มาครับทุกคน! วันนี้แอดอยากให้ทุกคนจำลองเป็น Marketing Analyst ทีมน้ำพริกตัวท็อป! สมมุติว่าใกล้ปิดยอดปลายปี แล้วเราอยากมีแคมเปญปังๆ! แต่ก่อนลุย เรามา “สวมบทนักสืบ” เจาะลึกโซเชียลกันก่อน!

คอมเมนต์เพียบ ยอดกระจัดกระจาย ปัญหาลูกค้าจี้! อย่าเพิ่งงง! ภารกิจ “นักสะสางข้อมูล” เริ่มแล้ว! เราจะ “แปลงโจ๊ก” ให้เป็น “ขุมทรัพย์ Insight” นำทางแคมเปญให้ “แม่นเป๊ะ”!

อยากรู้ไหม? ตามมา “ไขรหัส” ข้อมูลโซเชียล วางแผนปิดยอดขายให้ “ปังสุดขีด!” กันเลย! 🔥🌶️🚀

สมมุติสถานการณ์ การตั้งคำถาม และตัวอย่าง Raw Data

สมมุติว่าเราเป็น “น้ำพริกเจ้าเด็ด” เป็นแบรนด์ SME ไทยที่อยากยอดขายปังขึ้น 300% ใน 6 เดือน! แล้วเราสงสัยว่า: “โพสต์แบบไหนบน Facebook ที่ทำให้ยอด Engagement พุ่ง? และลูกค้าเค้าชอบรสชาติแบบไหนกันแน่?” 🤔 3 คำถามสำคัญที่เราต้องหาคำตอบ: Objective ภารกิจของเรา

1. โพสต์แบบไหนเวิร์กสุด? โพสต์รูปยั่วๆ? คลิปทำน้ำลายไหล? หรืออินโฟกราฟิกให้ความรู้? แบบไหนกันแน่ที่จะ “กวาด” ยอดไลก์ยอดแชร์ให้ “พุ่งกระฉูด”!
2. รสชาติไหนฮิตที่สุด? เค้าชอบ “แซ่บนัว” แบบเบาๆ? หรือ “เผ็ดร้อน” จนน้ำหูน้ำตาไหล?
3. เวลาโพสต์เมื่อไหร่ดี? “นาทีทอง” ลูกค้าประจำบน Platform ของเราคือช่วงไหนกัน? เวลาไหนที่ลูกค้าเรา “ออนไลน์กันเพียบ” พร้อม “เปย์” ให้กับน้ำพริกเจ้าเด็ดของเรา!

“ข้อมูลดิบ (Raw Data)”

• เช่น Facebook Page Insights: เหมือน “เรดาร์” ส่องความเคลื่อนไหวในบ้านของเราเอง! เรารู้หมดว่าโพสต์ไหน “ปัง” โพสต์ไหน “แป้ก” ใครมากดไลก์ ใครมาแชร์ ใครมาคอมเมนต์!
• Internal Database: นี่คือ “คลังสมบัติ” ของเรา! ข้อมูลยอดขายที่บอกว่ารสชาติไหน “ขายดีเป็นเทน้ำเทท่า” และคอมเมนต์ลูกค้าที่ “ซื่อสัตย์” ชนิดที่ว่าอ่านแล้วรู้เลยว่าเค้า “อิน” กับน้ำพริกเราเบอร์ไหน!

และสมมุติว่าข้อมูลทั้งหมดนี้ถูกเก็บไว้อย่างดีในรูปแบบไฟล์ .csv สุดคลาสสิก! เหมือน “แผนที่โบราณ” ที่รอให้เรา “ถอดรหัส” เพื่อค้นหา “ขุมทรัพย์” ทางการตลาด! ระยะเวลา 1 ปีเต็ม (1 มกรา ถึง 31 ธันวา 2024) เตรียมตัว “ดำดิ่ง” สู่โลกแห่งข้อมูลดิบ แล้วมาดูกันว่าเราจะ “งัด” Insight เด็ดๆ อะไรออกมาได้บ้าง! 🔥🌶️

วิธีอัพโหลดใน Google Colab

# ตัวอย่างนี้แอดเปิดจาก Google colab ใช้ปัง! ใช้ฟรี! มี AI ช่วยแก้โค้ดให้ด้วย เย้
– ง่ายๆ เปิดแล้วหาไอคอน file/folder ด้านซ้ายแล้วกด upload ได้เลย

แต่ช้าก่อน! ภารกิจ “น้ำพริกเจ้าเด็ด” ไม่ง่ายอย่างที่คิด! ในข้อมูลดิบของเรามี “ความท้าทาย” ซ่อนอยู่! เล็กๆ น้อยๆ ด้วย! 😈

• “ข้อมูลแปลกปลอม” (Inconsistent Data)
• “ข้อมูลขาดๆ เกินๆ” (Mismatched Columns)
• “ข้อมูลหลุดโลก” (Outliers)

เอาล่ะครับทีม Data Analyst ทุกคน! นี่คือ “โจทย์” และ “สนามรบ” ของเรา! เราจะใช้ความรู้ ความสามารถ และเครื่องมือทางสถิติและการวิเคราะห์ข้อมูลทั้งหมดที่เรามี เพื่อ “ไขรหัสลับ” ตัวอย่างข้อมูลการขายของ “น้ำพริกเจ้าเด็ด” และตอบคำถามสำคัญทั้ง 3 ข้อให้ได้! เตรียมตัว “ลงสนาม” และ “โชว์ฝีมือ” กันได้เลย!

