สดๆ ร้อนๆ เมื่อสักครู่นี้เองครับ ใครใ้ช้ Twitter ผ่านเว็บคงได้เห็นความเปลี่ยนแปลง ที่มีแถบลิงค์ด้านบนหน้าจอไปยังไซต์ที่เรียกว่า Election 2008 powered by Twitter ซึ่งเป็นการกรองเอาเฉพาะ tweet อัพเดตที่มีคีย์เวิร์ดที่เกี่ยวข้องกับการเลือกตั้งประธานาธิบดีสหรัฐปีนี้ และยังสามารถเลือกตามเฉพาะนักการเมืองคนใดคนหนึ่งได้ด้วย แถมมีการอัพเดตเองตลอดเวลา

โดยส่วนตัวผมเองแล้ว มองว่านี่เป็นความพยายามของ Twitter ที่จะพัฒนาโมเดลธุรกิจขึ้นมา เพราะสิ่งที่ twitter มีอยู่ในขณะนี้คือความคิดเห็นของผู้ัใช้ Twitter ที่มีต่อเรื่องใดเรื่องหนึ่ง จากมุมมองของกิจการที่มีการผลิตสินค้าหรือบริการ เสียงจากผู้บริโภคมีความสำคัญมาก และต้องใช้เงินเป็นจำนวนมากในการทำวิจัย การเลือกเหตุการณ์สำคัญที่มีผู้ให้ความสนใจเป็นจำนวนมาก แล้วสร้าง channel พิเศษขึ้นมา จะสามารถดึงดูดคนที่สนใจในเรื่องนั้นๆ เข้ามาได้ และอาจจะสามารถขายโฆษณาเฉพาะกลุ่มได้ง่ายมาก

ประเด็นที่ผมสนใจในเรื่องนี้ก็คือ

  • โครงสร้างพื้นฐานของ twitter สามารถรองรับการขยายตัวของผู้ใช้ได้มากเพียงใด
  • การควบคุมการ flood content ถ้าใครซักคนรู้คีย์เวิร์ดที่ใช้ (ซึ่งก็เดาได้ไม่ยากเลย)

แต่ผมยืนยันได้อย่างหนึ่งว่า ในภาคธุรกิจ มีความต้องการทราบความคิดเห็นของผู้บริโภค จาก user-generated content ของกลุ่ม Web 2.0 ทั้งหลายไม่ว่าจะเป็นบน webboard, blog, social network,  หรือแม้แต่ twitter เอง โดยการใช้เครื่องมือวิเคราะห์คำ (Text Analytics) ค้นหา กลั่นกรอง และแยกประเภทเพื่อตอบคำถามสำคัญที่ว่า ผู้บริโภค มีความคิดเห็นอย่างไรต่อสินค้าหรือบริการนั้นๆ

เห็นมั้ยครับ มันกลับมาเกี่ยวกับ Business Intelligence อีกจนได้ :-)

อ่านเรื่องราวของนายแบงค์คนหนึ่งในอเมริกาที่ถูกลดคะแนนเครดิต (credit scoring) เพราะเปลี่ยนงาน ส่งผลให้ต้องจ่ายดอกเบี้ยเงินกู้ในอัตราที่สูงกว่าเดิม แล้วก็เลยพยายามผลักดันให้เกิดการเปลี่ยนแปลงในระบบการคิดคะแนนเครดิต (SAS finance architect is out to overhaul credit-scoring metrics) ประเด็นสำคัญในเรื่องนี้ก็คือ บางครั้งการใช้ระบบคอมพิวเตอร์อัตโนมัติ ก็ส่งผลให้ขาดการพิจารณา context หรือบริบทที่สำคัญไปด้วย จะว่าไปแล้วก็เป็นเรื่องทีน่าเห็นใจ เพราะบริบทนี้มันกินความหมายกว้างขวางมาก และยากที่จะทำให้เป็นลอจิกที่คอมพิวเตอร์สามารถตัดสินถูกผิด ขาวดำ หนึ่งศูนย์ได้อย่างชัดแจ้ง

ด้วยเหตุนี้ การใช้ “คน” ในการตัดสินใจ จึงยังจำเป็นต้องมีอยู่ เพราะคนสามารถมีวิจารณญาณและนำเอาปัจจัยตัวแปรอื่นๆ มาร่วมพิจารณาด้วยได้ เหมือนการมองภาพกว้าง เพื่อประเมินสถานการณ์โดยรวมได้

