“Data Is the New Oil” เป็นคำกล่าวคุ้นหูที่ทำจริงได้ยากขึ้นทุกที เพราะในยุคที่ดิจิทัลอยู่ทุกหนแห่ง (Digital Everything) ข้อมูลถูกสร้างขึ้นและรับรู้ทุกเสี้ยววินาที พฤติกรรมผู้บริโภคก็เปลี่ยนแปลงอย่างพลิกผันในชั่วพริบตา ทรัพยากรที่มีค่าสูงที่สุดตอนนี้กลายเป็น “ข้อมูล” ไม่ใช่น้ำมันหรือทองคำเหมือนแต่ก่อน ทุกองค์กรจึงทุ่มเทต้นทุนและเวลามหาศาลในการทำ Data Analytics เพื่อกลั่นข้อมูลที่เก็บรวบรวมมา หวังใช้ประโยชน์ในการทำ Business Transformation ให้อยู่รอดและดีขึ้นในทุกมิติ ตั้งแต่ด้านการวางแผนกลยุทธ์ การเข้าถึงและครองใจลูกค้า จนถึงการพัฒนาการทำงานต่าง ๆ ที่ล้วนต้องใช้การวิเคราะห์ข้อมูลมาขับเคลื่อนการเปลี่ยนแปลงให้ดีขึ้น เร็วขึ้น และได้ผลมากขึ้น
ทรัพยากรที่มีค่าสูงที่สุดตอนนี้กลายเป็น “ข้อมูล” ไม่ใช่น้ำมันหรือทองคำ เหมือนแต่ก่อน
แต่องค์กรที่สามารถทำ Data Analytics ได้สำเร็จจริง จนถึงขั้นเอาไปทำ Business Transformation ได้ กลับมีจำนวนไม่มาก สวนทางกับปริมาณของข้อมูลที่เพิ่มขึ้นแบบทวีคูณทุกวินาที จากการที่ FRONTIS ได้มีโอกาสช่วยงานด้าน Data Analytics ให้กับองค์กรชั้นนำในหลายอุตสาหกรรม จึงกลั่นออกมาเป็นบทเรียนสำหรับองค์กรที่กำลังทำ Data Analytics ว่าต้องเผชิญกับความท้าทายหลักอะไรบ้าง และมีเคล็ดลับสู่การทำ Data Analytics ให้ประสบความสำเร็จจริงได้อย่างไร
บทเรียนที่ 1 : ตั้งสติก่อนสตาร์ท ด้วย Data Transformation Roadmap แผนที่นำทางให้ถึงจุดหมายแบบไม่หลงทิศ
สำหรับองค์กรที่กำลังเริ่มต้น มักมีปัญหาว่าจะเริ่มจากตรงไหนดีที่สุด ควรเริ่มจากความฝันว่าจะเอาข้อมูลไปใช่ทำอะไรในโลกสมบูรณ์แบบที่มีข้อมูลพร้อม (User First) หรือ ควรเริ่มจากรวบรวมข้อมูลที่มีอยู่ทั้งหมดแล้วเอามาบริหารจัดการให้เป็นระเบียบ (Data First)
ณ จุดนี้ มักเกิดคำถามไก่กับไข่ที่สามารถถกกันในองค์กรได้แบบไม่สิ้นสุด เพราะถ้าเราโฟกัสกับข้อมูลแบบ Data First มากเกินไป จนนำข้อมูลทั้งหมดที่มีมากองรวมกันไว้ก่อน โดยที่ไม่รู้ชัดว่าจะนำไปใช้ทำอะไรต่อ ก็จะเหมือนการสร้างบ้านโดยยังไม่รู้ว่าใครเป็นคนที่จะเข้ามาอยู่อาศัย ยิ่งนำข้อมูลเข้ามามากเท่าไหร่จึงยิ่งเป็นการเพิ่มภาระและความเสี่ยงต่อที่จะไม่เกิดผลลัพธ์
ในทางกลับกันหากเราโฟกัสที่ User มากเกินไป เราอาจจะให้ความสำคัญกับความคิดเห็นและความต้องการทั้งหมดของ User จนเกิดเป็นความกดดันให้เร่งลงมือทำโดยที่ข้อมูลอาจยังไม่พร้อม หรือสุดท้ายกลายเป็นมีแต่การพูดคุยหารือความฝันไปเรื่อย ๆ จนเวลาล่วงเลยแล้วไม่ได้ลงมือทำจริงเสียที
