Power BI
Power Query
DAX
Excel
Python
Claude

สายการบินควรแก้ปัญหาไหนก่อน

ทวีต 14,640 ข้อความที่ลูกค้าส่งถึง 6 สายการบินสหรัฐเมื่อ ก.พ. 2015 ฉันทำความสะอาดข้อมูล ติดหมวดให้ทุกทวีตด้วย AI ที่ทดสอบกับคำตอบของฉันเอง แล้วทำรายงาน Power BI ที่จัดลำดับว่าควรแก้อะไรก่อน

ดาวน์โหลดรายงาน Power BI (.pbix) Executive brief (PDF) ไฟล์ทั้งหมด ↓

หน้า Insight ในรายงาน Power BI: scatter chart ของหมวดปัญหา 9 หมวดตามจำนวนทวีตและสัดส่วนทวีตเชิงลบ คู่กับข้อค้นพบ 3 ข้อและสิ่งที่ควรทำ 4 ข้อ — หน้า Insight ของรายงาน แต่ละวงคือหนึ่งหมวด วงที่อยู่ขวาบนคือเกิดบ่อยและเป็นลบมาก จึงควรแก้ก่อน

14,375ทวีตเสียงลูกค้าที่วิเคราะห์
91.7%หมวดจาก AI ตรงกับคำตอบของฉัน (κ 0.90)
21 จาก 21ยอดรายสายการบิน × sentiment ที่ตรงกับไฟล์ดิบ
2 ใน 3ของทวีตเชิงลบเป็นเรื่องบริการหรือดีเลย์

Case study

คำถาม: ทีมดูแลลูกค้าของสายการบินควรแก้ปัญหาไหนก่อน และสายการบินไหนมีปัญหาต้องแก้มากที่สุด
ข้อมูล: Twitter US Airline Sentiment (Kaggle, CC BY-NC-SA 4.0) ทวีต 14,640 ข้อความถึง 6 สายการบินสหรัฐ ช่วง 16–24 ก.พ. 2015 พร้อม sentiment ที่คนเป็นผู้ติดป้าย และยอดผู้โดยสารจากสำนักงานสถิติการขนส่งของสหรัฐ (BTS)
วิธีทำ: ตรวจและทำความสะอาดข้อมูลด้วย Power Query ติดหมวดให้ทุกทวีตจาก 9 หมวด สร้าง star schema และ measure ด้วย DAX ตรวจทุกตัวเลขกับไฟล์ดิบ แล้วตอบคำถามธุรกิจ 7 ข้อ
สิ่งที่พบ: เรื่องบริการกับดีเลย์รวมกันเป็นสองในสามของทวีตเชิงลบ ทุกสายการบินมีเสียงลบมากกว่าบวก และเสียงลบพุ่งตอนเที่ยวบินมีปัญหา
ข้อเสนอแนะ: ตอบลูกค้าให้เร็วขึ้นช่วงที่เที่ยวบินมีปัญหา แจ้งสถานะดีเลย์ก่อนลูกค้าถาม แล้วแก้จุดอ่อนเฉพาะของแต่ละสาย

โจทย์

ทีม Customer Experience ของสายการบินอยากรู้ว่าลูกค้าพูดถึงแบรนด์ตัวเองและคู่แข่งบน Twitter อย่างไร ปัญหาไหนควรแก้ก่อน และเสียงบ่นพุ่งช่วงไหน ฉันทำรายงานให้ผู้อ่าน 2 กลุ่ม คือผู้บริหารที่ต้องการหน้าเดียวจบ และหัวหน้าทีมที่ต้องการเห็นทวีตจริงเบื้องหลังตัวเลขแต่ละตัว

ก่อนแตะข้อมูล ฉันเขียนคำถามธุรกิจ 7 ข้อ ตัวชี้วัดที่ใช้ตอบ และสมมติฐาน 3 ข้อว่าคาดว่าจะเจออะไร พร้อมเกณฑ์ว่าแบบไหนถือว่าข้อมูลสนับสนุน ข้อสรุปจึงมาจากข้อมูล ไม่ใช่เลือกเรื่องเล่าทีหลัง

