Data Digital Transformation #13: ระดับการวัดความสามารถในการนำ Big Data ไปใช้ในองค์กร (BDBMMI)

เมื่อวันก่อนผมได้อ่านหนังสือเล่มหนึ่งชื่อ The Economics of Data, Analytics, and Digital Transformation ที่เขียนโดย Kirk Borne และ Bill Schmarzo ซึ่งเพิ่งตีพิมพ์เมื่อปลายปีที่แล้ว ผมว่าเป็นหนังสือที่อธิบายเรื่องเกี่ยวกับการวิเคราะห์คุณค่าของข้อมูลและการทำ Data analytics ในมุมมองทางเศรษฐศาสตร์ได้ดีมาก แต่สิ่งที่ผมอย่างกล่าวถึงในที่นี้คือเรื่องของระดับการวัดความสามารถในการนำ Big Data ไปใช้ในองค์กรหรือ Big Data Business Model Maturity Index (BDBMMI) ที่เขียนไว้ในบทแรกของหนังสือเล่มนี้

BDBMMI ที่กล่าวมานี้อาจไม่ใช่เรื่องใหม่ ผมเองก็เคยนำเรื่องนี้มาเขียนในบทความเรื่อง ระดับการวัดความสามารถในการนำ Big Data ไปใช้ในองค์กร ซึ่งระดับความสามารถของการนำ Big Data ไปใช้ในองค์กร (Big Data Matuarity Model) มีอยู่ 5 ระดับ คือ 1) Business Monitoring 2) Business Insights 3) Business Optimization 4) Data Monetization และ 5) Business Metamorphosis แต่หนังสือเล่มนี้อาจเปลี่ยนชื่อระดับที่ 4 และ 5 เป็น Insights Monetization และ Digital Transformation ตามระดับ โดยได้ให้คำอธิบายแต่ละขั้นตอนที่ชัดเจนขึ้นดังนี้

  1. Business Monitoring ในระดับนี้องค์กรได้ทำ Business Intelligence และ Data Warehouse ซึ่งเป็นขั้นตอนที่เราจะแสดงข้อมูลหรือทำรายงานต่างๆขององค์กรในลักษณะของ Descriptive Analytic ที่เราจะดูข้อมูลในอดีตเพื่อให้ทราบว่า What’s happened? แต่การทำขั้นทำขั้นตอนยังเป็นเพียงการนำข้อมูลมาวัดความสำเร็จที่ผ่านมา และยังขาดการวิเคราะห์สิ่งที่จะเกิดขึ้นหรือการทำ predictive analytics และ prescriptive analytics ที่องค์กรควรจะก้าวไปถึงระดับนี้ให้ได้ เพื่อจะทำให้กลายเป็นองค์กรที่ขับเคลื่อนด้วยข้อมูล ซึ่งจะต้องคิดในการนำข้อมูลมาวิเคราะห์ในเชิงธุรกิจมากขึ้น มีการทำด้าน Data science มากขึ้น และมีการสร้างวัฒนธรรมในการใช้ข้อมูลมากขึ้น
  2. Business Insights ในระดับนี้องค์กรมีการเริ่มต้นตั้งคำถามเพื่อให้ทราบว่า What is likely to happen next? กล่าวคือคาดการณ์ว่าน่าจะเกิดอะไรขึ้นกับ ตลาด กลุ่มลูกค้า สินค้า และบริการต่างๆ เป็นค้นหาข้อมูลเชิงลึก (Insights) ของลูกค้า สินค้า และบริการต่างๆ ขั้นตอนนี้องค์กรจะมีการรวบรวมข้อมูลจากหลายๆแหล่งทั้งภายนอกและภายในองค์กร มีการทำ Data Lake และเห็นการทำงานร่วมกันระหว่างฝั่งธุรกิจแผนกต่างๆ กับทีมงานนักวิทยาศาสตร์ข้อมูลมากขึ้น
  3. Business Optimizationในระดับนี้องค์กรจะมีการทำ predictive analytics และ prescriptive analytics โดยใช้ Machine Learning มากขึ้น จะมีข้อแนะนำในขั้นสิ่งต่างๆทีทำในขั้นตอนปฎิบัติงาน กล่าวคืออาจมี Recommendation system สำหรับลูกค้าแต่ละคน หรือสินค้าในแต่ละอย่าง ซึ่งเป็นผลลัพธ์ที่ได้มาจากการทำ Data science เพื่อคาดการณ์สิ่งที่ดีที่สุดสำหรับองค์กร
  4. Insights Monetization ในระดับนี้ไม่ได้หมายความว่าองค์กรจะนำข้อมูลที่มีอยู่ไปขายเพื่อหารายได้ แต่เป็นการนำข้อมูลไปสร้างคุณค่าเพิ่ม ที่อาจทำให้ได้ช่องทางการตลาดใหม่ๆ กลุ่มลูกค้าใหม่ๆ สินค้าและบริการใหม่ๆ ตลอดจนการหาพันธมิตรทางธุรกิจใหม่ๆ
  5. Digital Transformation ในระดับนี้องค์กรจะมีวัฒนธรรม (Culture) ในการใช้ข้อมูล การวืเคราะห์ข้อมูล เพื่อจะนำมาใช้ให้เกิดประโยชน์ทางธุรกิจอยู่ตลอดเวลา

ในครั้งหน้าผมจะลองมาสรุปให้เห็นว่าการที่จะทำให้องค์กรสามารถเข้าไปสู่ในแต่ละขั้นตอนของ

ธนชาติ นุ่มนนท์

IMC Institute

เราจะทราบได้อย่างไรว่า ข้อมูลของเราเป็น Fake data

เมื่อวันก่อนตอนผมบรรยายในงาน Webinar ครั้งที่ 45 ของสถาบันไอเอ็มซี ในหัวข้อ Data Engineering Technologies & Trends 2021 มีผู้ฟังท่านหนึ่งถามมาว่า “เราจะทราบได้อย่างไรว่า ข้อมูลของเราเป็น Fake data”

หลายคนอาจคิดว่าคำตอบนี้ส่วนหนึ่งเป็นเรื่องของทักษะด้านข้อมูล (Data literacy) ที่เราจะต้องใช้ตรรกะและองค์ความรู้แยกให้ได้ว่าข้อมูลใดเป็นข้อมูลจริงหรือเท็จ ข้อมูลมาจากแหล่งที่น่าเชื่อถือหรือไม่ แต่บังเอิญคำถามนี้กลายเป็นว่า ข้อมูลดังกส่าวมาจากแหล่งต้นทางที่เราคิดว่าน่าจะถูกต้อง มีความน่าเชื่อถือ แต่กลับเป็นว่ามีข้อมูลดิบบางส่วนที่ผิด แล้วเราจะทราบได้อย่างไร

