“Data is New Oil” เป็นแนวคิดของโลกธุรกิจปัจจุบันที่ Data เป็นเครื่องมือสำคัญ แต่ไม่ใช่มีเพียง Data อย่างเดียวแล้วจะเพียงพอ การวิเคราะห์ Data เพื่อให้เกิดการนำ Data ไปใช้งานได้จริงเป็นสิ่งที่จะเพิ่มขีดความแข่งขันของธุรกิจอย่างแท้จริง คุณภณเอก วราวิชญ์ กรรมการอิสระ พรีเมียร์ มาร์เก็ตติ้ง ผู้เชี่ยวชาญด้าน Analytics ได้นำเสนอวิธีวิเคราะห์Dataสำหรับธุรกิจและการผลิตอัจฉริยะในห่วงโซ่อุปทาน แอปพลิเคชั่นดิจิทัลใน SCM สินค้าคงคลังดิจิทัลและการจัดการคลังสินค้า เพิ่มประสิทธิภาพโลจิสติกส์ด้วยดิจิทัล

พลังของ Data

ในมุมมองของคุณภณเอก ถ้าใช้ Data เป็นจะเปลี่ยนธุรกิจ วิธีคิด วิธีทำงานได้  Data Driven คือการทำอย่างไรที่จะนำ Data มาใช้ประโยชน์ในชีวิตประจำวัน ทำธุรกิจ และเปลี่ยนธุรกิจให้ได้มากที่สุด จากประสบการณ์กว่า 20 ปีของการทำงานในธุรกิจสินค้าคอนซูเมอร์ ทำให้คุณภณเอกเข้าใจธุรกิจ วิธีมองลูกค้า บริหารจัดการการขาย ผลิตได้เยอะ ทำอย่างไรจะขายได้จำนวนมาก เมื่อขายได้มากแล้วทำอย่างไรให้ลูกค้ากลับมาซื้อซ้ำอีก

Data จะช่วย Business แก้ไขปัญหาได้อย่างไร?

คำถามเริ่มต้องจากเก็บ Data มาแล้วจะทำอย่างไรกับสิ่งที่ได้มาเพื่อจะช่วยกู้สถานการณ์ธุรกิจได้ คำตอบของการแก้ปัญหาของธุรกิจด้วยโมเดล PDCA (Plan, Do, Check, Adjust) โดยสามารถนำ Data Analytic มาใช้ได้ 2 ส่วน คือ

1)  Planning: ใช้ Data Analytic มาทำความเข้าใจสถานการณ์ปัจจุบัน สร้างฉากทัศน์ในอนาคต จัดลำดับความสำคัญตามผลกระทบ ใช้ Data พัฒนาแผนปฏิบัติการ ประเมินความเสี่ยง รวมถึงการใช้ทรัพยากรให้เกิดประโยชน์สูงสุด

2)  Measurement: วัดผลประกอบการเทียบเกณฑ์ (Benchmark) ทั้งภายในหรือภายนอก, เปรียบเทียบความแตกต่างของ Business Landscape ทั้งลูกค้า คู่แข่งและปัจจัยอื่นๆ หลังการดำเนินการ, ติดตามตัวชี้วัดของผลประกอบการและเจาะลึกลงในการเปลี่ยนแปลงย่อยๆ

การใช้ Dataในกระบวนการ PDCA คือใช้ในการวางแผน และติดตามความคืบหน้าที่ทำไปแล้ว ซี่งก็จะทำให้การปรับเปลี่ยน ตามมาโดยอัตโนมัติ