บริษัทหรือหน่วยงานที่มียอดขายเติบโตเป็นอัตรา 8% ต่อปี ถือว่ามีผลงานดีหรือไม่? ตอบไม่ได้ครับ ถ้าไม่ทราบสถานการณ์แวดล้อม ถ้าเป็นบริษัทที่สินค้าหรือบริการเป็น commodity ในภาพเศรษฐกิจที่ซบเซาอย่างในขณะนี้ ทำได้ 8% ก็หรูแล้ว แต่ถ้าเป็นช่วงตลาดบูม หรือเป็นสินค้าหรือบริการที่มี value added สูง 8% อาจจะเรียกว่า flat เลยก็ได้

ด้วยเหตุนี้กระมัง อาชีพ “นักวิเคราะห์” จึงยังคงเป็นที่ต้องการอยู่เสมอ คนที่มองเห็นภาพกว้าง สามารถประเมินและให้น้ำหนักปัจจัยต่างๆ ได้อย่างเหมาะสม เพราะฉะนั้น อย่าคิดนะครับว่า ถ้าองค์กรของคุณมีระบบ Business Intelligence แล้ว จะเลิกจ้าง business analyst ไปได้ ยังครับ ยังอีกนานเลยทีเดียว

September 23rd, 2008Learn Microsoft BI Video

วันนี้ผ่านไปเจอเว็บไซต์ที่ให้บริการดาวน์โหลดวีดีโอเกี่ยวกับ Microsoft Business Intelligence โดยเฉพาะครับ ชื่อ Learn Microsoft BI Video ต้องลงทะเบียนก่อน แต่ฟรีนะครับ มีตัวอย่างให้ลองดาวน์โหลดมาดูคุณภาพก่อนได้ นอกเหนือจากส่วนที่เจาะจงเป็นเทคโนโลยีของไมโครซอฟต์แล้ว ยังมีส่วนที่เป็นความรู้ทั่วไปเกี่ยวกับ business intelligence ด้วย ตอนนี้มีวีดีโออยู่ 18 รายการแต่ดูท่าทางจะยังมีเพิ่มขึ้นมาเรื่อยๆ

เอารายการวีดีโอที่มีอยู่มาโชว์เรียกน้ำย่อย

  • The first video is a twelve minute introduction entitled “What is Business Intelligence?” This video covers what is meant by terms such as data warehousing and business intelligence and why companies undertake such projects.
  • The second video is a 34 minute overview of how a single data warehouse can be used to deliver business value to a wide variety of users through scorecards, dashboards, reports, analytic applications, and custom applications.
  • The third video discusses the process of data warehousing, from the initial problem definition through the creation of the cubes and delivery of the data. This video runs 19.5 minutes.
  • The fourth video is “Why Business Intelligence Projects Fail (and what you can do about it).” This covers some of the primary reasons that BI projects fail along with tips for addressing the problems. This video is 32.5 minutes in length.
  • The fifth video is “Introduction to Business Intelligence Development Studio” and covers the primary tool used to create data warehouses. This is the environment for creating SSIS packages, SSAS cubes, and SSRS reports. This video runs 15.5 minutes.
  • The sixth video is an introduction to Analysis Services. It briefly discusses the two primary purposes of Analysis Services: building cubes and building mining models. The video runs 6.5 minutes.
  • The seventh video is a SQL Server Analysis Services video called “Creating Projects and Data Sources.” The video discusses the different types of Analysis Services projects and the options for creating them. It then discusses the creation of data sources and the various settings and considerations for handling authentication and impersonation. This video runs 17 minutes.
  • The eighth video covers the topic of Data Source Views (DSVs) in Analysis Services projects. DSVs are powerful, logical views of the schema on which the cube will be built. This video covers the creation of the DSV as well as manipulating the schema. This video runs 21 minutes.
  • The ninth video discusses the Cube Wizard for Analysis Services 2005. The Cube Wizard creates cubes but can also create dimensions, and populate those dimensions with attributes and hierarchies. This video will be followed by one specific to Analysis Services 2008 because of the significant differences in the Cube Wizard between versions. This video runs 16.5 minutes.
  • The tenth video shows the Cube Wizard for Analysis Services 2008. The Cube Wizard for 2008 is greatly simplified from the one in 2005 and takes a minimalist approach to creating dimensions. This video runs 12.5 minutes.
  • The eleventh video follows up on the Cube Wizard videos. The video explains the build, deployment, and processing pieces by deploying and processing the simple cube created in the previous videos. The video then covers browsing the data to verify the cube structure. This video runs 23 minutes.
  • The twelfth video shows the creation of dimensions using the Dimension Wizards in both SSAS 2005 and SSAS 2008. After creating a dimension, the difference between a database dimension and cube dimension is explored, along with several of the attributes of a dimension. Finally, properties of the attributes are examined along with a discussion of what will follow in future videos. This video runs 42.5 minutes.
  • The thirteenth video follows up on the twelfth by adding hierarchies to the dimensions created in the previous video. There is a discussion of why hierarchies should be created, then a demonstration of how to do it. Some properties are examined to change the name of the All level of the hierarchy, as well as to hide the All level. This video runs 25 minutes.
  • The fourteenth video is “Attribute Relationships” and covers an extremely important topic in dimension design. You’ll learn why attribute relationships are so important, how to create them, and some of the challenges you might have in working with them. Demonstrations in both SSAS 2005 and SSAS 2008 are provided. This video runs 57.5 minutes.
  • The fifteenth video is “Dimension Usage” and discusses how cubes handle multiple fact tables when the facts have different dimensionality. You’ll discover why you need multiple fact tables, how dimensions can be related to measure groups, and how to handle unrelated dimensions when viewing facts. This video runs 19 minutes.
  • The sixteenth video is “Aggregation Basics in SSAS 2005″ and covers why you want to create aggregations and how to use the aggregation wizard. A discussion of the “one-third rule” is included. This video runs 24 minutes.
  • The seventeenth video is “Aggregation Basics in SSAS 2008″ and covers why you want to create aggregations and how to use the new aggregation wizard, including the Aggregation Usage page. A discussion of the “one-third rule” is included. This video runs 25 minutes.
  • The eighteenth video is “Introduction to PerformancePoint Server.” and discusses the three modules of PerformancePoint Server: Monitoring, Analytics, and Planning. It describes how the three modules fit together to form a complete solution for keeping tabs on business performance. This video runs 21 minutes.