ผมเองทำงานกับข้อมูลดิบมาเยอะ และบ่อยครั้งก็จะพบว่าข้อมูลจากแหล่งต้นทางผิดจริง แต่ก็ใช่ว่าจะผิดมากมาย ส่วนใหญ่อาจผิดพลาดเพราะการใส่ตัวเลขผิดพลาด หรือมีการเก็บข้อมูลคาดเคลื่อน เรื่องพวกนี้เป็นเรื่องปกติมากของการทำ Data analytics ยิ่งข้อมูลมีขนาดใหญ่ (Big data) ก็อาจทำให้มีโอกาสผิดได้มากขึ้นและจำนวนข้อมูลอาจผิดพลาดมากขึ้น ความผิดพลาดบางครั้งอาจไม่มีนัยสำคัญอะไรเลย แต่บางครั้งข้อมูลที่ผิดพลาดเพียง record เดียวก็อาจทำให้เกิดการวิเคราะห์ผิดพลาดได้ ถ้าความผิดพลาดในข้อมูลนั้นมหาศาล

กระบวนการที่จะช่วยทำให้ลดความผิดพลาดของข้อมูลส่วนหนึ่งคือ การทำ Data preperation ซึ่งเป็นหน้าที่ของ Data engineerในการจะต้องนำข้อมูลดิบ (Raw data) มาแปลง มาตรวจสอบความถูกต้องเสียก่อน เช่นหา Missing data หรือ Outlier กล่าวคือหาข้อมูลที่ดูแล้วผิดปกติแล้วทำการแก้ไข เช่นบางครั้งข้อมูลลบการเงินของบริษัทอาจมีจำนวนสูงผิดปกติ จำนวนพน้กงานมากผิดปกติ ข้อมูลส่วนตัว อายุ น้ำหนัก ดูสูงผิดปกติ หรือข้อมูนำเข้าส่งออกอาจใช้สกุลเงินต่างกัน ข้อมูลเหล่านี้ Data engineer จะช่วยทำการ Data Cleansing ให้ได้ เช่นอาจปรับหาค่าที่เหมาะสมมาใส่ หรือตัดออก และแปลงข้อมูลดิบให้กลายเป็นข้อมูลที่น่าเชื่อถือ (Trusted data) เพื่อให้ Data analyst หรือ Data scientist นำไปทำการวิเคราะห์ข้อมูลและแสดงผลต่อไป

แต่อย่างไรก็ตามแม้ Data engineer จะสร้าง Trusted data ให้แล้ว ก็ใช่ว่าข้อมูลนั้นจะถูกต้อง 100% แหล่งข้อมูลที่เข้ามาก็อาจจะเกิดการผิดพลาดแต่วิธีการด้าน Data engineering ก็ยังไม่สามารถแก้ไขได้ จากสารพัดสาเหตุ อาทิเช่น นำข้อมูลเข้ามาไม่ครบ ได้ข้อมูลผิดๆแต่ต้น หรือแม้แต่ข้อมูลถูกต้องแล้ว แต่ Data analyst ไม่เข้าใจข้อมูลดีพอ เลยทำการวิเคราะห์ที่ผิดแล้วแสดงผลผิดพลาดก็เป็นไปได้

แล้วเราจะรู้ได้อย่างไรว่ามันผิด จากประสบการณ์ผมคนที่อยู่ใน domain ที่มีความรู้ด้านนั้นอย่างแท้จิง เขาจะเข้าใจได้ทันทีว่า ข้อมูลและการแสดงถูกต้องหรือไม่ ถ้าเห็นว่าผิดเขาจะสงสัยและมีคำถามว่า ทำไมข้อมูลจึงเป็นอย่างนี้ เพราะเขาจะเอาความรู้และประสบการณ์ในการทำงานเขามาเป็นองค์ประกอบ ผมเคยวิเคราะห์และแสดงผลตัวเลขการจ้างงานของประเทศ คนที่มีประสบการณ์เก่งๆก็จะทราบทันทีว่าข้อมูลที่แสดงในแต่ละจังหวัด แต่ละอุตสาหกรรม แต่ละปีมีความถูกต้องไหม บางคนแสดงตัวเลขรายได้อุตสาหกรรมต่างๆมา คนที่อยู่ในอุตสาหกรรมก็จะดูออกว่าถูกต้องหรือไม่ ถ้าผิดเขาก็จะสงสัยและตั้งทำถาม จนกว่าเราจะหาตัวเลขที่ถูกต้องมายืนยัน

ดังนั้นการที่จะทราบได้อย่างไรว่า ข้อมูลของเราเป็น Fake data คำตอบผมคือ กระบวนงานของ Data engineering และประสบการณ์ของ Domain expert เป็นเรื่องสำคัญสุด

ธนชาติ นุ่มนนท์

IMC Institute

งาน Data Engineer มีความสำคัญมากพอๆกับงานของ Data Scientist (ตอนที่ 2)

ที่มา https://www.kdnuggets.com/2021/04/consider-being-data-engineer-instead-data-scientist.html?fbclid=IwAR04yQ7C9XjIgXJERZLSofSA3veL94Lzp12nAJL_FsjytztgWo8-axZbfWA

เมื่อตอนที่แล้วผมเขียนถึงประเภทงานด้านต่างๆที่เกี่ยวข้องกับการวิเคราะห์และบริหารจัดการข้อมูล (งาน Data Engineer มีความสำคัญมากพอๆกับงานของ Data Scientist (ตอนที่ 1)) และชี้ให้เห็นว่างานของวิศวกรข้อมูล (Data emgineer) มีความสำคัญพอๆกับงานของนักวิทยาศาสตร์ข้อมูล (Data Scientist) และบางครั้งอาจมีความสำคัญมากกว่าเสียด้วยซ้ำไป

