ช่วงปีที่ผ่านมาผมเจอคำถามที่ผู้บริหารในประเทศไทยมักถามบ่อยๆ ได้แก่

1. “มี Data เยอะแต่ไม่รู้จะทำอย่างไรกับมัน”

2. “ไม่รู้จะเริ่มอย่างไรดีกับ big data หรือ data analytics”

3. “ใครๆ ก็เริ่มเอา big data, AI, machine learning มาใช้ เราต้องเริ่มทำบ้าง”

4. “ลงทุนกับเครื่องมือไปเยอะแต่ไม่แน่ใจว่าจะใช้ให้เกิดประโยชน์สูงสุดได้อย่างไร”

5. “มี use case อะไรที่เอาเทคโนโลยีมาใช้ได้เลยไหม อยากได้อะไรที่สำเร็จรูป”

ก็เลยเป็นที่มาทำให้ผมอยากแชร์ lessons learned ให้องค์กรหลายแห่งที่เจอกับดักของ big data ที่ควรเลี่ยง เพื่อเตรียมความพร้อมในการนำ data analytics มาใช้ในองค์กร จากประสบการณ์ของผมที่ได้เห็นจากการทำงานของภาครัฐและเอกชนทั้งในและต่างประเทศ (ผมอาจจะใช้ big data กับ data analytics ปนกันไป โดยส่วนตัวคิดว่า data analytics เหมาะสมกว่า เพราะเมื่อคนพูดถึง big data ก็หนีไม่พ้นที่จะต้องใช้ data analytics มาเป็นตัวสร้างคุณค่า)

Lessons Learned

1. องค์กรต้องมี data analytics strategy ที่ชัดเจน

องค์กรที่ประสบความสำเร็จนั้นควรมีทัศนคติที่จะปรับเปลี่ยนวัฒนธรรมองค์กร เพื่อให้มีกลยุทธ์ในด้านการใช้ข้อมูลที่ชัดเจน (strategic data-driven organization) เช่น

- มีแนวทางการตัดสินใจว่าจะเอาข้อมูลมาทำอะไร ต้องใช้ข้อมูลในการปฏิบัติงานในขั้นตอนไหน เพื่อให้หน่วยงานได้รับการฝึกฝนและใช้ประโยชน์จากข้อมูลอย่างสูงที่สุด

- มีการจัดการหน่วยงานต่างๆ ในองค์กรอย่างไร (organizational management) ที่จะทำให้หน่วยงานแชร์ข้อมูลเพื่อประโยชน์ร่วมขององค์กร หรือ lessons learned จากการนำข้อมูลมาใช้

- มีการสนับสนุนที่ชัดเจนจากผู้บริหารเพื่อที่จะผลักดันให้การใช้ data analytics ไปแทรกซึมอยู่ในองค์กรทุกระดับ เป็น analytics culture ได้ ยกตัวอย่าง Amazon หรือ Netflix ที่มีการใช้ analytics เกือบทุกส่วนตั้งแต่ฝั่งเทคโนโลยีไปจนถึงฝั่งธุรกิจ

ตอนที่ผมทำงานให้กับบริษัทให้คำปรึกษาแห่งหนึ่ง ซึ่งทำงานให้กับหน่วยงานหนึ่งของรัฐบาลสหรัฐฯ ก็มีโอกาสได้เห็นการสร้าง analytics capability ของสององค์กรนี้ (ทั้งเอกชนและรัฐบาล) ในเวลาเดียวกัน ก็สามารถพูดได้ว่า ผู้บริหารของทั้งสององค์กรมีความเข้าใจว่า จะเอา data analytics มาใช้ทำไม รวมถึงมีการสนับสนุนการสร้างหน่วยงานกลางที่รายงานตรงกับผู้บริหาร และมีทีม data scientist ทำหน้าที่ดูแลงานทาง analytics ช่วยเผยแพร่ และทำงานกับหน่วยทางธุรกิจต่างๆ เพราะเขาถือว่าการนำ data analytics มาใช้มันเป็นความได้เปรียบในการแข่งขันที่ต้องทำเพื่อสร้างรายได้เพิ่มและเพิ่มประสิทธิภาพของการทำงานในองค์กร

