ณภัทร จาตุศรีพิทักษ์ Founder & CEO บริษัท สยามเมทริกซ์ คอนซัลติ้ง จำกัด (www.siametrics.com) และ บล็อกเกอร์ที่ www.settakid.com
เป็นเวลากว่า 3 ปีแล้วที่ผู้เขียนเขียนเกี่ยวกับอานุภาพของเทคโนโลยี big data ไว้ที่ Thaipublica รู้สึกดี ที่ได้เห็นว่า ณ ปัจจุบันได้มีการนำเทคโนโลยีอื่นๆ ที่ข้องเกี่ยวกับข้อมูล เช่น ปัญญาประดิษฐ์ (AI) และบล็อกเชน มาเริ่มใช้เพื่อขับเคลื่อนองค์กรไปข้างหน้า ทั้งในภาครัฐ ภาคเอกชน และภาควิจัย
หากเราเพิ่มความต่อเนื่องของการต่อยอดจาก big data ไปให้ถึงฝั่งได้จริง การทำงานขององค์กรในประเทศไทยจะมีประสิทธิภาพขึ้นอย่างมหาศาล (efficiency gain) ไม่ว่าจะเป็นการลดต้นทุนในการทำงาน หรือการให้บริการที่มีคุณภาพที่ดีขึ้นกับผู้บริโภค (value to consumers) โดยที่ไม่จำเป็นต้องผลิตสินค้าหรือเสนอบริการใหม่เลย เพียงทำของเก่าที่มีแต่เดิมให้ดีขึ้น ก็ถือเป็นความก้าวหน้าที่เยี่ยมยอด และหากต่อยอด big data ไปสู่สินค้าและบริการหรือโมเดลธุรกิจใหม่ได้ นั่นถือเป็นโบนัส
ปัญหาอยู่ที่ว่า การประยุกต์ศาสตร์ที่เราเรียกกันว่า “data science” เพื่อเล่นแร่แปรข้อมูลไปสู่คุณค่าต่อผู้บริโภค ผู้ถือหุ้น และประชาชนทั่วไปนั้นมีความท้าทายสูงมาก เพียงแก้โจทย์ data science ให้สำเร็จบนคอมพิวเตอร์ก็ยากแล้ว และในอนาคตอันใกล้จะมีคนไม่มากไปกว่า 0.1% ของประชากรที่จะสามารถแก้โจทย์จำพวกนี้ได้ อีกทั้งการ scale สิ่งเหล่านี้ไปให้ทั่วประเทศ ทุกสาขา เพื่อให้ผู้รับประโยชน์ได้รับประโยชน์จริง ยังต้องผ่านการประชุมและการร่วมตัดสินใจของคนหลายร้อยคนในองค์กร ซึ่งบ้างก็เข้าใจบางส่วนเกี่ยวกับ data science บ้างก็ไม่เข้าใจเลย จึงไม่ประหลาดที่เราก็ได้เห็นบางโครงการ data sciene ล่มสลายหรือถูกลืมหายไปกันเหมือนกัน
จากการให้คำปรึกษาและการทำโครงการเพื่อต่อยอด big data ให้กับหลายองค์กร ผู้เขียนมองว่ามีอยู่ 4 ปัจจัยที่มีส่วนสำคัญในการชี้ว่าโครงการหรือแผนการที่เกี่ยวเนื่องกับ data science จะล่มไม่เป็นท่า หรือจะรุ่งและสร้างคุณค่าที่จับต้องได้จริงให้กับองค์กรในที่สุด
1. ต้องมีกลยุทธ์ข้อมูลที่ควบคู่กับแผนองค์กร
ในยุคเศรษฐกิจใหม่ที่เราเรียกกันอย่างติดปากว่า “ยุค 4.0” คงปฏิเสธไม่ได้อีกต่อไปว่าข้อมูลคือเชื้อเพลิงในการขับเคลื่อนองค์กรให้อยู่รอดในมรสุมคลื่นเทคโนโลยีที่ถาโถมเข้ามา distrupt ธุรกิจเล็กใหญ่กันอย่างไม่หยุดยั้ง
สิ่งที่สำคัญที่สุดวันนี้จึงไม่ใช่แค่ “การเป็นเจ้าของ” หรือ “การลงทุน” ในเทคโนโลยีเหล่านั้น
แต่คือการวาง “กลยุทธ์ข้อมูล” ที่จะช่วยทำให้องค์กรขี่อยู่บนคลื่นเทคโนโลยีเหล่านี้ และอยู่เหนือคู่แข่งที่กำลังถูกกลืนหายไป
คำถามคือทำไมถึงต้องมีกลยุทธ์ข้อมูล? ทำไมมีแค่ฐานข้อมูล มีเทคโนโลยี หรือมีแพลตฟอร์ม big data แล้วยังไม่พอ?
