แนวคิด ‘Data Driven Organization’ นับเป็นการขับเคลื่อนองค์กรของธนาคารแห่งประเทศไทย (ธปท.) หรือแบงก์ชาติ โดยฝ่ายงานต่างๆ ทำงานร่วมกับ “ฝ่ายบริหารข้อมูลและดาต้าอนาไลติกส์” ในลักษณะ squad เพื่อวิเคราะห์ข้อมูลเชิงลึก รวมถึงทำ visualization ซึ่งเป็นประโยชน์ต่อการวิเคราะห์และวางแผนนโยบาย
โจทย์สำคัญของการทำ data visualization คือทำอย่างไรให้เปลี่ยนรูปแบบการนำเสนอของข้อมูลจำนวนมหาศาลให้เข้าใจได้ง่ายและสวยงามตอบโจทย์ผู้ใช้ประโยชน์จากข้อมูล
ในขณะที่ธปท.ดำเนินโครงการ Data Viz Art และนำผลงานที่ได้รับรางวัลมาจัดแสดงเป็นนิทรรศการธปท.ยังได้นำผลงานที่ผ่านการ visualization ที่พัฒนาโดยสำนักดาต้าอนาไลติกส์และฝ่ายงานต่าง ๆ มาร่วมจัดแสดงในนิทรรศการ
ผลงานทั้งหมดจะต้องมีองค์ประกอบ 3 อย่างได้แก่ข้อมูลที่เป็นประโยชน์เทคนิคการนำเสนอและการออกแบบที่สวยงามสื่อความหมายได้
Evolution of Business Landscape
ผลงาน Evolution of Business Landscape เป็นความร่วมมือระหว่างฝ่ายตรวจสอบและวิเคราะห์ความเสี่ยงสถาบันการเงินและฝ่ายบริหารข้อมูลและดาต้าอนาไลติกส์ธนาคารแห่งประเทศไทย
“กฤษณ จันทร์ชิดฟ้า” หนึ่งในทีมผู้จัดทำผลงานฝ่ายบริหารข้อมูลและดาต้าอนาไลติกส์ เล่าแนวคิดของผลงานว่าภาพตอบโจทย์เรื่องการเข้าถึงสินเชื่อซึ่งเป็นหนึ่งในจุดประสงค์หลัก 3 อย่างที่สนใจ ได้แก่ การเข้าถึงสินเชื่อธุรกิจ ความสามารถในการชำระหนี้และการแก้ไขปัญหาหนี้
กลุ่มของวงกลมแต่ละกลุ่มแสดงภาพรวมสินเชื่อของระบบในปี 2010 2012 2014 2016 2018 ตามลำดับ (ไล่จากซ้ายไปขวา) โดยวงกลม 1 วงแทนลูกหนี้จำนวน 500 ราย สีแสดงถึงประเภทของสินเชื่อ และขนาดของวงกลมแสดงถึงขนาดของวงเงินสินเชื่อโดยแบ่งเป็นบริษัทขนาดใหญ่สินเชื่อตั้งแต่ 100-500 ล้านบาท ขนาดกลาง 50-100 ล้านบาท ขนาดเล็ก 20-50 ล้านบาทและขนาดเล็กที่สุดที่ต่ำกว่า 20 ล้านบาท
“ภาพรวมระบบสินเชื่อบนฐานข้อมูล NCB มีความซับซ้อนมากขึ้นเรื่อยๆ ในปี 2010 มีข้อมูลการให้สินเชื่อ OD (Over Draft) และ Bill Payment เป็นหลัก ต่อมาเริ่มมีสมาชิกเข้ามาในระบบมากขึ้นทำให้ข้อมูลมีความครอบคลุมและละเอียดมากขึ้น ข้อมูลนี้จึงมีประโยชน์อย่างยิ่งสำหรับการมองภาพรวมของระบบและการกำหนดนโยบาย”
กฤษณอ้างอิงจากภาพว่าในปี 2018 มีการใช้สินเชื่อจากธนาคารพาณิชย์ 1.8 ล้านคน จากสถาบันการเงินเฉพาะกิจ 0.4 ล้านคนและจาก Non-bank 0.5 ล้านคน