ปฏิบัติการ “ชำระล้างข้อมูล”(Data Cleaning) และ “แปลงร่างข้อมูล”(Data Transformation) ขั้นสุดยอด! 🧼

ในโลกอุตสาหกรรมที่ข้อมูลเยอะยิ่งกว่ากองเสื้อผ้าหลังสงกรานต์ ถ้าไม่ซัก (Clean) ดีๆ อาจเจอ “วายร้าย” แอบซ่อนอยู่! ทั้งข้อมูลมั่ว (Inconsistent) เหมือนคนเมาพิมพ์, ข้อมูลแหว่งๆ (Missing) เหมือนถุงเท้าหายไปข้าง, หรือข้อมูลหลุดโลก (Outliers) เหมือนใส่ชุดดำในงานแต่ง! ถ้ารีบวิเคราะห์เลย รับรอง บอสจะทรงพระกรี้วแน่นอน! 🤣

จัดการวายร้ายขั้นเด็ดขาด! 😈🛠️ ด้วย Python (Pandas & NumPy)

สามารถใช้คำสั่งในภาษา Python ร่วมกับไลบรารี Pandas และ NumPy ในการทำความสะอาดข้อมูลได้ดังนี้:

• “ข้อมูลแปลกปลอม” (Inconsistent Data) จับด้วย replace() และ Regular Expression เหมือนจับโปเกมอน! แล้วแปลงร่าง (astype(float)) ให้เป็นพวกเดียวกัน!
• “ข้อมูลขาดๆ เกินๆ” (Mismatched Columns) เล็มๆ ตัดๆ คอลัมน์ด้วย replace() ให้เข้ารูปเข้ารอย!
• “ข้อมูลหลุดโลก” (Outliers) ใช้ท่าไม้ตาย IQR Method สแกนหาตัวประหลาด แล้ว “DELETE” ทิ้ง!

มาเริ่มเคลียร์ข้อมูลกัน! (Part #1) ส่วนนี้จะเน้นการแปลงเป็น DataFrame และจัดการข้อมูลแปลกปลอม/ขาดๆ เกินๆ

import pandas as pd
import numpy as np

## cleaning ส่วนที่ 1
# 0. สร้าง DataFrame จากข้อมูล
df = pd.read_csv("/Social_media_raw.csv", on_bad_lines='warn')

# สร้างสำเนาของ DataFrame เพื่อทำการ Cleaning (ป้องกันการเปลี่ยนแปลง DataFrame เดิม)
df_cleaned = df.copy()

# 1. cleaning post_type โดยใช้ regular expression
df_cleaned['post_type'] = df_cleaned['post_type'].replace(
    r'^.*(รูป|ภาพ).*$', 'รูปภาพ', regex=True
).replace(
    r'^.*(วิดีโอ|Video).*$', 'วิดีโอ', regex=True
).replace(
    r'^.*(อินโฟ|info).*$', 'อินโฟกราฟิก', regex=True
)

# 2. cleaning spicy_level
df_cleaned['spicy_level'] = df_cleaned['spicy_level'].replace({
    'น้อย': 'น้อย',
    'Middle': 'กลาง',
    'มากมาก': 'มาก',
    'กลาง': 'กลาง',
    'มาก': 'มาก'
})

# 3. cleaning comments (แปลงเป็นตัวเลข)
df_cleaned['comments'] = df_cleaned['comments'].replace(
    r'[^0-9]', '', regex=True
).replace(
    '^$', np.nan, regex=True
).astype(float)

print("DataFrame หลังการ Cleaning เบื้องต้น:")
print(df_cleaned.head(10))

