ว่าด้วย Data Literacy หรือทักษะความเข้าใจและใช้ข้อมูล
หลังจากจัดคอร์สอบรมในหัวข้อ ทักษะความเข้าใจและใช้ข้อมูล ให้บุคลากรของการไฟฟ้าส่วนภูมิภาค แล้วยังรู้สึกติดค้างว่ามีหลายประเด็นที่อยากมาถ่ายทอดต่อให้กับคนที่สนใจ อย่างน้อยแนวคิดหลายๆอย่างอาจจะไปทำให้ฉุกคิดได้ถึงปัญหาของ ข้อมูล ภายในองค์กรที่ทั้งอาจจะยังไม่มี ไม่สมประกอบ หรือไม่ถูกใช้
การใช้ประโยชน์จากข้อมูล
ตอนที่รับปากว่าจะจัดอบรม ผมเริ่มจากไปเลือกกรอบของความรู้และทักษะที่เกี่ยวข้องมาเป็นต้นแบบ เลยไปเจอเอกสารชุดหนึ่งที่น่าสนใจมากคือ Future Skills: a Framework for Data Literacy โดย Katharina Schüller STAT-UP ซึ่งอธิบายถึงลำดับของกิจกรรมต่างๆที่เกี่ยวข้องกับข้อมูลตั้งแต่เริ่มต้นจนไปถึงการนำสารสนเทศไปสู่การปฏิบัติ
เมื่อเทียบกับเทรนด์ของเนื้อหาที่อ้างถึง data เป็น keyword ที่ลอยไปลอยมาในอินเตอร์เน็ต (หลักๆมักจะเป็นสาย developer เช่น เขียนโค้ดเชื่อมต่อฐานข้อมูลอย่างไร เขียนโค้ดทำ ML อย่างไร) กรอบแนวคิดของ data literacy ระบุไว้ชัดเจนว่า จุดเริ่มต้นคือ การสร้างวัฒนธรรมข้อมูล (Data culture) ภายในองค์กร ซึ่งจะย้อนไปที่ความเข้าใจถึงการใช้ประโยชน์จากข้อมูล แต่หลายคนอาจจะไม่เอะใจว่า การใช้ประโยชน์จากข้อมูล (Data application) แบ่งออกได้เป็นหลายลำดับชั้น โดยขึ้นอยู่กับบุคคลที่เกี่ยวข้อง ขอบเขตของการปฏิบัติการ ช่วงเวลาของกิจกรรม รวมถึงทรัพยากรที่ใช้ การแบ่งระดับของการใช้ประโยชน์จากข้อมูลแบบง่ายคือ การมองเป็น 3 ระดับ ได้แก่
- การใช้ประโยชน์ระดับปฏิบัติการ (operation) ซึ่งเกี่ยวข้องกับกลุ่มพนักงานที่ไปทำงานตามไซต์งาน ภายในโรงงาน ซึ่งการนำข้อมูลมาใช้หลักๆคือ การเห็นสถานะปัจจุบัน เทรนด์ในหลักชั่วโมงหรือวัน หรือการแจ้งเตือนความผิดปกติ การดำเนินการจึงเป็นความรับผิดชอบของพนักงานที่ต้องดำเนินการ ณ เวลานั้นเลย
- การใช้ประโยชน์ระดับบริหารจัดการ (management) เป็นการยุบรวมหรือประมวลผลข้อมูลเพื่อให้อยู่ในรูปแบบที่สะท้อนถึงสถานะในระดับองค์รวม ทำให้ผู้บริหารสามารถตัดสินใจเพื่อวางแผนใช้ทรัพยากรอย่างเหมาะสม กรอบเวลาของการนำข้อมูลไปใช้ประโยชน์จะอยู่ในระดับสัปดาห์หรือเดือน
- การใช้ประโยชน์ระดับกลยุทธิ์ (strategy) มักเริ่มด้วยการกำหนดตัวชี้วัดในมุมมองต่างๆ เช่นทรัพยากร การปฏิบัติการ และการประเมินมูลค่า เพื่อนำมาใช้ปรับกลยุทธิ์ระดับองค์กรที่อาจจะรวมไปถึงแผนการลงทุนเพื่อปรับเปลี่ยนภาพรวมของทรัพยากรภายในองค์กร ซึ่งเป็นจุดที่แตกต่างจากการบริหารจัดการที่มุ่งเน้นที่ทรัพยากรที่มีอยู่แล้ว
หากบุคลากรภายในองค์กรมีความเข้าใจเกี่ยวกับระดับการใช้ประโยชน์จากข้อมูลจะทำให้ตระหนักและเกิดแรงจูงใจในการนำข้อมูลมาใช้ในการปฏิบัติงานด้านต่างๆ ส่งผลให้เกิดความเข้มแข็งทั้งในส่วนของความรับผิดชอบของตัวเอง และการไปประสานงานกับคนอื่นๆ
การสร้างวัฒนธรรมข้อมูลภายในองค์กรเป็นปัจจัยหลักที่ทำให้เกิดการไหลของข้อมูล (หากมีการวางระบบที่รวบรวมไว้แล้ว) ไปยังส่วนงานต่างๆรวมถึงองค์กรอื่นๆที่ทำธุรกิจร่วมกัน ทำให้เกิดการเปลี่ยนแปลงต่อแนวทางของธุรกิจ ผมขอใช้ตัวอย่างของธุรกิจ logistics ที่ถือได้ว่าเป็นกรณีศึกษาที่ชัดเจนมากของการใช้ประโยชน์จากข้อมูล โดยมีจุดเด่นที่การลงทุนถือได้ว่าต่ำมากเพราะว่ากันตามตรงคือ ลงทุนในส่วนเครื่องพิมพ์ barcode และตัวอ่านบาร์โค้ดเท่านั้น
