Papoj Thamjaroenporn, Author at Big Data Institute

บทความทั้งหมด

All Articles

ต้นแบบบทความ (Article Template v2023)

There is no excerpt because this is a protected post.

17 August 2023

Data for Business

Digital Transformation สิ่งที่ทุกองค์กรต้องทำเพื่อความอยู่รอด

Digital Transformation เป็นคำที่องค์กรต่าง ๆ ทั่วโลกและในประเทศไทยเริ่มรับรู้และตระหนักอย่างจริงจังในช่วงทศวรรษที่ผ่านมา ตั้งแต่รายงานโดย McKinsey ในปี ค.ศ. 2017 ว่ามีองค์กรเพียง 40% ในภาคธุรกิจโดยรวมที่เข้าสู่ความเป็นดิจิทัลอย่างเต็มตัว มาจนถึงทุกวันนี้ในยุคหลังโควิด-19 (post-pandemic/new normal era) เราแทบจะนึกไม่ออกแล้วว่า มีองค์กรใดบ้างที่ยังไม่ได้เข้าสู่ความเป็นดิจิทัลทางใดทางหนึ่งแล้วยังอยู่รอดได้ แต่นั่นไม่ได้หมายความว่าทุกองค์กรจะสร้างความเปลี่ยนแปลงทางดิจิทัลได้อย่างประสบความสำเร็จ บางองค์กรโอบรับเทคโนโลยีดิจิทัลเข้ามาพร้อมกันหลายชิ้น แต่กลับเป็นเทคโนโลยีที่ไม่เชื่อมโยงกัน บางองค์กรพยายามบังคับให้คนในองค์กรต้องปรับวิถีการทำงานผ่านเทคโนโลยีชิ้นใหม่ แต่ทำได้ไม่นาน พนักงานก็กลับมาทำงานตามวิถีเดิม ทำให้องค์กรเสียทรัพยากรและค่าใช้จ่ายสูญเปล่ามหาศาล หลาย ๆ ท่านคงจะสงสัยกันแล้วว่า ในบทความนี้ ผมจะพาท่านผู้อ่านมาลองศึกษาและตอบคำถามเหล่านี้กันครับ วิวัตนาการ 3 ขั้นตอน สู่ Digital Transformation ก่อนอื่นเรามาทำความเข้าใจร่วมกันก่อนว่า กว่าองค์กรหนึ่งจะทำ Digital Transformation ได้นั้นจริง ๆ แล้วจะต้องผ่านวิวัฒนาการทางเทคโนโลยีสามขั้นตอน คือ Digitization, Digitalization, และตามท้ายด้วย Digital Transformation Digitization คือ การแปลงข้อมูลแบบแอนะล็อก (analog) เป็นข้อมูลแบบดิจิทัล (digital) ตัวอย่างคลาสสิกคือการสแกนเอกสารกระดาษเป็นเอกสารดิจิทัล เก็บในรูปแบบไฟล์ในระบบคอมพิวเตอร์ ลดความจำเป็นในการใช้ตู้เก็บเอกสาร ลดความเสี่ยงจากความเสียหายของข้อมูลในกรณีที่เอกสารเริ่มเก่า ขาด หรือเปียกน้ำ อีกตัวอย่างหนึ่งคือการใช้ word processor อย่าง Microsoft Word ในการสร้างเอกสารดิจิทัล แทนการสร้างเอกสารด้วยเครื่องพิมพ์ดีด Digitalization เป็นขั้นกว่าของ Digitization ซึ่งหมายถึงการใช้เทคโนโลยีดิจิทัลเพื่อทำสิ่งที่องค์กรทำได้อยู่แล้ว แต่ทำได้ดี เร็ว หรือประหยัดทรัพยากรได้มากกว่าเดิม ยกตัวอย่างเช่น การค้นหาข้อมูลจากเอกสาร ถ้าเป็นเอกสารกระดาษ องค์กรต้องใช้คนเปิดตู้เอกสารแล้วไล่ดูทีละแฟ้มจนเจอข้อมูลที่ต้องการ แต่การนำเทคโนโลยีดิจิทัลอย่างคอมพิวเตอร์มาใช้นั้น คอมพิวเตอร์จะสามารถค้นหาเอกสารที่ต้องการได้อย่างง่ายดายและรวดเร็ว ผ่านการพิมพ์คำค้นหาไม่กี่คำ โดยใช้ประโยชน์จากเทคโนโลยีการจัดเรียง (indexing and sorting) ไฟล์ดิจิทัลบนเครื่องคอมพิวเตอร์ และที่สำคัญคือ ประหยัดทรัพยากรมนุษย์อีกด้วย จะสังเกตได้ว่า Digitization และ Digitalization ไม่ได้ทำให้ธุรกิจหรือองค์กรสามารถทำอะไรใหม่ ๆ ได้มากกว่าเดิม เอกสารข้อมูลก็ยังคงมีอยู่ การค้นหาเอกสารก็ยังทำได้เหมือนเดิม แต่สามารถทำได้ดีขึ้น รวดเร็วขึ้น มีประสิทธิภาพมากขึ้น Digital Transformation คือการเปลี่ยนแปลงขั้นสูงทางดิจิทัลสำหรับองค์กร ซึ่งเป็นการนำเทคโนโลยีดิจิทัลเข้ามาสร้างนวัตกรรมใหม่ เปลี่ยนวิถีการทำธุรกิจหรือธุรกรรมไปจากเดิมโดยสิ้นเชิง และสร้างคุณค่า (value) ให้กับลูกค้าหรือผู้ใช้งานในทุกโอกาส (นิยามโดย Salesforce) โดยเริ่มจากการตั้งคำถามว่า “เราจะพลิกโฉมธุรกิจและกระบวนงานของเราได้อย่างไร ให้องค์กรก้าวไปสู่ขั้นกว่าของการตัดสินใจที่ดีขึ้น ประสิทธิภาพที่เพิ่มขึ้น และประสบการณ์ของลูกค้าและผู้ใช้งานที่ตรงใจมากขึ้น?” Digital Transformation เป็นการนำเทคโนโลยีดิจิทัลเข้ามาสร้างนวัตกรรมใหม่ เปลี่ยนวิถีการทำธุรกิจหรือธุรกรรมไปจากเดิมโดยสิ้นเชิง และสร้างคุณค่า (value) ให้กับลูกค้าหรือผู้ใช้งานในทุกโอกาส หากเรามองย้อนกลับไปที่ตัวอย่างของการจัดเก็บเอกสาร หากเราผนวก word processor ผนวกกับเทคโนโลยีคลาวด์ และ smartphones ทำให้พนักงานภายในองค์กรสามารถ (1) แก้ไขเอกสารได้ทันที, (2) เข้าถึงเอกสารจากที่ไหนก็ได้ โดยไม่จำเป็นต้องเดินทางไปออฟฟิศ, (3) สามารถใช้งาน collaboration feature เพื่อจัดทำเอกสารร่วมกับเพื่อนร่วมงานได้ ซึ่งสิ่งเหล่านี้เป็นขีดความสามารถ (capabilities) ใหม่ ๆ ที่องค์กรไม่เคยทำได้มาก่อนด้วยเทคโนโลยีเดิม ๆ ซึ่งช่วยเพิ่มประสิทธิภาพภายในองค์กรได้อย่างไม่เคยมีมาก่อน อีกตัวอย่างที่คลาสสิกมาก คือ กรณีศึกษาของ Netflix ที่ผันตนเองจากเดิมที่เคยเป็นผู้ให้บริการเช่าวิดีโอ มาเป็นผู้ให้บริการความบันเทิงผ่านช่องทาง streaming ซึ่งสอดคล้องกับเทคโนโลยีอินเตอร์เน็ตความเร็วสูงที่คนทั่วไปสามารถเข้าถึงได้ในวงการมากขึ้น ซึ่ง Digital Transformation ของ Netflix ทำให้เกิดประสบการณ์ที่ดีเยี่ยมกับผู้ใช้งานที่เทคโนโลยีเดิมไม่สามารถทำได้มาก่อน นั่นคือ ระบบการแนะนำสิ่งที่ตรงใจผู้ใช้งาน หรือ recommender system ซึ่งเกิดขึ้นได้จากการวิเคราะห์ข้อมูลด้านความชอบและพฤติกรรมการดูหนังของผู้ใช้งานที่ถูกจัดเก็บในรูปแบบดิจิทัล (อ่านเพิ่มเติมเกี่ยวกับนวัตกรรมดิจิทัลของ Netflix ได้ที่นี่) และประสบการณ์ที่ดีกว่าอย่างไม่เคยมีมาก่อนนี้ ทำให้ Netflix เข้ามาสร้างความสั่นสะเทือน (disruption) ในธุรกิจสื่อและความบันเทิงที่มีอยู่เดิม และแน่นอนว่า องค์กรที่ไม่สามารถปรับตัวได้ทันก็จะไม่สามารถดำเนินธุรกิจได้ต่ออย่างยั่งยืน Digital Transformation สามารถทำให้องค์กรหรือบริษัทหนึ่งสร้างความสั่นสะเทือน (disruption) ในวงการธุรกิจที่มีอยู่เดิม และแน่นอนว่า องค์กรที่ไม่สามารถปรับตัวได้ทันก็จะไม่สามารถดำเนินธุรกิจได้ต่ออย่างยั่งยืน มากกว่าการพัฒนาศักยภาพ Digital Transformation คือหนทางรอด จากนิยามความหมายของ Digital Transformation ข้างต้น เราพอจะเห็นภาพว่าทำไม Digital Transformation ถึงสำคัญ นั่นเป็นเพราะ Digital Transformation เป็นมากกว่าการแค่ทำให้องค์กรขึ้นพัฒนาศักยภาพตนเองให้ดีขึ้น แต่หลาย ๆ ครั้ง มันหมายถึง หนทางรอด ของธุรกิจนั้น ๆ เพราะถ้าองค์กรหรือบริษัทหนึ่ง ๆ ไม่วิวัฒนาการตนเองผ่าน disruption ในไม่ช้าก็จะต้องถูกองค์กรหรือบริษัทอื่น disrupt อยู่ดี นอกจากนี้แล้ว ผู้คนทั้งบุคลากรภายในองค์กรและบุคคลภายนอกที่ทำธุรกรรมกับองค์กรยุคใหม่ล้วนมีความคาดหวังที่สูงขึ้นจากความสะดวกสบายที่เทคโนโลยีดิจิทัลจะนำเสนอประสบการณ์ที่ดีให้ลูกค้าและผู้ใช้งานได้ ไม่ว่าจะเป็น และความคาดหวังที่สูงเหล่านี้สามารถถูกตีมูลค่าออกมาเป็นตัวเงินได้อีกด้วย ผลการวิจัยโดย Isobar ค.ศ. 2017 ได้ทำการศึกษาบริษัทที่จดทะเบียนในตลาดหลักทรัพย์ในสหรัฐอเมริกากว่า 1,000 บริษัท และค้นพบความสัมพันธ์ (correlation) ระหว่าง “ความมีศักยภาพทางดิจิทัล” ของบริษัทและราคาหุ้นของบริษัทในระยะยาวซึ่ง “ความมีศักยภาพทางดิจิทัล” นี้ถูกวัดโดยการพิจารณาจากองค์ประกอบต่าง ๆ เช่น ความเป็นที่รู้จักของแบรนด์ผ่านช่องทางดิจิทัล สัดส่วนรายได้ที่มาจากช่องทางดิจิทัล เป็นต้น ทำไม Digital Transformation ถึงทำยาก? การที่หลาย ๆ องค์กรก็ยังไม่สามารถทำ Digital Transformation ได้เป็นผลสำเร็จ อุปสรรคและข้อผิดพลาดที่มักเกิดขึ้น (Common Mistakes) สามารถแบ่งหลัก ๆ ได้เป็นกรณีดังนี้: ในงานสัมมนา Big Data Leadership Summit 2021 คุณปาจรีย์ แสงคำ Head of Digitization จากโอสถสภา ผู้เชี่ยวชาญด้าน Digital Transformation ได้กล่าวไว้ว่า อุปสรรคในการทำ Digital Transformation ที่สำคัญที่สุดไม่ใช่เรื่องทางเทคนิคหรือตัวเทคโนโลยีที่ใช้ แต่เป็นเรื่องของการบริหารจัดการทรัพยากรบุคคลในองค์กร การปรับเปลี่ยนทัศนคติ ความเชื่อ และอุปนิสัยที่บุคลากรภายในองค์กรอาจคุ้นชินกับวิธีการทำงานแบบเดิม ๆ ที่ได้ผลอยู่แล้ว ประกอบกับผลเสียที่อาจเกิดขึ้นหากมีการเปลี่ยนแปลงวิธีการทำงานแล้วเกิดข้อผิดพลาด ทำให้บุคลากรภายในองค์กรอาจมีกรอบความคิด (mindset) ที่ว่า “if it ain’t broke, don’t fix it.” (อย่าไปเปลี่ยนอะไรที่มันยังไม่เสีย) ซึ่งอาจรักษาเสถียรภาพขององค์กรโดยรวมไว้ได้ แต่ชุดวิธีคิดเช่นนี้กลับกลายเป็นอุปสรรคต่อวิวัฒนาการขององค์กรสู่ความเป็นดิจิทัล การปรับเปลี่ยนพฤติกรรม วิถีการปฏิบัติงาน และทัศนคติต่อการทำงานภายในองค์กรสู่ Digital Transformation คุณปาจรีย์ได้ให้ข้อแนะนำในหลักการเปลี่ยนพฤติกรรม วิถีการปฏิบัติงาน และทัศนคติต่อการทำงานภายในองค์กร สู่การขับเคลื่อนด้วย Digital Transformation ดังนี้ อุปสรรคในการทำ Digital Transformation ไม่ได้มีเพียงเรื่องทางเทคนิค แต่เป็นเรื่องของการบริหารจัดการทรัพยากรบุคคลในองค์กร แนวทางของกระบวนการ Digital Transformation ถึงแม้ว่ากระบวนการทำ Digital Transformation จะไม่ได้มีสูตรสำเร็จตายตัว แต่องค์ประกอบที่ชัดเจนที่คุณปาจรีย์ได้แนะนำไว้ โดยอ้างถึงแนวคิดจาก Gartner คือ การปลูกฝังค่านิยมและชุดความคิด (mindset) ผนวกกับกระบวนการทำงาน (process) ที่พร้อมรับความเปลี่ยนแปลงอยู่เสมอ เมื่อถูกขยายผลด้วยเทคโนโลยี (technology) ที่ตอบโจทย์และภารกิจขององค์กร จะนำไปสู่ขีดความสามารถ (capabilities) ใหม่ ๆ ที่สร้างประสิทธิผลเชิงประจักษ์ บทสรุป ท่ามกลางยุคที่ความเปลี่ยนแปลงเป็นเรื่องปกติ องค์กรที่ผ่านกระบวนการ Digital Transformation จะสร้างขีดความสามารถในการผลิตนวัตกรรมที่เป็นมากกว่าการเติบโต แต่อาจหมายถึงความอยู่รอดขององค์กร ทั้งนี้ คุณปาจรีย์ได้เน้นย้ำว่า ความท้าทายหลักของ Digital Transformation คือการบริหารจัดการทรัพยากรบุคคล และวัฒนธรรมองค์กร ซึ่งองค์กรสามารถเริ่มวางยุทธศาสตร์ตามหลักการเปลี่ยนพฤติกรรมและชุดความคิด (behavior and mindset) ภายในองค์กร ผนวกกับกระบวนการ และเทคโนโลยีที่เหมาะสม เนื้อหาโดย ปพจน์ ธรรมเจริญพร ตรวจทานและปรับปรุงโดย ปพจน์ ธรรมเจริญพร

