บทความโดยณัฐธิดา สงวนสิน กรรมการผู้จัดการ และผู้ร่วมก่อตั้งบริษัท บัซซี่บีส์ จำกัด
พิ้งค์ได้มีโอกาสเข้าฟังบรรยายที่เรียกว่าสุดคูล จากศาสตราจารย์ Amir Goldberg เกี่ยวกับการใช้ข้อมูลและการเรียนรู้ของ Machine Learning (ML) ในการขับเคลื่อนธุรกิจและสร้างความเข้าใจในตัวลูกค้า ที่ Stanford Business School มหาวิทยาลัยอันดับ 1 ของโลก วันนี้พิ้งค์เลยอยากจะแชร์เนื้อหาจากบรรยายนี้ให้ทุกคนได้อ่าน เพื่อให้ทุกคนได้เห็นถึงความสำคัญของข้อมูลและนวัตกรรมในธุรกิจ
Stanford Business School (ที่มารูปจากเว็บไซต์ www.gsb.stanford.edu)
1. ภาวะผู้นำที่ขับเคลื่อนด้วยข้อมูลและการเรียนรู้ของ ML
ศาสตราจารย์ Amir Goldberg เริ่มต้นด้วยการเน้นถึงความสำคัญของภาวะผู้นำที่ขับเคลื่อนด้วยข้อมูล โดยอธิบายว่าถึงแม้ว่าอัลกอริทึมของการเรียนรู้ของเครื่อง (ML) จะสามารถทำนายแนวโน้มได้ดีขึ้นเรื่อยๆ แต่การตัดสินใจที่สำคัญที่สุดนั้นยังคงต้องอาศัยการตัดสินใจของมนุษย์ ผู้นำที่ใช้ข้อมูลอย่างมีประสิทธิภาพจึงต้องเข้าใจว่า ML ทำอะไรได้และทำไม่ได้ และต้องมีความสามารถในการตั้งคำถามที่ถูกต้อง ตีความการทำนายของเครื่องจักร และตัดสินใจอย่างรอบคอบจากข้อมูลที่ได้มา
ศาสตราจารย์ Amir Goldberg (ที่มารูปจากเว็บไซต์ www.utsc.utoronto.ca)
Machine Learning (ML) เป็นเทคโนโลยีหนึ่งในสาขาของปัญญาประดิษฐ์ (AI) ที่พัฒนาให้คอมพิวเตอร์สามารถเรียนรู้จากข้อมูลและทำการตัดสินใจหรือทำนายได้โดยไม่จำเป็นต้องถูกตั้งโปรแกรมอย่างเฉพาะเจาะจงทุกขั้นตอน
หลักการพื้นฐานของ ML คือการ “ฝึก” คอมพิวเตอร์ด้วยข้อมูลจำนวนมาก จากนั้นให้คอมพิวเตอร์ใช้ข้อมูลนั้นเพื่อเรียนรู้รูปแบบและลักษณะต่างๆ ตัวอย่างที่เห็นได้ชัด ได้แก่ การแนะนำสินค้าบนแพลตฟอร์มอีคอมเมิร์ซ การรู้จำใบหน้าในรูปภาพ หรือการคาดการณ์แนวโน้มของตลาด
2. บทบาทของการทำนายธุรกิจ
จุดแข็งของ ML อยู่ที่ความสามารถในการทำนายจากข้อมูลที่มีอยู่ เช่น ในช่วงโควิด-19 บริษัทต่างๆ อย่าง Target และ Kaiser Permanente ใช้ AI เพื่อปรับปรุงประสบการณ์ลูกค้า Target ใช้ข้อมูลการซื้อของลูกค้าเพื่อแนะนำสินค้าผ่านช่องทางออนไลน์ ขณะที่ Kaiser Permanente ใช้การรู้จำภาพเพื่อวินิจฉัยผิวหนังจากรูปถ่ายที่ผู้ป่วยอัปโหลด ซึ่งแม้ว่า AI จะช่วยทำนายได้ แต่การตัดสินใจขั้นสุดท้ายยังคงขึ้นอยู่กับผู้เชี่ยวชาญ พิ้งค์ขอให้ลองคิดดูเล่น ๆ ว่า ML ของการที่ Target ใช้ข้อมูลการซื้อของลูกค้าเพื่อแนะนำสินค้าผ่านช่องทางออนไลน์ กับ ML ของ Kaiser Permanente ใช้การรู้จำภาพเพื่อวินิจฉัยผิวหนังจากรูปถ่ายที่ผู้ป่วยอัปโหลด อันไหนน่าจะให้ผลลัพธ์ดีกว่ากัน