เหตุการณ์ในชีวิตเป็นครูที่ดีที่สุดเท่าที่มนุษย์จะหาได้ เป็นบทเรียนที่มนุษย์ต้องจำ จำโดยไม่ต้องท่องเลยแม้แต่น้อย บทเรียนจากตำราเป็นเรื่องที่จะต้องท่องจึงจะจำได้ และเมื่อจำได้แล้ว เราก็ต้องพยายามทบทวนเพื่อไม่ให้ลืม แต่บทเรียนจากชีวิตเป็นเรื่องที่เราจำโดยไม่ต้องท่อง และพยายามจะให้ลืมเสีย แต่น้อยนักที่เราลืมได้ นี่คือลักษณาการแห่งบทเรียนจากชีวิต คำสั่งสอนของท่านผู้ใหญ่ส่วนมากหรือแทบทั้งหมดทีเดียว ได้มาจากบทเรียนแห่งชีวิตทั้งสิ้น จึงเป็นสิ่งที่มีคุณค่าต่อชีวิตอย่างหาประมาณมิได้

September 23rd, 2008From BI –> Think –> Decide

โดยทั่วไปเราก็เคยได้ยินกันว่า Business Intellience หรือระบบ DSS (Decision Support System) ช่วยในการตัดสินใจ ความจริงแล้วผมได้ยินมาตั้งแต่สมัยที่เรียกกันว่า MIS (Management Information System) แล้ว ผมเองก็ท่องมาตั้งเป็นสิบปีว่าระบบ BI ถ้ามีแล้ว ผู้บริหารในองค์กรจะ “ตัดสินใจ” ได้ดีขึ้น แต่จนแล้วจนรอด ก็หาข้อพิสูจน์มายืนยันความเชื่อนี้ไม่ได้ซักที กลายเป็นว่ามีปัจจัยอื่นเข้ามาเกี่ยวด้วย เพราะผู้บริหารบางคน ต่อให้มีข้อมูล มีเครื่องมือดีขนาดไหน พี่ท่านก็ยังเล่นโยนหัวโยนก้อยในการตัดสินใจอยู่ดี กลายเป็นเรื่องของแต่ละคนไป

พอได้มีโอกาสอ่านหนังสือชื่อ Teach your to think ของ Edward de Bono ถึงเริ่มเข้าใจจุดเชื่อมโยง ส่วนที่หายไปคือ “Thinking” หรือกระบวนการคิดนั่นเองครับ ผมสรุปเองได้ว่า BI ไม่ได้ช่วยตัดสินใจโดยตรง แต่ช่วยเพิ่มความสามารถในการคิด

