+++++ น้ำทุกหยาดมีประโยชน์ หากทุกคนใช้อย่างคุ้มค่าและประหยัด +++++
Group Blog
 
 
ธันวาคม 2562
 
1234567
891011121314
15161718192021
22232425262728
293031 
 
11 ธันวาคม 2562
 
All Blogs
 

การจัดเตรียมองค์กรเข้าสู่ Data Driven Culture

การจัดเตรียมองค์กรเข้าสู่ Data Driven Culture

Article นี้เป็นความเห็นส่วนตัวล้วนๆ ในฐานะผู้บริหารองค์กรธุรกิจ ที่มองด้วยเลนส์ ของการนำไปใช้จริง ในอุตสาหกรรมที่ผมมีความเข้าใจ หาก อาจารย์ ที่สอน Data Science หรือ Business Analytics ไม่เห็นด้วย ผมยินดีรับคำตำหนิ ทุกประการ และ อยากให้ช่วยชี้แนะผมด้วย คิดเสียว่าเป็นการ โยนหิน เพื่อต่อยอดความเข้าใจให้กับคนที่ได้อ่านนะครับ

ใช่วง ปี 2018 ตอน ต้นๆ ไป ผมได้ยิน Lingo ที่เริ่มจะโผล่มาบ่อย สองคำ คือคำว่า Big Data กับ คำว่า Machine Learning (ใน Article นี้ ผมคงไม่บังอาจอธิบายว่าสองคำนี้คืออะไร เพราะมันไม่ใช่ Expertise ของผม)

โดยส่วนตัว ผมรู้สึกว่าสองคำนี้เทห์มาก โดย Sense ของคนที่เป็น Consultant มาก่อน พอได้ จับ Concept คร่าวๆ เรารู้สึกได้ว่า มันมีช่องทางที่จะไป เป็น Solution ของธุรกิจที่สำคัญมาก และ หากมีช่องทางที่จะเป็น Solution ของธุรกิจได้ แปลว่า ย่อมมีช่องทางทำมาหากินในทาง Consultancy ได้แน่นอน สำหรับเรื่องนี้ แต่ ณ เวลานั้น ผมไม่ได้ มี บริษัท Consultant เป็นของตัวเองแล้ว ก็เลยเป็นเรื่องที่เราศึกษาไว้เพิ่ม ความรู้ตัวเองเฉยๆ

ในช่วงค้นปี 2019 ก็ได้ มีโอกาส ไปเรียน Executive Education ที่ National University of Singapore ใน Class ชื่อ Leading with Busienss Analytics and Machine Learning ซึ่ง เป็นภาพใหญ่ของการนำ “Data Science” มา implement ในธุรกิจ หลายๆ แขนง โดยที่เราไปเรียนคือ Business School ดังนั้น ก็คือจะเน้นเรื่อง การนำไปใช้ เป็นหลัก และ คนที่สอนเองถึงแม้จะ Very Technical แต่ด้วยความที่ เขาพยายามจะให้พวกคนที่เรียนซึ่งส่วนใหญ่เป็นผู้บริหาร เน้นเรื่อง “การตั้งโจทย์ ให้ถูกต้อง” และ “เข้าใจ Concept” สิ่งที่ ไมไ่ด้แตะ คือ เรื่อง “How Data Science Works” คือ มันทำงาน อย่างไร ในระดับ Operation สิ่งที่เราได้เรียนคือ “input” เข้าไปยังไง (สั่งการ ตั้งโจทย์) และ Output (คือ insight) หรือ Outcome(การนำไปพัฒนา Strategy ของ ธุรกิจ) คืออะไร ก็คงได้แค่นั้น เพราะ 5 วันก็สมองบวม แล้ว

-แต่ผมในฐานะผู้บริหาร หรือ แทนใครก็ตามที่เป็นเจ้าของธุรกิจ - ยิ่งจากต้นปี 2019 มาจนถึงปลายปี ผมยิ่งอ่านข่าวต่างๆ ในโลกธุรกิจ ที่เรากำลังไปสู่สภาวะของโลกที่เรา ใช้ทฤษฎีเก่าๆ หรือความเห็นประสบการณ์จากเก่าๆ คาดเดาสถานการณ์ไม่ได้เลย - เรามีความจำเป็นอย่างยิ่งที่จะต้อง สร้าง Prediction บนข้อมูลที่เป็นปัจจุบัน โดยที่ไม่มีอคติ จากบุคคลใดๆ-

- เรากำลังจะเข้าสู่โลกที่ Expert ลดความสำคัญลงไปเรื่อยๆ และ Data จะเพิ่มความสำคัญมากขึ้นเรื่อยๆ-

-สาเหตุที่ Expert หมดความสำคัญลงไปนั้น ก็มีหลายอย่าง แต่อย่างหนึ่งที่สำคัญมาก คือ Expert ประมวลผลไม่ทัน-

-Expert: หากเราไม่ไป Question ความสามารถของเขา เอาว่า เราตีความว่าเขาคือคนที่รู้เรื่องจริง มีประสบการณ์จริง เก่งจริงนั้น สิ่งที่เขาทำได้ ทุกวันนี้ คือการตีความข้อมูล Secondary ว่าสรุปมาอย่างไร แล้ว จึงออกความเห็น ให้ผู้มีอำนาจ ตัดสินใจไปทำ - ปัญหาคือ ข้อมูล Secondary ทุกวันนี้ เรารู้กันแล้วว่า - มัน Update ตลอดเวลา และ มันเปลี่ยนได้ตลอดเวลา แบบสิ่งมีชีวิต และ การหา Pattern ที่อ้างไปถึงเมื่อ 10 ปีที่แล้ว มันไม่มีประโยชน์ มันเป็นเพียงเรื่องสมมุติ เท่านั้น แล้วพอคนหลายคนเริ่ม Question การตีความของ Expert ความเป็น Expert ก็เริ่มถูก กังขา และไปถึง การหา Opinion อื่นๆ มากขึ้น จากแหล่งอื่นๆ-

-ในขณะที่ตรงกันข้ามคือ Data ทุกวันนี้ ถูกพัฒนาในการเก็บ การวิเคราะห์ ให้ มีความเที่ยงตรงมากขึ้นเรื่อยๆ และ มีปริมาณที่มากขึ้นเรื่อยๆ และ ประสิทธิภาพก็มากขึ้นเรื่อยๆ เมื่อเรามาถึงยุคที่ Data ถูกตีความและจัดสรร เป็นที่เรียบร้อย ผู้มีอำนาจตัดสินใจ ในองค์กรต่างๆ จึง ตัดตรงไปที่ Data เลย แล้ว ปรับ Expert ให้ไปทำหน้าที่ๆ เหมาะสมขึ้น คือ หน้าที่ตั้งคำถาม แทนที่จะมีหน้าที่ให้คำตอบ-

