ปี 2020 ธนาคารแห่งประเทศไทย (ธปท.) หรือแบงก์ชาติ ได้กำหนดทิศทางการขับเคลื่อนองค์กรด้วยแนวคิด ‘Data Driven Organization’
ด้วยแนวคิดการใช้พลังของข้อมูล (power of data) ทำให้แบงก์ชาติ ต้องปรับเปลี่ยน ‘วิธีการสื่อสาร’ จากเดิมที่เป็นการนำเสนอข้อมูลดิบ (raw data) หรือแบบข้อมูลในรูปแบบตาราง (data table) ซึ่งทำให้ข้อมูลมักจะถูกเข้าถึงในวงแคบ ดังนั้นจึงต้องเปลี่ยนวิธีการเป็นการนำเสนอข้อมูลที่ซับซ้อนให้เข้าใจง่ายและเข้าถึงสาธารณะวงกว้าง
ในยุคของ “ดร.วิรไท สันติประภพ” อดีตผู้ว่าการฯ ได้จัดกิจกรรมเวิร์กช็อปเรื่อง Data Analytic ที่จัดให้พนักงานนำข้อมูลภายในมาวิเคราะห์เชิงลึกและนำเสนอให้กับผู้บริหารระดับสูงในทุก 2 เดือน และนำผลลัพธ์ที่ได้มาช่วยในการออกแบบนโยบายและมาตรการให้สอดคล้องกับความต้องการของประชาชนและผู้ประกอบการ
ต่อมาจึงพัฒนาเป็น “โครงการส่งเสริมทักษะการทำ visualization และการวิเคราะห์ข้อมูลเชิงลึกด้วย micro data” ชื่อว่า โครงการ Data Viz Art ซึ่งจัดขึ้นในปี 2020 โดยให้คนที่เข้าใจข้อมูลดีที่สุดนั่นก็คือ ‘พนักงานแบงก์ชาติ’ เป็นผู้คนทำข้อมูลแข่งขันในองค์กรภายใต้โจทย์ data visualization โดยมีองค์ประกอบ 3 อย่าง ได้แก่ ข้อมูลที่เป็นประโยชน์ เทคนิคการนำเสนอ และการออกแบบที่สวยงาม สื่อความหมายได้
“Soft Loan Dashboard” รองชนะเลิศโครงการฯ
จากผลกระทบของวิกฤติโควิด-19 แบงก์ชาติได้ออกมาตรการสินเชื่อดอกเบี้ยต่ำ (soft loan) ตั้งแต่วันที่ 27 เมษายน 2563 เพื่อช่วยเหลือผู้ประกอบการวิสาหกิจขนาดกลางและขนาดย่อม (SMEs) ซึ่งถือเป็นแหล่งจ้างงานที่สำคัญของเศรษฐกิจไทยอย่างเร่งด่วน ทั้งนี้ เพื่อป้องกันไม่ให้เกิดสภาวะการขาดสภาพคล่องของภาคธุรกิจและผิดนัดชำระหนี้ของธุรกิจในวงกว้าง ซึ่งจะทำให้เกิดปัญหาทวีความรุนแรงและลุกลามยากต่อการแก้ไขในภายหลัง
การรวมตัวกันของทีมนี้เริ่มจากการเป็นพนักงานฝ่ายเดียวกัน และเห็นตรงกันว่าเป็นโอกาสที่ดีที่จะได้ใช้ทักษะและจุดแข็งของแต่ละคนมาทำ data visualization
ทีม “Soft Loan Dashboard” ได้คว้ารางวัลรองชนะเลิศโครงการ Data Viz Art ซึ่งเป็นการแข่งขันภายในของ ธปท. โดยสมาชิกทีมประกอบด้วย อัญมณี กาญจนสุทธิแสง, วรฤทธิ์ วรรณวาณิชย์ และชนากานต์ ตั้งปอง ทั้งหมดเป็นพนักงานที่ดูแลโครงการดังกล่าวของแบงก์ชาติ