สำหรับเหตุผลต่างๆขออธิบายดังนี้

  1. การทำงานด้านข้อมูลจะเริ่มต้นจากกระบวนการทางวิศวกรรมข้อมูล ซึ่งเป็นหน้าที่ของ Data engineer ที่จะต้องนำเข้าข้อมูล จัดการแปลงข้อมูล ปรับข้อมูลให้มีความถูกต้อง รวมถึงการตัดข้อมูลที่ผิดพลาดออก ก่อนที่จะส่งงานนี้ไปให้ Data Scientist หรือ Data analyst ไปทำการพยากรณ์หรือวิเคราะห์ข้อมูลต่อ ดังนั้นถ้าวิศวกรข้อมูลส่งข้อมูลมาผิดพลาด ไม่สมบูรณ์ ก็จะมีผลทำให้การวิเคราะห์หรือการพยากรณ์ข้อมูลต่างๆผิดพลาดไปด้วย ดังที่กล่าวว่า garbage in garbage out
  2. เมื่อวิเคราะห์ถึง Data analytic life cycle ตามมาตรฐานของ CRISP-DM(Cross-industry standard process for data mining) จะเห็นได้ว่ามีอยู่ 6 ขั้นตอน เริ่มจาก การทำความเข้าใจธุรกิจ (Business Understanding) ไปจนถึงการนำไปใช้งาน (deployment) ซึ่งเราจะพบว่างานส่วนใหญ่เกือบ 70-80% จะใช้เวลาไปกับขั้นตอนของ Data preparation กล่าวคือการเตรียมข้อมูลที่เป็นงานของ Data engineer ขณะที่งานของ Data scientist อย่างขั้นตอนการสร้างแบบจำลอง (Modeling) และ การประเมินผล (Evaluation) จะใช้เวลาไม่นานนัก
  1. งานการวิเคราะห์ข้อมูลขนาดใหญ่ (Big data)ที่พบในทางปฎิบัติจริงโดยมากจะเป็นงานการวิเคราะห์ข้อมูลทั่วไปที่ใช้หลักการของ Business Intelligence (BI) โดยเป็นหน้าที่ของนักวิเคราะห์ด้านข้อมูล (Data analyst) แล้วอาจนำผลไปทำ Dashboard โดยใช้เครื่องมือด้าน Visualization ซึ่งงานเหล่านั้นพบมากกว่างานด้านการพยากรณ์ข้อมูล (Predictive analytic) ที่ต้องทำโดย Data scientist ด้วยซ้ำไป เพราะหน่วยงานต่างๆจะเริ่มต้นจากการทำ BI ก่อน
  2. งานด้านการพยากรณ์ข้อมูล (Predictive analytic) ที่ทำโดยมากมักจะเป็นงานในการพัฒนาโมเดลพื้นฐานที่มีอยู่ทั่วไป และอาจต้องการนักวิทยาศาสตร์ข้อมูลที่เน้นการพัฒนาโปรแกรม หรือ Citizen Data Scientist ในการทำมากกว่าต้องการ นักวิทยาศาสตร์ข้อมูลขั้นสูง ซึ่งเราจะพบว่าสามารถนำงานเหล่านั้นให้ Data engineer มาศึกษาการเขียนโปรแกรมการพยากรณ์ข้อมูลได้ และบางครั้งอาจจะง่ายกว่าการที่จะเอานักวิทยาศาสตร์ข้อมูลขั้นสูงมาฝึกเป็น Data engineer เสียด้วยซ้ำไป กล่าวคือเราอาจให้ Data engineer มาทำหน้าที่ Data scientist ได้ในงานที่ไม่ซับซ้อน
  3. ข้อมูลจาก The 2021 Data Science Interview Report ระบุว่าตำแหน่งงานทางด้าน Data scientist เริ่มมีการเติบโตน้อยลงจากที่เคยเพิ่มปีละ 80% เหลือเพียงโตขึ้น 10% จากปี 2020 เมื่อเทียบกับปี 2019 ขณะที่งานด้าน Data engineer กลับโตขึ้นถึง 40% นอกจากนี้ยังมีการศึกษาโดย Mihail Eric ที่ลงบทความใน https://www.kdnuggets.com/ พบว่างานทางด้าน Data engineer มีความต้องการสูงกว่างานด้าน Data science ถึง 70%
  1. สุดท้ายมีบทความเรื่อง Data Engineer VS Data Scientist ที่รายงานการสำรวจเงินเดือนเฉลี่ยระหว่าง Data engineer กับ Data Scientist ในปี 2018 พบว่าเงินเดือนของ Data engineer เฉลี่ยอยู่ที่  $151K ต่อปี ส่วน Data Scientist $139K ต่อปี
ที่มา https://towardsdatascience.com/data-engineer-vs-data-scientist-bc8dab5ac124
ที่มา ที่มา https://towardsdatascience.com/data-engineer-vs-data-scientist-bc8dab5ac124

ทั้งหมดนี้คือสิ่งทีอยากชี้ให้เห็นว่างานของวิศวกรข้อมูล (Data engineer) มีความสำคัญมากและอาจเป็นหนึ่งในอาชีพที่น่าสนใจที่สุดสำหรับคนที่ต้องการทำงานด้านข้อมูล

ธนชาติ นุ่มมนท์

IMC Institute

งาน Data Engineer มีความสำคัญมากพอๆกับงานของ Data Scientist (ตอนที่ 1)

อาชีพนักวิทยาศาสตร์ข้อมูล (Data Scientist) เป็นอาชีพที่กล่าวขานกันมากที่สุด คนหลายคนอยากทำงานอาชีพนี้ เยาวชนรุ่นใหม่ได้รับการบอกกล่าวว่าเป็นอาชีพที่น่าจะมีอนาคตที่ดี สถาบันการศึกษาในบ้านเราหลายที่ก็เปิดสาขาด้าน Data Science ในระดับปริญญาตรีขึ้นมา

พอถามไปลึกๆว่านักวิทยาศาสตร์ข้อมูลทำอะไร คืออะไร หลายคนก็ยังงงๆอยู่ คิดว่าทำงานกับข้อมูล เอาข้อมูลมาวิเคราะห์ และก็คิดว่าน่าจะเป็นตำแหน่งงานด้านไอที และเหมาไปว่างานด้านข้อมูลทุกอย่างต้องเป็นหน้าที่ของนักวิทยาศาสตร์ข้อมูล แต่โดยแท้จริงแล้วงานทางด้านข้อมูลต่างๆรวมถึงด้าน Big Data อาจมีตำแหน่งงานหลายหน้าที่ และแต่ละหน้าที่ก็ใช้ทักษะความชำนาญการไม่เหมือนกัน อาทิเช่น

