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

Data Digital Transformation #6: แรงผลักดันที่ทำให้เราต้องขับเคลื่อนด้วย Data

ผมเคยเขียนไว้อยู่ตอนหนึ่งว่า การทำ Digital Transformation คือเรื่องของ Data ไม่ใช่ Technology องค์กรที่ไม่มี Data ก็ยากที่จะขับเคลื่อนสู่ Data-enabled Digital Transformation อะไรคือแรงผลักดัน (Driver) ที่ทำให้เราต้องขับเคลื่อนสู่การทำ Digital Transformation โดยใช้ Data นั้นสามารถสรุปประเด็นที่สำคัญได้ดังนี้

แรงผลักดันที่ 1) ความจำเป็นที่ต้องสร้างความสามารถในการแข่งขัน โลกดิจิทัลทำให้พฤติกรรมของผู้บริโภคเปลี่ยนไป องค์กรที่สามารถจะแข่งขันต่อไปได้ จำเป็นต้องเข้าใจพฤติกรรมของลูกค้าและผู้บริโภค การมีข้อมูลจำนวนมากทำให้องค์กรสามารถจะวิเคราะห์ข้อมูลเชิงลึกได้ เพิ่มจำนวนลูกค้าได้มากขึ้น และลดจำนวนลูกค้าที่ย้ายออกไปได้

แรงผลักดันที่ 2) ความจำเป็นที่ต้องบริการลูกค้าแบบเฉพาะเจาะจง (personalisation) ได้ดีขึ้น การตลาดสมัยใหม่จำเป็นต้องหาสินค้าและบริการให้ตรงใจกับลูกค้าแต่ละราย การเก็บข้อมูลจำนวนมากจะทำให้สามารถที่จะเข้าใจประสบการณ์ลูค้า (Customer experience) ได้ดีขึ้น และจะทำให้องค์กรสามารถเข้าใจลูกค้าได้ดีขึ้น

แรงผลักดันที่ 3) ความจำเป็นที่ต้องทำให้การทำงานภายในต่างๆมีประสิทธิภาพมากขึ้น การมีข้อมูลจำนวนมากทำให้เราสามารถนำข้อมูลมาใช้ในการตัดสินใจในเรื่องต่างๆได้ดีขึ้น และทำให้สามารถชับเคลื่อนไปสู่การเป็นองค์กรที่ขับเคลื่อนโดยใช้ข้อมูลได้ (Data Driven Organisation)

แรงผลักดันที่ 4) ความจำเป็นที่ต้องปฎิบัติตามกฎระเบียบและธรรมาภิบาลต่างๆ เนื่องจากการใช้ข้อมูลจำนวนมากจะทำให้เกิดความโปร่งใสในองค์กร สามารถนำข้อมูลมาวิเคราะห์ เจาะลึกในด้านต่างๆให้สอดคล้องกับกฎระเบียบทั้งภายในและภายนอกองค์กร

แรงผลักดันที่ 5) สุดท้ายแรงผลักดันอีกเรื่องหนึ่งก็อาจเป็นเพราะองค์กรได้ทดลองทำ Digital Transformation ด้วยวิธีการอื่นๆ โดยเฉพาะการนำด้วย Technplogy มาแล้วแต่ไม่ประสบความสำเร็จ ไม่สามารถปรับเปลี่ยนองค์กรได้ดังที่คาดหวัง ดังนั้นจึงจำเป็นที่จะต้องขับเคลื่อนโดยการใช้ Data เช่นที่หลายๆองค์กรประสบความสำเร็จ

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #5: เราสามารถเชื่อถือข้อมูลที่นำเสนอได้แค่ไหน

ในการประชุมของผู้บริหารการศึกษาจังหวัดหนึ่ง มีหัวข้อค่าเฉลี่ย GPA ของนักเรียนในจังหวัด สไลด์ที่นำเสนอในที่ประชุม หน้าหนึ่งเป็นการนำเสนอค่าเฉลี่ยของนักเรียนในแต่ละโรงเรียนกว่า 300 แห่ง โดยจัดเป็นกลุ่มมีทั้งโรงเรียนขนาดใหญ่และโรงเรียนขนาดเล็ก โรงเรียนขนาดเล็กที่มีนักเรียนน้อยกว่าส่วนใหญ่จะมีค่าเฉลี่ยที่ดีกว่าโรงเรียนขนาดใหญ่ โดยส่วนใหญ่จะอยู่ 3.40 – 3.80 ส่วนโรงเรียนขนาดใหญ่จะมีค่าเฉลี่ยที่ 2.30 – 2.90 และก็มีหน้าสรุปที่ระบุว่า คะแนนเฉลี่ย GPA ของนักเรียนทั้งจังหวัดอยู่ที่ 3.58

ผู้บริหารส่วนใหญ่ในที่ประชุม ก็รู้สึกพึงพอใจกับผลการเรียนของเด็กนักเรียนในจังหวัด และคิดว่าการเรียนการสอนในจังหวัดประสบความสำเร็จอย่างมาก และกำลังสรุปว่าเราทำได้ดีเยี่ยมแล้ว บังเอิญก่อนจะสรุป ผู้บริหารท่านหนึ่งตั้งคำถามว่า ค่าเฉลี่ยโดยรวมหามาได้อย่างไร ผู้นำเสนอตอบมาว่า ก็เอาค่าเฉลี่ย GPA ของแต่ละโรงเรียนมารวมกันแล้วหารด้วยจำนวนโรงเรียนทั้งหมด

