งาน Data Engineer มีความสำคัญมากพอๆกับงานของ Data Scientist (ตอนที่ 1)

[บทความตอนที่ 2 สามารถอ่านได้จาก >> https://tinyurl.com/dsm37zsw]

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

[บทความตอนที่ 2 สามารถอ่านได้จาก >> https://tinyurl.com/dsm37zsw]

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

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