เหตุผลแรก คือข้อมูลเป็นพื้นฐานสำคัญของการใช้เทคโนโลยี AI เพราะว่า ณ ปัจจุบัน สมองกลยังคงต้องเรียนรู้จาก “ตัวอย่าง” เหมือนดั่งเด็กแรกเกิดที่ไม่มีความเข้าใจโลกอะไรใดๆ ทั้งสิ้น จำเป็นต้องเรียนรู้และฝึกฝนจากสิ่งแวดล้อมและผู้เลี้ยงดู จึงจะทำหน้าที่ได้เหมือนมนุษย์ และเมื่อถูกฝึกฝนอย่างไม่รู้จบ ผ่านการเห็นตัวอย่างและแพทเทิร์นข้อมูลมากพอ มันจะสามารถทำหน้าที่นั้นได้ดีกว่าผู้สอนที่เป็นมนุษย์เสียอีก
การเอาชนะมนุษย์ในเกมหมากล้อม การแยกภาพถ่ายว่าเป็นสุนัขหรือแมว การตรวจจับพฤติกรรมฉ้อโกง ไปจนถึงการพิจารณาให้สินเชื่อผ่านมือถือภายในครึ่งนาที ล้วนแต่ยังต้องมีวัตถุดิบเป็นข้อมูลหรือแพทเทิร์นในอดีตให้สมองกลเรียนรู้ทั้งสิ้น การวางกลยุทธ์ข้อมูลเพื่อต่อยอดแผนองค์กรหรือแผนธุรกิจด้วย AI จึงมีความสำคัญยิ่ง
เหตุผลที่สอง คือข้อมูลเป็นเชื้อเพลิงธุรกิจที่มีความซับซ้อนและละเอียดอ่อนกว่าน้ำมัน ไฟฟ้าหรือพลังไอน้ำที่เคยขับเคลื่อนธุรกิจและสังคมในช่วงร้อยปีที่ผ่านมาโดยสิ้นเชิง จำเป็นที่จะต้องมีการวางแผนแบบ future proof โดยยังคำนึงถึงเป้าหมายองค์กรเป็นที่มั่น
หนึ่ง คือข้อมูลเป็นทรัพยากรที่ใช้แล้วไม่มีวันหมด การเก็บข้อมูลไปเรื่อยๆ โดยไม่มีจุดหมายชัดเจนจึงเป็นการสร้างต้นทุนอันมหาศาลโดยไม่จำเป็น
สอง คือข้อมูลสามารถถูกปลอมแปลงได้อย่างแยบยลและมีต้นทุนในการตรวจสอบความถูกต้อง ทำให้การทำสัญญาแลกเปลี่ยนหรือซื้อขายข้อมูลเพื่อนำไปสร้างมูลค่าเพิ่มต่อ มีความซับซ้อนและความเสี่ยง
และสาม คือข้อมูลสามารถถูกนำไปใช้ในการตัดสินใจอย่างผิดๆ ได้ง่ายเสียยิ่งกว่าการนำไปใช้อย่างถูกต้อง อีกทั้งหากยังอาจก่อให้เกิดความเสี่ยงทางกฎหมายอีกด้วย
คุณไม่เคยเห็นน้ำมันที่ใช้ได้แบบไม่มีวันหมด น้ำมันที่ปลอมแปลงจนวิศวกรแยกไม่ออก น้ำมันที่เติมแล้วรถไม่วิ่ง หรือ น้ำมันที่โวยวายว่าคุณละเมิดสิทธิส่วนบุคคลของมันใช่ไหมล่ะครับ
ด้วยเหตุนี้ผู้นำองค์กรจึงจำเป็นที่จะต้องวางแผนกลยุทธ์ข้อมูลให้สอดคล้องกับแผนองค์กรในอนาคต ว่าต้องการเก็บข้อมูลชนิดใด เพื่อประโยชน์อันใด ต้องการบุคลากรแบบใด เพื่อให้การนำข้อมูลไปใช้นั้นตอบโจทย์ในภาพกว้างได้ดีที่สุด โดยปิดช่องความเสี่ยงได้มากที่สุด
