BzInsight

เว็บไซต์ Oracle Management Excellence มี resource ในหลายรูปแบบ เน้นไปที่ EPM หรือ Enterprise Performance Management ซึ่งผมถือว่าเป็นการนำ business intelligence ไปใช้งานกลุ่มเฉพาะที่เน้นไปที่การเพิ่มความสามารถในการบริหาร “ผลประกอบการ” ขององค์กร

ภายในเว็บก็จะมี podcast มี presentation รวมถึงบันทึกการบรรยายทางเว็บหรือที่เรียกว่า webcast ที่เราสามารถดาวน์โหลดมาศึกษาเองได้ หรือถ้าใครสนใจ ก็สามารถสมัครเข้าฟังบรรยายสดได้ฟรี โดยลงทะเบียนผ่านทางเว็บได้เลย เนื้อหาก็ไม่ลงรายละเอียดมากนัก ไปทาง strategy, concept, case study กับ demo ความสามารถของผลิตภัณฑ์ oracle (แน่อยู่แล้ว)

ผมสังเกตว่า Oracle เริ่มปรับทิศทางด้าน BI มาชัดเจนมากขึ้น หลังจากการซื้อ Hyperion มาเมื่อปีที่แล้ัว แต่ก็ยังเห็นความเหลื่อมๆ กันอยู่บ้างระหว่างผลิตภัณฑ์ที่พัฒนามาเอง กับที่เพิ่งซื้อเข้ามา (รวมถึง Siebel Analytics/Dashboard ที่ซื้อมาก่อนหน้านี้ด้วย)

ฟัง podcast ช่างคุย ในตอนที่ 100 เรื่อง 4 wired articles แล้วให้สะดุดใจ ในเรื่องของรถไฟฟ้ากับแนวคิดการสร้างเครือข่ายพลังงานแบตเตอรี่ คุณ @hongsyok พูดไว้ประโยคหนึ่งที่ผมคิดว่าน่าสนใจมาก นั่นคือ ความพร้อมในการ ‘Commercialize’ หรือพัฒนาให้เกิดผลในเชิงพาณิชย์ได้ของนวัตกรรมใดๆ จะต้องมีองค์ประกอบสามด้านเสมอ นั่นคือความพร้อมทางด้านเทคโนโลยี ทางด้านผู้ับริโภค และทางด้านโครงสร้างพื้นฐาน แวบนั้นผมนึกไปถึงเจ้าเครื่อง Segway ซึ่งเป็นสิ่งประดิษฐืที่มีความพร้อมทางด้านเทคโนโลยี แต่อาจจะยังขาดความพร้อมทั้งทางด้านผู้ใช้ (ที่มีกำลังซื้อ) และที่แน่ๆ คือ infrastructure ไม่เอื้ออำนวย นอกเสียจากจะรื้อแล้วทำทางเดินเท้าใหม่ทั้งหมด ก็เข้าข่ายเดียวกันกับรถไฟฟ้า

กลับมาเข้าเรื่อง Business intelligence กันบ้าง ผมมองว่า ไม่ต่่างกันมากนัก การจะนำ BI เข้ามาใช้ในองค์กรให้ประสบความสำเร็จ ต้องมีองค์ประกอบสามด้านเช่นกัน ที่แตกต่างกันก็คือ ผมมองโครงสร้างพื้นฐาน (network bandwidth, computing power) เป็นส่วนหนึ่งของความพร้อมทางด้านเทคนิค ส่วนที่เพิ่มเข้ามาคือความพร้อม Client ซึ่งในที่นี้หมายถึง ผู้บริหารที่ตัดสินใจจะนำ BI เข้ามาใช้เพิ่มประสิทธิภาพการทำงานในองค์กรนั่นเอง เพราะในงาน BI คนจ่ายตังค์กับคนใช้ มักจะเป็นคนละกลุ่มกัน

บ่อยครั้งที่การตัดสินใจพัฒนา และนำระบบ BI เข้ามาใช้ มีพื้นฐานมาจากความพร้อมทางเทคนิคเพียงอย่างเดียว แต่ละเลยความสำคัญในอีกสองส่วนไป ทำ้ให้เกิดปัญหาทำ report บ้าง ทำ cube บ้างมาเยอะแยะ แล้วก็ไม่มีคนใช้ หรือไม่ก็ใช้ไปๆ ก็เลิกใช้เสียยังงั้นแหละ

ลองมาดูกันบ้างว่า คำถามประเภทไหน ที่น่าจะถามเพื่อวัดถึงความพร้อมในแต่ละด้าน อันนี้เป็นแค่ตัวอย่างนะครับ