รู้จัก Business Data Anatomy  :  Data คืออะไร มีลักษณะอย่างไร

เมื่อพูดถึง Data เดิมจะนึกถึงการทำธุรกรรม (Transaction) เช่น การสั่งของรับของ เปิดออเดอร์ ฯลฯ เป็น Data จากระบบ ERP  ที่มีหลักฐานจัดเก็บง่าย แต่ปัจจุบัน Data เหล่านี้ไม่เพียงพอ โดย Data ที่ต้องเพิ่มเข้ามาคือ Interaction Data การที่ลูกค้ามี Interact กับแบรนด์/สินค้าของเราอย่างไร เช่น เข้ามาดูสินค้าผ่านเว็บไซต์ กด Like ในโซเชียลมีเดียล แม้ยังไม่ซื้อสินค้า แต่มียอด Engagement ยอดเข้าชมเว็บไซต์ เป็นต้น แล้วยังรวมไปถึง Observation Data ที่ยังไม่มี Engagement แค่เป็นยอดวิว หรือยอดคนเดินผ่านเครื่องขายสินค้า เป็นต้น

Data ทั้งหมดนี้รวมกัน (Transaction + Interaction + Observation) คือ Big Data ที่มีปริมาณมากขึ้น แต่แม้Dataมากขึ้นก็ไม่ได้หมายความว่ามีมูลค่ามากขึ้น ยอด Like ยังเปลี่ยนเป็นเงินไม่ได้  ในช่วงเริ่มต้นให้โฟกัสที่ Transaction Data ที่ก่อให้เกิดรายได้ก่อน

การแบ่งประเภทของ Data ได้แก่

-  Structure Data คือ Data ที่โครงสร้างชัดเจน ข้อกำหนดชัดเจน เช่น Dataตัวเลข ตัวอักษร เป็นวันที่ เวลา ฯลฯ ถูกกำหนดไว้เป็นมาตรฐานในระบบ ERP แล้ว

-  Un-structure data เช่น รูป วิดีโอ เสียง  Data มีขนาดไม่เท่ากัน รายละเอียดไม่เหมือนกัน

-  Semi-Structure data เช่น meta-data, JSON Data ของ Data เช่นรูปถ่ายที่ไหน เวลากี่โมง ความละเอียดเท่าไร

ลักษณะของ Data

- Data ที่นับจำนวนได้ Discrete VS Continuous

- Data แบ่งประเภท อย่าง SKU สินค้า (Categorical) vs เรียงลำดับ (Ordinal) vs  Interval

- Data ที่เกิดขึ้นจริง (Base) vs Dataที่มาจากคำนวณ (Calculated)

การมอง Data (Dimensional Modeling) :

- ข้อเท็จจริง (Fact)  กิจกรรมที่เกิดขึ้นและถูกบันทึกลงระบบ (Transaction, Interaction, Observation)

- Measures เป็นตัวแทนของ Fact เช่น กก. ชิ้น, บาท, ดอลลาร์

- Dimension หรือหลักเกณฑ์การวิเคราะห์ขึ้นอยู่กับธรรมชาติธุรกิจ  (Who, What, When, Where, How) และ Meta Data

โมเดลการวิเคราะห์ Data (Data Analysis Model) เช่น  Fact and Measures, Simple Dimensional Data Model, Analysis Cube, Data level of details  : Top-Down, Bottom-Up เป็นต้น

พื้นฐานการวิเคราะห์ Data ทำได้เองในฐานะเจ้าของกิจการ (Basic Analysis Technique)

การวิเคราะห์จะทำให้ Data มีมูลค่ามากขึ้น โดยมีวิธีคิด Exploratory Analysis หลัก ดังนี้

-   ต้องรู้ว่า Data ที่ได้มาคือ Data อะไร

-    มองหาโมเดลของ Data ว่ามี Fact, Measure, Dimension อย่างไร

-    มีรูปแบบ Format และ Orientation การจัดเรียงอย่างไร

-    Data สมบูรณ์มีความซ้ำซ้อนกันหรือไม่

-    Data พร้อมใช้หรือไม่ ต้องมีการคลีน ปรับเปลี่ยน Data หรือไม่?