  • วิศวกรข้อมูล (Data engineer) คือผู้ที่จะนำข้อมูลเข้าระบบ ทำการแปลงข้อมูล ทำเรื่อง Data Cleansing ทำให้ข้อมูลมีความถูกต้องขึ้น ซึ่งงานตรงส่วนนี้ต้องมีความรู้ด้านไอที การพัฒนาโปรแกรมภาษาต่างๆเช่น Python และเทคโนโลยีด้านข้อมูล โดยเฉพาะเรื่องของ Big Data อาทิเช่น Database, Hadoop, Spark และ Cloud services ต่างๆ
  • นักวิเคราะห์ด้านข้อมูล (Data analyst) หรือคนที่จะนำข้อมูลที่ผ่านขบวนการของ Data engineering มาแล้วมาวิเคราะห์ทางธุรกิจในอุตสาหกรรมนั้นๆ แล้วอาจนำไปแสดงผลต่อ ซึ่งงานตรงส่วนนี้นอกจากต้องมีความรู้ด้านธุรกิจนั้น อาจมีความสามารถในการใช้ภาษาคอมพิวเตอร์ที่จะสอบถามข้อมูลอย่าง SQL และอาจต้องสามารถใช้เครื่องมือพวก Data visualisation ได้
  • นักวิทยาศาสตร์ข้อมูล (Data Scientist) คือผู้ที่จะนำข้อมูลที่ผ่านขบวนการของ Data engineering มาแล้ว มาทำการพัฒนาโมเดล พยากรณ์ในเรื่องต่างๆ โดยใช้หลักการของ Machine Learning, AI หรือ Deep learning ผู้ที่จะทำงานด้านนี้ต้องมีความรู้ทางด้านคณิตศาสตร์ การเขียนโปรแกรม และความรู้เชิงธุรกิจนั้นได้ดี แต่ด้วยงานพยากรณ์ข้อมูลมีหลากหลายและเครื่องมือเริ่มง่ายขึ้น ทำให้เราอาจแบ่งนักวิทยาศาสตร์ข้อมูลนี้ได้เป็นกลุ่มย่อยต่างๆดังนี้
    • นักวิทยาศาสตร์ข้อมูลขั้นสูง คือคนที่มีความรู้ด้านคณิตศาสตร์ อัลกอริทึมต่างๆเป็นอย่างดี และจะมาพัฒนาโมเดลในการพยากรณ์ในเรื่องใหม่ๆหรือต้องเจาะลึก และยากกว่าที่เป็นปัญหาโดยทั่วไป ทีมีโมเดลและ Library มาตรฐานอยู่
    • นักวิทยาศาสตร์ข้อมูลที่เน้นการพัฒนาโปรแกรม คนกลุ่มนี้อาจแปรผันมาจาก วิศวกรข้อมูล แต่จะเน้นการเขียนโปรแกรมจากเครื่องมือ หรือ Library ต่างๆที่มีอยู่ เช่นการเขียนภาษา Python หรือ R เพื่อใช้ Scikit-Learn หรือ TensorFlow คนกลุ่มเหล่านี้อาจไม่ได้เก่งโมเดลทางคณิตศาสตร์นัก ทำให้ไม่สามารถทีจะทำการพยากรณ์ในเรื่องยากๆ ที่ต้องมีความรู้ด้านโมเดลเป็นอย่างดี และถ้าในอนาคตเครื่องมือง่ายๆขึ้นไปเรื่อยๆงานของกลุ่มคนเหล่านี้ ก็จะมีความสำคัญน้อยลง เพราะสามารถใช้คนกลุ่มที่สามทำงานได้ดีกว่า
    • Citizen Data Scientist เนื่องจากเครื่องมือในการทำวิทยาศาสตร์ข้อมูลในปัจจุบันเริ่มง่ายขึ้นมาก จนบางครั้งคนทั่วไปก็สามารถทำได้ เช่นการใช้เครื่องมืออย่าง AutoML ดังนั้นคนกลุ่มนี้ในอนาคตจะเป็นกลุ่มใหญ่ในการพยากรณ์ข้อมูล โดยเน้นที่มีความรู้เชิงธุรกิจหรืออุตสาหกรรมนั้น เข้าใจโจทย์ได้ลึกซึ้งกว่าสองกลุ่มแรก จะทำให้มีความต้องการคนในกลุ่มนี้มากขึ้น โดยเอาคนที่มีความรู้ในธุรกิจนั้นไปเรียนรู้การใช้เครื่องมือ เช่นนักเศษฐศาสตร์ นักวิชาการเกษตร แพทย์ นักการตลาด เป็นต้น
  • ผู้ดูแลระบบ (Data administrator) การวิเคราะห์ข้อมูลจำเป็นต้องมีระบบโครงสร้างพื้นฐานด้านไอที จึงต้องมีคนที่มีความสามารถที่จะติดตั้งและดูแล Server หรือ Middleware ต่างๆเช่น Database, Data warehouse หรือ Hadoop ซึ่งงานตรงส่วนนี้ต้องมีความรู้ด้านไอที โดยเฉพาะในเชิงของระบบปฎิบัติการต่างๆ

จากที่เขียนสรุปมานี้จะเห็นได้เลยว่า งานทางด้านข้อมูล ไม่ใช่สำคัญแค่นักวิทยาศาสตร์ข้อมูล และถ้านักวิทยาศาสตร์ข้อมูลไม่เก่งจริง ไม่ใช่คนที่มีความรู้ด้านคณิตศาสตร์ อัลกอริทึมต่างๆเป็นอย่างดี แล้วเน้นเพียงแค่การพัฒนาโปรแกรมโอกาสในการทำงานในอนาคตก็อาจจะถูกแย่งโดยกลุ่ม Citizen Data Scientist ดังนั้นที่เราบอกว่าเรียน Data Science อนาคตจะดีก็ต้องดูลึกๆว่าหลักสูตรที่เรียนได้เน้นด้านคณิตศาสตร์มากแค่ไหน

สิ่งที่สำคัญอีกอย่างที่เห็นจากรูปคืองานด้านข้อมูลส่วนใหญ่ จะเริ่มต้นจากขบวนการ Data Engineering และเผลอๆมากกว่า 70-80% ของงาน จะเป็นงานของวิศวกรข้อมูล อย่างที่เรารู้กันดีครับ ถ้าข้อมูลถูกต้องการวิเคราะห์ต่างๆก็จะถูกต้องตาม หรือที่เรามักพูดว่า “garbage in garbage out”

