ขาดสิ่งเหล่านี้ … จะเป็น Big Data ฉบับหมัดเมา (เมาหมัด)

การทำงานใดๆ ย่อมต้องมีเป้าหมายปลายทางเป็นเรื่องปกติธรรมดา. การนำเอาเทคโนโลยีหรือการจัดการข้อมูลขนาดใหญ่มาใช้ในองค์กร (Big Data Adoption) ก็ต้องมีเป้าหมายเช่นเดียวกัน. เป้าหมายในที่นี่ ผมกำลังหมายถึง Positioning ว่าเป้าหมายปลายทางของเราคืออะไร และเมื่อไหร่จะถึงจุดนั้นได้. ถ้าขาดเป้าหมายที่ชัดเจนแล้ว เราจะเหมือนคนเมาหมัด ไขว้เขวไปตามสถานการณ์ที่เปลี่ยนไป. สุดท้ายก็ยากที่จะเดินไปถึงเป้าหมายที่วางไว้ได้. ทั้งงบประมาณ การลงทุน การพัฒนาบุคลากร และต้นทุนต่างๆ ที่ได้ลงทุนลงแรงไป ก็อาจดูไม่คุ้มค่า หรืออาจดูสูญเปล่าไปเลย!

Business Model Maturity เป็นเครื่องมือหนึ่งในหลายๆ ตัว ที่เรานำมาใช้ตรวจเช็คตัวเราได้ว่า ขณะนี้เราอยู่ที่ไหน และปลายทางคืออะไร. Business Model Maturity กล่าวถึงพัฒนาการขององค์กรที่ทำ Big Data ว่ามี 5 ระดับ. ประกอบด้วย Business Monitoring, Business Insight, Business Optimization, Data Monetization และ Business Metamorphosis. ไม่ใช่ว่าทุกองค์กรจะต้องมีเป้าหมายเป็นระดับสุดท้าย Business Metamorphosis เสมอไป องค์กรภาครัฐก่อตั้งขึ้นมาจากบทบัญญัติของกฎหมาย การ Transform เข้าสู่ Domain ใหม่ๆ จึงอาจเป็นเรื่องที่ยากยิ่ง. ดังนั้นการ Positioning ตาม Business Model Maturity ควรจะต้องสอดคล้องกับวิสัยทัศน์ พันธกิจ เป้าประสงค์ตามแผนยุทธฯ ขององค์กรด้วย. จากนี้เรามาดูกันว่า Business Model Maturity ในแต่ละแบบ มีรายละเอียดอย่างไรบ้าง.

(1) Business Monitoring: ธุรกิจควรจะมีการ Monitor Key Business Process เช่น ถ้าเป็น Finance ก็อาจหมายถึง ปริมาณหนี้เสีย Non-Performing Loan. ธุรกิจควรมีกลไกการแจ้งเตือนล่วงหน้า ทำ Early Warning เพื่อจะไป Active การทำงานอื่นๆ เช่น การปรับโครงสร้างหนี้ใหม่, มี Strategy ในการตามหนี้แบบใหม่ๆ เป็นต้น.

(2) Business Insight: เป็นการต่อยอดจาก monitoring เมื่อทราบแล้วว่า มี​ NPL เกิดขึ้น ก็ควรจะต้องรู้ว่าอะไรเป็นปัจจัยให้เกิด. ในระดับมหภาค ถ้าเป็นธุรกิจปล่อยกู้ SME ปัจจัยที่สำคัญที่ก่อให้เกิด NPL คือ สถานะการเงิน (ดูงบการเงิน) การจ้างงาน (ประกันสังคม) การส่งออก (ศุลกากร) อัตราดอกเบี้ย ภาวะเงินเฟ้อ ไปจนถึงเรื่องโรคภัยไข้เจ็บ เช่น Covid. แต่มันก็ไม่ง่ายที่จะวิเคราะห์ เพราะข้อมูลที่ได้มามันอาจจะยังไม่ Clean หรือเป็น Unstructured. ถ้า Clean and Integrated กันเรียบร้อยแล้ว ก็อาจนำมาวิเคราะห์ด้วยเทคนิคง่ายๆ เช่น Correlation Analysis ไปจนถึงเทคนิคที่มีความซับซ้อน เช่น Graph Analysis คือดูสาเหตุจริงๆ ในเชิง Causality Analysis

(3) Business Optimization: Engagement ของลูกค้าต้องดีขึ้น. ในทางธุรกิจนั้นต้องทำให้ยิ่งกว่า มีการภักดีต่อ Brand อันนี้ต้องมองเป็นระดับ Personal ต่างจาก Monitoring และ Insight. ดังนั้น เพื่อให้บรรลุในข้อนี้ ธุรกิจควรต้องมี Service/Product Recommendation. ลูกค้าเดินเข้าธนาคารมา ไม่ต้องถามเลยว่า จะมาทำอะไร ยิ่งช่วงนี้ด้วยแล้ว นำเสนอเลยว่า แผนประกันโควิดแบบไหน มีความเหมาะสมกับลูกค้าเพราะอะไร. Business Optimization คงไม่ใช่แค่ Diagnostic, Descriptive ทำ BI / Correlation แต่ต้องทำ Predictive Analytics เลย เช่น ใช้ Algorithm: Alternating Least Square ใช้ Matrix Factorization ค้นหา Product ที่คาดว่าจะโดนใจลูกค้า เป็นต้น.

