Big data

เชื่อว่าผู้ที่คลิกบทความนี้เข้ามาอ่าน คุณต้องมีความสนใจหรือต้องการที่จะเรียนรู้เกี่ยวกับ Big data analytics ไม่มากก็น้อยอย่างแน่นอน

‘Big data analytics’ คำศัพท์นี้ในแวดวงอุตสาหกรรมไอที และในแง่ของการบริหารจัดการมักพูดกันจนคุ้นหู แต่ก่อนที่จะไปถึงขั้นตอนสำคัญอย่าง ‘Analyze’ เรามาทำความรู้จักกับคำว่า ‘Big data’ กันก่อน

Big data ตามพจนานุกรมราชบัณฑิตยสภา

หากแปลกันตรงตามตัว ดังที่พจนานุกรมราชบัณฑิตยสภาได้บัญญัติไว้ “Big data” หรือ “ข้อมูลมหัต” หมายถึง เซตข้อมูลขนาดใหญ่ที่มีความซับซ้อนมาก ประกอบด้วยลักษณะอย่างน้อย 3 ประการ คือ

1. มีปริมาตร (Volume) มาก
2. มีการเปลี่ยนแปลงอยู่ตลอดเวลาอย่างต่อเนื่อง (Velocity)
3. มีความหลากหลายในโครงสร้างข้อมูล (Variety)

นอกจากนี้ อาจมีองค์ประกอบอื่นเพิ่มเติม เช่น มีความแปรผันสูงและมีความซับซ้อนมาก เนื่องจากอยู่ในรูปแบบต่าง ๆ ทั้งที่มีโครงสร้างที่แน่นอน เช่น เมทริกซ์ข้อมูล หรือไม่มีโครงสร้าง เช่น ข้อความ อีเมล วีดิทัศน์ เป็นต้น

สรุปใจความสำคัญได้ว่า Big data ก็คือชุดข้อมูลที่มีขนาดใหญ่ ซับซ้อน และเพิ่มขึ้นอย่างรวดเร็ว อาจจะอยู่ในรูปแบบที่มีโครงสร้าง เช่น อายุ ตำแหน่งงาน หรือไม่มีโครงสร้าง เช่น รูปภาพ วิดิโอ เป็นต้น  โดยข้อมูลจำพวกนี้ สามารถรวบรวมได้จากพฤติกรรมการใช้สื่อ บนออนไลน์ อุปกรณ์อิเล็กทรอนิกส์ในชีวิตประจำวัน หรือจากการรวบรวมโดยการทำการค้นคว้าวิจัย (Research)ก็ได้ โดยส่วนมากแล้วข้อมูลชุดนี้ จะถูกจัดเก็บไว้ในฐานข้อมูลโดยใช้ซอฟต์แวร์ (Software) ที่ถูกออกแบบมาเพื่อการจัดเก็บ และการวิเคราะห์โดยเฉพาะ

Big data analytics สำคัญอย่างไร?

ปัจจุบันมีเครื่องมือหลากหลายชนิดที่สามารถจัดเก็บข้อมูลเพื่อนำมาใช้ในวิเคราะห์ เช่น การใช้ Excel โดยใช้ Pivot table และ Power Query ในการดึงข้อมูล แต่เมื่อข้อมูลมีปริมาณเพิ่มขึ้น และที่มาของข้อมูลต่างกัน การใช้ Excel จึงเริ่มไม่ตอบโจทย์และเพิ่มความยุ่งยากในการบริหารจัดการ จนเป็นที่มาว่าเหตุใด Big data จึงถูกพูดถึงในแวดวงไอที และในแง่มุมของการบริหารจัดการ

Big data analytics มีความสำคัญอย่างยิ่งในการบริหารจัดการ คือการนำข้อมูลที่มีอยู่อย่างมหาศาลมาเพื่อใช้พัฒนาโซลูชัน (Solution) ผลิตภัณฑ์ และบริการ (Product and Services) ให้ตรงต่อความต้องการของตลาด นำไปสู่ข้อมูลเชิงลึกเพื่อนำไปวิเคราะห์ และตัดสินใจให้เกิดกลยุทธ์ทางธุรกิจได้ดีขึ้นกว่าเดิม