ผู้บริหารท่านนั้นเลยถามว่าแล้วถ้าเอาค่า GPA ของนักเรียนแต่ละคนมาแล้วหารด้วยจำนวนนักเรียนทั้งหมดจะได้ค่าเฉลี่ยของจังหวัดเท่าไหร่ ผู้นำเสนอตอบว่าไม่ได้ทำมาครับ เพราะเรามีแค่ข้อมูลค่าเฉลี่ย GPA ของแต่ละโรงเรียนและจำนวนโรงเรียน ขอเวลากลับมานำเสนอใหม่ครับ พอในการประชุมเดือนถัดมา ผู้นำเสนอคนเดิมกลับมานำเสนอว่า ค่าเฉลี่ยของนักเรียนในจังหวัดอยู่ที่ 2.75 ซึ่งแตกต่างจากเดิมมาก

ตัวอย่างนี้กำลังจะบอกว่า ข้อมูลสามารถนำเสนอได้หลากหลาย ตามที่เราต้องการ ขึ้นอยู่กับวิธีสถิติที่เราอยากทำ บางครั้งผู้นำเสนออาจมีวิธีการปรับตัวเลขให้ดูดีๆได้ ผู้ใช้ข้อมูลหรือผู้บริหารจำเป็นอย่างยิ่งที่จะต้องเข้าใจที่มาที่ไปของข้อมูล และหลักสถิติ เพราะหากเข้าใจผิดก็จะนำไปสู่การตัดสินใจที่ผิดๆ

บ่อยครั้งที่ผมนั่งประชุมผู้บริหารแล้วมีการนำเสนอ ผลประกอบการ ผลการจัดอันดับต่างๆ เรามักจะเห็นตัวเลขที่สวยงาม ถ้าเราไม่ไปเจาะลึกเข้าใจที่ไปที่มาของข้อมูลดีพอ ไม่ไปศึกษาวิธีการจัดอันดับว่าใช้ข้อมูลอะไรมาตัดสิน ก็อาจทำให้เราตัดสินใจผิดพลาดได้ ดังนั้น Data literacy ข้อหนึ่งที่สำคัญคือ ต้องเข้าใจความน่าเชื่อถือของข้อมูลและต้องมีหลักสถิติพื้นฐาน

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #4: Data Digital Transformation ไม่ใช่ Technology Digital Transformation

หลายๆคนอาจสับสนกับคำว่า “Digital Transformation” คืออะไร เพราะบางครั้งคำนี้อาจทำให้หลายคนเข้าใจผิดว่าคือเทคโนโลยี บางคนก็ไปสับสนกับการลงทุนเชิงเทคโนโลยีไอที จริงๆมันมีคำสามคำที่ดูใกล้เคียงกันมากคือคำว่า “Digitisation” “Digitalisation”และ “Digital Transformation”

Digitisation: คือกระบวนการแปลงข้อมูลจากอนาล็อกให้เข้าสู่รูปแบบดิจิทัล เช่นการแปลงงานจากกระดาษเข้าสู่ระบบคอมพิวเตอร์

Digitalisation: คือกระบวนงาน (process) ที่ถูกปรับไปด้วยการใช้เทคโนโลยี ซึ่งเป็นการใช้เทคโนโลยีดิจิทัลมาเปลี่ยนโมเดลธุรกิจ เป็นการใช้ดิจิทัลแพลตฟอร์มในการเปลี่ยนโมเดลในการทำงานหรือทำให้มีประสิทธิภาพมากขึ้น

Digital Transformation: คือภาพรวมของผลกระทบที่เกิดขึ้นจากเรื่องของ Digitalisation

จริงๆแล้วเทคโนโลยีดิจิทัลอาจไม่ได้ทำให้เกิดการเปลี่ยนแปลงหรือสร้างผลลัพธ์ทางธุรกิจอะไรเลยก็ได้ ถ้าเราไปโพกัสในเรื่องของเทคโนโลยีคือพยายามทำ “Technology Digital Transformation” กล่าวคือการทำ Platform แต่สิ่งที่ควรทำคือเราต้องไปโพกัสที่ “Data Digital Transformation” กล่าวคือการวิเคราะห์เจาะลึกข้อมูล เพราะการใช้เทคโนโลยีตามลำพังไม่ได้สร้างคุณค่าอะไรใหม่ๆขึ้นมาๆได้มากนัก แต่สิ่งที่อาจสร้างคุณค่าขึ้นมาได้คือการทำ Insight ในข้อมูลต่างๆอาทิเช่น ข้อมูลลูกค้า ข้อมูลตลาด หรือข้อมูลพฤติกรรมผู้บริโภค

ซึ่งผมเองมักจะไปบรรยายตามที่ต่างๆเสมอว่าถ้าไม่มี Data ไม่มีทางที่จะทำ Digital Transformation ได้

การทำ Digital transformation จึงไม่ใช่เริ่มที่การนำเทคโนโลยีมาพัฒนาแพลตฟอร์มต่างๆ หรือเพียงแค่การหาเครื่องมือดิจิทัลมาช่วยในการทำงาน โดยไม่ใส่ใจในเรื่องของ Data แต่สิ่งที่ควรทำไม่ใช่เรื่องของเทคโนโลยีตามลำพังแต่เป็นเรื่องของการใช้เทคโนโลยีอย่างไรเพื่อที่จะตอบโจทย์เรื่อง Data จะเก็บ Data อย่างไร จะประมวลผล Data อย่างไรเพื่อให้สามารถเข้าใจ Insight และมี Information ในการจะเปลี่ยนแปลงธุรกิจได้ ซึ่งอาจรวมไปถึงการนำมาใช้ในด้าน AI และ Machine Learning เพื่อตอบโจทย์เรื่องของอุตสาหกรรม 4.0