เดี๋ยวในตอนหน้า ผมจะมาเขียนสรุปให้ต่อว่า ทำไมงาน Data Engineer มีความสำคัญมากพอๆกับงานของ Data Scientist หรือบางครั้งอาจสำคัญกว่าด้วยซ้ำไป

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #12: ข้อแนะนำ 10 ข้อเรื่องการทำกลยุทธ์ด้านข้อมูล

ผมเขียนเรื่องการทำกลยุทธ์ด้านข้อมูล (Data Strategy) ขององค์กรมาหลายตอน และเน้นว่าองค์กรจำเป็นอย่างยิ่งที่จะต้องทำกลยุทธ์ด้านนี้เพื่อจะนำไปสู่เรื่องของการทำ Digital Transformation โดยมีบทความหลายๆตอนที่เกี่ยวข้องคือ

และเพื่อให้การทำกลยุทธ์เป็นไปได้ดี ผมขอนำข้อแนะนำที่สำคัญของ ของ CDQ Competence Center ที่อยู่ 10 ข้อมาเขียนสรุปให้ดังนี้

  1. การทำ Data strategyให้ประสบความสำเร็จได้นั้น ผู้บริหารสูงสุดขององค์กรจะต้องเป็นเจ้าภาพหรือให้การสนับสนุนอย่างเต็มที่
  2. องค์กรจะต้องกำหนดให้การทำ Data strategy เป็นวาระที่สำคัญอย่างยิ่งขององค์กร
  3. การจัดทำ Data strategy จะต้องเป็นความร่วมมือกันระหว่างผู้เชี่ยวชาญด้านข้อมูล (เช่นนักวิเคราะห์ข้อมูล หรือนักวิทยาศาสตร์ข้อมูล) ทีมงานไอที และทีมงานด้านธุรกิจแผนกต่างๆ
  4. การจัดทำ Data strategy ควรจะเริ่มต้นจากการกำหนดลำดับความสำคัญของ Data use cases ต่างๆที่ชัดเจน
  5. การจัดทำ Data strategy จำเป็นอย่างยิ่งที่จะต้องสอดคล้องกับกลยุทธ์ด้านต่างๆขององค์กร
  6. การจัดทำ Data strategy อาจทำได้โดยใช้ template อย่าง Data Strategy Canvas ที่มีองค์กรประกอบอยู่ 7 ด้านคือ 1) Need for action 2) Vision 3) Mission and scope 4) Business value 5) Key capabilities 6) Code of conduct และ 7) Transformation
  7. Data Strategy ที่ดีควรจะตอบคำถามขององค์กรหลักๆในสองด้านคือ ด้าน Data Monetisation และ ด้าน Data Foundation
  8. ควรจะต้องสื่อสาร Data Strategy ขององค์กรให้กับพนักงานทุกระดับรับทราบ
  9. ตัวชี้วัดของ Data Strategy จะต้องมีความชัดเจน สามารถติดตาม และทำการประเมินได้
  10. ควรจะมีการทบทวน Data Strategy เป็นประจำ โดยอาจต้องมีแผนปรับปรุงทุกระยะ 1-3 ปี

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #11: แบบประเมิน Data Maturity ขององค์กรแบบออนไลน์

ในตอนที่แล้วผมบอกไว้ว่า องค์กรควรทำการประเมินความพร้อมทางด้านข้อมูล (Data matuarity assessment) ขององค์กรให้ได้ก่อน และตั้งใจจะทำแบบประเมินออนไลน์มาให้ได้ทดสอบกัน ตอนนี้ผมได้ทำแบบประเมินเสร็จแล้ว โดยผู้ที่สนใจต้องการจะไปทำการประเมินความพร้อมด้วยตัวเองสามารถเข้าไป https://tinyurl.com/datamatuarity

ทั้งนี้ในแบบประเมินออนไลน์นี้ จะมีคำถามทั้งหมด 32 ข้อ โดยแบ่งเป็นด้านต่างๆดังนี้

  • ความตระหนักและวัฒนธรรม (Awareness and Culture) 5 ข้อ
  • การใช้งานข้อมูล (Data Usage) 8 ข้อ
  • ภาวะผู้นำขององค์กร (Leadership) 5 ข้อ
  • เครื่องมือและเทคโนโลยี (Tools and Technology) 5 ข้อ
  • ทักษะ (Skills) 4 ข้อ
  • ธรรมาภิบาลข้อมูล (Governance) 5 ข้อ

โดยผมเองพยายามที่จะเรียบเรียงคำถามต่างๆที่จำเป็นในการวัดความพร้อมด้านข้อมูลขององค์กรมา และเมื่อผู้ทำการประเมินตอบคำถามทุกข้อเสร็จ ระบบก็จะสรุปผลการประเมินในแต่ละด้าน และช่วยวิเคราะห์ให้เห็นว่า เราควรจะต้องเน้นทำกลยุทธ์ด้านข้อมูลในกลุ่มใดบ้าง โดยมีตัวอย่างผลประเมินดังรูป

สำหรับผู้ที่สนใจเรื่องของ Data Digital Transformation เพิ่มเติม ผมกำลังจะเปิดหลักสูตรที่เรียนออนไลน์ 6 ครั้งเริ่มในเดือนกรกฎาคม และมีการให้คำปรึกษาแบบ One on One ออนไลน์อีกหนึ่งชั่วโมงหลังการอบรม ผู้สนใจสามารถเข้าไปดูข้อมูลเพิ่มเติมได้ที่ https://bit.ly/3etl1iV

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #10: การประเมินความพร้อมขององค์กรด้านข้อมูล

การวางแผนกลยุทธ์ด้านข้อมูล (Data strategy) ขององค์กรให้ได้ดีส่วนหนึ่งจำเป็นต้องประเมินความพร้อมทางด้านข้อมูล (Data matuarity assessment) ขององค์กรให้ได้ก่อน เพื่อที่จะให้ทราบว่าเราควรกำหนดแผนงานไปในด้านใด ทั้งนี้การประเมินอาจแบ่งเป็นด้านต่างๆดังนี้