-แล้วเราก็ออกจากโลก ของ “สุดยอดกุนซือ” ที่เหมือนเป็นลูกแก้ววิเศษ ของเจ้าของหรือผุ้บริหารองค์กร ที่ตอบได้ทุกอย่าง มีความเห็นได้ทุกเรื่อง มาสู่โลกของ การตีความข้อมูล อย่างเป็นวิทยาศาสตร์ และเอา insight ของข้อมุล มาให้ผู้บริหารตัดสินใจแทน-

-Insight ที่บางครั้งแสนจะไม่น่าเชื่อ ขัดกับความรู้สึก แต่ผู้บริหารต้องยอมจำนนด้วยวิธีทางวิทยาศาสตร์ที่ได้มาแบบหมดทางเถียง ก็เป็น disruption ของ expert แบบหนึ่ง ที่ expert ต้องปรับตัว-

-ทีนี้ โลกที่ Data กำลังจะเป็น “New Oil” หรือ เป็นสิ่งที่มีมูลค่ามหาศาล คือ Megatrend หนึ่งที่ธุรกิจ ไม่สามารถหลีกเลี่ยงได้ โดยเฉพาะธุรกิจ ขนาดใหญ่ อาจต้องลงทุนเรื่องนี้ ด้วยตัวเอง ส่วนธุรกิจ ขนาดกลาง หรือ เล้กที่ ไม่ได้มีข้อมูล มหาศาลในมือ อาจต้องไป ขอข้อมูล หรือ share ข้อมูลกับคนอื่นนั้น อนาคตจะเป็นอย่างไรต่อ ต้องเตรียมตัวอย่างไรบ้าง นี่คือ คำถาม ที่ ในโลกธุรกิจ ตอนนี้กำลังถามกันมาก-

-แน่นอนว่า บางธุรกิจ ก็ไปไกลมากแล้ว ซึ่งคือธุรกิจที่มีข้อมุลมหาศาลมาตลอด และ มีการจัดการกับข้อมุลที่เป็นระบบมาตลอดเช่น Finance , Insurnace-

ส่วนธุรกิจอื่นๆ ก็ค่อยๆ ตามมา เช่น Retail หรือ Manufacturing และ ที่รั้งท้าย ก็อาจเป็นก่อสร้าง เป็นต้น แต่ รับรองได้ว่า ไม่มีใครรอดจากสิ่งนี้

“คำถามที่ 1 Data เข้ามามีบทบาทอะไร ในธุรกิจ”

คำตอบของผมตรงๆ คือ เรื่องการสร้างทางเลือกเพื่อสนับสนุนการตัดสินใจของผู้บริหาร นอกเหนือจาก Expert (เพราะโลก Exponential นั้น Expert เริ่มยิงพลาดเป้ามากขึ้นๆเรื่อย) ให้มาเชื่อข้อมูลมากขึ้น เพราะข้อมูลน่าเชื่อถือกว่า เอาไปใช้เข้าเป้ามากกว่า (ย้ำว่าต้องใช้ให้ถูก)”

“คำถามที่สอง คือ แล้วมันมี Trend นี้ แล้วในฐานะผู้บริหาร จะเอาข้อมูลมาใช้ให้เกิด insight ได้อย่างไร?”

ในความเห้นของผมคือ - มันก็เป็นเรื่องไก่กับไข่

คุณอาจตั้งโจทย์ ว่าปัญหาธุรกิจคุณอยู่ตรงไหน แล้วจะแก้เรื่องอะไร แล้วค่อยไปเก็บข้อมูลตัวนั้น เพื่อมาตีความเพื่อแก้ปัญหา หรือ คุณอาจเก็บข้อมุลที่คุณรู้ว่าเป็นข้อมุลสำคัญไปเรื่อยๆ ตลอดเวลา แล้วพอถึงเวลาจะตั้งคำถามตีความ จึงดึงข้อมูลเอามาใช้ ก็ได้ทั้งคู่

แต่โดยประสบการณ์ ที่ผมเห็นมา ส่วนใหญ่ ข้อแรก จะไม่ทันการเพราะกว่าจะเก็บข้อมูลได้ มานั่งตีความ โลกมันเปลี่ยนอีกรอบแล้ว เราต้องสร้าง infrastructure ในการเก็บข้อมูลที่สำคัญ ขึ้นมา ให้เก็บได้ถี่ๆ อย่างต่อเนื่อง และเก็บได้โดยใช้ต้นทุนไม่แพง และ เก็บได้โดยที่ไม่ต้องพึ่งคน

เก็บได้ถี่ๆ - ข้อมูลบางอย่าง เก็บเดือนละครั้ง กับเก็บวันละครั้ง จะเห็นสาระทีแตกต่างกันอย่างมหาศาล และการตีความที่เป็นประโยชน์ กับองค์กรจะต่างกันมาก

เก็บได้อย่างต่อเนื่อง - หากเก็บไม่ต่อเนื่องก็จะไม่เห็น Trend แล้วจะ คาดการร์ไม่ได้ หรืออาจตีดความผิดพลาด

เก็บได้โดยใช้ต้นทุนไม่แพง - อันนี้สำคัญมาก คือ ผู้บริหาร อยากได้ โน่น นี่ ตลอดเวลา แต่สมัยก่อน กว่าจะเก็บข้อมูลได้ คือ ต้องไป Survey ใช้เงิน เป้นแสน เป็นล้าน ข้อมูลแพงมาก และมีธุรกิจที่จ่ายได้ ไม่มาก ที่รู้ว่าข้อมูลสำคัญ (ก็คือ Finance กับ Insurnace ซึ่งมีแค่สองธุรกิจนี้ที่จ้างนักสถิติมาทำงาน) แล้วหากแพงมาก Concept ที่ว่า “เก็บข้อมุลสำคัญไปเรื่อยๆ แล้วถึงเวลาอยากตั้งคำถามอะไร เราก็ดึงมาตอบ” จะไม่เกิดขึ้น เพราะ มันจะเป็น Cost ที่ไม่เกิดประโยชน์ที่ก้อนใหญ่ ดังนั้น การเก็บต้องราคาถูกไว้ก่อน

