Data Science คืออะไร ทำไมจึงสำคัญกับภาคธุรกิจในยุคดิจิทัล?

เข้าใจ Data Science อาวุธสำคัญสำหรับธุรกิจยุคดิจิทัล

การแข่งขันการเติบโตของธุรกิจในยุคดิจิทัลเป็นเรื่องที่ท้าทายสำหรับทุก ๆ ธุรกิจ ไม่ว่าคุณจะเป็นผู้ประกอบการในธุรกิจแขนงไหน ล้วนต้องปรับเปลี่ยนและช่วงชิงการเติบโตไม่ต่างกัน ยิ่งการมาของ Big Data ธุรกิจยิ่งจำเป็นต้องจับพฤติกรรมลูกค้าให้ถูกจุด เรียกได้ว่า หากใครเป็นผู้กุมข้อมูลของลูกค้าอยู่มากที่สุด คนนั้นถือเป็นผู้ยิ่งใหญ่ในการประกอบธุรกิจ

ความยิ่งใหญ่ของ Big Data ไม่ได้ส่งผลแค่ธุรกิจการค้าขายเท่านั้น แม้กระทั่งมหาวิทยาลัยเอง ยังต้องปรับเปลี่ยนหลักสูตรการเรียนการสอน เพื่อให้ทันกับยุคนี้เช่นกันอย่างการศึกษาในสาขาธุรกิจแขนงต่าง ๆ ก็ต้องนำเอาวิชาสำคัญ ๆ อย่าง Data Science หรือ Data Analysis มาประกอบหลักสูตรการทำธุรกิจ ที่ไม่ได้วิเคราะห์พฤติกรรมลูกค้าตามทฤษฎีทางการตลาดแบบเดิม ๆ อีกต่อไปแต่ Data Science เพิ่งเข้ามามีส่วนสำคัญกับเราจริง ๆ หรือ คำตอบคือ Data Science ไม่ใช่ความรู้ใหม่ทั้งหมด แต่เป็นทฤษฎีเดิม ๆ ที่เราเคยใช้กันมาตลอดประกอบหลอมรวมเข้าด้วยกัน จนเกิดเป็น Data Science ขึ้นมาในทุกวันนี้

ซึ่งหลัก ๆ แล้วจะมีทั้งหมด 3 ศาสตร์ที่เราคุ้นเคย ไม่ว่าจะเป็น

- Hacking Skill (ศาสตร์ด้าน Computer Programimg และ Data Base)
- Statistic & Math (ความรู้พื้นฐานทางสถิติและคณิตศาสตร์ไม่ว่าจะเป็นทฤษฎีเซต แผนภาพเวนน์ หรือพีชคณิต ที่เราคุ้นเคยกันตั้งแต่เป็นนักเรียนมัธยม)
- Domain Knowledge หรือ Substantive Expertise ที่จำเป็นต้องประยุกต์ใช้

Data Science เหมาะกับธุรกิจแบบไหน

เป็นคำถามที่ผู้เขียนตั้งขึ้นและตั้งคำถามกลับไปยังคำถามของตัวเองทันทีว่า “มีธุรกิจไหนที่ไม่เหมาะกับ Data Science หรือ?” คำตอบคือยังไม่เห็นว่าธุรกิจไหนไม่ควรนำ Data Science เข้ามาใช้เลย เพราะอย่างที่ได้กล่าวไปข้างต้นว่า ‘ผู้ใดที่กุมข้อมูลพฤติกรรมลูกค้าเยอะที่สุด ผู้นั้นก็คือผู้ยิ่งใหญ่ในการประกอบธุรกิจ’ หากทุกคนสังเกตดูในชีวิตประจำวัน แม้แต่ร้านกาแฟ ร้านชานมเล็ก ๆ ยังมีการสมัครสมาชิกร้าน เพื่อเก็บข้อมูลการกินของรู้ค้า ซึ่งนี่ก็จะนำไปสู่การวางแผนการซื้อการสต็อกวัตถุดิบของร้าน หากร้านสามารถเก็บข้อมูลลูกค้าที่เข้าร้านเป็นประจำและนำมันมาวิเคราะห์ได้ ก็จะเกิดการวางแผนการที่แม่นยำมากขึ้น และลดการสูญเสียวัตถุดิบได้ด้วย ยังไม่ต้องพูดถึงร้านสะดวกซื้อต่าง ๆ ร้านค้าชั้นนำในห้างสรรพสินค้า ที่ในปัจบันแทบจะไม่มีร้านไหนที่ไม่มีระบบการเก็บข้อมูลเหล่านี้

ความสำคัญของ Data Science นอกจากทางด้านการค้าขาย เทคโนโลยีนี้ยังนำไปสู่การวิเคราะห์ด้านอื่น ๆ ไม่ว่าจะเป็นทางการขนส่ง ทางการแพทย์ เช่น การนำเทคโนโลยี IBM Watson for Oncology มาเพื่อช่วยในการวิเคราะห์อาการผู้ป่วยโรคมะเร็งของโรงพยาบาลบำรุงราษฎร์ หรือแม้กระทั้งการแยกขยะ ตัวอย่างเช่นโปรเจค TrashTrack ในสหรัฐอเมริกา ที่ทดลองเอาเซ็นเซอร์ไปติดขยะ 3,000 ชิ้น แล้วติดตามดูว่าของที่เราทิ้งลงถังขยะสุดท้ายแล้วมันไปไหน ปรากฏว่ามีเพียง 10% ของขยะที่ถูกส่งไปยังที่ที่ควรไป และมีขยะรีไซเคิลหลายชิ้นที่เดินทางไกลเกินความจำเป็น ทั้งที่สามารถไปยังแหล่งรีไซเคิลที่ใกล้กว่านั้นได้ การจัดเก็บข้อมูลนี้จึงทำให้เห็นข้อบกพร่องของระบบจัดการขยะของเมือง และนำไปสู่ความสามารถในการหาแนวทางแก้ปัญหาได้อย่างถูกจุดจากการเก็บข้อมูลของขยะเหล่านั้น (อ้างอิง, Trash | Track)

