กลยุทธ์เปลี่ยนแปลงบริษัทสู่ยุค AI

ช่วงสัปดาห์ที่ผ่านมาผมได้เรียนหลักสูตรออนไลน์ของ Andrew Ng เรื่อง AI for Everyoneใน Coursera และได้อ่านหนังสือ AI Transformation Playbook ของเขา ผมว่าเขากล่าวได้ดีในเรื่องที่น่าสนใจเกี่ยวกับการเปลี่ยนแปลงบริษัทใดๆให้เป็นบริษัทปัญญาประดิษฐ์ (AI Company) โดยกล่าวว่าทุกบริษัทสามารถที่จะปรับเปลี่ยนได้ในยุคของ  AI โดยควรคำนึงถึงด้านต่างๆดังนี้

  • ต้องมีกลยุทธ์ในการเก็บข้อมูลจำนวนมากเข้ามากโดยอาจผ่านสินค้าหรือบริการที่บางอย่างอาจไม่ได้สร้างรายได้ให้กับบริษัทโดยตรงเช่น Google ได้พัฒนา Gmail หรือ Fitbit ได้พัฒนา Wearable Device
  • ต้องมีการพัฒนา Data Warehouse ที่เป็นศูนย์กลางหนึ่งเดียวในการเก็บข้อมูลของทั้งบริษัทจากแหล่งต่างๆ หรืออาจสร้าง Data Lake ในการเก็บข้อมูลดิบ
  • ให้ความสำคัญและมองเห็นโอกาสในการทำระบบ automation ในบริษัท
  • มีแผนกและตำแหน่งใหม่ๆในบริษัทเช่น วิศวกรด้าน Machine Learning, นักวิทยาศาสตร์ข้อมูล หรือแผนก AI

ซึ่งทาง Andrew Ng ก็ได้ระบุขั้นตอนในการเปลี่ยนแปลงบริษัทในยุค AI ไว้ 5 ขั้นตอน โดยเขาได้บอกว่าเราไม่จำเป็นต้องทำตามลำดับนี้ทุกขั้นตอน แต่ก็ควรที่จะเริ่มต้นจากการทำขั้นตอนแรก (ทำ AI Pilot Project) เสมอ โดยมีขั้นตอนดังนี้

  • ขั้นตอนที่ 1 ทดลองทำ AI pilot project เพื่อสร้างแรงกระตุ้นให้กับบริษัท โดยเน้นให้เลือกโปรเจ็คที่น่าจะทำสำเร็จมากกว่าโปรเจ็คที่อาจสร้างผลกำไรให้กับบริษัทโดยตรง โดยโปรเจ็คอาจมีระยะเวลา 6-12 เดือน ซึ่งอาจเป็นการพัฒนาโดยทีมภายในหรือจ้างข้างนอกทำ ทั้งนี้เพื่อที่จะให้บริษัทเห็นผลสัมฤทธิ์ของการทำ AI และมีแรงกระตุ้นและความเข้าใจในการพัฒนาโปรเจ็ค AI อื่นๆต่อไป
  • ขั้นตอนที่ 2 สร้างทีมงาน In-house AI โดยเป็นทีมงานกลางที่จะช่วยสนับสนุนการทำ AI ให้กับแผนกต่างๆของบริษัท ทั้งนี้บริษัทอาจจะมี AI Platform ที่ทุกแผนกสามารถใช้งานได้และทีมงานนี้จะมาช่วยในการพัฒนา โดยทีมงานอาจอยู่ภายใต้  CEO, Chief Information Officer,  Chief Technology Officer หรือ Chief Data Officer ก็ได้ดังรูปที่ 1

Screenshot 2019-04-06 15.35.14

รูปที่  1 โครงสร้างทีมงาน In-house AI [จาก AI Transformation Playbook]

  • ขั้นตอนที่ 3 ทำการอบรม  AI ให้กับบุคลากรทุกฝ่ายในบริษัท โดย Andrew Ng ได้สรุปให้เห็นว่าในแต่ละตำแหน่งควรจะอบรมด้านใด ดังตารางนี้

56433434_366038604252091_2339677683534790656_n

ตารางที่  1 การอบรม  AI [จาก เอกสารอบรม AI for Everyone ของ Andrew Ng]

  • ขั้นตอนที่ 4 การกำหนดกลยุทธ์ด้าน AI ทั้งนี้ Andrew Ng ได้แนะนำว่าเราไม่ควรกำหนดกลยุทธ์ไว้ขั้นตอนแรก เพราะเราควรจะมีการทำ Pilot Project ก่อนเพื่อทำความเข้าใจด้าน AI และเน้นการกำหนดกลยุทธ์ที่จะทำให้บริษัทมีข้อได้เปรียบเหนือคู่แข่งในอุตสาหกรรม และกลยุทธ์ควรสอดคล้องกับสิ่งที่เรียกว่า Virtuous cycle of AI  ดังรูปที่ 2 กล่าวคือถ้าบริษัทมีข้อมูลมากขึ้นก็จะสามารถทำ AI ได้ดีขึ้นก็สร้าง Product ที่ดีขึ้นและมีลูกค้ามากขึ้นตามลำดับ (ดังที่ผมเคยเขียนไว้เรื่องวัฎจักรของข้อมูล AI และรายได้ในบทความ Data is the new oil: มาวิเคราะห์กันว่าอุตสาหกรรมใดมีข้อมูลขนาดใหญ่)

Screenshot 2019-04-06 15.56.21

รูปที่  2 Virtuous cycle of AI  [จาก AI Transformation Playbook]

นอกจากนี้บริษัทควรจะมีกลยุทธ์ด้านข้อมูล (Data Strategy) โดยเฉพาะเรื่องของการเก็บและดึงข้อมูล, การพัฒนา Data Lake และ การเข้าใจถึงคุณค่าของข้อมูลต่างๆ

  • ขั้นตอนที่ 5 ทำการสื่อสารทั้งภายในและภายนอกบริษัท เพื่อให้ทราบว่าบริษัทกำลังพัฒนาด้าน AI ทำการสื่อสารกับนักลงทุน ทำการสื่อสารกับหน่วยงานภาครัฐที่ AI อาจไปกระทบกับกฎระเบียบต่างๆ ทำการสื่อสารกับลูกค้าและผู้ใช่ถ้ามีการนำ AI เข้ามาใช้งาน และทำการสื่อสารกับบุคลากรภายในเพื่อให้เข้าใจการเปลี่ยนแปลง

ธนชาติ นุ่มนนท์

IMC Institute

การเปรียบเทียบ Big Data Solution ต่างๆทั้ง On-Premise และ Public Cloud

Screenshot 2019-03-24 10.21.51.png

วันก่อนเขียนเรื่องการทำ Big Data Platform บน Hybrid/Multi Cloud หลายๆท่านก็อาจสนใจต่อว่า แล้วเราควรเลือกโซลูชั่นของรายไหน จริงๆผมเองก็ไม่มีคำตอบที่ชัดเจน แต่หากเราแบ่งกลุ่มกันก็จะเห็นว่า มีรายที่ทำ On-Premise คือ  Oracle, IBM, SAP, Cloudera, Hortonworks, MapR, Huawei เป็นหลัก แต่กลุ่มเหล่านี้ก็มุ่งที่จะพัฒนาโซลูชั่น On-Cloud เสริมมา เพื่อสร้างเป็น Hybrid/Multi Cloud  ส่วนรายที่เป็นระบบ On-Cloud อย่าง AWS, Google, Azure หรือ Alibaba ก็พยายามทำให้โซลูชั่นของตัวเองทำงานร่วมกับระบบ On-Premise หรือ Cloud Provider รายอื่นได้