เก็บได้โดยไม่ใช้คน - การเก็บข้อมูลด้วยคน มีปัญหา เสมอเพราะ คนทำงานพลาด คนตีความด้วยอคติ คนมีความไม่เข้าใจ ต่างๆนี้ ทำให้ข้อมูล ไม่มีคุณภาพ ดังนั้นต้องหลักเลี่ยงการใส่ข้อมูลในระบบด้วยคน (Manual) แต่เน้นให้ใช้ระบบอัตโนมัติแทน (Automation)

การเก็บข้อมูลทั้งหมดนี้ ในโลกปัจจุบัน เราโชคดีมาก ที่มีความเป็นไปได้ทั้ง 4 ข้อเพราะเรามีเทคโนโลยี ในการเก็บข้อมูลที่ทำได้ครบถ้วนทุกข้อ - และทำให้เกิดงานลักษณะใหม่ ในองค์กรขึ้นมาด้วย

เมื่อเราสามารถเก็บข้อมูลมหาศาลดังกล่าวได้ ซึ่งในบางกรณีถึงขนาดเป็น แสนๆ Data Point ต่อ นาที มันเลยเป็น “Big Data” ผมแปลง่ายๆ ว่า “โคตรข้อมูล” ที่มนุษย์ธรรมดา ไม่มีทางใช้ ระบบ Manual ในการตีความได้ แค่อ่านก้ไม่ทัน มันก็ต้องใช้ Machine มาตีความ แต่หากข้อมูลมาด้วยปริมาณที่มากพอ และคุณภาพที่สูงส่ง จะทำให้ “insight” ที่มันออกมา เข้าเป้า (ย้ำว่า ถ้าคุณตั้งคำถามถูกเท่านั้น)

และกลับไปที่เดิมคือ Expert ลดความสำคัญลง

นั่นคือการตอบคำถามข้อที่สองว่า ผู้บริหาร ต้องทำให้เกิดปรากฎการณ์ การบริหารข้อมูลในองค์กรแบบนี้ ให้ได้ เป็น “สายน้ำ” หรือ streaming ไปเลย คือ เกิดขึ้นต่อเนื่อง ไม่หยุด และมี ข้อมูลมาให้ตีความเรื่อง insight ออกมาได้เรื่อยๆ และต้องรู้ก่อนคู่แข่ง - ที่เขาชอบใช้คำว่า Dashboard ดูกัน แทบจะตลอดเวลายิ่งกว่า Facebook

นั่นคือการปรากฎการณ์ ของ Data Science ใน Application Mode ที่เกิดประโยชน์ กับองค์กรอย่างแท้จริง
เก็บข้อมูล --> ประมวลผล --> สรุป --> บอก insight → เอาไปใช้

คำถามที่ 3 ก็คงแน่นอนว่า “โอเค เข้าใจแล้ว ผมอยากได้ สูตรลับ insight ที่ ทำให้ผมไปทำแผนธุรกิจ ให้เกิดความก้าวหน้าได้ แล้วผมจะต้องจัด Orgnization ยังไง ต้องลงทุนอะไร จ้างคนแบบไหน ให้เกิดปรากฎการณ์นี้?”

คำถามนี้คือ สาระของ บทความนี้

คำถามนี้ ส่วนหนึ่งตอบไปแล้ว คือ ผู้บริหารต้องเขียน Flow ตามนั้น คือ การเก็บข้อมูลที่เป้นมาตรฐาน ข้อมูลหลัก ที่องค์กรเห็นว่าสำคัญ ต้องเก็บไปเป็น Routine งานนี้จะเป็นงานที่นิ่งมาก เป็นงานเชิงพัฒนาระบบ จากนั้นจะมีงาน Clean ข้อมูล ที่ทำให้ข้อมูลเกิดคุณภาพ - แล้วก็เก็บ - อันนี้ไม่น่ายาก เพราะ หากเป็น ชาว IT-MIS บอกเขาคำเดียวว่าจะเอาอะไร เขาจัดการให้ได้

ส่วนเรื่องการใช้ข้อมูล อันนี้ล่ะที่จะมีปัญหา เพราะ มันคือ การที่จะ ต้อง “สรุป” แล้วไปสู่ insight ให้ได้

คำถามนี้เป็นคำถามในเชิง implementation ซึ่งประเด็นนี้อาจเริ่ม ทำให้ผมมีปัญหากับอาจารย์ ที่สอน Data Science และ Business Analytics แต่จะขอลองบังอาจดู

ตามหลักการณ์ของ Data Science นั้น มันคือ Multidisciplinary ของ 3 ศาสตร์ หลัก คือ Business Knowledge - Statistics - Technology

เวลาที่เราพูดถึงหลักนี้ขึ้นมา - เราจะมองว่า มันคือ 3 ขาที่ Balance กันทำให้เกิด ปรากฎการณ์ Data Science และมีอาจารย์ หลายๆ คนที่ มองว่า 3 อย่างนี้ ผสมกัน เหมือนแม่สี แล้วจะเป็นอย่างไร เห็นต่างกัน แต่ทุกคนเห้นตรงกันว่า มนุษย์ หนึ่งคน ที่จะเชี่ยวชาญ 3 อย่างนี้ คือหนึ่งในล้าน

แล้วถ้าเราหาคนๆ หนึ่ง มาทำเรื่องนี้ไม่ได้ การ Clone คนให้ทำได้ 3 อย่างยิ่งไม่ต้องพูดถึง จึงมีอย่างเดียวคือต้องตั้งทีม แล้วจะตั้งทีมอย่างไรดีล่ะ

ผมขอฟันธงตรงนี้ไปเลยว่า ถ้าบริษัท คิดอยากจะตั้งทีม ขอให้ พร้อมรับมนุษย์สายพันธ์ใหม่ขึ้นมาในองค์กร คือมนุษย์ ที่มีความรู้ด้าน “สถิติ” หรือ Statistician เรียนจบด้านนี้มาโดยตรง - หรือถ้ามหาวิทยาลัยทุกวันนี้ ปรับตัวทัน มีปริญญาที่เรียกว่า Data Science มาแล้ว ขอให้ ทดสอบความรู้ด้านสถิติ ว่าแข็งแรงพอหรือไม่

แล้วทำไมถึง จับคนนี้ก่อน แทนที่จะจับ อีก 2 คนที่เหลือ

เพราะ Statistics คือ ใจกลางของ “ทักษะ” ในการประมวลผลข้อมูล และทุกวันนี้ ทักษะ คือเรื่องใหญ่ ในการพัฒนาองค์กร เสมือนเพิ่มอาวุธสำคัญอีกชิ้นหนึ่ง หรือหน่วยรบพิเศษอีกหน่วยหนึ่ง ในกองทัพขององค์กร สถิติ คือทักษะที่คู่ขนานไปกับการ “วิจัย” ซึ่งต้องใช้ในการทำงานกับข้อมูล