Data is new oil, tools (technologies) are combusted engine ข้อมูลเปรียบเสมือนน้ำมันในยุคใหม่ และเครื่องมือหรือเทคโนโลยีเปรียบเสมือนเครื่องยนต์ในการขับเคลื่อน

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #3: ขั้นตอนในการสร้าง Data Culture

ช่วงนี้โพสต์เรื่อง Data Literacy และ Data Driven Organisation หลายครั้ง ซึ่งหลายองค์กรก็อยากจะสร้างวัฒนธรรมทางด้านข้อมูล (Data culture) เพื่อขับเคลื่อนไปสู่การเป็นองค์กร Data-driven คำถามที่น่าสนใจเราจะสร้างวัฒนธรรมเแบบนี้ได้อย่างไร ผมได้ไปศึกษาบทความต่างๆมาและได้ขอแนะนำที่น่าสนใจในเรื่อง 5 ขั้นตอนในการสร้างวัฒนธรรมด้านข้อมูลดังนี้

ข้อที่ 1) ต้องเปิดโอกาสให้บุคลากรในองค์กรสามารถเข้าถึงข้อมูลได้ตามสิทธิ์ การที่จะให้เข้าใช้ข้อมูลได้ก็ต้องเปิดโอกาสให้พนักงานทุกคนเข้าถึงข้อมูลได้มากที่สุดเท่าที่ทำได้ ตามระดับสิทธิ์ระดับชั้นความลับ เราต้องเลิกพฤติกรรมในการหวงข้อมูลหรือการไม่แชร์ข้อมูลข้ามแผนก ต้องเข้าใจว่าการมีข้อมูลมากขึ้นจะทำให้พนักงานทุกคนทำงานได้มีประสิทธิภาพขึ้น

ข้อที่ 2) ผู้บริหารระดับสูงต้องให้การสนับสนุน ถ้าผู้บริหารทุกระดับมีการใช้ข้อมูล มีการตั้งคำถามต่างๆที่พนักงานจะต้องอ้างอิงกับข้อมูล ต้องหาข้อมูลมาสนับสนุน การตัดสินใจต่างๆส่วนใหญ่จะขึ้นอยู่กับข้อมูล ก็จะผลักดันให้พนักงานเห็นความสำคัญของการใช้ข้อมูลในองค์กร

ข้อที่ 3) ต้องลงทุนกับการสร้างทักษะด้านข้อมูล (Data literacy) อย่างที่เคยโพสต์ว่า Data literacy เป็นเรื่องสำคัญมากสำหรับการทำงานในยุคปัจจุบัน เราต้องพัฒนาทักษะพนักงานทุกระดับ รวมถึงการสอนให้พนักงานบางส่วนใช้เครื่องมือในการพัฒนาข้อมูล เช่นการทำ Dashboard การสร้างรายงาน รวมถึงบางครั้งอาจต้องมีการอบรมทักษะด้านสถิติ การวิเคราะห์ข้อมูล และวิทยาศาสตร์ข้อมูล (Data science)

ข้อที่ 4) ต้องบริหารจัดการระบบ Metadata ขององค์กร เนื่องจากองค์กรจะมีข้อมูลจำนวนมาก อาจต้องมีระบบ Data dictionary หรือ Data catalog เพื่ออธิบายความหมายของข้อมูลแต่ละส่วน ความเกี่ยวโยงกันของข้อมูล ตลอดจนนิยามความหมายต่างๆที่สำคัญ ซึ่งอาจต้องอธิบายทั้งทางด้านเทคนิคและธุรกิจ จึงจะทำให้ผู้ใช้ข้อมูลสามารถทำงานได้อย่างถูกต้องขึ้น

ข้อที่ 5) อย่าแยกทีมงานวิเคราะห์ข้อมูลหรือนักวิทยาศาสตร์ข้อมูลออกไปทำงานตามลำพัง งานวิทยาศาสตร์ข้อมูลจะต้องทำงานร่วมกับทุกแผนก ต้องเข้า Business domain โจทย์และผลการวิเคราะห์ต่างๆจะต้องทำร่วมกันกับแผนกต่างๆ นอกจากนี้บางครั้งเราก็ควรที่จะให้แผนกต่างๆได้อบรมและมีทักษะทางด้านวิทยาศาสตร์ข้อมูลเบื้องต้นด้วย ก็จะทำให้การทำงานในองค์กรได้ผลสัมฤทธิ์ยิ่งขึ้น

ทังหมดนี้คือขั้นตอนที่สำคัญในการสร้างวัฒนธรรมด้านข้อมูลสำหรับองค์กร

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #2: Data Literacy

ทักษะทางด้านข้อมูล (Data Literacy) คือทักษะที่สำคัญสำหรับคนทำงานในยุคปัจจุบัน ซึ่งเป็นยุคที่โลกเต็มไปด้วยข้อมูล (Data) ทักษะการอ่าน (Reading literacy) คือการที่เราสามารถอ่านแล้วเข้าใจสามารถแปลมาเป็น Information ได้ ทักษะทางด้านข้อมูลก็เช่นกันหมายถึงเราสามารถอ่านข้อมูลเช่นตัวเลข กราฟ Dashboard ต่างๆ แล้วเข้าใจสามารถแปลมาเป็น Information ได้ รวมถึงมีทักษะในการที่จะโต้แย้งกับข้อมูลได้