Screenshot 2019-03-24 10.40.44

รูปที่ 1 Magic Quadrant for Data Management Solutions for Analytics ของ Gartner

หากจะเปรียบเทียบ Big Data Solution ต่างๆ ผมแนะนำให้ไปดูรายงาน Gartner เรื่อง Magic Quadrant for Data Management Solutions for Analytics ที่ออกมาเมื่อเดือนมกราคม 2519 ซึ่งได้ทำการเปรียบเทียบโซลูชั่นต่างๆจำนวนมาก และสรุปเป็น Magic Quadrant ดังรูปที่ 1 ทั้งนี้ผมได้ทำตารางสรุปข้อมูลที่ Gartner รายงานไว้ว่าแต่ละรายมีโซลูชั่นใดบ้าง และมีจุดแข็งและข้อพึงระวังอย่างไร ดังตารางข้างล่างนี้

ธนชาติ นุ่มนนท์

IMC Institute

Screenshot 2019-03-24 10.43.09Screenshot 2019-03-24 10.42.52Screenshot 2019-03-24 10.42.26

Big Data Platform บน Hybrid/Multi Cloud แนวทางในการวางระบบ Big Data ขององค์กร

Screenshot 2019-03-14 09.57.10

วันก่อนไปบรรยายมีคนถามผมว่าจะติดตั้งระบบ Big Data ในองค์กร ใช้โซลูชั่นของใครดี จะทำเป็นระบบ On-Premise หรือควรใช้ Public Cloud

คงต้องอธิบายว่าระบบ  Big Data จะประกอบไปด้วยเทคโนโลยีอยู่ 4 ด้านคือ  Data Ingestion/Collection, Data Storage, Data Processing และ Data Visualisation และหลักการทำ  Big Data คือเน้นการสร้าง Data Lake ที่เราจะต้องนำข้อมูลดิบที่มีปริมาณมหาศาลมาเก็บไว้ในระยะยาว ซึ่งอาจเป็นข้อมูลธุรกรรมต่างๆ ข้อมูล IoT ซึ่งข้อมูลเหล่านี้มีปริมาณเห็นหลายสิบล้าน หรือจำนวนหลาย TeraByte ทั้งนี้ขึ้นอยู่กับประเภทธุรกิจ บางธุรกิจเช่น Telecom อาจมีบริมาณเป็นหลาย TB ต่อวัน หรือธนาคารก็อาจเป็นจำนวนพันล้านเรคอร์ดต่อปี

การที่ต้องเก็บข้อมูลจำนวนมากและการเก็บข้อมูลต้องพร้อมที่จะประมวลผลในเวลารวดเร็ว จึงเป็นความท้าทายที่ต้องหา Storage ขนาดใหญ่ ซึ่งต้องขยายได้อย่างรวดเร็ว มีราคาถูก และมีความเสถียร ก็เลยเป็นไปได้ยากที่เราจะพัฒนาระบบ Hadoop แบบ On-Premise แล้วในอนาคตต้องขยายระบบไปเรื่อยๆเพื่อจะเก็บข้อมูลทั้งหมด ดังนั้นแนวทางที่ดีคือการเก็บข้อมูลขนาดใหญ่ไว้บน  Public Cloud Storage ที่จะตอบโจทย์เหลือราคาความเสถียรและขนาดการเก็บได้ดีกว่า เช่นการใช้ Amazon S3, Azure Data Lake Storage (ADLS) และ Google Cloud Storage เป็นต้น  แล้วก็นำข้อมูลที่จะเป็นที่อาจมีความสำคัญอย่างมากที่ไม่อยากนำไปเก็บออกนอกองค์กรมาใส่ไว้ใน Storage ของ Hadoop HDFS ที่เราอาจติดตั้งระบบ Cluster ขนาดเหมาะสมไว้ในองค์กร (On-Premise) แต่ไม่จำเป็นต้องเป็นระบบที่ใหญ่มากนัก

ในแง่ของการประมวลผลข้อมูล (Data Processing) เราสามารถที่จะใช้ Hadoop On-Premise มาทำการประมวลโดยผ่านเทคโนโลยีอย่าง Spark, Hive หรือเครื่องมืออื่นๆ แต่ความท้าทายก็อาจจะอยู่ที่เมื่อต้องการประมวลผลข้อมูลที่ใหญ่มากๆเช่น การทำ Machine Learning กับข้อมูลเป็นสิบหรือร้อยล้านเรคอร์ด กรณีนี้เราจำเป็นต้องการระบบ Cluster ที่มี CPU จำนวนมากซึ่งระบบ On-Premise ไม่สามารถจะรองรับได้ จึงอาจต้องใช้ Services ของ Public Cloud เช่น  AWS EMR, Google DataProc, Azure HDinsight ที่เราสามารถกำหนด CPU จำนวนมากได้ หรือบางครั้งก็อาจใช้บริการประมวลผลอื่นๆที่มีอยู่บน Public cloud ซึ่งสามารถช่วยในการประมวลผลอย่างรวดเร็วได้อย่างเช่น Google BigQuery, Azure ML, AWS Athena ก็จะยิ่งทำให้ได้ประสิทธิภาพดีขึ้น ข้อสำคัญการประมวลผลแบบนี้ราคาขึ้นอยู่กับการเวลาในการใช้งานซึ่งถูกกว่าติดตั้งระบบ On-Premise ขนาดใหญ่มากๆ

ในด้านการดึงข้อมูลเข้า Storage  (Data Ingestion) ก็คงจะต้องพิจารณาว่าต้นทางของข้อมูลอยู่ที่ใดและ Storage อยู่ที่ใด ถ้าข้อมูลที่จะดึงเข้าจำนวนมากอยู่ในองค์กรก็ควรที่จะตั้งระบบแบบ On-Premise หรือ ถ้าอยู่ภายนอกก็อาจใช้ Public cloud service ส่วนการเลือกใช้เครื่องมือด้าน Visualisation ที่อาจต้องมีทั้งสองระบบ โดยระบบ On-Premise ใช้กับการแสดงข้อมูลภายในองค์กรผ่าน Desktop ส่วนกรณีแสดงผลผ่านเว็บหรืออินเตอร์เน็ตอาจพิจารณาใช้ Public cloud โดยรูปที่ 1 ได้สรุปแนวทางการทำ Big Data Platform โดยทาง Hybrid/Multi Cloud ตามที่อธิบายไว้ข้างต้น

Screenshot 2019-03-23 13.25.45

รูปที่ 1 ตัวอย่างระบบ Big Data  บน Hybrid/Multi Cloud

แนวทางการติดตั้งระบบ  Big Data ที่ดีควรเริ่มจากการทำบน Public Cloud เพื่อความรวดเร็วในการดำเนินงานและลดค่าใช้จ่าย เมื่อเริ่มเห็นผลก็อาจมีการติดตั้งระบบ On-Premise ที่มีขนาดเหมาะสม แล้วมีการ Transfer ข้อมูลไปมากันทั้งสองระบบ โดยเน้นให้ Public cloud เก็บข้อมูลขนาดใหญ่และประมวลผลขนาดใหญ่ ส่วน Hadoop On-Premise เน้นข้อมูลที่สำคัญและต้องการประมวลผลในองค์กร ซึ่งแนวโน้มของผู้ผลิตในระบบ On-Premise ต่างๆเช่น Cloudera หรือ Hortonworks ก็เน้นไปสู่ Hybrid/Multi Cloud ดังแสดงตัวอย่างดังรูปที่ 2