ขั้นตอนการวิเคราะห์ข้อมูล (Big data analytics)

1. ความต้องการทางธุรกิจและขอบเขตปัญหาที่ต้องการแก้ไข การวิเคราะห์ข้อมูลในรูปแบบต่าง ๆ จะเกิดขึ้นยากหากไม่มีโจทย์ปัญหาทางธุรกิจหรือสิ่งที่ต้องการแก้ไขที่ชัดเจนเพื่อนำไปสู่เป้าหมายหรือสร้างแรงกระตุ้น ให้นำไปสู่ความสำเร็จ กระบวนการนี้จำเป็นต้องตีกรอบปัญหาที่ชัดเจนและตั้งข้อสมมติฐาน ว่า หากนำการวิเคราะห์ข้อมูลไปใช้ จะสามารถทำให้ความเป็นไปได้ที่ธุรกิจได้รับผลประโยชน์มากน้อยเพียงใด คุ้มค่ากับการลงทุนหรือไม่ นับว่าเป็นขั้นตอนที่สำคัญในการเข้าใจปัญหา เพื่อสร้างการตัดสินใจทางธุรกิจ พร้อมทั้งเปรียบเทียบกับทรัพยากรที่มีอยู่ ให้เกิดประโยชน์สูงสุดต่อองค์กร

2. รวบรวมข้อมูล (Gathering data): อาจจะรวบรวมข้อมูลจากแหล่งข้อมูลที่มีอยู่ เช่น IoT sensors, 3D scanner, Online transaction เป็นต้น โดยข้อมูลเหล่านี้ มีความหลากหลายโดยมีทั้ง รูปแบบที่ชัดเจน (Structured) กึ่งกลางรูปแบบชัดเจนและไม่ชัดเจน (Semi-Structured) และมีรูปแบบที่ไม่ชัดเจน(Unstructured)

3. เก็บข้อมูล (Store data):  นำข้อมูลที่มาจากแหล่งข้อมูลที่หลากหลายเข้าไปรวมกันใน Data lake โดยในกระบวนเก็บข้อมูลนี้เราสามารถใช้ Public cloudหรือ Private cloud ในการจัดเก็บข้อมูลหรือจะทำ Sever เก็บข้อมูลเองก็ยังสามารถทำได้

4. เตรียมข้อมูล (Data preparation): การเตรียมข้อมูลเพื่อนำไปสู่การวิเคราะห์ด้วยวิธีการ Extract, Transform and Load (ETL)  ในกระบวนการนี้จะมีการทำความสะอาดข้อมูล (Data cleansing) จัดการกับ Noise, Outliers (การจัดการกับข้อมูลที่ขาดหายไป) พร้อมทั้งทำการตรวจสอบคุณภาพข้อมูล และความถูกต้อง (Data profiling)

5. วิเคราะห์ข้อมูล (Data analysis): จะใช้หลักการทางสถิติ (Statistics) และปัญญาประดิษฐ์ (Machine learning) ในการแยกแยะข้อมูล รูปแบบลักษณะข้อมูล และแนวโน้มและพยากรณ์ไปข้างหน้า เพื่อให้ตอบโจทย์ความต้องการทางธุรกิจ หรือปัญหาที่ต้องการศึกษา

6. แสดงผลข้อมูล Report/Dashboard (Data Visualization):  เป็นการสร้างรายงานนำเสนอในรูปแบบ กราฟ หรือ สรุปรวมหลาย Visuals เพื่อนำเสนอเล่าเรื่องราวของข้อมูลเพื่อประกอบการตัดสินใจในเรื่องต่างๆ หรือประมาณการข้อมูลในอนาคตตามที่ได้มีการเตรียม KPI ไว้หรือ Business logics ที่ต้องการอยากจะเห็นเพื่อช่วยในการตัดสินใจ

