marketings2m No Comments

ในตอนที่ 1 ของบทความนี้จะสรุป 2 บทเรียนสำคัญที่ผมคิดว่าน่าจะเป็นประโยชน์ต่อหลายๆ ท่านที่กำลังสร้างทีม data science หรือกำลังดูว่าบริษัทที่ท่านกำลังลงทุน ดูท่าทีจะใช้ประโยชน์จากพลังของ Big Data ได้มากน้อยแค่ไหนในอนาคต

บทเรียนที่ 1: เริ่มด้วยอะไรที่เบสิคและกระทบ bottomline ก่อน

ทุกวันนี้ AI กับ Big Data เป็นคำพูดที่จะได้ยินในแทบทุกงานเสวนา เพราะเทคโนโลยีเหล่านี้กำลังเข้ามากระทบแทบทุกภาคส่วนของการทำธุรกิจ

จากที่เคยโดดเด่นอยู่ในแค่ธุรกิจไม่กี่กลุ่ม ขณะนี้มันได้เข้ามามีบทบาทในมิติที่เราไม่เคยคิดว่าจะเข้ามาได้เร็วขนาดนี้ อาทิเช่น การใช้ AI ช่วยเก็บผลไม้ในฟาร์ม หรือการใช้ Machine Learning เพื่อทำความเข้าใจความชื่นชอบของมนุษย์ในงานศิลปะ

ภาพเขียนสองภาพด้านบน มันไม่น่าเชื่อว่าทั้งคู่คือผลงานของ AI

ทีนี้กลับมาที่ความเป็นจริง ก็จะพบว่าบริษัทและองค์กรส่วนมากยังไม่มีความพร้อมทั้งด้านกำลังคนและด้านเทคโนโลยีที่จะทำสิ่งเหล่านี้

คำถามอันดับแรกคือถ้าธุรกิจจะเริ่มเดินบนถนนเส้นนี้ ควรจะเริ่มที่ตรงไหน?

มุมมองส่วนตัวของผมคือให้มองว่า AI และ Big Data สามารถเข้ามาช่วยธุรกิจได้ในสองแง่มุมหลักๆ

1. ช่วยเพิ่มประสิทธิภาพในการประกอบธุรกิจเดิมๆ (increase efficiency)

2. ช่วยขยายขอบเขตของสินค้าและบริการที่ธุรกิจสามารถผลิตได้ (increase what’s possible)

ส่วนมากเราจะได้ยินถึงกรณีที่ 2 มากกว่ากรณีที่ 1 ไม่ว่าจะเป็นการใช้ AI เข้ามาให้บริการใหม่ๆ หรือใช้ Big Data มาออก product ใหม่ๆ ทั้งๆ ที่จริงๆ แล้วพนักงานบริษัททุกคนพูดได้เต็มปากว่าทุกวันนี้การประกอบธุรกิจส่วนมากยังมีความสิ้นเปลือง การทำงานและการตัดสินใจธุรกิจยังไม่กระชับเท่าที่มันกระชับได้

ในธุรกิจที่ถูก distrupt หนักมากๆ เช่น ธนาคารและประกันภัย คงไม่มีทางเลือกที่จะต้องทำทั้งข้อ 1 และข้อ 2 ไปพร้อมๆ กัน (เพื่อความอยู่รอด)

แต่สำหรับธุรกิจอื่นๆ ผมมองว่าควรเริ่มที่ข้อ 1 ก่อน โดยเฉพาะอย่างยิ่งเริ่มจากการจัดเก็บและวิเคราะห์ข้อมูลพื้นฐานเพื่อทำ data analytics เพราะว่า

1) เทคโนโลยี AI ที่มีการพูดถึงกันมากที่สุด เช่น Machine Learning มีรากฐานสำคัญคือการวิเคราะห์ข้อมูล Big Data  พูดง่ายๆ ก็คือหากวัฒนธรรมและความพร้อมในองค์กรทำให้การทำ Data Analytics แบบพื้นฐานอย่างรวดเร็วยังไม่ได้ การก้าวกระโดดไปทำโปรเจกต์ AI หินๆ เลยจะเต็มไปด้วยความยากลำบากอย่างแน่นอน เนื่องจากการ “ทำ AI” อย่างเดียวก็ยากแล้ว ยังไม่รวมถึงการวางแผน การบริหารทรัพยากร และการขายเลย

