Data Journalism Workshop #3 : รู้ ‘สถิติ’ ก็เหมือนการรู้ภาษาอีกภาษาหนึ่ง

แค่เอ่ยถึง ‘สถิติ’ คนส่วนใหญ่มักจะเบือนหน้าหนีกับความเข้าใจยาก แต่หากต้องการนำข้อมูลที่อยู่ทุกอณูของชีวิตมาใช้สื่อสารในเชิง Data Journalism สถิติก็เป็นเครื่องมือสำคัญที่ช่วยแปลงข้อมูลเป็นข้อเท็จจริง และช่วยให้เราสามารถนำไปเผยแพร่เพื่อสร้างความเปลี่ยนแปลงแก่สาธารณะได้ง่ายๆ 

ในการอบรม Data Journalism Workshop วันที่สาม ว่าด้วยเรื่อง ‘STAT 101’ ต้องการช่วยให้ผู้อบรมทุกคนเข้าใจหลักการจัดการข้อมูลด้วยสถิติเบื้องต้น พร้อมเคลียร์ทุกข้อสงสัยว่าเราจะทำอย่างไรให้สถิติไม่ใช่เรื่องยากอีกต่อไป โดยมี ‘อิสริยะ สัตกุลพิบูลย์’ อาจารย์คณะพาณิชยศาสตร์และการบัญชี จุฬาลงกรณ์มหาวิทยาลัย มารับหน้าที่บรรยายตลอดช่วงเช้าและบ่ายของการอบรมที่เดินทางเข้าสู่วันที่ 3 แล้ว โดยวันแรกเป็นการ เปิดตำรา ‘Data’ ว่าสามารถเปลี่ยนข้อมูลเป็นเครื่องมือขับเคลื่อนสังคมได้อย่างไร’ ส่วนวันที่สองเป็นการ ทำความรู้จักข้อมูลประเภทต่างๆ ที่แม้จะขึ้นชื่อมหัศจรรย์แต่ก็หลอกเราได้เช่นกัน 

เปิดโต๊ะสัมภาษณ์ข้อมูล

“การรู้จักสถิติเป็นเหมือนการรู้ภาษาอย่างหนึ่งที่ข้อมูลใช้คุยกับเรา”   

อิสริยะเปรียบการวิเคราะห์ข้อมูลว่าเป็นเหมือนการสัมภาษณ์ข้อมูล พร้อมชวนให้ทุกคนคิดเอาไว้ในหัวว่า  ให้ลองเปรียบข้อมูลนั้นเป็นคนคนหนึ่ง แล้วเราจะไปสัมภาษณ์เอาอะไรมาจากเขาที่พูดภาษาสถิติ เราจึงจำเป็นที่จะต้องพูดภาษาเดียวกับข้อมูลเพื่อให้ข้อมูลบอกสิ่งที่รู้ในเชิงลึกกลับมา แต่เราก็ต้องมีประเด็นที่ต้องการรู้ชัดเกณฑ์ก่อน ถึงค่อยไปสัมภาษณ์ข้อมูลนั้น 

“ปกติแล้ว ในการจะวิเคราะห์ข้อมูล เราอาจรู้สึกว่าเครื่องมือทางสถิติเป็นเรื่องยาก เพราะมันดูไกลตัว แต่ทุกวันนี้ เทคโนโลยีในปัจจุบันมันช่วยอำนวยความสะดวกให้เราวิเคราะห์ข้อมูลได้ง่ายขึ้น และใช้ต้นทุนที่ต่ำมาก” 

อิสริยะแนะนำวิธีการวิเคราะห์ข้อมูลอย่างง่ายด้วยโปรแกรม Tableau, Microsoft Power PI ที่ยิ่งถ้าเราฝึกความชำนาญไปเรื่อยๆ ก็จะสามารถสัมภาษณ์ข้อมูลได้ลึกมากขึ้น แต่บทเรียนของวันนี้เป็นการโชว์ให้ทุกคนเห็นว่า แค่มี Microsoft Excel ก็สามารถวิเคราะห์ข้อมูลได้ลึกระดับขยี้ประเด็นได้แล้ว 