7. ติดตั้งระบบ (Deployment): ติดตั้งระบบเข้ากับระบบที่มีอยู่เพื่อให้ผู้ใช้งาน (Business users) ได้ใช้งานระบบและมีการควบคุม Version ที่มีการปรับปรุงแก้ไข (Version control)

Big data analytics กับการพัฒนาโซลูชัน (Solution)

ปัจจุบัน การวิเคราะห์ข้อมูลขนาดใหญ่ (Big data analytics) ได้ทำการปฎิวัติกระบวนการวิเคราะห์ข้อมูลเพื่อช่วยในการตัดสินใจในวงการธุรกิจและอุตสาหกรรมครั้งสำคัญเลยก็ว่าได้

ประโยชน์ในแง่มุมของการบริหารจัดการ จากการทำ Big data analytics ผลลัพธ์ที่ได้ คือ ข้อมูลที่ผ่านกระบวนการประมวลผล ช่วยส่งเสริมการวางแผนและตัดสินใจกิจกรรมทางธุรกิจได้ดีขึ้นจากข้อเท็จจริงที่เห็นผ่านการวิเคราะห์ข้อมูล ยกตัวอย่าง

• การลดต้นทุน (Cost reduction): สามารถหาโซลูชันที่ดียิ่งขึ้นในการลดกระบวนการทำงาน และเพิ่มประสิทธิภาพ
• การพัฒนาผลิตภัณฑ์ (Product development): ทำให้องค์กรเริ่มมองเห็นถึงตลาดใหม่ เช่น การทำตลาดแบบเฉพาะกลุ่มมากขึ้น (Niche Marketing) อาจจะเป็นผลิตภัณฑ์ตัวใหม่ที่แนวโน้มมีความต้องการสูงในอนาคต มีคุณสมบัติใหม่ หรือพัฒนาตลาดเดิมให้ดีขึ้น
• การตัดสินใจเชิงกลยุทธ์ (Strategic business decisions): องค์กรมองเห็นภาพรวมจากการวิเคราะห์ข้อมูล ทำให้สามารถตัดสินใจแนวทางการบริหารจัดการได้ดีขึ้น เพื่อให้เหมาะสมกับสภาพแวดล้อมขององค์กรในขณะนั้น
• การบริหารประสบการณ์ของลูกค้า (Customer experience): หรือ Data-driven สามารถช่วยให้นักการตลาดสามารถสร้างความพึงพอใจให้ลูกค้าได้ดียิ่งขึ้น นำไปสู่การสร้างประสบการ์และภาพลักษณ์ที่มีต่อองค์กรในเชิงบวก
• การบริหารความเสี่ยง (Risk management): ที่อาจเกิดขึ้นโดยการวิเคราะห์ ประเมิน จัดการ และติดตามกระบวนการที่เกิดขึ้นภายในองค์กร

ตัวอย่างที่กล่าวด้านบน เป็นเพียงส่วนหนึ่งของวิธีการจัดการข้อมูล โดยสามารถแสดงให้เห็นถึงภาพรวม และข้อเท็จจริง (Data storyteller) หรือเป็นข้อมูลเพื่อนำไปสู่การแก้ไขปัญหา จากการที่เห็นพฤติกรรมข้อมูลที่เกิดขึ้น (Data behavior) นั่นเอง

AMCO พัฒนาโซลูชัน Data Platform ด้วยประสบการณ์กว่า 15 ปี ในอุตสาหกรรมผลิตรถยนต์ (Automobile and auto part) เครื่องดื่มและอาหาร (Food and beverage) ผลิตยางรถยนต์ (Tires manufacturing) การบริการ (Services) และธุรกิจการเงินและบริหารหนี้ (Financial and debt management) และเป็นที่ปรึกษาการพัฒนาระบบโซลูชันขององค์กรชั้นนำทั้งในไทยและประเทศญี่ปุ่น

สอบถามข้อมูล หรือปรึกษาเกี่ยวกับโซลูชันของเรา คลิก