สูตรสำเร็จสำหรับองค์กร การทำ ‘Big Data Analytics’ พร้อมกรณีศึกษา

การวิเคราะห์ Big Data คือกระบวนการในการตรวจวิเคราะห์ข้อมูลขนาดใหญ่และหลากหลายเพื่อค้นหารูปแบบที่ซ่อนอยู่ ความสัมพันธ์ที่ไม่เคยรู้มาก่อน แนวโน้มของตลาด รสนิยมของลูกค้า ตลอดจนข้อมูลที่มีประโยชน์อื่นๆ ซึ่งจะช่วยองค์กรตัดสินใจบนพื้นฐานของข้อมูลที่มีอยู่ โดยในงาน Techsauce Global Summit มีการอภิปรายกันว่า สิ่งเหล่านี้จะส่งผลอย่างไรต่อธุรกิจและจะพัฒนาการใช้ประโยชน์จาก Big Data ได้อย่างไร โดยเหล่าผู้เชี่ยวชาญ ได้แก่  David Sanders ซีอีโอจาก Nugitดร.สุทธาภา อมรวิวัฒน์ ซีอีโอจาก SCB Abacus, อารยา หัตถสุวรรณ ซีเอฟโอ จาก Snapcart, วัชระ เอมวัฒน์ ผู้ร่วมก่อตั้งและซีอีโอจาก Computerlogy โดยมี Michelle Katics ผู้ร่วมก่อตั้งและซีอีโอจาก PorfolioQuest เป็นผู้ดำเนินการเสวนา

การเก็บข้อมูลนั้นง่ายดายขึ้นมากเช่นเดียวกับการวิเคราะห์ข้อมูลที่เป็นไปได้อย่างรวดเร็วมากขึ้นเมื่อใช้เทคโนโลยีเข้ามาช่วย แต่ทว่าพื้นฐานของการใช้สถิติศาสตร์และวิธีการทางสถิติยังไม่เปลี่ยนแปลงไป นั่นคือการตั้งสมมติฐานที่ชัดเจนและทดสอบสมมติฐานดังกล่าว ซึ่ง Data scientist จะต้องทำให้แน่ใจว่าโครงสร้างที่ดีในตัวข้อมูลนั้นๆ กับการนำไปใช้งาน การพัฒนาความเป็นเหตุและผลซึ่งเชื่อถือได้ เป็นพื้นฐานที่สำคัญ

โดยคำถามเกี่ยวกับความถูกต้องเคร่งครัดในการใช้ข้อมูลและการวิเคราะห์ข้อมูลเป็นคำถามหนึ่งที่ถูกหยิบยกขึ้นมาในวงเสวนานี้ ซึ่ง ดร.สุทธาภา อมรวิวัฒน์ จาก SCB Abacus ให้คำตอบไว้อย่างน่าสนใจว่า จริงๆ แล้วปัญหาพื้นฐานที่สุดปัญหาหนึ่งในการวิเคราะห์ Big Data คือการหาคนที่เหมาะสมในการทำงานนี้ได้ เนื่องจาก Data Science นั้นเป็นสาขาที่ยังค่อนข้างใหม่และผู้สอนส่วนใหญ่นั้นอายุยังน้อย จึงเป็นการยากที่จะหากรณีศึกษาที่หนักแน่นและรวดเร็วพอที่จะพิสูจน์ประสบการณ์ของพวกเขาเหล่านั้น รวมไปถึงกลุ่มของข้อมูลที่บริษัทต่างๆ ต้องจัดการในปัจจุบันนั้นมีขนาดใหญ่และมีข้อมูลที่ไม่จำเป็นจำนวนมาก ความยากในการกรองข้อมูลที่มีประโยชน์และไม่มีประโยชน์ออกจากกันจึงเป็นงานของคนที่เชี่ยวชาญในด้านนั้นจริงๆ ซึ่งเป็นตำแหน่งที่หาคนเข้ามาทำในส่วนนี้ได้ยากที่สุดในองค์กร