1 June 2023

AI กับการอ่านสัญญาณสมองมนุษย์

เมื่อพูดถึงเซลล์ประสาท หลายคนอาจนึกถึง Neural Network ที่เป็นจุดเปลี่ยนของเทคโนโลยี AI ในปัจจุบัน แต่บทความนี้ ผมอยากพูดถึงเซลล์ประสาทจริง ๆ ที่อยู่ในสมอง เมื่อเซลล์ประสาทหลาย ๆ เซลล์ส่งผ่านข้อมูลระหว่างกันก็จะเกิดสนามไฟฟ้าขึ้นในสมอง และถ้ากิจกรรมในสมองนั้นมีมากพอ สนามไฟฟ้านี้ก็จะเข้มมากพอที่จะพอส่งผ่านกะโหลกศีรษะเข้ามาเป็นสัญญาณทางไฟฟ้าแบบอ่อน ๆ ที่บริเวณศีรษะของเราครับ ซึ่งสัญญาณนี้ถูกค้นพบครั้งแรกตั้งแต่ปี 1929 ด้วยความบังเอิญ แต่ต้องใช้เวลาหลายสิบปีกว่าที่มนุษย์จะเข้าใจมันจริง ๆ ครับ เป็นศาสตร์ที่เรียกว่า การวัดคลื่นไฟฟ้าสมอง หรือ Electroencephalogram (EEG) ( AI คืออะไร ) ศาสตร์แห่งการอ่านคลื่นสมอง เนื่องจากสมองเป็นศูนย์กลางการประมวลผลหลาย ๆ อย่างของมนุษย์ ตั้งแต่การรับรู้ด้วยประสาทสัมผัสทั้งห้า ไปจนถึงการคิดว่าคืนนี้จะกินข้าวอะไรกับใครดีนะ สัญญาณที่อ่านได้จากสมองเลยน่าสนใจเพราะมันอาจจะสื่อความหมายอะไรบางอย่าง หรือบางที คอมพิวเตอร์อาจจะเข้าใจมนุษย์ได้เลยโดยที่มนุษย์ไม่ต้องสั่งการอะไร เพียงแต่คอมพิวเตอร์อ่านสัญญาณสมองโดยตรง จนเกิดเป็นสาขาที่เรียกว่า Brain-Computer Interface (BCI) แต่อย่าเพิ่งคาดหวังว่าคอมพิวเตอร์จะ “รู้ใจ” เราไปทั้งหมดนะครับ การศึกษาในสาขานี้ยังถือว่าใหม่มาก และคอมพิวเตอร์ยังไม่ได้เก่งขนาดนั้น ถามว่าศาสตร์นี้พัฒนาไปถึงไหนแล้ว ต้องเริ่มอธิบายก่อนครับว่า งานวิจัยสายนี้แบ่งออกเป็น 3 สาขาย่อย สาขาแรกคือ การอ่านสัญญาณที่เกิดจากมนุษย์ “สั่งการ” หรือที่เรียกว่า Active BCI โดยมนุษย์นั้นแค่เราคิดว่าเราอยากจะขยับแขนซ้าย แค่เราคิด แต่ไม่ได้ขยับจริง ๆ คลื่นสมองก็เข้มพอที่คอมพิวเตอร์จะอ่านได้ครับ และเริ่มประสบความสำเร็จเมื่อนักวิจัยสามารถสร้างเครื่องอ่านจนผู้พิการสามารถเคลื่อนย้ายรถเข็นได้ตามใจด้วยการ “นึกคิด” การขยับแขนซ้ายขวา สาขาที่สอง เกิดจากที่นักวิจัยเริ่มพบว่า ถ้าเรามองภาพที่กระพริบด้วยความถี่หนึ่ง เช่น 10 ครั้งต่อวินาที คลื่นสมองบางส่วน เช่น ส่วนหลังก็จะกระพริบ 10 วินาทีด้วย ถ้าเราทำให้ตัวอักษร A-Z กระพริบด้วยความถี่แตกต่างกัน บางที เราอาจให้ผู้พิการเลือกมองตัวหนังสือหนึ่งแล้วเราก็มาอ่านจากสัญญาณสมอง ก็พอรู้แล้วว่าผู้พิการอยากจะพิมพ์ตัวหนังสือไหน ซึ่งแบบนี้ผู้พิการจะสามารถพิมพ์ได้เร็วกว่าแบบแรกครับ เป็นการเชื่อมต่อกับสมองด้วยระบบ “ตอบสนอง” กับสิ่งเร้า เลยเรียกว่า Reactive BCI สาขาสุดท้ายนี่พิเศษหน่อย และไม่เหมือนสองสาขาแรกคือ ผู้ใช้ไม่ต้องทำอะไรเลย แค่นั่งเฉย ๆ ไม่ต้องสั่งการหรือดูตัวหนังสืออะไร คอมพิวเตอร์ก็จะพยายามอ่านข้อมูลจากสมองโดยตรง ถามว่าคอมพิวเตอร์อ่านอะไรได้บ้าง คงไม่ถึงกับถอดรหัสความคิดแน่นอนครับ เพราะสัญญาณส่วนนั้นอยู่ลึกมากในสมอง แต่ที่เครื่องจะพออ่านได้คือ “อารมณ์” “ความรู้สึก” “ความเครียด” ที่สัญญาณมีมากพอที่จะหวัดได้ที่หนังศีรษะ ด้วยความที่ผู้ใช้ไม่ต้องทำอะไรเลย เลยเป็นสาขาที่เรียกว่า Passive BCI ซึ่งสาขานี้เป็นเป็นสาขาที่มาแรง และเราจะมาพูดถึงเรื่องนี้ในบทความนี้กันครับ ทำนายอารมณ์จากคลื่นสมอง สมองคนเราทำงานสอดประสานกันหลายส่วน การจะเข้าใจสมองเลยต้องมีขั้วไฟฟ้าวางไว้ที่หลายตำแหน่งบนศีรษะ นอกจากนี้เซลล์ประสาทยังสื่อสารกันเร็วมาก เราเลยต้องมีเครื่องมือวัดที่มีความถี่สูง ถึงจะสามารถจับสัญญาณทันได้ เมื่อรวมกันแล้ว สัญญาณคลื่นสมองเลยเป็นข้อมูลขนาดใหญ่ที่เข้าใจยาก นอกจากนี้แล้วยังอาจถูกรบกวนจากคลื่นรอบข้างได้ง่ายอีกด้วย แต่การพัฒนาของ AI นั้นทำให้มนุษย์ศึกษาและถอดรหัสคลื่นสมองได้เก่งมากขึ้นครับ โดยมหาวิทยาลัยโอซาก้าได้ใช้ Machine Learning ในการอ่านคลื่นสมองในขณะที่คนเราฟังเพลง และพยายามจะทำนายว่าคนฟังรู้สึกอย่างไรกับเพลงนี้ ชอบหรือไม่ชอบ ผ่อนคลายหรือเร้าใจ ด้วยความแม่นยำระดับ 80% ครับ เพราะจริง ๆ แล้วนั้น บางทีเราอาจจะไม่รู้ความรู้สึกตัวเองจริง ๆ ก็เป็นได้ อย่างเช่นเวลาเราฟังเพลง เราไม่รู้หรอกว่าเรารู้สึกอย่างไร บางที ฟังเพลงเศร้า เราอาจจะมีความสุขก็ได้ หรือบางทีฟังเพลงสนุก ๆ แต่เราไม่ชอบเพลงเร็ว ก็อาจจะทำให้หงุดหงิดได้ครับ แต่สิ่งนึงที่เรารู้คือคลื่นสมองไม่ได้โกหกเรา ว่าคนฟังชอบเพลงนี้จริง ๆ หรือไม่ เพราะฉะนั้นโมเดลที่ทำนายได้เก่ง ก็จะสามารถเข้าใจคนคนนั้นได้มากกว่าตัวเขาเองด้วยซ้ำ เสียงเพลงจากสมอง ทีมวิจัยจากโอซาก้าต่อยอดการวิจัยด้วยการทดลองที่ให้ผู้ฟังมานั่งฟังเพลงสัก 10 เพลง พร้อมกับอ่านคลื่นสมอง แล้วดูว่าเพลงไหนบ้างที่คนฟังฟังแล้ว(โมเดลทำนายว่า)ชอบ หลังจากนั้นก็จะใช้ Genetic Algorithm แต่งเพลงใหม่ในสไตล์ของตัวเองตามเซ็ตเพลงที่ชื่นชอบนั้น กลายเป็นเพลงประจำตัวที่ไม่เหมือนใครด้วยครับ [1] งานวิจัยด้านการอ่านอารมณ์จากคลื่นสมองไม่ใช่เรื่องใหม่ครับ แต่จุดที่น่าสนใจของของกลุ่มนี้คือ เครื่องวัดคลื่นสมองที่เป็นแบบ “สวมใส่ได้” (Wearable) สะดวกสบาย ไม่เหมือนกับเครื่อง EEG ที่เราเห็นตามโรงพยาบาลที่มีสายพะรุงพะรังครับ เพราะเวลาเราฟังเพลง เราคงอยากฟังแบบ “ไร้สาย” และสามารถเคลื่อนไหวได้อย่างอิสระ ซึ่งเครื่อง Wearable EEG นี้เป็นความร่วมมือวิจัยกับบริษัท imec ที่เป็นผู้เชี่ยวชาญด้านการออกแบบอุปกรณ์ไมโครอิเล็กทรอนิกส์ในประเทศเนเธอร์แลนด์ครับ โดยอุปกรณ์นี้จะช่วยลดระยะเวลาการติดตั้งเครื่องมือ และยังทำให้ใช้งานสะดวกอีกด้วย [2] ทีมวิจัยกำลังพัฒนา AI ต่อไปเพื่อให้อ่านอารมณ์ได้แม่นยำมากขึ้น และการใช้งานเป็นธรรมชาติมากขึ้น สักวันหนึ่ง เราอาจจะเห็นเครื่องมือนี้วางขายในท้องตลาด เพื่อบันทึกอารมณ์รายชั่วโมง บันทึกความเครียดรายวัน หรือสภาพจิตรายสัปดาห์ เพื่อให้เราวางแผนจัดการชีวิตและอารมณ์ให้ดียิ่งขึ้นต่อ ๆ ไป หรือเราอาจจะนำ AI มาใช้เป็นตัวช่วยในการปรับอารมณ์ โดย AI จะแต่งเพลงเฉพาะที่อาจจะอารมณ์ดีขึ้นก็ได้นะครับ เพราะ AI รู้จักเรามากขึ้นจากการอ่านสัญญาณสมองของเราแล้ว ( AI คืออะไร ) เนื้อหาโดย ดร.นัฐพงศ์ ธรรมสารตรวจทานและปรับปรุงโดย ปพจน์ ธรรมเจริญพร

24 November 2022

Data for Business

Social Listening คืออะไร ทำไมถึงสำคัญ และมีวิธีการทำอย่างไร?