ส่องโค้ดบรรทัดเด็ด! 👀

• df = pd.read_csv("/Social_media_raw.csv", on_bad_lines='warn')
  • 👉 “เปิดไฟล์ CSV เหมือนแกะกล่องพัสดุ”
  • ถ้าเจอข้อมูลแปลกๆ (เช่น แถวขาดๆ เกินๆ) จะแค่ “เตือน” แต่ไม่หยุดรันโปรแกรม!
• df_cleaned['post_type'].replace(r'^.*(รูป|ภาพ).*$', 'รูปภาพ', regex=True)
  • 👉 “จับกลุ่มโพสต์ประเภทเดียวกันให้อยู่หมัดด้วย Regular Expression”
  • ไม่ว่าจะเขียนว่า “รูป”, “ภาพ”, หรือ “รูปสวยๆ” ก็จะถูกแปลงให้เป็น “รูปภาพ” หมด!
  • regex=True คือ “อาวุธลับ” สำหรับจัดการข้อความแบบจัดหนัก!
• df_cleaned['spicy_level'].replace({'Middle': 'กลาง', 'มากมาก': 'มาก'})
  • 👉 “ปรับระดับความเผ็ดให้เป็นมาตรฐาน”
  • “Middle” → “กลาง” (เพราะลูกค้าไทยอาจไม่คุ้นคำอังกฤษ!)
  • “มากมาก” → “มาก” (ตัดคำซ้ำให้สั้นกระชับ)
• df_cleaned['comments'].replace(r'[^0-9]', '', regex=True).astype(float)
  • 👉 “กรองเอาแต่ตัวเลขในคอมเมนต์ เหมือนร่อนทองจากทราย!”
  • [^0-9] = “ลบทุกอย่างที่ไม่ใช่ตัวเลข” (เช่น “fifty-one” → “” → NaN)
  • .astype(float) = แปลงเป็นตัวเลข เพื่อคำนวณสถิติต่อได้
• print(df_cleaned.head(10))
  • 👉 “โชว์ตัวอย่าง 10 แถวแรกแบบสวยๆ หลังทำความสะอาด”
  • เหมือน “ตัวอย่างผลงานก่อนส่งลูกค้า” ให้ดูว่าเราจัดการข้อมูลได้เนี๊ยบแค่ไหน!

มาต่อกัน! (Part #2) จัดการข้อมูลหลุดโลก (Outliers) แบบโปรด้วยเทคนิค IQR กัน! วิธีนี้จะช่วยกรองค่าผิดปกติที่ทำให้ผลวิเคราะห์เพี้ยนภายในแค่ไม่กี่บรรทัด✨

## cleaning ส่วนที่ 2
# --- ส่วนของการจัดการ Outliers (ทำหลังจาก Cleaning แล้ว) ---

# กำหนดเกณฑ์ในการระบุ Outliers (เช่น ใช้ IQR หรือ Standard Deviation)
# ใช้ IQR สำหรับ 'reach'
Q1_reach = df_cleaned['reach'].quantile(0.25)
Q3_reach = df_cleaned['reach'].quantile(0.75)
IQR_reach = Q3_reach - Q1_reach
upper_bound_reach = Q3_reach + 1.5 * IQR_reach
lower_bound_reach = Q1_reach - 1.5 * IQR_reach

df_cleaned_reach = df_cleaned[(df_cleaned['reach'] >= lower_bound_reach) & (df_cleaned['reach'] <= upper_bound_reach)]

# ใช้ IQR สำหรับ 'likes'
Q1_likes = df_cleaned_reach['likes'].quantile(0.25)
Q3_likes = df_cleaned_reach['likes'].quantile(0.75)
IQR_likes = Q3_likes - Q1_likes
upper_bound_likes = Q3_likes + 1.5 * IQR_likes
lower_bound_likes = Q1_likes - 1.5 * IQR_likes

df_final = df_cleaned_reach[(df_cleaned_reach['likes'] >= lower_bound_likes) & (df_cleaned_reach['likes'] <= upper_bound_likes)]

print("\nDataFrame หลังจัดการ Outliers:")
print(df_final.head(10))

ส่องโค้ดบรรทัดเด็ด! 👀

• Q1_reach = df_cleaned['reach'].quantile(0.25)
  • 👉 “หาจุดกึ่งกลางค่อนไปทางซ้ายของยอดการเข้าถึง เหมือนหาหัวแถวของกลุ่มคนที่เข้าถึงน้อย” เรากำลังส่องดูว่า 25% ของโพสต์ที่มียอดการเข้าถึงน้อยที่สุดนั้น มีค่าสูงสุดเท่าไหร่!
• Q3_reach = df_cleaned['reach'].quantile(0.75)
  • 👉 “หาจุดกึ่งกลางค่อนไปทางขวาของยอดการเข้าถึง เหมือนหาท้ายแถวของกลุ่มคนที่เข้าถึงเยอะ” คราวนี้เรากำลังดูว่า 25% ของโพสต์ที่มียอดการเข้าถึงมากที่สุดนั้น มีค่าต่ำสุดเท่าไหร่!
• IQR_reach = Q3_reach - Q1_reach
  • 👉 “วัดความกว้างของกลุ่มคนส่วนใหญ่ เหมือนวัดระยะห่างระหว่างหัวแถวคนน้อยกับท้ายแถวคนเยอะ”
  • IQR คือ “ระยะทาง” ระหว่างกลุ่ม 25% ล่างสุดกับกลุ่ม 25% บนสุด บอกเราว่าข้อมูลส่วนใหญ่อยู่ในช่วงไหน
• upper_bound_reach = Q3_reach + 1.5 * IQR_reach
• lower_bound_reach = Q1_reach - 1.5 * IQR_reach.
  • 👉 “ขีดเส้นแดงบน-ล่าง เหมือนสร้าง ‘เขตห้ามเข้า’ สำหรับยอดการเข้าถึงที่ ‘หลุดโลก’” เรากำลังสร้างกำแพงที่มองไม่เห็น โดยอิงจาก IQR ใครก็ตามที่ “สูง” หรือ “ต่ำ” กว่ากำแพงนี้มากเกินไป จะถูกมองว่าเป็น Outlier!
• df_cleaned_reach = df_cleaned[(df_cleaned['reach'] >= lower_bound_reach) & (df_cleaned['reach'] <= upper_bound_reach)]
  • 👉 “คัดเฉพาะคนในเขตปลอดภัย เหมือนเลือกเฉพาะโพสต์ที่ยอดการเข้าถึงอยู่ใน ‘โซนปกติ’” บรรทัดนี้คือการ “ต้อน” เอาเฉพาะโพสต์ที่มีค่า ‘reach’ อยู่ระหว่างขอบเขตที่เราสร้างไว้ ใครที่อยู่นอกเขตนี้… บายบาย!
• Q1_likes = df_cleaned_reach['likes'].quantile(0.25) Q3_likes = df_cleaned_reach['likes'].quantile(0.75) IQR_likes = Q3_likes - Q1_likes upper_bound_likes = Q3_likes + 1.5 * IQR_likes lower_bound_likes = Q1_likes - 1.5 * IQR_likes
  • 👉 “ทำซ้ำกระบวนการเดิมกับยอดไลก์ เหมือน ‘สแกน’ หาโพสต์ที่มียอดถูกใจ ‘แปลก’ อีกรอบ” เราทำทุกอย่างเหมือนที่ทำกับ ‘reach’ เลย แต่คราวนี้เราสนใจที่คอลัมน์ ‘likes’ เพื่อหา Outlier ในจำนวนถูกใจ
• df_final = df_cleaned_reach[(df_cleaned_reach['likes'] >= lower_bound_likes) & (df_cleaned_reach['likes'] <= upper_bound_likes)]
  • 👉 “คัดเฉพาะคนที่ผ่านทั้งสองด่าน เหมือนเลือกเฉพาะโพสต์ที่ทั้งยอดเข้าถึงและยอดถูกใจอยู่ใน ‘เกณฑ์ปกติ’ ทั้งคู่” ในที่สุด เราก็ได้ DataFrame df_final ที่ผ่านการ “กลั่นกรอง” มาสองชั้น ทั้งยอด ‘reach’ และยอด ‘likes’ ที่ผิดปกติถูกคัดออกไปหมดแล้ว!