หากเปรียบเทียบในการรบในสงครามสร้าง insight คนๆ นี้คือ เสนาธิการ เป็นคนที่จะลงไปในรายละเอียดการใช้กำลังผล การใช้ทรัพยากร คิดเรื่อง เงื่อนไข และอุปสรรคต่างๆ ในระดับปฎิบัติการ ให้ครบถ้วน - สร้างแนวทางต่างๆ ขึ้นมา มองออกว่า อาวุธ สงครามรุ่นใหม่ จะมีผลต่อวิธีการรบอย่างไรบ้าง

การสานข้อมูลการตีความข้อมูล การจับข้อมูลมาเปรียบเทียบต่างๆ ใช้ “ทักษะ” ทางสถิติ ล้วนๆ ดังนั้นแทบจะเรียกได้ ว่าองค์กรที่อยากเป็น “Data Driven” แต่คุณไม่มีคนที่มีพนักงาน ที่มีทักษะด้านสถิติอยู่เลย โอกาสไปถึงเป้าหมายมีน้อย

ในความเห็นของผม หากผมจะสร้าง ทีม Data Science ผมจะสร้างทีม Statistician แล้วสอนให้เขาเข้าใจธุรกิจเชิงลึก ให้เขา Apply ทักษะของเขาเข้ามาได้

ผมลองยกตัวอย่างเรื่องนี้ ที่เป็นประเด็นที่เกิดอยู่แล้วในปัจจุบัน

คือ หาก ฝ่าย R&D ขององค์กร หากไม่เข้าใจสถิติ ฝ่ายนี้จะทำได้เพียง ไปนั่งหาข้อมูลมา แล้วเอาเข้าตาราง บวกลบคุณหาร นั่ง คิดๆ มองๆ เอาเอง แล้วก็หาข้ออ้างอิงจากคนอื่น เสนอผุ้บริหาร - อันนี้ไม่ใช่ Data Driven อันนี้ ผมใช้คำว่า “ธง Driven” ก็คือ หาข้อมุล support แผนที่ผู้บริหารอยากได้ (อ่านใจเจ้านายออก ว่าจะเอาอย่างนี้ แล้วไม่สนใจว่า ที่จะเอาอย่างนี้ ถูกต้องเหมาะสม หรือไม่ แต่ไม่สน ไปทำมาให้ได้) ข้อมูลที่มีอยู่เป็นเพียงเครื่องมือที่ทำให้ธงเจ้านาย สวยและได้รับการอนุมัติ แต่ไม่ใช่ Insight

การที่คุณมีข้อมูลที่ดี มีคุณภาพ ผมเปรียบเทียบได้กับกองทัพที่คุณมีกระสุน พร้อมแล้ว
การที่คุณมีนักสถิติที่ดี ก็เหมือนมีเสนาธิการ ที่รู้ลึกในเชิงของแผน

แต่กองทัพ มีแต่กระสุน กับเส ไม่ได้ ต้องมีกองทหาร และ ปืนด้วย

และนั่นคือ จะไปสู่สาขาที่สำคัญอันดับสอง สำหรับผมคือ Technology

กองทัพ Technology นี้ บางตำราใช้คำว่า Programming แต่โดยส่วนตัวผมไม่เห้นด้วย เพราะหากเราพูดว่า Programming ในเชิงของการพัฒนาองค์กร เราจะมุ่งตัวเองไปที่เรื่องเขียน Code แต่ผมคิดว่าเราควรมองเรื่องการ เก็บและจัดการข้อมูลที่เป็น Routine ให้ได้ โดยต้องคิดเรื่อง Hardware , Software, Peopleware, Process, Limitation ในภาพรวมมากกว่า การเขียน Code เป้นเพียง หนึ่งใน Action ที่จะส่งข้อมุลต่อไปให้ นักสถิติทำงานต่อ

ทีม Technology หากมองว่าเป็น หน่วยรบพื้นราบ action-packed น่าจะมีความตื่นเต้น และเปิดมุมมองในหลายๆ ด้าน

ทีม Technology นี้ เราอาจจะ Recruit คนจาก สายงาน MIS ที่เป็นพวกคิดนอกรอบ แก้ปัญหาเฉพาะหน้าเก่ง และชอบลองอะไร แหกๆ ใหม่ๆ เอาเป้าหมายเป็นที่ตั้ง และขี้เบื่อ - Anti Routine พวกนี้เหมาะมาก - ในส่วนของ MIS ให้เขาทำ Routine ตามระบบไป แต่ดึงคนๆ นี้ออกมา ทำงานกับ Data Strategist

ทีม Data Strategist จะถามทีม Data Commando ว่า “ช่วยผมเก็บข้อมูลเรื่องคนที่เดินข้ามาแล้วดูอาหารสด ใน Super Market แล้วไม่ซื้อหน่อย ว่ามีสักกี่คน ในแต่ละเวลา”

หากเจอคำถามนี้จากทีม Statistics เข้าไป หากเป็น Coder หรือ Programmer ก็จะมองแค่ว่า จะไปดึงข้อมูลอะไร มาคิดจากระบบ แต่ หากมองว่าตัวเป็น “Data Commando” ต้องเอาเป้าหมายเป็นที่ตั้ง

การดูว่าคนซื้อเท่าไหร่ หาไม่ยาก ในระบบจ่ายเงิน

แต่ดูว่าคนเข้ามาแล้วไม่ซื้อคือเท่าไหร่ ต้อง Creative หน่อย

ต้องงัดเทคโนโลยีออกมาใช้ เช่น “ioT” + “Facial Recognition” + “Vantage Point” และต้องทำงานภายใต้กฎหมายเรื่องการคุ้มครองข้อมูลต่างๆ และ “ต้องทำให้ไม่แพงด้วย” - นี่คือ บทบาทของทีม Technology ที่สำคัญ

เอาแค่ นักสถิติ ที่เรามาอบรมให้เขาเข้าใจธุรกิจ (Data Strategist) และ มีทีม Technology ที่พร้อมลุย เก็บ Data ในทุกสมรภูมิ (Data Commando) แค่นี้ก็เรียกได้ว่า เราเริ่มสร้าง Data Driven Champion ขึ้นมาได้แล้ว

แต่สองทีมนี้ ต้องบอกว่า โดยพื้นฐานที่มาของเขาเป็นคนที่ คุยภาษาคนธรรมดาไม่ค่อยรู้เรื่อง ดังนั้น เราจึงมี คนที่สำคัญอีกคนหนึ่งที่จะต้องเข้ามา