“Social-Listening” คืออะไร? ทำไมถึงสำคัญ? เครื่องมือ Social Listening ที่ดีที่สุดคืออะไร? พบคำตอบได้ที่นี่ จะดีแค่ไหน ถ้าหากคุณ (และทุกคนในทีมของคุณ ตั้งแต่แผนก Social Media, PR, Product ไปจนถึง การตลาด) สามารถเข้าถึงข้อมูลที่บ่งบอกว่า ณ ตอนนี้ผู้คนกำลังพูดเรื่องอะไร พูดถึงแบรนด์คุณและคู่แข่งอย่างไร นี่แหละคือ บทบาทของ Social Listening Social Listening ที่จะทำให้คุณรู้ว่ามีคนเพิ่งโพสต์ทวีตชื่นชมสินค้าของคุณอยู่ มีคนเขียนถึงบริษัทของคุณในบทความที่รวมสตาร์ทอัพที่มีแนวโน้มดีที่สุดของปี ในขณะเดียวกันก็มีคนโพสต์บ่นเรื่องการดูแลลูกค้าของคุณ ไม่เพียงเท่านี้คุณยังสามารถรู้ได้ว่าคู่แข่งของคุณได้ทำการเปิดตัวสินค้าใหม่และมีคนพูดถึงสินค้านั้นอย่างไร รู้แบบนี้แล้วไปรู้จัก Social Listening กันเถอะ Social Media Listening คืออะไร? Social Listening คือกระบวนการในการติดตามคำคำหนึ่ง วลีหนึ่ง หรือแม้แต่ประโยคที่ซับซ้อนในโซเชียลมีเดียและเว็บไซต์ต่าง ๆ แล้วนำข้อมูลเหล่านั้นมาวิเคราะห์ ซึ่งส่วนใหญ่แล้วคำที่จะถูกติดตามมักจะเป็นชื่อแบรนด์ แต่รู้หรือไม่ว่า Social Listening ทำได้มากกว่านั้น เพราะคุณสามารถติดตามคู่แข่ง ธุรกิจ แฮชแท็กแคมเปญบนโลกออนไลน์ แล้ววิเคราะห์ออกมาได้ว่าสิ่งที่คุณกำลังติดตามอยู่นั้นถูกพูดถึงในแง่ไหน รวมไปถึงสามารถหาสิ่งที่มีกลุ่มคนกำลังสนใจ เช่น บริษัทอสังหาริมทรัพย์สามารถหากลุ่มคนที่กำลังมองหาสถานที่เช่าสำนักงานในย่านใจกลางเมืองได้ แม้เครื่องมือนี้จะมีคำว่าโซเชียล แต่ Social Listening ไม่ได้รวบรวมข้อมูลจากโซเชียลมีเดียเพียงอย่างเดียว เพราะเครื่องมือนี้สามารถรวบรวมข้อมูลจากเว็บไซต์ข่าว บล็อก ฟอรั่ม และเว็บไซต์อื่น ๆ ได้อีกด้วย นอกจากคำว่าโซเชียลในชื่อที่ทำให้คนสับสนเกี่ยวกับ Social Listening แล้ว ยังมีเรื่องของการเรียกชื่ออีกที่ทำให้คนสับสน เพราะต่างคนก็ใช้ชื่อที่แตกต่างกันไป ซึ่งชื่อที่เราได้ยินกันบ่อยครั้งในทุกวันนี้ ได้แก่ Buzz Analysis, Social Media Measurement, Brand Monitoring, Social Media Intelligence รวมไปถึง Social Media Monitoring โดยคำที่กล่าวไปข้างต้นนั้น แม้จะมีความคล้ายกันแต่ไม่ได้มีความหมายเหมือนกันซะทีเดียว ประโยชน์ของ Social Listening Social Media Listening สามารถทำให้คุณเข้าถึงข้อมูลเชิงลึกที่มีประสิทธิภาพได้ ไม่ว่าจะเป็นข้อมูลของลูกค้า ข้อมูลคู่แข่ง ข้อมูลในการวิเคราะห์ตลาด ซึ่งการที่คุณได้รู้ข้อมูลเหล่านี้นั้นทำให้คุณไม่ต้องมานั่งตั้งคำถามกับแบรนด์คุณว่า คุณจะต้องปรับปรุงตรงไหน ต้องพัฒนาอะไร เพราะข้อมูลเชิงลึกเหล่านี้มันบอกคุณหมดแล้ว นอกจากนี้ยังมีอีกหลากหลายวิธีที่คุณสามารถใช้ข้อมูลจาก Social Media Listening นี้ได้ และนี่ตัวอย่างที่คนมักนำเครื่องมือนี้ไปใช้ 1. บริหารจัดการชื่อเสียง บอกเลยว่า การบริหารจัดการชื่อเสียงเป็นเหตุผลหลักที่บริษัทต่าง ๆ ใช้ Social Listening เพราะเครื่องนี้สามารถทำให้ธุรกิจหรือแบรนด์ติดตามการพูดถึงแบรนด์หรือสินค้าของพวกเขาได้ ผู้บริหารหรือเจ้าของแบรนด์จึงสามารถวิเคราะห์ได้ว่า ณ ตอนนี้กลุ่มลูกค้าหรือคนอื่น ๆ นั้น มองแบรนด์เราอย่างไร ไม่เพียงเท่านี้การติดตามข้อมูลอยู่เรื่อย ๆ จะทำให้แบรนด์สามารถวางแผนแก้ไขสถานการณ์ล่วงหน้าได้ เพราะเมื่อเริ่มเห็นว่ามีคนพูดถึงแบรนด์ในแง่ลบมากขึ้น ก็สามารถเข้าไปตรวจสอบและหาแนวทางแก้ไป เพื่อป้องกันไม่ให้แบรนด์เสื่อมเสียชื่อเสียงได้ 2. วิเคราะห์คู่แข่ง นอกจาก Social Media Monitoring Tool จะทำให้คุณสามารถติดตามการพูดถึงของแบรนด์คุณได้แล้ว Social Media Monitoring Tool ยังสามารถติดตามการพูดถึงแบรนด์คู่แข่งของคุณได้อีกด้วย ซึ่งเครื่องมือนี้ก็จะรวบรวมข้อมูลจากสื่อในออนไลน์ทั้งหมดมาให้คุณ ไม่ว่าจะเป็นโซเชียลมีเดีย ฟอรั่มและกระดานสนทนาต่าง ๆ ทำให้คุณไม่ต้องเสียเวลาไปเก็บข้อมูลเหล่านี้ด้วยตนเอง ข้อมูลจาก Social Media Monitoring Tool จึงเป็นประโยชน์อย่างมากในการวิเคราะห์คู่แข่ง เพราะเครื่องนี้สามารถทำได้ตั้งแต่การวัด Share of Voice และการถูกพูดถึงของแบรนด์คู่แข่ง ทำให้คุณสามารถนำมาเปรียบเทียบกับบริษัทของคุณได้ นอกจากนี้ข้อมูลเหล่านี้ยังทำให้คุณรู้จักลูกค้าของคู่แข่งคุณมากขึ้น คุณจะรู้เลยว่าพวกเขาชอบอะไรหรือไม่ชอบอะไรในแบรนด์คู่แข่ง ซึ่งคุณสามารถนำข้อมูลเหล่านี้มาปรับปรุงหรือพัฒนาสินค้าของคุณได้ ไม่เพียงเท่านี้คุณยังสามารถใช้เครื่องในการดูว่าอินฟลูเอนเซอร์หรือสื่อไหน กำลังเป็นที่ถูกพูดถึงและพูดถึงในแง่ไหน หรือแม้กระทั่งว่าคู่แข่งใช้อินฟลูเอนเซอร์หรือสื่ออะไรบ้าง จึงไม่แปลกใจเลยว่าทำไม Social Media Monitoring จึงกลายเป็นเครื่องมือสำคัญในการวิเคราะห์คู่แข่งแบบละเอียด 3. คำติชมผลิตภัณฑ์ หากบริษัทหรือแบรนด์ของคุณมีการเปลี่ยนแปลงบางอย่าง เช่น เปลี่ยนแบรนด์ CI หรือปรับปรุงสินค้า เป็นต้น การติดตามหัวข้อหรือความคิดเห็นจากลูกค้าในโลกออนไลน์จะทำให้คุณเรียนรู้ได้ว่า พวกเขาคิดอย่างไรกับการเปลี่ยนแปลงนั้น รู้ว่าพวกเขาชอบอะไรเกี่ยวกับสินค้าของคุณ รวมถึงรู้ว่าสินค้าของคุณขาดอะไร นอกจากนี้เครื่องมือนี้ยังช่วยให้คุณเรียนรู้หรือรู้จักลูกค้าของคุณมากยิ่งขึ้น โดยเข้าใจความต้องการของพวกเขาได้ดีขึ้นและรู้ว่าต้องสื่อสารแบบไหนลูกค้าถึงจะเข้าใจ สิ่งนี้เองจะทำให้คุณจะสามารถปรับปรุงโฆษณา เว็บไซต์ และเพิ่มประสิทธิภาพในการเขียนข้อความในช่องทางการสื่อสารต่าง ๆ เพื่อให้คำเหล่านั้นโดนใจและตอบโจทย์ลูกค้าของคุณ 4. ฝ่ายบริการลูกค้า ถ้าหากมานั่งนับการสนทนาใน Social Media ทั้งหมด มีเพียงไม่ถึง 30% เท่านั้นที่จะ Mention หรือกล่าวถึงแบรนด์ ดังนั้นถ้าหากคุณไม่ได้ใช้ Social Listening ในการติดตามแบรนด์ของคุณนั่นหมายความว่าคุณกำลังพลาดหัวข้อการสนทนาเกี่ยวกับธุรกิจของคุณกว่า 70% เลยทีเดียว นอกจากนี้ยังมีสถิติออกมาว่า 60% ของผู้บริโภคคาดหวังให้แบรนด์ตอบกลับภายในหนึ่งชั่วโมง และ 68% ของลูกค้าเลือกที่จะไปหาคู่แข่งหรือแบรนด์อื่นเพราะไม่ได้รับการช่วยเหลือจากฝ่ายบริการลูกค้า ดังนั้นจะเห็นได้ว่าการที่เราไม่ได้ติดตามหรือตอบคอมเมนต์ของลูกค้าก็สามารถทำให้เราสูญเสียยอดขายได้ เนื่องจากลูกค้าเปลี่ยนไปใช้สินค้าจาแบรนด์คู่แข่งแทน 5. สร้างกลุ่มลูกค้าเป้าหมาย แม้แม้ว่าการทำ Lead Generation หรือการหากลุ่มลูกค้าเป้าหมายนั้นไม่ใช่จุดประสงค์หลักที่คนหันมาใช้ Social Listening แต่ก็มี Social Listening จากผู้ให้บริการบางเจ้าที่มีแพ็กเกจเสริม ที่จะช่วยให้แบรนด์สามารถหากลุ่มลูกค้าที่สนใจหรือมีโอกาสที่จะซื้อสินค้าของคุณได้ สำหรับคนที่ต้องการวิเคราะห์ข้อมูลให้ลึกไปอีกขั้น เราขอแนะนำการสืบค้นแบบบูลีน (Boolean Search) ซึ่งเป็นวิธีการสืบคนที่มีความยืดหยุ่นมาก ทำให้เราสามารถหากลุ่มลูกค้าเป้าหมายหรือคนที่มีโอกาสที่จะซื้อสินค้าเราได้มากขึ้น เพราะการสืบค้นแบบนี้ใช้เทคนิคขั้นสูงในการค้นหาที่เป็นการสร้างชุดคำถามที่ซับซ้อน ซึ่งสามารถปรับเปลี่ยนให้เข้ากับการใช้งานได้หลากหลาย ถ้าคุณเป็นบริษัทประกันภัยอยู่ที่นิวยอร์กซิตี้ คุณอาจจะตั้งค่าการให้บูลีนหากลุ่มคนที่กำลังจะย้ายมาอยู่ที่นิวยอร์ก ทีนี้คุณก็จะสามารถติดต่อหาพวกเขาได้ ก่อนที่พวกเขาจะคิดถึงเรื่องประกันภัยด้วยซ้ำ เจ๋งไหมล่ะ? 6. ฝ่ายประชาสัมพันธ์ (PR) Social Listening สามารถช่วยให้ทีม PR ทำงานได้ง่ายขึ้นหลายอย่าง อย่างแรกเลยเครื่องมือนี้จะช่วยให้ทีม PR สามารถติดตามการเผยแพร่ข่าวประชาสัมพันธ์และบทความที่พูดถึงบริษัทของคุณได้ และถ้าจะให้ลึกไปอีกขั้น ทีม PR สามารถติดตามการพูดถึงคู่แข่งและหัวข้อที่คนกำลังพูดถึงในโลกออนไลน์ เพื่อดูว่าเราควรใช้แพลตฟอร์มอะไรในการลงข่าวและหานักข่าวคนไหนมาร่วมงานกัน 7. การตลาดจากอินฟลูเอนเซอร์ จากที่ได้กล่าวไปข้างต้น Social Media Monitoring Tool ส่วนมากจะทำให้คุณรู้ว่าแบรนด์ของคุณถูกพูดถึงเยอะแค่ไหนในโลกออนไลน์ จากนั้นคุณก็จะสามารถหาว่าได้ว่า อินฟลูเอนเซอร์คนไหนชื่นชอบแบรนด์ของคุณและสามารถเข้าถึงคนได้มากที่สุด ดังนั้นหากคุณกำลังมองหาอินฟลูเอนเซอร์รายใหม่ที่จะร่วมงานด้วย สิ่งที่คุณต้องทำมีเพียงแค่ตั้งการแจ้งเตือน Social Listening สำหรับธุรกิจของคุณและดูว่าใครเป็นคนที่มีอิทธิพลมากที่สุดในแวดวงของคุณ และสุดท้าย อย่าลืมดูอินฟลูเอนเซอร์ของคู่แข่งคุณล่ะ เพราะพวกเขาน่าจะเหมาะสมกับแบรนด์ของคุณด้วยเช่นกัน 8. การวิจัย ไม่ใช่แบรนด์หรือบริษัทใหญ่ ๆ เท่านั้นที่ได้ประโยชน์จากการใช้ Social Listening คนอื่น ๆ ที่ต้องการติดตามสิ่งที่ผู้คนในโลกออนไลน์กำลังพูดถึงเกี่ยวกับปรากฏการณ์หรือสถานการณ์ต่าง ๆ ก็สามารถใช้ประโยชน์จาก Social Listening ได้ ไม่ว่าคุณจะเป็นนักข่าวที่ต้องเขียนบทความเรื่อง Brexit องค์กรการกุศลที่ต้องการประเมินผลจำนวนการสนทนาเกี่ยวกับอุดมการณ์ทางสังคม หรือนักธุรกิจที่อยากจะเริ่มทำธุรกิจและทำการวิจัยการตลาด ก่อนจากกัน...