แต่คำถามที่ควรจะ ‘ถามข้อมูล’ นั้นเป็นแบบไหน ในเมื่อข้อมูลไม่ใช่คน เราควรจะมีวิธีถามข้อมูลอย่างไรให้ได้ข้อมูลลึกที่สุด

อิสริยะลองให้ทุกคนลงมือสัมภาษณ์ข้อมูลด้วยตัวเอง และหาแง่มุมว่าอยากจะใช้ข้อมูลเรื่องไหนสื่อสารกับผู้อ่านหากต้องทำข่าวจากข้อมูลนี้ โดยมีโจทย์เป็นชุดข้อมูลการใช้บัตรเครดิตการ์ดซื้อสินค้าและบริการผ่านช่องทางออนไลน์ของชาวอเมริกันในช่วงเดือน 1- 30 พฤศจิกายน 2018 ซึ่งมีรายละเอียดบอกตั้งแต่ว่า มีการเข้าเว็บไซต์กี่ครั้งกว่าจะใช้บัตรซื้อของ เลือกนานกี่นาทีกว่าจะซื้อ วันและเวลาที่ซื้อมักเป็นช่วงใด ซื้ออะไร จัดอยู่ในหมวดหมู่ไหน ใครเป็นคนซื้อ จำนวนสมาชิกในครอบครัวของผู้ใช้บัตรมีเท่าไร รายได้อยู่ในระดับไหน ไปจนถึงรหัสไปรษณีย์บ้าน   

ทั้งนี้ อิสริยะยังย้ำด้วยว่า เมื่อได้ข้อมูลมาแล้ว สิ่งแรกที่อยากให้ทำคือการพิจารณาว่า ข้อมูลนั้นมีบริบทอะไรแวดล้อมอยู่ ยกตัวอย่างเช่น ธนาคารอะไรออกบัตรเครดิตการ์ดบ้าง การออกบัตรเครดิตจะต้องมีต้นทุนอะไรบ้าง หรือข้อมูลนี้มาจากไหน ซึ่งจะทำให้เราเข้าใจข้อมูลได้อย่างลึกซึ้งยิ่งขึ้น

ยันต์กันคำถามแปลก 

อย่างไรก็ดี เราต้องมีกรอบมากำหนดให้ชัดเจนว่าการจะสัมภาษณ์ข้อมูลนั้น อะไรบ้างที่เราถามได้ หรือถามแล้วไม่ให้ผลลัพธ์ที่ดี ซึ่งอิสริยะเรียกสิ่งนั้นว่า ‘ยันต์กันคำถามแปลก’  

อย่างแรก เราต้องตั้งคำถามกับตัวเองก่อนว่า สิ่งที่เราต้องการจากข้อมูลนั้น เราจะถามไปทำไม ผู้อ่านจะได้ประเด็นใหม่ๆ หรือเปล่า เพราะคำถามที่ดีคือคำถามที่มีประโยชน์ต่อผู้อ่าน การสัมภาษณ์ข้อมูลจึงไม่ใช่เอาสิ่งที่ตัวเองต้องการเป็นที่ตั้ง แต่ให้คำนึงถึงสิ่งที่ผู้อ่านอยากได้รับแทน ถัดมาคือ คำถามต้องชัด ตรงประเด็นที่ต้องการ และไม่ซับซ้อนเกินไป ไม่เช่นนั้นอาจจะต้องใช้เวลาเยอะในการหาข้อมูลเชิงลึก 

“เวลาจะวิเคราะห์ข้อมูล คำถามที่ดีในขั้นแรกคือการถามทีละคำถาม ค่อยๆ แกะไปเรื่อยๆ เหมือนกับการต่อจิ๊กซอว์และข้อมูลก็เหมือนกับหุ่นยนต์ ถามอะไรก็จะตอบกลับอย่างตรงไปตรงมา” 