Business Knowledge - คือ คนที่สาม และ คนๆ นี้มีหน้าที่สำคัญ 3 อย่าง คือ “ตั้งโจทย์ ให้ถูก” - “ดึงให้ทีมทำงานบนพื้นฐานความเป็นจริง” และ “ทำการนำเสนอให้ต่อยอดได้”

ในความเห็นของผม คนที่เป็น Business Knowledge คือ คนที่คุมเกมให้ สิ่งที่ทีม Data ทั้ง Statistician และ Technology นั้น มีคุณค่าต่อองค์กร ทั้งในแง่คุณค่าที่จับต้องได้ ในทางผลลัพธ์ ต่อธุรกิจ (เช่น เกิด Insight ที่ผู้บริหารเอาไปปรับแผนธุรกิจ แล้ว win) และ ต่อความรู้สึกของพนักงานในองค์กรด้วย (พนักงานคนอื่นเข้าใจความสำคัญของ Data และ พนักงาน หลายฝ่ายที่มีหน้าที่ input data จะเข้าใจว่า หน้าที่ด้าน Data ตัวเองสำคัญมากทั้งในแง่ ความถูกต้อง ตรงเวลา ในการมุ่งสู่ Data Driven Culture ไม่ใช่แค่ผู้บริหารเข้าใจ)

ดังนั้น Business Knowledge Member คนนี้ ผมอบากขอเรียกว่า Data General หรือ นายพลด้านข้อมูล

คนๆนี้ ควรจะมีความเป็น Senior หน่อย เทียบกับหัวหน้าทีม Data Strategist (Data สายบุ๋น) และ Data Commando (Data สายบู๊) และเป็นผู้ที่มีความรอบรู้ Business Knowledge ขององค์กรนั้นเชิงลึก คนๆ นี้ต้องได้รับการ เคารพ จากทั้งสายบุ๋นและสายบู๊

ที่ห้ามพลาด และ คนมักไม่ค่อยพูดถึงคือ ต้องมี People Knowledge เชิงลึก เพราะเขาต้องไปเป็นตัวเชื่อมฝ่ายต่างๆ กลับมาที่การทำ Data. บางทีต้องไปขอ Data โดยตรง บางทีต้องไปขอให้เขาช่วย input data เพิ่มงานให้เขาอีก จึงควรเป็นคนที่มี People Skill สูง. ทุกคนชอบ และทุกคนเกรงใจ ขออะไร คนก็จะช่วย เพราะอยากช่วย

หน้าที่ของ Data General 3 อย่าง

“ตั้งโจทย์ ให้ถูก” - คุณสมบัติสำคัญของ Data General คนนี้ คือ ต้อง มีความ Practical มองปัญหาจากความเป็นจริง องค์กรต้องการอะไร เข้าใจสถานการณ์ทางการเมืองขององค์กร เช่น นายใหญ่จะเอาอะไร และรู้จัก Balance ความถูกต้องกับความถูกใจ ของคนหลายๆ กลุ่ม เพื่อ กลั่นมาทำโจทย์ ให้งานเดินได้ (หลาย องค์กรสองอย่างนี้เป็นคนละเรื่องกัน) ถ้าได้โจทย์ ที่ถูกและทุกคนต้องการ งานเดินต่อได้แน่นอน

“ให้ทีมอยู่บนโลกของความเป็นจริง” - Data General ต้องใช้สามัญสำนึก ใส่เข้าไปใน ผลของการวิเคราะห์ เพราะ ปัญหาของ Data Strategist ที่เป้นนักสถิติ หรือ Data Commando ที่เป้นสาย IT จะมีหลักๆ อยู่สองเรื่องคือ

(1) ความฟินเรื่องของตัวเอง - นักสถิติก็จะ Fin ในการคิด Model ที่ประมวลข้อมุลบางอย่างได้แทบบระดับ เทพ แล้ว ฟิน / ในขณะที่ IT หากแก้ปัญหาด้านการใช้ sensor เก็บข้อมูลได้บางอย่างก็จะฟิน ประเด็นคือ สิ่งที่ฟิน นั้น ไม่ค่อยตอบโจทย์ ที่องค์กรให้มา หน้าที่ของ Data General คือ ดึงสองคนนี้กลับเข้ามาที่ เป้าหมาย ของโจทย์

(2) Common Sense หายไป - บางครั้ง ประมวลผลตรงตามโจทย์ และได้ผลออกมาด้วยดี แต่หากมองไปลึกๆ จะรู้ว่า Data ที่ เก็บมา มีความผิดปกติ และ คนที่เป็นคนทำ ทั้ง Strategist และ Commando ถ้าถอดหมวก Geek ออกสักนิด ก็จะเข้าใจได้ แต่การถอดหมวก เป้นเรื่องยาก จึงต้องมี Data General มาตรวจสอบอีกชั้นหนึ่ง

