นายพชร อารยะการกุล ประธานเจ้าหน้าที่บริหาร บริษัท บลูบิค กรุ๊ป จำกัด เปิดเผยว่า ในโลกยุคใหม่ที่การตัดสินใจทางธุรกิจขับเคลื่อนด้วยข้อมูล องค์กรที่สามารถนำข้อมูลมาใช้ประโยชน์ได้อย่างเต็มประสิทธิภาพย่อมได้เปรียบในการแข่งขันมากกว่า ดังนั้นองค์กรจำนวนมากขึ้นจึงเลือกจัดตั้งหน่วยงานด้าน Data Science หรือวิทยาศาสตร์ข้อมูล เพื่อวิเคราะห์และนำข้อมูลมหาศาลที่มีอยู่มาสร้างมูลค่าเพิ่มให้ธุรกิจ ทั้งในแง่การทำการตลาดให้ตรงจุด หรือการพัฒนาผลิตภัณฑ์และบริการเพื่อสร้างกำไรให้ธุรกิจมากขึ้น ซึ่งกระบวนการของ Data Science ครอบคลุมตั้งแต่ขั้นตอนการเก็บข้อมูล การจัดการข้อมูล การวิเคราะห์ข้อมูล ไปจนถึงการนำข้อมูลมาช่วยในการตัดสินใจ
"แม้ว่าแทบทุกองค์กรต่างพยายามสร้างหน่วยงาน Data Science ขึ้นมา และผลักดันโครงการที่เกี่ยวข้องเพื่อมุ่งก้าวไปสู่การเป็น Data-Driven Organization หรือองค์กรขับเคลื่อนด้วยข้อมูล แต่ไม่ใช่ทุกองค์กรจะประสบความสำเร็จ เนื่องจากยังติดกับดักการพัฒนาโมเดลวิเคราะห์ข้อมูลที่ใช้เวลาพัฒนานานเกินไป และยังไม่ยืดหยุ่นมากพอในการแก้ไขปัญหาที่เกิดขึ้นแบบเรียลไทม์ รวมถึงไม่สามารถวิเคราะห์สถานการณ์ที่เปลี่ยนแปลงไปตลอดเวลาได้" นายพชร กล่าว
จากปัญหาดังกล่าวส่งผลให้หลายองค์กรยังไม่ประสบความสำเร็จในการแปลงข้อมูลทั่วไป (Data) ให้กลายเป็นข้อมูลเชิงลึก (Insights) ที่สร้างมูลค่าเพิ่มให้องค์กร โดยพบว่ามีเพียง 15% ของโครงการ Data Science ทั่วโลกที่สามารถช่วยแก้ปํญหาและวิเคราะห์ข้อมูลธุรกิจได้จริง ตามการเปิดเผยเมื่อปี 2562 ของ Gartner บริษัทเทคโนโลยีชื่อดังของสหรัฐ
ทั้งนี้ หากองค์กรต้องการประสบความสำเร็จในการทำโครงการ Data Science สามารถนำหลักการ Agile มาปรับใช้ได้ โดย Agile เป็นแนวคิดการทำงานที่เน้นความคล่องตัว ลดขั้นตอนการทำงาน มุ่งเน้นการสื่อสารระหว่างบุคลากรต่างทีมเพื่อสร้างความเข้าใจ กระจายอำนาจการตัดสินใจ วางแผนและส่งมอบงานเป็นชิ้นเล็กๆ เพื่อให้สามารถแก้ปัญหาหรือข้อผิดพลาดในแต่ละในส่วนได้ในเวลาอันรวดเร็ว โดยหลักการ Agile แตกต่างจากการทำงานแบบ Waterfall ที่มีการวางแผนการทำงานตั้งแต่เริ่มต้นจนจบโครงการในรอบเดียว ทำให้แก้ไขปัญหาไม่ทันเมื่อพบความผิดพลาด
ฉะนั้น การปรับใช้ Agile กับ Data Science จะสามารถเร่งกระบวนการพัฒนาโมเดลวิเคราะห์ข้อมูล เพื่อเพิ่มมูลค่าให้องค์กรได้ในเวลาอันรวดเร็ว โดยมีหลักการทำงาน 3 ข้อ ซึ่งเริ่มตั้งแต่