ในขั้นตอนของการคิดพื้นฐาน มีเรื่องหนึ่งที่อธิบายไว้ในหนังสือคือ Broad/Specific vs. General/Detail ตัวอย่างที่มีในหนังสือคือ ให้ลองจินตนาการถึงเหยี่ยวสองตัว ตัวหนึ่งสายตาสั้น อีกตัวสายตาดีมากๆ มองไกลแค่ไหนก็ยังเห็นได้ชัดแจ๋ว ทีนี้เหยี่ยวนี่สามารถกินสัตว์เล็กเป็นอาหารได้หลายอย่าง กบ หนู กับกิ้งก่า เหยี่ยวสายตาดีบินอยู่ีสูงลิบๆ มองลงมาเห็นกบ ก็โฉบลงมากินกบได้สบาย ทำให้ไม่สนใจที่จะกินหนูกับกิ้งก่าเลย ส่วนเจ้าเหยี่ยวสายตาสั้น มองลงมาจะเห็นแค่อะไรเบลอๆ เป็นแค่ “สัตว์อะไรบางอย่างตัวเล็กๆ เคลื่อนไหวได้” ไม่รู้ชัดว่าเป็นอะไร ต้องโฉบลงมาก่อน ถึงจะรู้ บางทีก็เป็นกบ บางทีก็หนูหรือกิ้งก่า

คำถาม คุณคิดว่าเป็นเหยี่ยวสายตาสั้นหรือเป็นเหยี่ยวตาดี ดีกว่ากัน?

คนส่วนใหญ่อาจคิดว่าเหยี่ยวสายตาดี ย่อมดีกว่าอยู่แล้ว ไม่แน่เสมอไปนะครับ ถ้าช่วงไหน หรือพื้นที่ไหนขาดแคลนกบ เหยี่ยวตาดีก็อดเท่านั้นเอง แต่เจ้าเหยี่ยวสายตาสั้นยังสามารถกินหนูกับกิ้งก่าทดแทนได้

ในกระบวนการคิด ความสามารถในการมองภาพกว้าง จะส่งผลอย่างมากต่อความสามารถในการคิด ลองพิจารณาสองประโยคนี้ดู

  • ฉันต้องการกาวบางชนิดมาติดไม้สองชิ้นนี้เข้าด้วยกัน
  • ฉันต้องการวิธีการบางอย่างมาติดไม้สองชิ้นนี้เข้าด้วยกัน

ประโยคแรก นั่นคือเหยี่ยวตาดีครับ เฉพาะเจาะจง ลงรายละิเอียด เหมาะสำหรับ action หรือการลงมือทำ แต่ถ้าพูดถึงความสามารถในการคิด ประโยคที่สองหรือเจ้าเหยี่ยวตาฟาง จะดีกว่ามาก เพราะวิธีการบางอย่างที่ว่า ไม่จำเป็นต้องเป็นกาวเท่านั้น สกูร ยาง ตะปู อะไรก็ได้่ ความเป็นไปได้เพิ่มขึ้นอีกเยอะมาก

ทีนี้ ปัญหามันอยู่ที่ แค่ละคนมีรูปแบบวิธีการมองปัญหาเฉพาะตัว เป็น preference ของใครของมัน บางคนมองภาพกว้าง บางคนเป็นคนมองปัญหาเฉพาะเจาะจง เป็นโหมดปกติของใครของมันตามธรรมชาติ และบางคนอาจไม่รู้ตัวด้วยซ้ำ

หนึ่งในลักษณะของผู้นำทางธุรกิจคือ ความสามารถในการเปลี่ยนมุมมองให้เหมาะสมกับสถานการณ์ คือสามารถมองภาพกว้างได้ เราอาจจะเคยได้ยินวลีจำพวก “see the big picture”, “assess the landscape”, หรือ “30,000 feet view” เหมาะสำหรับการคิดแบบสร้างสรรค์ การวางแผนกลยุทธ์ และในขณะเดียวกัน ถ้าจำเป็นก็จะต้องสามารถโฉบลงมาในระดับล่างที่เจาะจงมากขึ้น วลีจำพวก “practical”, “down to earth”, “realistic” พวกนี้สะท้อนความสามารถในการคิดแบบเฉพาะเจาะจง เหมาะสำหรับงานที่มีขั้นตอนชัดเจน งานด้านปฏิบัติการ หรือการแก้ไขปัญหาเฉพาะหน้า

