‘AI จะเปลี่ยนธุรกิจได้ องค์กรต้องเปลี่ยนวิธีมองข้อมูล’ ABeam ชี้ทางรอดขององค์กรยุคใหม่ที่ต้องสร้าง Value จาก Data ให้ได้จริง

ในวันที่ AI กลายเป็นวาระสำคัญของแทบทุกองค์กร หลายบริษัทเริ่มลงทุนในเทคโนโลยีใหม่ สร้างทีม Data ทดลองใช้ AI และเดินหน้าโครงการนำร่องมากมาย

แต่คำถามสำคัญคือ ทำไมหลายองค์กรยังไม่สามารถเปลี่ยน AI ให้กลายเป็นผลลัพธ์ทางธุรกิจได้จริง?

สำหรับ คุณแดนพบ ไพโรจน์บริบูรณ์ ผู้จัดการอาวุโสของ บริษัท เอบีม คอนซัลติ้ง (ประเทศไทย) จํากัด บริษัทที่ปรึกษาด้านการจัดการและเทคโนโลยีที่ทำงานร่วมกับองค์กรชั้นนำทั่วเอเชีย ปัญหาใหญ่ไม่ได้เริ่มต้นที่ AI แต่เริ่มตั้งแต่ ‘รากฐานของข้อมูล’ และ วิธีที่องค์กรออกแบบโครงการตั้งแต่แรก

คุณแดนมองว่า หลายองค์กรยังเริ่มต้นโครงการ AI จากมุมของเทคโนโลยี หรือมองเป็น IT Project มากกว่าจะเป็นโครงการที่ต้องขับเคลื่อนจากโจทย์ทางธุรกิจ ทำให้ Business Use Case หรือกรณีการใช้งานทางธุรกิจยังไม่ชัดเจน ขณะเดียวกัน ข้อมูลภายในองค์กรก็ยังไม่พร้อมพอที่จะนำไปต่อยอดในระดับใหญ่

เมื่อ Use Case ไม่ชัด และข้อมูลยังไม่พร้อม หลายโครงการจึงไปได้เพียงระดับ Pilot หรือ PoC แต่ยังไม่สามารถขยายผลในระดับองค์กรได้จริง

กล่าวอีกอย่างคือ องค์กรจำนวนมากไม่ได้ล้มเหลวเพราะ AI ไม่เก่งพอ แต่เพราะยังไม่มีโจทย์ทางธุรกิจที่ชัดเจน และไม่มีข้อมูลที่พร้อมพอให้ AI สร้างคุณค่าได้จริง

มีข้อมูลมาก ไม่ได้แปลว่าเป็น Data-Driven Organization

หลายองค์กรเชื่อว่าตัวเองพร้อมสำหรับ AI เพราะมีข้อมูลสะสมอยู่เป็นจำนวนมาก ทั้งจากระบบภายใน ลูกค้า การขาย การตลาด ซัพพลายเชน หรือการดำเนินงานในแต่ละวัน แต่ในมุมของคุณแดนและ ABeam การมีข้อมูลจำนวนมากยังไม่เท่ากับการเป็น Data-Driven Organization

องค์กรที่ขับเคลื่อนด้วยข้อมูลได้จริงต้องมีองค์ประกอบสำคัญ 3 เรื่องพร้อมกัน ได้แก่ ความน่าเชื่อถือของข้อมูล การเข้าถึงข้อมูล และการนำข้อมูลไปใช้ประกอบการตัดสินใจจริง

หากข้อมูลมีจำนวนมากแต่ไม่ถูกต้อง ใช้งานยาก หรือไม่ได้ถูกนำไปเชื่อมโยงกับการตัดสินใจทางธุรกิจ ข้อมูลเหล่านั้นก็ยังไม่สามารถสร้าง Business Value ได้

