ขั้นที่ 1 — อัปโหลดไฟล์แล้วสำรวจก่อนเสมอ
อัปโหลดไฟล์ CSV หรือ Excel ขึ้นไปแล้วสั่งให้ AI สำรวจไฟล์ก่อน (profile) อย่าเพิ่งลงมือทำอะไร ลองดูก่อนว่ามีคอลัมน์อะไรบ้าง แต่ละคอลัมน์เป็นข้อมูลชนิดไหน มีช่องที่ว่างเปล่า (null) ตรงไหนไหม มีแถวซ้ำหรือเปล่า ค่าอยู่ในช่วงไหน และมีค่าแปลก ๆ ที่หลุดกรอบ (outlier) ไหม จากนั้นเช็กให้แน่ใจว่าจำนวนแถวที่อ่านเข้ามาตรงกับไฟล์ต้นฉบับจริง ๆ เพื่อจะได้จับได้ทันถ้าข้อมูลโดนตัดทิ้งหรือถูกหยิบมาแค่บางส่วนแบบเงียบ ๆ อย่าเพิ่งวิเคราะห์ก่อนที่จะรู้จักไฟล์ให้ดี เพราะเครื่องมือบางตัวมันอ่านแค่แถวแรก ๆ เพื่อเดาว่าไฟล์มีโครงสร้างหน้าตาแบบไหน (schema)
ขั้นที่ 2 — ทำความสะอาดข้อมูลด้วยคำสั่งเจาะจง แล้วให้จดบันทึกก่อน-หลัง
สั่งให้ทำความสะอาดข้อมูลแบบบอกให้ชัดเจนไปเลยว่าจะทำอะไร (เช่น 'ลบแถวที่ช่อง revenue ว่าง', 'ทำชื่อย่อรัฐให้เป็นแบบเดียวกันหมด', 'แปลงวันที่ให้อยู่ในรูปแบบ ISO') โดยไล่ตามรายการที่ต้องเช็ก คือ ค่าที่หายไป ค่าซ้ำ รูปแบบที่เขียนไม่เหมือนกัน ค่าที่ผิดปกติ ชนิดข้อมูลที่ผิด รวมถึงเรื่องโซนเวลาและการเข้ารหัสตัวอักษร (encoding) จากนั้นให้บังคับ AI รายงานจำนวนแถวทั้งก่อนและหลังทุกขั้นตอน เพื่อจะได้รู้ทันทีถ้าแถวหายไปหรือมีการแอบเปลี่ยนชนิดข้อมูลแบบเงียบ ๆ
ขั้นที่ 3 — วิเคราะห์และสำรวจข้อมูล พร้อมดูโค้ดที่รันจริง
ทำขั้นตอนสำรวจข้อมูลเบื้องต้น (EDA) คือ ดูว่าค่ากระจายตัวยังไง ดูสถิติสรุป ดูความสัมพันธ์ระหว่างตัวแปร (correlation) และลองแยกดูเป็นกลุ่ม ๆ แล้วสั่งให้ AI 'โชว์โค้ดหรือ SQL ที่มันรัน' พร้อมตัวเลขที่ได้ระหว่างทางออกมาด้วย ถ้าคุณเป็น analyst ก็ให้ AI ช่วยร่างโค้ดและช่วยหาจุดผิด (bug) ใน pandas หรือ SQL หรือจะใช้วิธีพิมพ์เป็นภาษาคนแล้วให้แปลงเป็น SQL ให้ (text-to-SQL) บนคู่มือข้อมูลที่นิยามตัวชี้วัด (metric) ไว้ชัดเจนก็ได้ (semantic model) แต่ต้องระวังไว้ว่าถ้าคำถามมันซับซ้อนหลายชั้นหรือโครงสร้างข้อมูลรก ๆ AI จะเข้าโซนที่ตอบแม่นยำได้ยากอย่างที่เห็นในการทดสอบ Spider 2.0 และต้องย้ำกับตัวเองเสมอว่า การที่สองอย่างเกิดขึ้นพร้อมกัน (correlation) ไม่ได้แปลว่าอันหนึ่งเป็นสาเหตุของอีกอันเสมอไป (causation)
ขั้นที่ 4 — ทำกราฟให้ตรงกับคำถามและตรงกับตัวเลข
เลือกทำกราฟให้เข้ากับชนิดของคำถาม (กราฟเส้น line ไว้ดูแนวโน้มตามเวลา, กราฟแท่ง bar ไว้เปรียบเทียบระหว่างหมวด, กราฟจุด scatter ไว้ดูความสัมพันธ์) จะใช้ Artifacts ของ Claude หรือกราฟและตารางแบบกดเล่นได้ของ ADA ก็ได้ทั้งนั้น สิ่งที่ต้องเช็กคือกราฟต้องสร้างมาจากตัวเลขที่รันจริง ไม่ใช่ตัวเลขที่ AI เดาเอา และควรเลี่ยงกราฟที่ชวนให้เข้าใจผิด เช่น กราฟที่แกนไม่ได้เริ่มจากศูนย์ หรือกราฟวงกลม (pie chart) ที่ยัดหมวดเยอะเกินไปจนดูไม่รู้เรื่อง
ขั้นที่ 5 — เขียนรายงาน โดยถือว่าข้อค้นพบยังเป็นแค่สมมติฐานที่ต้องตรวจ
เขียนเป็นเรื่องเล่าและใส่ข้อค้นพบที่น่าสนใจ (insight) ลงไปได้เลย แต่ให้ถือว่ามันเป็นแค่ 'สมมติฐานที่ยังต้องตรวจสอบต่อ' ไม่ใช่ข้อสรุปที่ฟันธงได้แล้ว ตัวเลขทุกตัวในรายงานต้องมาจากโค้ดที่รันจริง และควรสุ่มไล่เช็กด้วยมือตัวเองบ้าง (spot-check) อย่างน้อยสักบางตัว ต้องระวังอย่าไปเชื่อ AI มากเกินไป คือรับคำตอบที่มันเรียบเรียงมาสวย ๆ ลื่น ๆ ไปใช้เลยโดยไม่ตรวจ (ซึ่งเป็นสิ่งที่ NIST เตือนไว้) และในทุกข้อสรุป ให้ติดป้ายบอกให้ชัดว่าข้อไหน 'ยืนยันแล้ว' และข้อไหนยังเป็นแค่ 'สมมติฐาน'
ทำตลอดทาง — เก็บให้ทำซ้ำได้และรู้ที่มาที่ไปของข้อมูล
ให้เก็บโค้ดหรือ SQL ที่ AI สร้างเอาไว้ จดว่าใช้ไลบรารีเวอร์ชันอะไร ลองรันซ้ำอีกรอบเพื่อยืนยันว่าได้ผลเหมือนเดิม (เพราะบางทีสั่งด้วยคำสั่งเดียวกัน AI ก็ยังให้ผลไม่เหมือนกัน) คอยเช็กจำนวนแถวและดูว่าข้อมูลโดนตัดหายไปหรือเปล่า และทำเอกสารคู่มือข้อมูลเก็บไว้ (semantic model) เหตุผลก็คือคำตอบที่คุยกันในแชตอย่างเดียวมันเอากลับมาทำซ้ำให้ได้ผลเดิมไม่ได้ เราต้องยึดที่ตัวโค้ดเป็นหลัก ไม่ใช่ยึดแค่คำสั่งที่พิมพ์ไป (prompt)