ผลลัพธ์หลัง “ชำระล้าง” (ตัวอย่าง):

หลังจาก cleaning data ให้หน้าตา “เป็นรูปเป็นร่าง” มากขึ้น ทีนี้เราก็พร้อมที่จะวิเคราะห์และทำ Data Visualization เพื่อตอบคำถามให้ชัดเจน และเห็นภาพ กันแล้ว เย่!

วิเคราะห์ข้อมูล “Data Analytics“ & และ “แต่งหน้า”(Data Visualization) เพื่อให้เห็นภาพได้มากขึ้น 🕵️‍♂️

จากจุดเป้าหมาย 3 ข้อที่เราอยากจะหา โพสต์แบบไหนเวิร์กสุด? รสชาติไหนฮิตที่สุด? และ เวลาโพสต์เมื่อไหร่ดี? เราจะสามารถปรับข้อมูลและสร้างภาพเพื่อให้ผู้อ่านคนอื่นเข้าใจได้ง่ายๆ ดังนี้

1. ตามหาโพสต์แบบไหนเวิร์กสุด? ! 🥇🗓️

พิจารณาจากค่าเฉลี่ยของ reach, likes, shares, และ comments โดยใช้ grouped_by_type ในการ transformation และใช้กราฟแท่งในการแสดงค่าออกมา Group ข้อมูลตาม post_type และคำนวณค่าเฉลี่ยของ reach, likes, shares, และ comments สำหรับแต่ละประเภทโพสต์ เรียงลำดับตามค่าเฉลี่ย reach เพื่อดูว่าโพสต์ประเภทไหนมีการเข้าถึงสูงสุด สร้าง Bar Chart เพื่อแสดงผลการเปรียบเทียบ

import matplotlib.pyplot as plt

# 1. วิเคราะห์โพสต์แบบไหนเวิร์กสุด (ใช้ข้อมูลที่ทำความสะอาดแล้ว)
post_performance = df_final.groupby('post_type').agg({
    'reach': 'mean',
    'likes': 'mean', 
    'shares': 'mean',
    'comments': 'mean'
}).sort_values(by='reach', ascending=False)

# 2. สร้าง Visualization แบบเจ๋งๆ
plt.figure(figsize=(12, 7))

# สร้าง subplot 2 แถว 2 คอลัมน์
metrics = ['reach', 'likes', 'shares', 'comments']
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFA07A']

for i, metric in enumerate(metrics):
    plt.subplot(2, 2, i+1)
    post_performance[metric].sort_values().plot(
        kind='barh', 
        color=colors[i],
        alpha=0.7
    )
    plt.title(f'avg {metric} per post')
    plt.xlabel('avg')
    plt.grid(axis='x', linestyle='--', alpha=0.6)

plt.suptitle('Posting performance by type', y=1.02, fontsize=14)
plt.tight_layout()
plt.show()

# 3. คำนวณ Engagement Rate เพิ่ม
df_final['engagement_rate'] = (df_final['likes'] + df_final['shares'] + df_final['comments']) / df_final['reach'] * 100

engagement_by_type = df_final.groupby('post_type')['engagement_rate'].mean().sort_values(ascending=False)