ตัวอย่างในเรื่องนี้ เช่น

- บริษัทพัฒนาอสังหาริมทรัพย์ มีโจทย์ต้องการลด อุบัติเหตุในสถานที่ก่อสร้าง เพราะบริษัทต้องการ รักษาชีวิตแรงงาน และไม่ต้องการ PR ที่เลวร้าย
- Data General ตีความว่า อุบัติเหตุ ต้องเน้นที่การป้องกัน จึงคิดเรื่องเกี่ยวกับ Risk Score ขึ้นมา คือ หาก Site ก่อสร้างไหน มีการทำผิดกฎเรื่องความปลอดภัยในปริมาณที่สูง Risk Score จะสูง แล้วจะเอา Risk Score ไปปรับ หรือไปลงโทษ ผู้รับเหมาก่อสร้าง หรือจะให้รางวัล Site ที่ปลอดภัยที่สุดเป้นธรรม มากและไม่ต้องมาจ้างคน ดู Safety ให้เปลืองและดูไม่ทั่วถึง
- จากนั้นก็ส่งแนวทางต่อไปให้ทีม Data Strategist คิดเรื่อง Risk Score ในรายละเอียด ผูกสูตร สัมภาษณ์ ผู้เชี่ยวชาญด้าน Safety ต่างๆ ได้สูตร ถ่วงน้ำหนัก และ Live - ทำ Reporting System ออกมา หลักการจบ
- แล้วก็ส่งต่อให้ทีม Data Commando สร้าง Program และ เอาระบบ กล้อง มี Program จับเรื่อง Safety Violation เหมือนเทคโนโลยี Facial Recognition - หากกล้องเห็น ว่าคนไม่ใส่หมวก ไม่รัดเข็มขัด ไม่ใส่รองเท้า โปรแกรมจะนับหมด
- ผลออกมา สวยมาก ทดสอบเรียบร้อย เริ่ม Run ระบบพบว่า ท่ามกลาง Site งานทั้งหมด 6 Site งานมี Violation ใกล้เคียงกัน ต่างกันอยู่ +/- 10% ไม่เกิน แต่มี Site งานหนึ่ง ที่มี Violation มากกว่า Site อื่นอยู่ 2 เท่า
- หากเราไม่มี Business Knowledge Person หรือ Data General ผลของข้อมูลนี้ จะไปที่ ฝ่าย Safety และ ยิงตรงถึงผู้บริหาร และ มีการปรับเงินทันที หรือถึงขนาด blacklist ผู้รับเหมาก่อสร้างได้
- สิ่งที่เกิดขึ้นคือ Data General ขอดูรายละเอียด พบว่า วันที่ มี Violation เพิ่ม จนทำให้ผลรวมของเดือนนั้นเป็นสองเท่า มี วันเดียว และ Violation ที่พบออกมาคือ ไม่ใส่หมวก เหมือนกันหมดทุคน ซึ่งเป็น data ที่แปลก
- พอขอดูภาพในกล้อง ว่าเกิดอะไรขึ้น - ปรากฎว่า วันนั้น ที่ Site นี้ มีการทำบุญเลี้ยงพระ และ แม้จะเป็นเวลางาน แต่มีพระมาสวด ตอนเช้า หยุดงานกันทั้ง Site ในกล้องไม่สนใจ คือ จับทุกคน ที่ไม่ใส่หมวก แม้จะเป็นพื้นที่จัดพิธี แต่อยู่ในกล้อง โปรแกรมก็ไม่รู้ว่า คืออะไร รู้แต่ว่า ถอดหมวกกันหมด ก็นับเป็น Violation หมด จบ
-สรุปว่า Data General ก็สั่งให้เอา ข้อมูลของวันนั้นออกไปให้หมด กลายเป็นว่า Site นี้คือ Site ที่ปลอดภัยที่สุด และได้รางวัลของไตรมาสนั้นไป

นี่คือความสำคัญของ Data General ที่ต้อง ใช้สามัญสำนึก ตีความ

“นำเสนอให้ต่อยอดได้” - Data General ต้องเป็นนักขาย และเป็นนักประสานประโยชน์ เมื่อได้คำตอบที่ดีออกมา กลายเป็น insight (หรือในกรณีนี้ยิ่งกว่า insight คือ เป็น Solution) ก็ต้องไปนำเสนอผู้บริหารให้เป็น ต่อไปสู่แผนธุรกิจ และ ต้องไปขายคนภายในองค์กร ให้เห็นความสำคัญของทีม Data โดยเฉพาะคนภายในฝ่ายอื่น ที่ช่วย Input ข้อมูล หรือช่วยอำนวยความสะดวกจน Project สำเร็จ ต้องให้เขารู้สึกว่า ฝ่ายเขามีส่วนร่วมในความสำเร็จนี้ ทำให้องค์กรพัฒนา ไปด้วยกัน แล้วเขาได้หน้าไปด้วย ทุกคนจะยิ่ง Support Data Science ทีม และ จะทำให้ ความแข็งแกร่ง ของทีม Data เริ่มเป็นที่ตระหนัก ขององค์กร

จะเห็นได้ชัดว่า คนที่เป็น Leader จริงๆ ของทีม Data คือ Data General เพราะคือ “มือของผู้บริหาร” ที่จะนำ ทรัพยากรอื่นๆ ขององค์กร มาสนับสนุนการทำงานของทีม Data และ ต้องเป็นมนุษย์ช่างเจรจา ปฎิสัมพันธ์ดี - Extrovert

หากผู้บริหารเอาคนที่ มีความรู้ทางธุรกิจดีมาก แต่ไม่มีใครอยากคุยด้วย ไม่รู้จะให้ทำอะไร เลยเอามา Lead Data Team รับรองได้ว่า พัง

คนที่ควรนำมา Lead Data Team เป็น Data General คือ คนที่เป็น Rising Star มีแนวโน้ม จะเป็น Top Management ขององค์กร เพราะในอนาคต Data Team คือ อาวุธสำคัญในการบริหารขององค์กร หากเขามีความสัมพันธ์ที่ดีกับทีมนี้ องค์กรจะพัฒนาต่อได้อย่างแข็งเป็น Data Driven Organization ทั้งนี้ อาจจะไม่ต้องเป็น Top แบบ พร้อมจะเป็น CEO ก็ได้ เพราะตัว Top ส่วนใหญ่ มักจะได้คุม Marketing หรือ Operation แต่ขอให้เป็น Top แบบรองๆ ก็ยังดี อย่าเอา Bottom มาก็แล้วกัน

โดยสรุป จะเห็นได้ ว่า Data Driven Culture มี Step คือ

(1) เลือก Data General ออกมา ที่เป้น Key Person ตามคุณสมบัติที่กล่าวไปแล้ว โดย สายงานที่ Data General จะ รายงานไป อาจเป็น สายงานกลยุทธ หรือ สายงาน R&D แล้วแต่โจทย์ ที่จะให้เขาเน้น หรือ ถ้าระดับ ยุทธศาสตร์ องค์กร อาจจะต้องรายงานไปที่ CEO

(2) Data General ต้อง Promote Data Driven Culture ว่าคืออะไร สำคัญอย่างไร เพื่อให้ องค์กร และ บุุคคลในองค์กร โดยเฉพาะฝ่าย MIS พร้อม Support เรื่อง Infrastructure และ ข้อมูล และ เป็นช่วง PR ภายใน ที่ ทาง C-Suite ทุกคน ต้องช่วยย้ำ

(3) จ้าง Statistician แบบ Hardcore เข้ามาทำงานสายการประมวลผลข้อมูล หรือ ถ้ามี Staff R&D ที่มีพื้นฐาน จบสายวิทยาศาสตร์ มาให้ไปต่อยอดเรียน Statistics มาให้ลึก เพื่อสร้างทักษะ เตรียมเป้น Data Strategist นี่คือ ทีมที่ นั่งประมวลผล Data ต่างๆ เต็มเวลา