Pitfalls of ARIMA
ผลงานอีกชิ้นของโครงการ Data Viz Art คือ Pitfalls of ARIMA เป็นความร่วมมือระหว่างฝ่ายกลยุทธ์และบริหารกิจการธนบัตรและฝ่ายบริหารข้อมูลและดาต้าอนาไลติกส์ธนาคารแห่งประเทศไทย
“โจทย์ที่เราได้รับจากสายออกบัตรคืออยากรู้ว่าในอนาคตปริมาณการใช้เงินสดของคนไทยจะเพิ่มขึ้นหรือลดลงในแต่ละช่วงอย่างไร”
“บวรวิชญ์ จินดารักษ์” ทีมผู้จัดทำผลงานตำแหน่งผู้ช่วยผู้อำนวยการ สำนักดาต้าอนาไลติกส์ฝ่ายบริหารข้อมูลและดาต้าอนาไลติกส์กล่าว
โดยฝ่ายกลยุทธ์และบริหารกิจการธนบัตรจะนำข้อมูลที่ได้ไปใช้ในการวางแผนการผลิตธนบัตรให้เพียงพอต่อความต้องการของระบบเศรษฐกิจไทย
บวรวิชญ์เล่าว่าก่อนหน้านี้ทีมได้พัฒนา model เพื่อพยากรณ์การใช้ธนบัตรออกมาหลายรูปแบบโดยใส่ตัวแปรต่างๆอย่าง GDP เข้าไปด้วยแต่ด้วยการทำข้อมูลที่ซับซ้อนทำให้ภาพออกมาไม่ลงตัวจึงเลือกใช้ภาพชุดปัจจุบันเพื่อนำเสนอเพราะเข้าใจง่าย
“เส้นสีขาวคือปริมาณธนบัตรที่มีอยู่ในเมืองไทยตั้งแต่อดีตก็โตขึ้นเรื่อยๆ แต่มีแพทเทิร์นความต้องการใช้เงินมากน้อยแตกต่างกัน ส่วนจุดสีๆที่กระจายเป็นโมเดลเปรียบเทียบที่เราสร้างขึ้นมา จริงๆแล้วความต้องการธนบัตรควรเป็นเท่าไร โดยสีแดง ส้ม เขียว จะคำนวณความต้องการธนบัตรบนตัวแปรคนละชุด ทั้งนี้จุดสีที่เปลี่ยนแปลงบ่อย สะท้อนข้อจำกัดของแบบจำลอง ARIMA (pitfalls) จึงต้องระมัดระวังในการนำไปใช้”
จากกราฟแสดงว่าจุดที่กราฟพุ่งขึ้นหมายถึงช่วงเทศกาลที่มีการจับจ่ายใช้สอย เช่น เทศกาลปีใหม่ สงกรานต์ ฯลฯ หลังจากจบเทศกาลเงินก็จะค่อยๆกลับมาที่ธปท. และในแต่ละปีปริมาณธนบัตรก็จะเพิ่มขึ้นตามเศรษฐกิจของปีนั้นๆ
นอกจากนี้ยังมีข้อสมมติเรื่อง E-Payment ว่าจะมีผลกับการใช้ธนบัตรมากน้อยแค่ไหนเพราะเมื่อเทียบกับบางประเทศที่ใช้ระบบอีเพย์เม้นท์มานานแล้ว เช่น สวีเดน จะพบว่าปริมาณเงินสดเติบโตชะลอลง เพราะคนหันไปใช้อีเพย์เม้นท์ ขณะที่ในประเทศไทยการใช้งานอีเพย์เม้นท์ยังอยู่ในช่วงเริ่มต้น จึงยังไม่สามารถคาดเดาปัจจัยดังกล่าวได้
บวรวิชญ์ บอกว่าทีมงานกำลังอยู่ในระหว่างพัฒนาการใส่ปัจจัยต่างๆ เพื่อคำนวณปริมาณธนบัตรบนปัจจัยที่แตกต่างกัน เช่น จีดีพีช่วงโควิด พฤติกรรมการใช้งานอีเพย์เม้นท์หลังช่วงโควิด เป็นต้น
Thailand’s Foreign Exchange Market Landscape