  1. การใช้งานข้อมูล (Data Usage) ปัจจุบันองค์กรมีการใช้ข้อมูลแล้วมากน้อยเพียงใด ข้อมูลมีความน่าเชื่อถือแค่ไหน ข้อมูลมาจากแหล่งใด มีวิธีการเก็บและรวบรวมข้อมูลอย่างไร มีการวิเคราะห์ข้อมูลในลักษณะใดบ้าง
  2. ความตระหนักและวัฒนธรรม (Awareness and Culture) ข้อมูลในองค์กรสามารถเข้าถึงได้แค่ไหน บุคลากรมีความตระหนักและความสำคัญกับเรื่องข้อมูลมากน้อยเพียงใด ทักษะการใช้ข้อมูลของบุคลากรเป็นอย่างไร
  3. ภาวะผู้นำขององค์กร (Leadership) ผู้บริหารในองค์กรให้ความสำคัญกับเรื่องข้อมูลหรือไม่ มีการกำหนดนโยบายด้านข้อมูลเพียงใด มีการสนับสนุนด้านทรัพยากรและงบประมาณในเรื่องของข้อมูลอย่างไร
  4. เครื่องมือและเทคโนโลยี (Tools and Technology) องค์กรมีเครื่องมือและเทคโนโลยีที่เหมาะสมและเพียงพอต่อการเก็บ วิเคราะห์ข้อมูลเพียงใด มีสถาปัตยกรรมด้านข้อมูลหรือไม่ บุคลากรสามารถที่จะเข้าถึงข้อมูลโดยใช้เครื่องมือต่างๆได้อย่างไร
  5. ทักษะ (Skills) บุคลากรในองค์กรมีทักษะในด้านต่างๆที่เกี่ยวข้องกับข้อมูลอย่างไร มีความพร้อมแค่ไหน และมีแผนในการฝึกอบรมบุคลากรด้านนี้อย่างไร
  6. ธรรมาภิบาลข้อมูล (Governance) องค์กรมีนโยบายด้านธรรมาภิบาลข้อมูลอย่างไร มีการบริหารจัดการให้สอดคล้องกับกฎระเบียบต่างๆอย่างไร และมีแผนงานต่างๆอย่างไร

ทั้งหกหัวข้อนี้คือตัวอย่างของการประเมินความทางด้านข้อมูลที่องค์กร ควรจะต้องเริ่มทำก่อนที่จะพัฒนาแผนกลบุทธ์ด้านข้อมูล ในตอนต่อไปผมจะเอาตัวอย่างแบบประเมินมาให้ทุกท่านได้ดู และสามารถที่จะทดลองกรอกแบบประเมินแบบออนไลน์ได้

ธนชาติ นุ่มมนท์

IMC Institute

Data Digital Transformation #9: Data Strategy Canvas

การวางกลยุทธ์ด้านข้อมูล (Data strategy) จะมีลักษณะคล้ายๆกับการวางกลยุทธ์ทางด้านธุรกิจ (Business strategy) ซึ่งหลายๆคนอาจใช้ Template อย่าง Business Model Canvas (BMC) มาเป็นเครื่องมือในการช่วยวางแผน เพราะ BMC จะช่วยแบ่งความคิดออกมาเป็นองค์ประกอบในแต่ละด้านให้เข้าใจได้ง่ายขึ้น เป็นเครื่องมือช่วยทำให้การประชุมวางแผนกลยุทธ์สามารถกำหนดกรอบต่างๆได้ชัดเจนขึ้น สามารถเห็นได้ว่าในแต่ละด้านจะต้องมีกิจกรรมอย่างไร

ผมได้เข้าไปดูในเว็บไซต์ของ CDQ Competence Center และได้เห็น Template ในวางแผน Data Strategy ที่คล้ายๆกับ BMC ที่น่าสนใจ และอยากจะแนะนำให้องค์กรต่างๆลองนำไปใช้ โดย Canvas นี้มีองค์ประกอบต่างๆดังรูปข้างล่างนี้

รูปจากเว็บ https://www.cc-cdq.ch/data-strategy#canvas

Data Strategy Canvas นี้จะแบ่งเป็นสามส่วนคือ ส่วนที่เป็นกลยุทธ์ (Strategic layer) ส่วนการดำเนินงาน (Operational layer) และส่วนขั้นตอนปฎิบัติงาน (Implementation layer)

การกำหนด Data Strategy จะเริ่มจาก Strategic layer จะพิจารณาจากองค์ประกอบต่างๆดังนี้

  • Need for action เพื่อระบุความจำเป็นที่จะต้องมี Data strategy ตอนนี้องค์กรเรามีความพร้อมด้านข้อมูลอย่างไร และทำไมจะต้องจึงจำเป็นต้องปรับเปลี่ยน
  • Vision วิสัยทัศน์ขององค์กรทางด้านข้อมูล และบทบาทที่คาดหวังในอนาคต
  • Mission and scope การกำหนดพันธกิจ ขอบเขต และเป้าหมายขององค์กรในด้านข้อมูล
  • Business value คุณค่าเชิงธุรกิจที่คาดว่าจะได้จากการนำข้อมูลมาใช้

ในส่วนที่สองจะเป็น Operational layer ที่จะพิจารณาจากองค์ประกอบต่างๆดังนี้

  • Key capabilities ระบุถึงสมรรถนะขององค์กรที่จะต้องมีหรือพัฒนาขึ้นเพื่อให้ Data use cases ที่ต้องการทำให้เป็นไปตามเป้าหมาย อาทิเช่น ทักษะบุคลากร การกำหนดตำแหน่งงานหรือโครงสร้างองค์กร กระบวนการทำงาน ตัวชี้วัด มาตรฐานที่จะใช้ หรือเทคโนโลยีต่างๆที่จำเป็นเช่น สถาปัตยกรรมทางด้านข้อมูล (Data architecture) แอปพลิเคชันทางด้านข้อมูล (Data application) หรือ วงจรชีวิตด้านข้อมูล (Data life-cycle) เป็นต้น

ส่วนสุดท้ายคือ Implemenation layer ที่จะพิจารณาจากองค์ประกอบต่างๆดังนี้

  • Code of conduct การปรับเปลี่ยนวัฒนธรรมองค์กรให้มีการใช้งานข้อมูลมากขึ้น ซึ่งอาจครอบคลุมทั้งบุคลากรภายในและภายนอกที่เกี่ยวข้องเช่นลูกค้าหรือคู่ค้า
  • Transformation คือ Roadmap ที่จะแสดงขั้นตอนในการปฎิบัติงานของกลยุทธ์ด้านข้อมูลและจะมีการทำงานอย่างไร