Screenshot 2019-03-23 13.26.19

รูปที่ 2 ตัวอย่างโซลูชั่นของ Hortonworks ทีเน้น Multi-Cloud

สุดท้ายผมได้ทำตารางข้างล่างมาเปรียบเทียบระหว่างระบบ On-Premise กับ Public Cloud Service ต่างๆมาให้เพื่อพิจารณาเลือกใช้บริการต่อไป

ธนชาติ นุ่มนนท์

IMC Institute

Screenshot 2019-03-23 13.26.37Screenshot 2019-03-23 13.26.49

 

ผลการสำรวจการใช้ Cloud Computing ทั่วโลกปี 2019

Screenshot 2019-03-14 09.57.10

ผมตามผลการสำรวจ Cloud Computing ของบริษัท RightScale ทุกปี เพื่อจะได้ทราบแนวโน้มการใช้ Cloud Computing ในด้านต่างๆของผู้ใช้ในองค์กรรูปแบบต่างๆทั่วโลก สำหรับในปีนี้ทาง RightScale ได้ออกรายงาน State of the cloud 2019 from Flexera™ มาเมื่อปลายเดือนกุมภาพันธ์ โดยมีการสำรวจข้อมูลจากกลุ่มตัวอย่าง 786 ราย โดยเป็นองค์กรขนาดใหญ่ 456 รายและ SME 330 ราย โดย 59% มาจากทวีปอเมริกาเหนือ ยุโรป 16% และเป็นเอเซียแปซิฟิก 19% โดยกลุ่มตัวอย่างมาจากอุตสาหกรรมต่างๆดังรูปที่ 1

Screenshot 2019-03-14 10.04.45

รูปที่ 1 กลุ่มตัวอย่างแบ่งตามประเภทอุตสาหกรรม

ผลการสำรวจมีข้อมูลที่น่าสนใจหลายๆด้านที่ผมอยากสรุปมาสั้นๆดังนี้

  • 94% ของผู้ตอบแบบสอบถาม กำลังใช้ Cloud โดย 69% ใช้  Hybrid Cloud, 22% ใช้ Public cloud อย่างเดียว และ 3% ใช้ Private cloud อย่างเดียว
  • 84% ใช้ Cloud อยู่หลายราย  (Multi-cloud)
  • ค่าใช้จ่าย Public Cloud ขององค์กรต่างๆขนาดใหญ่จะสูงกว่า 2.4 ล้านเหรียญสหรัฐต่อปี หรือประมาณเดือนละ 200,000 เหรียญ แต่ถ้าเป็น SME มากกว่า 50% จะมีรายจ่ายต่ำกว่า 120,000 ล้านเหรียญสหรัฐต่อปี หรือประมาณเดือนละ 10,000 เหรียญ ดังแสดงในรูปที่ 2
  • การใช้ Public cloud  โตขึ้นอย่างมากถึง 24%  ขนาดที่ Private cloud โตเพียง 8%
  • ความท้าทายของการ Cloud ที่องค์กรให้ความสำคัญสามเรื่องคือ Governance, ขาดความเชี่ยวชาญและ การควบคุมค่าใช้จ่าย ทั้งนี้ขึ้นอยู่กับประสบการณ์การใช้ ดังแสดงในรูปที่ 3
  • AWS ยังเป็น Public cloud ที่มีผู้ใช้มากที่สุด และ Azure มีการเติบโตขึ้นอย่างมาก (โดยปีที่แล้วมีผู้ใช้ 45% แต่โตขึ้นเป็น 52% ส่วน AWS ลดลงจาก 64% เหลือ 61%) ดังแสดงในรูปที่ 4
  • ผู้ใช้บริการ PaaS ส่วนใหญ่จะเลือกใช้ Relational Database as a Service และ Push notification ขนาดที่การใช้บริการ Serverless , Stream processing และ Machine learning  เติบโตขึ้นมากกว่า 45% ดังแสดงในรูปที่ 5
  • VMware sphere ยังเป็น Private Cloud ที่นิยมมากที่สุดตามด้วย OpenStack ดังแสดงในรูปที่ 6
  • Docker ยังเป็น Container ที่คนใช้มากที่สุด แต่ Kubernate โตขึ้นอย่างมาก ดังแสดงในรูปที่ 7

ผู้สนใจสามารถอ่านรายงานฉบับเต็มได้ที่เว็บไซต์ของ RightScale >> https://www.rightscale.com/blog/cloud-industry-insights/cloud-computing-trends-2019-state-cloud-survey

ธนชาติ นุ่มนนท์

IMC Institute

 

Screenshot 2019-03-14 10.16.42

รูปที่ 2 ค่าใช้จ่าย Public Cloud ต่อปีขององค์กรต่างๆ

Screenshot 2019-03-14 10.22.11

รูปที่ 3 ความท้าทายของการใช้ Cloud แบ่งแยกตามระดับประสบการณ์การใช้

Screenshot 2019-03-14 10.27.33

รูปที่ 4 ส้ดส่วนการใช้ Public Cloud ของผู้ให้บริการต่างๆ

Screenshot 2019-03-14 10.30.58

รูปที่ 5  PaaS Public Cloud แบ่งตามประเภทการให้บริการ

Screenshot 2019-03-14 10.36.41

รูปที่ 6 สัดส่วนการใช้ Private Cloud

Screenshot 2019-03-14 10.39.29

รูปที่ 7 สัดส่วนการใช้ Container

 

Digital Transformation Framework ของ BCG

Screenshot 2019-02-19 19.43.52

หลายๆหน่วยงานอยากจะทำเรื่องของ Digital Transformation เนื่องจากเห็นการเปลี่ยนแปลงอย่างรวดเร็วของเทคโนโลยีดิจิทัลแล้วทำให้เกิดการเปลี่ยนแปลงอย่างมากมายในอุตสาหกรรมต่างๆ ที่เรียกปรากฎการณ์นี้ว่า Digital Disruption แต่เมื่อหน่วยงานลงทุนไปอย่างมากมายด้านเทคโนโลยีดิจิทัลก็กลับพบว่าไม่ได้ทำให้ธุรกิจดีขึ้น ซ้ำร้ายบางหน่วยงานก็พบว่าเทคโนโลยีไอทีที่ลงทุนไปไม่ได้มีการใช้งานที่ดีพอและไม่คุ้มค่า

ประเด็นหลักส่วนหนึ่งที่เกิดขึ้นก็อาจจะมาจากผู้บริหารในองค์กรเข้าใจผิดคิดว่า Digital transformation คือเรื่องของเทคโนโลยี เป็นเรื่องของแผนกไอทีและคิดว่าการลงทุนไอทีจะเป็นการตอบโจทย์ ทั้งๆที่โดยแท้จริงแล้ว Digital transformation คือเรื่องของกลยุทธ์องค์กร และเราต้องแยกให้เข้าใจระหว่างคำว่า Digitization และ Digitalization การลงทุนระบบไอทีในองค์กร การทำ ERP, CRM แปลงข้อมูลต่างๆอยู่ในรูปดิจิทัล อาจเป็นเพียงขั้นตอนของการทำ Digitization แต่ถ้าเราอยากจะทำ Digitalization มันคือการทำเทคโนโลยีดิจิทัลใหม่ๆเข้ามาแล้วทำให้กระบวนการทำงานเปลี่ยนไป มีการทำงานที่มีประสิทธิภาพขึ้น ข้อสำคัญคือการเปลี่ยนประสบประการณ์ของลูกค้า (Customer experience) ผ่าน Customer Journey ซึ่ง Digital transformation ก็คือผลลัพธ์ที่ได้จากการทำ Digitalization