หลายคนน่าจะรู้จักการเปลี่ยนแปลงแบบ disrupt ในวงการธุรกิจ logistics จากกรณีของ Uber ที่ใช้แนวทางของ sharing economy ในการจับคู่ demand (ลูกค้าที่ต้องการเดินทาง) และ supply (ผู้ที่มีรถ) ทำให้สามารถขยายขนาดธุรกิจได้เร็วมากเพราะไม่ต้องหางบประมาณมาลงทุนซื้อรถจำนวนมาก แต่หากมองถึงกลไกของระบบ logistics แล้ว การสร้าง information flow ด้วยการติดตามสถานะของผลิตภัณฑ์/บริการ (น่าจะรู้จัก track & trace) ที่อยู่ในส่วนของ physical flow จัดเป็นพื้นฐานของการดำเนินธุรกิจของ logistics ในยุคนี้ทั้งแบบ classic เช่น ไปรษณีย์ หรือแบบ modern เช่น Uber
การวิเคราะห์ข้อมูล
เนื้อหาสายเทคโนโลยีด้านข้อมูลช่วง 3–4 ปีนี้มักจะเอียงไปเนื้อหาด้าน IoT (วัดเซ็นเซอร์แล้วส่งเข้า dashboard) ด้าน ML (เรียกใช้โค้ดจากไลบรารี ML กับ dataset ที่มีอยู่แล้ว) โดยมักจะละเลยการอธิบายถึงเป้าหมายในแง่การใช้ประโยชน์ของข้อมูล
การศึกษาการวิเคราะห์ข้อมูล (Data analytics) ซึ่งเป็นกรอบใหญ่ของการประมวลผลข้อมูลจะด้วยวิธีการแบบ classic เช่น การทำ curve fitting หรือเทคนิคการเรียนรู้ของเครื่อง (machine learning) ที่เป็นสมัยนิยม ควรจะเข้าใจก่อนว่าแต่ละเทคนิคจะมีผลลัพธ์ที่นำไปใช้ประโยชน์ได้แตกต่างกัน
- descriptive analytics เน้นที่การยุบรวมหรือจำแนกลักษณะเด่นออกจากชุดข้อมูล เพื่อให้ผู้ที่เกี่ยวข้องสามารถจำแนกประเด็นของปัญหาได้ (มุมมอง what)
- diagnostic analytics มักทำใน 2 รูปแบบคือ การหาความสัมพันธ์ระหว่างปัจจัย (correlation) หรือการพิจารณาความเป็นเหตุเป็นผล (causation) เพื่อให้เข้าใจว่าปัญหาน่าจะเกิดขึ้นจากอะไร (มุมมอง why)
- predictive analytics เป็นการคาดการณ์แนวโน้มของสิ่งที่เกิดขึ้นจากชุดข้อมูลที่รวบรวมจากอดีต (มุมมอง what will)
- prescriptive analytics เป็นการสร้างแบบจำลองของโจทย์จากเป้าหมาย มูลค่า และเงื่อนไข แล้วทำการหาสถานการณ์ที่ให้ผลลัพธ์ที่ดีที่สุด (มุมมอง how)
หากพิจารณาถึงระดับชั้นของ operation, management และ strategy น่าจะเข้าใจได้ง่ายขึ้นว่า การวิเคราะห์ในระดับ descriptive จะเหมาะกับการใช้ประโยชน์เพื่อปฏิบัติการและบริหารจัดการ เพราะข้อมูลที่สรุปออกมาต้องถูกผู้ปฏิบัติการอาศัยประสบการณ์ในการตัดสินใจเพื่อจัดการปัญหาเฉพาะหน้า แต่ไม่เหมาะกับระดับกลยุทธิ์ที่ต้องเข้าใจภาพกว้างจากหลายๆมุมมอง การวางกลยุทธ์ขององค์กรควรวิเคราะห์ข้อมูลในระดับ predictive หรือ prescriptive มากกว่า เพื่อให้สามารถจัดการปัญหาในภาพใหญ่และระยะยาวได้ดีขึ้น
終わりに (ในตอนท้าย)
ทักษะความเข้าใจและใช้ข้อมูล (Data literacy) กล่าวได้ว่าเป็นลำดับถัดไปจาก ทักษะความเข้าใจและใช้เทคโนโลยีดิจิทัล (Digital literacy) ที่ควรจะสร้างความตระหนักรู้ให้กับองค์กรต่างๆ เพราะเป็นแนวคิดที่จำเป็นสำหรับการรองรับการเปลี่ยนแปลงอย่างมากของธุรกิจในยุคหลายปีนี้ที่เกิด impact อย่างรุนแรงจากหลายๆสถานการณ์ เช่น ปัญหา COVID-19 ที่ทำให้เกิดการเติบโตของธุรกิจออนไลน์อย่างก้าวกระโดด การเติบโตของระบบ digital currency ที่ทำให้คนจำนวนมากเลิกพกเงินสดแล้วหันไปใช้ wallet แทน รวมไปถึงแนวคิดของธุรกิจหลายรูปแบบ เช่น startup, crypto, sharing economy ที่ส่งผลกระทบทั้งด้านดีและไม่ดีต่อสังคม ผมเลยขอใช้บทความนี้เป็นก้าวเล็กๆที่แนะนำไอเดียก่อนครับ
เนื้อหาอาจจะห้วนไปหน่อยเพราะเขียนแบบเร็วๆในเช้าวันเสาร์กับกาแฟ 1 แก้ว ซึ่งหากใครที่สนใจอยากคุยไอเดียเพิ่มเติมก็หาช่องทางติดต่อมาแล้วกันครับ