อิสริยะกล่าว พร้อมย้ำว่า บางครั้ง เราอาจจะไม่เจอข้อมูลเชิงลึกอย่างที่ตั้งสมมติฐานไว้ก็ได้ ถ้าไม่เจอก็อย่างเพิ่งท้อ ให้ถามตัวเองต่อว่า ข้อมูลที่เจอมันใช้ไม่ได้หรือเปล่า หรือมันซ่อนอยู่ตรงส่วนไหน ให้ถามวนลูปไปเรื่อยๆ หากสุดทางจริงๆ จึงค่อยล้มเลิกความตั้งใจ แต่ถ้าเจอข้อมูลที่ต้องการ ก็ควรพิจารณาถึงความถูกต้องด้วย อย่าเพิ่งรีบสรุป เพราะการเป็นนักข่าว ถ้าเราเล่าเรื่องโดยไม่ตรวจทานให้ถี่ถ้วน อาจจะเกิดผลเสียต่อผู้อ่านได้ 

คาถา 4 กริยา 

ข้อมูลมีหลายประเภท การจะวิเคราะห์ข้อมูลได้ จึงจำเป็นต้องรู้ว่าเราสามารถนำข้อมูลไหนมาวิเคราะห์เพื่อหาประเด็นที่ต้องการจะสื่อสารได้บ้าง โดยอิสริยะอธิบายว่า ข้อมูลแบ่งได้เป็นสองประเภทใหญ่ๆ คือ ‘Dimension’ และ ‘Metric’

Dimension คือ ข้อมูลที่สามารถวัดหรือนับได้ แบ่งย่อยออกเป็น Categorical ข้อมูลที่เรียงลำดับไม่ได้แต่วิเคราะห์ได้ด้วยการนับจำนวน กับ Ordinal ข้อมูลที่เรียงจากน้อยไปมากได้ 

ส่วน Metric คือ ข้อมูลตัวเลขที่สามารถบวกลบคูณหารได้ แบ่งย่อยออกเป็น Interval ข้อมูลตัวเลขที่เรียงลำดับได้ หาค่าฐานนิยม หาค่ามัธยมฐาน หาค่าเฉลี่ยได้ เปรียบเทียบปริมาณที่แตกต่างกันกับตัวแปรอื่นได้ กับ Ratio ที่เป็นข้อมูลที่สามารถใช้ตัวเลขทำได้เช่นเดียวกับ Interval แต่สามารถหาการกระจายข้อมูล และหาค่า 0 ที่แท้จริงได้ 

“สถิติไม่ต้องไปจำสูตรอะไร แต่แค่รู้ว่า ภาษาเวลาเขาพูดออกมาสื่อถึงอะไร อันนี้คือค่ากลางไหม หรือการกระจายข้อมูล เพื่อที่เราจะได้สื่อสารได้ถูกต้อง” 

คำพูดของอิสริยะช่วยคลายความเครียดได้ระดับหนึ่งว่า เนื้อหาต่อไปจะไม่ใช่การท่องจำสูตร อีกทั้งเขายังแจกคาถา 4 กริยา ‘กรอง เจาะ เทียบ ชน’ คู่มือในการวิเคราะห์ข้อมูลเบื้องต้นที่ทุกคนควรท่องจำให้ขึ้นใจ