เหตุผลที่สาม คือการขับเคลื่อนองค์กรด้วย data science จะต้องการซัพพอร์ตจากรอบด้าน ไม่ว่าจะเป็นกฎหมาย การเงิน ทรัพยากรบุคคล การตลาด ฯลฯ การ align ผู้บริหารและ stakeholders ให้ครบในการวางกลยุทธ์ว่าทำ data science เพื่ออะไร จะทำให้โอกาสล้มเหลวต่ำลง
ธรรมชาติของโจทย์ data science มักจะมีวิธีไปถึงคำตอบให้จงได้ ไม่ว่าจะผ่านการซื้อข้อมูล จ้าง vendor จ้างคนมาทำโจทย์ต่างๆ นานา
แต่ธรรมชาติของการดำเนินงานในองค์กร จะต้องผ่านมนุษย์หลายสิบ หลายร้อยคน เส้นทางมักไม่เรียบง่ายเหมือนการแก้โจทย์เลขที่มาแบบชัดเจน ว่าอะไรคือคำถาม อะไรคือตัวแปร อะไรคือคำตอบ
หากไม่มีกลยุทธ์ข้อมูลที่วางไว้อย่างชัดเจนตั้งแต่แรก ในสภาพแวดล้อมแบบนี้จึงเป็นไปได้อย่างยิ่งที่โครงการ data science จะไปไม่ถึงฝั่น การตั้งโจทย์ data science อาจถูกตั้งผิดแต่แรก เพราะไม่สอดคล้องกับเป้าหมายธุรกิจในภาพใหญ่ เมื่อโครงการเสร็จสิ้นจึงอาจไม่ถูกนำมาใช้จริงเนื่องจากไม่เคยได้ buy-in จากผู้บริหารและ stakeholders หมู่มาก หรือบางโจทย์ ตั้งโจทย์ตรงจุด มี high impact แต่เป็นโจทย์ที่ยังไม่ถึงเวลาแก้เพราะข้อมูลยังไม่พร้อม หรือ ผู้คนในองค์กรยังไม่พร้อมเปลี่ยนแปลงระบบการทำงานและโอบรับวิถีใหม่นี้
ดังนั้นสำหรับหลายๆ องค์กรแล้ว ผู้เขียนมองว่าจะดีที่สุดถ้าเริ่มจากการเก็บ low hanging fruit ที่สอดคล้องกับแผนองค์กรในภาพกว้างก่อน เพื่อพิสูจน์ว่าการเดินทางบนเส้นทาง Big Data ขององค์กรกำลังมาถูกทางและคุ้มค่าแก่การจัดสรรทรัพยากรเพิ่ม
2. เข้าใจว่า AI ไม่ใช่คำตอบของทุกสรรพสิ่ง
ณ เวลานี้ ไม่มีเทคโนโลยีไหนได้รับ media attention มากเท่ากับ AI อารมณ์คล้ายกับเมื่อตอนบล็อกเชนกำลังมาแรง จะเห็นได้ว่าแทบจะทุกสตาร์ทอัพจะต้องบอกว่ามีแผนจะใช้บล็อกเชนทั้งๆ ที่จริงๆ แล้วอาจได้ไม่ได้มีความจำเป็นนัก
ผลดีของความฮือฮาเกี่ยวกับ AI คือเป็นการสร้างความตื่นตัวให้กับองค์กร แต่ผลเสียที่ตามมาคือกลายเป็นการสร้างความเข้าใจผิดว่า AI เป็นเหมือนไพ่ตายที่ควรจะทุ่มทั้งหน้าตักเพื่อให้ได้มันมา และจะพยายามใช้มันเพื่อแก้ปัญหายากๆ ที่แก้ไม่ได้มานาน
ผู้เขียนคิดว่าเกินครึ่งของปัญหาอันดับต้นๆ ขององค์กรไทยไม่ได้แก้ได้ด้วย AI แต่แก้ด้วยกรรมวิธีอัตโนมืออื่นๆ ในการปรับระบบ governance และวัฒนธรรมองค์กร