Business Intelligence เข้ามาช่วยตรงนี้แหละครับ ความสามารถที่เรียกว่า “Roll-up” และ “Drill-down” ช่วยให้ผู้บริหารสามารถเลือกมุมมองของข้อมูลสารสนเทศที่มีอยู่ได้ ต้องการเห็นภาพกว้าง ก็ roll-up มองภาพรวมการเติบโตของทั้งบริษัท ทุกกลุ่มสินค้า ทุกแผนก เทียบแนวโน้ม 3 ปี 5 ปีที่ผ่านมา เอา visualization มาใช้แปลงข้อมูลจำนวนมากให้ง่ายต่อการเข้าใจ นำเสนอในรูปกราฟหรือแผนภูมิ และถ้าจำเป็นก็สามารถเจาะลึกลงรายละเอียด drill-down ลงไปได้ เอาสินค้าตัวนี้ ลูกค้ารายนี้ ไตรมาสนี้เมื่อวานนี้

มุมมองทั้งสองแบบ ส่งผลต่อการตัดสินใจทั้งสิ้น เพียงแต่อยู่ในระดับที่แตกต่างกัน ถ้าเป็นการวางแผน วิเคราะห์ มักจะใช้มุมมองที่กว้าง แต่ถ้าเป็นการตัดสินใจปฎิบัติงาน มุมมองเฉพาะเจาะจง จะช่วยในการตัดสินใจได้มากกว่า

ไปอ่านบล็อกเรื่อง Automate the Wrong Sales Process And Die More Quickly แล้วสะดุดใจกับภาพนี้มาก เนื้อหาในบล็อกคุยเรื่องการ automate sales process แต่ผมคิดว่ารูปนี้ก็สื่ออะไรได้หลายอย่าง แนวความคิดเรื่องประสิทธิภาพ (efficiency) กับประสิทธิผล (effectiveness) ใครที่อ่านหนังสือจำพวก self-help หรือหนังสือหมวดบริหาร คงจะคุ้นเคยกันเป็นอย่างดี

เห็นรูปนี้ปุ๊บ ผมคิดถึงคำนี้เลยครับ “อย่าฉลาดในเรื่องโง่ๆ” การพยายาม automate หรือหาวิธีทำงานอะไรบางอย่างให้มีประสิทธิภาพสูงๆ โดยไม่ได้ดูเลยว่า “ควร” จะทำเรื่องนั้นหรือเปล่า ตัวอย่างคงมีเยอะแยะรอบๆ ตัวเราเต็มไปหมด เริ่มจากตัวเองก่อนแล้วกัน เดี๋ยวผมเองก็คงต้องกลับบ้านไปส่องกระจกดูว่า เรากำลังทำเรื่องโง่ๆ อย่างฉลาดเฉลียวอยู่หรือเปล่า :)

เมื่อประมาณ 2-3 สัปดาห์ก่อน มีการประชุมเพื่อทบทวนการทำโครงการ BI หาบทเรียน (lessons learned) เพื่อหลีกเลี่ยงความผิดพลาดแบบเดิมในอนาคต ก็มีการพูดคุยกันหลายประเด็น แต่ที่ผมจะยกมาคุยให้ฟังวันนี้คือเรื่อง Common KPI (Key Performance Indicator)

คาดว่า KPI คงไม่ใช่ศัพท์ใหม่ ใครๆ ก็พอจะเข้าใจความหมายได้ไม่ยากนัก หนึ่งในประโยชน์ของการนำระบบ Business Intelligence เข้ามาใช้ในองค์กร คือสร้างความสามารถที่จะมองเห็นค่า KPI ได้ถูกต้อง รวดเร็ว และสอดคล้องกันทั่วทั้งองค์กรมากกว่าการคำนวณ KPI ด้วย spreadsheet ธรรมดา

ความท้าทายในการนำ BI มาใช้รายงาน KPI จะเริ่มมากขึ้น เมื่อขนาดของธุรกิจและองค์กรมีขนาดใหญ่ขึ้น เกิดการแตกบริษัทลูก มีผู้บริหารของแต่ละหน่วยงาน และแต่ละหน่วยงานเริ่ม “นิยาม” KPI ตามความเข้าใจของตัวเอง ปัญหาจะแบ่งออกเป็นสองส่วนคือ

