Advanced Analytics– Part 1

การวิเคราะห์ข้อมูลชั้นสูง (Advanced Analytics) เพื่อสร้างคุณค่าให้แก่ธุรกิจ (Business Values)

Modern Analytics

MARCH 18, 2022

ปัจจุบันการเครื่องมือและกระบวนการวิเคราะห์ข้อมูลถูกนำมาใช้อย่างแพร่หลายโดยวัตถุประสงค์ในการสำรวจ จัดเก็บข้อมูลและนำมาวิเคราะห์เพื่อสร้างประโยชน์ต่อธุรกิจในมุมมองต่างๆ โดยผลลัพธ์ที่เห็นได้ชัดและประสบผลสำเร็จในหลายองค์กรคือ การสร้างรายงานผ่านเครื่องมือ Visualization เช่น Power BI, Tableau เป็นต้น

โดยแต่ละองค์กรมีการกำหนด KPIs แต่ที่แตกต่างขึ้นขึ้นอยู่กับเป้าหมายหรือภารกิจขององค์กรในขณะนั้นเช่น การวิเคราะห์ยอดขาย วิเคราะห์ต้นทุน วิเคราะห์โอกาศ และอื่นๆ ผ่านกระบวนการจัดเก็บข้อมูลที่มีอยู่จากระบบต่างๆ มารับปรุงให้อยู่ในรูปแบบเหมาะสมเพื่อนำเข้าสู่กระบวนการคำนวนและแสดงผลในรูปแบบที่ง่ายต่อการวิเคราะห์เชิงลึกโดยผู้เชี่ยวชาญเพื่อกำหนดกลยุทธ์และแนวทางปฏิบัติของธุรกิจต่อไป

ซึ่งเป็นประโยชน์ต่อธุรกิจเป็นอย่างมาก เพียงแต่การวิเคราะห์ในรูปแบบนี้มีข้อกำจัดในการสะท้อนมุมมองเฉพาะกับสิ่งที่เกิดขึ้นแล้วหรือในกรณีมีการวิเคราะห์ข้อมูลแบบ Real time ก็ทราบเพียงสิ่งที่กำลังเกิดขึ้น แต่ไม่ได้ให้ข้อมูลเชิงลึกถึงเหตการณ์ที่อาจจะเกิดขึ้นในอนาคตและแนะนำถึงสิ่งที่เหมาะสมในการนำไปปฏิบัติเพื่อให้ได้บรรลุตามเป้าหมายที่องค์กรต้องการ รวมถึงการวางแนวทางป้องกันในทางตรงกันข้ามเพื่อให้ได้ผลลัพธ์ที่สามารถนำไปใช้งานกับธุรกิจทันทีหรือสามารถเร่งความเร็วในการวิเคราะห์จากผู้เชี่ยวชาญ ลดเวลาการตอบสนองจากองค์กร หรือสามารถตอบสนองต่อลูกค้า/ผู้ใช้บริการของเราได้โดยอัตโนมัติ ผ่านกระบวนการวิเคราะห์แบบพยากรณ์และกระบวนการวิเคราะห์แบบให้คำแนะนำ

โดยในบทความนี้กล่างถึงภาพรวมของรูปแบบหรือประเภทของการวิเคราะห์ข้อมูลและตัวอย่างผลลัพธ์จากการวิเคราะห์ชองแต่ละประเภท

1. Descriptive Analytics (การวิเคราะห์แบบพื้นฐาน) เป็นการวิเคราะห์แบบพื้นฐานเพื่อสรุปผลลัพธ์ที่เกิดขึ้น โดยการนำข้อมูลในอดีตผ่านกระบวนการต่างๆ เพื่อสามารถตอบคำถามและบรรยายสิ่งที่เกิดขึ้นผ่านข้อมูล เช่น

  • ปริมาณยอดขายในปีอดีตถึงปัจจุบัน
  • ประสิทธิภาพและสถานะทำงานของเครื่องจักร
  • ข้อมูลการจัดการต้นทุนและสินค้าคงคลัง
  • วิเคราะห์ลูกค้า/กลุ่มเป้าหมาย (Customer profiles analytics)
  • สินค้าและความต้องการในตลาด

