Category: data engineering
-
ผมเคยนั่งฟัง presentation ที่มีข้อมูลแน่นมาก แม่นยำ และวิเคราะห์มาอย่างดี แต่ฟังจบแล้วคนในห้องประชุมก็พยักหน้าแล้วก็ “ไม่ได้ทำอะไรต่อ” (คน present คนนั้น ผมก็เคยเป็นมาก่อนด้วย) และผมก็เคยฟัง presentation อีกแบบที่ข้อมูลไม่ได้ละเอียดมากนัก แต่คนฟังออกจากห้องไปพร้อมกับรู้ว่าต้องทำอะไร ความต่างของสองอย่างนี้ไม่ใช่คุณภาพของข้อมูลครับ แต่เป็นวิธีที่คนนำเสนอมันออกมา ปัญหาที่เจอบ่อยมากในวงการ data คือคนที่เก่งเรื่องวิเคราะห์ข้อมูลมักไม่ถนัดเรื่องสื่อสาร และคนที่สื่อสารเก่งมักไม่มีพื้นฐาน data มากพอที่จะอธิบายให้แม่นยำ บทความนี้เลยอยากพูดถึงทักษะที่อยู่ตรงกลางครับ นั่นคือการเอาข้อมูลจริงๆ มาเล่าให้คนที่ไม่ได้ทำงานกับ data ทุกวันฟังแล้วเข้าใจและลงมือทำต่อได้ เข้าใจก่อนว่าคนฟังไม่ได้สนใจ data เขาสนใจแค่คำตอบ นี่คือสิ่งแรกที่ต้องเปลี่ยนวิธีคิด คนที่ทำงานกับ data มักตกหลุมพรางอย่างหนึ่งคือคิดว่าถ้าแสดงข้อมูลให้ครบและถูกต้อง คนฟังจะสรุปเองได้ว่าควรทำอะไร ซึ่งในความเป็นจริงแล้ว คนฟังส่วนใหญ่ไม่ได้มานั่ง process ข้อมูลในหัวพร้อมกับเราครับ เขามาเพื่อรับคำตอบเท่านั้น ลองเปลี่ยนวิธีเริ่ม presentation ดูครับ แทนที่จะเริ่มด้วย “วันนี้เราจะมาดูข้อมูลยอดขายในไตรมาสที่ผ่านมา” ลองเริ่มด้วย “ยอดขายของเราตกลง 15% และผมรู้แล้วว่าทำไม เดี๋ยวผมเล่าให้ฟัง” สองประโยคนี้มีข้อมูลเท่ากันครับ แต่ประโยคที่สองทำให้คนฟังอยากฟังต่อทันที เพราะมันสัญญาว่าจะมีคำตอบรออยู่ หลักการง่ายๆ…
-
คงจะมีสักช่วงเวลาที่โค้ชและผู้จัดการทีมทำการกีฬาตัดสินใจทุกอย่างด้วยสัญชาตญาณครับ ใครควรลงสนาม ใครควรออก กลยุทธ์ไหนที่ใช้ได้กับคู่แข่งทีมนี้ ทั้งหมดนั้นมาจากประสบการณ์และความรู้สึกที่สั่งสมๆมาหลายๆสิบปี แล้วในทางเดียวกัน ก็มีช่วงเวลาหนึ่งที่ทุกอย่างเปลี่ยนไปครับ ปี 2002 Oakland Athletics ทีมเบสบอลที่มีงบประมาณน้อยที่สุดทีมหนึ่งในลีก ใช้การวิเคราะห์ข้อมูลทางสถิติสร้างทีมที่แข่งขันได้กับทีมที่รวยกว่าหลายเท่า เรื่องนี้ถูกเขียนเป็นหนังสือชื่อว่า Moneyball และสร้างเป็นหนังที่หลายคนคงเคยดู(มั้ง) แต่สิ่งที่น้อยคนรู้คือ Moneyball เป็นแค่จุดเริ่มต้นครับ ในช่วง 20 ปีที่ผ่านมา sports analytics