หนึ่งในทางออกที่ดีของปริศนาที่ย้อนแย้งระหว่าง Data กับ User นี้ คือการวาง Roadmap ในการทำ Data Transformation ขององค์กร ให้มีทั้งการทำ Data Scan หรือ สำรวจความพร้อมของข้อมูล ควบคู่ไปกับการตกผนึกความคิดว่าจะเอาข้อมูลไปใช้อย่างไรให้ได้ผลจริง (Use Case Definition)
เสร็จแล้วจึงนำมาจัดลำดับความสำคัญ (Prioritize) ให้เป็นแผนชัด ๆ ว่า อะไรเป็น Quick Win ที่ทำได้จริงและตอบโจทย์ User ในระยะสั้น เพื่อสร้าง Momentum ปูทางไปสู่ผลลัพธ์ระยะยาว ในขณะเดียวกันก็ให้เห็นว่าข้อมูลส่วนไหนที่สำคัญจริง ๆ แต่ยังขาดความพร้อม เพื่อจะได้ทำการพัฒนาทั้งเรื่องการจัดเก็บข้อมูล การเพิ่มคุณภาพข้อมูล การรวบรวมให้พร้อมใช้งาน ฯลฯ ให้ครบวงจรมากขึ้นจนเอาไปใช้ประโยชน์ได้จริง
บทเรียนที่ 2 : ทลายกำแพงแห่ง Data Silo ด้วย Common Data Model สะพานเชื่อมความจริงของข้อมูลให้เป็นหนึ่งเดียว (Single Source of Truth)
เมื่อองค์กรส่วนใหญ่เริ่มทำเรื่อง Data Analytics ไประยะหนึ่ง โดยได้ข้อมูลที่ต้องการมาแล้ว ขั้นตอนต่อไปที่มักยากไม่แพ้ช่วงวางแผน คือต้องบริหารจัดการข้อมูลให้นำไปใช้งานต่อได้ ซึ่งมักจะเริ่มพบว่า การเชื่อมต่อข้อมูลให้มารวมศูนย์แบบอัตโนมัตินั้นอาจไม่เพียงพอ เพราะส่วนมากข้อมูลมีที่มาจากระบบเดิม (Legacy Systems) แหล่งต่าง ๆ จะมีโครงสร้างข้อมูลที่หลากหลาย ส่งผลให้นำมาวิเคราะห์ครบมุมมองที่ต้องการไม่ได้ในทันที มักจะต้องมี Manual Process หรือเรียกได้ว่า “งานอัตโนมือ” ตามมาอีกจำนวนมาก ซึ่งนอกจากจะสิ้นเปลืองเวลาแล้ว ยังมีความเสี่ยงที่ User ในองค์กรจะไม่เห็นข้อมูลเป็นภาพเดียวกัน
ดังนั้นรากฐานของการทำ Data Analytics ให้ขับเคลื่อนธุรกิจได้แบบทรงพลังนั้น จะต้องมีการเตรียม Data ให้เกิด Single Source of Truth เสียก่อน โดยเป็นกระบวนการที่ต้องผสานความเข้าใจเชิงธุรกิจ การจัดการเชิงเทคนิค และการบริหารจัดการข้อมูล (Data Governance) เข้าด้วยกัน เพื่อแปลงข้อมูลจากต้นทาง (Transformation) มาเป็นโมเดลข้อมูลเชิงธุรกิจ (Semantic Layer) ที่ช่วยตอบคำถามได้ครบทุกมิติ เช่น ลูกค้าคือใคร ซื้ออะไร ซื้อเมื่อไหร่ จากช่องทางไหน และถึงจะสามารถต่อยอดไปเป็นโมเดลพยากรณ์ขั้นสูง เช่น การทำ Machine Learning เพื่อ Upsell หรือ Cross-Sell ฯลฯ ต่อได้