1. กรอง คือ การกรองข้อมูลที่สกปรกออกไป โดยพิจารณาว่ามีข้อมูลหายไปเท่าไร ข้อมูลเก็บมาอย่างไร ตรงกับกลุ่มเป้าหมายที่เราจะวิเคราะห์หรือเปล่า ซึ่งก็คือการกรองเอาข้อมูลคุณภาพมาให้ได้มากที่สุด 
2. เจาะ คือ วิเคราะห์ตัวแปรเดียวอย่างละเอียด โดยเจาะลึกไปเลยว่าข้อมูลนั้นมี ค่าความถี่ ผลรวม ค่าเฉลี่ย ค่ามัธยฐาน และการกระจายข้อมูลเป็นอย่างไร เพราะแค่ดูตัวแปรเดียวเราก็อาจจะเห็นข้อมูลเชิงลึกบางอย่างได้แล้ว
3. เทียบ คือการเอาข้อมูลประเภทเดียวกันมาเทียบกัน เปรียบเทียบระหว่างตัวแปรเดียวกันในหลายประเภท หรือดูสัดส่วน เช่น ข้อมูลคนรวยกับคนจน
4. ชน คือการเอาข้อมูลตัวเลขที่คำนวนได้มาชนกัน และเปรียบเทียบระหว่างสองตัวแปรว่ามีความสัมพันธ์กันอย่างไร เช่น จำนวนหน้าเว็บที่เข้าชมกับจำนวนนาทีที่เข้าชม

ก่อนจะสิ้นสุดการบรรยายช่วงเช้า อิสริยะทิ้งท้ายเอาไว้ว่า “ภาษาของข้อมูลที่เขาสื่อสารกับเรา นอกจากเขาจะบอกเป็นตัวเลขเป็นค่าสถิติ ก็ยังสามารถสื่อสารเป็นภาพได้ เพราะบางครั้ง เวลาเอาค่าสถิติมาเรียงต่อกัน ยัดเป็นตัวเลข แล้วเรียงเป็นตารางมันไม่เวิร์กหรอก การสื่อสารเป็นรูปมันสื่อสารได้หลายพันคำมากกว่า แต่รูปเองก็อาจจะเหมาะกับข้อมูลแค่บางประเภทเท่านั้น” 

นอกจากนี้ยังมีกรอบการทำงานที่จะช่วยให้ทุกคนสามารถนำข้อมูลจากแหล่งไหนก็ได้มาสร้างคุณค่าให้กับคนอ่านให้ได้มากที่สุด ซึ่งเรียกว่า ‘Data Value Canvas’

ใจความบนผืนผ้าใบแห่งข้อมูลนั้น คือตั้งโจทย์ก่อนว่าคนอ่านอยากจะรู้อะไร ข้อมูลอะไรที่จะช่วยให้ผู้อ่านฉุกคิดและเปลี่ยนแปลงพฤติกรรมบางอย่างของตัวเขาเองได้ จากนั้นตั้งคำถามกับข้อมูลด้วยหลัก 5 W คือ What Where When Who How และ How Many พร้อมตรวจสอบว่าข้อมูลที่หามาถูกต้องหรือครบถ้วนไหม ก่อนนำมาสกัดหาข้อเท็จจริงด้วยกระบวนการวิเคราะห์ข้อมูลแบบต่างๆ สุดท้ายคือการกำหนดว่าข้อมูลที่ผ่านการวิเคราะห์มาแล้ว เราจะมาส่งต่อให้กับผู้อ่านด้วยวิธีไหน โดยอย่าลืมสิ่งสำคัญมากๆ อย่าง จริยธรรมของการใช้ข้อมูลเป็นอันขาด 

เดินทางสู่การวิเคราะห์ข้อมูล 

เมื่อหลายปีก่อนในสหรัฐอเมริกา ประเด็นผู้หญิงได้ค่าจ้างน้อยกว่าผู้ชายถูกพูดถึงเป็นอย่างมาก และมีนักแสดงหญิงชื่อดังหลายคนออกมาเรียกร้องความเป็นธรรม อิสริยะนำประเด็นดังกล่าวมาชวนให้ทุกคนแสดงความคิดเห็นว่ามีมุมมองอย่างไรต่อเรื่องนี้ ก่อนจะนำข้อมูลของนักศึกษาจบใหม่แต่ละคณะในสหรัฐอเมริกาเมื่อปี 2016 มาวิเคราะห์ว่า แท้จริงแล้วผู้หญิงได้เงินเดือนน้อยกว่าผู้ชายจริงหรือไม่ 