อีกผลงานโครงการ Data Viz Art คือ Thailand’s Foreign Exchange Market Landscape เป็นความร่วมมือระหว่างคณะทำงานติดตามและกลั่นกรองยุทธศาสตร์ ด้านอัตราแลกเปลี่ยนและฝ่ายบริหารข้อมูล และดาต้าอนาไลติกส์ ธนาคารแห่งประเทศไทย
“ชินวัฒน์ เทพหัสดิน ณ อยุธยา” ทีมผู้จัดทำผลงานฝ่ายบริหารข้อมูลและดาต้าอนาไลติกส์กล่าวว่า ผลงานชิ้นนี้แสดงโครงสร้างของตลาดเงินตราต่างประเทศ (FX Market) ทั้งธุรกรรมอัตราแลกเปลี่ยนกับธนาคารพาณิชย์ไทย และธุรกรรมเงินบาทกับธนาคารพาณิชย์ในต่างประเทศ
“ในส่วนของการทำธุรกรรมเงินบาทกับธนาคารพาณิชย์ในต่างประเทศ (Offshore) เราเห็นข้อมูลการฝากและถอนเงินของบัญชีที่ชื่อว่า NRBA (Non-Resident Baht Account)เรารู้แค่ว่าใครมาฝากเท่าไร ถอนเท่าไร แล้วเราเอาการฝาก-ถอน มาเชื่อมโยงกัน ถอนบัญชีนี้ เข้าบัญชีนี้ เพื่อให้ได้ออกมาเป็นรูปเน็ตเวิร์ก”
“จากรูปจุดสีชมพูเป็นบริษัทไทย บริษัทไทยที่มาทำธุรกรรมกับธนาคารพาณิชย์ไทย เป็นกระจุกใหญ่ ขณะที่ฝั่งต่างประเทศ กระจุกบริษัทสีชมพูมีความกระจายเป็นกลุ่มย่อยและมีหลายทอดมากกว่า”
ชินวัฒน์บอกว่าคณะทำงานติดตามและกลั่นกรองยุทธศาสตร์ด้านอัตราแลกเปลี่ยน ให้โจทย์เรื่องรูปร่างหน้าตาและผู้เล่นของ FX Market โดยเฉพาะตลาด Offshore ว่ามีโครงสร้างและมีการกระจายตัวอย่างไร เนื่องจากไม่ได้มีข้อมูลตรงไปตรงมาเหมือนธุรกรรมอัตราแลกเปลี่ยนกับธนาคารพาณิชย์ไทย (Onshore)
ในด้านการทำงานชินวัฒน์เล่าว่าใช้เวลาหลายเดือน ในการทำความเข้าใจโจทย์เรื่องอัตราแลกเปลี่ยนและต้อง ‘จูน’ เรื่องภาษาเข้ากันฝ่ายหนึ่งคุยเรื่องคอมไซน์ (Computer Science) ดาต้าไซน์ (Data Science) อีกฝั่งคุยเรื่องธุรกิจทำให้ต้องหาจุดตรงกลาง แต่สุดท้ายทั้งฝ่ายข้อมูลและธุรกิจ ก็ได้ผลงานที่สามารถนำไปวิเคราะห์และวางแผนเชิงนโยบายได้
ด้วยประเด็นดังกล่าวซึ่งเป็นเรื่องเฉพาะกลุ่ม ชินวัฒน์มองว่าการหาคนที่ใช่เพื่อมาตีความภาพให้เป็น Action เป็นเรื่องสำคัญเพราะบางภาพต้องอาศัยมุมมองจากคนที่เข้าใจประเด็นนั้นๆมาตีความ จึงจะเกิดประโยชน์สูงสุดและไม่มีอคติในการตีความ
“เวลาเราทำรูปออกมาในมุมมองเราอาจไม่น่าสนใจ แต่ในมุมผู้ใช้งานเขาอาจรู้สึกว่าจุดนี้เขาต้องการ” ชินวัฒน์กล่าว
A Real-Time Landscape of Cross-Border Trade
โครงการ Data Viz Art กับผลงาน A Real-Time Landscape of Cross-Border Trade เป็นความร่วมมือระหว่างฝ่ายเศรษฐกิจมหภาคและฝ่ายบริหารข้อมูล และดาต้าอนาไลติกส์ ธนาคารแห่งประเทศไทย
