Database

Power Query ไม่ได้เกิดมาเพื่อ Data Cleaning   ภารกิจหลักของมันคือ ดึงข้อมูลจาก Excel รวม CSV หลายร้อยไฟล์ เชื่อมต่อ Database ดึงข้อมูลจาก SharePoint เชื่อมข้อมูลจากระบบต่าง ๆ   แล้วรวบรวมทุกอย่างให้กลายเป็นข้อมูลชุดเดียวพร้อมใช้งาน   Data Cleaning เป็นเพียง “ภารกิจหนึ่ง” ไม่ใช่ตัวตนทั้งหมดของมัน

Power Query คือยา Copilot คือหมอ แล้วองค์กรของคุณกำลัง… “กินยาแก้อาการ” หรือ “รักษาที่ต้นเหตุ”   Prompt 1: Workbook Health Check แบบภาพรวม   ช่วยตรวจสอบ Workbook นี้ในมุมมอง Spreadsheet Control Review   วิเคราะห์ความเสี่ยงด้าน Input, Calculation และ Reporting   รายงานผลเป็นหัวข้อดังนี้   1. ความเสี่ยงด้านการป้อนข้อมูล (Input Risk) 2. ความเสี่ยงด้านสูตรคำนวณ (Calculation Risk) 3. ความเสี่ยงด้านการรายงานผล (Reporting Risk) 4. จุดที่ควรเพิ่ม Data Validation 5. จุดที่ควรเพิ่ม Conditional Formatting 6. จุดที่ควรเพิ่มสูตรตรวจสอบ (Control Formula) 7. จุดเสี่ยงสูงสุด 5 อันดับแรก   อธิบายเหตุผลประกอบทุกข้อ   Prompt 2: ตรวจความเสี่ยงด้าน Input โดยเฉพาะ   ช่วยตรวจสอบโครงสร้างการรับข้อมูลใน Workbook นี้   วิเคราะห์ว่า  

เลือกพระเอกให้สมกับบทบาท Copilot ช่วยค้นหาปัญหา Workbook Rules ช่วยจำวิธีคิด Power Query ช่วยจำวิธีทำ อย่าเริ่มจาก Power Query เริ่มจากการเข้าใจปัญหาก่อน

Copilot อาจมีวิธีหาคำตอบที่ต่างจากที่เราคุ้นเคย.ก่อนจะรีบคิดว่าต้องใช้สูตร ต้อง Unpivot หรือต้องสร้าง PivotTable.ลองสั่ง Copilot ก่อนว่า“ช่วยหาคำตอบให้หน่อย”.บางครั้งสิ่งที่ยากที่สุดในยุค AIไม่ใช่การเรียนรู้เครื่องมือใหม่แต่คือการวางวิธีคิดเดิมลงชั่วคราว.เพราะสิ่งที่เราเคยเรียนมา อาจเป็นวิธีที่เหมาะกับเครื่องมือในอดีตขณะที่ AI อาจมีวิธีจัดการข้อมูลที่ต่างจากที่เราคุ้นเคย. อย่ารีบใช้วิธีที่เราเรียนมาเป็นข้อจำกัดของ AI.ลองเปิดใจดูว่า AI อาจมีวิธีหาคำตอบที่เราไม่เคยนึกถึงมาก่อน

อยากรวมชีทเข้าด้วยกันแบบ Append Copilot เก่งเรื่องเข้าใจความหมาย Power Query เก่งเรื่องทำตามขั้นตอน ความต่างเล็ก ๆ นี้ อาจช่วยประหยัดเวลาได้มากกว่าที่คิด

Power Query ว่าสร้างยากแล้ว แต่ที่ยากกว่าคือ “ตอนแก้” พอระบบมีปัญหา… กลับไม่มีใครอยากมายุ่ง