ฉันทำอย่างไร

1ตรวจข้อมูลก่อนแก้

ฉันตรวจทุกคอลัมน์และบันทึกปัญหา 13 ข้อ พร้อมจำนวนแถวที่แต่ละข้อกระทบ ข้อที่ใหญ่ที่สุดคือ ทวีตที่ติดป้าย Delta 2,218 จาก 2,222 ข้อความส่งถึง JetBlue ป้ายนี้จึงหมายถึง JetBlue จริง ๆ นอกจากนั้นมี tweet ID ซ้ำ 155 รายการ วันที่ 16 และ 24 ก.พ. มีข้อมูลไม่เต็มวัน และมีบางบัญชีเป็นบอตข่าว ไม่ใช่ลูกค้า

ตารางการแก้ไข 5 ข้อ แสดงค่าก่อนและหลังแก้ เช่น ป้าย Delta กลายเป็น JetBlue และคำว่า Cancelled Flightled กลายเป็น cancelled — ตัวอย่างการแก้ไข 5 ข้อ ก่อนและหลัง

2ทำความสะอาดแบบที่ใครก็ทำซ้ำได้

การแก้ทุกข้อเป็นขั้นตอนใน Power Query ที่ตั้งชื่อตามปัญหาที่แก้ และไม่แก้ไฟล์ดิบเลย ทุกแถวมีที่มาที่ไป: 14,640 แถว หักที่ซ้ำ 155 เหลือ 14,485 ทวีต เพิ่ม 361 แถวสำหรับสายการบินอื่นที่ทวีตพูดถึง ส่วน 110 ทวีตที่ไม่ใช่เสียงลูกค้ายังอยู่ในข้อมูลแต่ไม่ถูกนับ

3ติดหมวดให้ทุกทวีต

ข้อมูลมีเหตุผลเฉพาะทวีตที่บ่น ฉันจึงเขียน codebook 9 หมวด แปลงเหตุผลที่คนระบุไว้เป็นหมวด แล้วให้ AI ติดหมวดส่วนที่เหลือ เมื่อเทียบกับ 363 ทวีตที่ฉันติดหมวดเอง AI ตรงกับฉันแค่ 49% ฉันจึงเขียนขอบเขตของแต่ละหมวดใหม่ และเมื่อวัดกับชุดใหม่ 362 ทวีต ความตรงกันขึ้นเป็น 91.7%

Codebook	ทวีตที่ฉันติดหมวดเอง	AI ตรงกับฉัน	Cohen's kappa
ฉบับที่ 1	363	49.0%	0.29
ฉบับที่ 2	362	91.7%	0.90

4เทียบสายการบินอย่างยุติธรรม

สายการบินใหญ่ได้ทวีตมากกว่าเพราะขนคนมากกว่า ฉันจึงประมาณยอดผู้โดยสารของแต่ละสายในช่วง 7 วันเต็มเดียวกันจากข้อมูลของรัฐบาลสหรัฐ แล้วเทียบเป็นทวีตเชิงลบต่อผู้โดยสาร 1 ล้านคน

5สร้างโมเดลและรายงาน

โมเดลเป็น star schema มี fact table 14,846 แถว (ทวีต × สายการบิน) และ dimension ของสายการบิน วันที่ และหมวด ฉันตรวจทุก measure ใน DAX กับการนับนอก Power BI ก่อนสร้างหน้ารายงาน รายงานมี 5 หน้า คือ Home, Overview, Topic × Sentiment, Trend และ Insight และคลิกขวาที่ตัวเลขไหนก็เปิดทวีตเบื้องหลังตัวเลขนั้นได้

หน้า Topic × Sentiment: heatmap สัดส่วนของแต่ละหมวดในทวีตเชิงลบและเชิงบวกแยกตามสายการบิน และกราฟสัดส่วน sentiment ของแต่ละหมวด — หน้า Topic × Sentiment: แต่ละสายการบินถูกบ่นและถูกชมเรื่องอะไร