Target ประสบปัญหาการใช้ ML ซึ่งคือข้อมูลระหว่างโควิด และก่อนโควิดทำนายพฤติกรรมหลังโควิด ทำให้มีตัวแปรแปลกๆ ในสมการ เช่น การซื้อเจลฆ่าเชื้อโรค หรือซื้อเสื้อใส่อยู่บ้าน ในขณะที่ปกติผู้บริโภคไม่ได้ซื้อของเหล่านั้น แต่หลังจากสถานการณ์ปกติ ML ก็ทำการปรับข้อมูล และทำงานได้ดีขึ้น
ส่วน Kaiser Permanente ความท้าทายคือ ML ต้องอาศัยแพทย์ผู้เชี่ยวชาญในการวิเคราะห์และป้อนข้อมูลกลับไปยัง ML ตลอดเวลา เพื่อให้การวิเคราะห์ข้อมูลทำได้ดีขึ้น หรือภาพข้อมูลบางอย่างอาจเป็นโรคที่ต้องการอาศัยการวินิจฉัยประกอบกับการซักถามคนไข้เพื่อประกอบการตัดสินใจ ดังนั้น แพทย์ผู้เชี่ยวชาญยังคงมีบทบาทสำคัญในการวิเคาระห์ข้อมูลอยู่ และใช้ ML เพื่อประกอบการตัดสินใจเท่านั้น
3. การนำ ML ไปใช้ในบริบทธุรกิจต่างๆ
ยกตัวอย่าง 3 กรณีที่ ML มีประโยชน์มากเป็นพิเศษ ได้แก่
ข้อมูลหลายมิติ เช่น การทำนายความชอบของเพลงหรือลักษณะการซื้อของลูกค้า ML สามารถวิเคราะห์ข้อมูลจำนวนมากและหาแบบแผนที่มนุษย์อาจมองข้าม
การปรับแต่งเฉพาะบุคคล ML ช่วยตรวจจับปฏิสัมพันธ์ที่ซับซ้อนระหว่างปัจจัยต่างๆ ที่ส่งผลต่อผู้ใช้ เช่นในกรณีของยารักษาโรคเฉพาะบุคคล
เหตุผลที่ไม่ทราบ ML มีบทบาทมากเมื่อไม่สามารถเข้าใจเหตุผลเบื้องหลังพฤติกรรมลูกค้าได้อย่างชัดเจน
4. กรณีศึกษา Netflix กับการพลิกโฉมวงการบันเทิง
ความสำเร็จของ Netflix ที่ใช้ข้อมูลในการแนะนำภาพยนตร์และขยายไปสู่การสตรีมมิ่ง โดย Netflix ใช้ข้อมูลเชิงลึกเพื่อพัฒนาเนื้อหาที่ตรงกับกลุ่มผู้ชม เช่น ซีรีส์ House of Cards ซึ่งจากการประมวลผลข้อมูลขนาดใหญ่พบว่าผู้บริโภคมีความชื่นชอบซีรีส์ ประเภทการเมือง ซึ่งมองไม่เห็นในเทรนด์ขนาดใหญ่มาก่อน เป็นจุดเปลี่ยนสำคัญจุดหนึ่งทำให้ Netflix อัปเกรด ซีรีส์ ของตัวเอง และกลายเป็นผู้นำในอุตสาหกรรมบันเทิง ขณะที่ Blockbuster พลาดโอกาสนี้เพราะไม่ได้ปรับตัวตามพฤติกรรมผู้บริโภค
5. ความแตกต่างและนวัตกรรมในธุรกิจ
บริษัทบางบริษัทก็มีความ “ไม่เหมือนใคร” ในบริษัทที่มีผู้นำที่ทำในสิ่งที่ต่างจากคนอื่น เช่น Tesla ที่มี Elon Musk ผู้นำที่ท้าทายการคาดการณ์ของนักวิเคราะห์ ทำให้นักวิเคราะห์ประเมินศักยภาพบริษัทผิดไปในบางครั้ง ซึ่งแสดงให้เห็นถึงผลกระทบของภาพลักษณ์ต่อการประเมินทางการเงิน สะท้อนในผลประกอบการไตรมาสที่ 3 ของปี 2024 ซึ่งทำให้หุ้นของ Tesla ขึ้นไปวันเดียว มากกว่า 20%