ทักษะทางด้านข้อมูลมีหลักสำคัญอยู่ 4 ด้านคือ

  • 1) Reading: มีความสามารถในการอ่านข้อมูลและเข้าใจความหมาย
  • 2) Working: มีความสามารถในการทำงานกับข้อมูล คือมีความคุ้นเคยและรู้สึกเป็นเรื่องปกติในการเห็นข้อมูล การดูกราฟ ดูตัวเลข และเข้าใจได้ว่าข้อมูลนั้นถูกต้องหรือไม่
  • 3) Analysing: มีความสามารถในการวิเคราะห์ข้อมูล กล่าวคือรู้จักการตั้งคำถามเกี่ยวข้องกับข้อมูล ว่าเพราะอะไร ทำไม และสามารถเจาะลึกในข้อมูลได้ (Insight)
  • 4) Arguing: มีความสามารถในการโต้แย้งกับข้อมูล ที่นำเสนอมาได้

ซึ่งส่วนหนึ่งมันก็คือการคิดโดยใช้ข้อมูล (Think in Data) และต้องมีทักษะเชิงคิดวิเคราะห์ในหลายๆด้าน อาทิเช่น 1) ต้องแยกแยะให้ได้ว่าข้อมูลที่มีมาน่าเชื่อถือไหม ดูได้ว่าตัวเลขต่างๆที่ได้มามีประโยชน์หรือไม่ บางครั้งตัวเลขก็อาจผิดได้ถ้าแหล่งข้อมูลไม่ถูกต้องหรือขาดความแม่นยำ 2) ต้องรู้วิธีการรวบรวมข้อมูล ต้องรู้หลักสถิติ บางครั้งกราฟที่แสดงออกมาสามารถที่จะทำให้เราเข้าใจผิดได้ ถ้าเราไม่เข้าใจหลักการที่ถูกต้อง 3) ต้องมีทักษะในการนำเสนอข้อมูลในเรื้องทีซับซ้อนได้ โดยต้องไม่ทำให้ผู้อ่านข้อมูลเข้าใจผิด และ 4) ต้องรู้จักการใช้ข้อมูลให้ครอบคลุมไปทุกส่วนรวมถึงข้อมูลที่อาจขาดหายไป

วันนี้เราอยู่ในสังคม Click Like Share หลายคนอ่านข้อมูล ดูข้อมูล แล้วก็ไม่ได้ใช้ทักษะทางด้านข้อมูล แชร์ต่อทันที และเชื่อโดยขาดการวิเคราะห์ ยิ่งในสังคมที่มีข้อมูลมหาศาล และเราบอกกันว่า Data is new oil ทักษะทางด้านข้อมูลจึงจำเป็นอย่างยิ่งกับการทำงานในปัจจุบัน

ธนชาติ นุ่มนนท์

IMC Institute

Data Digital Transformation #1: ต้อง Believe in data

ทำไมทำโครงการ Big Data หรือมีข้อมูลต่างๆแล้วไม่มีใครใช้ เป็นปัญหาปกติที่หลายๆองค์กรมักจะเจอ เช่นทำ Dashboard เสร็จมีข้อมูลต่างๆมากมาย แต่ไม่มีใครใส่ใจ ผู้บริหารเองก็ไม่สนใจจะเอามาใช้ในการตัดสินใจ

ส่วนหนึ่งมาจากวัฒนธรรมองค์กรที่เรามักจะตัดสินใจจากประสบการณ์ จากความเชื่อมั่นของคนทำงาน เราไม่ได้ถูกฝึกให้มีทักษะการใช้ข้อมูลในการตัดสินใจ ผมพบว่าคนที่ตัดสินใจโดยใช้ข้อมูลส่วนใหญ่เพราะถูกฝึกมาตั้งแต่เล็ก ให้ดูตัวเลข เห็นข้อมูลต่างๆ เชื่อมั่นในสถิติเข้าใจกราฟข้อมูลต่างๆ มากกว่าที่จะแค่ใช้ความเชื่อ ความสัมพันธ์ส่วนตัว ประสบการณ์มาตัดสินใจ องค์กรที่จะก้าวไปสู่การเป็น Data-driven organisation จำเป็นต้องสร้างทักษะให้บุคลากรทุกระดับมีทักษะในด้านข้อมูลเสียก่อน

มันมีความแตกต่างระหว่าง Data Informed organisation และ Data Driven organisation องค์กรที่เป็น data inform ก็จะให้ทีมงานเตรียมตัวเลข Dashboard มาให้กับผู้บริหาร มีการกำหนด KPI ต่างๆที่เป็นตัวเลขในการชี้วัด ทุกเดือนทุกไตรมาส ก็จะมีการนำตัวเลขเหล่านั้นมารายงาน แต่องค์กรที่เป็น Data driven จะมีการใช้ข้อมูลก้าวหน้าไปอีกขั้นหนึ่ง มีการใช้วิทยาศาสตร์ข้อมูลมากำหนดทิศทางและอนาคตขององค์กรจากข้อมูล อาจตัดสินใจทำเรื่องใหม่ๆ อาจปรับเปลี่ยนนโยบายจากการพยากรณ์ที่ได้จากข้อมูล