(4) Data Monetization: ธุรกิจจะยืนอยู่ในจุดนี้ได้ ต้องมี New Product/Service ที่สามารถสร้างรายได้จากข้อมูล เช่น ปัจจุบัน Grab มีผลิตภัณฑ์ใหม่แล้ว คือ Personal Loan. ต่อไปจากนี้ไปเมื่อคิดถึงเงินอาจต้องคิดถึง Grab. ที่เค้าทำได้ก็เพราะเดิม Grab มีการวิเคราะห์พฤติกรรม คนอยากขับรถ กับ คนอยากนั่งรถ แล้ว Grap ก็พาสองคนนี้มาเจอกันเกิดเป็น Service Platform ทางด้าน Transportation. ในระหว่างนั้น Grab ก็ทราบสถานะทางการเงินของคนขับรถไปด้วยจากข้อมูลที่มาจาก Mobile Application เพราะรู้รายได้จากการขับ รู้ว่าแวะตรงไหนบ้างที่พอจะอนุมานรายจ่ายบางส่วนได้. ดังนั้น Grab จึงมีโอกาสใช้ข้อมูลเหล่านี้ มาทำ Predictive Analytics เป็น Scoring ของความสามารถในการชำระคืนหนี้ได้. วันนี้ Grab ก็มาจับมือกับ KBank ปล่อยกู้พี่วินแล้วเมื่อปลายปี 2018 นี้เอง.

(5) Business Metamorphosis: นี่คือขั้นสุดท้ายของ Maturity Model ที่ธุรกิจเข้าสู่ Area ใหม่ๆ หรืออาจเป็น Domain ใหม่ๆ ไป เลย. เช่น SCB ลดบทบาทความเป็นธนาคารลง แล้วไปสร้าง SCB Abacus ทำ Big Data Analytics ทำ AI. ดังนั้น จากผลิตภัณฑ์ด้านการเงิน ก็เป็นผลิตภัณฑ์ด้าน Technology. Business Model ของเค้าก็เปลี่ยนจากส่วนใหญ่เป็น B2C เป็น B2B มากขึ้น. ลูกค้าทั่วๆ ไป ที่มาฝากเงิน ก็เป็นเป็นมุ่งลูกค้าที่ต้องการบริการด้าน Fin. Tech มากขึ้น เป็นต้น.

มาถึงจุดนี้เราอาจเกิดขึ้นคำถามว่า เราสามารถทำ Big Data แบบก้าวกระโดดจากจุดเริ่มต้นไปเป้าหมายสุดท้ายได้เลยมั้ย ขอตอบจากประสบการณ์ว่า ยากมาก. อาจจะมีนะ แต่ผมไม่เคยเห็นเลย อีกทั้งทุกตำราที่ศึกษามาก็ยืนยันเช่นนั้น. เมื่อเป็นเช่นนี้แล้ว เราต้องทำอะไรบ้าง … เพื่อให้ก้าวข้ามผ่านแต่ละจุดได้. ต่อไปนี้เป็นคำแนะนำเล็กๆ น้อยๆ ที่อยากฝากไว้ในตอนท้าย

(1) Big Data Initiative: ต้องเล่นกับข้อมูลที่ไม่เคยเล่นมาก่อน ไม่เคยคิดว่ามันจะเอามาทำอะไรได้ วันนี้ต้องหยิบมาหาประโยชน์ให้ได้ โดยเฉพาะอย่างยิ่งในระดับ Strategic ยังคงมองเรื่องการบริการลูกค้าที่ดีขึ้น ลดต้นทุน และสนับสนุนการตัดสินใจของผู้บริหาร แบบนี้ก็จะช่วยให้เกิดการ “buy-in” ไอเดียของเราได้มากขึ้น.

(2) ถ้าคิดจะ Do Insight and Go Monetization แล้ว ต้องมี Complex Analytics, AI ด้วย เป็นต้น.

(3) Preparing for Transformation: Disruptive มีอยู่จริง (และเกิดขึ้นแล้ว) องค์กรต้องปรับตัว มุ่งสู่สิ่งใหม่ๆ แต่อย่ามุ่ง Values อย่างเดียว. องค์ต้องมีการทำ Data Governance และมีแนวทางการตัดสินใจ หรือแนวปฏิบัติว่าจะใช้ข้อมูลโดยไม่มีปัญหาตามมาได้อย่างไรด้วย มิเช่นนั้นแล้ว จาก “Business Values” ที่เราได้รับ จะมีของแถมมาด้วย นั่นคือ “Legal Burden”

--

--

Experienced Senior Big Data & Data Science Consultant with a history of working in many enterprises and various domains . Skilled in Apache Spark, and Hadoop.

Love podcasts or audiobooks? Learn on the go with our new app.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store
Aekanun Thongtae

Aekanun Thongtae

Experienced Senior Big Data & Data Science Consultant with a history of working in many enterprises and various domains . Skilled in Apache Spark, and Hadoop.