"การเป็น Data-Driven ไม่ได้วัดจากปริมาณข้อมูล แต่คือความสามารถในการใช้ข้อมูลที่มีคุณภาพ เพื่อสนับสนุนการตัดสินใจและสร้าง Business Value จริง ๆ"

หนึ่งในปัญหาหลักที่ ABeam พบจากการทำงานกับองค์กรจำนวนมากคือ Data Fragmentation หรือการที่ข้อมูลกระจัดกระจายอยู่ตามระบบต่าง ๆ โดยไม่มีมาตรฐานกลาง ไม่มี Single Source of Truth และไม่มีนิยามร่วมกันทั้งองค์กร

ผลลัพธ์คือ รายงานจากแต่ละทีมให้ตัวเลขไม่ตรงกัน Insight ที่ได้ถูกตั้งคำถาม และการตัดสินใจบนข้อมูลกลายเป็นเรื่องยาก เพราะองค์กรเองยังไม่มั่นใจว่าข้อมูลที่ใช้อยู่นั้นถูกต้องเพียงใด

สัญญาณอันตราย: ไม่มีใครรู้ว่าใครเป็นเจ้าของข้อมูล

หลายองค์กรอาจเริ่มรู้ตัวว่ามีปัญหาด้านข้อมูล เมื่อ AI ให้คำตอบผิด รายงานออกช้า หรือข้อมูลจากแต่ละทีมไม่ตรงกัน

แต่สำหรับ ABeam ปัญหาเหล่านี้มักเป็นเพียง “อาการปลายทาง” เพราะสัญญาณแรกที่ควรจับตาคือ การที่องค์กรไม่สามารถตอบได้ว่าใครเป็นเจ้าของข้อมูลชุดนั้นจริง ๆ

“เมื่อไม่มี Data Owner ที่ชัดเจน ปัญหาด้านคุณภาพ ความถูกต้อง และความสอดคล้องของข้อมูลจะค่อย ๆ สะสม และส่งผลต่อการตัดสินใจขององค์กรในระยะยาว”

เมื่อไม่มีผู้รับผิดชอบข้อมูลโดยตรง ปัญหาที่ดูเหมือนเล็กในระดับข้อมูลจึงค่อย ๆ สะสม และขยายเป็นปัญหาใหญ่ในระดับองค์กร ตั้งแต่คุณภาพของข้อมูล ความสอดคล้องของรายงาน ไปจนถึงความน่าเชื่อถือของโมเดล AI

เพราะก่อนที่องค์กรจะนำข้อมูลไปใช้วิเคราะห์ หรือต่อยอดสู่ AI ได้อย่างมั่นใจ จำเป็นต้องรู้ให้ได้ก่อนว่า ข้อมูลชุดนั้นมาจากไหน ใครเป็นเจ้าของ ใครรับผิดชอบคุณภาพ และใครมีหน้าที่กำหนดมาตรฐานการใช้งาน

หากคำถามพื้นฐานเหล่านี้ยังไม่มีคำตอบชัดเจน การสร้างองค์กรที่ขับเคลื่อนด้วยข้อมูลก็ย่อมเกิดขึ้นได้ยาก

Data Governance อย่างเดียวไม่พอ ต้องเชื่อม People, Process และ Technology

ในช่วงที่ผ่านมา หลายองค์กรเริ่มให้ความสำคัญกับ Data Governance มากขึ้น ซึ่งเป็นก้าวที่จำเป็น แต่ ABeam มองว่า Governance เพียงอย่างเดียวยังไม่เพียงพอสำหรับโลกยุค AI

คุณแดนอธิบายว่า Data Governance ช่วยกำหนดกรอบและมาตรฐานในการกำกับดูแลข้อมูล แต่ยังไม่สามารถแก้ทุกปัญหาได้ หากองค์กรยังขาดสถาปัตยกรรมข้อมูล (Architecture) ที่ดี การเข้าถึงข้อมูล (Accessibility) ที่สะดวก และการนำข้อมูลไปใช้จริงในกระบวนการทำงาน (Adoption)