การจะก้าวสู่ Data driven organisation ได้ เราจะต้องมีความเชื่อในเรื่องการใช้ข้อมูล ต้องเชื่อมั่นในสถิติและการพยากรณ์อนาคตโดยข้อมูล ตามหลักของวิทยาศาสตร์ข้อมูล วันก่อนผมได้ดูหนัง Moneyball ที่นำแสดงโดย Brad Pitt ที่สร้างจากเรื่องจริงและรับบทเป็นผู้จัดการทีมเบสบอล Oakland Athletics ที่กำลังประสบปัญหามีนักกีฬาเด่นๆย้ายออกไปจากทีม และต้องเตรียมสำหรับฤดูกาลใหม่ในปี 2002 ด้วยงบประมาณที่จำกัด พระเอกไปเจอกับ Peter Brand เด็กหนุ่มอายุเพียง 25 ปีที่จบสาขาเศรษฐศาสตร์จาก Yale ไม่ใช่นักเบสบอล ไม่ใช่ผู้เชี่ยวชาญด้านเบสบอลในสนาม แต่เขาใช้หลักสถิติมาวิเคราะห์ข้อมูลนักเบสบอลและเลือกที่จะแนะนำให้ พระเอกไปเลือกซื้อนักเบสบอลที่ไม่มีขื่อเสียงนัก โดยพยากรณ์ว่าการรวบรวมคนเหล่านี้มาจะสามารถสร้างทีมที่เก่งได้ จากการนำความเก่งเฉพาะด้านของแต่ละคนที่คำนวณจากสถิติมาใช้งาน

เพื่อนร่วมงานของพระเอกหลายๆคนไม่ยอมเชื่อเรื่องข้อมูลและต่อต้านความคิดนี้ เพราะเชื่อในประสบการณ์การทำทีมเบสบอลมากกว่าสถิติหรือตัวเลขต่างๆ ทำให้พระเอกต้องปลดคนหลายๆคนออกจากทีมไป รวมถึงนักเบสบอลเก่งๆบางคน ช่วงแรกๆทีมยังไม้ประสบความสำเร็จมากนัก ซึ่งทาง Peter Brand พยายามอธิบายว่ามีตัวอย่างข้อมูลน้อยไป แต่สุดท้ายเขาก็ได้แสดงให้เห็นว่าการใช้สถิติข้อมูลเขานี้เป็นเรื่องที่ถูกต้องและทำให้ Oakland Athletics สร้างสถิติใหม่ชนะ 20 นัดติดต่อกัน แม้ทีมเขาจะไม่ได้แชมป์ แต่ก็ได้พิสูจน์ให้เห็นเรื่องของการใช้ข้อมูล ซึ่งหลังจากนั้นทีมต่างๆก็ต้องมาเลียนแบบใช้วิธีการเดียวกันในปัจจุบัน โดยใช้วิทยาศาสตร์ข้อมูลเพื่อการกีฬา

ผมอยากแนะนำให้ เราดูหนังเรื่องนี้กันและให้คนในองค์กรดู การจะผลักดันให้เกิด Data driven organisation ได้ ที่สำคัญสุดคือการสร้างวัฒนธรรมในองค์กร และต้อง Believe in data

ธนชาติ นุ่มนนท์

IMC Institute

เส้นทางสู่ “นักวิทยาศาสตร์ข้อมูล”

บทความในหนังสือพิมพ์กรุงเทพธุรกิจ วันที่ 29 มกราคม 2564

เมื่อหลายปีก่อนในนิตยสาร Harvard Business Review มีบทความ ระบุว่า อาชีพนักวิทยาศาสตร์ข้อมูล คือ ตำแหน่งงานที่มีเสน่ห์ที่สุดในศตวรรษที่ 21 (Data Scientist: The Sexiest Job of the 21st Century) และข้อมูลความต้องการตำแหน่งงานจากแหล่งต่างๆ ชี้ว่า งานด้านนักวิทยาศาสตร์ข้อมูลเป็นที่ต้องการอยู่ในอันดับต้นๆ ของโลกและมีอัตราเงินเดือนค่อนข้างสูง แต่กลับหาบุคลากรที่มีทักษะทางนี้ได้ยาก

ข้อมูล กลายเป็นสินทรัพย์ที่มีคุณค่ามากปัจจุบัน องค์กรต่างๆ จึงต้องการหาบุคลากรมาทำงานที่เกี่ยวกับการบริหารจัดการและวิเคราะห์ข้อมูลมากขึ้น จะเห็นได้ว่าตำแหน่งที่เกี่ยวข้องกับการจัดการข้อมูลสำคัญมากขึ้น ซึ่งนอกเหนือจากงานด้านนักวิทยาศาสตร์ข้อมูล ยังมีตำแหน่งงานนักวิเคราะห์ข้อมูล (Data Analyst) วิศวกรข้อมูล (Data Engineer) ที่ทำหน้าที่พัฒนาโปรแกรมและระบบไอทีในการจัดการข้อมูลด้วย

ล่าสุด บริษัทอเด็คโก้ ประเทศไทย ทำรายงานคู่มือฐานเงินเดือนปี 2564 รวบรวมอัตราเงินเดือนพนักงานออฟฟิศจากฐานข้อมูลการจ้างงานผ่านบริษัทปีที่ผ่านมา และพบว่ากลุ่มอาชีพที่ได้รับเงินเดือนสูงสุดสำหรับนักศึกษาจบใหม่ปีนี้ ได้แก่ นักวิทยาศาสตร์ข้อมูล และวิศวกรข้อมูล มีอัตราเงินเดือนอยู่ที่ 30,000 – 50,000 บาท จึงไม่แปลกใจที่คนรุ่นใหม่จำนวนมากสนใจอาชีพนี้ และสถาบันการศึกษาหลายแห่งเปิดสอนสาขาวิทยาศาสตร์ข้อมูลระดับปริญญาตรีกันมากขึ้น

