กราบสวัสดีท่านผู้อ่านทุกท่าน ก่อนอื่นต้องขอขอบพระคุณท่านผู้อ่านทุกท่านที่สนใจในหัวข้อที่ผมยกมาในข้างต้น บทความนี้ต้องการที่จะอธิบายและสรุปสาระสำคัญของ Big Data ขั้นพื้นฐาน ให้ท่านผู้อ่านได้เข้าใจในศาสตร์และศิลป์ ของการใช้ Big Data ในภาษาที่เข้าใจง่ายๆ ในบทความนี้ผมจะไม่อิงทฤษฏี หรือตำรา หากมีข้อบกพร่องประการใดก็ขออภัยไว้ก่อนนะครับ
ในช่วง 2-3 ปีมานี้คำว่า ”Big Data” เป็นคำท๊อปฮิตแบบสุด สุด ในทุกวงการ ณ ขณะนี้ ใครๆก็อยากใช้ Big Data ใครไม่ใช้ ไม่รู้เรื่อง เชยแบบสุดๆ แต่ในความเป็นจริงในวงสนทนา คนที่สามารถเข้าถึงและเข้าใจอย่างถิ่งแท้มีค่อนข้างน้อย ตามสัญญาที่กล่าวในย่อหน้าแรก หลังจากอ่านบทความนี้แล้ว อย่างน้อยๆ ก็สามารถเอาไปคุย ได้โดยไม่อายใคร
เรามาเริ่มจาก basic Big Data 101 ก่อนนะครับ คำว่า “Big Data” คือ ….. ให้เวลา 3 วินาทีในการคิดคำตอบนะครับ ตาม definition แบบง่ายๆ มันแปลตรงตัวตาม Dictionary เลยครับ Big = ใหญ่ และ Data = ข้อมูล เมื่อนำมารวมกันก็ คือ ฐานข้อมูลที่มันใหญ่มาก อะไรก็ตามที่เป็นข้อมูล สากกะเบือ ยัน เรือรบ ตังแต่ ชื่อ-นามสกุล, ชื่อเล่น, วันเกิด, ความชอบ, มีลูกกี่คน, ชอบไปที่ไหนบ้าง โดยสรุป คือ ข้อมูลทุกอย่างที่สามารถลงบันทึกในฐานข้อมูลนั่นเองครับ จริงๆแล้ว Big Data มันมรมานานมากแล้วครับ ก็ตั้งแต่อดีตที่มนุษยชาติได้มีการประดิษฐ์ตัวอักษรขึ้นเพื่อบันทึกสิ่งต่างๆแล้วตกทอดมาเรื่อยๆนั่นเอง
ตัวอย่างของการใช้ Big Data แบบดั้งเดิมและยังใช้มาจนถึงปัจจุบันนี้ และฮิตมากๆ คาดว่าทุกท่านต้องเคยใช้มาแล้วอย่างแน่นอน นั่นก็คือ การดูดวงครับ หลายท่านอาจสงสัยว่า เอ้ยดูดวงเนี่ยนะ ใช่แล้วครับนั่นคือ Big Data ก็ตามที่แจ้งมาตั้งแต่แรก เราจะอธิบายแบบไม่อิงทฤษฏีหรือตำรานะครับ หากท่านผู้อ่านท่านใดรู้สึกขัดใจ ก็สามารถข้ามบทความนี้ไปได้นะครับ ขออธิบายต่อนะครับ การดูดวงทำไมถึงเป็นการใช้ Big Data ตามประวัติศาสตร์การดูดวงของโลกนี้มีการนำไปใช้ แบ่งเป็นขั้นตอนหลัก 3 ขั้นตอน ดังนี้ครับ
1. Big Data ฐานข้อมูลระดับ Big คือ ชื่อ-นามสกุล, วัน-เดือน-ปี-เวลาเกิด, สถานที่, ตำแหน่งของดวงดาว, event หรือเหตุการณ์ในชีวิต ของคนหลายหมื่น หลายแสน อาจจะหลายล้านคน โดยบันทึกมาเป็นเวลาหลาย พัน หลายหมื่นปี มาถึงตรงนี้ data ฐานข้อมูลต้องใหญ่มากๆ และเป็น Big Data ชุดแรกของโลกนี้