  • KPI ตัวไหนที่ควรจะนำมาใช้ในการวัดผล มีวิธีการวัดผลเยอะแยะมากมาย ไม่ว่าจะเป็น ยอดขาย อัตราการเติบโตของยอดขาย กำไร อัตราขยายตัวของกำไร กระแสเงินสด ส่วนแบ่งการตลาด ถ้ามองในแง่ขององค์กร อาจจะประกอบไปด้วย จำนวนพนักงาน อัตราการลาออก ผลสำรวจความนิยม หรือผลสำรวจความพึงพอใจของพนักงาน
    • แต่ละหน่วยงานควรจะมี KPI ไม่มากเกินไป เพราะจะเสียเวลาในการวัดผลมากกว่าเวลาสร้างธุรกิจ แต่ประเด็นสำคัญคือ KPI หลัก ควรจะมีลักษณะที่เหมือนกันในทุกหน่วยย่อยขององค์กร เพื่อให้ผู้บริหารระดับสูง (อาจจะเป็น CEO ของบริษัทในเครือ) สามารถเปรียบเทียบ “ผลงาน” ระหว่างสองบริษัทได้ โดยใช้บรรทัดฐานเดียวกัน
  • ในแต่ละ KPI นอกจากจะมีชื่อเรียกเหมือนกันแล้ว ต้องให้แน่ใจด้วยว่า “นิยาม” หรือตรรกะที่ใช้ในการคำนวณค่า KPI นั้นมีฐานเดียวกัน เพื่อให้การเปรียบเทียบ KPI ระหว่างแต่ละหน่วยงานย่อยมีความถูกต้อง
    • ยกตัวอย่างเช่น หากมีการกำหนดให้ KPI คือ อัตราการเติบโตของยอดขาย เทียบกับปีที่แล้ว แล้วบริษัทสาขาในประเทศไทย มีอัตราการเติบโต 11% เทียบกับสาขาในมาเลเซียที่มีอัตราการเติบโตที่ 25% ถ้าดูแค่นี้ก็ดูเหมือนว่าที่มาเลเซียเติบโตมากกว่า แต่ถ้าให้ข้อมูลเพิ่มเติมว่า ในปีที่ผ่านมามีการซื้อกิจการจากบริษัทอื่นเข้ามาร่วมด้วยบางส่วน แต่ประเทศไทยรายงานผลโดยแยกอัตราการเติบโตจากการซื้อกิจการ ออกไป เหลือแต่อัตราการเติบโตส่วนตัว (Organic Growth) แต่ทางมาเลเซียรวมยอดของบริษัทใหม่เข้าไปด้วย ทำให้ดูเผินๆ เหมือนจะเติบโตมากกว่า แต่ความจริงอาจไม่เป็นเช่นนั้น

แน่นอนครับว่า ถ้าในองค์กรมีจำนวน KPI มากมายเกินไป และยังแถมเปิดโอกาสให้ KPI แต่ละตัวมีวิธีการคำนวณแตกต่างกันไปตามแต่ละหน่วยธุรกิจแล้ว คนที่ปวดหัวคือคนพัฒนาระบบ BI นั่นเองครับ เพราะระบบจะไม่สามารถสร้ัางขนาดให้ใหญ่ และใช้องค์ประกอบด้วยกันได้ ต้องมีการ customize และสร้างเงื่อนไขต่างๆ มากมาย เพื่อให้รองรับความต้องการของ GM ทุกๆ คนได้หมด กลายเป็นระบบที่ช้า งุ่มง่าม และเสียค่าใช้จ่ายมากในการพัฒนาและดูแลรักษา

สิ่งที่ควรทำตั้งแต่เริ่มวางแผนก็คือ การขอความสนับสนุนจากผู้บริหารระดับสูง ให้ช่วยผลักดันให้เกิด KPI ที่ทุกหน่วยงาน “ตกลง” ว่าจะใช้ร่วมกัน และต้องมี “นิยาม” เดียวกันด้วย

สิ่งที่จะได้ นอกเหนือจากโอกาสที่ระบบ BI จะประสบความสำเร็จมากขึ้นแล้ว ประโยชน์ที่มากกว่าน่าจะอยู่ที่ตัวองค์กรเอง ที่มีตัววัดประสิทธิภาพในการทำงานที่ชัดเจน และสามารถเปรียบเทียบได้กับทุกๆ ส่วน การผลักดันความชัดเจนในการกำหนด KPI จะทำให้ผู้ับริหารต้อง “ออกแรงคิดและตัดสินใจ” จริงๆ ว่าอะไรคือสิ่งที่ต้องการในธุรกิจ

ช่วงนี้เศรษฐกิจสหรัฐกำลังระส่ำระสายหนัก จะเห็นบทความ ข้อเขียนเรื่องเกี่ยวกับการปรับตัวในช่วงวิกฤตเศรษฐกิจมากเป็นพิเศษ ในวงการไอทียังไม่เห็นผลกระทบมากนัก ส่วนหนึ่งอาจจะเป็นเพราะ สภาพการใช้จ่ายทางด้านงาน IT จะสะท้อนสภาพเศรษฐกิจตามหลังอยู่ประมาณ 1 ไตรมาส แต่ต้นปีหน้าท่าจะแย่เหมือนกัน