6. ความท้าทายในการใช้ข้อมูลเพื่อสร้างความได้เปรียบ
การมีข้อมูลจำนวนมากเป็นข้อได้เปรียบ หากใช้ข้อมูลอย่างมีประสิทธิภาพ ยกตัวอย่างเช่น การใช้บริการ Drive-Up ของ Target ที่ใช้ข้อมูลลูกค้าในการปรับปรุงกระบวนการสั่งซื้อและส่งมอบสินค้าอย่างมีประสิทธิภาพ ช่วยเพิ่มความพึงพอใจของลูกค้า สิ่งที่ Target ค้นพบคือลูกค้ามีการสั่งสินค้าจำนวนมาก แต่สุดท้ายไม่ได้จ่ายเงิน หรือไม่ได้เอาสินค้ากลับไปหลังจากวิเคราะห์ข้อมูลก็พบว่า ลูกค้ามีพฤติกรรมการสั่งสินค้าขนาดใหญ่ และเมื่อนำรถมารับสินค้าก็ ไม่สามารถบรรทุกสินค้าชนิดนั้น เช่น โซฟา หรือตู้เก็บของขึ้นรถได้ ทำให้ต้องละทิ้งสินค้าเหล่านั้น และไม่ได้จ่ายเงิน Target จึงปรับข้อมูลในการขายให้มีเฉพาะสินค้าที่สามารถรับขึ้นรถได้เท่านั้น ส่วนสินค้าขนาดใหญ่ ก็ให้ใช้บริการจัดส่งแทน
ที่มารูปจากเว็บไซต์ www.leahingram.com
บริการ Drive Up ของ Target เป็นบริการที่ช่วยให้ลูกค้าสามารถสั่งซื้อสินค้าผ่านแอปพลิเคชัน Target และรับสินค้าที่สั่งได้โดยไม่ต้องลงจากรถ เมื่อสั่งซื้อสินค้าและเลือกตัวเลือก Drive Up ในแอป ลูกค้าจะได้รับการแจ้งเตือนเมื่อสินค้าพร้อมรับ จากนั้น ลูกค้าสามารถขับรถไปยังพื้นที่จอดรถที่กำหนดสำหรับ Drive Up ที่ร้าน Target สาขาที่เลือก เมื่อมาถึง ให้กดปุ่ม “I’m here” ในแอป พนักงานของ Target จะนำสินค้ามาส่งถึงรถของคุณภายในไม่กี่นาที
7. อนาคตของธุรกิจที่ขับเคลื่อนด้วยข้อมูล
ปิดท้ายด้วยมุมมองที่มองไปข้างหน้าโดยเน้นว่าเมื่อการประมวลผลถูกลง ธุรกิจต้องคิดอย่างจริงจังว่าจะใช้ข้อมูลให้เกิดประโยชน์สูงสุดได้อย่างไร การปรับเปลี่ยนส่วนต่างๆ ของธุรกิจให้เป็นข้อมูลที่เครื่องจักรเข้าใจได้ และการใช้ข้อมูลเพื่อคิดค้นนวัตกรรม จะเป็นปัจจัยสำคัญที่ช่วยให้ธุรกิจอยู่รอดในอนาคต
พิ้งค์เลยอยากมาสรุปหลักการให้เป็นกรอบแนวคิดในการใช้ข้อมูล เพื่อนำเสนอวิธีการใช้ข้อมูลเชิงลึกเกี่ยวกับลูกค้า ตั้งแต่การใช้ข้อมูลเชิงกลยุทธ์ไปจนถึงกรณีศึกษาที่เห็นภาพอย่าง Netflix เน้นให้เห็นว่าความสำเร็จในโลกที่ขับเคลื่อนด้วยข้อมูลนั้นต้องการมากกว่าแค่การมีข้อมูล แต่ยังรวมถึงความสามารถในการแปลงข้อมูลเป็นข้อมูลเชิงลึกที่นำไปใช้ได้จริง