สิ่งสำคัญคือการมอง Data Transformation ให้ครอบคลุมทั้ง People, Process และ Technology ไปพร้อมกัน เพราะข้อมูลจะสร้างคุณค่าได้จริงก็ต่อเมื่อคนในองค์กรสามารถเข้าถึง เข้าใจ และนำไปใช้ประกอบการตัดสินใจได้ในชีวิตการทำงานจริง

หลังจากวาง Data Governance แล้ว องค์กรจึงต้องพัฒนา Data Platform ที่เชื่อมโยงข้อมูลจากหลายแหล่งเข้าด้วยกัน พร้อมสร้าง Semantic Layer หรือชั้นความหมายของข้อมูลที่ช่วยให้ทุกหน่วยงานเข้าใจนิยามเดียวกัน

Semantic Layer จึงเป็นกลไกสำคัญที่ทำให้ฝ่ายธุรกิจและฝ่ายเทคโนโลยีพูดภาษาเดียวกัน ลดการตีความข้อมูลที่ไม่ตรงกัน และทำให้ข้อมูลพร้อมต่อการใช้งานจริงมากขึ้น

Data Value Chain: เปลี่ยนข้อมูลกระจัดกระจายให้กลายเป็นคุณค่าทางธุรกิจ

ABeam มอง Data Transformation ผ่าน 5 องค์ประกอบหลักที่เชื่อมโยงกันเป็น Data Value Chain ได้แก่ Extraction, Data Architecture, Analytics & Modeling, Reporting & Visualization และ Governance

กระบวนการนี้เริ่มตั้งแต่การดึงข้อมูลจากระบบต้นทาง การจัดเก็บและเชื่อมโยงข้อมูล การวิเคราะห์และสร้างโมเดล ไปจนถึงการแสดงผลผ่าน Dashboard หรือ Business Intelligence โดยทุกขั้นตอนต้องอยู่ภายใต้กรอบ Governance เพื่อควบคุมคุณภาพ ความถูกต้อง และความสอดคล้องของข้อมูล

อย่างไรก็ตาม ความท้าทายที่ใหญ่ที่สุดของ Data Transformation มักไม่ใช่เรื่องเทคโนโลยี แต่คือ การทำให้ข้อมูลในระบบสะท้อน ‘ความหมายทางธุรกิจ’ ได้ตรงกันทั้งองค์กร

คุณแดนยกตัวอย่างว่า ตัวชี้วัดอย่าง Sales Forecast หรือการคาดการณ์ยอดขายในอนาคต อาจดูเหมือนเป็นคำเดียวกัน แต่ในความเป็นจริง แต่ละแผนกอาจมีวิธีวัดไม่เหมือนกัน บางทีมมองจากยอดขายสุทธิหลังหักส่วนลด ขณะที่อีกทีมดูยอดก่อนหักส่วนลด บางทีมยึดวันที่ลูกค้าสั่งซื้อ แต่อีกทีมยึดวันที่ส่งมอบสินค้า

เมื่อคำเดียวกันหมายถึงคนละตัวเลข การวิเคราะห์ข้อมูลจึงมีโอกาสคลาดเคลื่อน และอาจทำให้แต่ละหน่วยงานตีความผลลัพธ์ไม่ตรงกัน

ดังนั้น การกำหนดนิยามข้อมูล และ Align ความหมายให้ตรงกันตั้งแต่ต้น จึงเป็นหัวใจสำคัญของการสร้าง Data-Driven Organization เพราะหากข้อมูลพื้นฐานยังถูกตีความไม่เหมือนกัน ต่อให้มีระบบที่ดีหรือโมเดล AI ที่ล้ำแค่ไหน ผลลัพธ์ที่ได้ก็ยังอาจไม่สามารถนำไปใช้ตัดสินใจทางธุรกิจได้อย่างมั่นใจ