เมื่อผมกลับมาเมืองไทย ผมได้เจอองค์กรส่วนใหญ่ที่มักจะพูดคล้ายกันว่า ทางผู้ใหญ่ขององค์กร เล็งเห็นความสำคัญในด้าน big data (ซึ่งถือเป็นกระแสความคิดริเริ่มที่เห็นได้เด่นชัดในปีนี้) และมีงบประมาณสำหรับโปรเจกต์ต่างๆ แต่เมื่อผมถามถึงกลยุทธ์การนำ big Data มาใช้ว่าเป็นอย่างไร บุคคลบางส่วนเกิดอาการนิ่งและไม่สามารถตอบได้ เพราะขาดความเข้าใจว่าสิ่งที่ “ผู้ใหญ่” วาดภาพกับสิ่งที่คนทำงานคิดนั้นตรงกันหรือไม่ ดังนั้น ผู้ใหญ่อาจต้องลงรายละเอียดกลยุทธ์กับคนทำงานให้ชัดเจนกว่านี้

2. ภาพลวงตาของ Big Data

องค์กรต่างๆ มักติดกับภาพลวงตาและความคิดที่ว่า ในองค์กรมีข้อมูลที่เก็บไว้เป็นจำนวนมาก เพียงแค่ไม่ได้นำออกมาใช้ จึงอยากหาเครื่องมืออะไรสักกอย่างมาช่วยจัดการ และหาประโยชน์จากข้อมูลเหล่านั้น ซึ่งคำพูดเหล่านี้เป็นคำพูดที่ถูกสร้างขึ้นจากผู้จำหน่ายหลายๆ เจ้าที่ต้องการเชิญชวนให้องค์กรซื้อเครื่องมือ หรือ infrastructure ซึ่งแท้จริงแล้วสิ่งสำคัญของ big data ไม่ได้ขึ้นอยู่กับจำนวนของข้อมูลว่าต้องมีมากจนเรียกได้ว่าเป็น big data เลยเท่านั้น แต่ยังขึ้นอยู่กับปัจจัยต่อไปนี้

- คุณภาพของข้อมูล (Data Quality)

ข้อมูลที่คุณภาพดีนั้น คือข้อมูลที่อยู่ในสภาพที่สามารถนำมาใช้ในการตอบโจทย์ธุรกิจ เช่น ข้อมูลที่นำมาใช้ได้อย่างน้อยต้องไม่ขาดหายมากเกินไป เป็นข้อมูลที่มีหลายตัวแปร และข้อมูลในแต่ละตัวแปรมีความแปรปรวน คือ ดูไม่เหมือนกันทั้งหมด เป็นต้น

งานทางด้านการทำนายอนาคต (predictive model) เช่น โมเดลจับคนโกง (fraudster) ส่วนใหญ่ต้องมี label แบ่งแยกข้อมูลที่ชัดเจนเพื่อบอกให้โมเดลรู้ว่าข้อมูลของนาย ก คือโกง นาง ข คือไม่โกง เป็นต้น

- การเข้าถึงข้อมูล และการรวมข้อมูลเป็นชุดเดียวกัน (single version of the truth)
หลายองค์กรมีปัญหา เนื่องจากข้อมูลภายในองค์กรกระจัดกระจาย และอาจถูกเก็บแยกไว้โดยหลายฝ่ายหลายแผนก ทำให้เกิดอุปสรรคในการรวบรวมข้อมูลเพื่อใช้ให้เกิดประโยชน์สูงสุด ยกตัวอย่าง การที่ธนาคารต้องการที่จะวิเคราะห์ข้อมูลของลูกค้าให้ครบรอบด้านและครบวงจรตาม customer journey ที่ลูกค้าใช้บริการ แต่ไม่สามารถทำได้ เนื่องจากไม่ได้รับข้อมูลที่สำคัญเหล่านั้นจากฝั่ง retail หรือ ฝั่ง credit card มาประกอบ

- การนำข้อมูลชิ้นใหญ่ที่ไม่ได้ใช้ไปใช้ (under-utilized data sets)

ข้อมูลเป็นสิ่งที่มีค่าไม่ว่าข้อมูลเหล่านั้นจะอยู่ในรูปแบบใด แต่ข้อมูลส่วนใหญ่ประมาณ 80-90% มักจะเป็นข้อมูลในรูปแบบของ unstructured data (รูปภาพ, วิดีโอ, เสียง, ข้อความ) หรือdark data(call/server log, email, mobile geolocation, machine data) ซึ่งข้อมูลเหล่านี้มักจะไม่ได้ถูกนำมาใช้วิเคราะห์ เนื่องจากยากต่อการเรียบเรียงและการจัดระเบียบข้อมูล ทั้งที่ความจริงแล้ว ข้อมูลเหล่านี้ควรถูกนำมารวบรวม ประมวลผลให้เกิดประโยชน์สูงขึ้นได้