พัฒนาไปไกลกว่านั้นมากจนแทบจำไม่ได้แล้วว่าวงการกีฬาที่เราเคยเห็นกัน แต่ก่อนเค้าทำงานโดยไม่มีข้อมูลได้ยังไง ? Moneyball และจุดเริ่มต้นของ Sports Analytics ก่อนจะไปถึงปัจจุบัน ขอย้อนกลับไปที่เรื่องนี้สักแป้ปนึงก่อน เพราะมันสำคัญมากในฐานะ case study ที่เปลี่ยนวิธีคิดของทั้งวงการกีฬา และวงการ Data Analytics Billy Beane ผู้จัดการของทางทีม Oakland Athletics กำลังมีปัญหาง่ายๆ ก็คือ “งบประมาณ” เขาน้อยกว่าทีมใหญ่อย่าง New York Yankees เกือบสามเท่า แต่ยังต้องมาทำการแข่งในลีกเดียวกัน วิธีที่เขาใช้คือจ้าง…
-
ลองนึกภาพแบบนี้กันก่อนนะครับ คุณออกจากบ้านเช้าวันจันทร์ ไฟจราจรบนถนนที่คุณใช้ประจำปรับ timing อัตโนมัติเพราะระบบรู้ว่าเส้นนี้จะหนักช่วง 8 โมงครึ่ง รถเมล์ที่คุณรอมาตรงเวลาเพราะมันรู้ว่ามีคนรอที่ป้ายนี้เยอะผิดปกติ และแอปบนมือถือแจ้งเตือนว่าฝนจะตกช่วงบ่ายสองและมีที่จอดรถในห้างใกล้ที่ทำงานว่างอยู่สามช่อง ทั้งหมดนี้ไม่ใช่นิยายวิทยาศาสตร์ครับ มันเกิดขึ้นจริงในบางเมืองของโลกแล้ว และมันทำงานได้เพราะสิ่งที่เราเรียกกันว่า “data” Smart City คือเมืองที่ใช้ข้อมูลและเทคโนโลยีในการบริหารจัดการทรัพยากรและบริการสาธารณะให้มีประสิทธิภาพมากขึ้น ฟังดูอาจจะซับซ้อน แต่แนวคิดพื้นฐานตรงไปตรงมามากๆเลยครับ แค่เปลี่ยนจากการตัดสินใจโดยใช้ความรู้สึกและประสบการณ์ มาเป็นการตัดสินใจโดยใช้ข้อมูลจริงจากเมือง Smart City ทำงานยังไงในทางปฏิบัติ ? หัวใจของ Smart City คือสิ่งที่เรียกว่า sensor และ connectivity ครับ ลองนึกถึงเมืองหนึ่งที่มี sensor ติดตั้งอยู่ทั่วไป ตั้งแต่กล้องจราจรที่นับจำนวนรถ, sensor วัดคุณภาพอากาศในแต่ละย่าน, ถังขยะที่ส่งสัญญาณเมื่อใกล้เต็ม, มิเตอร์ไฟฟ้าและน้ำประปาที่ส่งข้อมูลการใช้งานแบบ real-time และสัญญาณไฟจราจรที่ปรับตามปริมาณรถจริงๆ แทนที่จะเปลี่ยนตามเวลาที่ตั้งไว้ตายตัว ข้อมูลทั้งหมดนั้นไหลเข้าสู่ศูนย์ข้อมูลกลางของเมือง ซึ่งทีม analyst และ AI ช่วยกันวิเคราะห์และตัดสินใจว่าควรส่งรถเก็บขยะไปที่ไหนก่อน ควรเพิ่มรถเมล์บนสายไหนในช่วงเวลาไหน หรือพื้นที่ไหนที่ไฟถนนดับและต้องการการซ่อมแซม สิงคโปร์เป็นตัวอย่างที่ดีที่สุดในโลกและใกล้บ้านเราด้วยครับ พวกเขาสร้าง Virtual Singapore…
