หลายปีที่ผ่านมา ผมได้มีโอกาสร่วมงานกับหลากหลายองค์กรทั้งในไทยและต่างประเทศที่ตื่นตัวจะนำข้อมูลไปใช้ประโยชน์ แต่ปัญหาคือข้อมูลที่เก็บไว้มีไม่เพียงพอหรือไม่สามารถนำไปใช้งานตามวัตถุประสงค์ได้ ผู้ประกอบการบางคนคิดว่าการสร้างหรือปรับโครงสร้างพื้นฐาน (Infrastructure) หรือจ้างที่ปรึกษาด้านข้อมูล และ AI จะสามารถทำให้องค์กรกลายเป็น Data/AI driven organization (ผมใช้คำว่า Data/AI เพราะทั้งสองต้องเกื้อหนุนกัน หากไม่มีข้อมูลก็ทำ AI ไม่ได้) หรือองค์กรที่ขับเคลื่อนด้วยข้อมูลและ AI ได้โดยทันที ซึ่งความเป็นจริงไม่เป็นอย่างนั้น เพราะถึงแม้คุณมีข้อมูลจำนวนมาก แต่ถ้ายังขาดการวางยุทธศาสตร์ที่สนับสนุนการนำข้อมูลไปใช้ และขาดมุมมองในการบริหารงานที่เหมาะสม การจะสร้างองค์กรให้เป็น Data/AI driven organization คงไม่สามารถเกิดขึ้นได้อย่างมีประสิทธิภาพ
ดังนั้นสิ่งที่ผู้ประกอบการควรทำความเข้าใจก่อนคือองค์กรของคุณมีสถานะความพร้อม (maturity) ด้านการนำข้อมูลมาใช้อยู่ที่ระดับใด ซึ่งผมขอแบ่งเป็น 3 ระดับ ดังนี้
Data literacy organization บางหน่วยงานในองค์กรได้นำข้อมูลมาใช้ในการทำรายงานประกอบการตัดสินใจแล้ว พนักงานพอมีความสามารถในการใช้ BI (Business Intelligence) application ในการทำรายงาน แต่ยังไม่ได้มีนโยบายหรือทิศทางจากผู้บริหารในการผลักดันให้เก็บข้อมูลและนำมาใช้อย่างแพร่หลาย รวมถึงการจัดเก็บข้อมูลยังกระจัดกระจายและขาดการดูแลอย่างชัดเจน
Data analytics organization เป็นองค์กรที่ผู้บริหารมีการวางยุทธศาสตร์ในการนำข้อมูลมาใช้ (ผมชอบใช้คำว่า “ข้อมูล” แทนคำว่า “Big data” เพราะจริงๆแล้วความสำคัญไม่ได้ขึ้นอยู่กับขนาดของข้อมูล แต่สำคัญที่ว่าข้อมูลนั้นสามารถนำไปใช้ประโยชน์ได้มากเพียงใด) มีการบริหารจัดการข้อมูลที่ถือได้ว่ามีประสิทธิภาพ คุณภาพของข้อมูลที่จัดเก็บไว้อยู่ในระดับที่สามารถนำไปใช้งานได้ มีการกำหนดการเข้าถึงข้อมูลที่มีความปลอดภัยและให้ประโยชน์กับคนในองค์กร ซึ่งถือเป็นการพัฒนาวัฒนธรรมและศักยภาพของคนให้ตระหนักถึงความสำคัญเชิงคุณภาพที่จะเก็บ บริหาร แชร์ และ ใช้ข้อมูลให้เกิดประโยชน์สูงสุดกับหน่วยงาน แต่ยังขาดการเก็บรวบรวมข้อมูลให้อยู่ในที่เดียวกัน การสร้างขีดความสามารถในระดับนี้อาจมีทั้งรูปแบบการจ้างที่ปรึกษาประกอบกับสร้างทีมภายในเพื่อเรียนรู้และพัฒนาความสามารถคนในองค์กร เริ่มมีการบูรณาการโครงสร้างพื้นฐานดิจิทัลและข้อมูลเข้าด้วยกัน