ตัวอย่างของการมอง Customer journey อาจยกตัวอย่างเช่น ธนาคารอาจมีขั้นตอนสำหรับลูกค้าในการเปิดบัญชี,การตรวจสอบวงเงิน หรือ การชำระค่าบริการ ที่ในรูปแบบเดิมๆอาจมีล่าช้าและซับซ้อน ซึ่งเราสามารถที่จะใช้เทคโนโลยีดิจิทัลทำให้ประสบประการณ์ของลูกค้าเปลี่ยนไปในทางที่ดีขึ้น โดยใช้   Mobile banking, Face Recognition, Mobile payment หรือ IoT เป็นต้น

คำถามที่น่าสนใจคือแล้วเราจะมีขั้นตอนในการทำ  Digital transformation ได้อย่างไร วันก่อนผมได้เรียนหลักสูตรนี้ของ coursera ที่สอนโดย Boston Consulting Group (BCG) แล้วพูดถึง Framework ในการทำ Digital Transformation ที่แบ่งเป็นองค์ประกอบอยู่ 4 ด้านดังรูปที่ 1 จึงอยากจะมาสรุปให้สั้นๆดังนี้

Screenshot 2019-02-19 13.03.56

รูปที่ 1   Digital transformation framework ของ  BCG

องค์ประกอบที่ 1 Business strategy driven by digital: การวางแผนกลยุทธ์ธุรกิจขององค์กรวันนี้ต้องเป็นหนึ่งเดียวกันกับกลยุทธ์ด้านดิจิทัล โดยจะต้องมองแนวโน้มด้านดิจิทัลที่จะมีผลต่อธุรกิจอาทิเช่น พิจารณาว่าข้อมูล (Information) จะสามารถเปลี่ยนแปลงการที่จะเราเชื่อมโยงกับลูกค้าได้อย่างไร ระบบออโตเมชั่นจะเข้าเปลี่ยนแปลงองค์กรด้านต่างๆได้อย่างไร หรือเราจะสามารถพัฒนาผลิตภัณฑ์หรือบริการที่เป็นรูปแบบดิจิทัลได้อย่างไร (ต้องไม่แยกกลยุทธ์ดิจิทัลออกไปให้เป็นหน้าที่ของฝ่ายไอที)

องค์ประกอบที่ 2 Digitize the core: คือการนำระบบดิจิทัลเข้ามาใช้ในองค์กรเพื่อให้การทำงานมีประสิทธิภาพมากขึ้น เช่นการวางระบบ CRM, ERP หรือระบบ Automation ต่างๆ ขณะเดียวกันก็ต้องนำระบบดิจิทัลเข้าปรับในด้านของ Customer journey เพื่อเปลี่ยนประสบประการณ์ของลูกค้า

องค์ประกอบที่ 3 Seeking digital growth: คือการที่องค์กรจะต้องเปลี่ยนแปลงตัวเอง หาแนวทางการเติบโตในรูปแบบใหม่ที่ผ่านสินค้าหรือบริการที่เกิดจากนวัตกรรมด้านเทคโนโลยีดิจิทัลมากขึ้น ซึ่งบางครั้งก็อาจต้องกระทบต่อการลงทุนธุรกิจในรูปแบบเดิมๆที่อีก 3-5 ปีข้างหน้าอาจเปลี่ยนแปลงไป ซึ่งการลงทุนในด้านนี้ก็อาจต้องสร้างหน่วยธุรกิจใหม่ๆ (Growth hacker) หรือผ่านพันธมิตรใน Ecosystem ของเรา

องค์ประกอบที่ 4 Enablers: คือองค์ประกอบย่อยที่จะช่วยผลักดันให้เกิดผลสัมฤทธิ์ ดังนี้

4.1 People/Organisation: กล่าวคือจะต้องมีบุคลากรที่มีความรู้และทักษะด้านเทคโนโลยี องค์กรต้องมีความคล่องตัว  (Agile) และต้องสร้างวัฒนธรรมดิจิทัล (Digital culture) ในองค์กร

4.2 Data/analytics: กล่าวคือต้องมีการรวบรวมข้อมูลจากแหล่งต่างๆ และนำข้อมูลมาใช้ในการวิเคราะห์เพื่อสร้างความได้เปรียบเชิงธุรกิจ และมีเป้าหมายการใช้ข้อมูลที่ชัดเจน

4.3 Technology: กล่าวคือต้องมีเทคโนโลยีในองค์กรที่จะสามารถทำงานได้แบบทันทีทันใดอย่างมีประสิทธิภาพ ตลอดจนอาจต้องใช้เทคโนโลยีใหม่ๆอย่าง Data lake หรือ IoT ที่สอดคล้องกับความจำเป็นที่จะต้องเปลี่ยนแปลงองค์กรให้สามารถสร้างประสบการณ์ใหม่ให้กับลูกค้าได้ดีขึ้น

4.4 Ecosystem:  องค์กรที่ประสบความสำเร็จในการทำ  Digital transformation ส่วนมากจะไม่ได้ทำงานตามลำพัง แต่อาจอาศัยพันธมิตร และมีการสร้าง  Business platform ที่ให้หลายๆฝ่ายมีส่วนร่วมและได้รับประโยชน์

ทั้งนี้แนวทางการทำ Digital transform จาก Framework นี้อาจเริ่มต้นในลักษณะ Top-down ทีมีการกลยุทธ์มาจากผู้บริหารสูงสุด หรืออาจเป็น  Bottom-up ที่เริ่มจากหน่วยธุรกิจใดธุรกิจหนึ่ง หรือบางครั้งก็อาจเริ่มต้นด้วยการวิเคราะห์จาก Customer journey ต่างๆขององค์กร แล้วมาพิจารณาว่าเทคโนโลยีดิจิทัลจะช่วยทำใหเกิดการเปลี่ยนแปลงได้อย่างไร

ธนชาติ นุ่มนนท์

IMC institute

Data is the new oil: มาวิเคราะห์กันว่าอุตสาหกรรมใดมีข้อมูลขนาดใหญ่

Screenshot 2019-04-12 11.00.11

ครั้งก่อนผมเขียนบทความเรื่อง AI คือหัวใจสำคัญของการทำ Digital Transform และข้อมูลคือองค์ประกอบหลักของ AI   พร้อมทิ้งท้ายไว้ว่าจะเขียนเพิ่มเติมในตอนถัดไปว่าเราจะเอาข้อมูลมาจากไหน ซึ่งถ้าเราจะพิจารณาถึงนิยามของ Big Data ว่ามี 4 V คือ Volume, Variety, Velocity และ Veracity ประกอบกับพิจารณาการเปลี่ยนแปลงของสรรพสิ่งต่างๆที่จะต้องมีการเคลื่อนไหวตลอดเวลา การเคลื่อนที่ การงาน การศึกษา สุขภาพ หรือ การทำธุรกรรม แลัวเราจะเห็นได้ว่า Big Data ถ้ามีเพียงแต่ข้อมูลขนาดใหญ่ (Volume) ก็อาจจะไม่เพียงพอต่อการวิเคราะห์พฤติกรรมหรือเข้าใจในสถานการณ์ปัจจุบัน เพราะองค์ประกอบที่สำคัญสุดประการหนึ่งของ Big Data กลับกลายเป็นเรื่องของ Velocity ที่เราจะต้องมีข้อมูลที่เข้ามาอย่างต่อเนื่อง ตัวอย่างเช่นเราต้องมีข้อมูลที่เข้ามาอย่าต่อเนื่องเพื่อทราบ