งานด้านวิทยาศาสตร์ข้อมูลเป็นเรื่องใหม่ หลายคนหรือหลายองค์กรอาจสับสนกับบทบาทหน้าที่นักวิทยาศาสตร์ข้อมูล เพราะงานด้านจัดการข้อมูลมีหลายเรื่อง ตั้งแต่บริหารจัดการข้อมูล นำข้อมูลมาแสดงผล วิเคราะห์ข้อมูล รวมถึงพยากรณ์ข้อมูล งานบางด้านใช้ทักษะด้านไอทีตั้งแต่ จัดการระบบซอฟต์แวร์และฮาร์ดแวร์ งานบางด้านต้องมีทักษะเขียนโปรแกรม งานบางด้านต้องมีทักษะสร้าง Dashboard แสดงผลข้อมูลออกมาให้สวยงาม เข้าใจง่าย งานบางด้านต้องมีความรู้ทางด้านสถิติและคณิตศาสตร์อย่างดี และงานบางด้านต้องมีความรู้เชิงธุรกิจ ดังนั้นจึงมีการแบ่งอาชีพทางด้านการจัดการข้อมูลออกมาเป็นหลายอาชีพ และงานหลายด้านก็อาจไม่ต้องการนักวิทยาศาสตร์ข้อมูลด้วยซ้ำไป

หลายคนสนใจทำงานด้านวิทยาศาสตร์ข้อมูล แต่ไปเรียนเครื่องมือด้านไอที สนใจเรื่อง Big Data และเรียนรู้เทคโนโลยีต่างๆ เช่น Hadoop หรือให้ความสนใจกับการพัฒนาโปรแกรมภาษาต่างๆ เช่น R, Python รวมถึงใช้เครื่องมือสร้าง Dashboard สุดท้ายเมื่อทำงานด้านนี้ อาจไปทำงานเกี่ยวกับข้อมูลด้านอื่นมากกว่า เช่น เป็นวิศวกรข้อมูลทำหน้าที่พัฒนาโปรแกรมจัดการข้อมูล หรือเป็นนักวิเคราะห์ข้อมูลแสดง Dashboard เป็นต้น

ทักษะการเป็นนักวิทยาศาสตร์ข้อมูลที่ดีเป็นเรื่องยาก และต้องมีองค์ประกอบหลายด้าน โดยเฉพาะต้องเก่งคณิตศาสตร์และสถิติ นักวิทยาศาสตร์ข้อมูลต้องเข้าใจสถิติลึกซึ้ง สำคัญกว่าใช้เครื่องมือหรือการพัฒนาโปรแกรม ต้องศึกษาวิชาคณิตศาสตร์หลายวิชา เพราะทฤษฎีทำวิทยาศาสตร์ข้อมูลมีพื้นฐานจากวิชาคณิตศาสตร์

สาขาวิทยาศาสตร์ข้อมูลไม่ใช่เริ่มต้นแค่ใช้เครื่องมือหรือพัฒนาโปรแกรม ในอาชีพนี้อาจไม่จำเป็นต้องเริ่มต้นจากนักไอทีด้วย โดยอาจแฝงอยู่ในทุกสาขาวิชาชีพที่สนใจคณิตศาสตร์ และสถิติ คนที่จะเป็นนักวิทยาศาสตร์ข้อมูลที่ดี ต้องรู้จักตั้งคำถามในทุกเรื่อง ต้องสนใจเล่นกับข้อมูล ซึ่งคำถามอาจมีตั้งแต่ “เราจะพยากรณ์ได้หรือไม่ว่าจำนวนยอดคนติดโควิดในไทยรอบใหม่มีสูงสุดเท่าไร” ไปจนถึง “ทีมแมนเชสเตอร์ยูไนเต็ดฤดูกาลที่ผ่านมายิงเฉลี่ยนัดละกี่ประตู”

ผมจำได้ว่าสมัยผมเด็กๆ อยู่ชั้นประถมต้นผมชอบเล่นกับข้อมูล บางวันไปนั่งจดทะเบียนรถและนับจำนวนรถที่หน้าบ้าน ชอบดูสถิติและตารางผลกีฬาและนำมาเปรียบเทียบ และเมื่อเรียนสูงขึ้นก็ชอบวิชาสถิติ ทักษะเหล่านี้จำเป็นสำหรับนักวิทยาศาสตร์ข้อมูล เพราะหากเราไม่รู้จักการตั้งคำถามไม่รู้จักสังเกตข้อมูลต่างๆ ก็ยากที่จะทราบได้ว่าเราจะนำข้อมูลมาใช้เรื่องใด

อีกทักษะที่จำเป็นของนักวิทยาศาสตร์ข้อมูล คือ ความเข้าใจธุรกิจด้านนั้นๆ เช่น ทำทางด้านเงิน ต้องมีความรู้พื้นฐานเศรษฐศาสตร์ ด้านการแพทย์ควรมีความรู้สาธารณสุข จะเห็นว่าการมีความรู้เหล่านั้นอาจไม่ใช่เรื่องง่าย และจำเป็นต้องมีประสบการณ์ในการทำงานมาหลายปี หรือต้องจบการศึกษาด้านอื่นมาด้วย

ดังนั้นแม้อาชีพนักวิทยาศาสตร์ข้อมูลจะเป็นอาชีพน่าสนใจ แต่เส้นทางสู่อาชีพนี้ไม่ใช่เรื่องง่าย ต้องมีทักษะหลายด้าน และต้องอาศัยประสบการณ์ทำงานพอสมควร ทุกคนพัฒนาตัวเองสู่สายงานอาชีพนี้ได้ หากได้เรียนรู้พื้นฐานด้านวิทยาศาสตร์ข้อมูลเพิ่มเติม

ใช่ครับทุกคนสามารถพัฒนาทักษะตัวเองให้เป็นนักวิทยาศาสตร์ข้อมูลได้ แต่ต้องมีพื้นฐานคณิตศาสตร์ที่ดี และรู้จักที่จะตั้งคำถามจากตัวเลขที่พบเห็น

