิจารณาวางแผน/พยากรณ์โดยคำนึงถึงทิศทางนี้
เปรียบเทียบกลุ่ม กลุ่ม '2025-12' ต่างจากกลุ่มอื่นอย่างมีนัยสำคัญใน 'ยอดขายรายวัน' (ตาม 'วันที่') จัดกลุ่มตาม: วันที่ · ตัววัด: ยอดขายรายวัน · mean
กลุ่ม '2025-12' มีค่าเฉลี่ย 'ยอดขายรายวัน' 70% สูงกว่ากลุ่มอื่น (เฉลี่ย 4,954.1 เทียบกับ 2,913.3, p=0.000)
กราฟนี้บอกอะไรเรา
insight chart
ส่วนต่าง: 70.0% · ค่าเฉลี่ย: 4,954.14 vs 2,913.35 · ค่า p=0.0 · n=30/700
แล้วไงต่อ? ความแตกต่างระหว่างกลุ่มมีนัยสำคัญ — พิจารณาแยกวิเคราะห์ 'ยอดขายรายวัน' ตาม 'วันที่' หรือใช้เป็นฟีเจอร์ในการสร้างโมเดล

ปัญหาคุณภาพข้อมูล (0)

✓ ไม่พบปัญหาคุณภาพข้อมูล

ความผิดปกติ (2)

🟡 เตือนยอดขายรายวัน · isolation_forest เชิงสถิติ
จำนวน: 146 (20.0%)
Isolation Forest พบค่าผิดปกติ 146 ค่า (คะแนนผิดปกติสุด -0.247; ยิ่งต่ำยิ่งผิดปกติ)
6040.35 (score=-0.247)204.74 (score=-0.245)245.36 (score=-0.236)5806.15 (score=-0.231)301.12 (score=-0.222)
แล้วไงต่อ? ค่าผิดปกติแบบ ML ใช้เสริมวิธีเชิงสถิติ — ควรตรวจสอบจุดที่ถูก flag ประกอบกัน
ดูเพิ่มเติม
Isolation Forest flagged 146 outlier(s) (most anomalous score -0.247; lower = more anomalous). — ML-based outliers complement statistical methods; cross-check flagged points.
🟡 เตือนยอดขายรายวัน · local_outlier_factor เชิงสถิติ
จำนวน: 17 (2.33%)
Local Outlier Factor พบค่าผิดปกติ 17 ค่า (ค่าผิดปกติสุด -3.255; ยิ่งติดลบมากยิ่งผิดปกติ)
6040.35 (LOF=-3.255)204.74 (LOF=-2.759)245.36 (LOF=-2.632)301.12 (LOF=-2.459)5806.15 (LOF=-2.424)
แล้วไงต่อ? LOF จับค่าผิดปกติเชิงความหนาแน่นเฉพาะถิ่น — มีประโยชน์เมื่อสถิติรวมมองไม่เห็น
ดูเพิ่มเติม
Local Outlier Factor flagged 17 outlier(s) (most anomalous factor -3.255; more negative = more anomalous). — LOF finds density-based local outliers; useful when global statistics miss them.

การวิเคราะห์อนุกรมเวลา (วันที่/เวลา: วันที่)

📈 พบสัญญาณตามเวลา: 1 คอลัมน์มีแนวโน้ม · 1 คอลัมน์มีฤดูกาล
ยอดขายรายวันความถี่: รายวันแนวโน้ม: เพิ่มขึ้นฤดูกาล: รอบ 7 จุด
แนวโน้มเพิ่มขึ้นฤดูกาลรอบ 7 จุด
ช่องว่างเวลา0ค่าผิดปกติเฉพาะช่วง10
สหสัมพันธ์ในตัว (lag-1)0.8844ค่าเฉลี่ย2997.2172
แล้วไงต่อ?
• พบแนวโน้มเพิ่มขึ้น (ค่าเปลี่ยนเฉลี่ย +5.452 ต่อช่วงเวลา)
• พบรูปแบบตามฤดูกาล (seasonality) รอบ 7 จุด
• พบค่าผิดปกติเฉพาะช่วง (spike) 10 จุด
อนุกรมเวลา (พร้อมแนวโน้ม)
timeseries line
การแยกองค์ประกอบ (STL)
STL decomposition
ฟังก์ชันสหสัมพันธ์ในตัว (ACF)
ACF
จำนวนออเดอร์ความถี่: รายวัน
แนวโน้มไม่มีฤดูกาลไม่มี
ช่องว่างเวลา0ค่าผิดปกติเฉพาะช่วง22
สหสัมพันธ์ในตัว (lag-1)0.0673ค่าเฉลี่ย56.3356
แล้วไงต่อ?
• พบค่าผิดปกติเฉพาะช่วง (spike) 22 จุด
• ไม่พบแนวโน้มหรือ seasonality ชัดเจน — อาจเป็น random walk หรือข้อมูลนิ่ง
อนุกรมเวลา (พร้อมแนวโน้ม)
timeseries line
การแยกองค์ประกอบ (STL)
STL decomposition
ฟังก์ชันสหสัมพันธ์ในตัว (ACF)
ACF

คำแนะนำการทำความสะอาด (0)

✓ ไม่มีคำแนะนำการทำความสะอาด

รายละเอียดคอลัมน์

ส่วนนี้ซ่อนไว้เป็นรายคอลัมน์เพื่อลดความรก เปิดเฉพาะคอลัมน์ที่ต้องการตรวจละเอียด

วันที่วันที่/เวลา
ไม่ว่าง730
เซลล์ที่ว่าง0
ไม่ซ้ำ730
ต่ำสุด2024-01-01 00:00:00
สูงสุด2025-12-30 00:00:00
ยอดขายรายวันตัวเลขมีกราฟ
ไม่ว่าง730
เซลล์ที่ว่าง0
ไม่ซ้ำ730
ค่าเฉลี่ย2997.2172
ส่วนเบี่ยงเบนมาตรฐาน1255.3557
ต่ำสุด204.74
สูงสุด6040.35
การแจกแจง
value distribution
จำนวนออเดอร์ตัวเลขมีกราฟ
ไม่ว่าง730
เซลล์ที่ว่าง0
ไม่ซ้ำ106
ค่าเฉลี่ย56.3356
ส่วนเบี่ยงเบนมาตรฐาน27.199
ต่ำสุด3.0
สูงสุด108.0
การแจกแจง
value distribution