ถึงแม้ว่าปัจจุบันจะมีทั้งนวัตกรรม AI และ Machine Learning เข้ามามีบทบาทในการวิเคราะห์ข้อมูล แต่บริษัทก็ยังคงต้องการมนุษย์จริงๆ เข้ามามีส่วนร่วม เพราะ Machine Learning นั้น บอกได้เพียงระดับความสัมพันธ์กันของข้อมูล (Correlation) แต่ไม่สามารถบอกถึงความเป็นเหตุเป็นผลกัน (Causality) ของข้อมูลได้ มีเพียงมนุษย์เท่านั้นที่จะสามารถทดสอบความเป็นเหตุเป็นผลของข้อมูลได้ และนั่นยิ่งเป็นเหตุผลสำคัญให้เรายิ่งต้องจ้างคนที่เหมาะสมกับงานดังกล่าว โดยผู้เชี่ยวชาญในเทคโนโลยีต่างๆ ที่คาบเกี่ยวกันจะกลายเป็นทรัพยากรบุคคลที่มีคุณค่ามากในอนาคต

ส่วน อารยา จาก Snapcart กล่าวเสริมว่า ภายในองค์กรของเธอเองก็กำลังมองหาคนที่จะมาเป็น ‘Unicorn Data Scientist’ เช่นกัน โดยบุคลากรในอุดมคติที่ Snapcart กำลังมองหาคือ คนที่มีความรู้ทั้งด้านข้อมูล ธุรกิจ และเทคโนโลยี ในการจะจ้างคนที่ทั้งสามารถ Code ได้ เชี่ยวชาญ Machine Learning และมีความรู้ในอุตสาหกรรมนั้นเป็นเรื่องไม่ง่าย Snapcart จึงจ้างทั้ง Data Scientist และ Business Intelligence Analyst เพื่อแก้ไขปัญหานี้ เพราะความรู้ความเชี่ยวชาญของแต่ละคนสามารถเสริมกันและกันได้ โดยเมื่อ Data Scientist รู้ว่าควรจะทำอย่างไรกับข้อมูล ในขณะที่ Business Intelligence Analyst รู้ว่าควรจะวิเคราะห์ข้อมูลอย่างไร

ในการติดตั้งระบบสักระบบนั้น คุณเลือกที่จะสร้างระบบขึ้นเองหรือซื้อระบบ?

Snapcart นั้น เชื่อทั้งการสร้างระบบขึ้นใช้เองและการซื้อมาใช้ โดยเลือกที่จะมองหาการสร้างประโยชน์ให้แก่ธุรกิจหลักของพวกเขาในระยะยาวด้วยการมองในแง่มุมต่างๆ เช่น ความยั่งยืน ความได้เปรียบในการแข่งขัน อาทิ เทคโนโลยี OCR Snapcart เองเคยใช้แพลตฟอร์มที่สร้างโดยบริษัทอื่น แต่ก็ไม่ประสบความสำเร็จนักเพราะผู้ให้บริการนั้นไม่ได้เข้าใจถึงขอบเขตของปัญหาในเชิงลึกอย่างเพียงพอ ในขณะเดียวกัน Snapcart ยังให้บริการ Dashboard ซึ่งให้ลูกค้าของบริษัทสามารถเข้าถึงข้อมูลที่ผ่านการวิเคราะห์และความต้องการของลูกค้า (Consumer Insights) ได้ พบว่าการออกแบบ Dashboard ที่เข้ากับความต้องการของลูกค้าแต่ละรายนั้นกินเวลามาก การให้ Outsource ทำจึงเป็นวิธีการที่เหมาะสมกว่า เพราะบริษัทที่ให้บริการด้านโซลูชันในเรื่องนี้นั้นสามารถออกแบบ Dashboard ได้ดีกว่า Snapcart เป็นอย่างมาก