อยากใช้ AI ให้เร็วขึ้น องค์กรไม่จำเป็นต้องเริ่มจากศูนย์

สำหรับองค์กรที่กำลังตัดสินใจว่าจะ Modernize ปรับปรุงระบบเดิมให้ทันสมัยขึ้น หรือสร้าง Data Architecture ใหม่เพื่อรองรับ AI คุณแดนได้แนะนำว่า องค์กรไม่จำเป็นต้องรื้อระบบหลักทั้งหมดในครั้งเดียว

แนวทางที่เหมาะสมกว่าคือการแยก Data Layer ออกจาก Legacy System หรือ Core System ก่อน เพื่อให้องค์กรสามารถนำข้อมูลออกมาใช้งาน วิเคราะห์ และต่อยอดกับ AI ได้เร็วขึ้น

เมื่อแยก Data Layer ออกมาแล้ว องค์กรจะสามารถพัฒนาระบบข้อมูลให้รองรับ Use Case ใหม่ ๆ ได้คล่องตัวขึ้น ขณะเดียวกันก็ยังสามารถ Modernize ระบบหลักแบบค่อยเป็นค่อยไป โดยไม่ต้องหยุดหรือเปลี่ยนระบบทั้งหมดในครั้งเดียว

แนวทางนี้ช่วยให้องค์กรเดินหน้า AI ได้เร็วขึ้น โดยไม่ต้องรอให้การปรับระบบ Legacy เสร็จสมบูรณ์ทั้งหมดก่อน

ก้าวแรกของ Data-Driven Organization ต้องเริ่มจาก Business Use Case

สุดท้ายแล้ว การเป็น Data-Driven Organization ไม่ได้เริ่มจากการซื้อเทคโนโลยีใหม่ หรือการเก็บข้อมูลให้มากที่สุด แต่ต้องเริ่มจากคำถามที่ชัดเจนว่า ธุรกิจต้องการใช้ข้อมูลเพื่อแก้ปัญหาอะไร หรือสร้างคุณค่าอะไร

“สิ่งสำคัญที่สุดในการเริ่มต้นคือการเริ่มจาก Business Use Case ที่ชัดเจนก่อน ว่าองค์กรต้องการแก้ปัญหาอะไร หรืออยากสร้างคุณค่าอะไรจากข้อมูล”

คุณแดนมองว่า หากองค์กรเริ่มจากเทคโนโลยี หรือเริ่มเก็บข้อมูลโดยไม่มีเป้าหมายทางธุรกิจที่ชัดเจน สุดท้ายอาจได้เพียงระบบที่มีข้อมูลจำนวนมาก แต่ไม่สามารถสร้าง Value ทางธุรกิจได้จริง

เมื่อมี Business Use Case ที่ชัดเจน องค์กรจึงสามารถออกแบบรากฐานด้านข้อมูลได้อย่างมีทิศทาง ตั้งแต่ต้องใช้ข้อมูลอะไร ข้อมูลมาจากแหล่งใด ใครเป็นเจ้าของข้อมูล ระบบควรถูกออกแบบอย่างไร และ Governance ควรสนับสนุนเป้าหมายทางธุรกิจแบบใด

ในยุคที่ทุกองค์กรต้องการใช้ AI เพื่อสร้างความได้เปรียบ คำตอบอาจไม่ได้อยู่ที่ว่าใครมีโมเดลที่ล้ำที่สุด แต่อยู่ที่ว่าใครมีรากฐานข้อมูลที่พร้อมที่สุด และรู้ชัดที่สุดว่าจะใช้ข้อมูลเพื่อสร้างคุณค่าอะไร

เพราะการเป็น Data-Driven ไม่ได้เริ่มจากการมีข้อมูลมาก แต่เริ่มจากการรู้ว่า ธุรกิจต้องการใช้ข้อมูลไปเพื่ออะไร แล้วค่อยสร้างรากฐานให้รองรับเป้าหมายนั้น