-    การวิเคราะห์ Data ถูกต้องตามหลักจริยธรรมหรือไม่

-    ดูการกระจายตัวของ Data

การวิเคราะห์ Data เบื้องต้น มีฟังก์ชั่นการวิเคราะห์ เช่น Sorting , Top/Bottom x(%), Conditional formatting, Aggregation Logic ควบรวมDataในแต่ละมิติด้วยการ Sum, Count, Average เลือกใช้ที่เหมาะสมกับประเภท Data , Trend & Pattern ใช้กราฟ ใช้ Chart, Tabulate ใช้ Pivot Table, Pivot Chart

การทำ Control Charting  คือกระบวนการควบคุมการผลิตให้มั่นใจว่าสินค้าที่ผลิตออกมาได้มาตรฐานที่สุดโดยใช้หลักสถิติ ซึ่งการตั้งเครื่องให้มีความแม่นยำ มีความคลาดเคลื่อน หรือค่าความเบี่ยงเบนมาตรฐาน (Standard Deviation) น้อย โดยตามหลักสถิติ ตัวอย่าง 68% จะมีการกระจายตัวอยู่ภายใน SD +/- 1  หากขยายเป็น SD+/- 2 จะครอบคลุม 95% และถ้าขยายเพิ่มเป็น SD+/- 3 จะครอบคลุมมากถึง 99.7% ของการกระจายตัวมาตรฐานการผลิตปกติ ถ้าผลลัพธ์ยังอยู่ใน Upper/Lower Control Limited ยังถือว่าการผลิตได้มาตรฐาน

การสื่อสาร Data ด้วย Visualization

เป็นการช่วยเน้นประเด็นที่ต้องการสื่อสารให้ดูง่ายและมีความชัดเจนมากยิ่งขึ้นด้วยการใช้สีและแผนภูมิช่วยในการนำเสนอData โดยเฉพาะ Data ทางการเงิน

· การใช้สีตามค่า Data (Data Bar & Heatmap) : Data Bar ช่วยให้ผู้อ่านทำความเข้าใจกับDataได้อย่างรวดเร็ว โดยแปลงตัวเลขเป็นแถบความยาวและสี เพื่อแสดงความสัมพันธ์ของ Data แต่ละชุด Heatmap (แผนภูมิความร้อน) เหมาะกับการแสดงค่าในตาราง โดยปรับเปลี่ยนความเข้มของสีในแต่ละช่องของตารางตามค่า Data ทำให้ผู้อ่านรู้ค่าสูงสุด-ต่ำสุด และการกระจายตัวของ Dataได้อย่างรวดเร็ว การทำไฮไลท์ช่วยให้คนดูรู้ว่าตรงไหนที่ควรสนใจ

· การใช้เส้นแนวโน้มขนาดเล็ก (Sparklines)

· การใช้แผนภูมิแบบ Waterfall แสดงองค์ประกอบย่อยและผลกระทบของแต่ละองค์ประกอบย่อยนั้น ต่อค่า Dataเริ่มต้นและ Data สุดท้าย  อธิบายผลลัพธ์ขององค์ประกอบย่อยๆ ให้เห็นภาพชัดขึ้นว่าเกิดอะไรขึ้นในระหว่างนั้น ไม่ใช่เฉพาะ Before & After สามารถมองเห็นประเด็นปัญหาได้

· การใช้แผนภูมิ Sankey เพื่อแสดงความเกี่ยวข้อง  แสดงความเกี่ยวข้องกับหน่วยงานต่างๆ โดยปริมาณความเกี่ยวข้องแสดงด้วยความหนา และอาจใช้สีแสดงลักษณะอย่างอื่นได้

การนำ Data มาวิเคราะห์ต่อในมิติต่างๆ  จะะช่วยสร้างโอกาสเพิ่มยอดขาย ปิดช่องว่างที่มีอยู่ได้อย่างอยู่ เกิดการผลักดัน    ตามหลัก PDCA พัฒนาธุรกิจให้เติบโตต่อไป

_{ที่มา : DIGITAL SMART Manufacturing หลักสูตรเพื่อ SMEs ในกลุ่มอุตสาหกรรมการผลิต ลดต้นทุน เพิ่มผลผลิต สู่ความยั่งยืน ESG ด้วย IoT : Data Analytics for Digital Smart Manufacturing}