รู้จักกับ Data science ตัวช่วยสำคัญของการหา Business insight

“Data is a new oil” อาจจะไม่ได้เป็นเพียงคำพูดเท่ๆ เพียงเท่านั้น แต่ Data หรือข้อมูลเป็นสิ่งที่สำคัญสำหรับการทำธุรกิจในปัจจุบันเป็นอย่างมาก แต่หากการมีข้อมูลเพียงอย่างเดียวแต่ไม่ได้นำข้อมูลนั้นมาวิเคราะห์ และต่อยอดให้เป็น Insight ทางธุรกิจที่นำไปใช้ในการตัดสินใจได้ก็ไม่อาจจะสร้างการเปลี่ยนแปลง และการเติบโตให้กับธุรกิจได้ จึงเป็นที่มาที่หลายธุรกิจได้นำ AI Analytics เข้ามาใช้ในการจัดการ และวิเคราะห์ข้อมูลจำนวนมากที่มีอยู่ภายในองค์กร เพื่อให้ได้เป็น Insights ทางธุรกิจที่สามารถนำไปใช้ในการปรับปรุงกระบวนการทำงาน และยกระดับการตัดสินใจทางธุรกิจได้อย่างแม่นยำ ตอบโจทย์การทำธุรกิจในยุค Data-driven ได้เป็นอย่างดี 

Data science ได้เข้ามามีบทบาทสำคัญสำหรับธุรกิจยุคใหม่ โดยเป็นการนำเทคโนโลยี AI มาใช้ร่วมกับการวิเคราะห์ข้อมูลทางธุรกิจทำให้ธุรกิจสามารถนำระบบอัตโนมัติขั้นสูงมาใช้ในกระบวนการเรียนรู้ pattern และสร้างโมเดลการทำนายได้ เพื่อได้เป็นข้อมูลเชิงลึกที่ดี และรวดเร็วมากยิ่งขึ้น รวมถึงนำข้อมูลเชิงลึกเหล่านี้ไปใช้ในการตัดสินใจทางธุรกิจได้มากกว่าที่เคยเป็นมา

Data science คืออะไร

Data science หรือวิทยาศาสตร์ข้อมูลเป็นการรวมกันของคณิตศาสตร์ และสถิติ การเขียนโปรแกรมเฉพาะทาง การวิเคราะห์ขั้นสูง เทคโนโลยี AI และ Machine learning ด้วยความเชี่ยวชาญเฉพาะด้านเพื่อเปิดเผยข้อมูลเชิงลึกที่นำไปใช้ได้จริงซึ่งแต่เดิมถูกซ่อนอยู่ในข้อมูลขององค์กร ซึ่งข้อมูลเชิงลึก (insights) เหล่านี้สามารถนำไปใช้เป็นแนวทางในการตัดสินใจ และวางแผนกลยุทธ์ต่อได้

การเพิ่มขึ้นอย่างรวดเร็วของจำนวนแหล่งข้อมูล และข้อมูลทำให้ Data science เป็นอีกหนึ่งสาขาที่มีการเติบโตอย่างรวดเร็วในทุกอุตสาหกรรม จึงไม่เป็นเรื่องที่น่าแปลกใจที่ Harvard business review ได้ขนานนามให้อาชีพ Data scientist หรือนักวิทยาศาสตร์ข้อมูล เป็นอาชีพที่น่าสนใจที่สุดในศตวรรษที่ 21 องค์กรยุคใหม่ต่างต้องพึ่งพา Data scientist ในการทำความเข้าใจกับข้อมูล และนำเสนอข้อเสนอแนะที่นำไปใช้กับธุรกิจได้จริงเพื่อที่จะพัฒนา และยกระดับผลลัพธ์ทางธุรกิจ

ขั้นตอนการทำ Data Science

วงจรของการทำ Data science นั้นเกี่ยวข้องกับหลายหน้าที่ เครื่องมือ และกระบวนการ ซึ่งจะทำให้นักวิเคราะห์ข้อมูลรวบรวมข้อมูล Insight ที่สามารถนำไปใช้งานต่อได้ โดยทั่วไปโปรเจกต์ Data science จะต้องมีกระบวนการดังต่อไปนี้

