Data Econ (2) ความท้าทายของการแปลงข้อมูลเป็นสินทรัพย์

อย่าง Alphabet (บริษัทแม่ของ Google), Facebook, และ Amazon ก็เกิดจากการมีสินทรัพย์ที่เรียกว่า Data ที่คนอื่นไม่สามารถหามาครอบครองได้

ถึงจะทราบว่าข้อมูลนั้นมีค่า หลายองค์กรนั่งทับข้อมูลอยู่ทุกวันและรู้ว่าเราต้องทำอะไรสักอย่างกับมันโดยเร็วที่สุดเพื่อไม่ให้ตกขบวนธุรกิจ แต่สิ่งที่ท้าทายที่รออยู่ก็คือ

1. ไม่รู้ว่าจะเปลี่ยนข้อมูลให้มีมูลค่าทางธุรกิจอย่างไร

การลงทุนเพื่อแปลงข้อมูลให้เป็นเงินไม่ได้เป็นเส้นตรง ธุรกิจบางอย่างอาจจะมีตรรกะเป็นเส้นตรง คือยิ่งซื้อโฆษณาเยอะ ก็ยิ่งมีคนเห็นเยอะและขายได้เยอะตามสัดส่วน แต่ธุรกิจข้อมูลมีความซับซ้อนกว่านั้น การแปลงข้อมูลให้เป็นเงินแบบเดิมๆ ประเภทที่ว่าได้เบอร์โทรศัพท์ลูกค้ามาแล้วก็โทรไปเสนอขายของ ถือเป็นสิ่งที่ตกยุคไปแล้ว ในทางกลับกันอาจจะยิ่งทำให้ลูกค้ามีความรู้สึกไม่ดีกับแบรนด์ของบริษัทที่โทรไปรบกวนความเป็นส่วนตัวด้วยซ้ำ

ในทางกลับกัน ผมไม่เคยโดน Google หรือ Facebook โทรมารบกวนเลย ทั้งที่ผมได้ให้เบอร์มือถือกับทั้งสองบริษัทนี้ด้วยตัวเองไปเป็นเวลากว่า 10 ปีแล้ว แต่ทั้งคู่กลับทำตัวเป็นเหมือนเลขารู้ใจ แค่ผมเปิดแผนที่ถามหาร้านอาหาร ก็จะคัดเฉพาะอาหารประเภทที่ผมชอบ พร้อมเส้นการเดินทางที่เร็วที่สุด พอผมช้อปมือถือเครื่องใหม่ไม่ทันออกจากร้าน ก็ขึ้นรูปเคสมือถือรุ่นที่กำลังหาอยู่อัตโนมัติ ล่าสุดผมเดินเจอนักวิชาการร่วมวงการท่านหนึ่งในงานสัมมนา ยืนคุยกันสักพัก ปรากฎว่าเย็นวันนั้น Facebook ขึ้นท่านนั้นเป็น Suggest Friend ให้เลือก Add ได้โดยที่ไม่ต้องลำบากค้นหา

การข้ามเส้นบางๆ ระหว่างการ “Hard sell” สินค้าที่รบกวนความเป็นส่วนตัว กลายเป็นผู้ช่วยแนะนำสิ่งที่เราต้องการ “In the right place, at the right time” สามารถทำได้ด้วย “Data”

2. ถึงจะมีข้อมูลมาให้มากมาย แต่ก็ไม่มีเวลาดู

พอทำเรื่อง Big Data ผู้บริหารหลายท่านรู้สึกว่าข้อมูลมีเยอะแยะไปหมด ถึงเวลาเข้าจริงๆ ก็ไม่มีเวลาดู ซึ่งเป็นเพราะการดีไซน์ลำดับความสำคัญของข้อมูลอาจยังไม่ดีพอ การทำ Report หรือ Dashboard ให้เป็น “Business Intelligence (BI)” อย่างแท้จริงนั้น ต้องจัดลำดับความสำคัญว่า ผู้บริหารตำแหน่งใดในองค์กร ควรจะดูข้อมูลอะไร และไม่ควร หรือไม่จำเป็นต้องดูข้อมูลอะไร ซึ่งสิ่งที่สำคัญที่สุดคือ ผลจากการดูข้อมูลนั้น “Actionable” หรือไม่ โดยต้องดีไซน์ว่าข้อมูลใดที่จำเป็นต้องรู้ทันที (Realtime) หรือข้อมูลใดรับทราบในภายหลังได้ (เช่นรายวัน รายสัปดาห์) และแบ่งเป็นข้อมูลที่เราเพียงต้องการควบคุมดูแล (Monitoring) ต้องการพยากรณ์ (Forecasting) หรือถึงขั้นช่วยแนะนำในการตัดสินใจที่สำคัญ (Decision Making)