2. Analyze ข้อมูล นั่นก็คือ โหราจารย์ หรือ เจ้าลัทธิต่างๆ นำ ข้อมูลเหล่านี้มาจัดหมวดหมู่ จัดกลุ่มที่มีความคล้ายคลึงกัน และสรุปมาให้เป็นแนวทางให้กับ อนุชนรุ่นหลังได้รู้ว่า จริงๆแล้ว คนที่เกิดในแต่ละช่วงเวลา มีความเหมือนหรือแตกต่างอย่างไรบ้าง ดีหรือร้ายประการใด ภาษาที่เค้าเรียกกันสมัยนี้แบบหรูๆ ก็คือ การทำ Factor Analysis, Segmentation หรือ Persona นั่นเองครับ
3. อันนี้ขั้นสุดยอด คือ การทำนายนั่นเอง โดยหลักการแบบง่ายๆ คือ โหราจารย์ หรือหมอดู ก็นำ ชื่อ-นามสกุล และข้อมูลต่างๆของเรา มาเทียบคียงกับ ตำราที่ โหราจารย์ได้ทำการสรุปและแบ่งกลุ่มไว้แล้ว หลักๆคือ การจับคู่ ข้อมูลต่างๆ ซึ่งสมัยนี้เราเรียกว่า factor มาจับคู่กับ ฐานข้อมูลที่สรุปไว้แล้ว และต่อมาก็อ่านให้ฟัง หรือทำนายนั่นแหละครับ วิธีการทั่วไปคือ ต้องเช็คก่อนล่ะครับว่าถูกต้องหรือไม่ โดยการทำนายอดีตของเรา หมอดูจะเล่ามาก่อนแหละครับว่า พื้นดวงเป็นอย่างไรเพื่อเป็นการเช็คความถูกต้องก่อนทำนายอนาคตครับ ตามหลักสถิติ ถ้าเกิน 60% ถือว่าแม่นครับ หลังจากนั่นก็ ทำนาย อนาคตแบบ solo ยาวๆครับ
หลักการของการใช้ Big Data ก็ประมาณนี้แหละครับ คือ หมอดู คู่ หมอเดา ต้องดูข้อมูลเก่าก่อนเพื่อใช้เดาอนาคตที่จะเกิดขึ้น ให้ดีขึ้นมาหน่อยก็จะใช้หลักการความรู้ทาง สถิติ Statistic มาใช้เพื่อเพิ่มความแม่นยำในการทำนายทายทัก
ทีนี้ขอเข้าสู่โหมดวิชาการนะครับ เดี๋ยวจะหาว่าไม่มีสาระ “ทำไมเราต้องทำโครงการ Big Data?” เพราะว่าการตัดสินใจต่างๆในธุรกิจทุกประเภทมีต้นทุนครับ ไม่ว่าจะเป็นต้อนทุนเรื่อง เวลา, คน, เงิน และโอกาส การที่จะสามารถตัดสินใจไม่อย่างแม่นยำ หรือดำเนินการได้อย่างมีประสิทธิภาพมากขึ้นซึ่งหมายถึงรายได้ที่มากขึ้น ต้นทุนที่ลดลง ใช้เวลาน้อยลง และกำไรที่มากขึ้น หรือช่วยให้มองเห็นกาสในการพลิกจากวิกฤตเป็นโอกาส จากผู้ตามเป็นผู้นำ
แนวทางเบื้องต้นในการเริ่มทำ Big Data มี 6 ขั้นตอนดังนี้
1. Business Understanding & Objective: การทำความเข้าใจในธุกิจที่จะนำ Big Data ไปใช้งาน ในเบื้องต้นมีประเด็นที่ต้องทำความเข้าใจ คือ
a. Business issue ปัญหาคืออะไร
b. Current Situation สถานการณ์ในปัจจุบันเป็นอย่างไร
c. Limitation ข้อจำกัดมีอะไรบ้าง
d. Objective, Expected Output ผลลัพธ์ หรือเป้าหมายจากการใช้ Big Data
2. Data understanding: ศึกษาแนวทางการได้มา จัดเก็บ และประเภทของข้อมูล สามารถแบ่งเป็น 2 ประเภท คือ Must have ต้องมีและสำคัญต่อกการตัดสินใจ กับ Nice to have ข้อมูลประกอบอื่นๆที่ช่วยทำให้ ฐานข้อมูลสมบูรณ์มากยิ่งขึ้น