1. การรวบรวมข้อมูล

วงจรการทำงานของ Data science เริ่มต้นจากการรวบรวมข้อมูล ทั้งข้อมูลที่เป็น Structured และ Unstructured จากทุกแหล่งข้อมูลที่เกี่ยวข้องด้วยวิธีที่แตกต่างกันออกไป โดยวิธีเหล่านี้รวมถึงการกรอกข้อมูลแบบแมนนวล การดึงข้อมูลจากเว็บไซต์ และข้อมูลสตรีมมิ่งแบบเรียลไทม์จากระบบ และอุปกรณ์ต่างๆ แหล่งข้อมูลสามารถรวมถึงข้อมูลแบบ Structured เช่น ข้อมูลลูกค้า ควบคู่ไปกับข้อมูลแบบ Unstructured เช่น Log files วิดีโอ เสียง รูปภาพ อุปกรณ์ IoT โซเชียลมีเดีย และอื่นๆ

2. การเก็บ และประมวลผลข้อมูล

เนื่องจากข้อมูลอยู่ในฟอร์แมต และรูปแบบที่แตกต่างกัน ทำให้บริษัทจำเป็นต้องพิจารณาระบบการจัดเก็บข้อมูลที่แตกต่างกันตามประเภทของข้อมูลที่ต้องการจัดเก็บ ทีมจัดการข้อมูลจะกำหนดมาตรฐานเกี่ยวกับการเก็บข้อมูล และรูปแบบของข้อมูลที่จะช่วยให้ workflow การทำงานที่เกี่ยวกับการวิเคราะห์ข้อมูล โมเดล Machine learning และ Deep learning ทำได้อย่างสะดวกมากยิ่งขึ้น โดยขั้นตอนนี้รวมไปถึงการเคลียร์ข้อมูล การขจัดความซ้ำซ้อนของข้อมูล เปลี่ยน และรวบรวมข้อมูลโดยใช้การทำ ETL (Extract-ดึงข้อมูล, Transform-แปลงข้อมูล, Load-โหลดข้อมูล) หรือเทคโนโลยีในการทำ Data integration การเตรียมข้อมูลนี้ถือเป็นสิ่งสำคัญต่อการส่งเสริมคุณภาพของข้อมูล ก่อนที่จะโหลดข้อมูลลงไปในคลังข้อมูล ที่เก็บข้อมูลส่วนกลาง (Data lake) หรือพื้นที่เก็บข้อมูลอื่นๆ

3. การวิเคราะห์ข้อมูล

หน้าที่นี้นักวิทยาศาสตร์ข้อมูลจะเป็นคนทำหน้าที่ในการตรวจสอบ และสำรวจข้อมูล เพื่อพิจารณาถึงอคติ แพทเทิร์น ความกว้าง และการกระจายตัวของข้อมูลการวิเคราะห์ข้อมูลเหล่านี้จะนำไปสู่การตั้งสมมติฐานสำหรับการทำ A/B Testing และยังทำให้นักวิเคราะห์สามารถกำหนดความเกี่ยวข้องของข้อมูลเพื่อใช้ในการสร้างโมเดลสำหรับการวิเคราะห์เชิงคาดการณ์ Machine learning และ Deep learning โดยที่ธุรกิจสามารถใช้ข้อมูลเชิงลึกเหล่านี้เพื่อตัดสินใจทางธุรกิจได้ (ขึ้นอยู่กับความแม่นยำของโมเดล) ซึ่งขับเคลื่อนให้ธุรกิจรองรับการรองรับการขยายตัว เพื่อรองรับปริมาณของธุรกรรมที่เพิ่มมากขึ้นได้