Prompt ใช้ Copilot ตรวจสอบวันที่ พ.ศ. หรือ ค.ศ. กันแน่ ตรวจสอบคอลัมน์วันที่ทั้งหมดในตารางนี้ เป้าหมาย: ทำให้ข้อมูลวันที่มีมาตรฐานเดียวกัน ถูกต้องตามความหมายเดิม และพร้อมใช้งานใน Excel ขั้นตอนการทำงาน 1. ตรวจสอบก่อนว่าคอลัมน์เป็น – Text – หรือ Date Serial Number 2. ถ้าข้อมูลเป็น Text 2.1 ตรวจสอบรูปแบบวันที่ของระบบ – ให้ใช้สูตร =TODAY() – ต้องตรวจในเซลล์ว่างที่ไม่เคยถูกใช้งานหรือถูกกำหนด Format มาก่อน – ใช้รูปแบบที่ TODAY() แสดงเป็นมาตรฐาน 2.2 วิเคราะห์รูปแบบวันที่ของข้อมูลทั้งคอลัมน์ – ห้ามดูเพียงเซลล์เดียว – ใช้ค่าที่มากกว่า 12 เพื่อระบุว่าอะไรคือวันและอะไรคือเดือน – ถ้าบางเซลล์กำกวม ให้ยึดตามรูปแบบที่พบมากที่สุดในคอลัมน์ 2.3 ถ้าพบชื่อเดือน เช่น Jan January Feb ม.ค. มกราคม ให้แปลงเป็นเลขเดือนทั้งหมด 2.4 ถ้าพบปี 2 หลัก เช่น 67 66 68 ให้ขยายเป็นปี 4 หลักก่อน 2.5 ถ้าพบปี พ.ศ. 24xx

เท่าที่ได้ศึกษา Copilot สำหรับงาน Data Cleaning พบว่า   ใช้งานได้ง่ายกว่า แค่เปิดแฟ้มขึ้นมา เขียนพร้อมสั่ง Excel Copilot ด้วยภาษาคน ผู้ใช้งานไม่จำเป็นต้องเรียน Power Query จึงง่ายสำหรับมือใหม่ Copilot ช่วยแก้ตัวสะกดให้ถูกต้องตามไวยากรณ์ ต่างจาก Power Query ที่ต้องกำหนดคำที่จะแก้เอง Microsoft ปรับปรุงระบบของ Copilot ให้ทำงานด้าน Data Cleaning อย่างจริงจัง เพราะถือว่า AI จะทำงานได้ดีหรือไม่นั้นขึ้นกับข้อมูลที่มีต้องได้มาตรฐานก่อน Power Query ยังได้เปรียบในงานที่ ต้องทำซ้ำทุกเดือน มีขั้นตอนตายตัว ต้อง Audit ได้ ต้อง Refresh อัตโนมัติ ใช้กับข้อมูลปริมาณมาก ส่วน Copilot เด่นเมื่อ ต้องการคำตอบเร็ว ข้อมูลเปลี่ยนตลอด คนทำงานไม่ใช่สายเทคนิค งานเร่งด่วนเฉพาะกิจ ต้องแก้ข้อมูลจากภาษาคน

Copilot กำลังเปิดเส้นทางการทำ Data Cleaning ที่ง่ายกว่าเดิม จากเดิมที่ต้องรู้ก่อนว่าข้อมูลตรงไหนผิด สู่การเริ่มต้นด้วยคำว่า “ช่วยหาสิ่งที่ควรแก้ไขให้หน่อย” ใช้ Prompt ตามนี้ … ตรวจสอบคุณภาพข้อมูลชุดนี้ ค้นหาสิ่งที่ควรแก้ไข เช่น – คำสะกดผิด – คำที่มีความหมายเดียวกัน – ช่องว่างเกิน – ตัวเลขที่ปนข้อความ – ข้อมูลซ้ำ – รูปแบบข้อมูลที่ไม่สอดคล้องกัน อย่าแก้ไขข้อมูลทันที ให้สรุปรายการปัญหาที่พบ พร้อมข้อเสนอแนะในการแก้ไข