  • การใช้ชีวิตประจำวันเช่น การเดินทาง ที่อยู่ การเข้าพักที่ต่างๆ
  • สุขภาพเช่น การออกกำลัง ผลการตรวจการสุขภาพ การรับประทานอาหาร
  • ความคิดเห็นของผู้คนเช่น การโพสต์ใน Social Media การค้นหาข้อมูลออนไลน์ การอ่านหนังสือ
  • ฐานะการเงิน เช่น การทำธุรกรรมธนาคาร รายรับ การจับจ่ายใช้สอย
  • อื่นๆ

ซึ่งหากเราจะพิจารณาเทคโนโลยีที่จะได้มาซึ่งองค์ประกอบด้าน Velocity ของ Big Data เราอาจเห็นอยู่สี่ประเภทคือ

  • Social media ก็คือการที่ผู้คนเข้าไปโพสต์ข้อมูลต่างๆ เข้าไปค้นหาข้อมูล หรือสื่อสารกันออนไลน์
  • Mobile ก็คือการที่ผู้คนเข้าไปใช้โทรศัพท์เคลื่อนที่ และมีการส่งข้อมูลมายังผู้ให้บริการ (Telecom operator) อย่างต่อเนื่อง
  • Internet of things คือการที่สรรพสิ่งต่างๆเชื่อมต่ออยู่กับระบบอินเตอร์เน็ต และมีการส่งข้อมูลเข้ามายัง IoT Platform อย่างอัตโนมัติ เช่น  wearable device หรือ smart device sensor
  • Transaction คือข้อมูลที่มีการทำธุรกรรมแล้วถูกบันทึกในรูปดิจิทัล เช่นข้อมูลจาก Point of Sales (POS)  ของร้านค้า, ข้อมูล CRM, ข้อมูล ERP หรือข้อมูลธุรกรรมการเงินที่มีการบันทึกอย่างต่อเนื่อง

Screenshot 2018-10-20 12.36.37

รูปที่ 1 ข้อมูลทีมีองค์ประกอบ Velocity สำหรับการสร้าง Big Data

ความท้าทายอีกอย่างหนึ่งของการใช้ข้อมูลเหล่านี้ในการทำ AI คือ จะต้องมีข้อมูลขนาดใหญ่ที่มีปริมาณที่มากพอ ในการที่จะวิเคราะห์เพื่อทำให้เกิดความเข้าใจในเรื่องต่างๆได้ ซึ่งข้อมูขนาดใหญ่เหล่านี้ที่ถ้ามีปริมาณเข้ามาเป็นหมื่น แสน หรือล้านชุดต่อวัน ก็จะมีความแม่นยำขึ้น ซึ่งก็จำเป็นต้องมีเทคโนโลยีที่สามารถเก็บข้อมูลในราคาถูกและวิเคราะห์ข้อมูลขนาดใหญ่ได้ ซึ่งคงจะไม่ข้อกล่าวเรื่องของเทคโนโลยีในที่นี้ แต่สิ่งหนึ่งที่น่าสนใจก็คือ การที่มีข้อมูลมากขึ้น นอกจากจะมีความแม่นยำของ AI  ดีขึ้น ก็จะทำให้เราเข้าใจลูกค้าดีขึ้นกำหนดกลยุทธ์ได้ดีขึ้น รายได้ก็จะมากขึ้นตาม ดังรูปที่ 2  มันจึงเป็นที่มาของคำว่า Data is the new oil 

Screenshot 2019-02-14 10.01.34

รูปที่ 2  วัฎจักรของข้อมูล AI และรายได้ [จาก AI Frontiers : The Era of Artificial Intelligence, Kai-Fu Lee]

คำถามที่น่าสนใจต่อไปคือแล้วหน่วยงานใดละมีข้อมูลขนาดใหญ่ เวลาผมถามคำถามนี้หลายๆคนมักจะตอบผมว่า กรมการปกครองเพราะคิดถึงข้อมูลของประชากร แต่ถ้าเรามาวิเคราะห์ด้าน Velocity แล้วจะพบว่าข้อมูลนั้นค่อนข้างนิ่งและไม่มี Velocity  จึงอาจไม่ทราบข้อมูลที่แท้จริงว่า บุคคลนั้นที่อยู่ปัจจุบันอยู่ไหน ทำอาชีพอะไร เพื่อให้เห็นโอกาสว่าอุตสาหกรรมใดมีโอกาสที่จะใช้ Big Data ที่มี Velocity ผมขอลองลงรายละเอียดรายอุตสากรรมดังนี้