คำอธิบายโค้ด:

• post_performance = df_final.groupby('post_type').agg({:
  • 👉 “จับกลุ่มโพสต์แต่ละประเภท แล้ววัดพลังเฉลี่ย
  • เรากำลังแบ่งโพสต์ออกเป็นกลุ่มตามประเภท (เช่น ‘รูปภาพ’, ‘วิดีโอ’, ‘ข้อความ’) แล้วคำนวณค่าเฉลี่ยของยอดการเข้าถึง (reach), ยอดถูกใจ (likes), ยอดแชร์ (shares), และยอดความคิดเห็น (comments) ของแต่ละกลุ่ม เหมือนเรากำลังดูว่าโดยเฉลี่ยแล้ว โพสต์ประเภทไหนมี “อิทธิพล” มากที่สุด โดยเรียงลำดับจากประเภทที่คนเห็นเยอะที่สุดก่อน
• plt.figure(figsize=(12, 7)):
  • 👉 “เตรียมเวทีขนาดใหญ่ เพื่อโชว์ ‘กราฟ’ สุดอลังการของเรา” เรากำลังสร้างพื้นที่สำหรับแสดงผลกราฟิกขนาด 12×7 นิ้ว ให้เพียงพอสำหรับแสดงข้อมูลของเราได้อย่างสวยงาม
• metrics = ['reach', 'likes', 'shares', 'comments'] colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFA07A']:
  • 👉 “กำหนด ‘ดาวเด่น’ ที่เราจะนำเสนอ และ ‘สีสัน’ “
  • เรากำหนดรายชื่อตัวชี้วัดที่เราสนใจ (reach, likes, shares, comments) และจับคู่สีให้แต่ละตัว เพื่อให้กราฟของเราดูน่าสนใจและแยกแยะง่าย
• for i, metric in enumerate(metrics): plt.subplot(2, 2, i+1)
  • 👉 “สร้าง ‘เวทีเล็ก’ 4 เวที เพื่อให้แต่ละ ‘ดาวเด่น’ ได้ฉายแสง”
  • เรากำลังสร้าง Subplot หรือกราฟย่อย 4 รูป ในตาราง 2×2 แต่ละกราฟจะแสดงค่าเฉลี่ยของแต่ละตัวชี้วัด (reach, likes, shares, comments) ของแต่ละประเภทโพสต์ในรูปแบบของกราฟแท่งแนวนอน (barh) ที่เรียงจากน้อยไปมาก พร้อมใส่สีสันและเส้นตารางให้ดูง่าย
• plt.suptitle('Posting performance by type', y=1.02, fontsize=14) plt.tight_layout() plt.show()
  • 👉 “เปิดไฟสปอตไลท์ และจัดวางทุกอย่างให้ลงตัว ก่อนจะ ‘โชว์’ ผลงาน”
  • เราใส่ชื่อเรื่องใหญ่ให้กับภาพรวมกราฟทั้งหมด ปรับให้เลย์เอาต์ของกราฟย่อยไม่ซ้อนทับกัน และสุดท้ายก็แสดงผลกราฟออกมาให้เราได้เห็นภาพรวมประสิทธิภาพของแต่ละประเภทโพสต์

2. แกะรอย “รสชาติไหนฮิตที่สุด?  🤝🛒

โค้ดชุดนี้จะพาเราไปสวมบทบาทเป็น “นักจับคู่” สินค้า! เราจะใช้ศาสตร์แห่ง “Market Basket Analysis” ใช้ value_counts() เพื่อนับความถี่ของแต่ละค่าในคอลัมน์ spicy_level (สมมติว่า spicy_level สื่อถึงรสชาติ) เรียงลำดับความถี่เพื่อดูว่ารสชาติไหนปรากฏมากที่สุด สร้าง Bar Chart เพื่อแสดงผลความถี่

# 2. วิเคราะห์รสชาติไหนฮิตที่สุด (ใช้ข้อมูลที่ทำความสะอาดแล้ว)
print("Analyze the popularity of food flavors")

# คำนวณ Engagement โดยเฉลี่ยของแต่ละรสชาติ
spicy_engagement = df_final.groupby('spicy_level').agg({
    'likes': 'mean',
    'shares': 'mean',
    'comments': 'mean',
    'engagement_rate': 'mean'
}).sort_values(by='engagement_rate', ascending=False)

# แสดงผลแบบสวยๆ
print(spicy_engagement.round(2).style.background_gradient(cmap='OrRd'))

# สร้าง Visualization แบบจัดเต็ม
plt.figure(figsize=(12, 6))

# กราฟแท่งแสดงจำนวนโพสต์แต่ละรสชาติ
plt.subplot(1, 2, 1)
spicy_counts = df_final['spicy_level'].value_counts()
spicy_counts.plot(kind='bar', color=['#FF9999','#FF6961','#CF2A2A'])
plt.title('Number of posts by spiciness level', pad=20)
plt.xlabel('Spicy level')
plt.ylabel('Number of posts')
plt.xticks(rotation=0)