จะเห็นได้ว่า Data strategy canvas จะช่วยทำให้เราวางกลยุทธ์ได้อย่างเป็นระบบ ดังนั้นถ้าเราเริ่มต้นจากการหา Data use cases โดยใช้ Template จากที่ได้พูดถึงในตอนที่แลัว (Data Digital Transformation #8: เริ่มต้นการวางแผน Data strategy ด้วยการเลือก Data use cases) แล้วนำมาใช้ในการวางแผนต่อด้วย Data strategy canvas ชุดนี้ เราก็อาจจะได้ Data strategy ที่สมบูรณ์ขึ้น

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #8: เริ่มต้นการวางแผน Data strategy ด้วยการเลือก Data use cases

Data use case template ของ Bernard Marr

ในตอนที่แล้ว ผมได้เขียนถึงความจำเป็นที่องค์กรต่างๆจะต้องมีกลยุทธ์ทางด้าน (Data Strategy) คำถามที่น่าสนใจคือแล้วเราจะวางกลยุทธ์นี้ได้อย่างไร Data Strategy ที่ดีจะไม่ได้เรื่มต้นด้วยว่าเราจะใช้ข้อมูลอย่างไร แต่ควรที่จะเริ่มต้นที่กลยุทธ์ขององค์กร กลยุทธ์เชิงธุรกิจ (Business strategy) ว่าต้องการบรรลุเป้าหมายอะไร อะไรคือความท้าทาย และคงต้องมาเลือก Use Case ที่สำคัญในการจะนำข้อมูลมาใช้ ซึ่งโดยทั่วไปเราอาจกำหนด Use case ในการนำข้อมูลมาใช้ในสี่มิติคือ

  1. การใช้ข้อมูลเพื่อให้เข้าใจลูกค้ามากขึ้น เข้าใจว่าลูกค้าคือใคร เหตุผลในการมาใช้สินค้าและบริการเรา เข้าใจถึงแนวโน้มของตลาด
  2. เพื่อนำเสนอสินค้าและบริการที่ดีขึ้น โดยการใช้ข้อมูลมาทำการ customize สินค้าให้ตรงใจและเพิ่มคุณค่าให้กับลูกค้า หรือนำเสนอสินค้าและบริการให้ตรงกับความต้องการของลูกค้าแต่ละรายที่ต่างกัน (Personalisation)
  3. การนำข้อมูลมาปรับปรุงกระบวนการทำงานภายใน (Internal process) เพื่อให้การทำงานมีประสิทธิภาพมากขึ้น เช่นอาจนำมาปรับปรุงวิธีการทำการตลาด หรือการผลิตสินค้าในโรงงาน
  4. การใช้ข้อมูลเพื่อแสวงหารายได้เพิ่มเติม กล่าวคือนำข้อมูลที่มีอยู่ไปหารายได้ต่อยอดอื่นๆ อาทิเช่นกรณีของบริษัทด้านโทรคมนาคม หรือ Food Delivery ที่อาจใช้ข้อมูลเป็นสินทรัพย์เพื่อไปทำธุรกิจกับพันธมิตร

โดยปกติในองค์กรอาจมี Data use case มากมาย แต่เราควรจะคัดเลือก Use case ที่สำคัญ หรือเรียกว่า Strategic use case เริ่มต้นมาเพียง 3-4 กรณี ซึ่ง Use case เหล่านี้มาจากกลยุทธ์เชิงธุรกิจและต้องมีการประชุมปรึกษาหารือร่วมกันกับผู้เกี่ยวข้อง ผมได้เข้าไปดูเว็บไซต์ของ Bernard Marr ซึ่งเป็นผู้เชี่ยวชาญทางด้าน Big Data และเขียนหนังสือเรื่อง “Data Strategy : How to Profit from a World of Big Data, Analytics and the Internet of Things” พบว่ามี Data use case template ที่อาจเป็นเครื่องมือช่วยให้ผู้ที่ต้องการวางแผนการหา use case สามารถทำงานได้ง่ายขึ้น โดยสามารถไปดาวน์โหลด Template ได้ที่ https://www.bernardmarr.com/img/PDF%20Templates-2.pdf

Data use case template จะมีหัวข้อต่างๆ 11 เรื่องดังนี้

  1. การเชื่อมโยงกับกลยุทธ์องค์กร: Data use case นี้จะไปสนับสนุนเป้าหมายของกลยุทธ์องค์กรในด้านใด
  2. วัตถุประสงค์: Data use case นี้มีวัตถุประสงค์เพื่ออะไร และจะตอบโจทย์ธุรกิจเรื่องอะไร
  3. ตัวชี้วัด (KPI): จะมีตัวชี้วัดใดที่จะสามารถวัดความสำเร็จของ Data use case นี้อย่างไร
  4. ผู้รับชอบ: ใครคือผู้ที่จะดูแลและบริหารจัดการ Data use case นี้
  5. ผู้ใช้ข้อมูล: ใครคือผู้ใช้หรือลูกค้าจากข้อมูลของ Use case นี้
  6. ข้อมูลที่ต้องการ: ข้อมูลภายในหรือภายนอกที่จะถูกนำมาใช้สำหรับ Data use case นี้ มีอะไรบ้าง
  7. ธรรมาภิบาลข้อมูล: การบริหารเรื่องคุณภาพข้อมูล ความปลอดภัยของข้อมูล ความเป็นส่วนตัวของข้อมูลสำหรับ Data use case นี้ เป็นอย่างไร
  8. การวิเคราะห์ข้อมูล: มีแนวทางการวิเคราะห์ข้อมูล หรือการทำวิทยาศาสตร์ข้อมูลสำหรับ Data use case นี้อย่างไร
  9. เทคโนโลยี: ความด้องการทางด้านเทคโนโลยีสำหรับ Data use case นี้มีอะไรบ้าง และมีปัญหาหรืออุปสรรคอย่างไร
  10. ทักษะและความสามารถ: ทักษะที่ต้องการในการทำ Data use case นี้ให้เป็นไปตามเป้าหมาย
  11. การพัฒนาและการบริหารการเปลี่ยนแปลง: ความต้องการและความท้าทายของการพัฒนา Data use case นี้

ทั้งหมดนี้คือการเริ่มต้นทำ Data strategy โดยการวิเคราะห์หา Data use case ที่สำคัญมา เพื่อใช้ในการวางแผนกำหนด Data strategy ต่อไป ซึ่งในตอนหน้าจะบอกว่าควรมีองค์ประกอบอื่นๆอีกอะไรบ้าง

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #7: องค์กรต้องมี Data Strategy ถึงจะสามารถแข่งขันได้

