แม้ความเห็นต่ออนาคตของ AI จะยังหลากหลาย แต่ผู้เชี่ยวชาญจากเกือบทุกแขนงลงความเห็นคล้ายๆ กันว่า AI จะมากระทบกับวิถีชีวิตของมนุษย์อย่างแน่นอน ทั้งในภาพแบบ micro และ macro

ตอนผมเรียนหนังสือจบใหม่ๆ คุณสมบัติเด่นของผู้สมัครงานที่เข้าตากรรมการอาจเป็นการจบ MBA จากมหาวิทยาลัยชื่อดัง หรือเคย ‘lead’ โครงการสำคัญในบริษัทใหญ่ ผ่านมาไม่กี่ปี คนที่เคยมีประสบการณ์ทำสตาร์ทอัพเจ๋งๆ มาก็เป็นที่ต้องการตัวขององค์กรต่างๆ

สภาวะแวดล้อมการทำงานที่เปลี่ยนไป ส่งผลให้ทักษะที่องค์กรต่างๆ ต้องการเปลี่ยนไปด้วย

คำถามคือ เมื่ออยู่ในยุค AI อะไรจะเป็นทักษะที่เราต้องการ?

มีงานเขียนจาก Harvard Business Review ชื่อ How to Spot a Machine Learning Opportunity, Even If You Aren’t a Data Scientist เขียนโดย Kathryn Hume กล่าวว่า ในอนาคตอันใกล้ที่ AI จะเป็นเหมือนหนึ่งในเส้นเลือดหลักของธุรกิจ

และทักษะธุรกิจที่จะมีความสำคัญอย่างมากคือ Understanding how machine learning algorithm works หรือการมีความรู้ความเข้าใจว่า machine learning ทำงานอย่างไร และที่สำคัญไม่แพ้กันคือ ทำเพื่ออะไร

ถ้าเป็นคนที่ทำงานอยู่ในสายงานที่เกี่ยวข้องกับ AI ตรงๆ ก็คงต้องทำเรื่องพวกนี้เยอะอยู่แล้ว

แต่เรากำลังพูดถึงผู้บริหารและพนักงานส่วนใหญ่ที่อาจจะไม่มีพื้นฐานทางด้านเทคนิคแน่นหนา ความรู้ความเข้าใจในที่นี้จึงไม่ได้หมายความว่าเราทุกคนจะต้องเขียนโปรแกรมกันได้คล่องแคล่ว เพราะนั่นเป็นหน้าที่ของ Programmer (หรือบางทีเรียกว่า Developer) แต่เราต้องเข้าใจว่า คนกลุ่มที่เราเรียกว่า data scientist เขาทำอะไร และเราจะใช้ประโยชน์อะไรจากดาต้าที่มีได้บ้าง

เขากล่าวว่าตอนนี้เรากำลังขาดแคลนผู้บริหารและพนักงานฝั่ง business ที่ทำงานร่วมกับ data scientist ได้ พูดอีกอย่างหนึ่งคือ คนฝั่ง business โดยเฉพาะผู้บริหาร จะต้องมองเห็นโอกาสทางธุรกิจจากการมี machine learning ในบริษัท

เหล่าโปรแกรมเมอร์ไม่สามารถทำงานเดี่ยวๆ ได้ เพราะต้องเข้าใจถึงโจทย์ทางฝั่งธุรกิจด้วย จึงต้องมี ‘คนฝั่งธุรกิจ’ ที่คอยมองหาและตัดสินใจว่า business needs อะไรที่คุ้มค่าแก่การแก้ปัญหาด้วย machine learning tool ที่บริษัทมี

ยกตัวอย่างให้เห็นภาพง่ายๆ แบบนี้แล้วกันครับ สมมติเรามีบริษัทขายเสื้อผ้าออนไลน์แห่งหนึ่ง มีทีมหลักทำงานอยู่ 2 ทีม ผมจะเรียกว่า business team และ data science team