- การปรับให้ทีม Data Science ทำงานแบบ Agile เพื่อเพิ่มความคล่องตัวในการทำงาน โดยมีหลักการดังนี้
- พัฒนาโมเดลวิเคราะห์ตามข้อมูลที่มีอยู่ เพื่อเน้นเปลี่ยนข้อมูลธรรมดาให้กลายเป็นข้อมูลที่มีคุณค่าต่อการทำธุรกิจในเวลาอันรวดเร็ว
- แบ่งปันข้อมูลร่วมกันเป็นประจำ ทั้งภายในทีม Data Science ทีมนักพัฒนาผลิตภัณฑ์ และตัวผู้ใช้ผลิตภัณฑ์เพื่อให้ได้ข้อมูลใหม่ๆ แบบเรียลไทม์
- ส่งมอบผลลัพธ์อย่างสม่ำเสมอ ผ่านการทดลองสร้างโมเดลและวิเคราะห์ข้อมูลแบบต่างๆ เพื่อลองดูผลตอบรับ และหาทางสร้างผลลัพธ์ที่ดีที่สุด
- การปรับเส้นทางการไหลของข้อมูล (Data Pipeline)
การปรับ Data Pipeline สามารถดำเนินการได้โดยทำให้เส้นทางการไหลของข้อมูลเป็นไปอย่างอัตโนมัติมากที่สุดเพื่อเพิ่มความรวดเร็วในการนำข้อมูลมาใช้ หรือที่เรียกว่า DataOps ตั้งแต่ขั้นตอนการจัดเก็บข้อมูล ทำความสะอาดข้อมูล กรองข้อมูล เรียนรู้ข้อมูล ทำรายงานข้อมูล นำเสนอข้อมูล และการแบ่งปันข้อมูล โดยแนวทางการนำ DataOps มาปรับใช้ - การปรับการทำงานของหน่วยงานภายในเป็นแบบอัตโนมัติด้วย Augmented Analytics
การเพิ่มความรวดเร็วภายในหน่วยธุรกิจ เป็นส่วนสำคัญที่ช่วยเพิ่มประสิทธิภาพในการนำข้อมูลไปใช้เพื่อค้นหาข้อมูลเชิงลึก (Insights) ซึ่งสามารถดำเนินการผ่านการผสมผสานการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ (Artificial Intelligence/ Machine Learning: AI/ML) เข้ากับการประมวลภาษาธรรมชาติ (Natural Language Processing) กลายเป็นการวิเคราะห์ข้อมูลโดยอัตโนมัติ หรือที่เราเรียกว่า Augmented Analytics โดยการประยุกต์ใช้ Augmented Analytics สามารถนำไปปรับใช้ได้กับทั้งระบบงานส่วนหน้า (Front Office) ระบบงานส่วนกลาง (Middle Office) และระบบงานส่วนหลัง (Back Office)
"หากธุรกิจต้องการนำข้อมูลมหาศาลในมือมาขับเคลื่อนให้รายได้เติบโตอย่างรวดเร็ว และสร้างความได้เปรียบในสมรภูมิการแข่งขันยุคดิจิทัล การนำ Data Science มาช่วยวิเคราะห์ข้อมูลเพียงอย่างเดียวคงไม่เพียงพอ แต่ต้องทำให้ข้อมูลสร้างมูลค่าเพิ่มให้องค์กรในเวลาอันรวดเร็ว โดยนำหลักการ Agile มาปรับใช้กับกระบวนการวิเคราะห์ข้อมูล เพื่อเพิ่มศักยภาพขององค์กร จนสามารถก้าวขึ้นเป็นผู้นำในยุคดิจิทัล" นายพชร ทิ้งท้าย