ที่สำคัญการออกแบบ BI นี้ ต้องทำให้ยืดหยุ่น และทดสอบปรับเปลี่ยนอย่างสม่ำเสมอ (Test and Learn) จึงจะตอบสนองต่อธุรกิจที่เปลี่ยนแปลงอย่างรวดเร็วได้

3. ไม่รู้จะเก็บข้อมูลอย่างไร และเชื่อถือได้แค่ไหน

บางข้อมูลหาวิธีเก็บก็ว่ายากแล้ว แต่การจะออกแบบวิธีเก็บให้ได้ข้อมูลที่เที่ยงตรงนั้นยากกว่า ข้อมูลบางอย่างเก็บตรงๆ ไม่ได้ เช่นคุณภาพของสินค้าของเรา จะไปถามลูกค้าให้คะแนนตรงๆ ก็มักจะได้คำตอบที่ไม่ตรง ต้องใช้วิธีออกแบบว่าหากสินค้าของเรามีคุณภาพตรงตามความคาดหวัง ลูกค้าจะมี “พฤติกรรม” และ “ปฏิกริยา” อย่างไร ที่เราสามารถวัดผลได้จากระบบของเรา ไม่ว่าจะเป็นอัตราการกลับมาซื้อบ่อยๆ อัตราการแชร์และบอกต่อ โดยเฉพาะข้อมูลแบบ Unstructured Data (เช่น ข้อมูลเสียง ภาพ โซเชียล) หลายองค์กรยังไม่ได้เริ่มเก็บนั้นเป็นข้อมูลที่มีมากและมีความสำคัญถึง 9 เท่าเมื่อเทียบกับข้อมูลเชิงปริมาณ-คุณภาพทั่วไป (Structured Data) ที่เราเก็บกันมาตลอด

ซึ่งหลังจากเก็บข้อมูลมาแล้ว ต้องมีการเทียบเคียงระหว่างกัน (Data Validation and Reconcilation) เพื่อให้เกิดความถูกต้องในระดับที่นำมาใช้งานได้ ให้มากที่สุด

4. ความหวงแหนข้อมูล

เป็นปัญหาคลาสสิคที่คนในองค์กร มีความหวงข้อมูลภายในกันเอง เพราะคิดว่าการที่สามารถกุมข้อมูลเอาไว้คนเดียว จะเพิ่มความสำคัญของตัวเอง ทั้งๆ ที่ความเป็นจริงวันนี้ การผสมรวมของข้อมูลจากแต่ละหน่วยงานกลายเป็นข้อมูลขนาดใหญ่ที่สามารถผลักด้นให้เกิดผลลัพธ์ที่มีมูลค่าได้ เป็นสิ่งที่สำคัญมากกว่า ดังนั้นผู้บริหารระดับสูงจึงต้องประกาศนโยบายด้านข้อมูลให้ชัดว่า การแชร์ข้อมูลใดที่เป็นประโยชน์ ข้อมูลใดควรทำให้โปร่งใส หรือข้อมูลใดต้องมีชั้นความลับอย่างไร และปรับวัฒนธรรมองค์กรให้เอาผลลัพธ์รวมเป็นที่ตั้ง (Results Oriented)

5. รู้สึกถึงความไม่คุ้มค่ากับสิ่งที่จับต้องยาก

การลงทุนเรื่องข้อมูลนั้น เมื่อเส้นทางการเพิ่มมูลค่าให้กับธุรกิจไม่ได้เป็นเส้นตรง วันที่เริ่มโครงการก็ยังไม่สามารถร่างภาพที่ชัดเจน จับต้องยาก จนกว่าจะได้ลงไปคลุกกับข้อมูลที่นั่งทับอยู่โดยละเอียด จึงจะเริ่มเห็นภาพในแต่ละขั้น ผู้บริหารที่เห็นงบประมาณและระยะเวลาที่ต้องลงทุนก็เหนื่อยใจ จึงต้องปรับวิธีคิดในการคำนวณ ROI ให้ถูกต้อง

ใครผ่านความท้าทาย 5 ข้อนี้ได้เร็วกว่า ย่อมได้เปรียบกว่าในยุค Data Economy นี้