3. คิดว่านักเทคโนโลยีหรือวิศวกรคอมพิวเตอร์จะสามารถสร้างโปรแกรม analytics สำเร็จรูปได้

องค์กรส่วนใหญ่ โดยเฉพาะหน่วยงานทางด้าน IT มักจะประเมินความสามารถของเทคโนโลยีสูงเกินไป โดยคิดว่าเทคโนโลยีจะสามารถทำงาน analytics แบบสำเร็จรูปได้ทันที ซึ่งความคิดนี้มักเกิดขึ้นบ่อย เมื่อการตัดสินใจในการจัดซื้อขึ้นอยู่กับฝ่าย IT เพียงฝ่ายเดียว ขาด input จากฝั่งผู้ในสำนักงาน (business user) ว่าแท้จริงแล้วจะนำเครื่องมือ analytics นี้ไปเพื่อใช้ตอบโจทย์อะไร ใครจะเป็นผู้ใช้งาน และผู้ใช้งานนั้นมีความสามารถและความชำนาญเพียงพอแล้วหรือยัง เพราะงานทางด้าน analytics ไม่เหมือนงาน IT หรือการพัฒนาซอฟต์แวร์ตรงที่ผู้ใช้เครื่องมือทาง analytics จะต้องมีความเข้าใจข้อมูล มีทักษะที่จะถามคำถามเชิงวิเคราะห์ รวมถึงทำความเข้าใจข้อจำกัดในเทคโนโลยีและเครื่องมือต่างๆ ด้วยเช่นกัน

ปัญหาที่มักพบในองค์กรต่างๆ ทั้งภาครัฐและเอกชนของบ้านเรา คือ การเน้นซื้อของหรือเครื่องมือมาใช้ แต่อาจไม่ได้ฝึกฝนหรือสร้างคนที่จะมาใช้งานและดูแลเครื่องมือ เนื่องจากคนทำงานในบางองค์กรเองก็ไม่ทราบถึงวัตถุประสงค์ในการนำเครื่องมือมาใช้ จึงทำให้เกิดการสูญเสียทรัพยากรขององค์กรเป็นอย่างยิ่ง ผลที่เกิดขึ้นคือผู้ใช้งานไม่สามารถใช้เครื่องมือเหล่านั้นให้เกิดประโยชน์อย่างสูงสุดได้ และปัญหาที่ตามมาอีกคือการไม่มีความรับผิดรับชอบในการติดตามว่าการลงทุนก่อให้เกิดประโยชน์แก่องค์กร หรือสร้างความสามารถใหม่ให้กับองค์กรหรือไม่

อีกประเด็นที่เจอก็คือ บางองค์กรมักคิดเพียงแค่การซื้อเทคโนโลยี หรือการเลียนแบบกรณีศึกษาของผู้อื่นที่สำเร็จรูปแล้วมาใช้แก้ปัญหาในองค์กร แต่ลืมว่าข้อมูลและบริบทของสถานการณ์ของปัญหาที่เกิดขึ้นในแต่ละองค์กรนั้นมีความแตกต่างกัน ซึ่งอาจก่อให้ผลลัพธ์ที่ไม่เหมือนกัน ดังนั้น ผู้บริหารที่ดีควรมีวิสัยทัศน์ในการสนับสนุนให้ analytics project เกิดขึ้นจากความเข้าใจและการทำงานร่วมกันอย่างมีประสิทธิภาพของฝ่าย IT และฝ่าย business user โดยมีความรับผิดรับชอบในการวัดผลตอบแทนจากการลงทุนที่ชัดเจน เช่น มีการสร้าง analytics skill ในองค์กร มีการใช้เครื่องมือที่ซื้อมาแล้วเกิดประโยชน์

4. ไทม์ไลน์ของ Data Analytics Project ไม่เหมือน IT Project

หนึ่งในความเสี่ยงของ data analytics project (โดยเฉพาะองค์กรที่ยังไม่ได้มีแผน data analytics อย่างชัดเจน) อยู่ที่ว่าข้อมูลที่มีนั้นพร้อมที่จะใช้งานได้หรือไม่ การเข้าถึงข้อมูลทำได้หรือไม่ (data access) เพราะขั้นตอนการเตรียมข้อมูลเป็นกระบวนการที่ใช้เวลานานถึง 60-90% ของ project timeline ซึ่งต่างจาก IT Project ที่องค์ประกอบทางฮาร์ดแวร์และซอฟต์แวร์มีความแน่นอนมากกว่า