ยกตัวอย่าง เช่น การคัดเลือกหรือเชิญผู้บริหารออกให้มีประสิทธิภาพขึ้น การกำหนด KPI/OKR ใหม่ หรือการรื้อวิธีเก่าและคิดวิธีการทำงานใหม่
ซ้ำร้ายในบางกรณีที่ AI ช่วยได้ในการ automate กระบวนการบางอย่าง จริงๆ แล้วมันอาจเป็นกระบวนการเก่าๆ อันเลวร้าย ซึ่งไม่ควรถูก automate แต่ควรถูกรื้อด้วยซ้ำไป
ที่สำคัญที่สุดคือ แม้กระทั่งปัญหาที่เกี่ยวข้องกับข้อมูลตรงๆ ก็ไม่ใช่ว่าจะเหมาะสมที่สุดที่จะใช้เทคนิคจากฝั่ง AI เสมอไป โดยเฉพาะในแขนงการเรียนรู้ของเครื่อง (machine learning)
เหตุผลแรกคือหลายโจทย์ข้อมูลในระดับองค์กรไม่ได้ต้องการการวิเคราะห์ด้วยเทคนิคขั้นสูงที่ซับซ้อน เพียงต้องการการแสดงผลและตีความผลบนพื้นฐานสถิติที่ถูกต้องเท่านั้น
“เราต้องการ visualization ที่ดี ไม่ยั้วเยี้ย ข้อมูลไม่ผิดพลาด” นี่คือ pain point ที่แก้ง่ายกว่าการสร้างแบบจำลองอันซับซ้อน
สองสิ่งที่ผู้เขียนมองว่าสำคัญที่สุดในมุมมองนี้คือการดีไซน์แดชบอร์ดดีๆ ให้อ่านแล้วตัดสินใจง่าย และการปลูกฝังความเข้าใจหลักสถิติพื้นฐาน เช่น ความแตกต่างระหว่าง sample กับ population หรือ ความแตกต่างระหว่าง standard deviation กับ standard error ซึ่งผู้เขียนหวังว่าสองสิ่งนี้อันเป็นพื้นฐานของการวิเคราะห์ข้อมูลจะไม่หายไปในหมู่คนรุ่นใหม่ที่อาจถูกดึงดูดไปสนใจเทคนิคใหม่ๆ ที่ดูหวือหวากว่า
เหตุผลที่สองคือโจทย์จำนวนมากมักมีไส้ในคือความเป็นเหตุผล (causality) ไม่ใช่แค่ความเกี่ยวโยง (correlation) โจทย์จำพวกนี้มักอยู่ในรูปแบบของประโยคคำถามดังนี้
“การเทรนพนักงานครั้งใหญ่ที่พัทยา คุ้มไหม ทำให้พวกเค้าเก่งขึ้นหรืออยู่กับเรานานขึ้นไหม”
“ถ้าเราลดราคา 10% หรือ 20% ยอดขายสินค้านี้จะเพิ่มแค่ไหน”
“ระบบแก้หนี้เสียอันใหม่ของเรา ลดภาระหนี้ลงได้กี่ %”
“ลงทุนกับ influencer หรือทำ marketing event คุ้มค่ากว่ากัน”
“สินค้า B ที่ออกใหม่ มันมากัดกินยอดขายของสินค้า A หรือไม่”
ทั้งหมดนี้ให้ความสนใจไปที่ความสัมพันธ์ระหว่าง x กับ y “ถ้าเราทำ x มันจะกระทบ y แค่ไหน” ซึ่งแม้ปัจจุบันจะมีสาขาย่อยของ machine learning ชื่อว่า causality inference สาขานี้ยังอยู่ในช่วงฟักตัว และผู้เขียนเองยังไม่เคยได้ยินว่ามีการนำมาใช้อย่างแพร่หลายนอกวงการวิชาการ