4. การสื่อสาร

สุดท้ายแล้วข้อมูลเชิงลึก หรือ Insights จะถูกนำเสนออยู่ในรูปแบบของรายงาน หรือ Data visualization ในรูปแบบอื่นๆ ที่จะทำให้ Insights เหล่านี้ และผลกระทบจากข้อมูลที่มีต่อธุรกิจเป็นเรื่องง่ายที่นักวิเคราะห์ หรือผู้ที่มีอำนาจในการตัดสินใจขององค์กรสามารถที่จะเข้าใจข้อมูลเหล่านี้ได้ ภาษาของโปรแกรมด้าน Data science เช่น R หรือ Python รวมถึงองค์ประกอบที่ทำให้เกิดเป็นภาพของข้อมูล หรืออีกหนึ่งทางเลือกคือนักวิทยาศาสตร์ข้อมูลสามารถใช้เครื่องมือสร้างภาพข้อมูลโดยเฉพาะได้เช่นกัน

Data science ต่างกับ Business intelligence อย่างไร

อาจจะมีความสับสนระหว่างคำว่า “Data science” กับ “Business intelligence” เนื่องจากบทบาทของ 2 สาขานี้ในองค์กรนั้นเกี่ยวข้องกับข้อมูลขององค์กร และการวิเคราะห์ข้อมูล แต่จริงๆ แล้วทั้ง 2 สาขานี้โฟกัสในสิ่งที่แตกต่างกันออกไป

Business intelligence (BI) โดยทั่วไปแล้วเป็นคำครอบคลุมถึงเทคโนโลยีที่ช่วยในเรื่องของการเตรียมข้อมูล การทำเหมืองข้อมูล (Data mining) การจัดการข้อมูล และการนำเสนอภาพข้อมูล (Data visualization) เครื่องมือและขั้นตอนของการทำ Business intelligence ทำให้ผู้ใช้งานสามารถที่จะระบุถึงข้อมูลที่นำไปใช้งานต่อได้จากข้อมูลดิบ ทำให้เกิดเป็นการตัดสินใจที่ใช้ข้อมูลเป็นตัวขับเคลื่อนภายในองค์กร

แม้ว่าเครื่องมือของ Data science จะทับซ้อนกันในด้านนี้ แต่ Business intelligence จะโฟกัสไปที่ข้อมูลในอดีตมากกว่า และ Insights ที่ได้จากเครื่องมือ BI นั้นโดยธรรมชาติแล้วจะเป็นการอธิบายว่าในอดีตนั้นเกิดอะไรขึ้นบ้าง ซึ่งเป็นการใช้ข้อมูลเพื่อที่ทำความเข้าใจว่าเกิดอะไรขึ้นบ้างในอดีตเพื่อที่จะมาบอก หรือแจ้งสิ่งที่ควรจะทำต่อไป นอกจากนั้น BI มุ่งเน้นไปที่ข้อมูลที่ไม่มีการเปลี่ยนแปลง ซึ่งโดยปกติมักจะเป็น Structured data ในขณะที่ Data science นั้นใช้ข้อมูลเชิงบรรยาย (Descriptive data) เช่นกัน แต่โดยปกติแล้ว Data science จะนำข้อมูลเชิงบรรยายเหล่านี้ไปใช้ประโยชน์ต่อเพื่อกำหนดการคาดการณ์ตัวแปร ซึ่งจะนำไปใช้ในการจัดหมวดหมู่ข้อมูล หรือคาดการณ์ข้อมูลต่อไป

Data science และ Business intelligence นั้นเป็นสิ่งที่ไม่ได้เกิดขึ้นพร้อมกัน องค์กรที่เชี่ยวชาญด้านดิจิทัลนั้นจะใช้ทั้ง 2 อย่างนี้เพื่อทำความเข้าใจอย่างถ่องแท้ และดึงคุณค่าของข้อมูลออกมาเพื่อใช้ต่อยอดทางธุรกิจ