ผมมักได้ยินผู้จัดการโครงการบางคนอยากได้รายละเอียดของโปรเจกต์เป็นงานยิบย่อย ซึ่งในความเป็นจริงแล้วเป็นไปได้ยากเพราะธรรมชาติของโปรเจกต์มีความยืดยุ่นสูง โดยเฉพาะในเฟสที่เป็นการเตรียมข้อมูล งานบริหารจัดการ data analytics project ต้องทำซ้ำไปซ้ำมาหลายรอบเพื่อคอยตรวจสอบความพร้อมและคุณภาพของข้อมูล แล้วใช้สิ่งที่ปรับแก้ในข้อมูลเป็น lessons learned สำหรับ data governance ของข้อมูลชุดนั้นๆ ในอนาคต จากประสบการณ์ผมเห็นว่าหากเผื่อเวลากับมันเพิ่มขึ้นสักนิดจะทำให้งานลดความเสี่ยงได้อย่างมาก

5. การพัฒนาคนทั้งในและนอกองค์กรไม่ใช่แค่ training class หรือ meetup

อุปสรรคใหญ่ที่องค์กรทั้งภาครัฐและเอกชนเจอขณะนี้ก็คือขาดคนที่มีความรู้ความสามารถเพียงพอที่จะทำงานด้าน data analytics อย่าพึ่งนึกถึงการหาบุคคลากรที่จะมาเป็น data scientist (คนที่คิดวิเคราะห์ได้และรู้เทคนิคต่างๆ ทางสถิติหรือ machine learning / AI algorithm) เลย เพราะเพียงแค่คนที่มีความสามารถในการวิเคราะห์และคิดเป็นก็หายากแล้ว สิ่งที่ทำได้ก็คือ การสร้างคนภายในองค์กร โดยให้โอกาสคนที่มีพื้นความรู้ทางคณิตศาสตร์และสถิติ หรือ วิทยาศาสตร์/วิศวกรรมคอมพิวเตอร์ มาทำงานร่วมกันกับฝั่งธุรกิจในการแก้ปัญหาจริง ไม่ใช่แค่เพียงส่งไปฝึกเพราะการฝึกฝนหน้างานจะมีประสิทธิภาพมากกว่า

การสร้างองค์ความรู้ใหม่สามารถเกิดขึ้นได้จากความร่วมมือกันและการมีกระบวนการทำงาน ที่ทำให้เกิดการแลกเปลี่ยนความรู้ในทีมหรือที่เรียกว่า collective intelligence (ดูคอลัมน์ collective intelligence อันที่ 1,2,3 ที่เคยพูดถึง) ประกอบกับการนำผู้เชี่ยวชาญภายนอกมาช่วยสร้างและให้ความรู้แก่คนในองค์กร (train the trainer) ก็จะทำให้การพัฒนา data analytics ไปได้เร็วขึ้น

ทั้งนี้ การเลือกผู้เชี่ยวชาญอาจต้องมีการตรวจสอบหรือทดสอบความสามารถจากหลายๆ ปัจจัย เช่น ความรู้ ประสบการณ์ ผลงานในอดีต ที่น่าจะนำมาประยุกต์กับปัญหาที่องค์กรมี

นอกเหนือจากนี้ การทำให้เครื่องมือ analytics ให้ง่ายต่อการใช้งานสำหรับผู้ใช้งานในสำนักงานและการให้ความรู้แก่คนภายใน จะทำให้เกิดการตื่นตัวในการใช้เครื่องมือวิเคราะห์ข้อมูลและก่อให้เกิดอุปสงค์ต่อการวิเคราะห์ในองค์กรมากยิ่งขึ้น

ช่วงปีที่ผ่านมามีงานอีเวนต์ในเมืองไทยไม่ว่าจะเป็นการประชุม การพบปะ เวิร์กชอป ที่จัดเกี่ยวกับ data analytics, big data, data science, AI จำนวนมาก แต่ส่วนใหญ่ ยังเป็นการแจ้งเพื่อทราบ หรือเป็นการแสดงกรณีศึกษาเท่านั้น ผมว่าถึงเวลาแล้วที่เราต้องเปลี่ยนจุดประสงค์และยกระดับเนื้อหาของงานอีเวนต์เหล่านี้ให้มีความเป็นเชิงเทคนิคมากขึ้น เพื่อก่อให้เกิด maker community (maker = คนที่ทำจริง)