เบื้องต้น อิสริยะนำข้อมูลที่วิเคราะห์เรียบร้อยแล้ว โดยใช้จำนวนผู้หญิงเทียบกับเงินเดือนเฉลี่ยมาแสดงให้เห็น ซึ่งพบว่า ถ้าจำนวนผู้หญิงเพิ่มขึ้น ส่งผลให้เงินเดือนลดลงจริง แต่เขาย้ำว่า

“อย่าเพิ่งด่วนสรุปข้อมูลที่เห็นในครั้งแรก เราต้องวิเคราะห์ข้อมูลให้ลึกลงไปอีกว่าข้อมูลที่ได้มานั้นมีตัวแปรอะไรบ้าง”

ในชุดข้อมูลที่ได้มาประกอบไปด้วย คณะที่จบ จำนวนคนที่จบ เปอร์เซ็นต์ของผู้หญิง เปอร์เซ็นต์ของคนที่จบแล้วไปทำธุรกิจ เปอร์เซ็นต์ของคนที่จบแล้วไปทำงานพาร์ทไทม์ เปอร์เซ็นต์ของคนว่างงาน และ เปอร์เซ็นต์คนที่จบมาแล้วทำงานตรงสาย 

โดยเริ่มลงมือหาค่าสรุปทางสถิต ด้วยฟังก์ชั่น ‘Data Analysis’ ในโปรแกรม Micorsoft Excel และใช้เครื่องมือที่ชื่อว่า ‘Descriptive Statistics’ ภายในไม่กี่คลิกก็มีผลการวิเคราะห์ข้อมูลออกมาเป็นค่าทางคณิตศาสตร์ให้เราเสร็จสรรพ แต่เมื่อได้ผลการวิเคราะห์ข้อมูลมาแล้ว ลำดับต่อไป คือการหาประเด็นว่าคนอ่านอยากจะรู้เรื่องอะไร ก่อนนำข้อมูลนั้นมาปั้นให้เป็นข่าว 

ซึ่งประเด็นของเราก็คือ จำนวนผู้หญิงสัมพันธ์กับเงินเดือนที่ลดลง

ความน่าเชื่อถือบนเครื่องมือ ‘Regression Analysis’

ประเด็นเดียวอาจมีตัวแปรหลายตัวที่สัมพันธ์กันและไม่ควรมองข้าม แม้เราจะพบคำตอบของคำถามที่เราตั้งไว้แล้วก็ตาม แต่ต้องไม่ลืมว่า ข้อค้นพบหนึ่งๆ มาจากหลายปัจจัย และแตกต่างกันไปในแต่ละพื้นที่ ซึ่งการหาว่าปัจจัยไหนคือสาเหตุที่แท้จริงก็ไม่ใช่เรื่องยาก เราสามารถใช้เครื่องมือที่ชื่อว่า ‘Regression Analysis’ ตรวจสอบดูได้ เช่นเดียวกับข้อมูลเงินเดือนของเด็กจบใหม่ในสหรัฐฯ ที่ควรใช้หลายตัวแปรเช็คความชัวร์เหมือนกัน​ 

สำหรับ Regression Analysis นั้น เป็นวิธีทางสถิติที่ช่วยในการประมาณค่าความสัมพันธ์ของตัวแปรที่เราสนใจกับตัวแปรอื่น โดยสามารถดูทีละหลายๆ ความสัมพันธ์พร้อมกันได้ ซึ่งแบ่งความสัมพันธ์ออกเป็น 2 ประเภท คือ 

1. Direction สามารถวัดทิศทางของความสัมพันธ์ว่าเป็นบวกหรือลบได้ เช่น จำนวนรถเยอะขึ้นอุบัติเหตุก็เยอะขึ้น หรือเป็นความสัมพันธ์ตรงข้าม เช่น จำนวนคนสอบใบขับขี่ผ่านเยอะ แต่จำนวนอุบัติเหตุเพิ่มมากขึ้น หรือไม่มีความสัมพันธ์อะไรเลยก็เป็นการวัดอย่างหนึ่งเช่นเดียวกัน
2. Magnitude สามารถวัดได้ว่าตัวแปรนี้มีผลมากหรือน้อยขนาดไหน และสิ่งที่เคยเชื่อว่าจริง เครื่องมือตัวนี้จะมาชี้ว่าบางทีมันอาจไม่จริง