  • บริษัทด้านอินเตอร์เน็ตขนาดใหญ่ อย่าง Facebook, Google, Instagram, Twitter บริษัทเหล่านี้มีข้อมูลที่มี Velocity จำนวนมหาศาลที่ถูกป้อนเข้ามาอย่างต่อเนื่องตลอดเวลาโดยผู้ใช้ แต่ข้อมูลเหล่านี้ส่วนใหญ่เป็นของบริษัทต่างชาติ
  • บริษัทผู้ให้บริการโทรศัพท์เคลื่อนที่ อย่าง AIS, DTAC หรือ True น่าจะจะเป็นกลุ่มอุตสาหกรรมที่มีข้อมูลใหญ่ที่สุดในประเทศไทย ซึ่งมีข้อมูลจากการใช้งานของลูกค้า 30-40 ล้านคนต่อบริษัทโดยเป็นข้อมูล  CDR (Call Detail Record) หลายหมื่นล้านเรคคอร์ดหรือหลาย Terabyte ต่อวัน ยังไม่รวมถึงข้อมูล Billing หรือ CRM จุดเด่นของอุตสาหกรรมนี้คือมีข้อมูลตำแหน่งของลูกค้า และพฤติกรรมการใช้โทรศัพท์ของลูกค้า
  • อุตสาหกรรมค้าปลีก เช่น 7-11 จะมีข้อมูลขนาดใหญ่ที่มีการจากการซื้อสินค้า จะเห็นพฤติกรรมของผู้บริโภค เข้าใจลักษณะสินค้าที่ขาย แต่บางครั้งอาจไม่ทราบว่าลูกค้าคือใคร เว้นแต่จะมีบัตรสมาชิกและเก็บช้อมูลสมาชิกอย่าง Starbucks ที่สามารถทราบว่าลูกค้าแต่ละรายไปทานอะไร สาขาไหน เวลาไหน และถ้าอุตสาหกรรมทำ E-commerce ก็ทราบ Log การเข้าใช้งานของลูกค้า เช่นการเข้ามาดูเว็บ การกดเข้าดูสินค้า ทำให้เข้าใจผู้บริโภคได้มากขึ้น
  • กลุ่มการเงินการธนาคาร จะมีข้อมูลธุรกรรมการเงิน ข้อมูลการเงินของลูกค้า แต่ลูกค้าทั่วไปอาจไปทำธุรกรรมที่ไม่บ่อยนัก อาจเป็นรายการขนาดใหญ่ แต่การเข้ามาของ  Mobile/Internet Banking และe-Payment ก็จะทำให้ธนาคารมีปริมาณธุรกรรมของลูกค้ามากขึ้น มี Log การเข้ามาใช้ของลูกค้า
  • กลุ่มธุรกิจประกันภัย กลุ่มเหล่านี้จะไม่ได้มีข้อมูลของลูกค้าแต่ละรายที่เข้ามาต่อเนื่องมากนัก เพราะลูกค้าจะมาทำธุรกรรมไม่กี่ครั้งต่อปี ดังนั้นจุดเปลี่ยนของธุรกิจนี้อยู่ที่การใช้ IoT เข้ามาเพื่อให้ได้ข้อมูลของลูกค้ามากขึ้นเช่นการใช้ wearable device, Telematic  หรือ  smart home sensor
  • อุตสาหกรรมการท่องเที่ยว กลุ่มนี้จะมีธุรกรรมค่อนข้างมากเช่น การเดินทาง การจองที่พัก เพียงแต่ข้อมูลในแต่ละรายอาจไม่มากนัก ยกเว้นเป็นบริษัทขนาดใหญ่เช่น สายการบิน หรือหน่วยงานอย่าง การท่าอากาศยาน
  • โรงพยาบาลและสาธารณสุข จะเป็นหน่วยงานที่มีขนาดใหญ่ และจำนวนธุรกรรมค่อนข้างมาก และมีข้อมูลหลากหลายทั้งใน รูปแบบของรูปภาพ บันทึกทางการแพทย์ แต่ปัญหาโดยมากคือขาดการจัดเก็บข้อมูลที่เป็นระบบ และข้อมูลมีขนาดใหญ่มากยากต่อการเก็บและวิเคราะห์
  • กลุ่มสื่อและธุรกิจบันเทิง จะเป็นอุตสาหกรรมที่มีข้อมูลที่เป็นเนื้อหา (content) แต่อาจขาดข้อมูลที่ทราบถึงการบริโภคของลูกค้าโดยตรง ยกเว้นทำเป็นสื่อออนไลน์เช่น  เว็บข่าวที่อาจเห็น Log  ของลูกค้า หรือ  Streaming TV อย่าง  NetFlix หรือ  AIS Play  ที่จะทราบได้ว่าลูกค้าเข้ามาดูรายการใดอย่างไร
  • กลุ่มภาคการศึกษา จะมีข้อมูลที่ค่อนข้างน้อยเว้นแต่จะปรับเป็นเนื้อหาออนไลน์ ที่อาจทำให้เข้าใจพฤติกรรมของผู้เรียน มีตะแนนการวัดผลที่เก็บไว้ จะทำให้วัดผลมีประสิทธิภาพมากขึ้น
  • กลุ่มสาธารณูปโภค เช่น การไฟฟ้า การประปา กลุ่มเหล่านี้ก็อาจมีข้อมูลการใช้จากมิเตอร์ต่างๆ
  • หน่วยงานภาครัฐ โดยมากข้อมูลจะขาด Velocity ทำให้ไม่มีข้อมูลที่ดีพอในการนำวิเคราะห์รายคน แต่ก็มีหน่วยงานอย่างของกระทรวงการคลังที่อาจมีปริมาณธุรกรรมเยอะเช่น กรมสรรพากร กรมศุลกากร หรือหน่วยงานอย่าง กรมการกงศุล หรือประกันสังคม ที่อาจมีข้อมูลเข้ามาต่อเนื่องเยอะ แต่ปัญหาที่มักพบคือข้อมูลเหล่านี้มักไม่ถูกจัดเก็บในรูปแบบที่ไปวิเคราะห์ Big Data ได้ และขาดการเชื่อมโยงข้อมูลกับหน่วยงานรัฐด้วยกัน

จากที่กล่าวมาทั้งหมด จะเห็นได้ว่า Big Data เป็นเรื่องสำคัญถ้าเราอยากจะทำ Digital  transform หน่วยงานอาจต้องพิจารณาว่าจะทำอย่างไรให้ได้มาซึ่ง Big Data ที่มี  Velocity จำเป็นจะต้องใช้เทคโนโลยีใดเข้าช่วย หรือเวลาเรามีข้อมูลอยู่แล้วแต่ไม่สามารถจัดเก็บได้ ดังนั้นองค์กรจึงจำเป็นต้องมีกลยุทธ์ด้านข้อมูลเพื่อผลสำเร็จของการทำ Digital  transform

ธนชาติ นุ่มนนท์

IMC Institute

 

FinTech Trends 2019

screenshot 2019-01-14 08.52.19

เมื่อวันที่ 24 มกราคมผมไปบรรยายให้ที่บริษัท Wealth Management (WMSL)  ซึ่งทีมงานก็ได้เคยเชิญไปหลายครั้ง โดยมีบรรยายแบบกันเองและมีแขกผู้ใหญ่หลายท่าน ซึ่งคุณสมเกียรติ ชินธรรมมิตร์ CEO ของ WMSL ได้กรุณาสรุปเนื้อหาการบรรยายของผมไว้ ผมจึงขออนุญาตท่านนำมาแชร์ไว้ในนี้เผื่อคนอื่นๆจะได้มีโอกาสได้อ่านสรุปดังกล่าว สำหรับสไลด์การบรรยายของงานนี้สามารถดูได้ที่ https://tinyurl.com/fintech2019-imc

Screenshot 2019-02-07 09.43.34

Fintech Trend 2019 โดย ดร.ธนชาติ

Trend การใช้จ่ายในประเทศไทย

ในประเทศไทยตอนนี้มี E-wallet เกิดขึ้นเยอะมาก และแต่ละที่ก็ใช้ในการรองรับบริการที่ต่างกันออกไป เช่น

– Lazada Wallet ก็ใช้จ่ายผ่านบริการของ Lazada เพื่อรับอภิสิทพิเศษเช่นส่วนลดเป็นต้น

– Rabbit Line Pay ทุกวันนี้ก็เข้าถึงการเดินทางของคนไทยในปัจจุบันได้หลายทิศทาง ไม่ว่าจะเป็นการผูกการใช้จ่ายผ่านบัตร Rabbit เวลาเดินทางด้วย BTS หรือ ผ่าน Easy Pass เวลาขึ้นทางด่วน สามารถเข้าถึงกลุ่มที่ไม่บัตรเครดิตได้เช่นเดียวกันโดยการเติมเงินเข้าระบบ Line Pay แล้วสร้างรหัสบัตรเครดิตขึ้นมาให้ใช้งาน

– Ali Pay ก็มีไว้ในการสร้างความสะดวกสบายเวลาเราต้องการซื้อสินค้าที่จีน

เพราะฉะนั้นในทุกวันนี้เรามีเงินของเราเข้าไปอยู่ใน e-wallet มากมายแล้วแต่บริการที่เราใช้