CMO (Chief Marketing Officer) เป็นคนจากฝั่ง business team ที่ต้องการรู้ว่า ปัจจัยอะไรบ้างที่ส่งผลต่อการตัดสินใจซื้อของลูกค้าชั้นดี (คือคนที่ซื้อบ่อย ซื้อเยอะ) หาก CMO คิดเอาเอง ก็อาจจะบอกว่า จัดรายการลดราคาสิ เพราะคิดว่าใครๆ ก็ชอบของถูก

แต่ความจริงอาจไม่ใช่เช่นนั้น ข้อมูลการซื้อย้อนหลังเป็นตัวบอกอนาคตที่ดีที่สุด มันอาจบอกว่าลูกค้ากลุ่มนี้ไม่ได้สนใจคูปองลดราคาเท่าไร แต่สนใจสินค้าตัวใหม่ล่าสุดมากกว่า ถ้าออกของใหม่มาล่ะก็ซื้อทั้งนั้น หรือถ้าจะใช้คูปองลดราคา ต้องส่งไปทางอีเมลเวลา 4 ทุ่ม เพราะเป็นเวลาที่นั่งอยู่บ้านชิลๆ ถ้าส่งไป 5 โมงจะไม่เกิดการซื้อ เพราะกำลังขับรถ ข้อมูลยังบอกลึกลงไปด้วยอีกว่า อีเมลที่ส่งแล้วผู้รับเห็น notification ทันที มีโอกาสถูกเปิดอ่านมากกว่าอีเมลที่ไปแช่อยู่ใน inbox

CMO ต้องบอกความต้องการของตัวเอง (business needs) ให้ data scientist เข้าใจ ส่วน data scientist มีหน้าที่เก็บรวบรวมข้อมูล วิเคราะห์ข้อมูล และแปลความหมายข้อมูลจำนวนมาก เพื่อหาวิธีที่ดีกว่าในการทำธุรกิจ

data scientist ของบริษัทเสื้อผ้าออนไลน์แห่งนี้มีหน้าที่คิดว่า จากข้อมูลการซื้อย้อนหลังทั้งหมดที่บริษัทมี ซึ่งอาจจะเยอะมากและจัดเก็บแบบไม่ค่อยเป็นระบบ อาจจะมีข้อมูลทั้งจากภาพในและภายนอก

เราจะเอาข้อมูลอะไรมาใช้ เช่น เพศ เวลาที่ซื้อ ราคาที่ซื้อ ของแถมที่เคยได้

เอาข้อมูลมาด้วยวิธีการอะไร เช่น ใช้เครื่องมืออะไรไปหามา

และสุดท้ายจะ process & visualize ข้อมูลดิบเหล่านั้นอย่างไร เพื่อตอบคำถามที่ CMO ถามมาคือ ‘ปัจจัยอะไรส่งผลต่อการตัดสินใจซื้อ’

data scientist มีอีกหน้าที่คือ คุยกับ developer ที่จะเป็นคนเขียนโค้ด บอก AI ให้ดึงข้อมูลโน่นนี่นั่นออกมา แต่แน่นอนว่า data scientist จะไม่รู้เรื่องพฤติกรรมการซื้อของลูกค้าหรือกลยุทธ์ทางธุรกิจมากเท่า CMO

การเก็บข้อมูลย้อนหลังที่ดีและละเอียด ช่วยให้เราตัดสินใจได้ดี ไม่จำกัดอยู่เฉพาะธุรกิจขนาดกลางและขนาดใหญ่นะครับ สมมติร้านก๋วยเตี๋ยวในซอยหนึ่ง เขาอยากมียอดขายเพิ่ม ถ้านั่งนึกเองว่าปัจจัยอะไรที่ทำให้ขายดี อาจจะ ‘รู้สึก’ ว่า ขายดีวันสิ้นเดือน ขายดีช่วงมีถ่ายทอดสดฟุตบอล ขายไม่ดีวันหวยออก ฯลฯ เป็นปัจจัยที่ใครๆ ก็อาจจะรู้สึกได้ บอกได้