แน่นอนที่สภาพเศรษฐกิจโดยรวม และสภาพตลาดหุ้น จะส่งผลต่อตลาดและการเติบโตของอุตสาหกรรมด้าน Business Intelligence และ Data Warehouse แต่ส่งผลอย่างไร มากน้อยเพียงใด นาย Rick Sherman แห่ง Athena IT Solutions ก็เลยได้จัดทำ ดัชนีอุตสาหกรรมด้าน Business Intelligence/Data Warehouse (BI/DW) ขึ้น โดยอาศัยข้อมูลราคาหุ้นของบริษัทที่มีรายได้จากอุตสาหกรรม BI/DW จำนวนหนึ่งมาคำนวณเป็นดัชนี  ใครสนใจว่าดัชนีที่ว่านี้คำนวณอย่างไร เอาบริษัทไหนบ้างมาเป็นฐานการคำนวณ ก็ตามไปอ่านได้จากบล็อกของเขานะครับ

Introducing the Business Intelligence (BI) & Data Warehousing (DW) Index

BI/DW Index นี่ใช้ข้อมูลจาก Google Finance มาคำนวณไว้บน Google Spreadsheet  อัพเดตอัตโนมัติทุก 20 นาที ถึงแม้ว่าคงไม่อาจอ้างได้ว่า เป็นดัชนีที่สามารถสะท้อนสภาพอุตสหากรรม BI/DW ได้อย่างถูกต้องสมบูรณ์ แต่อย่างน้อยก็พอทำให้เห็นทิศทางได้เหมือนกัน

เว็บไซต์ SQL Server Videos ให้บริการวีดีโอฟรีเกี่ยวกับ MS SQL Server ที่น่าสนใจเพราะการจัดทำวีดีโอแต่ละตอน จะมุ่งเน้นงานอย่างใดอย่างหนึ่ง และมีการจัดหมวดหมู่ของวีดีโอไว้หลายแบบ เช่น แบ่งเป็น series แบ่งตาม skill level หรือแบ่งตาม audience เป็นต้น ใครกำลังเรียนรู้หรืออยากเพิ่มทักษะตัวเองด้าน MS SQL น่าจะได้ประโยชน์

เมื่อประมาณเดือนเมษา 2008 ทาง Information Difference ได้จัดการสำรวจบริษัทต่างๆ รวม 112 แห่ง เกี่ยวกับการนำซอฟต์แวร์ MDM (Master Data Management) ไปใช้ในองค์กรธุรกิจ โดยมีประเด็นคำถามที่สำคัญดังนี้

  • มีประโยชน์ที่ชัดเจนหรือไม่ในการที่จะนำ MDM มาใช้
  • ข้อมูลอ้างอิงในองค์กร ปัจจุบันถูกจัดเก็บอย่างไร
  • สถานการณ์ปัจจุบันของระบบงาน IT ที่เกี่ยวข้องกับข้อมูลอ้างอิง
  • ทางภาคธุรกิจต้องการสิ่งใดจากการทำ MDM
  • ระดับการ “ยอมรับและนำไปใช้” ของระบบ MDM
  • หากมีแผนจะทำ MDM ตั้งใจจะทำเอง หรือซื้อสำเร็จรูป

ในบรรดากลุ่มบริษัทที่เข้าร่วมการสำรวจทั้ง 112 บริษัท กว่าครึ่งอยู่ในอเมริกาเหนือ หนึ่งในสี่อยู่ในยุโรป (คลิ้กที่ภาพเพื่อขยาย) ครอบคลุมหลายภาคธุรกิจ

และมากกว่าครึ่งที่มีขนาดของธุรกิจมากกว่า 1 พันล้านเหรียญสหรัฐนับตามยอดขาย

ผลประโยชน์ที่จะได้รับจากการทำ MDM ซึ่งวัดโดยใช้ประมาณการต้นทุนที่เกิดจากข้อผิดพลาดในข้อมูลอ้างอิง อาทิเช่น ใบอินวอยซ์ที่ผิดพลาด การส่งสินค้าผิด หรือข้อมูลเกี่ยวกับลูกค้าหรือราคาสินค้าผิดพลาด เป็นที่น่าสังเกตว่า หนึ่งในสามของบริษัทที่สำรวจ ไม่ได้พยายามที่จะประเมินต้นทุนเหล่านั้นขึ้นมา แต่สำหรับบริษัทที่ทำการประมาณการ ก็พบได้ว่า ต้นทุนเหล่านั้้นมีสูงทีเดียว และยังมีความเป็นไปได้อีกมากที่จะยังมีต้นทุน “ซ่อนเร้น” อื่นๆ อีก

