บทนำสู่ Big Data และวิทยาการข้อมูล (Data Science)

ยินดีต้อนรับเข้าสู่ส่วนที่น่าตื่นเต้นที่สุดส่วนหนึ่งของหลักสูตร APM! ในอดีต การจัดการผลการดำเนินงาน (Performance Management) มักพึ่งพารายงานทางการเงินแบบเดิมๆ ที่บอกเราเพียงว่าเกิดอะไรขึ้นเมื่อเดือนที่แล้ว แต่ในปัจจุบัน Big Data และ วิทยาการข้อมูล (Data Science) ช่วยให้องค์กรสามารถมองเห็นสิ่งที่กำลังเกิดขึ้น ณ ตอนนี้ และยังคาดการณ์ได้ด้วยว่าจะเกิดอะไรขึ้น ในวันพรุ่งนี้ สำหรับนักศึกษา ACCA การทำความเข้าใจวิธีการเหล่านี้ถือเป็นหัวใจสำคัญ เพราะคุณมักจะถูกขอให้คำแนะนำแก่บริษัทเกี่ยวกับวิธีนำเทคโนโลยีมาใช้เพื่อสร้างความได้เปรียบในการแข่งขัน

ในบทนี้ เราจะเน้นไปที่ว่า Big Data คืออะไรกันแน่, ขั้นตอนการจัดการข้อมูลอย่างเป็นระบบ, ระดับต่างๆ ของการวิเคราะห์ (Analytics) และประเภทของข้อมูลที่หลากหลายที่เราสามารถนำมาวิเคราะห์ได้ในปัจจุบัน

1. ทำความเข้าใจ Big Data

Big Data หมายถึง ชุดข้อมูลที่มีขนาดใหญ่และซับซ้อนมากจนซอฟต์แวร์ประมวลผลข้อมูลแบบดั้งเดิมไม่สามารถรับมือได้ ลองนึกถึงความแตกต่างระหว่างสมุดบัญชีที่เป็นกระดาษของร้านขายของชำเล็กๆ กับรายการธุรกรรมนับพันล้านรายการที่ Amazon ประมวลผลในแต่ละวันดูนะครับ

คุณลักษณะ 4 Vs ของ Big Data

เพื่อช่วยให้จำลักษณะเฉพาะของ Big Data ได้ง่ายขึ้น ให้ลองนึกถึง 4 Vs ดังนี้ครับ:

  • Volume (ปริมาณ): ปริมาณข้อมูลมหาศาล เรากำลังพูดถึงข้อมูลในระดับเทราไบต์ (Terabytes) ไปจนถึงเพตาไบต์ (Petabytes)
  • Velocity (ความเร็ว): ความเร็วในการสร้างและประมวลผลข้อมูล ตัวอย่างเช่น ฟีดบนโซเชียลมีเดียหรือการรูดบัตรเครดิตที่เกิดขึ้นแบบเรียลไทม์
  • Variety (ความหลากหลาย): ข้อมูลมาในหลายรูปแบบ ไม่ใช่แค่ตัวเลขในตาราง Excel แต่รวมถึงรูปภาพ วิดีโอ และโพสต์บนโซเชียลมีเดียด้วย
  • Veracity (ความถูกต้อง): "ความจริงแท้" หรือคุณภาพของข้อมูล ข้อมูลนั้นแม่นยำและเราสามารถเชื่อถือเพื่อนำไปใช้ตัดสินใจได้จริงหรือไม่?

ผลกระทบต่อการจัดการผลการดำเนินงาน: Big Data ช่วยให้เกิด การติดตามผลแบบเรียลไทม์ (Real-time monitoring) แทนที่จะต้องรอรายงานผลต่าง (Variance report) เมื่อสิ้นเดือน ผู้จัดการสามารถมองเห็นประสิทธิภาพการผลิตที่ลดลงทันทีที่มันเกิดขึ้นและแก้ไขได้ในทันที

เคล็ดลับเล็กๆ: ในห้องสอบ ถ้าคุณถูกถามเกี่ยวกับ "ความท้าทาย" ของ Big Data ประเด็นเรื่อง Veracity มักจะเป็นหัวข้อที่ดีที่สุดในการอภิปราย เพราะถ้าข้อมูล "สกปรก" หรือมีความลำเอียง รายงานผลการดำเนินงานก็จะผิดพลาดตามไปด้วย!