การวิเคราะห์แบบพื้นฐานเป็นก้าวแรกสู่การวิเคราะห์ข้อมูลเพื่อทำความเข้าใจสิ่งที่เกิดขึ้นในเหตุการณ์ที่เราสนใจเพื่อนำไปสู่การตั้งคำถามหรือวิเคราะห์เชิงลึกในลำดับถัดไป

2. Diagnostic Analytics (การวิเคราะห์แบบวินิจฉัย) เป็นการวิเคราะห์เพื่อหาเหตุผลของผลลัพธ์แบบเจาะจง โดยใช้คำถาม “ทำใม” ในการหาสาเหตุอ้างอิงจาก พื้นฐานของรูปแบบ ความสอดคล้องและ ผลกระทบที่เกิดจากข้อมูลและปัจจัยใดๆ ที่ส่งผลเกี่ยวเนื่องต่อข้อมูลที่เราให้ความสนใจ

  • ทำใมยอดขายในช่วงเดือนเมษายนถึงน้อยกว่าค่าเฉลี่ย
  • สาเหตุที่ทำให้สายการผลิตต้องหยุดทำงานบ่อยคืออะไร
  • มีสินค้าคงคลังเพียงพอเหมาะสมต่อความต้องการของตลาดหรือไม่
  • หากต้องการเพิ่มยอดขายให้สอดคล้องกับพฤติกรรมของกลุ่มลูกค้าหลักควรทำอย่างไร

การวิเคราะห์แบบวินิจฉัยจำเป็นต้องมีปริมาณข้อมูลที่เหมาะสมเพื่อให้สามารถหารูปแบบที่ส่งผลต่อข้อมูลที่เราสนใจโดยอาจเกิดขึ้นจากหนึ่งหรือหลายปัจจัยก็ได้ เช่น  

สาเหตุที่ทำให้สายการผลิตต้องหยุดทำงานบ่อยเกิดจาก 2 สาเหตุ คือ มีเครื่องจักรเก่าที่ไม่รับการซ่อมบำรุงอย่างเหมาะสมและเกิดจากความผิดพลาดในการทำงานของเจ้าหน้าที่ เป็นต้น

3. Predictive Analytics (การวิเคราะห์แบบพยากรณ์) เป็นการวิเคราะห์เพื่อคาดการสิ่งที่จะเกิดขึ้นในอนาคตโดยวิเคราะห์จากแนวโน้มหรือความเป็นไปที่เกิดขึ้นจากเหตุและผลในอดีตผ่านกระบวนการศึกษารูปแบบและความสัมพันธ์ของข้อมูลซึ่งหากยิ่งมีข้อมูลในอดีตมากเท่าไหร่ความแม่นยำในการพยากรณ์มีความแม่นยำสูงขึ้น

  • แนวโน้มรายได้ของบริษัทในสามเดือนมีโอกาสเป็นอย่างไร
  • พนักงานปัจจุบันของเราจะเพียงพอต่อความต้องการในช่วงวันหยุดที่กำลังจะมาถึงหรือไม่?
  • ช่วงเวลาที่เครื่องจักรอาจเกิดความชำรุดจากการใช้งาน
  • ความเพียงพอของสินค้าคงคลังแยกตามรายการของช่วงไตรมาสหน้า
  • แนวโน้มพฤติกรรมการซื้อขายของลูกค้าต่อสินค้าออกใหม่

การวิเคราะห์แบบพยากรณ์สามารถดำเนินการได้กับทุกกรณีที่องค์สนใจผ่านกระบวนการคำนวนและขั้นตอนทางสถิติซึ่งอาจซึ่งอาจมีตวามยุ่งยากและใช้เวลานานตามความซับซ้อนและขนาดของข้อมูลรวมถึงความแม่นยำของผลลัพธ์ที่ต้องการ แต่ในปัจจุบันมีเทคโนโลยี Machine learning หรือ AI ที่เข้ามาช่วยลดเวลา เพิ่มความแม่นยำในการพยากรณ์และลดทรัพยากรในการดำเนินการ เช่น