# กราฟวงกลมแสดงสัดส่วน Engagement
plt.subplot(1, 2, 2)
engagement_by_spicy = df_final.groupby('spicy_level')['engagement_rate'].sum()
engagement_by_spicy.plot(
    kind='pie',
    autopct='%1.1f%%',
    colors=['#FF9999','#FF6961','#CF2A2A'],
    explode=(0.05, 0.05, 0.05),
    startangle=90
)
plt.title('Engagement ratio divided by spiciness level', pad=20)
plt.ylabel('')

plt.suptitle('Analyze the popularity of food flavors', y=1.05, fontsize=14)
plt.tight_layout()
plt.show()

คำอธิบายโค้ดที่น่าสนใจ:

• spicy_engagement = df_final.groupby('spicy_level').agg({…. :
  • 👉 “จับกลุ่ม ‘สายเผ็ด’ แต่ละเลเวล แล้ววัด ‘ดีกรีความฮอต’ ของพวกเขา”
  • เราแบ่งโพสต์ตามระดับความเผ็ด แล้วคำนวณค่าเฉลี่ยของ Likes, Shares, Comments และ Engagement Rate ของแต่ละกลุ่ม เหมือนเรากำลังวัดว่าโพสต์รสชาติไหนที่ทำให้คน “ว้าว” และมีส่วนร่วมมากที่สุด โดยเรียงลำดับจากรสชาติที่ “ฮอต” ที่สุดลงมา
• print(spicy_engagement.round(2).style.background_gradient(cmap='OrRd')):
  • 👉 “เสิร์ฟผลลัพธ์แบบ ‘แซ่บซี้ด’ ด้วยตารางสีที่บอกระดับความเผ็ดร้อน”
  • เราแสดงผลลัพธ์ในรูปแบบตารางที่มีการไล่เฉดสีส้มแดง (cmap=’OrRd’) ตามค่า Engagement Rate ยิ่งสีเข้ม ก็ยิ่งแสดงว่ารสชาตินั้น “ฮอต” และได้รับการมีส่วนร่วมสูง เหมือนเป็นการ “วัดระดับความเผ็ด” ของแต่ละรสชาติด้วยสายตา
• plt.figure(figsize=(12, 6))
  • 👉 “เตรียมสังเวียนกราฟิก 2 เวที เพื่อประชัน ‘ความนิยม’ ของแต่ละรสชาติ”
  • เราสร้างพื้นที่สำหรับแสดงกราฟ 2 รูปแบบ เพื่อให้เราได้เห็นภาพรวมความนิยมของแต่ละรสชาติในหลากหลายมุมมอง
• plt.subplot(1, 2, 1) spicy_counts = df_final['spicy_level'].value_counts() spicy_counts.plot(kind='bar', color=['#FF9999','#FF6961','#CF2A2A']):
  • 👉 “กราฟแท่งโชว์ ‘จำนวนผู้เข้าแข่งขัน’ แต่ละรสชาติ ใครส่งเข้าประกวดเยอะสุดต้องดู!”
  • เราสร้างกราฟแท่งเพื่อแสดงจำนวนโพสต์ในแต่ละระดับความเผ็ด ให้เราเห็นว่าเราสร้างคอนเทนต์รสชาติไหนออกมามากที่สุด เปรียบเหมือนการดูว่ามี “ผู้เข้าแข่งขัน” ในแต่ละระดับความเผ็ดมากน้อยแค่ไหน
• plt.subplot(1, 2, 2) engagement_by_spicy = df_final.groupby(‘spicy_level’)[‘engagement_rate’].sum() engagement_by_spicy.plot(…)
  • 👉 “กราฟวงกลมเผย ‘สัดส่วนคะแนนนิยม’ ใครกันที่ ‘กวาด’ หัวใจผู้ชมไปมากที่สุด!”
  • เราสร้างกราฟวงกลมเพื่อแสดงสัดส่วนของ Engagement Rate ทั้งหมดที่มาจากแต่ละระดับความเผ็ด เหมือนเป็นการดูว่ารสชาติไหนที่ได้รับ “คะแนนโหวต” จากผู้ชมมากที่สุด เรายังเพิ่มลูกเล่นให้แต่ละส่วน “กระเด็น” ออกมาเล็กน้อยเพื่อให้เห็นชัดเจน และหมุนให้เริ่มต้นที่ 90 องศาเพื่อความสวยงาม (startangle=90)
• plt.suptitle('Analyze the popularity of food flavors', y=1.05, fontsize=14) plt.tight_layout()
plt.show()
  • 👉 “ประกาศผล และจัดแสดง ‘ถ้วยรางวัล’ ในรูปแบบกราฟให้ทุกคนได้ชม!”
  • เราใส่ชื่อเรื่องใหญ่ให้กับการวิเคราะห์ของเรา ปรับให้กราฟทั้งสองอยู่ในตำแหน่งที่เหมาะสม และสุดท้ายก็แสดงผลลัพธ์ออกมาให้เห็นว่ารสชาติไหนที่ “ฮิต” ที่สุด ทั้งในแง่ของปริมาณคอนเทนต์และการมีส่วนร่วมจากผู้ชม!