15 November 2022

บริหารหนี้สาธารณะด้วยแบบจำลองวิเคราะห์ต้นทุนและความเสี่ยง

หนี้สาธารณะ (Public Debt) คืออะไร? การบริหารหนี้สาธารณะมีโครงสร้าง ขั้นตอน และสิ่งที่ต้องพิจารณาอย่างไร? ในบทความนี้ เรามาดูตัวอย่างการประยุกต์ใช้ Data Science กับการบริหารหนี้สาธารณะเพื่อให้ภาครัฐรักษาเสถียรภาพทางการคลังกันครับ ? “หนี้สาธารณะ” คืออะไร? รัฐบาลของทุก ๆ ประเทศมีหน้าที่ในการบริหารจัดการงบประมาณภายในประเทศเพื่อพัฒนาประเทศ ตั้งแต่การสร้างถนนและระบบคมนาคม การเยียวยาผู้ประสบปัญหาภัยพิบัติ การส่งเสริมการศึกษา การสาธารณสุข เป็นต้น รัฐบาลหนึ่ง ๆ มี “รายได้” เพื่อใช้ในการพัฒนาประเทศได้อย่างไร? คำตอบคือ การเก็บภาษีนั่นเอง ในกรณีของประเทศไทย รัฐบาลมีการจัดเก็บภาษีเงินได้, ภาษีหัก ณ ที่จ่าย, ภาษีมูลค่าเพิ่ม ไปจนถึงภาษีสรรพสามิตและภาษีศุลกากร ซึ่งไม่ได้แตกต่างจากนานาประเทศทั่วโลกนัก ซึ่งรัฐบาลจะนำรายได้เหล่านี้มาจัดสรรเป็นงบประมาณเพื่อใช้ในด้านต่าง ๆ หากรัฐบาลหนึ่ง ๆ มีรายได้ไม่เพียงพอสำหรับรายจ่ายเพื่อการพัฒนาประเทศในแต่ละปี รัฐบาลก็จำเป็นที่จะต้องกู้ยืมเงินให้เพียงพอต่อความต้องการ ไม่ต่างจากการที่บุคคลธรรมดาอาจจำเป็นต้องกู้ยืมเงินเพื่อตอบสนองความต้องการในการซื้อบ้านหรือลงทุนในธุรกิจ ซึ่งในบริบทของรัฐบาล ปริมาณวงเงินกู้ที่รัฐบาลมีความต้องการในแต่ละปีงบประมาณ มีชื่อเรียกว่า ความต้องการเงินทุน (Funding Need) และการกู้ยืมเงินตาม Funding Need นี้เองที่ก่อให้เกิดหนี้สาธารณะ ทำความรู้จักกับสำนักงานบริหารหนี้สาธารณะ (Public Debt Management Office) สำนักงานบริหารหนี้สาธารณะ (สบน.) กระทรวงการคลัง มีภาระหน้าที่ในการบริหารโครงสร้างหนี้ภายในประเทศ รักษาเสถียรภาพทางการคลังแก่ภาครัฐโดยการระดมทุนผ่านการออกตราสารหนี้ตามวงเงินกู้ที่ต้องการ เพื่อบริหารค่าใช้จ่ายของภาครัฐ ทั้งนี้ สบน. ทำการบริหารหนี้ด้วยกลยุทธ์การบริหารหนี้สาธารณะระยะปานกลาง (Medium-Term Debt Management Strategy: MTDS) ซึ่งเป็นแนวปฏิบัติสากลตามข้อแนะนำของธนาคารโลก (World Bank) ในการบริหารต้นทุนและความเสี่ยงของหนี้ โดยมีการจัดการความเสี่ยงของหนี้ใน 3 ด้าน คือ ความเสี่ยงด้านอัตราแลกเปลี่ยน ความเสี่ยงด้านอัตราดอกเบี้ย และความเสี่ยงด้านการปรับโครงสร้างหนี้ เพื่อความชัดเจนในบทความนี้ “หนี้สาธารณะ” ที่อยู่ภายใต้การดูแลของ สบน. หมายถึง หนี้ที่กระทรวงการคลัง หน่วยงานของรัฐ หรือรัฐวิสาหกิจกู้ หรือหนี้ที่กระทรวงการคลังค้ำประกัน แต่ไม่รวมถึงหนี้ของรัฐวิสาหกิจที่ทำธุรกิจให้กู้ยืมเงินโดยกระทรวงการคลัง มิได้ค้ำประกัน (คำนิยามจากเว็บไซต์ของสบน.) ความท้าทายของการบริหารหนี้สาธารณะ เนื่องจากผู้บริหารหนี้จำเป็นต้องตัดสินใจวางแผนกลยุทธ์การออกตราสารหนี้ใหม่ ณ ปัจจุบัน โดยไม่สามารถล่วงรู้ถึงข้อมูลของอัตราแลกเปลี่ยนและอัตราดอกเบี้ยในท้องตลาด รวมถึงข้อมูลเศรษฐกิจมหภาคในอนาคตได้ ทำให้การวางกลยุทธ์การบริหารหนี้มีความไม่แน่นอน ทำให้ สบน. จำเป็นต้องมีการใช้แบบจำลองทางคณิตศาสตร์ (models) เพื่อช่วยจำลองสถานการณ์ในอนาคตจากสมมติฐานในกรณีต่าง ๆ ผนวกกับหลักการทางสถิติเพื่อให้ผู้บริหารหนี้สามารถวางแผนตัดสินใจถึงชนิด (instrument type), ช่วงเวลา (timing), ช่วงอายุหนี้ (maturity), อัตราดอกเบี้ยและชนิดดอกเบี้ย (coupon), และปริมาณการกู้เงิน (issuance amount) ที่เหมาะสมบนความไม่แน่นอนที่อาจเกิดขึ้นได้ ผู้บริหารหนี้จำเป็นต้องวางแผนกลยุทธ์การออกตราสารหนี้ใหม่โดยไม่สามารถล่วงรู้ถึงข้อมูลของอัตราแลกเปลี่ยน อัตราดอกเบี้ย รวมถึงข้อมูลเศรษฐกิจมหภาคในอนาคตได้ การวางกลยุทธ์การบริหารหนี้บนความไม่แน่นอนนี้ จึงจำเป็นจะต้องมีการใช้แบบจำลองทางคณิตศาสตร์ (models) เพื่อช่วยจำลองสถานการณ์ในอนาคตจากสมมติฐานในกรณีต่าง ๆ ผนวกกับหลักการทางสถิติเพื่อให้ผู้บริหารหนี้สามารถวางแผนตัดสินใจบนความไม่แน่นอนที่อาจเกิดขึ้นได้ ในช่วงเวลาที่ผ่านมา สบน. มีการใช้แบบจำลองการวิเคราะห์ต้นทุนและความเสี่ยง (cost-risk analysis) และวางแผนกลยุทธ์การบริหารหนี้ (debt management strategy) ที่มีลักษณะเป็น “กล่องดำ” (“black box”) เนื่องจากเป็นแบบจำลองที่ถูกพัฒนาโดยหน่วยงานภายนอก ทำให้เจ้าหน้าที่ สบน. ไม่สามารถปรับแต่งรูปแบบการจำลองหรือตรวจสอบความถูกต้องของผลลัพธ์ได้ ซึ่งข้อจำกัดดังกล่าวเป็นความท้าทายต่อ สบน. ในการบริหารหนี้ให้มีต้นทุนที่ต่ำบนระดับความเสี่ยงที่ยอมรับได้อย่างยั่งยืน เปลี่ยนความท้าทายให้เป็นโอกาส ด้วยการพัฒนา In-House Risk Model ความต้องการแบบจำลองใหม่ที่สามารถปรับแต่งได้ตามความต้องการของ สบน. และพัฒนาโดยเจ้าหน้าที่ของ สบน. เองเพื่อความยั่งยืนในการใช้งานและปรับปรุงแบบจำลอง จึงนำมาสู่ความร่วมมือระหว่าง สบน. และธนาคารโลก ภายใต้โครงการจ้างที่ปรึกษาสำหรับการพัฒนาแบบจำลองการบริหารความเสี่ยงหนี้สาธารณะเพื่อใช้ในสำนักงาน (in-house risk model) โดยมีที่ปรึกษาจากสถาบันส่งเสริมการวิเคราะห์และบริหารข้อมูลขนาดใหญ่ภาครัฐ (สวข.) เข้าร่วมเป็นที่ปรึกษาด้านเทคนิค (technical consultant) ร่วมกับธนาคารโลก เพื่อให้คำปรึกษาและร่วมพัฒนาแบบจำลองของ สบน. ตามขอบเขตการดำเนินการและข้อตกลงระหว่าง สบน. ธนาคารโลก และ สวข. องค์ประกอบของแบบจำลองการบริหารความเสี่ยง ภายใต้ความร่วมมือข้างต้น สวข. ได้ให้คำปรึกษาและร่วมพัฒนาแบบจำลองการบริหารความเสี่ยงกับเจ้าหน้าที่ สบน. ภายใต้แนวทางและคำปรึกษาจากธนาคารโลก โดยมีผลลัพธ์ตามองค์ประกอบ คือ ในบทความนี้ เราจะเน้นรายละเอียดส่วนที่สำคัญในการบริหารความเสี่ยงสำหรับการบริหารหนี้สาธารณะในสามองค์ประกอบแรก โดยมีรายละเอียดดังนี้ แบบจำลองเพื่อวิเคราะห์ต้นทุนและความเสี่ยง (Cost-Risk Model) แบบจำลองเพื่อวิเคราะห์ต้นทุนและความเสี่ยง (cost-risk model) เป็นแบบจำลองตามหลักการ MTDS ซึ่งใช้ในการวางกลยุทธ์การบริหารหนี้สาธารณะในระยะปานกลาง โดยประกอบด้วยองค์ประกอบสำคัญภายในแบบจำลองดังนี้ องค์ประกอบที่หนึ่ง คือ แบบจำลองกลยุทธ์การออกตราสารหนี้ (issuance strategy) ซึ่งมีข้อมูลนำเข้าเป็นกลยุทธ์การออกตราสารหนี้ที่ผู้บริหารหนี้ (debt manager) ต้องการเปรียบเทียบ ยกตัวอย่าง เช่น กลยุทธ์ A เน้นการออกตราสารหนี้ระยะสั้น เนื่องจากมีต้นทุนที่ต่ำกว่า และกลยุทธ์ B เน้นการออกตราสารหนี้ระยะยาวด้วยสกุลเงินในประเทศ เนื่องจากมีความเสี่ยงที่ต่ำกว่า เป็นต้น โดยแบบจำลองนี้สามารถทำงานร่วมกับแบบจำลองสถานการณ์อัตราตลาด (market rate models) เพื่อทดสอบกลยุทธ์การออกตราสารหนี้ใหม่ภายใต้สถานการณ์หลาย ๆ สถานการณ์ (scenarios) และผนวกกลยุทธ์กับสถานการณ์ที่กำหนด สู่การคำนวณต้นทุนและความเสี่ยง ในแบบจำลองถัดไป องค์ประกอบที่สอง คือ แบบจำลองการคำนวณแนวโน้มกระแสเงินสดเพื่อชำระดอกเบี้ยเงินกู้ (cashflows) และกำหนดการไถ่ถอนของตราสารหนี้ (redemption profiles) (ต้นเงินกู้) ในอนาคต เป็นแบบจำลองที่นำเข้าข้อมูลกลยุทธ์การออกตราสารหนี้ใหม่ (issuance strategy), ดุลการคลังขั้นต้น (primary deficit), และหนี้ที่อยู่ในการบริหารดูแล (debt portfolio) ในปัจจุบันที่รัฐบาลมีภาระการชำระดอกเบี้ยและเงินต้น เพื่อให้ผู้บริหารหนี้สามารถคาดการณ์แนวโน้มของ portfolio หนี้สาธารณะ เช่น วิเคราะห์ว่าภายใน 10 – 20 ปีข้างหน้า รัฐบาลจะต้องแบกรับภาระการชำระหนี้เท่าใด, ต้นทุนที่จำเป็นต้องชำระ (coupon payments) มีปริมาณสูงเท่าใดและกระจายตัวอยู่ในปีงบประมาณใด, และมีความเสี่ยงที่ต้นทุนของการกู้เงินจะมีปริมาณสูงกว่าที่คาดเนื่องจากสถานการณ์วิกฤติ (shock scenarios) หรือไม่ อย่างไร ผลลัพธ์ของ cashflows และ redemption profiles สำหรับกลยุทธ์ที่แตกต่างกัน จะทำให้ผู้บริหารหนี้สามารถใช้พิจารณาตัดสินใจเลือกกลยุทธ์ที่มีต้นทุนของการกู้เงินและระดับความเสี่ยงที่ยอมรับได้ภายใต้สถานการณ์และปัจจัยภายนอกทั้งในกรณีฐานและกรณีวิกฤติ ทั้งนี้ แบบจำลองส่วนนี้จำเป็นจะต้องมีการพัฒนาลักษณะการทำงานของตราสารหนี้แต่ละชนิดออกมาในรูปแบบของคลาส (classes) ในภาษา Python ที่แตกต่างกัน ดังนี้: แบบจำลองสถานการณ์อัตราตลาด (Market Rate Models) แบบจำลองสถานการณ์อัตราตลาด (market rate models) เป็นแบบจำลองที่อธิบายแนวโน้มของอัตราตลาดต่าง ๆ อันได้แก่ อัตราผลตอบแทนสำหรับเส้นอัตราผลตอบแทนแบบไร้ความเสี่ยงของตราสารหนี้แบบไม่จ่ายคูปอง (zero coupon yield curve), อัตราดอกเบี้ยลอยตัว (variable interest rates), และอัตราแลกเปลี่ยน (exchange rates) เพื่อใช้สำหรับการจำลองอนาคตของสถานการณ์อัตราตลาด เพื่อนำไปใช้วิเคราะห์สถานการณ์การบริหารหนี้ทั้งแบบกำหนดได้และแบบสุ่ม (deterministic and stochastic analyses) เนื่องจากแบบจำลองกลยุทธ์การออกตราสารหนี้ (issuance strategy) ดังที่ได้กล่าวข้างต้น จำเป็นต้องมีการใช้ข้อมูลอัตราตลาดในอนาคต แต่การทำนายอนาคตมีความไม่แน่นอน (uncertainty) ทำให้แบบจำลองสถานการณ์อัตราตลาด (market rate models) ถูกออกแบบมาโดยไม่ได้เน้นความแม่นยำของการทำนายค่า หากแต่เน้นให้ความสำคัญมากกว่ากับการคาดการณ์ทิศทางที่เป็นไปได้ของตลาดเพื่อช่วยในการตัดสินใจของผู้บริหารหนี้ โดยอัตราตลาดที่ถูกจำลองขึ้นจะส่งผลต่อการคำนวณภาระดอกเบี้ยที่รัฐบาลต้องชำระคืน (coupon payments) โดยอัตราแต่ละตัวจะส่งผลต่อพันธบัตรต่างชนิดกันไป และส่งผลต่ออัตราผลตอบแทน (coupon) สำหรับตราสารหนี้ที่ออกใหม่เพื่อนำเงินที่ได้จากการระดมทุนไปชำระหนี้เดิม (rollover) ที่ปรึกษา สวข. ให้การสนับสนุนเจ้าหน้าที่ สบน. ในการพัฒนาและใช้งานแบบจำลองการวิเคราะห์อนุกรมเวลา (time series analysis) ด้วยโมเดลที่เฉพาะเจาะจงกับบริบทของ สบน. เครื่องมือการคำนวณตัวชี้วัดความเสี่ยง (Risk Indicators) เครื่องมือการคำนวณตัวชี้วัดความเสี่ยง (risk indicators) ของหนี้ที่อยู่ในการบริหารดูแล (debt portfolio) ซึ่งเป็นเครื่องมือในการประเมินสถานะความเสี่ยงของ portfolio ทั้งในปัจจุบัน และในอนาคตภายในสถานการณ์จำลองและกลยุทธ์การออกตราสารหนี้ที่ผู้บริหารหนี้กำลังทำการเปรียบเทียบระหว่างกลยุทธ์ปัจจุบันกับกลยุทธ์ทางเลือก ที่ปรึกษา สวข. ให้การสนับสนุนเจ้าหน้าที่ สบน. ในการพัฒนาตัวชี้วัดความเสี่ยง เช่น สัดส่วนหนี้ที่ครบกำหนดไถ่ถอนภายในเวลาที่กำหนด (debt share maturing), สัดส่วนหนี้ประเภทอัตราดอกเบี้ยคงที่ (fixed rate debt ratio), อายุเฉลี่ยของหนี้ (Average Time to Maturity: ATM) แบบถ่วงน้ำหนัก เป็นต้น (ผู้อ่านที่สนใจสามารถศึกษาตัวชี้วัดความเสี่ยงเพิ่มเติมได้ในตัวอย่างรายงานประจำปีของ สบน.) จากแบบจำลองสู่ผลสัมฤทธิ์ ความต้องการแบบจำลองใหม่ที่สามารถปรับแต่งได้ตามความต้องการของ สบน. และพัฒนาโดยเจ้าหน้าที่ของ สบน. เองเพื่อความยั่งยืนในการใช้งานและปรับปรุงแบบจำลอง ได้นำมาสู่ความร่วมมือในโครงการนี้ และถึงแม้ในระหว่างการดำเนินงานจะมีความท้าทายอยู่หลายประการ ทั้งสถานการณ์โควิด-19 ที่ทำให้การพบปะเพื่อให้คำปรึกษาและร่วมพัฒนาจำเป็นต้องดำเนินการผ่านช่องทางออนไลน์ทั้งหมด และเส้นทางการเรียนรู้ศาสตร์ใหม่ที่ค่อนข้างชัน (steep learning curve) ของเจ้าหน้าที่ สบน. ที่มีความเชี่ยวชาญด้านการบริหารหนี้สาธารณะ แต่จำเป็นต้องเริ่มเรียนรู้ทักษะด้านวิทยาการคอมพิวเตอร์ (computer science) และวิทยาการข้อมูล (data science) ในการพัฒนาแบบจำลองโดยเจ้าหนี้ สบน. เอง แต่เมื่อผนวกความเชี่ยวชาญเฉพาะด้านจาก สวข. และธนาคารโลก ทำให้แบบจำลองดังกล่าวได้รับการพัฒนาจนใกล้เคียงความสมบูรณ์ โดยสำนักงานบริหารหนี้สาธารณะ ได้เริ่มนำแบบจำลองดังกล่าวไปใช้จริงตั้งแต่ปีงบประมาณ 2565 โดยในช่วง 6 เดือนแรกเป็นการใช้งานแบบจำลองในลักษณะคู่ขนานกับแบบจำลองเดิมเพื่อให้มั่นใจในผลลัพธ์ ที่ปรึกษา สวข. ดำเนินการให้คำปรึกษาและให้การสนับสนุนในการพัฒนาแบบจำลองการบริหารความเสี่ยงหนี้สาธารณะได้เสร็จสิ้นครบทุกเป้าประสงค์ และมีความยินดีที่ได้ให้การสนับสนุนและพัฒนาแบบจำลองการบริหารความเสี่ยงหนี้สาธารณะไปสู่การใช้งานจริงภายในสำนักงาน สบน. (ซ้าย) ปพจน์ ธรรมเจริญพร Project Manager...