6ตรวจทุกอย่างก่อนเผยแพร่

ฉันไล่ยอดทุกช่องของสายการบิน × sentiment จากไฟล์ดิบจนถึงรายงาน ตรงกันครบ 21 ช่อง อ่านทวีต 941 ข้อความที่ผู้อ่านเห็นได้โดยไม่ต้องเลื่อน และแก้หมวด 102 ข้อความ ให้ AI ติดหมวดใหม่ 1,047 ทวีตที่มาจากเหตุผลซึ่งผิดบ่อย และทดสอบว่าอันดับปัญหาเปลี่ยนไหมเมื่อป้ายหมวดเปลี่ยน ปัญหา 2 อันดับแรกไม่เปลี่ยนในทุกการทดสอบ

ตารางกระทบยอดจากไฟล์ดิบถึง Power BI แยกตามสายการบินและ sentiment ส่วนต่างเป็น 0 ทุกแถว — จากไฟล์ดิบถึงรายงาน หนึ่งแถวต่อสายการบินและ sentiment ส่วนต่างเป็น 0 ทุกแถว

DAX ที่ใช้

measure 4 ตัวนี้คือหัวใจของรายงาน จัดรูปด้วย DAX Formatter

Volume

กฎเดียวว่าอะไรนับเป็นเสียงลูกค้า: แถวที่มีเหตุผลให้ตัดออก (บัญชีข่าวและบอต คำตอบของสายการบิน ทวีตที่ส่งถึง Delta) ยังอยู่ในโมเดลแต่ไม่ถูกนับ จึงไม่ต้องลบแถวใดเลย

Volume =
CALCULATE ( COUNTROWS ( Fact_Tweets ), ISBLANK ( Fact_Tweets[Exclude_Reason] ) )

Negative per 1M Passengers

เทียบสายการบินอย่างเป็นธรรม: ทวีตเชิงลบใน 7 วันเต็ม หารด้วยผู้โดยสารที่ประมาณไว้ในช่วงเดียวกัน 2 วันที่ข้อมูลไม่เต็มวันจึงไม่ทำให้ตัวเลขเพี้ยน

Negative per 1M Passengers =
DIVIDE (
    CALCULATE ( [Negative], Dim_Date[Is_Partial_Day] = FALSE () ),
    SUM ( Dim_Brand[Passengers_17_23Feb] )
) * 1000000

Topic Share

สัดส่วนของแต่ละหมวดภายใต้ตัวกรองที่เลือกอยู่ (สายการบิน, sentiment): REMOVEFILTERS บนตารางหมวดให้ตัวหาร และ + 0 ทำให้หมวดที่ไม่มีทวีตแสดงเป็น 0% แทนช่องว่าง

Topic Share =
DIVIDE ( [Volume] + 0, CALCULATE ( [Volume], REMOVEFILTERS ( Dim_Topic ) ) )

QA Primary Check

ตรวจคุณภาพข้อมูลด้วย DAX: นับทวีตที่ไม่มีแถวสายการบินหลักหนึ่งแถวพอดี หน้า QA แสดงค่า 0

QA Primary Check =
COUNTROWS (
    FILTER (
        VALUES ( Fact_Tweets[tweet_id] ),
        CALCULATE ( COUNTROWS ( Fact_Tweets ), Fact_Tweets[Is_Primary] = TRUE () ) <> 1
    )
) + 0

ฉันใช้ AI อย่างไร

AI ทำงานที่ซ้ำและใช้เวลานาน ส่วนฉันเป็นคนตัดสินใจและตรวจผลทุกชิ้น

AI (Claude) ติดหมวดทวีตที่ไม่มีหมวด โค้ดสายการบินอื่นในทวีตที่พูดถึงหลายสาย และร่างเอกสารให้ฉันอนุมัติ
ผลจาก AI ทุกชิ้นมีตัวเลขกำกับ คือความตรงกันกับป้ายที่ฉันติดเอง หรือการตรงกับการนับแยกอีกทาง
สคริปต์ Python ที่ใช้ตรวจเหล่านั้น AI เป็นคนเขียน ฉันตรวจผลลัพธ์กับ Power BI และ Excel
ฉันเป็นคนกำหนดหมวด เลือกวิธีแก้ข้อมูล ตัดสินว่าอะไรนับเป็นเสียงลูกค้า และเลือกข้อเสนอแนะ