เช่น ลดการใช้กระดาษและหันไปเก็บข้อมูลในรูปแบบดิจิทัลให้มากขึ้น เป็นต้น และหากถามว่าองค์กรในระดับนี้จำเป็นต้องมี Data scientist หรือยัง คำตอบคืออาจยังไม่จำเป็นนัก เพราะสิ่งที่สำคัญกว่าคือต้องมีคนใช้ข้อมูล (Data user) ที่รู้จุดประสงค์ของการนำข้อมูลไปใช้และสามารถสร้างงานให้เกิดขึ้นจริงได้ รวมทั้ง Data engineer ที่ช่วยในการสร้าง Infrastructure ให้พร้อมก่อน การสร้าง Data science ไม่ได้เกิดขึ้นเพียงข้ามวัน ถ้าโครงสร้างพื้นฐานไม่พร้อม ไม่มีการเก็บข้อมูลที่เหมาะกับการนำไปใช้ และขาดการตั้งโจทย์หรือวิเคราะห์ปัญหาอย่างชัดเจนก็อาจทำให้ Data scientist ถูกใช้งานไม่ตรงตามความสามารถได้ (อ่านบทความ “ความเข้าใจในการสร้าง data driven mindset ในองค์กร” บทความ1 2 3)
Data/AI driven organization องค์กรที่มีขีดความพร้อมในระดับนี้จะมีโครงสร้างพื้นฐานทางด้านดิจิทัลและข้อมูลที่พร้อมระดับหนึ่ง มีแนวทางจากผู้บริหารที่มองการนำ AI/ML (Machine Learning) มาใช้ในการ Automate ข้อมูล (การเก็บและประมวลผลข้อมูลอัตโนมัติ) ทั้งในรูปแบบ Structured เช่น Database และ Unstructured เช่น วิดีโอ รูปภาพ ข้อความ และข้อความเสียง โดยสามารถนำข้อมูลเหล่านี้มาใช้งานด้วยวัตถุประสงค์ 4 ข้อ ดังนี้
Decision making improvement ช่วยให้ตัดสินใจได้ดีและแม่นยำขึ้น เช่น การคาดการณ์สินค้าที่จะนำมาวางขายได้ตรงความต้องการของลูกค้า
Operational efficiency ช่วยให้ทำงานได้เร็วและมีประสิทธิภาพมากยิ่งขึ้น เช่น การบริหารจัดการทรัพยากรคนและสินค้าของ Amazon Go ที่ให้ลูกค้าซื้อของในร้านโดยปราศจากพนักงานแคชเชียร์ ซึ่งช่วยลดต้นทุนแรงงาน เพิ่มความสะดวกสบายและความรวดเร็วให้แก่ลูกค้าด้วย
New revenue สร้างรายได้ใหม่ เช่น การแนะนำสินค้าใหม่ที่เหมาะสมกับลูกค้า เพราะหากเราสามารถนำข้อมูลมาวิเคราะห์สิ่งที่ลูกค้าต้องการได้ตรงจุด ก็จะสามารถมีโอกาสในการเพิ่มยอดขายสินค้าได้มากขึ้น
Risk management การจัดการความเสี่ยง เช่น Fraud Detection / Prevention หรือการตรวจสอบและป้องกันการนำข้อมูลไปใช้ในทางมิชอบ
องค์กรในระดับนี้จะมีแพลตฟอร์มในการเก็บข้อมูลหลากหลายรูปแบบทั้งในและนอกองค์กร มีกระบวนการเก็บข้อมูลด้วยระบบอัตโนมัติ (Automation process) และมีทีม Development operations (DevOps) ซึ่งเป็นการทำงานร่วมกันของคนพัฒนาซอฟต์แวร์และคนที่เอาซอฟต์แวร์มาลงในระบบ ทำหน้าที่ป้อนข้อมูลให้กับ ML model เพื่อนำไปใช้งานตามวัตถุประสงค์ทั้ง 4 ข้อที่กล่าวมาข้างต้น รวมทั้งมีการพัฒนาคนและวัฒนธรรมในองค์กรให้เรียนรู้ที่จะใช้เทคโนโลยี ข้อมูล และ AI ในการพัฒนาศักยภาพของคนด้วย