จะเห็นได้จากตัวอย่างว่าเราสามารถใช้ข้อมูลจากการจัดเก็บมาเพื่อช่วยในการตัดสินใจที่แม่นยำขึ้น เพราะการดำเนินการทำสิ่งต่าง ๆ ในธุรกิจ หากไม่มีข้อมูลในการประกอบการตัดสินใจที่มากพอ ความเสี่ยงต่าง ๆ ย่อมตามมาได้มากกว่าการตัดสินใจโดยยึดตามข้อมูลอย่างแน่นอน

แล้วใครควรทำงาน Data Science หากคุณไม่ใช่ Data Scientist จะจัดการกับข้อมูลได้อย่างไร?

จากที่ได้กล่าวไว้หากองค์กรไหนสามารถวิเคราะห์และจัดการข้อมูลได้ถูกต้องแม่นยำ ย่อมได้เปรียบในการแข่งขัน ซึ่งจะนำมาสู่มูลค่าและความสำเร็จขององค์กร การที่ข้อมูลจะเป็นประโยชน์ก็ต่อเมื่อเราวิเคราะห์ได้ถูกต้อง ซึ่งไม่จำเป็นต้องมีมหาศาลเสมอไป การมีข้อมูลแล้วกรั่นกรองมันตั้งคำถามกับมันพร้อมทั้งวิเคราะห์ได้ตรงจุดต่างหากคือกลยุทธิ์ที่ใช้งานได้จริง

เรามาดูขั้นตอนหลัก ๆ ในการทำงานด้าน Data Science กันดีกว่าว่ามีอะไรบ้าง เราพอจะทำความเข้าใจมันได้ในฐานะที่เราไม่ใช่ Data Scientist หรือเปล่า?

1. ตั้งโจทย์ ต้องตั้งคำถามที่น่าสนใจและจะเป็นประโยชน์กับการดำเนินธุรกิจ
2. สืบค้น, จัดเก็บ และนำข้อมูลไปจัดการให้ถูกต้อง
3. สร้างโมเดล ทำความเข้าใจกับข้อมูล หาความเชื่อมโยงของข้อมูลแต่ละก้อนที่ได้มา
4. ทดสอบโมเดล เพื่อเลือกโมเดลที่ดีที่สุด
5. สื่อสารผลลัพธ์ที่ได้ให้เข้าใจง่าย

เราจะต้องทำความเข้าใจขั้นตอนในงานด้าน Data Science เหล่านี้ แม้จะไม่สามารถทำได้ทั้งหมดแต่อย่างน้อยก็ต้องเข้าใจในกระบวนการ และอาจจะเป็นเรื่องยากพอสมควรที่จะทำให้ skill เหล่านี้อยู่ในตัวของคนทำงานทุกคน ถ้าดูจากลำดับการทำงาน ข้อ 1 และ ข้อ 2 ดูจะเป็นเรื่องที่เราสามารถทำมันได้มากที่สุดเพียงแค่ฝึกฝนเล็กน้อย พอไปถึงเรื่องโมเดลการทำงานแล้ว ต้องเป็นคนที่มีความรู้ความเข้าใจมันอย่างลึกซึ้งเลยทีเดียว องค์กรจึงจำเป็นต้องมีคนที่มีความรู้ความเข้าใจในเรื่องของเทคโนโลยี การเขียนโปรแกรม คณิตศาสตร์และสถิติ รวมถึงคนที่มีความรู้ความเข้าใจในด้านการตลาดและธุรกิจด้วย

แนวทางที่ดีที่สุด ในความคิดเห็นของผมคือให้ทุกคนที่มีส่วนเกี่ยวข้องกับโปรเจค ไม่ว่าคุณจะเป็น Data Scientist หรือไม่ ได้มีส่วนร่วมในการระดมความคิดเกี่ยวกับสมมติฐานตั้งแต่ต้น เพื่อใช้สมมติฐานเป็นแนวทางและจัดลำดับความสำคัญของการวิเคราะห์ข้อมูลต่อไปเพื่อ Turn data into data products สิ่งสำคัญอีกอย่างหนึ่งคือต้องสร้างความเข้าใจทางธุรกิจและความคิดที่เฉียบแหลมเพื่อสร้างสมมติฐานที่ดี หากเราได้ตั้งสมมติฐานไว้ในใจอยู่แล้วแต่ข้อมูลที่ได้มากลับแตกต่างจากสมติฐานของเราก็จงเปิดใจรับมัน การคำนึงถึงธุรกิจและผู้ที่มีส่วนได้ส่วนเสียทางธุรกิจเป็นหลักจะช่วยให้เราปรับเปลี่ยนทฤษฎีเริ่มต้นไปพร้อมกับข้อมูลที่เรามีได้