สำหรับการใช้เครื่องมือ ‘Regression Analysis’ ต้องดำเนินไปทีละขั้นตอน โดยมี 5 ขั้นตอนด้วยกัน 

1. ตั้งคำถามและสมมติฐาน ในที่นี้เราตั้งคำถามว่าจำนวนผู้หญิงส่งผลต่อเงินเดือนหรือเปล่า สมมติฐานคือ ใช่ ถ้าผู้หญิงเพิ่มขึ้น เงินเดือนจะน้อยลง
2. หาสมการมาอธิบายความสัมพันธ์ระหว่างสองตัวแปรที่เราสนใจ 
3. เก็บข้อมูล สรุปข้อมูล และนำเสนอข้อมูลด้วยภาพ ถ้าเห็นภาพจากการขึ้นกราฟก่อน เราก็อาจคาดเดาผลลัพธ์ได้
4. นำข้อมูลที่เราได้มาสร้างตารางและป้อนเข้าไปในโปรแกรม Excel ให้มันแสดงข้อมูลเชิงลึกกลับมา
5. แปลความหมายทางสถิติ ด้วยการเรียนรู้แกรมม่าของข้อมูลว่ามันแปลว่าอะไร

จากการวิเคราะห์ข้อมูลพบว่า ถ้ามีจำนวนผู้หญิงที่เข้ามาเรียนมากขึ้น เงินเดือนจะลดลง ทั้งยังบอกด้วยว่า ถ้าเพิ่มขึ้น เพิ่มกี่เปอร์เซ็นต์ ถ้าเงินเดือนลด จะลดลงกี่ดอลล่าร์ ซึ่งนี่เป็นการหยิบแค่สองตัวแปรมาวิเคราะห์ก็สามารถเห็นข้อมูลเชิงลึกได้แล้ว

นอกจากนี้ ยังมีวิธีตรวจสอบดูว่า ค่าสถิติของเราน่าเชื่อถือระดับไหน โดยดูที่ ‘P Value’ ถ้าสมมติค่า P Value น้อยกว่า 0.05 ลงไป หมายความว่าน่าเชื่อถือ หรือมีโอกาส 5 เปอร์เซ็นต์ที่ข้อมูลจะไม่ถูกต้อง 

อีกค่าก็คือ ‘Adjusted R Square’ ที่ชี้ให้เห็นว่า การใช้ตัวแปรจำนวนผู้หญิงมาเทียบกับการลดลงของเงินเดือนนั้นอธิบายได้แค่ 37เปอร์เซ็นต์ เท่านั้น และถ้าอยากจะอธิบายให้ละเอียดขึ้นควรหาตัวแปรอื่นมาใส่เพิ่ม ซึ่งเครื่องมือ Regression ก็มีข้อดีในการนำหลายตัวแปรมาเทียบกัน รวมถึงใส่ได้ทั้งตัวแปรแบบตัวเลขและตัวอักษร แต่ตัวอักษรต้องเปลี่ยนให้เป็นเลข 0 หรือ1 เพื่อให้สามารถนำมาคำนวนได้  

(ภาพผลการวิเคราะห์เมื่อเพิ่มตัวแปรจำนวนผู้หญิง เปอร์เซ็นต์ที่ทำงานพาร์ทไทม์ อัตราการว่างงาน และเปอร์เซ็นทำงานตรงสายเข้าไป)