แต่ถ้าร้านก๋วยเตี๋ยวร้านนั้นมีการเก็บข้อมูลทุกอย่างอย่างละเอียด อาจได้ข้อมูลยอดขายที่บอกว่า ขายดีเฉพาะวันคู่ เพราะจอดรถฝั่งเดียวกับร้านได้ หรือจะขายดีเป็นพิเศษในวันที่รถเข็นขายโรตีสุดอร่อยมาจอดใกล้ๆ เพราะคนซื้อโรตีแล้วแวะซื้อก๋วยเตี๋ยวด้วย แบบนี้เป็นต้น

สิ่งที่ผมจะบอกคือ สิ่งสำคัญที่ส่งผลต่อ business decision มันอาจเป็นสิ่งที่เราไม่คาดคิดมาก่อนในการทำธุรกิจ จำเป็นมากที่เราต้องมองให้รอบด้าน และตัดสินใจแบบมีข้อมูลสนับสนุนพร้อม

สมมติว่าร้านก๋วยเตี๋ยวนี้มี data scientist เขาจะต้องเป็นคนบอกว่า จะดึงข้อมูลอะไรบ้างในตาราง Excel แล้ว ‘ทำข้อมูล’ ไปเสนอ CMO ของร้าน ที่จะตัดสินใจต่อไปว่า กลยุทธ์การตลาดแบบไหนถึงจะดี

สุดท้ายแล้วอาจได้ business decision แบบแปลกๆ แต่ได้ผลออกมาว่า ขายเฉพาะวันคู่ก็พอ ส่วนวันคี่ควรไปเปิดอีกสาขาหนึ่งในทำเลที่จอดรถฝั่งเดียวกับร้านได้ จะทำให้รายได้รวมทั้งเดือนดีกว่าทำร้านเก่าที่ทำเลเดิมแล้วขายทุกวัน หรือถ้ารถโรตีมีผลจริงๆ ก็ทำโปรโมชันคู่กันไปเลย แล้วขอให้รถโรตีเพิ่มวันมาตรงนี้โดยมี incentive ให้ ซื้อก๋วยเตี๋ยวแจกคูปองลดราคาโรตี win-win กันไป

ร้านก๋วยเตี๋ยวเป็นตัวอย่างที่ extreme มาก แต่ผมพยายามจะให้เห็นภาพว่า ‘ข้อมูล’ นั้นสำคัญแค่ไหนต่อการทำธุรกิจนะครับ คุณจะเริ่มมองเห็นว่า เพื่อให้เกิด business decision ที่ดีได้ ทั้งร้านเสื้อผ้าออนไลน์และร้านก๋วยเตี๋ยวจะต้องมี 2 ปัจจัยคือ

มีการเก็บข้อมูลย้อนหลังอย่างละเอียด ถ้าเป็นร้านก๋วยเตี๋ยวก็ต้องถึงขั้นรู้ว่ายอดขายจะเพิ่มในวันที่รถโรตีมาตั้งใกล้ๆ หรือเกิดการซื้อเมื่อส่งอีเมลคูปองลดราคาไปให้ลูกค้าเวลา 4 ทุ่ม

มีคนที่รู้จักใช้ประโยชน์ข้อมูลเหล่านั้นก็คือ 2 ทีมที่บอกไปข้างต้น

นั่นหมายถึง data science team ต้องรู้วิธีดึงข้อมูลเหล่านั้นมาใช้ และแปรสภาพข้อมูลให้อยู่ในรูปที่ business team เอาไปใช้ได้ หรืออีกนัยหนึ่งคือตอบคำถามเขาได้