Technical Readiness - ความพร้อมทางด้านเทคนิค

• ระบบทำงานได้ถูกต้องและแม่นยำ มีอาการ แฮงค์ ตัวเลขแปลกๆ เพี้ยนๆ บ้างหรือไม่
• ความนำเชื่อถือ หรือ reliability ของระบบ Daily updates ตอนเช้าให้รายงานล่าสุดสม่ำเสมอหรือไม่ หรือว่ารายงานออกช้าเป็นประจำ job failed วันเว้นวัน
• การสนับสนุนทางเทคนิค พร้อมหรือไม่ ใครรับสายจากผู้ใช้ ถ้ามีปัญหา call center รู้หรือไม่ว่าจะตามหาใคร

User Readiness - ความพร้อมด้านผู้ใช้

• ใช้งานระบบใหม่เป็นหรือยัง ผ่านการอบรมมาหรือไม่ รู้หรือไม่ว่าเมื่อไหร่ควรเปิดใช้ cube A แทนที่จะเป็น cube B
• ถ้ามีปัญหา ทราบหรือไม่ว่าต้องติดต่อใคร ไม่ว่าจะเป็นปัญหาเกี่ยวกับตัวระบบ หรือปัญหาเกี่ยวกับข้อมูลที่แสดงให้เห็น
• ทราบหรือไม่ว่า “ความคาดหวัง” ที่เปลี่ยนไปหลังจากใช้ระบบเป็นอย่างไร กระบวนการทำงานบางอย่างจะเปลี่ยนแปลงไปจากเดิมอย่างไรบ้าง รายงานหรือข้ือมูลบางฉบับควรจะถูกยกเลิก หลังจากที่ BI ถูกนำมาใช้

Client Readiness - ความพร้อมด้านผู้บริหาร

• พร้อมที่จะให้งบประมาณ ทรัพยากรบุคคล และการสนับสนุนเพื่อให้ระบบ BI สามารถทำงานได้สำเร็จหรือไม่
• เข้าใจถึง “ต้นทุน” ในระหว่างการติดตั้ง และในระหว่างดำเนินการหรือไม่ ไม่เฉพาะแค่รายจ่ายเป็นตัวเิงิน แต่รวมถึง TCO: Total Cost of Ownership อาิทิเช่น การเปลี่ยนแปลงกระบวนการทำงาน การควบคุมคุณภาพของข้อมูล เป็นต้น
• เข้าใจถึงวิธีการที่จะวัด “ประสิทธิภาพ” ที่เพิ่มขึ้นจากการนำ BI มาใช้งาน

DM Review ร่วมกับ WiseAnalytics จัดการสำรวจการใช้งาน Business Intelligence ในองค์กรธุรกิจขนาดกลาง โดยมีกลุ่มผู้เข้าร่วมสำรวจ (เฉพาะที่ทำแบบสอบถามผ่าน DM Review จำนวน 87 ราย แบ่งตามประเภทธุรกิจดังนี้

และกลุ่มองค์กรที่เข้าร่วมการสำรวจ แบ่งตามรายได้ ส่วนใหญ่เกือบครึ่งจะมีรายได้ไม่เกิน 100 ล้านเหรียญต่อปี แต่ที่น่าสนใจก็คือ ประมาณเกือบหนึ่งในสี่ อยู่ในองค์กรขนาดใหญ่ (ยอดขายกว่าหนึ่งพันล้านเหรียญ) ส่วนหนึ่งอาจจะเป็นเพราะ ลักษณะการใช้งานเทคโนโลยีในองค์กรขนาดใหญ่ ส่วนมากยังเป็นลักษณะเป็น Silo หรือแบ่งแยกตามแผนกอยู่ มีน้อยมากๆ ที่จะใช้งาน BI ในลักษณะทั่วทั้งองค์กร

ผู้ตอบแบบสอบถามส่วนใหญ่กว่าครึ่งยังเป็นกลุ่มที่ทำงานในแผนก IT แสดงให้เห็นว่า การนำ BI ไปใช้งานในภาคธุรกิจ ยังคงถูกผลักดันโดยฝ่ายไอทีอยู่ ผ่านทางการจัดทำระบบ data warehouse และ reporting systems ต่างๆ แม้ว่าจะมีความพยายามให้ทางฝ่าย business เป็นผู้นำทางด้านนี้ แต่ก็ยังไม่ประสบความสำเร็จมากนัก การผลักดันโดยฝ่ายไอทีเป็นหลัก จะทำให้ผู้ใช้ยังคงมองระบบ BI เป็น งานด้าน technical มากกว่าที่จะเป็นความสามารถพื้นฐานในองค์กรอย่างที่ควรจะเป็น