ธนชาติ นุ่มนนท์

IMC Institute

เอไอต่อไปเป็นเรื่องง่ายนิดเดียว ใครๆก็ทำได้

ผมเริ่มจับเรื่องของเอไอ (ปัญญาประดิษฐ์) ครั้งแรกเมื่อสามสิบกว่าก่อน จริงๆตอนนั้นก็ไม่ทราบหรอกครับว่าทำเรื่องเอไอหรือไม่ แต่ใช้อัลกอริทึมมาพยากรณ์ข้อมูลการผลิตไฟฟ้าในอนาคตโดยทำเรื่องของ Genetic Algorithm สมัยนั้นการพัฒนาเอไอเป็นเรื่องยาก ต้องเข้าใจเรื่องของคณิตศาสตร์ ต้องสามารถเขียนโปรแกรมได้ เข้าใจโจทย์ที่ต้องทำเป็นอย่างดี และสำคัญคือต้องมีทรัพยากรคอมพิวเตอร์ขนาดใหญ่

การพัฒนาด้านเอไอในช่วงแรกเป็นไปอย่างค่อยเป็นค่อยไป จนกระทั่งเมื่อ 3-4 ปีที่ผ่านมา เอไอเริ่มเข้ามาอยู่ในชีวิตประจำวันของผู้คนมากขึ้นจนกลายเป็น New Normal อาทิเช่น คนใช้ Faical Recognition ในการเปิดมือถือหรือจ่ายเงิน เจอระบบ Recommendation ในการแนะนำสินค้าหรือภาพยนตร์ ใช้ Google Map ในการคาดการณ์เส้นทางและระยะเวลาในการเดินทาง

ผู้คนสนใจในเรื่องของเอไอมากขึ้น จากศาสตร์ที่เป็นเรื่องของนักวิทยาศาสตร์หรือนักไอทีก็กลายเป็นเรื่องของคนทุกคน คนจำนวนมากอยากมีความเข้าใจเรื่องเอไอให้ความสนใจเรื่องของหุ่นยนต์ ระบบอัตโนมัติต่างๆ รวมถึงการทำวิทยาศาสตร์ข้อมูล เริ่มมีการพูดถึงทักษะการทำงานที่จะเปลี่ยนไปโดยในอนาคตจะมีระบบเอไอเข้ามาช่วยในการทำงานมากขึ้น หรืองานบางอย่างอาจถูกทดแทนด้วยระบบอัตโนมัติ ดังนั้นคนทุกคนควรจะเข้าใจเรื่องเอไอเพื่อทีจะได้เตรียมความพร้อมในการทำงานและการใช้ชีวิตประจำวันที่ต้องอยู่กับระบบเอไอที่กำลังเข้ามามากขึ้นเรื่อยๆ

ด้านการพัฒนาระบบเอไอก็มีการเรียนการสอนมากขึ้น บ้างก็สอนเขียนโปรแกรม บ้างก็สอนการพัฒนาโมเดล บ้างก็สอนการใช้ข้อมูล มีสาขาใหม่เกิดขึ้นมากมายทางด้านเอไอหาวิทยาลัย ทั้งหลักสูตรระดับปริญญาและหลักสูตรระยะสั้น

บางคนยังมองว่าการพัฒนาเอไอเป็นเรื่องยากต้องเขียนโปรแกรมเมื่อในยุคเดิม ซึ่งแท้จริงแล้วการพัฒนาโมเดลเอไอในวันนี้เป็นเรื่องง่ายนิดเดียว มีเครื่องมือแบบอัตโนมัติเช่น AutoML ที่ใช้เอไอมาพัฒนาโมเดลเอไอโดยไม่ต้องเขียนโค้ด และโจทย์ยากๆที่มีข้อมูลขนาดใหญ่ก็สามารถทำได้โดยใช้ระบบบนคลาวด์ ทำให้ในปัจจุบันใครๆก็พัฒนาเอไอได้

ดังนั้นเพื่อเตรียมเข้าสู่อุตสาหกรรม 4.0 ที่กลายเป็นโลกของเอไอ เราจำเป็นต้องเร่งพัฒนาคนทุกคนเพื่อให้เข้าใจและสามารถพัฒนาระบบเอไอได้ โดยเราอาจแบ่งการพัฒนาคนออกเป็น 4 กลุ่มดังนี้