ตัวอย่างการนำ Data science และ AI มาใช้งานกับธุรกิจ

ธุรกิจสามารถนำ Data science มาใช้ประโยชน์ได้ในหลากหลายมิติ กรณีศึกษาที่พบเห็นกันโดยทั่วไปรวมถึงการเพิ่มประสิทธิภาพของขั้นตอนการทำงานผ่านระบบ Intelligent automation และยกระดับประสบการณ์ลูกค้าด้วยการให้บริการแบบรายบุคคล (Personalization) โดยตัวอย่างที่เฉพาะเจาะจงเพิ่มเติม ได้แก่

• ธนาคารระหว่างประเทศแห่งหนึ่งให้บริการสินเชื่อที่รวดเร็วด้วยแอปพลิเคชันบนมือถือโดยใช้โมเดลประเมินความเสี่ยงที่มีเทคโนโลยี Machine learning เป็นตัวขับเคลื่อน รวมถึงมีระบบ Hybrid cloud ที่มีความสามารถ และความปลอดภัยสูง
• บริษัทประกันรถยนต์ต่างชาติได้พัฒนาโมเดล AI เพื่อช่วยให้ขั้นตอนการประเมินค่าใช้จ่ายในการเคลมค่าซ่อมรถยนต์ใกล้เคียงกับความเป็นจริงมากที่สุด และตรวจสอบได้ว่าค่าใช้จ่ายที่ทางศูนย์ หรืออู่ซ่อมรถประเมินมานั้นสมเหตุสมผลหรือไม่ด้วยการนำ AI มาช่วยในการประมวลผลจากข้อมูลรูปที่มีอยู่ในระบบ เพื่อป้องกันการฉ้อโกง หรือการตีราคาที่สูงเกินความเป็นจริง
• บริษัทอิเล็กทรอนิกส์แห่งหนึ่งกำลังพัฒนาเซนเซอร์ 3D ทรงพลัง เพื่อใช้นำทางยานพาหนะแบบไร้คนขับในอนาคต
• กรมตำรวจในเมืองได้สร้างเครื่องมือวิเคราะห์เหตุการณ์ทางสถิติเพื่อช่วยเจ้าหน้าที่ตำรวจเข้าใจว่าควรจะให้เจ้าหน้าที่ตำรวจไปประจำที่เมืองไหน และเมื่อไหร่เพื่อป้องกันอาชญากรรมต่างๆ โซลูชันที่ใช้ข้อมูลเป็นตัวขับเคลื่อนจะทำรายงาน และแดชบอร์ดเพื่อเพิ่มการรับรู้สถานการณ์สำหรับเจ้าหน้าที่ตำรวจภาคสนาม

ต้องการนำ Data science ไปใช้กับธุรกิจของคุณ

Data science ได้เข้ามามีบทบาทสำคัญกับการทำธุรกิจยุคใหม่ ช่วยให้ธุรกิจนำข้อมูลมาต่อ ยอดเพื่อหา Business insight และนำไปใช้ในการตัดสินใจในมิติต่างๆ ได้ดีมากยิ่งขึ้น เพิ่มขีดความสามารถให้กับธุรกิจในยุค Data-driven ได้เป็นอย่างดี หากธุรกิจของคุณกำลังมองหาผู้เชี่ยวชาญทางด้าน AI และ Data science AIGEN ยินดีให้คำปรึกษาเกี่ยวกับการนำ Data science มาใช้ภายในองค์กร รวมถึงได้มีพัฒนาบริการ aiMotor ตัวช่วยสำคัญในการประเมิน และตรวจสอบการเคลมรถยนต์ ด้วยการนำ AI มาช่วยในการประมวลผลจากข้อมูลรูปที่มีอยู่ในระบบ เพื่อป้องกันการฉ้อโกง หรือการตีราคาที่สูงเกินความเป็นจริง อีกทั้งทำให้ขั้นตอนเหล่านี้สามารถทำได้แบบอัตโนมัติ ลดเวลาในการทำงานแบบแมนนวล และยกระดับประสบการณ์ในการให้บริการลูกค้าด้วยบริการที่สะดวก รวดเร็ว และน่าประทับใจ สนใจปรึกษาผู้เชี่ยวชาญของเรา ติดต่อได้ที่นี่