การแก้โจทย์จำพวกนี้โดยปกติจำเป็นต้องทำการทดลอง เช่น สมมุติว่าต้องการทราบว่าการออกสินค้า B มันกระทบยอดขายสินค้า A แค่ไหน ก็ต้องแบ่งเป็น control และ experiment group แล้วทดสอบว่าเกิดความแตกต่างในยอดขายสินค้า A เพียงใด
ในโลกธุรกิจ (โดยเฉพาะธุรกิจหรือองค์กรที่ยังมี offline operations มาก) การแบ่ง control และ experiment group อาจมีต้นทุน (ทั้งทางเงินตราและทางเวลา) สูงเกินไป
แต่ก็ไม่ได้แปลว่าจะแก้ปัญหานี้ไม่ได้
แขนงหนึ่งของสาขาเศรษฐศาสตร์ applied microeconomics เสนอทางเลือกให้พอสมควรในการจำลองการทดลอง (ทั้งๆ ที่ไม่เคยมีการทดลองเกิดขึ้น) เช่น การผสมเทคนิค Difference-in-differences และ synthetic control (สร้าง control group เทียม) หรือการทำ encouragement design instrument อย่างชาญฉลาด (สุ่มเชิญพนักงานว่าสนใจไปเทรนนิ่งที่พัทยาไหม เพื่อสร้าง treatment group ที่ใสสะอาด)
ซึ่งปัจจุบันผู้เขียนเองได้นำเทคนิคเหล่านี้มาใช้นอกวงการวิชาการแล้ว (ในวงการวิชาการมักใช้วัดผลของนโยบายสาธารณะ เช่น นโยบายการศึกษาหรือนโยบายการพัฒนาเศรษฐกิจ)
ในต่างประเทศ บริษัท e-commerce ยักษ์ใหญ่อย่าง Amazon ขณะนี้ก็มีทีมนักเศรษฐศาสตร์ดีกรีปริญญาเอกร่วม 200 คนที่ทำหน้าที่ตอบคำถามเชิง causation เหล่านี้ แยกจากการตอบคำถามเชิง correlation และเชิงพยากรณ์ที่มักทำโดยทีม machine learning
โดยศึกษาโจทย์ เช่น การตั้งราคาค่าส่งของไว้ที่ x ดอลลาร์มีผลแค่ไหนกับพฤติกรรมของผู้ขาย ซึ่งโดยปกติผู้ขายจะถูกแมทช์กับคลังส่งสินค้าที่ใกล้ที่สุด ซึ่งถ้าบังเอิญระยะทางมันไกลกว่า y ไมล์ ก็จะถูกชาร์จค่าส่ง แต่ถ้าใกล้กว่า y ไมล์จะไม่ถูกคิดเงิน วิธีวัดผลของการคิดราคาระยะทางนี้ทำโดยใช้เทคนิคทางเศรษฐมิติชื่อ regression discontinuity design (RDD) โดยทำการเปรียบเทียบพฤติกรรมของผู้ขายที่อยู่ใกล้คลังส่งสินค้าพอๆ กันแต่เพียงผู้ขายบางรายไกลไปนิดเดียวเลยโดนคิดค่าระยะทาง ผลลัพธ์ของการหาคำตอบจากโจทย์นี้และอีกหลายๆ โจทย์ทำให้ Amazon ทราบว่าเขาควรจะปรับเปลี่ยนนโยบายอะไรจึงจะดีที่สุด ซึ่งท้ายสุดคำตอบนี้จะเปลี่ยนเป็นเงินและคุณค่าแก่ผู้ถือหุ้น
3. ลงทุนในคนสำคัญกว่าลงทุนในเครื่อง
เปลี่ยนเทคโนโลยีเปลี่ยนง่าย เปลี่ยนคนเปลี่ยนยาก