อัญมณี ทีม Soft Loan Dashboard กล่าวว่า “เรารู้จักกันอยู่แล้ว จึงฟอร์มทีมกันง่าย สำหรับหัวข้อ Soft Loan Dashboard เราคิดว่าเป็นประเด็นร้อนที่ผู้คนกำลังให้ความสนใจ เพราะเป็นนโยบายระดับประเทศที่จะช่วยเหลือประชาชนในช่วงวิกฤติจริง ๆ ซึ่งเป็นโอกาสที่เหมาะสมที่เราจะนำข้อมูล Soft Loan มานำเสนอในรูปแบบศิลปะ (Art)”
โดยปกติแบงก์ชาติ จะเก็บข้อมูลและนำมาวิเคราะห์อยู่ก่อนแล้ว แต่ที่ผ่านมาข้อมูลเหล่านี้ไม่ถูกนำไปพัฒนาให้เห็นภาพในแบบ data visualization จนกระทั่งทีมที่ดูแลมาตรการนี้สังเคราะห์ข้อมูลใหม่ เพื่อให้ผู้ใช้ข้อมูลได้เห็นภาพ และเข้าใจข้อมูลแบบอินไซด์มากขึ้น
“ถ้าถามว่าสิ่งที่ทำจะช่วยปรับแก้มาตรการ Soft Loan ได้ทันควันเลยไหม คำตอบคืออาจจะไม่ทันที เพราะการแก้ไขมาตรการดังกล่าว มีเรื่องของกฎหมายซึ่งต้องอาศัยระยะเวลามาเกี่ยวข้องด้วย แต่เราคิดว่าสิ่งที่ทำนั้นคือข้อมูลที่เป็นประโยชน์ และช่วยสนับสนุนการตัดสินใจของผู้บริหารแบงก์ชาติได้ ‘เร็วยิ่งขึ้น’ กว่าเมื่อก่อน ซึ่งจะช่วยผลักดันให้ปรับแก้มาตรการ Soft Loan ได้อย่างรวดเร็ว และตอบโจทย์ความเดือดร้อนของประชาชนได้ตรงจุด”
“ยกตัวอย่าง มาตรการ Soft Loan ระยะแรกแบงก์ชาติให้สินเชื่อ 20% ของยอดสินเชื่อ ณ ธ.ค. 62 แต่เมื่อระยะเวลาผ่านไป 6 เดือน Soft Loan ระยะแรกอาจไม่เพียงพอต่อความต้องการของ SMEs แล้ว ซึ่งพนักงานหรือผู้บริหารแบงก์ชาติ สามารถนำ Soft Loan Dashboard มาใช้เป็นข้อมูลสนับสนุนในการปรับมาตรการ Soft Loan ระยะที่ 2 ได้ เช่น อาจจะปรับเป็น 20% ของวงเงินสินเชื่อที่ SMEs มีกับ ธพ. หรือลดหย่อนหลักเกณฑ์เกี่ยวกับหลักทรัพย์ค้ำประกัน เป็นต้น เพื่อให้คนเข้าถึง Soft Loan ได้มากขึ้น” อัญมณีขยายความ
ส่วนวรฤทธิ์บอกว่า…
“แต่เดิมเวลาทำ data visualization ฝ่ายข้อมูลจะต้องเป็นคนเข้าหาฝ่ายไอทีหรือฝ่ายวิเคราะห์ข้อมูล แล้วรออีก 2-3 เดือนกว่าได้สิ่งที่ผู้ใช้ข้อมูลต้องการ แต่ปัจจุบันการทำงานกลับกันอย่างสิ้นเชิงคือ คนทำข้อมูลในฐานะ user เป็นผู้พัฒนาข้อมูลและทำ visualization อย่างง่ายเอง โดยมีฝ่ายข้อมูลและฝ่ายไอทีเป็นที่ปรึกษาแทน”