2. กระบวนการทางวิทยาการข้อมูล (The Data Science Process)

วิทยาการข้อมูลไม่ใช่เรื่องอัศจรรย์เหนือธรรมชาติ แต่มันมีวิธีการที่เป็นตรรกะและเป็นขั้นตอน คุณจำเป็นต้องเข้าใจลำดับขั้นเหล่านี้เพื่อประเมินว่าองค์กรจัดการกับข้อมูลเชิงลึก (Insights) ได้ดีเพียงใด

ขั้นตอนที่ 1: การกำหนดเป้าหมาย (Setting the Goals)

ก่อนจะเริ่มดูข้อมูล คุณต้องรู้ก่อนว่าปัญหาที่คุณพยายามจะแก้ไขคืออะไร ตัวอย่างเช่น: "เราต้องการลดอัตราการเลิกใช้บริการของลูกค้าลง \(10\%\)"

ขั้นตอนที่ 2: การคัดเลือกข้อมูล (Selecting the Data)

การตัดสินใจว่าแหล่งข้อมูลใดบ้างที่เกี่ยวข้อง ซึ่งอาจจะเป็นข้อมูลภายใน (เช่น บันทึกการขาย) หรือข้อมูลภายนอก (เช่น สภาพอากาศ หรือราคาของคู่แข่ง)

ขั้นตอนที่ 3: การทำความสะอาดข้อมูล (Cleaning the Data)

ขั้นตอนนี้มักเป็นส่วนที่ใช้เวลามากที่สุด ข้อมูลที่ "สกปรก" (ข้อมูลซ้ำซ้อน, ผิดพลาด หรือค่าที่หายไป) ต้องถูกกำจัดออกไป ถ้าคุณข้ามขั้นตอนนี้ ผลลัพธ์ที่ได้จะเป็นแบบ "ขยะเข้า ขยะออก" (Garbage In, Garbage Out)

ขั้นตอนที่ 4: การแปลงข้อมูล (Transforming the Data)

การเปลี่ยนข้อมูลให้อยู่ในรูปแบบที่ใช้งานได้ เช่น เปลี่ยนวันที่ดิบๆ ให้เป็น "วันในสัปดาห์" เพื่อดูว่ายอดขายในวันเสาร์สูงกว่าวันปกติหรือไม่

ขั้นตอนที่ 5: การจัดเก็บข้อมูล (Storing the Data)

ข้อมูลต้องได้รับการจัดเก็บอย่างปลอดภัยและเข้าถึงเพื่อวิเคราะห์ได้ง่าย โดยมักใช้ เทคโนโลยีคลาวด์ (Cloud technology) หรือ คลังข้อมูล (Data warehouses) (ซึ่งเราจะเจาะลึกกันในบทถัดไป)

ประเด็นสำคัญ: การจัดการผลการดำเนินงานจะดีได้เท่ากับคุณภาพของข้อมูลที่อยู่เบื้องหลังเท่านั้น การข้ามขั้นตอน "ทำความสะอาด" หรือ "กำหนดเป้าหมาย" จะนำไปสู่ความผิดพลาดที่มีราคาแพง

3. ระดับการวิเคราะห์ 4 ระดับ (The Four Levels of Analytics)

ในวิชา APM คุณต้องสามารถ ประยุกต์ใช้และประเมิน การวิเคราะห์ทั้ง 4 ประเภทนี้ได้ โดยจะไล่เรียงจากการ "มองย้อนกลับไป" แบบง่ายๆ ไปจนถึงการ "มองไปข้างหน้า" ที่ซับซ้อน

ก. การวิเคราะห์แบบพรรณนา (Descriptive Analytics - "เกิดอะไรขึ้น?")

เป็นการสรุปข้อมูลในอดีต ตัวอย่างเช่น: รายงานที่แสดงว่ายอดขายลดลง \(5\%\) ในไตรมาสที่แล้ว บัญชีบริหารส่วนใหญ่ที่เราคุ้นเคยคือการวิเคราะห์ประเภทนี้ครับ

ข. การวิเคราะห์แบบวินิจฉัย (Diagnostic Analytics - "ทำไมมันถึงเกิดขึ้น?")

เป็นการเจาะลึกลงไปเพื่อหาความสัมพันธ์หรือสาเหตุ ตัวอย่างเช่น: การสังเกตว่ายอดขายตกเพราะเส้นทางขนส่งบางเส้นทางถูกปิด เป็นการมองหาความสัมพันธ์ของข้อมูล (Correlations)

ค. การวิเคราะห์แบบพยากรณ์ (Predictive Analytics - "จะเกิดอะไรขึ้น?")

การใช้ข้อมูลในอดีตเพื่อคาดการณ์อนาคต ตัวอย่างเช่น: การใช้แนวโน้มตามฤดูกาลในอดีตเพื่อพยากรณ์ว่าบริษัทต้องมีสินค้าคงคลังเพิ่มขึ้น \(20\%\) ในเดือนธันวาคม (หมายเหตุ: การวิเคราะห์การถดถอย (Regression analysis) เป็นเครื่องมือทั่วไปที่ใช้ในระดับนี้)

ง. การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics - "เราจะทำให้มันเกิดขึ้นได้อย่างไร?")