3. ส่อง “เวลาโพสต์เมื่อไหร่ดี?  🗺️💰

สร้างคอลัมน์ใหม่ชื่อ engagement โดยรวมค่า likes, shares, และ comments เพื่อเป็นตัวชี้วัดการมีส่วนร่วม Group ข้อมูลตาม post_time (ชั่วโมงที่โพสต์) และคำนวณค่าเฉลี่ยของ engagement สำหรับแต่ละชั่วโมง เรียงลำดับตามค่าเฉลี่ย engagement เพื่อดูว่าช่วงเวลาไหนมีการมีส่วนร่วมสูงสุด สร้าง Line Chart เพื่อแสดงแนวโน้มของ Engagement ตามชั่วโมง

# 3. เวลาโพสต์เมื่อไหร่ดี?
# พิจารณาจากค่าเฉลี่ยของ engagement metrics (รวม likes, shares, comments) ตามชั่วโมงที่โพสต์
df['engagement'] = df['likes'] + df['shares'] + df['comments']
grouped_by_time = df.groupby('post_time')['engagement'].mean().sort_values(ascending=False)
print("\n3. เวลาโพสต์เมื่อไหร่ดี (พิจารณาจากค่าเฉลี่ย Engagement ตามชั่วโมง):")
print(grouped_by_time)

# สร้าง Visualization
plt.figure(figsize(12, 6))
grouped_by_time.plot(kind='line', marker='o')
plt.title('ค่าเฉลี่ย Engagement ตามชั่วโมงที่โพสต์')
plt.xlabel('ชั่วโมงที่โพสต์')
plt.ylabel('ค่าเฉลี่ย Engagement')
plt.xticks(range(0, 24))
plt.grid(True)
plt.tight_layout()
plt.show()

คำอธิบายโค้ด

• df['engagement'] = df['likes'] + df['shares'] + df['comments']: 👉 “สร้าง ‘พลังรวม’ ให้แต่ละโพสต์ เหมือนวัด ‘คะแนนความนิยม’ แบบเบ็ดเสร็จ” เราสร้างคอลัมน์ใหม่ชื่อ ‘engagement’ โดยนำยอด Likes, Shares และ Comments มารวมกัน เพื่อให้ได้ตัวเลขเดียวที่แสดงถึง “พลัง” หรือ “ความน่าสนใจ” โดยรวมของแต่ละโพสต์ เหมือนเรากำลังให้คะแนนความนิยมของแต่ละโพสต์จากทุกการมีส่วนร่วม
• grouped_by_time = df.groupby('post_time')['engagement'].mean().sort_values(ascending=False): 👉 “จับกลุ่มโพสต์ตาม ‘เวลาปล่อย’ แล้วดูว่าช่วงไหน ‘พลังเฉลี่ย’ สูงสุด” เราจัดกลุ่มโพสต์ตามเวลาที่โพสต์ (จากคอลัมน์ ‘post_time’) แล้วคำนวณค่าเฉลี่ยของ ‘engagement’ ในแต่ละช่วงเวลา เหมือนเรากำลังดูว่าในช่วงเวลาไหนโดยเฉลี่ยแล้ว โพสต์ของเราจะได้รับความสนใจมากที่สุด โดยเรียงลำดับจากช่วงเวลาที่มีค่าเฉลี่ย Engagement สูงสุดก่อน
• print(“\n3. เวลาโพสต์เมื่อไหร่ดี (พิจารณาจากค่าเฉลี่ย Engagement ตามชั่วโมง):”) 👉 “ประกาศ ‘ตารางเวลาทอง’ ที่เรียงตามลำดับความ ‘ฮอต’ ในแต่ละชั่วโมง” เราแสดงผลลัพธ์ของค่าเฉลี่ย Engagement ในแต่ละชั่วโมงออกมาให้เราได้เห็นว่า ช่วงเวลาไหนที่โพสต์ของเรามีแนวโน้มที่จะได้รับความสนใจมากที่สุด
• plt.figure(figsize(12, 6)) grouped_by_time.plot(kind='line', marker='o')… : 👉 “วาด ‘แผนที่ความฮอต’ ตามเวลา ด้วยเส้นกราฟที่บอกช่วงเวลา ‘ปัง’ ที่สุด” ราสร้างกราฟเส้นเพื่อแสดงค่าเฉลี่ย Engagement ในแต่ละชั่วโมง โดยมีจุดวงกลม (‘marker=’o’) กำกับแต่ละชั่วโมง ทำให้เราเห็นแนวโน้มความสนใจตามช่วงเวลาต่างๆ ได้อย่างชัดเจน เรายังกำหนดให้แกน X แสดงครบทุกชั่วโมงตั้งแต่ 0 ถึง 23 และใส่เส้นตาราง (‘grid=True’) เพื่อให้อ่านกราฟได้ง่ายขึ้น กราฟนี้แหละที่จะเป็น “เข็มทิศ” นำทางให้เรารู้ว่าควรจะโพสต์คอนเทนต์ของเราในช่วงเวลาไหนถึงจะ “ปัง” ที่สุด!