จริงอยู่ที่เทคโนโลยีเป็นส่วนสำคัญของ digital transformation แต่ปัจจัยที่สำคัญที่สุดในการเปลี่ยนองค์กรในยุคข้อมูล big data ก็ยังคงเป็นคนในองค์กร ว่าคนในองค์กรต่อยอดจาก big data ได้แค่ไหน (capability) และองค์กรจะสรรหาและรักษา talent ข้อมูลได้ดีเพียงใด (recruitment and retention)
ผู้บริหารเชิงข้อมูล (data executive) เป็นตำแหน่งที่สำคัญที่สุดและควรถูกแต่งตั้งเป็นอันดับแรก ไม่ใช่สร้างทีมจาก working level เพราะผู้บริหารเชิงข้อมูลจะทราบว่าอะไรควรและไม่ควรนำเข้ามาใช้ในองค์กร (ที่ราคาเท่าไร) อะไรควรทำก่อนหลัง และอะไรที่จะเข้ากับโหมดการทำงานในวัฒนธรรมองค์กรของตัวเอง ได้ผู้บริหารข้อมูลดีๆ แล้วสิ่งดีๆ จะตามมา เนื่องจากงาน data science เป็นงานที่มีลักษณะค่อนข้าง end-to-end ดีไซน์ดีก็ดีทั้งยวง ดีไซน์แย่ก็จบทั้งยวง ทั้งโครงการและทีม
ผู้บริหารในสายงานอื่น สมัยก่อนอาจไม่จำเป็นต้องทราบเรื่อง IT เทคโนโลยี ปัญหาของทุกวันนี้คือ IT เทคโนโลยีมันมีแสนยานุภาพมากพอที่ถ้าคู่แข่งทำได้ดีมากๆ จะบดขยี้บริษัทที่ล่าช้าหรือไปไม่ถูกทางได้ง่ายๆ
ยกตัวอย่างคือการปล่อยสินเชื่อด้วย AI โดยปกติธนาคารต้องใช้คนหลักร้อยถึงหลักพันในการบริหารธุรกิจแบบนี้ ทว่าในโลกข้างหน้าทีมสินเชื่อ AI อาจมีไม่ถึง 20 คน (หรือมี 0 คน) และมีต้นทุนในการวิเคราะห์ความเสี่ยงที่ลดลงอย่างไม่น่าเชื่อ การลงทุนพัฒนาความรู้เชิงข้อมูลในสายงานอื่นจึงมีความสำคัญเช่นกัน
ส่วนในฝั่งบริหารทรัพยากรบุคคล ปัญหาคอขวดอันดับหนึ่งคือการตั้งเกณฑ์ค่าตอบแทนสำหรับทักษะยุคดิจิทัล ซึ่งนับวันจะสูงเกินเกณฑ์ของหลายองค์กรขึ้นไปเรื่อยๆ เผลอๆ สูงกว่าค่าตอบแทนผู้บริหารที่ทำงานมาหลายสิบปี หรือสูงกว่า CEO
จริงอยู่ว่าบางทีค่าตอบแทนก็มีความเฟ้อในตัวมัน แต่หลักการแก้ปัญหาที่ถูกต้อง ไม่ใช่การยึดกับกรอบค่าตอบแทนเดิม แต่เป็นการวิเคราะห์ว่าทักษะที่องค์กรพยายามจะจ้างมาน่าจะมีผลตอบแทนที่คุ้มค่าต่อองค์กรจริงหรือไม่ และองค์กรกำลังขาดแคลนทักษะนี้จริงๆ ใช่หรือไม่