(4) ในเบื้องต้น ไม่ต้องลงทุน Hardware หรือ Technology มากไปกว่านี้ ขอให้ ทำผลงานเล็กๆ ออกมาให้ได้ ก่อนโดยใช้ ข้อมูลที่องค์กรมีอยู่แล้ว ทำ insight ที่มีคุณภาพสูงออกมาโดยเร็ว แต่ impact สูง ใช้ Excel หรืด Freeware ก็ได้ - อีกด้านหนึ่งทีม Statistics สามารถ แนะนำ MIS ให้เก็บข้อมูลอย่างมีประสิทธิภาพโดยลดภาระในการทำงานลง หากคำแนะนำของทีม Statistics ทำให้ MIS ทำงานสบายขึ้น MIS ก็จะรักทีม Statistics มาก

(5) ในกรณีที่จะ implement ต่อในระดับ Mega Scale ค่อย ขยายไปสู่่ Data Commando ที่ มีหน้าที่เก็บข้อมุลเฉพาะ ทั้งนี้ Data Commando อาจเป็นแผนกหนึ่งใน MIS ก่อน ไม่ต้องย้ายมาเป็นสายงาน Data Science เพราะเขามักทำงาน ตอบสนอง Data Strategist เป็น Project Base อยู่แล้ว และ การทำงานด้าน Hardware กับเก็บข้อมูลต่างๆ โดยพื้นฐานเป็นงานของ MIS ที่เป็นลักษณะของ Routine - Data General สามารถใช้เวลา ศึกษาคนที่มีแวว ไว้ก่อนว่าคนไหนเหมาะเป็น Data Commando ตามคุณสมบัติที่กล่าวไปแล้ว

(6) เมื่อ องค์กร มีปริมาณ Data ที่เป็น Big Data จริงๆ จึงพิจารณา แยก Data Commando มาเป็น กองกำลังเต็มเวลาในทีม Data และ Data Commando ต้องกลับไปเชื่อมกับ ทีม IT-MIS ขององค์กรไ้ด้ เพื่อให้ Project ประสบความสำเร็จ

หาก implement ได้เต็มรูปแบบ ทีม Data นี้จะเป็น ทีมกุญซือของผู้บริหาร มีหน้าที่ตอบทุกคำถาม ของผู้บริหารที่ถามเข้าไป เป็น แก้ววิเศษ ที่ผู้บริหาร พึ่งได้ ในเชิงระบบ ไม่ใชเชิงตัวบุคคล

คำถามที่สาม ตอบยาวมาก แต่จบแค่นี้

“คำถามที่สี่: ของผู้บริหารจะใช้ ทีม Data Science เป็นเครื่องมืออย่างไร”

คงต้องถามตัวเองก่อนว่าผู้บริหาร เป็นแนวลงลึก หรือเป็นแนว มองภาพใหญ่

หากเป็นแนวมองภาพใหญ่ ความสามารถของ Data General จะสำคัญมาก เพราะผู้บริหารจะถามคำถามเปิด ให้ไปคิดมาให้จบ โดยต้องการ Solution เช่น ตัวอย่างเรื่อง Safety ก่อนหน้านี้ แล้วนำ Project มาเสนอพร้อมงบประมาณ - ซึ่งนี่คือวิธีที่ควรจะเป็น Output คือ Strategy พร้อมผลที่คาดว่าจะได้รับ ทั้ง Package

อีกด้านหนึ่ง หากผู้บริหารไม่มี Data General เก่งพอ หรือ ยังไม่มีตัวบุคคล ผู้บริหารจะต้อง ปรับคำถามเป็น Specific และใช้ ทีม Data Strategist ทำงานโดยตรง เป็นลักษณะ เป็นคำถามปิด เช่น

(1) Simulation - ผู้บริหาร สามารถให้ Scenario แล้วให้ ทีม Data ไปทำผลกระทบกลับมา เช่น ถ้าบริษัทเลิกแจกถุงพลาสติก จะมีผลกระทบต่อยอดขายเรา มากน้อย เพียงใด ในมิติไหนบ้าง

(2) Optimization - เราควรจะลดราคาลงเท่าที่จำเป็น แค่ไหน ที่จะทำให้เป้าสิ้นปีนี้ เท่าเดิม ? ห้ามลดมากไปกว่านั้น

(3) Yes/No - ถ้าเราเอา Product ใหม่ Y มาขายแทน Product เก่า X ยอดขายจะเพิ่มหรือไม่

หากถามคำถามลักษณะนี้ได้ โอกาสที่ทีม Data Science จะทำผลงานได้ มีสูง แต่ผู้บริหารอาจเหนื่อยหน่อย เพราะต้องเอา Data ไปคิดแผนธุรกิจต่อไป insight ที่ออกมาจะเป็นเพียง insight ขั้นพื้นฐานเท่านั้น ไม่ใช่คำตอบเบ็ดเสร็จแบบกรณีแรก

“Data Driven Culture ที่ไม่ต้องมีสีสันมาก แต่ได้ผล”

ทั้งนี้จะเห็นได้ว่า สุดท้าย เรื่องทั้งหมด อาจจบในภาพที่ไมไ่ด้ตระการตามากนัก คือ มีแผนกใหม่ มีคน 4-5 คน ในบริษัท เท่านั้นคุณก็ สร้าง Data Driven Culture ได้

ปัญหาขององค์กร และ โอกาสของคนขาย Software หรือ ขาย Consulting Service คือ ผุ้บริหาร มักจะมองไปที่สิ่งที่เห็นได้ด้วยตาเปล่า และ มักจะถูกดึงดูดเข้าไปในสิ่งที่ดูตระการตาหรือ Lingo ใหม่ๆ ที่เก๋ไก๋ โดยมักจะเอาไปเชื่อมกับเรื่อง “เครื่องมือ” แทนที่จะมองในเชิงของ “กระบวนการ”

ตัวอย่างที่เห็นได้ชัด มีหลายเรื่อง เช่นเรื่องการใช้ SAP มาแก้ปัญหาระบบการตรวจสอบต่างๆ แน่นอนว่า คนขายย่อมร่ายมนต์ ถึงความวิเศษของ SAP ในเรื่องนั้น - ซึ่งหลายองค์กร ในไม่ได้มี Activity มากเท่าไหร่ จริงๆแล้วใช้ Excel ก็อาจเพียงพอ อีกตัวอย่างหนึ่งคือ หากมีคนที่เข้าใจหลักการในวงการก่อสร้าง เรื่อง BIM Building Information Modeling ผู้ขาย Software ก็มักพยายามให้ซื้อ Software ทุกชนิด ว่ามันจะเปลี่ยนองค์กรได้ ซึ่งในความเป็นจริงแล้ว อาจจะลงทุน Software เพียง 1/10 จากที่ผู้ขายนำเสนอก็ทำงานได้แล้ว ที่เหลือคือการไปปรับกระบวนการ เป็นต้น