ด้วยการทำงานแบบที่มีผู้พัฒนาเป็น user จริง และมีฝ่ายข้อมูลและฝ่ายไอทีเป็นที่ปรึกษานี้ ทำให้ทีมมีจุดแข็งในเรื่องการวิเคราะห์ข้อมูลที่อินไซด์ มองเห็นปัญหาที่เกิดขึ้น และนำไปสู่การแก้ปัญหาได้อย่างรวดเร็ว
เสียงสะท้อนมาตรการ “สินเชื่อดอกเบี้ยต่ำ”
จากพนักงานฝ่ายเดียวกันที่มองเห็นสิ่งที่ยังขาดหายไปในการทำข้อมูลของ ธปท. ทำให้ทั้งสามพัฒนา machine learning ออกมาเพื่อเก็บข้อมูลเชิง ‘คุณภาพ’ จากเดิมที่มีแต่ข้อมุลเชิง ‘ปริมาณ’ แสดงข้อมูลพื้นฐานเท่านั้น
ดังนั้นในการประกวด Data Viz Art ทีม Soft Loan Dashboard จะไม่ใช่แค่เอาข้อมูลที่มีอยู่แล้วมาย่อย แต่ยังเพิ่มเรื่องการเอาข้อมูลที่ไม่เคยมีใครจัดเก็บมาก่อนมานำเสนออีกด้วย
“ในฐานะแบงก์ชาติ เราอยากผลักดันให้มีมาตรการช่วยเหลือลูกหนี้อย่างเข้าถึงที่แท้จริง เราก็ต้องฟังฟีดแบ็กด้วยว่าประชาชน สังคม ผู้ประกอบการมองอย่างไร” วรฤทธิ์เล่าจุดประสงค์ของการทำข้อมูลชุดใหม่”
วรฤทธิ์ยังให้ข้อมูลถึงการจัดทำข้อมูลใหม่ว่า เริ่มจากพัฒนาแบบจำลองโดยอาศัย machine learning เก็บข้อมูลว่า ‘ใครพูดอะไรถึงสินเชื่อ Soft Loan บ้าง’ โดยเก็บข้อมูลจากช่องทางสายด่วน 1213 ของศูนย์คุ้มครองผู้ใช้บริการทางการเงิน (ศคง.) และดูว่าคนที่โทรเข้ามาพูดอย่างไรจากนั้นระบบจะจับคีย์เวิร์ดและความหมายของที่ผู้ร้องเรียนที่โทรเข้ามา
การพัฒนาแบบจำลองในช่วงแรกจะมีทีมงานไปฝึกแบบจำลองเพื่อให้เข้าใจความหมายว่า ถ้าคนโทรเข้ามาพูดประโยคแบบนี้ ความหมายจะเป็นอย่างไร รวมถึงเก็บข้อมูลว่าใครเป็นคนพูดถึงปัญหา เพื่อทำความเข้าใจผู้ประกอบการ SMEs และประชาชนที่ได้รับความเดือดร้อน
“เราจะเห็นว่าปัญหาที่คนพูดถึงมากที่สุดคือ การถูกปฏิเสธสินเชื่อและวงเงินหมด ซึ่งจริง ๆ แล้ว เป็นความเข้าใจผิด เพราะในความเป็นจริงวงเงินสินเชื่อ Soft Loan ยังคงมีอยู่” วรฤทธิ์กล่าว
“เวลาคนพูดเรื่องที่เข้าใจผิด มันก็สะท้อนกลับมาที่แบงก์ชาติหรือคนออกนโยบายเองว่า การสื่อสารของเราอาจจะยังไม่ดีพอ ทำให้คิดว่าเราควรจะปรับปรุงวิธีการสื่อสารให้แตกต่างจากรูปแบบเดิม ๆ โดยเน้นให้ประชาชนเข้าใจนโยบายและมาตรการต่าง ๆ อย่างถูกต้องได้อย่างไร” อัญมณีกล่าวเสริม