ในอีกด้านหนึ่ง SCB Abacus นั้นชอบที่จะสร้างเทคโนโลยีของตัวเองขึ้นมามากกว่า เนื่องจาก Abacus นั้นเป็นทีมขนาดเล็กที่มองความสมารถในการขยายตัว ความยืดหยุ่น และการใช้ระบบที่เหมาะสมเพื่อพัฒนาจากภายในเอง แต่ก็ไม่ใช่ว่าพวกเขาจะปิดประตูในการสร้างพาร์ทเนอร์ เพียงแต่การหาพาร์ทเนอร์ที่ใช่นั้นมักจะไม่ง่ายเอาเสียเลย เช่น เมื่อพูดถึง Machine Learning บริษัทต่างๆ ก็ต้องปล่อยให้ระบบได้เรียนรู้  ซึ่งการทำซ้ำๆ และการออกแบบผลิตภัณฑ์นั้นเป็นเรื่องสำคัญมากที่จะทำให้บริษัทสามารถสร้างผลิตภัณฑ์ที่มั่นใจพอที่จะปล่อยสู่ตลาด และในด้านการเงินนั้นก็มีข้อกำหนดต่างๆ มากมายที่ทำให้เกิดกระบวนการเหล่านี้ภายนอกองค์กรได้ยาก

David จาก Nugit กล่าวว่า การเป็นเจ้าของและควบคุมข้อมูลต่างๆ ของบริษัทนั้นเป็นสิ่งที่สำคัญมากในระดับที่ควรจะเป็นความสามารถหลักภายในองค์กร และการวิเคราะห์ข้อมูลก็ไม่ควรจ้างบริษัทภายนอก เพราะแพลตฟอร์มที่ใช้นั้นสร้างความแตกต่างน้อยมากตราบใดที่บริษัทยังคงอยู่ภายใต้การควบคุมดูแลกิจการเองและสามารถที่จะจัดการกับเครื่องมือนั้นได้

สำหรับ วัชระ จาก Computerlogy ก็พยายามที่จะพัฒนาเทคโนโลยีภายในองค์กรเองโดยคิดถึงลูกค้าเป็นสำคัญ จึงให้ความสำคัญกับสิ่งที่ตลาดต้องการและพยายามที่จะนำเสนอผลิตภัณฑ์ที่มีความเฉพาะเจาะจงซึ่งได้ตั้งค่าต่างๆ ไว้ก่อนแล้ว เพื่อให้ลูกค้าใช้งานได้ทันทีโดยไม่ต้องเรียนรู้ขั้นตอนที่ซับซ้อน

การพูดคุยนั้นจบลงที่การสรุปสั้นๆ ถึงวิธีการที่จะทำให้ไอเดียนำไปสู่การปฏิบัติได้จริงภายในบริษัทต่างๆ โดยมีตัวอย่างแนวทางดังนี้

  • ให้ความสนใจกับโครงสร้างพื้นฐานและการป้องกันต่างๆ น้อยลง แล้วหันมาสนใจกับการแปลความหมายและให้ข้อมูลแก่ผู้ที่เหมาะสมมากขึ้น
  • ข้อมูลแบบออฟไลน์นั้นเก็บได้ยาก ให้ดำเนินการกับข้อมูลแบบ Real Time และใช้งบการตลาดอย่างมีประสิทธิภาพยิ่งขึ้น
  • คนทำงานยังไม่เชื่อมต่อกับระบบที่เหมาะสม ซึ่งการเชื่อมต่อถึงกันนั้นเป็นสิ่งจำเป็นโดยเฉพาะภายในองค์กร
  • การมีข้อมูล Insight นั้นเป็นเรื่องสำคัญของแต่ละบริษัท แต่การนำ Insight เหล่านั้นมาปรับใช้นั้นมีค่ายิ่งกว่าสำหรับภาคธุรกิจ
  • เปิดการติดต่อสื่อสารกับบุคคลต่างๆ ที่เกี่ยวข้องภายในบริษัทให้มากขึ้น

Comments

comments