Business Objects, Microsoft และ Cognos เป็นสามผู้นำในตลาดองค์กรขนาดกลาง เป็นเพราะทั้งสามรายนี้ให้ความสำคัญทางการตลาดกับกลุ่มบริษัทขนาดกลาง

จากผลการสำรวจ ยังคงมีอีก 28 เปอร์เซ็นต์ที่ยังไม่ได้เริ่มลงมือนำระบบ business intelligence ไปใช้งานในองค์กร ซึ่งก็นับว่าตลาดยังสามารถขยายได้อีก และในส่วนที่ได้ลงมือทำไปแล้ว มีเพียงแค่ครึ่งเดียวเท่านั้น ที่รู้สึกได้ว่า BI สามารถตอบสนองความต้องการทางธุรกิจได้ ก็ต้องถือได้ว่า BI solution สำหรับองค์กรธุรกิจขนาดกลาง ยังไม่ประสบความสำเร็จมากนัก

และส่วนสุดท้ายคือ ปัจจัยที่จะทำให้ BI สามารถตอบสนองความต้องการได้ดียิ่งขึ้น สามเหตุผลหลักคือเรื่องราคา ที่ยังคงสูงเกินไป การใช้งานที่ง่ายขึ้น และความสามารถในการผสานเข้ากับแอพลิเคชันตัวอื่นๆ ได้ดีขึ้น

ที่มา: DM Review Midmarket Business Intelligence Survey Results

ได้รับคำถามว่าจากทีมงานที่กำลังทำ migration รายงานชุดหนึ่งไปยัง platform ใหม่ คำถามคือ ในรายงานเดิม แสดงค่าบางค่าเป็นศูนย์ (เพราะข้อมูลใน data warehouse มีค่าเป็นศูนย์) แต่ในรายงานใหม่ จะใช้เป็นค่าว่าง (NULL) แทนได้หรือไม่? นัยว่าจะมีส่วนช่วยในการเพิ่มความเร็วในการสร้างรายงาน แถมยกตัวอย่างเป็น Excel มาให้ดูด้วยว่า เป็น zero หรือเป็น null มันก็ให้ค่า MTD (ย่อมาจาก Month-to-date) หรือค่า total เท่ากัน

ผมตอบอีเมล์โดยการเพิ่มช่อง Avg. Daily เข้าไป เพื่อชี้ให้เห็นความแตกต่างระหว่างค่าว่างกับค่าศูนย์ ซึ่งถึงแม้ว่าจะดูเผินๆ แล้วไม่แตกต่างกันมากนัก แต่ในความจริงแล้ว แตกต่างกันอย่างมีนัยสำคัญทีเดียว

ความหมายในเชิงธุรกิจของค่าทั้งสองนี้ก็แตกต่างกันด้วย

• Zero : มีค่าเท่ากับศูนย์ ถ้าเป็นยอดขาย ก็หมายความว่าขายไม่ได้เลย ถ้าเป็นจำนวนสต็อกสินค้า ก็หมายความว่า สินค้าหมดแล้ว

• Null : ว่าง “ไม่มีค่า” แตกต่างจากมีค่าเป็นศูนย์นะครับ ในส่วนของยอดขาย อาจจะหมายถึง “ไม่ได้ทำการขาย” หรือขายแต่ไม่ได้จดบันทึก ถ้าเป็นสต็อกอาจจะหมายถึง “ไม่ได้นับสินค้าตัวนี้” หรือที่เห็นกันเป็นประจำก็คือ มีข้อมูลแหละ แต่ดันบังเอิญ เจ้ากรรมข้อมูลของวันนั้นส่งมาไม่ได้ ด้วยสาเหตุอะไรก็ตามที

ค่าทั้งสองจะมีลักษณะเหมือนกัน ถ้ามองจากการรวมผลโดยวิธีบวก หรือ Sum เพียงอย่างเดียว เหมือนอย่างที่เห็นในช่อง Total และ MTD ทำให้หลายๆ คนเข้าใจผิดว่าสองค่านี้มีความหมายเดียวกัน

แต่ถ้าพิจารณาถึงการคำนวณในลักษณะอื่นๆ เช่น การหาค่าเฉลี่ย การนับจำนวนจุดข้อมูล หรือการคำนวณทางสถิติอื่นๆ ทั้งสองค่ามีความแตกต่างกัน และส่งผลให้การคำนวณแตกต่างกันด้วย

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

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

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

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