24 October 2022

4 เหตุผลที่จะทำให้คุณตกหลุมรัก Box Plot

ในบทความนี้ ผมจะมาพาผู้อ่านทุกท่านทำความรู้จักกับ Box Plot แผนภาพอันทรงพลังที่ใช้ในการวิเคราะห์การกระจายตัวของข้อมูล บอกได้เลยว่าสามารถใช้วิเคราะห์ได้ดีไม่แพ้ Histogram เลยครับ! การวิเคราะห์การกระจายตัวของข้อมูล คำถามที่เกี่ยวข้องกับการวิเคราะห์การกระจายตัวของข้อมูล มีอยู่ในชีวิตประจำวันของเราทุกคน ยกตัวอย่างเช่น ซึ่งหลาย ๆ คน จะคุ้นเคยกับการตอบคำถามด้านบนด้วย Histogram ซึ่งก็ถือว่าเป็นตัวเลือก “คลาสสิก” เพราะทุกคนจะเคยเรียนรู้สิ่งนี้มาก่อนในวิชาคณิตศาสตร์ โดย Histogram เป็นการนำข้อมูลเชิงปริมาณ (Numerical Data) มา “นับจำนวนครั้ง” ที่พบค่าของข้อมูล ตามช่วงข้อมูลหรืออันตรภาคชั้น (Bins) และเมื่อเราสร้าง Histogram แล้ว เราสามารถตอบคำถามด้านบนได้หลากหลาย เช่น บทความนี้จะขอนำเสนอ 4 เหตุผลที่จะทำให้ผู้อ่านตกหลุมรัก Box Plot โดยจะมีการอธิบายรายละเอียดวิธีการทำงานของ Box Plot ภายในเนื้อหาด้วย เริ่มต้นที่เหตุผลข้อที่หนึ่งในส่วนถัดไปกันเลยครับ ? เหตุผลข้อ 1: Box Plot ประหยัดพื้นที่ ในยุคดิจิทัลทุกวันนี้ Business Intelligence, Visual Analytics, และ Data Visualization ได้เข้ามามีบทบาทในองค์กรต่าง ๆ ทั้งเรื่องการบริหารจัดการ การดูสถานะ การวางแผน และการตัดสินใจ ทำให้พื้นที่บนหน้าจออุปกรณ์พกพาต่าง ๆ ของเรากลายเป็น Real Estate ยุคใหม่ แน่นอนว่า การนำเสนอข้อมูลอะไรที่ใช้เนื้อที่เยอะเกินไป ดูจะไม่ค่อยคุ้มเสียแล้ว ซึ่งในการแสดงข้อมูลชุดเดียวกัน Box Plot สามารถย่อส่วนพื้นที่ที่จำเป็นต่อการแสดงข้อมูลจากแผนภาพสองมิติ (2D) เหลือเพียงมิติเดียว (1D) ทำให้เป็นแผนภาพที่เหมาะกับยุคดิจิทัลที่พื้นที่บนหน้าจอของเรามีจำกัด แต่ Box Plot ที่ถูกย่อส่วนลงมาแล้ว จะยังตอบคำถามหลาย ๆ คำถามได้เหมือน Histogram หรือไม่? เรามาดูเหตุผลข้อถัดไปกันครับ เหตุผลข้อ 2: Box Plot อัดแน่นไปด้วยข้อมูล แผนภาพ Box Plot ได้ชดเชยขนาดที่เล็ก ด้วยหลักการวาดส่วนสำคัญต่าง ๆ ของกล่องด้วยปริมาณที่สำคัญทางสถิติ ทำให้ Box Plot ยังคงให้ข้อมูลและข้อสังเกตได้หลากหลายประการ แต่ก่อนอื่นเราลองมาทำความรู้จักกับส่วนประกอบต่าง ๆ ของ Box Plot กันก่อนครับ Box Plot ประกอบไปด้วยส่วนของ “กล่อง” (Box) กับส่วนของ “หนวด” (Whiskers) และมีจุด ๆ แสดงข้อมูลจริง โดยอาจอยู่ได้ทั้งในและนอกหนวด (บางครั้งเราจะเห็นบางเวอร์ชันของแผนภาพที่โชว์จุดข้อมูลนอก Whiskers อย่างเดียว ก็ยังนับเป็น Box Plot อยู่) ซึ่งตำแหน่งของ Box และ Whiskers ถูกสร้างขึ้นมาได้ โดยตัวเลขทางสถิติทั้งหมดถึง 5 ตัวด้วยกัน เรียกรวมกันว่า The Five-Number Summary ประกอบไปด้วย: เพื่อยกตัวอย่างให้เห็นภาพ สมมติว่าเรานำข้อมูลอายุขัยของประชากรเพศชาย (Life Expectancy for Males) มาวางเรียงกัน จากน้อยไปหามาก แล้วหาค่าตามหลัก The Five-Number Summary แล้วคำนวณได้ว่า ค่าเหล่านี้ถูกนำไปใช้ทำจุดสำคัญต่าง ๆ บน Box Plot เป็นกล่องและหนวดนั่นเอง ดังภาพด้านล่าง ซึ่งมีข้อสังเกตว่า หากเราลองมาใช้ตัวเลข 5 ตัวนี้ แปลผล Box Plot เบื้องต้นกัน เราจะได้ข้อสังเกตหลาย ๆ อย่างได้ไม่ด้อยไปกว่า (หรือในบางมิติ เหนือกว่า) Histogram เช่น ท่านที่ช่างสังเกตจะพบว่ามีตำแหน่งสำคัญที่ผมยังไม่ได้อธิบายใน Box Plot คือตัวเลข 44 บนหนวด Whisker ข้างซ้าย และสิ่งที่น่าสงสัยอีกประการหนึ่งคือ เหตุใดค่า 80 ที่เป็น Maximum จึงไปอยู่บนปลายหนวดข้างขวาพอดี? เป็นความบังเอิญหรือไม่? ข้อสังเกต เหล่านี้สามารถถูกอธิบายได้ว่า จริง ๆ แล้ว จาก Five-Number Summary เราจะต้องมีการคำนวณปริมาณทางสถิติเพิ่มบางประการ กล่าวคือ: เราเอาค่า IQR มาคำนวณค่าปลายหนวดทั้งสองข้าง ดังนี้: เสมือนว่าเป็นการ “ขยาย” ตัวกล่องออกไปด้านข้างด้วยความกว้าง 1.5 เท่าของกล่อง แต่ขยายไม่เกินข้อมูลสูงสุดหรือข้อมูลต่ำสุดที่มีอยู่จริง ซึ่งกฎ 1.5 * IQR ได้รับการยอมรับอย่างแพร่หลาย โดยนิยามข้อมูลที่อยู่นอกช่วง [Q1 – 1.5 * IQR, Q3 + 1.5 * IQR] ได้ว่าเป็น ค่าสุดโต่ง หรือ Outliers (คือค่าเหล่านี้ นับว่าหายากมาก ๆ) ยกตัวอย่างเช่น ถ้าข้อมูลมีการกระจายตัวแบบปกติ (Normal Distribution) ข้อมูลที่อยู่นอกช่วง Lower Whisker และ Upper Whisker จะมีเพียง 0.7% เท่านั้น จึงถูกจัดเป็น Outliers เราจะเห็นได้ว่าแผนภาพ Box Plot ถึงแม้จะมีขนาดเล็กมากเมื่อเทียบกับ Histogram แต่ให้ข้อมูลและข้อสังเกตได้น่าสนใจหลายประการ ไม่ว่าจะเป็นลักษณะการกระจายตัว เช่น ข้อมูลเบ้ซ้ายหรือเบ้ขวา, ค่ากลางของข้อมูล, ช่วงของข้อมูลส่วนใหญ่, ช่วงของข้อมูลเกือบทั้งหมด, และค่าสุดโต่ง ซึ่งข้อสังเกตหลายข้ออาจสังเกตได้ง่ายกว่า Histogram ไม่ว่าจะเป็นค่ากลางมัธยฐาน, ค่าสุดโต่ง, ช่วงของข้อมูลส่วนใหญ่ เพราะมีตำแหน่งสำคัญต่าง ๆ ที่ถูกคำนวณและถูกกำกับอยู่ในแผนภาพอย่างชัดเจน หากท่านผู้อ่านได้อ่านมาถึงจุดนี้แล้วเริ่มรู้สึกหลงรัก Box Plot ผมขอเสนอเหตุผลอีกสองข้อที่จะทำให้ Box Plot น่าใช้งานมากขึ้นไปอีก เรามาดูข้อถัดไปกันเลยครับ เหตุผลข้อ 3: Box Plot ยืดหยุ่นในการนำเสนอ เนื่องจาก Box Plot เป็นแผนภาพ 1D ทำให้มีความยืดหยุ่นและสามารถถูกนำเสนอในรูปแบบแนวนอนหรือแนวตั้งก็ได้ ผมได้แสดงตัวอย่าง Box Plot ในแนวนอนด้านบนแล้ว เรามาดูตัวอย่างการนำเสนอ Box Plot ในแนวตั้ง ซึ่งผมจะนำเสนอพร้อมกับเหตุผลข้อสุดท้ายครับ...