ปัญหาอันดับสองคือการรักษา talent ด้าน data science ในเมื่อมีการขาดตลาดในระดับนี้ฝ่ายทรัพยากรบุคคลควรให้ความดูแลเอาใจใส่อย่างดีที่สุด เพราะนอกจากค่าตอบแทนทางเงินตราแล้ว ยังมีอีกหลายสิ่งที่กระทบต่อโอกาสที่จะสามารถรักษาพนักงานเหล่านี้ได้ นั่นคือ impact ที่งานของเขาได้สร้างแก่โลกจริง (ไม่ขึ้นหิ้ง) ความท้าทายของงาน (ไม่ใช่ถูกจ้างมาให้ทำงาน routine) และ ความสนุกกับงาน
4. วัฒนธรรมข้อมูลสำคัญที่สุด
การมีเครื่องกล มีทรัพยากรบุคคล หรือมีข้อมูลเป็นที่ครอบครองนั้นก็ยังไม่พอต่อการดึงประสิทธิภาพออกมาจาก “ทุน” ทั้งสามประเภทนี้
แต่สิ่งสำคัญที่สุดที่ขาดไปและหาซื้อที่ไหนไม่ได้ในเร็ววัน คือวัฒนธรรมที่ผู้เขียนขอเรียกมันว่า “Data-driven Culture” หรือ วัฒนธรรมเชิงข้อมูล
นักเศรษฐศาสตร์มักแหย่กันอย่างสนุกๆ ว่าถ้าอธิบายปรากฎการณ์เศรษฐกิจอะไรบางอย่างไม่ได้ ให้คิดเล่นๆ ว่าคงเป็นเพราะวัฒนธรรมที่แตกต่างกระมัง
แต่ในบริบทของการเค้นประสิทธิภาพออกมาจากการลงทุนในเทคโนโลยีใหม่ๆ นี้ Data-driven culture เป็นปัจจัยหลักในการชี้ชะตา ว่าโครงการใหม่ๆ จะไปรอดหรือไม่
วัฒนธรรมเชิงข้อมูลที่ว่านี้ไม่สำคัญนักว่าทุกคนในองค์กรจะสามารถเขียนโค้ด python ทำโมเดล machine learning ได้หมดทุกคน แต่สำคัญว่าทุกคนมีแนวคิดแบบเดียวกัน
แนวคิดที่ว่านี้เกี่ยวกับ “ความต้องการทราบถึงความจริงบนพื้นฐานของข้อมูลและปฏิบัติตามนั้น” จุดนี้อาจจะฟังดูปรัชญาเกินไปสำหรับโลกธุรกิจ แต่ผู้เขียนคิดว่ามันเป็นตัวชี้เป็นชี้ตายว่าใครจะ transform และใครจะยังคงหลอกตัวเองอยู่ในโลก 1.0
“ความจริง” ในที่นี้หมายถึงข้อเท็จจริงว่าอะไรเกิดขึ้น และอะไรทำให้อะไรเกิดขึ้น
ขยายความอีกนิด สำหรับ “อะไรเกิดขึ้น” ก็คือ เวลามีคนพูดว่า “เดือนที่แล้วยอดขายจากสาขา ก. ไก่ อยู่ที่หกแสนบาท” องค์กรจะต้องมีวิธีพิสูจน์ว่านั่นคือความจริง ไม่ใช่สี่แสน ห้าแสน แต่เป็นหกแสนบาท ในหลายๆ บริบท การพิสูจน์แบบนี้ทำได้ค่อนข้างง่าย เช่น การนับยอดขาย หรือ การคำนวนหนี้เสีย เพราะส่วนใหญ่เป็นอะไรที่จับต้องได้และถูกวัดโดยเครื่องจักร
ที่ยากกว่าคือข้อเท็จจริงที่วัดยากขึ้นมาอีกระดับ เช่น “เดือนที่แล้วพนักงานเราทำงานได้ค่อนข้างดี” ซึ่งควรวัดด้วยระบบ job performance rating บางอย่าง ไม่ควรมาจากแค่การสังเกตโดยผู้บังคับบัญชาคนเดียว