สาระคือ การเข้าสู่เรื่อง Data Driven ไม่ใช่การซื้อ Software ทำ Big Data มา แล้วก้หาคนมา Operate แล้วก็ไปได้ แต่เป็นเรื่องการ เปลี่ยน Mind Set จากบนลงล่าง ถือเป็นเรื่อง Change Management ในอีกลักษณะหนึ่ง ที่ต้องเน้นที่การเปลี่ยนมุมมองของคนที่ยาก เจ็บปวด ใ่ช้เวลานาน เงินซื้อไม่ได้ ไม่เห็นอะไรในระยะสั้น แต่เห็นผลชัดเจนในระยะยาว มากกว่าการเปลี่ยนเครื่องมือที่ง่าย สบายตัว เร็ว และใช้เงินซื้อได้ เห็นผลชัดเจนในระยะสั้น (ของใหม่มา) แต่ไม่มีอะไรเกิดขึ้นในระยะยาว

“Career ของคน ที่เราสร้าง”

Data General มี Career ที่มุ่งไปสู่ Top Management องค์กรอย่างแน่นอน เพราะเป็นคนที่มองภาพใหญ่เป็น Generalist ทีมงาน Junior ภายใต้ Data General อาจหลากหลายได้ อาจมาจากฝ่าย R&D หรือ Marketing หรือสายงานกลยุทธได้ ควรเป็นลักษณะคนที่ชอบหาคำตอบกับสิ่งใหม่ๆ ลุยเข้าไปในงานที่ ไม่คุ้นเคย ยิ่งแปลกยิ่งชอบ - ทั้งนี้ หากเป็น Project - based ในเบื้องต้น สามารถ นำพนักงานของ R&D, Marketing หรือ กลยุทธ บางคนมารับงานเพิ่มได้ - สิ่งทีพนักงานเหล่านี้ จะได้เรียนรู้คือ Logic ของ Statistics ที่จะพัฒนามุมมองความคิดของเขา ให้เป็นวิทยาศาสตร์ มีหลักการ ไม่ใช้แต่ insticnt และ เสริ่ม Creatitivy ของเขาให้แกร่งขึ้น บนพื้นฐานของความเข้าใจสถิติ อีกด้านคือความเข้าใจด้าน Technology ต่างๆ ที่ต้องเป็นคนที่สนุกกับเรื่องนี้ หากคนที่เป็นสายธุรกิจ เข้าใจ Statistics และ MIS โดยสภาวะ Career เขาไปได้ไกลแน่นอน

Data Strategist - คนๆ นี้คือ Specialist แท้ๆ ส่วนใหญ่ คือชอบ นั่งในห้อง คิดงาน คิด Model แต่องค์กร ต้องให้ความรู้ด้านธุรกิจ ด้านวัฒนธรรมองค์กร และ กระบวนการขององค์กรให้กับเขา เพื่อให้เขามี Common Sense ขององค์กร มองในมุมที่องค์กรเห็นได้ หาก Data Strategist มี มุมมองด้านธุรกิจที่ดี ความสำคัญของ Data General ก็จะค่อยๆ ลดลง และหากมี Talent ในกลุ่ม Data Strategist ขึ้นมา เขาอาจเป็น Successor ของ Data General ได้ เพราะ เขาย่อมมีภาษีดีกว่า ในส่วนของ R&D, Maketing เนื่องจากเขาจับ Mathametical Data ได้ดีกว่าคนอื่น และหากเขาก้าวไปสู้ Data General ได้ ก็มี Career เป็น Management ได้ - แต่ถ้าไปไม่ได้ ก็เป็น Specialist ต่อไป - สิ่งที่ต้องเรียนรู้เพิ่มอีกด้านคือ Technology ว่าในฝั่งของ MIS ขององค์กร มีเครื่องมืออะไร อยู่บ้าง มีระบบการเก็บข้อมูลอะไรอยู่บ้าง เพื่อให้เกิดความเคารพต่อ บริบทเดิม และ นำเสนอวิธีการต่อยอดได้ อย่างเหมาะสมให้ MIS ทำงานเบาขึ้น มีประสิทธิภาพมากขึ้น

Data Commando - ตามที่บอกไปคือ องค์กร บางองค์กร อาจไม่ต้องมี Data Commando เพราะขนาดของข้อมุล ไมไ่ด้ใหญ่ หรือ ซับซ้อนมากนัก ให้ MIS สนุบสนุนด้านเทคโนโลยีได้ - แต่คนที่จะมาช่วยทำเรื่องนี้กับทีม Data ควรจะเป็นคนสาย MIS ที่ Anti Routine หน่อยๆ ควรจับคนพวกนี้ ที่เป็น สาย Computer Science ไปพัฒนาทักษะด้าน Programming และ Database ใช้เครื่องมือต่างๆ ในเชิง Data Science ให้เป็น และ ควรจับเรียน สถิติพื้นฐาน เพื่อให้เกิดความ “เคารพ” ต่อ Data Strategist ด้วย

ทั้งหมดที่เขียนมานี้ จะบอกว่าเขียนด้วยมุมมองอะไรก็แล้วแต่ ทั้งผู้บริหาร ทั้ง Academic ทั้งคนที่เป็น Fanclub เรื่อง Data Science (เพราะถือว่ารู้น้อยมาก แค่มีความสนใจ) แต่ เขียนขึ้นด้วยบทสรุปของสิ่งที่ศึกษามาและสะท้อนออกมา

หวังว่าจะมีประโยชน์กับองค์กรของท่านบ้าง

พร วิรุฬห์รักษ์
ที่มาจาก facebook : Ponn Virulrak
7 ธันวาคม เวลา 15:26 น.
https://www.facebook.com/ponn.virulrak/posts/10157406427496084




 

Create Date : 11 ธันวาคม 2562
0 comments
Last Update : 11 ธันวาคม 2562 9:31:03 น.
Counter : 1299 Pageviews.

ชื่อ :
Comment :
  *ใช้ code html ตกแต่งข้อความได้เฉพาะสมาชิก
 


kuk-42
Location :
พิจิตร Thailand

[ดู Profile ทั้งหมด]

ให้ทิปเจ้าของ Blog [?]
ฝากข้อความหลังไมค์
Rss Feed
Smember
ผู้ติดตามบล็อก : 1 คน [?]




Friends' blogs
[Add kuk-42's blog to your web]
Links
 

 Pantip.com | PantipMarket.com | Pantown.com | © 2004 BlogGang.com allrights reserved.