  • กลุ่มประชาชนทั่วไป ควรจะต้องสอนหลักสูตรเอไอสำหรับคนทุกคน ให้เข้าใจถึงเรื่องของเอไอ การนำระบบเอไอไปใช้ในชีวิตประจำวัน ผลกระทบของเอไอต่อการเปลี่ยนแปลงของโลก ควรมีหลักสูตรเอไอเบื้องต้นให้กับนักเรียนทุกคนตั้งแต่ชั้นประถม คนทำงานจำเป็นต้องเข้าใจการนำระบบเอไอเพื่อมาเพิ่มประสิทธิภาพในการทำงาน และผู้บริหารจำเป็นต้องเข้าใจการวางแผนกลยุทธ์ขององค์กรที่จะนำเอไอมาประยุกต์ใช้
  • คนทำงานทั่วไปสำหรับพัฒนาระบบเอไอ กลุ่มผู้ประกอบอาชีพต่างๆ ที่มีความเข้าใจศาสตร์ในแต่ละด้านของตัวเองจำเป็นจะต้องศึกษาการพัฒนาระบบเอไอเอง ทั้งนี้เนื่องเครื่องมือจะง่ายขึ้นเรื่อยๆ ต่อไปคนทำงานที่มี domain expert ด้านนั่นๆสามารถทำได้เอง อาทิเช่น หมอสามารถพัฒนาระบบเอไอด้านการแพทย์ นักกฎหมายก็สามารถพัฒนาระบบ NLP เรื่องข้อกฎหมาย นักเศรษฐศาสต์สามารถพัฒนาระบบเอไอเพื่อพยากรณ์ข้อมูลเศษฐกิจเป็นต้น กลุ่มคนทำงานเหล่านี้จะเป็น Citizen Data Scientist และ Citizen AI Developer ที่เป็นกำลังพัฒนาประเทศในอนาคต
  • กลุ่มนักพัฒนาไอทีและวิศวกร กลุ่มคนเหล่านี้อาจช่วยในการพัฒนาซอฟต์แวร์ และระบบไอทีเพื่อใช้ในการพัฒนาเอไอ เช่นการพัฒนาระบบหุ่นยนต์ ระบบซอฟต์แวร์อัตโนมัติต่างๆ ซึ่งอาจมีความเชี่ยวชาญในการเขียนโปรแกรมต่างๆเช่นการใช้ Library ต่างๆเช่นการเขียน TensorFlow ซึ่งจริงๆแล้วคนกลุ่มนี้หากขาดความรู้ทางคณิตศาสตร์ที่ดีพอก็อาจไม่สามารถสู้คนทำงานทั่วไปที่มี domain expert ไดเ เพราะต่อไปเครื่องมือในการพัฒนาเอไอจะง่ายขึ้นมากเหมือนที่เราใช้โปรแกรมออฟฟิศทุกวันนี้ ดังนั้นการที่เราเอาคนที่เข้าใจอุตสาหกรรมมาทำระบบเอไอย่อมจะดีกว่าเอานักไอทีที่เป็นเพียงแค่เขียนหรือใช้โปรแกรมได้มาพัฒนาระบบเดียวกันถ้าคนนั้นไม่เข้าใจทฤษฎีหรือคณิตศาสตร์ของเอไอ
  • ผู้เชี่ยวชาญด้านเอไอ การทำโมเดลเอไอที่ซับซ้อน หรือการศึกษาทฤษฎีเอไอยังมีความจำเป็นอยู่ แต่ต้องมีความเข้าใจคณิตศาสตร์และทฤษฎีด้านเอไอที่ดีครับ ไม่ใช่แค่มาเขียนโปรแกรมแบบเดิม ดังนั้นการสอนวิทยาศาสตร์ข้อมูล (Data science) และ เอไอ ต้องเน้นการเรียนคณิตศาสตร์ และอาจต้องส่งเสริมให้มีการวิจัยระดับสูง เพราะในอนาคตเราต้องการคนที่มีความรู้ทฤษฎีเหล่านั้นอย่างลึกซึ้ง ประเทศไทยถึงจะแข่งขันได้

ดังนั้นเพื่อให้ประเทศเราแข่งขันได้ เราจำเป็นจะต้องเอาหลักสูตรเอไอเข้ามาใส่ในการศึกษาทุกระดับ ทุกคณะและทุกสาขาวิชาควรมีการสอนการพัฒนาเอไอ ส่วนหลักสูตรที่เป็นด้านเอไอหรือวิทยาศาสตร์ข้อมูลจะต้องเร่งพัฒนาผู้เชี่ยวชาญจริงๆ ต้องเน้นวิชาด้านคณิตศาสตร์มากๆแม้แต่ในระดับปริญญาตรีก็ควรที่จะต้องเรียนคณิตศาสตร์เป็น 10 วิชา ถ้าหลักสูตรเรียนเพียงเพื่อเขียนโปรแกรมหรือใช้เครื่องมือในการพัฒนาระบบเอไอหรือวิเคราะห์ข้อมูล ก็ควรที่จะมุ่งพัฒนา Citizen Data Scientist และ Citizen AI Developer มากกว่า

ธนชาติ นุ่มนนท์

IMC Institute

————–


หมายเหตุ

ทั้งนี้ทางสถาบันไอเอ็มซี จะจัดงาน Free Webinar #31: “AI in Practice: The Series (4 EPs)”
AI ในปัจจุบันเป็นเรื่องง่ายขึ้น ใครๆก็ทำได้ ร่วมรับฟังการบรรยายผ่านระบบ Zoom และรับชมการสาธิตการใช้โปรแกรมจริง


👨‍🏫บรรยายโดย: รศ.ดร.ธนชาติ นุ่มนนท์
ผู้อำนวยการสถาบันไอเอ็มซี


🎯ทุกวันพุธ เวลา 19:30-21:30 น. เริ่มวันพุธที่ 25 พ.ย. 2563
🔗สามารถลงทะเบียนเข้าร่วมแต่ละ EP ได้ตาม Link ด้านล่างนี้👇
EP #1 : https://tinyurl.com/y3peswuk
EP #2 : https://tinyurl.com/y6xuy4kr
EP #3 : https://tinyurl.com/y2pmmzjc
EP #4 : https://tinyurl.com/y6gl76ze


ดูรายละเอียดเพิ่มเติม 👉 https://bit.ly/3pnzWja
📣ฟรี! ไม่เสียค่าใช้จ่าย เข้ารับฟังผ่านระบบ Zoom

สอบถามข้อมูลเพิ่มเติม

📞 โทร : 02-233-4732, 088-192-7975
📧 อีเมล : contact@imcinstitute.com
🖥 หรือ Inbox เข้ามาได้ที่เพจ IMC Institute