การพยากรณ์การแผนบริหารจัดการสินค้าคงคลังในปีถัดไปอาจต้องใช้ข้อมูลย้อนหลัก 5 ปีวิเคราะห์แยกตามรายการสินค้าทุกรายการเพื่อวิเคราะห์หาตัวเลขที่เหมาะสมนั่นอาจหมายถึงต้องใช้คนหนึ่งถึงสองคนและเวลามากกว่าหนึ่งเดือนในการจัดทำและหากข้อมูลปัจจุบันเปลี่ยนแปลงจากที่คาดการณ์ไว้อาจต้องเริ่มต้นกระบวนการใหม่ทั้งหมด แต่หากนำเทคโนโลยี Machine leaning สามารถลดวิเคราะห์และนำข้อมูลใหม่เข้าสู่การคำนวนได้ทันทีเพื่อให้ได้ผลลัพธ์การคาดการที่แม่นยำและสามารถตอบสนองได้ทันเวลา

4. Prescriptive Analytics (การวิเคราะห์แบบให้คำแนะนำ) เป็นการวิเคราะห์เพื่อค้นหาสิ่งที่ดีที่สุดหรือแนะนำแนวทางปฏิบัติที่เหมาะสมในการตอบสนองเพื่อให้ได้มาซึ่งเป้าหมายที่ต้องการโดยการนำข้อมูลผ่านกระบวนการ 1-3 ตามได้กล่าวมาเข้าสู่กระบวนการวิเคราะห์และจำลองถึงผลลัพธ์ที่เกิดขึ้นและนำไปสู่การนิยามการกระทำที่เหมาะสมและเกิดประโยชน์สูงสุด

  • หากต้องการเพิ่มผลกำไรในฤดูร้อนควรแนะนำสินค้าและโปรโมชั่นใดต่อลูกค้า
  • เวลาที่เหมาะสมในการซ่อมบำรุงเพื่อป้องกันการหยุดทำงานของสายการผลิต
  • ต้องมีพื้นที่จัดเก็บสินค้าปริมาณเท่าใดถึงลดปัญหาสินค้าไม่เพียงพอต่อความต้องการในอนาคต
  • ช่องทางการจัดจำหน่ายสินค้าใดที่เหมาะกับลูกค้ากลุ่มเป้าหมายแบบเฉพาะเจาะจงมากที่สุด
  • ปริมาณเหมาะสมในการซื้อวัตถุดิบในแต่ละเดือนที่สามารถควบคุมต้นทุนได้สูงสุด

ซึ่งหากพิจารณารายละเอียดแล้วจะเห็นว่ากระบวนการวิเคราะห์ข้อมูลในแต่ละรูปแบบมีความต่อเนื่องและล้วนสอดคล้องกันเพื่อสร้างผลลัพธ์ของแนวทางปฏิบัติที่เหมาะสมสู่การสร้างคุณค่าให้แก่ธุรกิจ ซึ่งหลายองค์กรอาจมีการพัฒนาระบบวิเคราะห์ข้อมูลตามประเภทที่แตกต่างกันตามวัตถุประสงค์และขีดความสามารถขององค์กรแต่ไม่ว่าคุณจะอยู่ขั้นตอนใดก็สามารถมั่นใจได้ว่าคุณได้ใช้ข้อมูลที่มีอยู่ในองค์กรมาสร้างประโยชน์ให้แก่องค์กรได้รวมถึงมีพื้นฐานในการต่อยอดกระบวนการวิเคราะห์ให้มีประสิทธิภาพมากขึ้นได้ สุดท้ายหวังว่าบทความนี้จะเป็นประโยชน์ในการวางแผนและเป็นแนวทางในการใช้ข้อมูลให้เกิดประโยชน์สูงสุด

หากคุณมีความสนใจในด้านการวิเคราะห์ข้อมูลชั้นสูงหรือมีข้อสงสัยในการพัฒนาทั้งในความพร้อม กระบวนการ หรือ เครื่องมือเทคโนโลยีคุณสามารถติดต่อเราเพื่อรับคำปรึกษาโดยไม่มีค่าใช้โดยสามารถติดต่อเราผ่านช่องทางด้านล่างหรือติดต่อเราโดยตรงที่ +66 (0)2 117 4344 ทางเรายินดีให้คำปรึกษา

Reference:

https://azure.microsoft.com/en-in/blog/answering-whats-happening-whys-happening-and-what-will-happen-with-iot-analytics/

Share this article on social media!