เทคโนโลยี ML ถูกนำมาใช้อย่างแพร่หลายในการวิเคราะห์ Unstructured data สอนให้เครื่อง ML เรียนรู้ในการแยกแยะ (Classification) โดยใช้การเรียนรู้แบบ Supervised learning คือสอนให้เครื่องเรียนรู้คำตอบ เช่น ให้โมเดลดูว่ามีคนใส่แว่นในรูปหรือไม่ หรือ ประมวลเสียงพนักงานว่าพูดจาด้วยน้ำเสียงสุภาพไหม ซึ่งต้องมีการนำข้อมูลภาพหรือเสียงมา Label (ใส่คำตอบ) บอกว่าภาพนี้เป็นคนใส่แว่นหรือไม่ใส่แว่น หรือ น้ำเสียงที่พูดมาสุภาพหรือไม่ ถ้ามี Label data มากพอ โมเดลก็จะสามารถเรียนรู้และหารูปแบบ (Pattern) ในการแยกแยะข้อมูลได้มีประสิทธิภาพ เพราะฉะนั้นหากมีโจทย์ประเภท Classification โดยนำ Unstructured data มาใช้ ก็ต้องคำนึงด้วยว่ามีข้อมูลสำหรับใช้ Label เพื่อให้โมเดลเรียนรู้เพียงพอหรือยัง บ่อยครั้งงานที่ต้องใช้ Unstructured data ต้องใช้เวลาและแรงงานคนในการ Label data มากพอสมควร
การใช้งาน AI อย่างมีประสิทธิภาพเกิดจากการทำงานร่วมกันกับมนุษย์ด้วย เนื่องจาก AI ยังคงมีข้อจำกัดอยู่บ้าง (อ่านบทความ ข้อจำกัดของ AI) แต่ก็ยังมีคนส่วนมากที่เข้าใจว่า AI เป็นซอฟต์แวร์ที่ซื้อมาแล้วใช้งานได้เลยทันที แถมมีความฉลาดในการเรียนรู้ไปเรื่อยๆด้วยตัวเองโดยไม่ต้องใช้คนช่วย หรือไม่จำเป็นต้องสร้างโจทย์ในการทำงานให้ AI ก็สามารถคิดและประมวลผลเองได้ทั้งหมด แต่ในความเป็นจริงแล้ว AI/ML ต้องใช้ข้อมูลที่เก็บไว้ภายในองค์กรและจำเป็นต้องมีคนมาตรวจสอบว่าใช้งานตรงตามวัตถุประสงค์หรือไม่
แน่นอนว่าโลกของเราเปลี่ยนแปลงไปเป็นอย่างมาก เราทุกคนต่างอยู่ในโลกดิจิทัลที่การเปลี่ยนแปลงและการถูกแทรกแซง (Disrupt) เกิดขึ้นอยู่เสมอ หากเราไม่ปรับตัวหรือปรับตัวช้าก็อาจส่งผลเสียต่อองค์กรได้ แต่ก่อนที่จะวางแผนพัฒนาองค์กรให้มีความพร้อม เราต้องเข้าใจก่อนว่าองค์กรอยู่ในระดับความพร้อมขั้นไหน และยังขาดอะไรบ้างในการพัฒนาตัวเองไปสู่ขั้นถัดไป แน่นอนว่าการรู้จุดแข็งของตนเองเป็นเรื่องที่ดี แต่ก็ไม่ควรจะมองข้ามจุดอ่อนที่มีอยู่ด้วย เพื่อพัฒนาองค์กรของตนเองให้มีศักยภาพอย่างตรงจุด สามารถนำข้อมูลไปใช้ได้อย่างชาญฉลาด และพร้อมก้าวสู่การเป็น Data/AI driven organization อย่างเต็มตัวได้