สิ่งที่ยากที่สุดคือการเข้าถึงความจริงของ “อะไรทำให้อะไรเกิดขึ้น” เช่น “อะไรทำให้ยอดขายของสาขา ก.ไก่ตกในเดือนที่แล้ว” หรือ “การให้โบนัส 2.2 เท่าทำให้พนักงานลาออกน้อยลงและตั้งใจทำงานขึ้นแค่ไหน” คำถามเหล่านี้ตอบยากกว่าคำถามประเภท “อะไรเกิดขึ้น” หลายเท่า เนื่องจากมันไม่ใช่แค่ต้องพิสูจน์ความจริงเกี่ยวกับสิ่งสองสิ่ง การจะพิสูจน์ว่าการให้โบนัส 2.2 เท่าแล้วเกิดผลดีจริงนั้น มันต้องทำให้เราคิดถึงปัจจัยอื่นๆ ที่อาจจะทำให้พนักงานทำงานดีขึ้นที่ไม่ได้เกี่ยวกับการให้โบนัสด้วย เช่น สุขภาพของพนักงาน engagement ของพนักงาน ฯลฯ เพื่อที่ท้ายสุดจะได้สรุปได้ว่า 2.2 เท่าดีแล้ว หรือควรเป็น 2.3 เท่า หรือจริงๆ 1.7 เท่าก็พอ
ในอดีตการตอบคำถามเหล่านี้มักต้องพึ่งพาประสบการณ์ของหัวหน้าและตนเอง เช่น “ดูจากความทรงจำแล้ว ทุกๆ ครั้งที่เราเพิ่มหรือลดโบนัสแล้วมันเกิดอะไรขึ้นบ้าง” ผู้เขียนเข้าใจว่าวิธีเหล่านี้ก็ยังมีคุณค่าในตัวมันเอง เนื่องจากมันเร็ว แต่ข้อเสียคือมันไม่มีวิธีพิสูจน์ความจริงอย่างโปร่งใสได้เลยว่าการกระทำเหล่านั้นมีประสิทธิภาพแค่ไหน อาจจะมีการพูดคุยลับหลังว่าการตัดสินใจของหัวหน้าคนนี้ผิดพลาดมาก แต่อาจไม่ได้มีการบันทึกไว้หรือมีการตรวจสอบอย่างมีระบบ
ซึ่งในยุคดิจิทัลหลายๆ อย่างเปลี่ยนแปลงค่อนข้างเร็ว know-how บางเรื่องเมื่อปีที่แล้วอาจไม่มีประโยชน์อีกต่อไป อีกทั้งเดี๋ยวนี้ถ้าองค์กรมี data warehouse ที่ดีพอ การเข้าหาความจริงโดยใช้วิธีทางสถิติเร็วๆ ก็มี อย่างที่ผู้เขียนได้อธิบายไว้ในข้อ 2 ข้างต้น การพึ่งพาประสบการณ์ยังคงมีความจำเป็น แต่ถ้าพึ่งมากเกินไปโดยไม่สนใจการวัดความจริงอาจก่อให้เกิดเป็นเสี้ยนหนามที่ทำให้องค์กรออกจาก digital transformation ได้ช้าลง
ผู้เขียนมองว่าสำหรับองค์กรทั่วไป คงไม่ถึงขั้นต้องทำตาม Ray Dalio กูรูการลงทุนที่แนะนำบทเรียนในการบันทึกและให้คะแนนความเห็นกับการทำงานของทุกคนใน Bridgewater Associatesหนึ่งในกองทุนเฮดจ์ฟันด์ที่ใหญ่และประสบความสำเร็จที่สุดในโลก แต่จำเป็นที่จะต้องมีก้าวแรกนี้
เพราะองค์กรที่จะประสบความสำเร็จในยุคข้อมูล ไม่ได้ต้องการเพียงกลยุทธ์ข้อมูลและการลงทุนใน capability หลักๆ ในการต่อยอด Big Data แต่ยังต้องการวัฒนธรรมที่เชิดชูการตัดสินใจอันมีพื้นฐานอยู่บนหลักฐานที่วัดและจับต้องได้อย่างโปร่งใสด้วย
ข่าวหรือบทความที่เกี่ยวข้อง