จากการวิเคราะห์นี้ เราจะได้ข้อมูลสำคัญว่าช่วงเวลาไหนในแต่ละวัน ที่โพสต์ของเรามีแนวโน้มที่จะได้รับการตอบรับที่ดีที่สุด ซึ่งจะช่วยให้เราวางแผนการโพสต์คอนเทนต์ได้อย่างมีประสิทธิภาพมากยิ่งขึ้น เหมือนเราได้รู้ “ฤกษ์งามยามดี” ในการปล่อยคอนเทนต์ของเราให้ไปถึงมือผู้ชมได้มากที่สุดนั่นเอง! 😊 ✨📊🚀

สรุปผล ทีมน้ำพริกสุดแซ่บ กับเกมล่าขุมทรัพย์ข้อมูล

สรุปผลการวิเคราะห์เชิงลึก

🔥 สรุปผลวิเคราะห์สุดปัง! ไขความลับ Engagement สูงสุดแบบ Data-Driven Marketing

1. 📽️ โพสต์แบบไหนปังสุด?

• “วิดีโอสั้น” ครองแชมป์ ด้วย Engagement สูงกว่าประเภทอื่น 30-50%
• สาเหตุ: กลุ่มลูกค้า Gen Z (อายุ 18-25 ปี) ที่ชอบ consume เนื้อหาผ่าน TikTok/Reels
• ตัวอย่างเพิ่มเติม:
  • วิดีโอสูตรทำอาหาร 15 วินาที ได้แชร์มากกว่าโพสต์รูป 2 เท่า
  • คลิป ASMR เสียงเคี้ยวอาหารได้ยอดวิวพุ่ง

2. 🌶️ รสชาติไหนฮิตที่สุด?

• “เผ็ดกลาง (50%)” มาอันดับ 1 ด้วย Engagement Rate สูงสุด
• สาเหตุ:
  • กลุ่มวัยทำงานอายุ 25-40 ปี ชอบรสชาติที่กินได้บ่อย ไม่เสี่ยงต่อการแสบท้อง
  • จากคอมเมนต์พบคำว่า “กำลังดี” “เผ็ดพอเหมาะ” บ่อยที่สุด
• ตัวอย่างเพิ่มเติม:
  • เมนู “เผ็ดกลาง” มียอดรีวิวซ้ำสูงกว่าเผ็ดจัด 1.5 เท่า
  • โพสต์ถามความเห็น “เผ็ดระดับไหนที่คุณชอบ?” ได้คอมเมนต์มากที่สุด

3. ⏰ เวลาทองสำหรับโพสต์?

• 13.00-14.00 น. ได้ Engagement สูงสุด
• สาเหตุ:
  • เวลาพักเที่ยงของกลุ่มเป้าหมายหลัก (นักเรียน/พนักงานออฟฟิศ)
  • จากข้อมูล Device พบว่า 65% เข้าถึงผ่านมือถือช่วงนี้
• ตัวอย่างเพิ่มเติม:
  • โพสต์เวลา 13.30 น. ได้ Reach สูงกว่าช่วงอื่น 40%
  • Live ขายของช่วงเวลานี้มียอดขายต่อโพสต์สูงที่สุด

กลยุทธ์ปังๆ ที่ต้องลอง!

1. Sentiment Analysis
   • วิเคราะห์ความรู้สึกจากคอมเมนต์ด้วย AI เพื่อรู้ว่าลูกค้าชอบ/ไม่ชอบอะไร
   • ตัวอย่าง: พบคำว่า “เค็มไป” ในคอมเมนต์บ่อย → ปรับสูตรลดเกลือ
2. Customer Journey Mapping
   • วิเคราะห์เส้นทางการเห็นโพสต์ → กดไลก์ → ซื้อสินค้า
   • ตัวอย่าง: พบว่าลูกค้ามาจาก Instagram Explore มากที่สุด → เพิ่มงบโฆษณาช่องทางนี้
3. Influencer Matching
   • ใช้ Data หา Influencer ที่ฟอลโลว์เวอร์มีพฤติกรรมคล้ายลูกค้าเรา
   • ตัวอย่าง: วิเคราะห์ว่า Food Blogger คนไหนมี Engagement สูงกับกลุ่มเป้าหมายเรา

💡 สิ่งที่ต้องทำต่อจากนี้:

1. Clean Data ให้สะอาดกว่าเดิม (ตรวจสอบ Missing Values อีกครั้ง)
2. สร้าง Predictive Model เพื่อคาดการณ์ Engagement ล่วงหน้า
3. A/B Testing ทดสอบโพสต์รูปแบบต่างๆ เพิ่มเติม

📌 ข้อสรุปสุดท้าย:
“ข้อมูลคืออาวุธที่ทรงพลัง! แค่รู้ว่าโพสต์ วิดีโอเผ็ดกลางๆ ตอนเที่ยง ก็เพิ่ม Engagement ได้แล้ว แต่หากวิเคราะห์ลึกๆ ต่อจะพบโอกาสอีกมหาศาล!”

ลองนำเทคนิคเหล่านี้ไปใช้ แล้วคุณจะเห็นผลลัพธ์แบบ “เห็นตัวเลขปุ๊บ รู้เลยว่าต้องทำอะไรต่อปั๊บ” 💪📈