ข้อมูลปัญหาที่คนพูดถึง ได้ถูกดึงไปพัฒนาต่อ เป็นมาตรการ Soft Loan ระยะที่ 2 ให้สอดคล้องกับความต้องการของกลุ่มที่ได้รับความเดือดร้อนมากขึ้น ไม่ว่าจะเป็นกลุ่มกิจการโรงแรม รับเหมาก่อสร้าง และการท่องเที่ยว ซึ่งเป็นกลุ่มที่ได้รับผลกระทบโดยตรงจากโควิด-19
วรฤทธิ์กล่าวว่า…
“เพราะแต่ละคนได้รับผลกระทบไม่เท่ากัน มาตรการเดิม ๆ ไม่สามารถช่วยได้ทุกคน”
ข้อมูลสินเชื่อฯ สู่การช่วยเหลือตรงจุด
ชนากานต์บอกว่า ข้อมูลชุดนี้ได้แสดงภาพรวมการกระจายตัวของมาตรการ Soft Loan ผ่านแผนที่ประเทศไทย และแสดงถึงการกระจุกตัวของลูกหนี้ในจังหวัดต่าง ๆ จำนวนลูกหนี้ที่เพิ่มขึ้น และแสดงถึงการกระจายตัวในระดับภูมิภาค
จากข้อมูลที่ได้ จังหวัดที่มีการเติบโตของมาตรการ Soft Loan คือจังหวัดใหญ่ เช่น กทม. เชียงใหม่ ภูเก็ต นครราชสีมา ชลบุรี เป็นต้น ประกอบกับข้อมูลแยกตามประเภทธุรกิจทำให้พบว่า ธุรกิจที่เกี่ยวข้องกับการท่องเที่ยวในภาคใต้ได้รับผลกระทบจากโควิด-19 หนักกว่าที่คิด
“มาตรการ soft loan ที่ปล่อยตั้งแต่ 27 เมษายนถึงปัจจุบัน ภาคใต้ใช้ไป 2 พันกว่าล้านบาท (ขณะที่ภาคอื่น ๆ 400 ล้านบาท) โดยเฉพาะภูเก็ตซึ่งได้รับผลกระทบหนัก เพราะเศรษฐกิจหลักของภูเก็ตคือการพึ่งพานักท่องเที่ยวต่างชาติ” อัญมณีกล่าว
ส่วนกรุงเทพฯ เองได้รับการช่วยเหลือตามมาตรการ Soft Loan มากที่สุดในเกือบทุกประเภทธุรกิจ
ในฐานะผู้จัดทำผลงาน Soft Loan Dashboard ซึ่งอยู่ใกล้ชิดกับข้อมูลมาตรการ Soft Loan รวมถึงเข้าใจความเป็นไปของภาคธุรกิจจากผลกระทบโควิด-19 ทำให้เห็นว่าผู้ประกอบการส่วนใหญ่ นอกจากจะต้องการสินเชื่อดอกเบี้ยต่ำในช่วงวิกฤติแล้ว ยังต้องการ ‘พักชำระหนี้’ เพื่อไม่ให้ธุรกิจทรุดลงมากกว่าเดิมอีกด้วย
อย่างไรก็ตาม ผู้ประกอบการตั้งแต่ขนาดเล็กไปจนถึงขนาดกลางมักจะประสบปัญหาเรื่องการเข้าถึงมาตรการ Soft Loan โดยเฉพาะเรื่อง ‘เงื่อนไข’ เพราะบางธุรกิจไม่ได้เป็นไปตามเงื่อนไขที่สถาบันการเงินเป็นผู้กำหนด แต่ก็เป็นธุรกิจที่ได้รับผลกระทบจากโควิด-19 เช่นกัน
ทีม Soft Loan Dashboard ค้นพบว่าการ ‘ผ่อนปรนเงื่อนไข’ เป็นหนึ่งในปัจจัยสำคัญที่จะช่วยให้ธุรกิจอยู่รอดต่อไป
ข่าวหรือบทความที่เกี่ยวข้อง
