…. ถ้าเราไม่เข้าใจอดีต เราก็ไม่น่าจะเข้าอนาคต …

จากภาพกราฟนี้ เราสามารถอธิบาย Analytics ได้ 4+1 ขั้นตอน โดยมี:

• แกนนอน (X-Axis): คือ COMPLEXITY (ความซับซ้อน) จากซ้ายไปขวาคือความซับซ้อนที่เพิ่มขึ้น
• แกนตั้ง (Y-Axis): คือ ADDED-VALUE CONTRIBUTION (คุณค่าที่เพิ่มขึ้น) จากล่างขึ้นบนคือคุณค่าที่ธุรกิจจะได้รับมากขึ้น

ทีนี้เรามาดูความหมายของแต่ละขั้นตอนกันครับ:

1)สีส้ม DESCRIPTIVE ANALYTICS (What happened?)
เป็นการตั้งคำถามว่า “ในอดีตเกิดอะไรขึ้น?” เช่น เดือนที่ผ่านมาบริษัทขายรถรุ่นไหนไปได้บ้าง รุ่นละกี่คัน หรือในปี 2024 ที่ผ่านมา มีลูกค้านำรถเข้าศูนย์บริการเพื่อเช็คระยะทั้งหมดกี่คัน ทั้งหมดเป็นการพูดถึงตัวเลขที่มีช่วงเวลากำหนด เพื่อดูความสัมพันธ์ของ เวลา (Time) และ ปริมาณ (Volume)

2) สีม่วง DIAGNOSTIC ANALYTICS (Why it happened?)
เป็นการตั้งคำถามว่า “ทำไมถึงเป็นแบบนั้น?” ซึ่งเป็นสิ่งที่ยากขึ้นและต่อยอดมาจากข้อมูลที่เราได้จากคำถามที่ว่า “ในอดีตเกิดอะไรขึ้น?” เช่น ทำไมรถยนต์รุ่น A ยอดขายเทียบปีลดลง 10%(เช่น ปี 2023 ยอดขายรุ่น A 1,000 คัน ปี 2024 ยอดขายรุ่น A เหลือ 900 คัน %YOY ลดไป 10% เกิดจากอะไร) ซึ่งอาจจะต้องหาข้อมูลมาช่วยตอบคำถามเพิ่มนอกจากรู้แค่ว่ายอดขายเป็นเท่านั้นเท่านี้ เช่น ภาพรวมของตลาด หรือ Market Volume ลดลง 10% จึงส่งผลให้ทุกแบรนด์ในตลาด ยอดขายลดลง อันนี้เป็นแค่ตัวอย่าง อาจจะเป็นเหตุผลอื่น แต่ทุกเหตุผลใน Analytics ควรมีข้อมูลมา support ไม่ใช่ just feeling หรือความเชื่อ

เห็นภาพหรือไม่ครับว่า 2 Phases แรกนั้น focus ที่ “อดีต” เท่านั้น หรือเราเรียก “Backward looking”

“…ในปรัชญาจีน การเข้าใจอดีตเป็นสิ่งสำคัญ เพราะ ประวัติศาสตร์และประสบการณ์จากอดีตเป็นแหล่งบทเรียนอันมีค่า ที่จะช่วยป้องกันไม่ให้ความผิดพลาดซ้ำรอยในอนาคต เปรียบเสมือน “บทเรียนของอดีต คือเกราะป้องกันอนาคต” ทำให้เราสามารถวางแผนและตัดสินใจได้ดียิ่งขึ้นเพื่อสร้างอนาคตที่ดีกว่า…” 

“…Failure to study history is a failure to prepare for the future…”

ก้าวต่อไป: มองไปข้างหน้า (Forward Looking)

เมื่อเราเข้าใจอดีตแล้ว ก็ถึงเวลาที่เราจะใช้บทเรียนเหล่านั้นเพื่อ “ทำนายอนาคต” และ “กำหนดการกระทำ” ซึ่งเป็นการวิเคราะห์ในขั้นตอนต่อไปครับ