7 September 2022

มารู้จักกับคลังข้อมูล (Data Warehouse) แหล่งข้อมูลในการทำ Business Intelligence

โดยปกติฐานข้อมูลจะถูกแบ่งเป็นแบบสัมพันธ์ (SQL) หรือ NoSQL และแบบธุรกรรม (OLTP) แบบเชิงวิเคราะห์ (OLAP) หรือแบบผสม (HTAP) ซึ่งถ้าเทียบกับเมื่อก่อนแล้วนั้นฐานข้อมูลของแผนกและฐานข้อมูลที่ทำขึ้นเพื่อจุดประสงค์พิเศษมีการปรับปรุงให้ดีขึ้นอย่างมากในทางธุรกิจ ความพยายามสร้างฐานข้อมูลที่รวมเป็นหนึ่งเดียวกันสำหรับข้อมูลทั้งหมดทั่วบริษัทถูกจัดให้เป็นระบบทะเลสาบข้อมูล (Data Lakes) หากข้อมูลถูกทิ้งไว้ในรูปแบบเดิม และถูกจัดให้เป็นคลังข้อมูล ( Data Warehouse ) หากข้อมูลถูกเปลี่ยนไปสู่รูปแบบและเค้าร่างที่เหมือนกัน ข้อมูลส่วนย่อยของคลังข้อมูลเรียกว่าตลาดข้อมูล (Data Mart) ความหมายของคลังข้อมูล (Data Warehouse) โดยพื้นฐานแล้ว คลังข้อมูลคือฐานข้อมูลเชิงวิเคราะห์ ที่มักจะเป็นการวิเคราะห์แบบสัมพันธ์ที่สร้างมาจากแหล่งข้อมูลสองแห่งหรือมากกว่านั้นก็ได้ ซึ่งถูกสร้างขึ้นมาเพื่อเก็บข้อมูลย้อนหลังซึ่งอาจมีระดับเป็นหน่วยเพตะไบต์ คลังข้อมูลมักจะมีระบบประมวลผลและหน่วยความจำที่สำคัญ เพื่อใช้ในการสืบค้นที่มีความซับซ้อนและการสร้างรายงาน ซึ่งคลังข้อมูลเหล่านี้มักจะเป็นแหล่งข้อมูลสำคัญในการทำ Business Intelligence และ Machine Learning ทำไมถึงใช้คลังข้อมูล? สาเหตุสำคัญที่บริษัทใช้คลังข้อมูลระดับองค์กรหรือ Enterprise Data Warehouse (EDW) คือการที่ฐานข้อมูลที่ใช้ปฏิบัติการของคุณ (OLTP) สามารถจำกัดจำนวนและประเภทของดัชนีที่คุณสามารถสร้างได้ จึงทำให้การสืบค้นเชิงวิเคราะห์ช้าลง และเมื่อคุณคัดลอกข้อมูลเข้าสู่คลังข้อมูล คุณก็สามารถตั้งค่าดัชนีที่คุณต้องการได้ เพื่อให้คุณสามารถวิเคราะห์ข้อมูลได้ดียิ่งขึ้น โดยไม่ส่งผลกระทบต่อประสิทธิภาพการเขียนของฐานข้อมูล OLTP และอีกเหตุผลหนึ่งที่บริษัทต้องมีคลังข้อมูล ก็เพื่อให้บริษัทสามารถรวบรวมข้อมูลจากหลายแหล่งมาทำการวิเคราะห์ได้ ตัวอย่างเช่น การใช้งาน OLTP ยอดขายของคุณอาจไม่จำเป็นต้องรู้เรื่องสภาพอากาศในสถานที่ค้าขายของคุณ แต่ในทางกลับกันสิ่งที่จะได้ประโยชน์จากข้อมูลเหล่านี้คือการคาดการณ์ยอดขาย เพราะถ้าคุณเพิ่มข้อมูลสภาพอากาศย้อนหลังเข้าไปในคลังข้อมูล มันก็จะเป็นเรื่องง่ายที่จะนำข้อมูลมารวมกับโมเดลข้อมูลของยอดขายในหลายปีที่ผ่านมา คลังข้อมูลเมื่อเทียบกับ Data Lake หรือระบบทะเลสาบข้อมูล Data Lake หรือระบบทะเลสาบข้อมูลที่ใช้เก็บไฟล์ข้อมูลในรูปแบบดั้งเดิมนั้น โดยพื้นฐานแล้วคือ “Schema on Read” หมายความว่าโปรแกรมใด ๆ ที่อ่านข้อมูลจาก Data Lake จะต้องกำหนดประเภทและความสัมพันธ์ของมันเองกับข้อมูล ในทางกลับกันคลังข้อมูลคือ “Schema on Write” หมายความว่าประเภท ดัชนี และความสำพันธ์ของข้อมูลถูกกำหนดไว้กับข้อมูลขณะที่ถูกจัดเก็บใน EDW “Schema on Read” เหมาะสำหรับข้อมูลที่อาจถูกนำไปใช้ในหลากหลายบริบท และมีความเสี่ยงในการสูญเสียข้อมูลน้อย แต่ทว่ามีข้ออันตรายก็คือ ข้อมูลนั้นอาจไม่ถูกใช้งานเลย (Qubole ผู้ค้าขายเครื่องมือคลังข้อมูลแบบ Cloud สำหรับ Data Lake คาดคะเนว่า 90% ของข้อมูลใน Data Lake นั้นไม่ถูกนำมาใช้งาน) ส่วน “Schema on write” เหมาะสำหรับข้อมูลที่มีจุดประสงค์เฉพาะอย่าง และเหมาะสำหรับข้อมูลที่ต้องเกี่ยวพันอย่างเหมาะสมกับข้อมูลจากแหล่งอื่น แต่ก็มีข้อควรระวังคือ ข้อมูลที่ผิดรูปแบบอาจถูกทิ้งขณะนำเข้าเพราะมันไม่ได้เปลี่ยนรูปแบบให้เหมาะสมต่อประเภทข้อมูลที่ต้องการ คลังข้อมูลเมื่อเทียบกับตลาดข้อมูล (Data Warehouse vs Data Mart) คลังข้อมูลประกอบด้วยข้อมูลระดับบริษัท ในขณะที่ตลาดข้อมูลประกอบด้วยข้อมูลที่มุ่งเน้นเฉพาะสายงานธุรกิจ ตลาดข้อมูลอาจมีหลายรูปแบบไม่ว่าจะเป็นแบบที่ขึ้นอยู่กับคลังข้อมูล แบบไม่ขึ้นอยู่กับคลังข้อมูล หรือแบบที่ผสมผสานทั้งสอบที่กล่าวไปข้างต้น ตลาดข้อมูลถูกสร้างขึ้นมาเพราะมันมีข้อดีหลายประการ ไม่ว่าจเป็น การใช้พื้นที่น้อยลง ให้ผลลัพธ์เร็วขึ้น และมีค่าใช้จ่ายในการดำเนินการน้อยกว่าคลังข้อมูลแบบเต็ม ตลาดข้อมูลจึงมักจะประกอบไปด้วยข้อมูลที่ถูกสรุปและคัดสรรไว้แล้ว แทนที่จะเป็นข้อมูลรายละเอียดอื่น ๆ ที่มีอยู่ในคลังข้อมูล สถาปัตยกรรมคลังข้อมูล โดยทั่วไป คลังข้อมูลมีสถาปัตยกรรมหลายระดับ ได้แก่ ข้อมูลเดิม ฐานข้อมูลสำหรับเป็นที่พักข้อมูล เครื่องมือ ETL (Extract (ดึง), Transform (เปลี่ยนรูปแบบ), and Load (ถ่ายเท)) หรือ ELT (Extract, Load, and Transform) ซึ่งการจัดเก็บข้อมูลอย่างเหมาะสมและเครื่องมือนำเสนอข้อมูล แต่ละระดับมีจุดประสงค์ต่างกัน ข้อมูลเดิมมักรวมไปถึงฐานข้อมูลการปฏิบัติงานจากยอดขาย การตลาด และส่วนอื่น ๆ ของธุรกิจ และยังอาจรวมถึงโซเชียลมีเดียและข้อมูลภายนอก เช่น แบบสำรวจและสถิติประชากร ระดับที่พักข้อมูลจัดเก็บข้อมูลที่ดึงมาจากแหล่งข้อมูล ถ้าแหล่งข้อมูลไม่มีโครงสร้าง เช่น ข้อความโซเชียลมีเดีย ก็จะต้องมีการกำหนดโครงสร้างขึ้นมา รวมถึงมีการตรวจคุณภาพและการนำไปใช้งานด้วย ทั้งนี้เพื่อกำจัดข้อมูลที่มีคุณภาพต่ำและแก้ไขความผิดพลาดทั่วไป โดยเครื่อง ETL จะดึงข้อมูล ดำเนินการทำแผนที่และการเปลี่ยนรูปแบบที่ต้องการ และถ่ายเทข้อมูลเข้าสู่ระดับการจัดเก็บข้อมูล เครื่องมือ ELT จัดเก็บข้อมูลก่อนแล้วเปลี่ยนรูปแบบในภายหลัง เมื่อคุณใช้เครื่องมือ ELT คุณอาจใช้ Data Lake ด้วยและข้ามขั้นตอนที่พักข้อมูลแบบเดิมไป ระดับจัดเก็บข้อมูลของคลังข้อมูลประกอบด้วยข้อมูลที่สะอาดและเปลี่ยนรูปแบบแล้วซึ่งพร้อมสำหรับการวิเคราะห์ โดยการจัดเก็บข้อมูลแบบนี้เป็นการจัดเก็บข้อมูลเชิงสัมพันธ์แบบเน้นเป็นแถว แต่ก็อาจมีการเน้นแบบคอลัมน์ด้วยหรือมีดัชนีแบบ Inverted-list สำหรับการค้นหาข้อความเต็ม โดยคลังข้อมูลมักจะมีดัชนีมากกว่าการจัดเก็บข้อมูลในการดำเนินงาน เพื่อให้สามารถวิเคราะห์ข้อมูลได้เร็วขึ้น การนำเสนอข้อมูลจากคลังข้อมูลมักทำโดยการดำเนินการคิวรี SQL ซึ่งอาจใช้เครื่องมือ GUI มาเป็นตัวช่วยในการสร้างได้ นอกจากนี้คิวรี SQL ยังสามารถใช้สร้างตารางการแสดงผล แผนภูมิ Dashboard รายงาน และการคาดการณ์ได้ โดยใช้เครื่องมือ BI เข้ามาช่วย เมื่อไม่นานมานี้ คลังข้อมูลเริ่มมีการรองรับ ML ที่จะปรับปรุงคุณภาพของโมเดลและการคาดการณ์ ตัวอย่างเช่น Google BigQuery ได้เพิ่มประโยคคำสั่ง SQL เพื่อรองรับโมเดลการวิเคราะห์การถดถอยเชิงเส้นและโมเดลการวิเคราะห์การถดถอยโลจีสติกไบนารีสำหรับการแบ่งประเภท นอกจากนี้คลังข้อมูลบางแห่งมีการผสานเข้าด้วยกันกับเครื่องมือ Deep Learning Libraries และ Automated ML อีกด้วย คลังข้อมูลแบบ Cloud เมื่อเทียบกับคลังข้อมูลแบบติดตั้งภายใน (On Premise) คลังข้อมูลสามารถถูกนำมาใช้ได้หลาย ไม่ว่าจะเป็นแบบติดตั้งภายใน แบบ Cloud หรือแบบผสม ที่ผ่านมาคลังข้อมูลส่วนใหญ่มักเป็นแบบติดตั้งภายใน (On-Prem Data Warehouse) แต่ก็มีปัญหาในเรื่องต้นทุนค่าลงทุนและการขาดความสามารถในการปรับขนาดได้ของเซิร์ฟเวอร์ที่ติดตั้งภายในศูนย์ข้อมูล การติดตั้ง EDW เริ่มเป็นที่นิยมมากขึ้นเมื่อผู้ค้าขายเริ่มให้บริการเครื่องมือคลังข้อมูล แต่อย่างไรก็ตาม ยังคงมีหลายบริษัทที่มีแนวโน้มที่จะย้ายคลังข้อมูลทั้งหมดหรือบางส่วนเข้าสู้ระบบ Cloud เพื่อต้องการใช้ประโยชน์จาก EDW แบบ Cloud ที่สามารถปรับขนาดได้ รวมถึงสามารถเชื่อมต่อกับบริการ Cloud อื่น ๆ ได้อย่างง่ายดาย ข้อเสียของการใช้ข้อมูลหลายเพตะไบต์เข้าไปในระบบ Cloud คือค่าใช้จ่ายในการใช้งาน ทั้งสำหรับการจัดเก็บข้อมูลแบบ Cloud และสำหรับการประมวลผลคลังข้อมูลแบบ Cloud และหน่วยความจำ คุณอาจจะคิดว่าปัญหาหลักของการอัปโหลดข้อมูลหลายเพตะไบต์เข้าสู่ระบบ Cloud คือระยะเวลาในการอัปโหลด แต่ในปัจจุบันผู้ค้าขายระบบ Cloud แบบไฮเปอร์สเกลมีการโอนถ่ายข้อมูลแบบดิสก์ซึ่งมีศักยภาพสูง คลังข้อมูลแบบบนลงล่างเมื่อเทียบกับแบบล่างขึ้นบน มีแนวความคิดใหญ่ ๆ สองแนวเกี่ยวกับวิธีออกแบบคลังข้อมูล ความแตกต่างระหว่างสองแนวนี้เกี่ยวข้องกับทิศทางการหลั่งไหลของข้อมูลระหว่างคลังข้อมูลกับตลาดข้อมูล โดยปกติ การใช้งาน EDW ในส่วนงานด้านการประกันและการผลิต มักจะชอบวิธีการของแบบบนลงล่าง ส่วนส่วนงานด้านการตลาดมักจะชอบวิธีของคิมบัลล์ ระบบทะเลสาบข้อมูล ตลาดข้อมูล หรือคลังข้อมูล องค์กรของคุณควรเลือกแบบใด? สุดท้ายแล้ว การตัดสินใจทุกอย่างที่เกี่ยวข้องกับคลังข้อมูลของบริษัทขึ้นอยู่กับเป้าหมาย ทรัพยากร และงบประมาณของบริษัท คำถามแรกคือคุณจำเป็นต้องมีคลังข้อมูลหรือไม่ ถ้าสมมุติว่าต้องการ งานต่อไปคือการระบุแหล่งข้อมูลของคุณ ขนาด อัตราการเติบโตปัจจุบัน และสิ่งที่คุณกำลังทำอยู่เพื่อใช้งานและวิเคราะห์ข้อมูลเหล่านั้น หลังจากนั้นคุณสามารถเริ่มทดลองกับระบบทะเลสาบข้อมูล ตลาดข้อมูล และคลังข้อมูลเพื่อดูว่าอันไหนใช้ได้ดีกับองค์กรของคุณ ผู้เขียนแนะนำให้ทำการทดสอบความเป็นไปได้ด้วยข้อมูลเซตย่อยขนาดเล็ก โฮสต์ในระบบฮาร์ดแวร์ที่มีอยู่ภายในองค์กรหรือในการติดตั้งระบบ Cloud...

5 September 2022

การแก้ปัญหาข้อมูลที่ไม่มีโครงสร้างด้วย NLP และโมเดลภาษาหนึ่งในกลยุทธ์ AI ขององค์กร