“ศุภกฤต ฉัตรชยานุสรณ์” ทีมผู้จัดทำผลงานฝ่ายบริหารข้อมูลและดาต้าอนาไลติกส์ เล่าโจทย์ที่ได้รับจากฝ่ายเศรษฐกิจมหภาคว่า “จากข้อมูลสินค้านำเข้าและส่งออกอยากคาดเดาว่าปีนี้จะเป็นอย่างไร” ต้องการวิเคราะห์ข้อมูลเรียลไทม์ซึ่งแตกต่างจากเดิมที่การวิเคราะห์ต้องรอให้ข้อมูลนิ่ง ขณะที่งานชิ้นนี้มองว่าจะวิเคราะห์แบบเรียลไทม์อย่างไร เพื่อคาดการณ์อนาคตได้แม่นยำมากยิ่งขึ้น
เริ่มจากสินค้ากลุ่ม ‘นำเข้า’ ประกอบด้วยสินค้า 4 ประเภทคือสินค้าอุปโภคบริโภค (Consumer Goods) วัตถุดิบในการผลิต (Raw Materials & Intermediate Goods) เครื่องจักร (Capital) และอื่นๆ (Others) ซึ่งมูลค่าสินค้านำเข้าจะกระจายไปยังกลุ่มต่างๆ ใกล้เคียงกัน โดยมีน้ำหนักในกลุ่มวัตถุดิบในการผลิตมากที่สุด โดยเฉพาะชิ้นส่วนอิเล็กทรอนิกส์ และ เคมีภัณฑ์
ในขณะที่สินค้ากลุ่มส่งออก มูลค่าสินค้าส่วนใหญ่จะอยู่ในภาคการผลิต (Manufacturing) ซึ่งเน้นหนักไปยังกลุ่มยานยนต์และชิ้นส่วนอิเล็กทรอนิกส์ ซึ่งประเทศไทยเป็นผู้ผลิตฮาร์ดดิสก์ (Harddisk)รายใหญ่ของโลก โดยที่ฮาร์ดดิสก์นั้นจัดอยู่ในกลุ่ม “Sunset Industry” เพราะกำลังจะถูกทดแทนด้วยเทคโนโลยีรุ่นใหม่อย่าง Solid State Drive (SSD) ซึ่งไม่ได้มีการผลิตในประเทศไทย
ศุภกฤต อธิบายว่าในภาพของคนไทยจะคิดว่าไทยมีการส่งออกภาคการเกษตรเป็นจำนวนมาก แต่เมื่อดูรูปและเปรียบเทียบกับภาคการผลิต จะเห็นว่าสัดส่วนของการเกษตรยังเล็กกว่ามาก ส่วนหนึ่งเกิดจากการที่สินค้าเกษตรแปรรูปนั้นถูกจัดอยู่ในหมวดภาคการผลิต เนื่องจากการจัดประเภทบางกลุ่มสินค้าเป็นไปตามมาตรฐานสากล
ศุภกฤต บอกอีกว่าผลงานดังกล่าวทำเป็นรูปแบบ interactive โดยผู้ใช้งานสามารถคลิกดูได้ว่าสินค้านำเข้า-ส่งออก มีอะไรบ้างสัดส่วนเท่าไร มูลค่าจำนวนผู้เล่นในอุตสาหกรรมนั้นๆ รวมไปถึงการเปรียบเทียบระหว่างสินค้านำเข้าและส่งออก สามารถใช้ประโยชน์จากการเชื่อมโยงกับข้อมูลอื่นๆได้มากขึ้น
อย่างไรก็ตามผลงาน data visualization โดยธปท. ได้ถูกออกแบบและพัฒนาสำหรับการใช้งานภายในเป็นหลักเพราะข้อมูลจำนวนมากยังเป็นข้อมูลที่ไม่สามารถเปิดเผยต่อสาธารณะได้ แต่ในอนาคตธปท.มีแผนจะพัฒนาการสื่อสารข้อมูลรูปแบบใหม่ให้เข้าถึงคนในวงกว้างให้ตอบโจทย์แนวคิด ‘Data Driven Organization’
ข่าวหรือบทความที่เกี่ยวข้อง
