ข้อมูล หรือ Data เป็นสิ่งสำคัญในการขับเคลื่อนธุรกิจให้เดินหน้าไปได้อย่างมีทิศทางที่ถูกต้อง สามารถสร้างมูลค่าเพิ่ม และโอกาสเติบโตให้ธุรกิจได้ โดย รศ.ดร.สรณะ นุชอนงค์ และ คุณพงศ์ธัชชัย ปณชัยบูรณ์พิภพ CEO และ COO จาก บริษัท วิสัย เอไอ จำกัด (VISAI) ได้มาแชร์ประสบการณ์ในฐานะบริษัทให้คำปรึกษาด้านเทคโนโลยี และ AI ถึงการใช้ประโยชน์จากข้อมูลอย่างถูกวิธี ไว้ในหลักสูตร “MISSION X” The Boot Camp of Advanced Corporate Transformation รุ่นที่ 4 เมื่อวันที่ 12 กรกฎาคม 2565 ที่ผ่านมา ซึ่งเป็นวิธีปฏิบัติที่พิสูจน์แล้วว่าทำได้และเป็นไปได้จริง

ใช้ Data ช่วยวิเคราะห์ธุรกิจ เหมือนมีเข็มทิศนำทาง

ดร.สรณะ ยกตัวอย่างเคสของ Starbucks ที่ได้ปิดสาขาลงกว่าร้อยสาขาในปี ค.ศ. 2008 ซึ่งเป็นผลพวงจากการเร่งเปิดสาขาโดยไม่มีข้อมูลมาสนับสนุน แต่ในปัจจุบัน Starbucks ได้นำข้อมูลด้านประชากร และความหนาแน่นในแต่ละพื้นที่มาเป็นตัวช่วยในการวิเคราะห์ เพื่อตัดสินใจเปิดสาขาใหม่ๆ ทำให้การลงทุนมีความคุ้มค่ามากขึ้น ส่วน Amazon นำข้อมูลพฤติกรรมการซื้อสินค้าของลูกค้ามาช่วยในการแนะนำสินค้า หรือเซ็ทสินค้าที่เหมาะกับแต่ละคน ทำให้เกิดการตัดสินใจซื้อง่ายขึ้น ได้ยอดขายต่อคนเพิ่มขึ้น

คุณพงศ์ธัชชัย เล่าเคสที่บริษัท VISAI ได้เข้าไปเป็นที่ปรึกษาให้กับบริษัทในเครือ PTT Group โดยครั้งนั้นจะต้องเจาะหลุมสำรวจน้ำมันที่อ่าวไทย ซึ่งมีประมาณสามถึงสี่พันหลุม ใน 1 หลุมต้องใช้นักธรณีวิทยาแปลผลชั้นหินถึง 2 วัน แต่พอนำ AI เข้ามาจับกับข้อมูล ทำให้รู้ว่า ชั้นหินในแต่ละหลุมเป็นแก๊ส น้ำมัน หรือน้ำ ได้อย่างรวดเร็ว สามารถแปลผลได้ถึง 16 หลุม ในเวลา 2 วัน เกิดประสิทธิภาพในการทำงานมากขึ้นถึง 1,600 %

กระบวนการงานวิเคราะห์ Data

การทำงานกับข้อมูลจะแบ่งเป็น 2 ส่วน คือ Development Phase และ Deployment Phase โดยใน Development Phase จะมี 8 ขั้นตอนด้วยกัน เริ่มตั้งแต่การเข้าใจปัญหา (Identify Problem) > ตั้งสมมุติฐาน (Formulate Hypothesis) > เก็บข้อมูล (Collect Data) > ตรวจสอบข้อมูล (Explore Data) > ทำความสะอาดข้อมูล (Clean Data) > วิเคราะห์ข้อมูล (Analyze Data) > แปลผล (Interpret and Evaluate Results) > เสนอผลลัพธ์ที่ได้ (Present Results) แต่ในความเป็นจริงแล้ว การทำงานกับข้อมูล สามารถกลับไปทำขั้นตอนก่อนหน้าซ้ำได้ เช่น หลังจากวิเคราะห์ข้อมูลแล้วพบว่ามีข้อมูลบางส่วนผิดพลาด ก็ต้องเข้าสู่ขั้นตอนทำความสะอาดข้อมูลอีกครั้ง หรือหากพบว่าข้อมูลที่ได้ไม่เพียงพอต่อการนำไปวิเคราะห์ ก็สามารถกลับไปขั้นตอนของการเก็บข้อมูลเพิ่มเติมได้ ส่วน Deployment Phase จะเป็นการนำสิ่งที่ได้จาก Development Phase มาใช้งานร่วมกับ Data Pipeline และ Model Pipeline เพื่อให้ได้ผลลัพธ์ตามที่ต้องการ และสื่อสารออกไป

สร้างทีมแบบไหน นำ Data มาใช้ในองค์กร

การทำงานกับข้อมูลจำเป็นต้องมีทีมงานที่มีความรู้และประสบการณ์ โดยสามารถสร้างทีมทำงานได้ 2 รูปแบบ คือ