ในปัจจุบันองค์กรจำเป็นอย่างยิ่งที่จะต้องมีกลยุทธ์ด้านข้อมูล (Data Strategy) มีการกล่าวว่าถ้าองค์กรไม่มีกลยุทธ์ทางด้านนี้แล้วจำเป็นจะต้องเร่งทำมิฉะนั้นแล้วจะไม่สามารถแข่งขันได้โดยกลยุทธ์ด้านข้อมูลจะต้องสอดคล้องกับกลยุทธ์ขององค์กร (Corporate strategy) นอกจากต้องสัมพันธ์กับกลยุทธ์ของฝ่ายต่างๆอาทิเช่น กลยุทธ์การตลาด กลยุทธ์ด้าน Supply Chain หรือ กลยุทธ์ด้านไอที ตลอดจนต้องวางกลยุทธ์ที่เข้าใจสภาพการแข่งขันและนำ Best practice จากภายนอกองค์กรมาใช้ในการวางแผนดังแสดงในรูปข้างล่างนี้ ดังนั้นการทำ Data Startegy ขององค์กรจึงไม่ใช่เป็นเรื่องของแค่แผนกไอที หรือทีมงานวิเคราะห์ข้อมูล แต่จะต้องร่วมกันทำกับทุกภาคส่วนในองค์กร

ทีมงานแต่ละทีมอาจให้ความหมายของ Data Strategy ที่แตกต่างกัน ในมุมมองของทีม Business Intelligence (BI) และฝั่งธุรกิจ (Business user) อาจมองว่าเป็นกลยุทธ์ในการเข้าถึงข้อมูลและนำข้อมูลมาวิเคราะห์ ในมุมมองของทีมบริหารจัดการข้อมูล (Data manager) อาจมองว่าเป็นกลยุทธ์การจัดทำธรรมาภิบาลข้อมูล (Data Governance) และมองเรื่องคุณภาพข้อมูล (Data quality) ในมุมมองของนักวิทยาศาสตร์ข้อมูลอาจมองว่าเป็นกลยุทธ์ในการนำข้อมูลมาวิเคราะห์หรือการทำ Data Science และมุมของแผนไอทีก็อาจมองว่าเป็นกลยุทธด้านการทำสถาปัตยกรรมข้อมูลหรือการทำ Data Lake

ผมได้ไปอ่านบทความของหน่วยงาน CDQ Comptetence Center ที่ให้ความหมายของ Data Strategy ไว้ได้อย่างดีว่า กลยุทธ์ที่ดีควรจะตอบคำถามขององค์กรหลักๆในสองด้านคือ

  • ด้าน Data Monetisation กล่าวคือ องค์กรจะสามารถนำข้อมูลไปใช้เพื่อสร้างมูลค่าเพิ่มให้กับองค์กรได้อย่างไร เช่นการวิเคราะห์ข้อมูลในเชิงลึกและนำมาปรับปรุงกระบวนการทำงาน หรือการสร้างโมเดลธุรกิจแบบใหม่โดยใช้ข้อมูลเป็นตัวขับเคลื่อน
  • ด้าน Data Foundation กล่าวคือ องค์กรจะมีการบริหารจัดการข้อมูลอย่างไรเพื่อสร้างมูลค่าเพิ่มให้กับองค์กร กล่าวคือ จะนำเข้า เก็บ ประมวลผล และกระจายข้อมูลอย่างไร

Data strategy คือสิ่งที่องค์กรควรจะต้องมีด้วยเหตุผลต่างๆดังนี้

  1. ปัจจุบันข้อมูลได้กลายเป็นสินทรัพย์ที่สำคัญขององค์กร และสามารถทำให้องค์กรสร้างกลยุทธ์ใหม่ๆได้ ทั้งจากการสร้างผลิตภัณฑ์หรือบริการที่อ้างอิงจากข้อมูล หรือการนำข้อมูลมาวิเคราะห์ในเชิงลึก ซึ่ง Data Strategy จะเป็นการระบุกลยุทธ์ของการนำข้อมูลมาใช้ในธุรกิจขององค์กร
  2. ข้อมูลในองค์กรต่างๆส่วนใหญ่มักจะมีปัญหาเรื่องคุณภาพข้อมูล ดังนั้น Data Strategy จะเป็นการกำหนดในเรื่องของ Data Foundation และจะช่วยทำให้การทำงานของกระบวนการธุรกิจ (Business Process) ดีขึ้น
  3. ปัจจุบันองค์กรต่างๆเล็งเห็นความสำคัญในเรื่องของการนำข้อมูลมาทำการวิเคราะห์ข้อมูลขั้นสูง ทำวิทยาศาสตร์ข้อมูล หรือทำปัญญาประดิษฐ์ ซึ่ง Data Strategy จะช่วยกำหนดกลยุทธ์ในการพัฒนาทักษะของทีมงาน การเตรียมแผนงานต่างๆเพื่อนำข้อมูลมาวิเคราะห์ในด้านเหล่านี้
  4. ข้อมูลในองค์กรส่วนใหญ่จะกระจายกันอยู่หลายที่ มีความเป็น Silo ซึ่ง Data Strategy จะช่วยวางกลยุทธ์ทำให้ทุกแผนกมีการเข้าถึงข้อมูลต่างๆได้ และช่วยลดการลงทุนเชิงเทคโนโลยีที่ซ้ำซ้อน
  5. ปัจจุบันมีกฎระเบียบต่างๆทั้งภายในและภายนอกองค์กรที่ให้ความสำคัญกับเรื่องของข้อมูลมากขึ้น ทั้งในเรื่องของความปลอดภัยและ Data privacy อาทิเช่นมีกฎหมายคุ้มครองข้อมูลส่วนบุคคล (PDPA) ออกมา ดังนั้นองค์กรจึงจำเป็นต้องมี Data Strategy ที่จะต้องกำหนดกลยุทธ์ให้ครอบคลุมกฎเกณฑ์ต่างๆเหล่านี้ และระบุถึงสิ่งที่ต้องทำ

จากที่กล่าวมาทั้งหมดจะเห็นได้ว่า ถ้าองค์กรใดต้องการจะทำ Digital Transformation องค์กรนั้นจำเป็นอย่างยิ่งที่ต้องมี Data Strategy ซึ่งในตอนต่อไป ผมจะมาสรุปให้ว่า Data Strategy ต้องประกอบไปด้วยอะไร และมีขั้นตอนการทำอย่างไร

ธนชาติ นุ่มนนท์

IMC Institute