2) การสร้าง data warehouse และ data lake จากเหตุผลข้อแรก จะทำให้องค์กรวางกลยุทธ์ Big Data ได้ชัดเจนขึ้นว่าด้วยข้อมูลที่มีอยู่ ในรูปแบบที่มีอยู่ ทำอะไรได้บ้าง ทำอะไรไม่ได้ อะไรทำได้ก่อนหลัง อะไรต้องซื้อเข้ามาเพิ่ม เมื่อมีพื้นฐานที่แน่นก็จะสามารถตัดสินใจได้ว่าโปรเจกต์ต่อๆ ไปควรทำอันไหนก่อน

3) การไม่ต้องผลิตอะไรใหม่และไม่ต้องเริ่มใหม่จากศูนย์ ทำให้เราพิสูจน์ value ของ data analytics ต่อผู้บริหารและนักลงทุนได้เร็วกว่า ว่าผลลัพธ์ที่ได้มันคุ้มกับการลงทุนในทรัพยากรเครื่องไม้เครื่องมือและทรัพยากรบุคคลแค่ไหน

บทเรียนที่ 2: มองโจทย์ธุรกิจผ่าน Framework ของ Data Analytics

ผมคิดว่าการเอาโจทย์ธุรกิจแต่ละโจทย์มาลองใส่ลงไปใน Framework มาตรฐานของ Data Analytics นั้นเป็นวิธีที่ดีที่สุดในการวางกลยุทธ์และวางแผนการทำงานเพื่อก้าวสู่ยุค AI

Framework ที่ว่านี้คือการแบ่งประเภทของการวิเคราะห์ข้อมูลออกเป็น 4 จุดมุ่งหมายด้วยกัน

1. Descriptive: วิเคราะห์ข้อมูลว่าเกิดอะไรขึ้นแล้วบ้าง

2. Diagnostic: พิสูจน์ว่าทำไมเหตุการณ์นี้ถึงเกิดขึ้น ทำ x แล้ว y ขึ้นลงกี่ %

3. Predictive: พยากรณ์ว่าถ้าเกิด x y ขึ้น z จะเปลี่ยนไปแค่ไหน

4. Prescriptive: เมื่อมีข้อมูลจากการพยากรณ์แล้ว ควรจะปรับเปลี่ยนอะไรบ้าง

ยกตัวอย่าง เช่น บริษัทต้องการเพิ่มยอดขาย

ในมุมDescriptive อาจจะเป็นการสำรวจดูว่าแต่ละสาขายอดขายเป็นอย่างไรในแต่ละเดือน

ในมุมDiagnostic อาจจะเป็นการดูว่าสาขาที่ตั้งใกล้คู่แข่งมียอดขายลดลงเท่าไหร่ หรืออุณหภูมิและช่วงเวลาของวันมีผลแค่ไหนต่อยอดขายเครื่องดื่มแต่ละชนิด

ในมุม Predictive อาจจะเป็นการพยากรณ์ยอดขายในแต่ละทำเลตามอุณหภูมิอากาศและช่วงเวลาที่กำลังเปลี่ยนไป

ส่วนในมุม Prescriptive อาจจะเป็นการจัดเตรียม stock เครื่องดื่มไว้ก่อนเพื่อนำเสนอให้สอดคล้องกับผลพยากรณ์ยอดขายตามอุณหภูมิและช่วงเวลา

ผมคิดว่าทุกโจทย์สามารถเอามาเข้า framework นี้ได้ ก็ขอทิ้งท้ายบทความตอนที่ 1 นี้โดยให้ผู้อ่านลองนึกถึงธุรกิจที่ท่านกำลังให้ความสนใจอยู่ ว่าปัญหาธุรกิจที่ท่านมีอยู่ในใจมันจะถูกจัดลงไปใน framework นี้ได้ในรูปแบบใดบ้างครับ

cr. ดร. ณภัทร จาตุศรีพิทักษ์ / stock2morrow