อิสริยะอธิบายก่อนให้ทุกคนลองเพิ่มตัวแปรจำนวนผู้หญิง เปอร์เซ็นต์ที่ทำงานพาร์ทไทม์ อัตราการว่างงาน และเปอร์เซ็นต์ทำงานตรงสายเข้าไป โดยตั้งคำถามอย่างมีเหตุมีผลก่อนเลือกตัวแปรเหล่านี้

ผลคือเมื่อใส่ตัวแปรดังกล่าวให้โปรแกรมทำการวิเคราะห์ พบว่า ค่าเฉลี่ยที่ชี้ว่า ถ้าจำนวนผู้หญิงเพิ่มขึ้น เงินเดือนลดลง กลับไม่เท่าเดิม ซึ่งถือเป็นเรื่องปกติเมื่อมีตัวแปรเพิ่มเข้าไป ส่วนเปอร์เซ็นทำงานพาร์ทไทม์ ที่ถ้าเพิ่มขึ้น เงินเดือนจะลดลงเช่นกัน แต่ในส่วนของอัตราการว่างงานทำให้เงินเดือนเฉลี่ยลดลงน้อยมาก แต่ค่า P Value กลับอยู่ที่ 99 เปอร์เซ็นต์ ก็หมายความว่า ตัวแปรนี้ไม่มีนัยยะสำคัญทางสถิติ หรือไม่มีผลเลย และถ้าทำงานตรงสาย โอกาสที่เงินเดือนจะเพิ่มขึ้นอยู่ที่ 170 ดอลล่าห์สหรัฐฯ โดยเฉลี่ย แต่จำนวนผู้หญิงยังมีผลต่อเงินเดือนในงานนั้นอยู่ โดยคราวนี้ Adjusted R Square เพิ่มขึ้นเป็น 51 เปอร์เซ็นต์ ซึ่งจัดอยู่ในเกณฑ์ที่ดี และยิ่ง Adjusted R Square สูงขึ้นก็หมายความว่าตัวแปรนั้นสมดุลกันมาก 

“ให้เราดูแค่ Coefficients, P Value, Adjusted R Square เป็นหลัก และถ้าลองทำซ้ำไปเรื่อยๆ เราจะรู้ว่าต้องเอาตัวแปรอะไรใส่เข้าไปดี หรือต้องเอาอะไรออก ยิ่งใส่หลายๆ ตัวแปร โมเดลก็ยิ่งดีขึ้น ที่ผมยกประเด็นนี้มาพูดเพราะผมคิดว่า งานวิจัยที่ถูกตีพิมพ์ในวารสารชั้นนำ สามารถเป็นแหล่งข้อมูลชั้นดีในการเล่าเรื่องได้ ปกตินักข่าวจะอ่านในส่วนเนื้อหาที่เป็นตัวอักษรเพราะเข้าใจง่าย แต่ถ้าเราเข้าใจข้อมูลทางสถิติจริงๆ เราก็จะเริ่มมั่นใจมากขึ้น เนื้อหาที่เราเขียนก็จะมีความน่าสนใจมากขึ้น” อิสริยะกล่าวทิ้งท้ายก่อนปิดก่อนอบรม   

ตลอดการบรรยายของวันนี้ แม้จะเป็นเรื่องที่ไม่ง่าย แต่วิธีการสอนของอิสริยะในการตั้งคำถาม และค่อยๆ ให้ทุกคนใช้โปรแกรมคุ้นเคยอย่าง Micorsoft Excel วิเคราะห์ข้อมูลเพื่อหาคำตอบไปพร้อมกัน ทำให้ ‘สถิติ’ ที่ว่ายาก กลายเป็นเรื่องสนุก ซึ่งหากนำทักษะนี้ไปประยุกต์ใช้กับงานข่าว ก็จะทำให้ได้เรื่องราวที่น่าสนใจ เสริมทักษะการสืบค้นเชิงลึกเพื่อหาข้อเท็จจริง และช่วยให้ในยามที่เรามีอมูลแต่ไม่รู้จะสกัดต่ออย่างไร เริ่มเห็นแนวทางเป็นรูปเป็นร่างมากขึ้น