Technology ในชีวิตประจำวัน

สิ่งที่กำลังเข้ามาในชีวิตประจำวันของพวกเรามากที่สุดคือ Internet of Things: IoT (อินเตอร์เน็ตในทุกสิ่ง หรือ การที่เครื่องใช้ต่างๆมีการเชื่อมต่อกับอินเตอร์เน็ตจึงสามารถเข้าถึงได้ในทุกที่) ในแบรนด์ที่ ดร.ธนชาติ นิยมใช้คือ Xiomi เพราะมีราคาไม่แพง ซึ่งหลังจากซื้อตัว Xiomi Gateway ที่เป็นตัวเชื่อมต่อใน IoT ตัวอื่นๆแล้ว หลังจากนั้นก็จะต้องใช้สินค้าที่มาจาก Xiomi เสมอเพื่อให้รองรับต่อการใช้งาน จะสังเกตุได้ว่าลูกค้าก็จะถูก Lock in ในแบรนด์นั้นๆ เพราะถ้าเกิดจะเปลี่ยนสินค้าเพียงชิ้นเดียว ก็จะต้องเปลี่ยนระบบที่เหลือทั้งหมดซึ่งมีความยุ่งยากและค่าใช้จ่ายที่สูง

จุดเด่นของ IoT คือการที่สามารถเข้ามาอยู่ในทุกส่วนของชีวิตได้ ไม่ว่าจะเป็น Wristband ที่คอยตรวจสอบสุขภาพให้แก่ผู้ใช้, Lock Door ที่คอยล็อคประตูและตรวจสอบการเข้าออกของบ้านได้ตลอดเวลา, Air Filter ที่จะคอยบอกสภาวะอากาศภายในบ้าน และ Music Production ที่จะคอยเปลี่ยนแปลงไปตามพฤติกรรมการใช้งานของผู้ใช้เสมอ ซึ่งจะตามมาด้วยการ Lock in ในขั้นที่สองหรือการ Lock in product ด้วย data นั่นเอง สมมุติว่าเราจะเปลี่ยนการใช้งานจาก Xiomi ไปใช้ Apple Homekit ข้อมูลที่เกี่ยวกับสุขภาพ ดนตรี หรือการติดตั้งความปลอดภัยในบ้านจะไม่ถูกย้ายไปอยู่ในระบบของ Apple Homekit ทำให้ผู้ใช้ไม่ต้องการที่จะเปลี่ยนแบรนด์เพราะจะข้อมูลเดิมที่มีอยู่

Data Driven Era

สิ่งที่จะตามมาจาก IoT ก็คือข้อมูล ซึ่งข้อมูลก็จะสามารถนำมาสร้างผลประโยชน์ให้บริษัทเพิ่มเติมได้ เช่น การนำไปวิเคราะห์ Consumer behavior เพื่อการทำการตลาด หรือ การนำไปสร้างสินค้าที่ตรงกับความต้องการของลูกค้ามากขึ้น ซึ่ง Data นั้นจะถูกแบ่งออกเป็น 4 ประเภท

1. Social Media Data: ข้อมูลที่เกิดขึ้นบน Social Media ต่างๆ เช่นการเข้าถึง การไลค์ การแชร์ การโพส

2. Telecom Data: ข้อมูลที่เกิดจากการสื่อสาร

3. Internet of Things Data: ข้อมูลที่เกิดจากการใช้สินค้า IoT เช่น ช่วงเวลาที่ใช้ หรือข้อมูลที่เกี่ยวของกับ IoT นั้นๆ อาจเป็นรสนิยมเพลง หรือช่วงเวลาการเข้าออกบ้านของคนๆหนึ่ง

4. Transaction Data: ข้อมูลที่ได้จากการซื้อขายผ่าน E-commerce หรือการแลกเปลี่ยนในรูปแบบต่างๆ

ซึ่งเทคโนโลยีอีกอย่างนึงที่กำลังเป็นที่นิยมก็คือ Artificial Intelligent: AI ซึ่งถูกนำไปใช้ในการสร้าง robot เพื่อให้บริการในรูปแบบต่างๆ ไม่ว่าจะเป็นการให้คำแนะนำ การ Trade ในตลาด หรือ ระบบการขับเคลื่อนอัตโนมัติ

ซึ่งเทคโนโลยีที่มีความสำคัญในการขับเคลื่อนระบบประกอบด้วยเทคโนโลยีทั้งสิ่น 5 อย่างคือ

– Artificial Intelligent: AI

– Data Science

– Quantum Computing

– Robot

– Blockchain

ซึ่งจะมีการทำงานที่เกี่ยวข้องกันทั้งหมด จะต้องมีการศึกษาผ่าน Data Science และฐานข้อมูลที่เยอะเพื่อที่จะนำไปใช้ในการทำ Deep learning เพื่อให้เกิด AI ที่มีประสิทธิภาพสูงขึ้นมา โดยข้อมูลพวกนี้จะสามารถหาได้จาก Cloud หรือ การเก็บเอง เมื่อเราสร้าง AI ขึ้นมาได้แล้ว เราก็สามารถนำไปใช้ในการสร้าง Robot เพื่อการให้บริการต่างได้ เช่น Autonomous Car หรือรถยนต์ไร้คนขับ ก็จะต้องมีข้อมูลด้านการจราจรมากพอที่จะนำไปสร้าง AI ในการขับรถได้ หลังจากที่มี AI สำหรับการขับรถแล้วจึงจะนำไปออกแบบหุ่นยึ่นที่สามารถขับรถได้จริงได้ และระบบทั้งหมดนี้จะไม่สามารถดำเนินไปอย่างราบรื่นได้ถ้าไม่มีระบบการประมวลผลที่รวดเร็วผ่าน Quantum Computing และ การส่งข้อมูลที่รวดเร็วผ่าน Blockchain

Study Case: บริษัท Line พยายามติดต่อสัญญากับคอนโดราคาถูกเพื่อปล่อยสินเชื่อให้ Delivery ของ Line Man

เหตุการนี้อาจจะเกิดจากการที่ Line ได้ Customer Insight จากการเก็บข้อมูลมาว่าความต้องการหลังของอาขีพ Delivery คือการมีที่พักอาศัย ซึ่งอาจจะเป็น Condo ซึ่งหากข้อมูลที่ได้รับมาเป็นเรื่องจริงและ Line สามารถทำสัญญานี้ได้จริงจะนับเป็น Core Business ที่สำคัญมากส่วนหนึ่งของ Line เพราะค่าใช้จ่ายที่สูงที่สุดสำหรับธุรกิจ Online Delivery อย่าง Line Man, Grab Delivery หรือ Food Panda นั้นค่าใช้จ่ายที่สูงที่สุดคือ ค่าใช้จ่ายด้านการตลาดเพื่อสร้าง Delivery Man เพราะหากไม่มีคนกลุ่มนี้แล้ว ธุรกิจจะไม่สามารถเดินต่อได้เลย และเป็นกลุ่มที่มี Turn Over Rate สูงที่สุดเพราะไม่มีสัยญาใดๆในการเข้าร่วมงาน คนกลุ่มนี้จึงจะย้ายไปตามบริษัทที่ให้ผลประโยชน์มากที่สุด

หาก Line Man สามารถสร้างสัญญากับกลุ่ม Delivery Man ผ่านการปล่อยสินเชื่อเพื่อที่อยู่แล้ว Line จะเป็นเจ้าแรกที่สามารถแก้ไขปัญหา Turn Over Rate ที่สูงของพนักงานกลุ่มนี้ได้ และสามารถลด Cost จำนวนมากที่ต้องเสียให้กับค่าการตลาด และสร้างรายได้เสริมผ่านดอกเบี้ยจากการปล่อยสินเชื่อ และ Delivery Man กลุ่มนี้จะถูก Lock In กับบริษัท Line ทันที คล้ายกับ Contract Farming ที่เกิดขึ้นใน CP