3) สีน้ำเงิน PREDICTIVE ANALYTICS (What will happen?)
เป็นการตั้งคำถามว่า “อะไรจะเกิดขึ้น?” เช่น เดือนนี้เราจะมียอดขายรถยนต์รวมกันทุกรุ่นกี่คัน หรือ ปีนี้เราจะมียอดขายกี่ล้านบาทจากการขายรถยนต์ไม่รวมลูกค้าในส่วนของงานบริการ โดยเป็นการทำนายสิ่งที่จะเกิดขึ้นในอนาคตด้วยข้อมูลในอดีต เช่น ถ้าเราถามเรื่องยอดขายของปี 2026 ที่ยังมาไม่ถึง เราอาจจะใช้ข้อมูลในอดีตหลายๆตัว ทั้งยอดขายในอดีต 5 ปีย้อนหลัง และ อัตราการเติบโตของเศรษฐกิจ ภาวะเศรษฐกิจ มาประมวลผล ซึ่งเอาให้เข้ายุคเข้าสมัยนั้น เราจะใช้ Model Machine Learning เข้ามาช่วยทำนายสิ่งที่จะเกิดขึ้น โดยเจ้า Machine Learning นั้นต้องการข้อมูลในอดีตไปเรียนรู้เพื่อใช้ทำนายสิ่งที่จะเกิดขึ้นในอนาคต โดยยิ่ง Model ของ Machine Learning นั้นมี Accuracy ยิ่งสูง ก็ยิ่งทำนายอนาคตได้แม่นยำ เกือบจะฟันธง!! แถมๆ ถ้าเคยอ่านข่าว ฟังข่าว เช่น Super computer ทำนายแชมป์ ปืนใหญ่เต็ง 1 หรือ หงส์แดงเต็ง 1 อันนี้ก็คือ PREDICTIVE ANALYTICS ที่ใช้ Model Machine Learning บวกกับข้อมูลอันมหาศาล โดยข้อมูลจะถูกป้อนเข้าไปทั้งให้ Model เรียนรู้ และ ตอบคำถาม

4) สีเขียว PRESCRIPTIVE ANALYTICS (What should we do about it?)
เป็นการตั้งคำถามว่า “เราจะทำยังไงต่อ? ซึ่งซับซ้อนและมีคุณค่ามากกว่าการเข้าใจอดีตหรือรู้ว่าอนาคตจะเกิดอะไร เช่น ถ้ายอดขายปีหน้าของบริษัทเราคาดการณ์ว่าจะเพิ่ม 10% เทียบปี(10% YOY) เราจะต้องขยายโรงงาน, จ้างพนักงาน หรือ มี Sales เพิ่มหรือไม่? ซึ่งเราจะได้คุณค่าหรือเงินมากขึ้น เทียบกับเรารู้แค่ “อดีต” มากๆ แต่ถ้าถามว่ากว่าจะมาถึงระดับนี้ ยากครับ และ “ข้อมูล” มหาศาล หรือ ข้อมูล “ที่เหมาะสม” จะเป็นส่วนสำคัญ

ก่อนจะไป ที่ +1 หรือสีเหลือง ซึ่งเป็นสิ่งที่กำลังจะมาหรือมาแล้วในบางอุตสาหกรรม เรากำลังไปที่สีเหลืองได้เพราะ ปัญญาประดิษฐ์ หรือ AI นั่นเอง

5) สีเหลือง COGNITIVE ANALYTICS (Future of analytics)
มาถึงส่วนสุดท้ายและทันสมัยที่สุดในยุคนี้ นั่นก็คือ Cognitive Analytics ซึ่งเป็นก้าวต่อไปของ Data Analytics โดยการนำ ปัญญาประดิษฐ์ (AI) และ Machine Learning ขั้นสูง มาช่วยให้ระบบสามารถ “คิด” และ “เรียนรู้” ได้ด้วยตัวเอง และผมว่าจุดสำคัญของ Cognitive คือ “ตัดสินใจ” ได้ ปัจจุบันการทำ Analytics มาถึงจุดสีเขียว(Prescriptive) เราจะต้องการคนตัดสินใจ เพื่อ Action บางอย่าง เช่น CEO ตัดสินใจว่าจะให้ HR ประกาศรับพนักงานเพิ่มหรือไม่ หลังประเมินว่าปีหน้ายอดขายจะเพิ่มขึ้น 10% และข้อมูลบอกว่า Max capacity ตอนนี้มี Bottleneck ที่จำนวนพนักงาน แต่ถ้าเป็น Future of analytics นั้น เราอาจจะเชื่อว่า AI และ Machine Learning ตัดสินใจได้ดีกว่าคน หรืออีกตัวอย่างคือรถยนต์ไร้คนขับ ที่เราเชื่อกันว่า รถยนต์ไร้คนขับจะช่วยลดอุบัติเหตุเนื่องจาก AI และ Machine Learning ตัดสินใจได้เก่งกว่าคนซึ่งน่าจะเป็นสาเหตุหลักของอุบัติเหตุ

“… Human in the loop … เคยได้ยินคำนี้หรือไม่ ผมว่า Cognitive Analytics อาจจะยังน๊า …”