6. แชร์ความสำเร็จจากการนำข้อมูลมาใช้ให้คนในองค์กรรู้

การสร้าง data analytics capability ในองค์กรเป็นการเปลี่ยนทัศนคติของคนในองค์กร เพราะฉะนั้นควรจะเริ่มทำโปรเจกต์ที่เป็น Quick win ที่สามารถสร้างผลกระทบได้ในระยะเวลาอันสั้น เพื่อเป็นการสร้างความเชื่อมั่นให้กับทีมที่ทำและผู้บริหารที่สนับสนุน และยังเป็นการสร้างกระแสให้องค์กรได้ตระหนักและเห็นถึงประโยชน์ของการนำข้อมูลมาใช้ กระตุ้นความสนใจ และสร้างอุปสงค์แก่ data analytics project อีกด้วย

จากสิ่งที่ได้กล่าวมาทั้งหมด สิ่งแรกที่สำคัญที่สุดที่องค์กรต่างๆ ควรจะทำคือ การกำหนด Business objectives ว่าเราต้องการใช้ข้อมูลเพื่อทำอะไร ไม่ใช่เริ่มที่เทคโนโลยีหรือกระแสของ Big data โดยอาจจะเริ่มจากการศึกษาData analytics case studyว่าองค์กรอื่นมีการนำข้อมูลมาใช้อย่างไร และช่วยส่งเสริมต่อธุรกิจด้านไหน เช่น เพิ่มยอดขาย ลดค่าใช้จ่าย เพิ่มประสิทธิภาพของพนักงาน หรือช่วยทำให้ customer experience ดีขึ้น เป็นต้น เมื่อเราเริ่มต้นด้วยการกำหนดเป้าหมายที่ชัดเจน จะทำให้เรามองเห็นแนวทางในการทำงานและความเชื่อมโยงว่าควรจะใช้หรือเก็บข้อมูลอะไรบ้าง

อีกด้านหนึ่งที่องค์กรมักมองข้ามคือข้อได้เปรียบของตนเองมีอยู่แล้ว นั่นก็คือข้อมูลที่มีอยู่ในระบบ การเน้นเรื่องเทคโนโลยีหรือหวังพึ่งเครื่องมือใดๆ เครื่องมือหนึ่งอาจเกิดผลตรงข้าม เพราะเทคนิคในการทำโมเดลเปลี่ยนเร็ว การจะมี exclusive right สำหรับ IP ของงานไม่ได้สร้างความได้เปรียบทางการแข่งขันเท่าไรนัก มีโมเดลทางธุรกิจแบบอื่นที่จะทำให้ได้ประโยชน์จาก analytics capability เช่น open-source แล้วมีฟีเจอร์เพิ่ม, ส่วนแบ่งรายได้ หรือลงทุนร่วมกับบริษัทที่ทำเป็น ดูได้จากบริษัทอย่าง Google, Facebook, Amazon, Microsoft ทั้งที่บริษัทเหล่านี้มีข้อมูลที่มีค่ามหาศาล กับบุคลากรที่มีความสามารถในการนำข้อมูลเหล่าออกมาใช้ได้อย่างมีประสิทธิภาพอยู่ บริษัทเหล่านี้เปิดให้มีการนำเครื่องมือหรือเทคนิคที่พัฒนามาใช้ในการสร้างคุณค่าจากข้อมูลที่มี การเปิดกว้างที่จะสร้างบุคลากรให้มีความสามารถมากขึ้นเพื่อมาเป็นอุปทานให้กับตลาดที่ยังขาดแคลนแรงงานชนิดนี้ และยังก่อให้เกิดการแข่งขันซึ่งส่งผลดีต่อการพัฒนาศักยภาพของ data analytics talent ของประเทศในระยะยาว

ยังมีอะไรอีกมากมายที่อยากจะแชร์ ไว้คราวหน้าผมจะมาพูดเรื่อง Thinking ในหลายรูปแบบ เพื่อใช้ในการแก้ปัญหาทางในองค์กรต่อไปครับ

ขอบคุณข้อมูลจาก thaipublica.org