Fintech Disruption

1. Banking Tech

2. Payments

3. Cyber Currency

4. Business Finance

5. Consumer Finance

6. Alternate Core

ปัจจุบันสิ่งที่เกิดขึ้นมากที่สุดคือ Payments ซึ่งเห็นได้ชัดเจนจาก E-wallet ที่เกิดขึ้นกับบริการต่างๆมากมายในประเทศไทย และอีกสิ่งที่กำลังเกิดขึ้นในประเทศไทยคือระบบการส่งข้อมูลแบบ Blockchain ซึ่ง Cyber Currency หรือ Crypto Currency ที่เกิดขึ้นผ่าระบบ Blockchain นั้นได้เป็นตัวพิสูจแล้วว่าผู้คนเชื่อถือในระบบจริง

ในด้านการเงินปัจจุบันเองก็มีการนำ AI มาใช้ในการทำธุรกิจเช่นกัน เช่น Robo advisor หรือ Algotrading แต่สิ่งที่ส่งผลต่อธุรกิจทางการเงินมากที่สุดคือการ Open API ของธนาคารกลาง การ Open API คือการให้นักการเงินและนักพัฒนาทุกคนสามารถเข้าถึงข้อมูลทางการเงินของทุกธนาคารได้ ทำให้เกิดเป็นระบบ Open Banking ใน UK ซึ่งนับเป็นการเปลี่ยน Core Business ของธนาคารทั้งหลายไปเลยทีเดียว เพราะผู้ประกอบการทั่วไปสามารถเข้ามาให้บริการอื่นๆได้เช่นเดียวกับธนาคาร รวมไปถึงการให้บริการอื่นๆที่ธนาคารไม่สามารถให้บริการได้ด้วยเช่นเดียวกัน และไม่ว่าจะทำการเปิดบัญชีที่ธนาคารไหน ผู้ถือเงินจะสามารถเข้าถึงข้อมูลของตนเองได้ผ่านธนาคารทุกโดยไม่จำกัดแบรนด์ของธนาคาร จึงไม่มีความจำเป็นที่จะต้องเปิดกับธนาคารไดเพียงธนาคารหนึ่งอีกต่อไป นับเป็นการเปลี่ยนแปลงที่เพิ่มความสดวกให้ผู้บริโภคอย่างมหาสาร แต่สร้างความลำบากให้กลุ่มธนาคารเป็นอย่างมาก

สิ่งที่จะทำให้ธนาคารอยู่รอดได้ก็คือข้อมูล CRM ของลูกค้าที่คนภายนอกไม่สามารถเข้าถึงได้ เช่นข้อมูล KYC ของลูกค้า กลุ่มธนาคารจึงมุ่งเน้นไปที่การสร้างฐานข้อมูล CRM โดยการพัฒนาระบบ RPA: Robotic Process Autonomous เพื่อเพิ่มความสะดวกในการให้บริการแก่ลูกค้า และความรวดเร็วในการสร้างข้อมูล CRM แก่ธนาคาร สิ่งที่ตามมาคือการวางระบบที่เหมาะสม และความปลอดภัยในความเป็นส่วนตัว

More Service, More Users, High Scalability, More Complex Security เพื่อการทำธุรกิจที่ยั่งยืน การมองในระยะไกลจึงเป็นสิ่งที่จำเป็น ยกตัวอย่างง่ายๆ หากเราสร้างบ้านสองชั้นเพื่ออยู่กัน 1 ครอบครัว วันหนึ่งจะเปลี่ยนบ้านหลังนั้นเป็นคอนโดสูง 18 ชั้นเพื่อ 70 ครอบครัวก็ไม่สามารถทำได้เพราะรากฐานของระบบที่ไม่ดีพอ เพราะฉะนั้นการวางระบบในปัจจุบันถึงแม้จะเพื่อการให้บริการแก่คนกลุ่มน้อย แต่ต้องวางรากฐานให้เหมาะสมแก่การให้บริการแก่คนจำนวนมาก

ถึงแม้จะมีข้อมูล CRM ที่มากแต่การนำไปใช้เป็นเรื่องที่ยากเช่นเดียวกัน เพราะการใช้ข้อมูลเหล่านี้ไปทำธุรกิจเป็นเรื่องละเอียดอ่อน ในยุคที่ข้อมูลส่วนตัวสามารถเข้าถึงได้ง่าย ไม่ว่าจะผ่านการให้บริการต่างๆ หรือการใช้สื่อ Social Media การนำข้อมูลส่วนตัวของลูกค้ามาใช้จึงจำเป็นต้องมีการระมัดระวังที่มากกว่าปกติ เพราะอาจส่งผลเสียในระยะยาวให้แก้ธุรกิจได้ เช่น การแจ้งรายการชำระเงินทั้งหมดของบุคคลโดยมิได้รับการยินยอม อาจส่งผลเสียต่อตัวธนาคารเองได้ เพราะอาจเป็นการก้าวก่ายในชีวิตประจำวันของตัวลูกค้าจนเกินไป

ปัจจุบันการแข่งขันของธุรกิจทางธนาคารคือการหาข้อมูล

Financial Trails:

– Personal Detail

– Monthly Income

– Monthly Expense

– Transaction Data

ธนาคารใช้ข้อมูลเหล่านี้ในการ

– วิเคราะห์พฤติกรรมลูกค้า

– ทำการตลาด

– ฯลฯ

ทิศทางของธุรกิจในปี 2019

ด้วยคำพูดที่ว่า “Data is The New Oil” การมีข้อมูลที่มากในปัจจุบันจึงเป็นเรื่องที่จำเป็น แต่การมีข้อมูลที่เยอะ ไม่ได้นำไปสู่ความสำเร็จเสมอไป ข้อมูลที่มีจำเป็นจะต้องเป็นข้อมูลที่แม่นยำเช่นเดียวกัน เมื่อในทุกธุรกิจมีการมุ่งเน้นในการใช้ข้อมูลแล้ว ก็จะตามมาด้วยการพัฒนา AI และการนำไปใช้การสร้างผลิตภัณและให้บริการ

การวิเคราะห์ข้อมูล Augmented Analytics ในปัจจุบันยังมีความจำเป็นในการใช้ Citizen Data Scientist ในการวิเคราะห์ข้อมูล แต่ในอนาคตจะไม่มีความจำเป็นอีกต่อไป สิ่งที่จำเป็นคือ Developer ที่มีความสามารถในการสร้างระบบที่สามารถวิเคราะห์ข้อมูลออกมาในรูปแบบที่เข้าใจง่าย และบุคลากรทั่วไปจะสามารถใช้งานเครื่องมือเหล่านี้ในการทำธุรกิจได้

สิ่งที่สังคมจะให้ความสำคัญมากขึ้นคือความเป็นส่วนตัวในการรับบริการต่างๆ ไม่ว่าจะเป็นการใช้สื่อ Social Media ที่น้อยลง ความยินยอมที่จะเปิดเผยข้อมูลที่น้อยลง หรือการใช้บริการที่ไม่จำเป็นต้องเปิดเผยตัวตน