สิ่งที่พบ

การบริการและดีเลย์คือปัญหาหลัก Customer Service กับ Delay & Cancellation รวมกันเป็นสองในสามของทวีตเชิงลบ (36.5% และ 30.3%) และเป็นสองหมวดเดียวที่ทั้งเกิดบ่อยและเป็นลบมาก (78.2% และ 84.3%)
ทุกสายการบินมีเสียงลบมากกว่าบวก Net Sentiment Score ตั้งแต่ −68.2 (US Airways) ถึง −4.6 (Virgin America) และในสายที่มีข้อมูลครบ 7 วัน US Airways ได้ทวีตเชิงลบต่อผู้โดยสารมากที่สุด (2,165.9 ต่อผู้โดยสาร 1 ล้านคน)
เสียงลบพุ่งตอนเที่ยวบินมีปัญหา วันอาทิตย์ 22 ก.พ. มีทวีตเชิงลบ 2,316 ข้อความ (73.4%) ลูกค้าบ่นว่าติดต่อแล้วไม่มีใครตอบ ดีเลย์โดยไม่มีอัปเดต และไม่เชื่อเหตุผลเรื่องสภาพอากาศ

หน้า Overview: ทวีตเชิงลบต่อผู้โดยสาร 1 ล้านคนแยกตามสายการบิน US Airways สูงสุด และ Net Sentiment Score ติดลบทั้ง 6 สาย — หน้า Overview หมายเหตุด้านล่างอธิบายว่าทำไม American เทียบกับสายอื่นตรง ๆ ไม่ได้

สมมติฐาน 3 ข้อที่เขียนไว้ก่อนวิเคราะห์:

สิ่งที่คาดไว้	ผล
ปัญหาที่ถูกบ่นมากที่สุดคือดีเลย์หรือกระเป๋า	ไม่สนับสนุน: เรื่องบริการมาก่อน (36.5% กับ 30.3%)
สายการบินต้นทุนต่ำกับสายการบินใหญ่ถูกบ่นเรื่องเดียวกัน	สนับสนุน: 3 อันดับแรกเหมือนกันและเรียงเหมือนกัน
เรื่องที่ถูกชมมากที่สุดคือบริการหรือความสะดวกบนเครื่อง	สนับสนุนแบบเฉียดฉิว: Customer Service นำคำขอบคุณทั่วไปแค่ 3 ทวีต

ข้อเสนอแนะ

ตอบลูกค้าให้เร็วขึ้นช่วงที่เที่ยวบินดีเลย์หรือยกเลิก
แจ้งสถานะดีเลย์และยกเลิกก่อนลูกค้าถาม พร้อมสาเหตุและเวลาอัปเดตครั้งถัดไป
แก้จุดอ่อนเฉพาะสาย: United เรื่องกระเป๋า (13.3% ของทวีตเชิงลบ) · Virgin America ขั้นตอนจองและคืนเงิน (18.1%) · US Airways ขั้นตอนที่สนามบิน (เป็นลบ 86.3%)
รักษาจุดแข็ง In-flight Experience หมวดที่มีสัดส่วนทวีตเชิงบวกสูงสุด (37.3%)

ข้อจำกัด

ข้อมูล 9 วันของเดือน ก.พ. 2015 และไม่รู้วิธีเก็บทวีต จึงอ่านผลเป็นรูปแบบ ไม่ใช่ภาพทั้งปี
ทวีตถึง American มีเกือบทั้งหมดแค่ 22–24 ก.พ. จึงเทียบ American กับสายอื่นตรง ๆ ไม่ได้
หมวดราวครึ่งหนึ่งมาจาก AI เมื่อทดสอบแล้วปัญหา 2 อันดับแรกไม่เปลี่ยน แต่อันดับ 3 เปลี่ยนได้
ยอดผู้โดยสารเป็นค่าประมาณ และไม่รวมเที่ยวบินของสายการบินพันธมิตร

ไฟล์

รายงาน Power BI (.pbix, 2.9 MB)
Executive brief: อังกฤษ · ไทย (PDF)
เอกสารประกอบ (Excel: Issue log, Data dictionary, Decision log และอื่น ๆ) · Codebook หมวด (Excel)
ไฟล์ต้นทางสำหรับ Refresh (zip, 1.3 MB)
README วิธีเปิดและ Refresh