ในขณะเดียวกัน business team ต้องรู้ว่าบริษัทเรามีข้อมูลอะไรบ้าง อะไรใช้ได้ ใช้ไม่ได้ เพื่อตอบสนอง business needs มิฉะนั้น หากมีข้อมูลชั้นดี แต่ business team ไม่รู้หรือไม่เข้าใจวิธีใช้ข้อมูลเหล่านั้น ก็เท่ากับ data science team จะไม่ได้ทำงานอย่างเต็มประสิทธิภาพ และอาจพลาดโอกาสทางธุรกิจไป

นี่คือสถานการณ์ธุรกิจที่เราจะเจอในอนาคตอันใกล้ครับ จึงควรเตรียมตัวกันไว้ บริษัทหรือธุรกิจของคุณมีการจัดเก็บข้อมูลดีแค่ไหน และได้ใช้ข้อมูลนั้นช่วยการทำงานในปัจจุบันอย่างไรบ้างครับ

ถ้าอนาคตมันจะเป็นแบบนี้ เราควรเตรียมจัดตั้ง data science ทีมไหม จะให้เขาทำอะไร ขั้นตอนที่จะทำให้รู้ว่างานของบริษัทเราชิ้นไหน เหมาะจะใช้ machine learning และต้องมีทีม data science มาคอยคุมหรือไม่ ควรตั้งคำถามเหล่านี้ครับ

• เขียนรายการงานทั้งหมดที่บริษัทเราทำ แบ่งตามประเภทดังนี้
  • งานที่ทำโดยไม่ต้องใช้สมองคิดมาก งานที่ทำแบบแทบจะอัตโนมัติ
  • งานที่ต้องค่อยๆ คิด หรือใช้เวลาประมวลผลเพื่อตัดสินใจนานหน่อย

• ดูเฉพาะงานชนิดที่ทำแบบแทบจะอัตโนมัติว่ามีคนทำงานนี้กี่คน และทำมานานแค่ไหนแล้ว
• งานที่ว่านี้เป็นการ ‘ทำนาย’ อะไรบางอย่างจากข้อมูลในอดีตหรือไม่ หรือเป็นงานที่ต้องแยกข้อมูลลงกล่องโน้นกล่องนี้ ใช่หรือไม่
• ถ้ามีคนสัก 10 คนทำงานนี้ ทั้ง 10 คนนั้นทำงานไปแล้วมีความเห็นไปในทางเดียวกันหรือไม่ ถ้าเป็นสิ่งที่มนุษย์ยังมีความเห็นแตกต่างกัน คอมพิวเตอร์จะเอามาประมวลเป็นข้อมูลเชิงสถิติได้หรือไม่
• งานที่ว่านี้ทำกันมานานแค่ไหนแล้ว ถ้าทำมานานแล้ว ตลอดระยะเวลานั้นได้มีการเก็บข้อมูลของ ‘คำตอบ’ ไว้หรือไม่ ถ้าคำตอบคือ มี ชุดข้อมูลนี้แหละครับที่เหมาะจะ ‘สอน’ ให้ machine learning ทำแทนคน แต่ถ้ายังไม่มี คุณอาจต้องเริ่มเก็บข้อมูลนี้ตั้งแต่วันนี้ และให้พนักงานที่เป็นมนุษย์มีส่วน ‘ช่วย’ machine ไปก่อน

ขั้นต่อไปต้องนั่งคุยกับทีม data science เพื่ออธิบายให้ฟังว่างานนี้คืออะไร เราโฟกัสที่อะไรอยู่ ถ้าเราอธิบายได้เคลียร์ ทีม data science จะช่วยตอบได้ว่า การ automation (คือให้ AI ทำงานอะไรบางอย่างแทนคน) มันเป็นไปได้ไหมสำหรับงานนี้ และต้องออกแบบ machine learning อย่างไรบ้าง เพื่อให้ตอบโจทย์ทางธุรกิจมากที่สุด หากทำได้ จะทำให้พนักงานที่เป็นคนจริงๆ มีประสิทธิผล (productive) มากขึ้น และสร้างงานที่มีมูลค่า (value) สูงขึ้นด้วย

ในเมื่อเราทราบแล้วว่า AI จะยิ่งฉลาดถ้ามีข้อมูลให้มันประมวลผลเยอะ จึงมีคำกล่าวในวงการธุรกิจว่า Data is the new oil.