3. Data Preparation & Auditing: การเตรียมข้อมูลให้อยู่ในรูปแบบที่พร้อมนำไปใช้ รวมถึงการทำ Data Cleaning, Data Editing เพื่อให้ข้อมูลทั้งหมดอยู่ในรูปแบบ และมาตราฐานเดียวกัน
4. Data Integration: โดยหลักการ ข้อมูลยิ่งมาก ยิ่งแม่นยำ ดังนั้นเพื่อให้ได้มิติ หรือเติมเต็มข้อมูลให้สมบูรณ์ มากที่สุด จึงจำเป็นต้องนำ ข้อมูลจากหลายแหล่ง หลาย silo นำมารวมกันให้เป็นฐานข้อมูลเดี่ยว หรือ Single Data Base (Data Structure ของ Single Data Base สามารถเก็บข้อมูลได้หลายฐานข้อมูล ไม่จำเป็นต้องนำข้อมูลทั้งหมดมารวมกัน แต่ต้องมี key signal สำหรับเชื่อมต่อข้อมูลในแต่ละ Data Base)
5. Data Insight: Key take out หรือสาระสำคัญที่ช่วยในการตัดสินใจ, กำหนดกลยุทธ์
6. Data Implication: วิธีการนำสิ่งต่างๆที่ได้มาจาก Data insight มาใช้เพื่อก่อให้เกิดประโยชน์สูงสุดในทางธุรกิจ
ตัวอย่างการนำ Big Data ไปใช้ในการสื่อสารทางการตลาด
Business objective: ต้องการเพิ่มประสิทธิภาพในการสื่อสารทางการตลาด “Deliver the right message to the right people at the right time”
Step1: Data Audit ตรวจสอบข้อมูลทั้งหมดให้มีความถูกต้องพร้อมใช้งาน
Step2: Data Integration รวมข้อมูลจากทุกฐานข้อมูลเข้ามาเพื่อทำการวิเคราะห์ร่วมกัน
Step3: Data Insight จากข้อมูลทั้งหมดสามารถแบ่งกลุ่มเป้าหมายได้เป็น 4 segments ที่มีพฤติกรรมและความชอบที่ต่างกัน
Step4: Data Implication สามารถสร้าง แคมเปญทางการตลาดที่โดนใจกลุ่มเป้าหมายในแต่ละ segment เพื่อสร้างโอกาสในการขายสินค้าได้มากขึ้นด้วย customized message ที่โดนใจในแต่ละ segment, เพิ่มโอกาสในการขาย cross product หรือ bundle package และ สามารถสื่อสารกับกลุ่มเป้าหมายในเวลาที่เหมาะสม
ขอจบบทความ “Big Data เข้าใจ ง๊าย ง่าย” แต่เพียงเท่านี้นะครับ หวังว่าท่านผู้อ่านสามารถเข้าใจ Big Data ได้มากยิ่งขึ้น และหวังว่าบทความนี้จะเป็นประโยชน์ต่อท่านผู้อ่านนะครับ ขอขอบพระคุณท่านผู้อ่านทุกท่านที่อ่านบทความนี้ตั้งแต่ต้นจนจบ และขอฝาก IPG Mediabrands ไว้ในอ้อมอกอ้อมใจของทุกท่านด้วยนะครับ ถ้าหากท่านมีขอ้สงสัยเพิ่มเติมหรือต้องการใช้บริการของเราเกี่ยวกับ Big Data ก็สามารถติดต่อมาได้ตาม email ด้านล่างนะครับ ก็หวังเป้นอย่างยิ่งว่าจะได้มีโอกาสในการเขียนบทความอื่นๆอีกนะครับ แล้วพบกันครับ
อภิชา ศิลานุวัฒน์
Data & Analytics Associate Director, IPG Mediabrands
[email protected]
