top of page

ปัจจัยที่ทำให้โครงการ Data Analytics ประสบความสำเร็จ



จากรายงานของ Gartner พบว่าโครงการ Data Analytics ส่วนใหญ่ไม่ประสบความสำเร็จ โดยเหตุผลส่วนใหญ่คือ Model ที่ได้รับการพัฒนานั้นไม่สามารถนำไปใช้งานได้จริงและไม่ตอบโจทย์ทางธุรกิจ


ตัวอย่าง Case ที่น่าสนใจ คือ Algorithm ของ Netflix ที่มีมูลค่ากว่า 1 ล้านดอลลาร์สหรัฐที่ไม่สามารถนำไปขึ้นระบบและใช้งานได้จริง เนื่องจากในขั้นตอนการพัฒนาไม่ได้มีการวิเคราะห์รายละเอียดเรื่องระบบการประมวลผล เป็นต้น


ดังนั้นการทำโครงการ Data Analytics จึงจำเป็นต้องมีการวางแผนที่ดี โดยมีปัจจัยแห่งความสำเร็จ ดังต่อไปนี้


1. ทีมงาน

ทีมงานที่ต้องมีความเชี่ยวชาญและเข้าใจเนื้องานจริงๆ ซึ่งคำว่า "ทีมงาน" ในที่นี้ หมายถึงคนแต่ละคนที่มีหน้าที่แตกต่างกันมาร่วมตัวกันเพื่อดำเนินโครงการใดโครงการหนึ่ง

หลายองค์กรเชื่อว่าโครงการ Data Analytics เป็นหน้าที่ของ Data Scientist เท่านั้น ซึ่งเป็นความเชื่อที่ผิดเพราะ ​Data Scientist มีหน้าที่สร้าง Model แต่จะมีจุดอ่อนด้านการบริหารข้อมูลและ Business Domain ในเรื่องนั้นๆ

อย่างไรก็ตาม Data Scientist ที่ไม่มีประสบการณ์ มักจะคิดว่าตัวเองสามารถทำงานได้ครอบคลุมทั้งหมดเพราะยังขาดประสบการณ์ในการทำงานจริง

หากเปรียบเทียบโครงการกับการผ่าตัดก็คือการที่จะต้องมีแพทย์ผ่าตัดผู้เชี่ยวชาญ วิสัญญีแพทย์ พยาบาล เภสัชกร และผู้ที่เกี่ยวข้องอีกหลายส่วน กับโครงการ Data Analytics ก็ไม่ต่างกัน จำเป็นต้องมีผู้เชี่ยวชาญในหน้าที่ที่หลากหลายด้วยเช่นกันเพื่อให้โครงการดำเนินการได้อย่างประสบความสำเร็จ


2. ข้อมูลที่มีการบริหารจัดการที่ดี

ความพร้อมของข้อมูล เป็นส่วนที่สำคัญที่สุด เพราะข้อมูลถือเป็นทรัพยากร เพื่อใช้วิเคราะห์ หรือสร้าง Model

หลายโครงการกำลังเผชิญหน้ากับปัญหาข้อมูลไม่มีคุณภาพด้วยเหตุผลที่ว่า ข้อมูลมีขนาดใหญ่ และถูกจัดเก็บไว้เป็นเวลานาน ทำให้เมื่อนำข้อมูลจากแหล่งต่างๆ มาเชื่อมโยงและใช้งานจึงพบอุปสรรคเรื่องความครบถ้วนและคุณภาพของข้อมูล

ทั้งนี้โครงการ Data Analytics ที่ประสบความสำเร็จมักเกิดขึ้นหลังจากการบริหารข้อมูลหรือมี Data Management ที่ดีเสียก่อน


3. โจทย์และความต้องการที่ชัดเจน

หลายโครงการเกิดขึ้นโดยไม่มีโจทย์แต่เป็นความต้องการที่จะทำโครงการ เช่น เมื่อจะทำโครงการก็ดูว่ามีข้อมูลอะไรบ้าง ทำอะไรได้บ้าง หรืออยากทำโครงการ Big Data ก็กำหนดขึ้นเป็นโครงการไม่ได้มาจากโจทย์ เป็นต้น

สุดท้ายแล้วโครงการ Data Analytics ส่วนใหญ่ จึงมักกลายเป็นงานวิจัยที่ไม่ได้นำมาใช้งานได้จริง ซึ่งนอกจากจะเป็นการเสียเวลาแล้วยังเป็นการลงทุนที่ฟุ่มเฟือยอีกด้วย

ความเป็นจริงแล้วโครงการ Data Analytics ควรเกิดขึ้นจากโจทย์และปัญหาที่ต้องแก้ไข เช่น ต้องการวิเคราะห์การบริหารคลังสินค้า เพราะมีปัญหาสินค้าค้างเหลือจำนวนมาก ต้องการวิเคราะห์วิธีการจัดสรรงานเพราะทุกวันนี้ใช้การตัดสินใจหน้างานทำให้ล่าช้า เป็นต้น


4. ระบบที่เหมาะสม

การสร้าง Model บางประเภทจำเป็นต้องใช้ทรัพยากรคอมพิวเตอร์ใน Spec ที่สูง โดยเฉพาะเมื่อจำเป็นต้องใช้ข้อมูลขนาดใหญ่เป็นข้อมูลต้นแบบ ปัญหานี้เป็นปัญหาสำหรับองค์กรที่มิได้มีนโยบายในการลงทุนด้าน Infrastructure และการ Update เทคโนโลยี ทำให้การวิเคราะห์ข้อมูลถูกจำกัดในรูปแบบเดิมๆ


สุดท้ายนี้ การวางแผนสำหรับโครงการ Data Analytics ที่ดี ควรมีการวิเคราะห์ Return of Investment เพื่อประเมินความคุ้มค่าของโครงการที่ชัดเจนเพื่อเป็นเป้าหมายและตัวชี้วัดของโครงการเปรียบเสมือนเป็น KPI ของทีมงานที่ต้องทำให้เป็นผลสำเร็จ แต่หากโครงการนั้นไม่สามารถให้ ROI ออกมาได้ก็แสดงว่าการดำเนินโครงการ Data Analytics อาจจะกำลังหลงทางก็เป็นได้



 

We turn your DATA into your KEY of success.

Email: inquiry@coraline.co.th

Tel: 099-425-5398

#Coraline ยินดีให้คำปรึกษาและพัฒนาโครงการด้านการจัดการข้อมูล


#BigData #DataAnalytics #Analytics #โครงการData #DigitalTransformation #MachineLearning #ArtificialIntelligence #DataManagement #DataQuality #DeepLearning


แท็ก:

< Previous
Next >
bottom of page