บทเรียนที่ 3 : ก้าวข้ามความยึดติดกับข้อมูลบนหอคอยงาช้าง ด้วย Actionable Insights ที่สังเคราะห์ข้อมูลสู่การลงมือทำให้เกิดผลลัพธ์จริงนอกจอ
การทำ Data Analytics ที่ดีไม่ใช่การนำข้อมูลทุกอย่างที่มีออกมาแสดงผล (Visualize) เพื่อความสวยงามให้ “สุขใจที่ได้มอง” หรืออัดแน่นข้อมูลมากเกินไปให้ “สบายใจที่ข้อมูลในจอมันครบดี” หรือแม้แต่ใช้เทคนิคการวิเคราะห์ที่ล้ำสมัยให้ “สะใจไฮเทค เด็ก Dev ชอบ” แต่หัวใจหลักที่แท้จริง คือการนำข้อมูลมาทำให้เกิดการแก้ปัญหาเชิงธุรกิจให้กับผู้ใช้งานไปลงมือทำงานได้ดีขึ้นกว่าเดิมจริง ๆ
จุดเริ่มต้นจึงต้องเข้าใจให้ถ่องแท้ว่าผู้ใช้แต่ละคนต้องการอะไร มี Pain Points อะไร จากนั้นจึงนำมาออกแบบการวิเคราะห์และวิธีการแสดงผลให้นำไปสู่ “Insight” ที่เป็นความเข้าใจและเห็นโอกาสในการแก้ไขปัญหา จนสามารถต่อยอดเป็นการลงมือทำ หรือ “Lead to Action” เพื่อปรับใช้กับการทำธุรกิจในส่วนต่าง ๆ เช่น การทำโฆษณาให้ตรงกลุ่มเป้าหมายของธุรกิจเพื่อดึงดูดและรักษาลูกค้า การปรับปรุงวิธีการทำงานขององค์กรเพื่อลดค่าใช้จ่าย จนออกมาเป็นผลลัพธ์ต่อองค์กร หรือ “Outcome” นั่นเอง
ถึงเราจะมีความรู้มากมายหรือมีคู่มือที่วิเศษขนาดไหน ก็ไม่มีอะไรดีไปกว่าการเริ่มต้นลงมือทำจริง
ท้ายที่สุดแล้วถึงเราจะมีความรู้มากมาย หรือมีเครื่องมือที่วิเศษขนาดไหน ก็ไม่มีอะไรดีไปกว่าการเริ่มต้นลงมือทำจริง ๆ หลาย องค์กรเสียเวลาไปกับการรอให้ทุกอย่างพร้อม ถึงค่อยเริ่มทำจนอาจไม่ทันการณ์ เพราะโลกของการเปลี่ยนแปลงนั้นไม่เคยรอใคร จริง ๆ แล้ว ในหลายองค์กร ความไม่พร้อมของข้อมูลในฝั่ง Data ก็มักมีต้นเหตุมาจากการไม่ได้เอาข้อมูลไปใช้งาน และความไม่ชัดเจนของความต้องการจาก User เอง ก็มักมีต้นเหตุมาจากการขาดประสบการณ์การเอาข้อมูลมาใช้งานดู เลยบอกไม่ได้ชัดว่าคาดหวังอะไร
จากประสบการณ์ของ FRONTIS ในการทำงานด้าน Data Analytics มักจะพบว่ากับดักที่ใหญ่ที่สุดในการทำ Data Transformation ในทุกองค์กร คือการไม่เริ่มลงมือทำแต่คาดหวังว่าเริ่มทำแล้วจะสำเร็จทันที ทั้งที่ในความเป็นจริงแล้วการเริ่มใช้ข้อมูล จะนำไปสู่การจัดการข้อมูลที่ดีขึ้น การจัดการที่ดีขึ้นก็นำไปสู่ข้อมูลที่มีคุณภาพมากขึ้น และนำไปสู่การจุดประกายความคิดในการเอาข้อมูลไปทำ Business Transformation ดั่งคำพูดที่ว่า “วิธีทำนายอนาคตที่ดีที่สุด คือการลงมือสร้างมันขึ้นมาเอง”
“The best way to predict the future is to create it”