1. Big-Bang Strategy ตั้งทีมงานมาพัฒนาโดยตรง ซึ่งทีมงานนี้จะเป็นศูนย์กลางของทั้งองค์กร แต่มีข้อเสียคือ หากทีมข้อมูลไม่ได้ทำงานใกล้ชิดกับฝั่ง business ที่อยู่หน้างานโดยตรง ก็จะไม่เกิดการนำไปใช้จริง เมื่อไม่มีใครใช้ ก็ไม่เกิดประโยชน์
   
   
2. Grassroots Approach แต่ละแผนกจะมี Data Scientist/Data Analyst เป็นของตัวเอง ทำให้เห็นปัญหาหน้างานจริง และแก้ไขได้ตรงจุด ข้อเสียคือ การที่ต่างคนต่างทำในแต่ละแผนก จะขาดการเชื่อมโยงข้อมูลระหว่างกัน

Data Operational Team ที่ทาง VISAI ได้นำไปใช้จริงในองค์กรขนาดใหญ่และได้ผลดี ประกอบไปด้วย DCOE Team, IT Team, Analytics Team และ Use Case Team โดยให้มองข้อมูลเป็นเหมือนผลิตภัณฑ์ตัวหนึ่ง ที่ต้องใช้ข้อมูลดิบไปพัฒนา เพื่อลดความซ้ำซ้อนของงาน และเกิดประโยชน์ต่อธุรกิจ เริ่มจากหาความเป็นได้ ดูว่า Use Case ต่างๆ ในแต่ละแผนก มีคุณค่าทางธุรกิจอย่างไร จากนั้นนำมาจัดกลุ่ม ทำให้โปรเจกต์ต่างๆ ที่ดูเหมือนไม่น่าเกี่ยวข้องกัน สามารถใช้ข้อมูลที่มีอยู่ร่วมกันได้

• DCOE Team หรือ Data Center of Excellence Team เป็นทีมงานหลักที่คอยสนับสนุน และขับเคลื่อนให้เกิด Data Product ในแต่ละหน่วยงาน โดยไม่ได้ลงมือทำเอง แต่จะเป็นเหมือน Business Partner ให้กับหน่วยงานต่างๆ
  
  
• IT Team ดูแล Infrastructure ในองค์กร และทำงานร่วมกับ DCOE Team
  
  
• Analytics Team ดูแลงานด้านข้อมูลขององค์กร ประกอบด้วย Data Project Manager, Data Scientist, Data Analyst
  
  
• Use Case Team สนับสนุนข้อมูลเพื่อให้การทำงานมีความเชื่อมโยงกัน สามารถนำไปวิเคราะห์เพื่อหาสิ่งที่สร้างคุณค่าให้ธุรกิจได้

หากเป็นธุรกิจขนาดเล็ก ถึงปานกลาง สามารถเริ่มต้นจาก One Small Data Team ได้ ซึ่งเป็น Data Analytics Team ที่ประกอบด้วย

• Data Project Manager มีหน้าที่ดูแลโครงการ และจัดลำดับงาน ที่สำคัญต้องมีความรู้ในด้านข้อมูลด้วย
  
  
• Domain Expert /Business Team มีหน้าที่สนับสนุนความรู้ด้านข้อมูล วิเคราะห์ความต้องการของธุรกิจ โดย Business Team ให้ความต้องการว่าอยากเห็นข้อมูลอะไรบ้างที่สามารถนำไปใช้ประโยชน์ได้ และมีคุณค่าต่อธุรกิจ
  
  
• Data Analyst / Data Scientist มีหน้าที่วิเคราะห์ข้อมูล แปลผล ออกแบบกราฟแสดงผล และสร้างโมเดล
  
  
• Data Engineer / IT Team ดูแล Pipeline ทำ Infrastructure และ Application มีความรู้ด้าน Database, Infrastructure และ Data security
  

ประเภทของ Data Analytics

1. Descriptive Analytics อธิบายว่าข้อมูลที่ผ่านมาเป็นอย่างไร เกิดอะไรขึ้น
   
   
2. Diagnostic Analytics วิเคราะห์หาสาเหตุ ที่มาที่ไป และความสัมพันธ์ของสิ่งที่เกิดขึ้น
   
   
3. Predictive Analytics ทำนายว่าอนาคตจะเกิดอะไรขึ้น เพื่อเตรียมพร้อมรับมือ เช่น การทำ Customer Analytics เพื่อดูว่าจะแบ่งหมวดหมู่ลูกค้าอย่างไร ลูกค้ารู้สึกกับเราอย่างไร สามารถทำนายยอดขายได้ ใช้คนประมาณ 1- 3 คน ที่มีความรู้ทาง Data Science
   
   
4. Prescriptive Analytics บอกได้ว่าควรทำอย่างไร เพื่อให้ได้ผลลัพธ์ตามที่ต้องการ เช่น จะบริหารจัดการอย่างไร ส่งของอย่างไรให้เหมาะสมที่สุด ใช้คนประมาณ 2 - 4 คน ที่มีความเชี่ยวชาญทาง Data Science