แต่ data ที่บริษัทเรามี มัน ‘มีค่า’ แค่ไหน

อีกเปเปอร์หนึ่งจาก Harvard Business Review เช่นกัน ชื่อ Is your company’s data actually valuable in the AI era? โดย Ajay Agrawal, Joshua Gans และ Avi Goldfarb บอกไว้ว่า ข้อมูลธุรกิจแบบที่ผมเล่าไปข้างต้น เช่น ข้อมูลการซื้อขายและพฤติกรรมลูกค้าในอดีต เหมาะแค่ใช้ ‘เทรน’ เจ้า AI ให้เป็น prediction machine เท่านั้น แต่พอข้อมูลนี้ถูกใช้ไปครั้งหนึ่งแล้ว ถ้า AI จำไว้แล้วเพื่อใช้ทำนายอนาคต ประโยชน์มันจะเหลือน้อยแล้วครับ

ข้อมูลที่มีค่าดั่งทองจริงๆ จึงอาจไม่ใช่ข้อมูลการทำธุรกิจในอดีต แต่เป็นข้อมูลที่เรียกว่า ongoing operational data ครับ คือข้อมูลที่เกิดจากงานที่คุณทำในปัจจุบัน เป็นข้อมูลใหม่ที่ทำให้คุณ ‘ใช้’ เจ้าเครื่อง prediction machine นั้นได้อย่างเต็มประสิทธิภาพ หรืออีกนัยหนึ่งคือ เพิ่มขีดความสามารถในการทำนายให้มัน

ยอดขายในอดีตเป็นข้อมูลที่ทำให้ AI ‘ทำนาย’ ยอดขายในอนาคตได้ แต่ข้อมูลที่จะทำให้คุณมองเห็นอะไรบางอย่าง เกิดคำถามบางอย่าง จนต้องเรียก data scientist มาคุยและบอกว่า อยากจะรู้สิ่งนี้ ช่วยใช้ machine learning ประมวลข้อมูลมาตอบให้หน่อยสิ และ data scientist ก็จะกลับไปทำงานร่วมกับ developer เขียนโค้ดจน machine learning ประมวลข้อมูลมาตอบคุณจนได้ คือ ongoing operational data เช่น ข้อมูลเกี่ยวกับกำลังคน ประสิทธิภาพการทำงานของแผนกต่างๆ พฤติกรรมของคู่แข่ง ซัพพลายเออร์ หรือลูกค้า ในสถานการณ์ปัจจุบัน ข้อมูลเหล่านี้ได้จากการทำงานทุกวัน ไม่ใช่ข้อมูลที่เก็บมาแล้ว 10-20 ปีในอดีต

นี่เองที่ Harvard Business Review บอกว่า เป็นทักษะที่ผู้บริหารหรือพนักงานฝั่ง business ยุคใหม่ควรจะต้องมีคือ มองออกว่าจะใช้ AI ทำอะไรได้บ้างในบริษัทของเรา

ดังนั้น บริษัทที่หาทางสร้าง data stream ใหม่ๆ จากการทำงานทุกวัน ร่วมไปกับการหาวิธีใช้ AI ทำนายผลจากข้อมูลธุรกิจในอดีต ทำให้คนทำงานทั้งฝั่ง business และ data science ทำงานร่วมกันได้อย่างราบรื่น ก็มีโอกาสจะอยู่รอดในสงคราม AI ที่กำลังจะมาถึงครับ

ภาพประกอบ: Pichamon W.

พิสูจน์อักษร: พรนภัส ชำนาญค้า