เป็นระดับที่ก้าวหน้าที่สุด ซึ่งจะแนะนำแนวทางปฏิบัติ ตัวอย่างเช่น: อัลกอริทึมที่ปรับราคาโดยอัตโนมัติทุกชั่วโมงเพื่อทำกำไรสูงสุดตามความต้องการของตลาดในขณะนั้น

การเปรียบเทียบ: ลองนึกภาพว่าคุณกำลังขับรถอยู่ Descriptive คือการมองเข็มไมล์บอกความเร็ว Diagnostic คือการเห็นไฟเตือน "น้ำมันเครื่องต่ำ" และรู้ว่าทำไมเครื่องยนต์ถึงร้อน Predictive คือการเห็นเมฆฝนข้างหน้าและรู้ว่าถนนจะลื่น และ Prescriptive คือระบบ GPS ที่บอกคุณอย่างชัดเจนว่าต้องเลี้ยวตรงไหนเพื่อเลี่ยงพายุและไปถึงที่หมายได้ทันเวลา

4. ประเภทของข้อมูลเพื่อการวิเคราะห์

การจัดการผลการดำเนินงานยุคใหม่ไม่ได้ดูแค่ตัวเลข (\(1, 2, 3\)) เท่านั้น แต่เรายังใช้ ข้อมูลแบบไม่มีโครงสร้าง (Unstructured data) เพื่อหาข้อมูลเชิงลึกได้อีกด้วย:

  • ข้อความ (Text): การวิเคราะห์รีวิวของลูกค้าหรืออีเมลเพื่อวัด "ความรู้สึก" (Sentiment) ถ้าลูกค้าใช้คำว่า "ช้า" หรือ "ผิดหวัง" ค่า Net Promoter Score (NPS) ก็มีแนวโน้มจะลดลง
  • รูปภาพ (Image): การใช้รูปภาพเพื่อตรวจสอบคุณภาพสินค้าในสายการผลิต หรือการติดตามจำนวนคนที่เดินเข้าร้านค้า
  • วิดีโอ (Video): ภาพจากกล้องวงจรปิดสามารถนำมาวิเคราะห์เพื่อดูว่าลูกค้ารอนานแค่ไหนในคิว ซึ่งเป็น ตัวชี้วัดผลการดำเนินงานที่ไม่ใช่ทางการเงิน (Non-financial performance indicator) ที่สำคัญ
  • เสียง (Voice): การวิเคราะห์เสียงบันทึกการโทรหาฝ่ายบริการลูกค้า เพื่อดูว่าพนักงานทำตามขั้นตอนหรือไม่ หรือลูกค้ามีน้ำเสียงที่หงุดหงิดหรือไม่

5. ความเสี่ยงและความท้าทาย

แม้ว่า Big Data จะฟังดูสมบูรณ์แบบ แต่มันก็มาพร้อมกับอุปสรรคสำคัญที่คุณควรระบุในคำตอบเวลาสอบ:

  • ต้นทุน (Cost): การลงทุนในเทคโนโลยีและการจ้างนักวิทยาศาสตร์ข้อมูลนั้นสูงมาก
  • ช่องว่างด้านทักษะ (Skill Gap): นักบัญชีเดิมอาจไม่มีทักษะในการตีความโมเดลข้อมูลที่ซับซ้อน
  • ข้อมูลล้นเกิน (Data Overload): ผู้จัดการอาจสับสนกับข้อมูลที่มากเกินไป (เรียกว่า "ภาวะอัมพาตทางการวิเคราะห์" หรือ Analysis paralysis) ทำให้ยากต่อการโฟกัสไปที่ ปัจจัยหลักแห่งความสำเร็จ (Critical Success Factors - CSFs)
  • ความปลอดภัยและจริยธรรม (Security and Ethics): การเก็บข้อมูลส่วนบุคคลจำนวนมหาศาลสร้างความเสี่ยงต่อการถูกโจมตีทางไซเบอร์ และประเด็นจริยธรรมเกี่ยวกับความเป็นส่วนตัว

แบบทดสอบทบทวนความรู้

ถาม: 'V' ตัวไหนที่หมายถึงความเร็วของข้อมูล?
ตอบ: Velocity

ถาม: การวิเคราะห์ประเภทใดที่บอกผู้จัดการว่าควรทำอย่างไรต่อไป?
ตอบ: การวิเคราะห์แบบให้คำแนะนำ (Prescriptive Analytics)

ถาม: ทำไม "การทำความสะอาด" ข้อมูลถึงสำคัญ?
ตอบ: เพื่อให้มั่นใจในความถูกต้องและหลีกเลี่ยงการตัดสินใจบนข้อมูลที่เป็น "ขยะ" (Veracity)

การอ้างอิงเพิ่มเติม: หากต้องการดูว่าวิธีการเหล่านี้ถูกนำไปใช้กับเทคโนโลยีเฉพาะอย่างเช่น AI หรือ Regression อย่างไร โปรดศึกษาเพิ่มเติมในบทต่อๆ ไปในส่วน D (Section D) นะครับ