การทำ Dashboard จัดอยู่ใน Descriptive Analytics และ Diagnostic Analytics เครื่องมือที่ใช้ได้แก่ Excel, Power BI, Tableau ใช้คนประมาณ 1-2 คน

เครื่องมือที่ใช้ในการพัฒนา Predictive Analytics และ Prescriptive Analytics ได้แก่ Python, R (Develop all from scratch), Low-code software (Develop data pipeline and select algorithms), AI model platform (Develop data pipeline)

เพื่อให้นึกภาพได้ชัดเจนขึ้น คุณพงศ์ธัชชัย ได้ยกตัวอย่างการพัฒนา Social Listening ที่เริ่มตั้งแต่การเข้าไปเก็บรวบรวมความคิดเห็นของแคมเปญที่ต้องการบนโซเชียลมีเดีย มีการวิเคราะห์คำด้วยการทำ Text Analytics Model เพื่อดูว่าแต่ละความคิดเห็นนั้น เป็น Positive, Negative หรือมี Issue อะไรเกิดขึ้นบ้าง แล้วสรุปออกมาเป็น Dashboard & Alert System เพื่อช่วยบริหารความเสี่ยงที่อาจจะเกิดขึ้น

โดยการสร้าง AI/Model ให้ออกมาดี จะต้องมีข้อมูลที่ดี และโมเดลที่ดี ดังนี้

Good AI = Good Data + Good Model

Good Data คือ ชุดข้อมูลที่สอดคล้องกับสิ่งที่จะใช้งาน มีรูปแบบเดียวกัน และขนาดเหมาะสม ซึ่งดูแลโดย Domain Expertise ในฝั่ง Business ส่วน Good Model คือ ความสามารถเรียนรู้ข้อมูลจากชุดหนึ่งและนำไปใช้กับชุดข้อมูลอื่นๆ ได้  ขนาดของโมเดลต้องไม่ใหญ่เกินไป ไม่ใช้ข้อมูลหรือทรัพยากรที่มากเกินไป คนดูแลก็คือ Deep Tech Skills

4 ขั้นตอนเริ่มทำ Data Project

1. Define Problems / Pain Points เข้าใจว่าปัญหาของเราคืออะไร ซึ่งปัญหาที่ผู้บริหารคิดว่าใช่ อาจจะไม่เหมือนกับปัญหาที่พนักงานคิดว่าใช่ จึงต้องร่วมกันคิด ร่วมกันทำ
   
   
2. Formulate Prelim Solution กำหนดตัวอย่างและแนวทางแก้ปัญหา ดูว่าต้องใช้อะไรบ้าง
   
   
3. Prioritize Projects ลงรายละเอียดดูว่า แต่ละปัญหามีผลกระทบอย่างไร แก้ไขง่ายหรือยาก ใช้เวลาขนาดไหน ต้องใช้งบประมาณเท่าไหร่ แต่ละขั้นตอนมีได้มากกว่าหนึ่งปัญหา หากแก้ได้หลายข้อจะช่วยลดผลกระทบได้มากน้อยแค่ไหน รวมถึงความพร้อมในการแก้ปัญหา ความพร้อมของฮาร์ดแวร์ ซอฟท์แวร์ หรือคนที่จะมาพัฒนา
   
   
4. Select the Projects ช่วยกันเลือกสิ่งที่จะทำก่อนหลัง โดยมีสองแกนหลักที่ต้องดู คือ ผลกระทบ (impact) และความยุ่งยากซับซ้อน (complexity) โดยสิ่งที่ผลกระทบสูง ความยุ่งยากซับซ้อนต่ำ ควรทำทันที ส่วนสิ่งที่มีผลกระทบสูง และความยุ่งยากซับซ้อนสูง อาจส่งให้ผู้เชี่ยวชาญเริ่มทำก่อน แล้วค่อยนำมาใช้ในธุรกิจ

การทำ Data Project ต้องทำอย่างต่อเนื่อง เพื่อให้ได้ข้อมูลที่เป็นปัจจุบันอยู่เสมอ และรู้ insight มากขึ้น ซึ่งการทำงานสามารถใช้คนเดียวทำหลายหน้าที่ ไปจนถึงการใช้ทีมงานหลายแผนกเข้ามาเกี่ยวข้อง และไม่มีขั้นตอนที่ตายตัว สามารถย้อนกลับมาทำขั้นตอนก่อนหน้าอีกครั้งได้ ที่สำคัญ คุณพงศ์ธัชชัย ได้แนะนำไว้ว่า การทำ Data Project ไม่ควรเริ่มต้นจากการเลือกเทคโนโลยี หรือ Solution แต่ควรเลือกปัญหาที่ต้องการแก้ไขให้ได้ก่อน ซึ่งควรเป็นปัญหาที่เมื่อแก้ไขแล้วจะเป็นประโยชน์ และสามารถสร้างมูลค่าเพิ่มให้แก่ธุรกิจได้

ที่มา MissionX The Boot Camp of Advanced Corporate Transformation วันที่ 12 กรกฎาคม 2565