ในองค์กรส่วนใหญ่ที่สำรวจ จะมีระบบ IT ที่ซับซ้อนหลากหลาย ทั้ง ERP, CRM และ data warehouse ทำให้เกิดความซ้ำซ้อนของข้อมูลอ้างอิง หลายครั้งที่ข้อมูลอ้างอิงเดียวกัน แต่มีนิยามหรือมาตรฐานข้อมูลที่แตกต่างกันในแต่ละระบบ IT ทำให้การจัดการข้อมูลอ้างอิงเป็นปัญหาสำคัญอยู่ในแทบจะทุกองค์กร

ลักษณะอาการเหล่านี้แสดงให้เห็นว่า ระบบสารสนเทศภายในบริษัท กำลังประสบปัญหาเกี่ยวกับข้อมูลอ้างอิง อาทิเช่น

  • ไม่ทราบแน่ชัดว่าใครเป็นผู้รับผิดชอบเกี่ยวกับคุณภาพของข้อมูล
  • นักวิเคราะห์ธุรกิจ ใช้เวลาในการเปรียบเทียบและสอบทานข้อมูล มากกว่าที่จะใช้ในการวิเคราะห์ข้อมูล
  • ไม่มีใครแน่ใจได้ว่า สเปรดชีตชุดไหน มีข้อมูลที่ถูกต้องมากที่สุด

และเมื่อถูกถามว่า ถ้าให้ประเมินคุณภาพข้อมูลโดยรวมในองค์กร ว่าอยู่ในระดับใน นี่คือผลที่ได้ เกือบหนึ่งในสามบอกว่าแย่ กว่าครึ่งบอกแค่พอใช้ได้

ความต้องการขององค์กรต่างๆ ที่คาดหวังให้ระบบ MDM ช่วยจัดการให้ เรียงตามลำดับสูงสุดสามลำดับแรกคือ

  • ต้องการให้รวบรวมข้อมูลอ้างอิงจากหลายๆ ระบบเข้าไว้ด้วยกัน
  • มีการรับประกันว่าข้อมูลอ้างอิงถูกต้องและสอดคล้องกับกฎเกณฑ์ทางธุรกิจ
  • ต้องการให้สามารถทำความสะอาด แปลงสภาพและตรวจสอบความถูกต้องของข้อมูลได้

ส่วนความต้องการด้านอื่นๆ ก็มีลดหลั่นกันไป

อีกหนึ่งคำถามที่น่าสนใจคือ สถาปัตยกรรมแบบไหนที่น่าจะเป็นคำตอบสำหรับงาน MDM ระหว่างการแยกฐานข้อมูลกลางแบ่งตามประเภทของข้อมูล เช่น CDI (Customer Data Integration) หรือ PIM (Product Information Management) หรือการเลือกแพลตฟอร์มแบบเดียวที่สามารถรองรับข้อมูลอ้างอิงได้ทุกแบบ โดยส่วนใหญ่แล้ว (กว่าครึ่ง) ก็ยังไม่ทราบคำตอบ

ส่วนแผนการนำ MDM มาใช้ในองค์กร มี 25% ที่ได้ดำำเนินการด้าน MDM ไปเรียบร้อยแล้ว และว่าครึ่งที่กำลังดำเนินการอยู่ ส่วนที่เหลือโดยมากก็กำลังอยู่ในช่วงวางแผน มีเพียงแค่ 2% เท่านั้นที่ไม่มีแผนจะทำ MDM เลย

และท้ายสุด วิธีการ implement MDM เกือบครึ่งที่จะใช้วิธีซื้อระบบสำเร็จรูป

ผลสำรวจในครั้งนี้สอดคล้องกับแนวโน้มเรื่องการนำ MDM มาใช้ในองค์กร ซึ่งเป็นส่วนหนึ่งของแนวโน้มสำคัญในด้าน Business Intelligence มาตั้งแต่เมื่อปี 2007 และยังต่อเนื่องมาในปี 2008 อีกด้วย

ใครสนใจอ่านผลสำรวจฉบับเต็ม เป็น PDF ไฟล์ขนาด 20 หน้า (2MB) ก็ดาวน์โหลดได้เลยครับ


© 2007 BzInsight | iKon Wordpress Theme by Windows Vista Administration | Powered by Wordpress