ในบทความแขกรับเชิญพิเศษนี้ ประภท สุนการะ (Prabhod Sunkara) ผู้ร่วมก่อตั้งและ COO ของบริษัท nRoad, Inc. ได้พูดถึงเรื่องของการที่องค์กรต่าง ๆ พึ่งพาข้อมูลที่ไม่มีโครงสร้างมากขึ้นเพื่อจุดประสงค์ในการวิเคราะห์ กำกับดูแล และทำการตัดสินใจในระดับองค์กร โดย nRoad เป็นแพลตฟอร์มที่สร้างมาเพื่อการประมวลผลภาษาธรรมชาติ (NLP) สำหรับข้อมูลที่ไม่มีโครงสร้างในส่วนการบริการทางด้านการเงินและเป็นบริษัทแรกที่ประกาศ “สงครามกับการทำงานแบบใช้เอกสาร” ก่อนจะมี nRoad ประภทดำรงตำแหน่งผู้นำหลากหลายตำแหน่งในด้านการพัฒนาผลิตภัณฑ์ การปฏิบัติการ และ Solution Architecture (ตำแหน่งงานที่หาทางออกของปัญหาต่าง ๆ) เขามี Passion ในการสร้าง AI Solutions ที่เน้นผลลัพธ์ ซึ่งเขาก็ได้ประสบความสำเร็จในการปรับปรุงกระบวนการต่าง ๆ ของบริษัทการเงินระดับโลกมากมายเช่น Bank of America, Merrill Lynch, Morgan Stanley และ UBS ข้อมูลที่ไม่มีโครงสร้างหรือ Unstructured Data คือ ข้อมูลเชิงลึกที่มีอยู่แพร่หลายในทั่วทุกองค์กร แต่ข้อมูลเหล่านั้นไม่โปร่งใสหรือไม่สามารถใช้งานได้เสมอไป เรื่องนี้จึงยังคงเป็นความท้าทายสำคัญด้านธุรกิจ ข้อมูลที่ไม่มีการออกแบบฐานข้อมูลไว้ล่วงหน้ามักจะถือว่าเป็นข้อมูลที่ไม่มีโครงสร้าง ซึ่งได้แก่เอกสารและเว็บไซต์ที่เต็มไปด้วยตัวหนังสือตลอดจนไฟล์ภาพ, วิดีโอ, Chatbot, Audio Streaming และโพสต์โซเชียลมีเดีย โดยข้อมูลที่ไม่มีโครงสร้างเหล่านี้มีจำนวนมากถึง 80 ถึง 90 เปอร์เซ็นต์ของข้อมูลที่อยู่ในโลกดิจิทัลทั้งหมด การเติบโตและความท้าทายของข้อมูลที่ไม่มีโครงสร้าง จากการวิจัยของบริษัท ITC พบว่า จำนวนข้อมูลที่ไม่มีโครงสร้างนั้นคาดว่าจะเติบโตจาก 33 เซตตะไบต์ในปี 2018 เป็น 175 เซตตะไบต์ หรือ 175 พันล้านเทระไบต์ภายในปี 2025 แต่ยังโชคดีที่ในองค์การเริ่มมีการตระหนักถึงการเติบโตอย่างรวดเร็วของข้อมูลที่ไม่มีโครงสร้าง ตัวอย่างเช่น ในการวิจัยไม่นานมานี้เผยว่าเกือบ 80 เปอร์เซ็นต์ขององค์กรบริการด้านการเงินกำลังประสบกับการที่ข้อมูลที่ไม่มีโครงสร้างเพิ่มขึ้นอย่างรวดเร็ว ยิ่งไปกว่านั้น ผู้วิจัยส่วนใหญ่ในการวิจัยนี้ระบุว่า ข้อมูลปัจจุบันในองค์กรเป็นข้อมูลที่ไม่มีโครงสร้างมากถึง 50 ถึง 90 เปอร์เซ็นต์ด้วยกัน เมื่อก่อนคอมพิวเตอร์ไม่สามารถเข้าใจข้อมูลประเภทนี้ได้ แต่เนื่องจากในปัจจุบันที่องค์กรต่าง ๆ ต้องพึ่งพาข้อมูลที่ไม่มีโครงสร้างมากขึ้นในการวิเคราะห์ กำกับดูแล และการตัดสินใจทางธุรกิจ ข้อมูลที่ไม่มีโครงสร้างจึงมีความสำคัญมากขึ้น ทำให้ทีม Technology & Data ต่างแข่งกันอัปเกรดและปรับปรุงโครงสร้างพื้นฐานของตน เพื่อให้สอดคล้องกับบริการแบบคลาวด์ที่เติบโตขึ้นและข้อมูลจากทั้งภายในและภายนอกองค์กรที่เพิ่มขึ้นอย่างรวดเร็ว ขณะเดียวกัน ทีมเหล่านี้ก็กำลังสนใจในเรื่องของการใช้งานข้อมูลเชิงลึก (Insights) ที่ฝังอยู่ในแหล่งข้อมูลที่ไม่มีโครงสร้าง โดยกรณีการใช้งานจะมีตั้งแต่การเพิ่มประสิทธิภาพในการปฏิบัติการไปจนถึงการเตรียมพร้อมรับมือกับการบริการลูกค้าปลายทาง ผลก็คือทั้ง CIO และ CDO ต่างก็ประเมินผลหรือนำวิธีการแก้ไขไปใช้งาน โดยมีตั้งแต่วิธีง่าย ๆ แบบ OCR Plus ไปจนถึงโมเดลภาษาขนาดใหญ่ที่ซับซ้อนควบคู่กับเครื่องจักรหรือเทคนิคการเรียนรู้เชิงลึก การร่วมใช้ NLP และโมเดลภาษาในกลยุทธ์ข้อมูลของคุณ ข้อมูลที่ไม่มีโครงสร้างจำนวนมากของบริษัทจะอยู่ในรูปแบบตัวหนังสือ ตัวอย่างเช่นสัญญาทางกฎหมาย เอกสารงานวิจัย คำติชมของลูกค้าจาก Chatbot และทุกอย่างที่อยู่ในรูปแบบของตัวหนังสือ ซึ่งโดยปกติแล้ว องค์กรจะประยุกต์ใช้การประมวลผลภาษาธรรมชาติ (NLP) มาเป็นส่วนหนึ่งของกลยุทธ์ AI และการเปลี่ยนองค์กรมาเป็นองค์กรดิจิทัล (ลองดูตัวอย่างการใช้ประยุกต์ใช้ Data Science กับการวิเคราะห์ข้อมูลเอกสารงานวิจัยที่นี่) ตลอดสิบปีที่ผ่านมา NLP มีงานวิจัยและการพัฒนาอย่างต่อเนื่อง เรื่องที่โดดเด่นที่สุดก็คือ เรื่องวิวัฒนาการของ Transformer Model ซึ่งช่วยให้องค์กรสามารถก้าวผ่านการวิเคราะห์ Keyword แบบง่าย ๆ ไปเป็นการวิเคราะห์ขั้นสูงอย่าง Sentiment Analysis (กระบวนการวิเคราะห์อารมณ์) และ Semantic Analysis (การวิเคราะห์ทางความหมาย) แม้ว่า NLP จะสามารถทำให้เครื่องจักรระบุจำนวนและเข้าใจแก่นแท้ของข้อความได้ แต่ก็ยังมีความท้าทายในเรื่องของการเข้าใจข้อความที่กำกวม วิธีการที่จะรับมือกับข้อความกำกวมเหล่านี้ได้ก็คือการรวมความรู้และบริบทของโดเมนเข้าด้วยกันเป็นโมเดลภาษา โดยการใช้งานโมเดลที่ปรับปรุงอย่างดีแล้ว เช่น LegalBERT, SciBERT, FinBERT ฯลฯ ทั้งนี้ก็จะช่วยให้เริ่มต้นวิเคราะห์ข้อมูลได้ง่ายขึ้นสำหรับกรณีหากต้องการใช้งานแบบเฉพาะเจาะจง ตอนเริ่มแรกโมเดลที่ปรับปรุงอย่างดีแล้วจะมีฐานข้อมูลที่มั่นคง เช่นเดียวกับโมเดลที่ใหญ่ เช่น BERT และ GPT3 แต่อย่างไรก็ตามโมเดลเหล่านี้ยังคงไม่ตอบโจทย์หรือความต้องการของธุรกิจส่วนใหญ่ได้ ด้วยเหตุผลนี้เองธุรกิจที่ดำเนินการในหลายตลาด หลายภูมิภาค และหลายภาษาควรพิจารณาการใช้งานโมเดลภาษาข้ามโดเมน โมเดลหลายภาษา และ/หรือเทคนิคการโอนย้ายการเรียนรู้ (Transfer Learning) เพื่อรับมือกับความท้าทายได้ดียิ่งขึ้น แม้ว่าจะมีการวิจัยและพัฒนา Language Model Architectures ที่ดีขึ้นและครอบคลุมมากขึ้น แต่ทุกวันนี้ก็ยังไม่มี Solution ที่ใช้ได้กับทุกสิ่ง ด้วยเหตุผลนี้เองทำให้องค์กรที่พยายามสร้างโมเดลภาษาของตนก็ไม่สามารถทำได้ นอกจากนี้ยังมีปัจจัยอื่น ๆ ที่ส่งผลกระทบต่อกลยุทธ์ข้อมูลที่ไม่มีโครงสร้างขององค์กรอีก เช่น การขาดข้อมูลอธิบายประกอบ (Annotated Data) ไม่มีการอบรมเกี่ยวกับเรื่อง Data การที่องค์กรขาดความเข้าใจในการประยุกต์ใช้โมเดล และความที่องค์กรอยากจะรีบพัฒนาและอยากใช้งานอุปกรณ์อย่างรวดเร็วแต่ไม่มีทุนการทำ รวมถึงอยากรีบได้ผลตอบแทนคืนจากการลงทุนอีกด้วย วิธีที่องค์กรสามารถรับมือกับปัญหาข้อมูลที่ไม่มีโครงสร้างที่เพิ่มขึ้นได้ การนำข้อมูลมาใช้ขับเคลื่อนองค์กร (Data Strategy) และเทคโนโลยีมีบทบาทสำคัญในแผนกลยุทธ์ AI ทั่วไปขององค์กร องค์กรส่วนใหญ่สามารถวางแผนและจัดการกับข้อมูลที่ไม่มีโครงสร้างได้อย่างมีประสิทธิภาพ แต่ทว่าข้อมูลเชิงลึกนั้นฝังอยู่ในข้อมูลที่ไม่มีโครงสร้าง และองค์กรต่างก็งมหาอยู่ในข้อมูลนี้ CDO ขององค์กรจึงจำเป็นต้องพิจารณาข้อมูลนี้และวางแผนอย่างชาญฉลาดเพื่อใช้ประโยชน์จากข้อมูลนี้ ความท้าทายที่ยากที่สุดที่มักพบได้คือการขาดความสอดคล้องเชิงองค์กรกับกลยุทธ์ AI ขององค์กร แม้ว่าจะไม่เกี่ยวข้องโดยตรงกับโมเดล ML (Machine Learning) และ DL (Deep Learning), ความสอดคล้องกับผู้นำ, ความเข้าใจถ่องแท้เรื่องข้อมูลและผลลัพธ์, และการรวมทีมที่หลากหลาย ทั้งหมดนี้ล้วนจำเป็นอย่างยิ่งสำหรับกลยุทธ์ AI ในองค์กร เพราะวิธีที่ระบุจำนวนได้และเน้นผลลัพธ์ช่วยให้ทีมมุ่งเน้นที่เป้าหมายปลายทางเมื่อเทียบกับโมเดล AI ที่เน้นโฆษณาชวนเชื่อ ตัวอย่างเช่น GPT3 ที่เป็นโมเดลคาดการณ์ภาษาขนาดใหญ่ที่มักจะคาดการณ์ไม่ค่อยถูกต้อง ซึ่งมีหลายกรณีที่มีการเผยแพร่ข้อมูลผิด ๆ เพราะใช้โมเดล GPT3 ซึ่งอาจทำให้องค์กรเสียชื่อเสียงได้ การอบรมและเรียนรู้เชิงลึกในการแก้ไขปัญหานั้นมักมีต้นทุนสูงและแอปพลิเคชันที่ต้องใช้เทคนิคที่เน้น NLP นั้นจำเป็นต้องมีแหล่งช่วยคำนวณที่ใช้โดเมนจำนวนมาก เพราะฉะนั้นเมื่อมีการเริ่มทีม AI ภายในองค์กร องค์กรจะต้องเน้นในเรื่องของการกำหนดปัญหาและผลลัพธ์ที่วัดได้ นอกจากการกำหนดปัญหาแล้ว ทีมผลิตภัณฑ์ต้องโฟกัสที่ความหลากหลาย ความซับซ้อน และความพร้อมใช้งานของข้อมูล ขั้นตอนเหล่านี้จะช่วยวางแผนกลวิธี ระบุโมเดลพื้นฐานที่เหมาะสม และสร้างการกำกับดูแลข้อมูลและการอบรมในเรื่องของฟังก์ชันการใช้งานที่ดี อีกวิธีหนึ่งที่ช่วยประหยัดค่าใช้จ่ายได้ คือ การเลือกพาร์ทเนอร์ที่เป็นบุคคลภายนอกหรือผู้ที่ให้บริการทางด้านนี้มาช่วยเริ่มกลยุทธ์ของคุณ เทคโนโลยีของผู้ให้บริการช่วยให้องค์กรได้ใช้ประโยชน์จากความเชี่ยวชาญในการปฏิบัติงานและการดำเนินการที่ดีที่สุดในโมเดลภาษาที่ใหญ่กว่า ตลอดจนประสบการณ์มากมายที่พวกเขาเคยรับมือกับปัญหาอื่น ๆ ที่เคยเกิดขึ้นมาแล้ว การร่วมใช้กลยุทธ์เพื่อจัดการกับปัญหาข้อมูลที่ไม่มีโครงสร้างขององค์กรและการใช้ประโยชน์จาก เทคนิค NLP กลายเป็นองค์ประกอบสำคัญของการขับเคลื่อนองค์กรด้วยข้อมูลและเทคโนโลยีที่ใช้ในองค์กร แม้ว่าโมเดล RPA, OCR Plus, หรือโมเดล ML สถิติขั้นพื้นฐาน (Basic Statistical-based ML) จะไม่สามารถแก้ปัญหาทั้งหมดได้ แต่การใช้วิธีการเรียนรู้เชิงลึกก็จะเป็นแนวทางในการจัดการกับปัญหาข้อมูลที่ไม่มีโครงสร้างขององค์กรต่อไป บทความโดย InsideData Editorial Teamเนื้อหาจากบทความของ InsideBigdataแปลและเรียบเรียงโดย ไอสวรรค์ ไชยชะนะตรวจทานและปรับปรุงโดย ปพจน์ ธรรมเจริญพร

2 July 2022

เฟ้นหาวิธีการสร้างสุดยอดทีมในองค์กรด้วย Data

มาเรียนรู้วิธีการสร้างทีมงานภายในองค์กรของคุณเอง ให้มีประสิทธิภาพสูงสุด ด้วย Data-Driven Approach จากงานวิจัยของ Google

13 May 2021

Facbook

This site is registered on wpml.org as a development site. Switch to a production site key to remove this banner.