ทีมงานในโครงการด้าน BI ที่ผมทำงานด้วยนี่จัดกลุ่มไว้เป็นสามกลุ่ม ตามความพร้อมแต่ละด้าน คือ ด้าน technical, user และ client ทีมงานด้านเทคนิคคือฝ่าย IT ที่ดูแลงานออกแบบและสร้างระบบ ผู้นำด้านผู้ใช้จะเป็นตัวแทนด้าน business requirements หรือการปรับเปลี่ยนกระบวนการทำงานต่างๆ (work processes) เพื่อให้การนำระบบงานเข้าไปใช้ให้เกิดประโยชน์สูงสุด ส่วนกลุ่มที่ติดต่อกับผู้บริหารก็ทำหน้าที่ผู้จัดการโครงการโดยทั่วไป คอยสื่อสารกับผู้บริการและผู้เกี่ยวข้องอื่นๆ
หนึ่งในงานชิ้นใหญ่เลยคือการเตรียมข้อมูลอ้างอิง หรือ master data ซึ่งจากที่เคยคุยให้ฟังแล้วว่า การสำรวจความพร้อมของ master data ถือเป็นเรื่องจำเป็นสำหรับการทำระบบ Business Intelligence เนื้องานกว่าครึ่งในโครงการ BI จะเกี่ยวข้องกับการจัดเตรียมข้อมูลอ้างอิง (ไม่นับรวมกับการพัฒนาระบบนะครับ)
ผมสังเกตเห็นว่า โดยมากแล้วคนในโปรเจ็คจะมองว่างานด้านข้อมูล เป็นงานเชิงเทคนิค การจัดการข้อมูล หาข้อมูลอ้างอิงที่ซ้ำซ้อนกัน เอามาทำความสะอาดแล้วก็อัพโหลดเข้าไปในระบบ เพื่อให้รายงานออกมาอ้างอิงอยู่บน master data ที่ถูกต้องครบถ้วนก็ใช้ได้แล้ว ดังนั้นเลยกลายเป็นว่า ใช้ให้คนแผนกไอทีเป็นคนทำ แล้วเลยกลายเป็นว่า master data readiness กลายเป็นหนึ่งในปัจจัยเชิงเทคนิคไปเสียได้
ทั้งๆ ที่ในความคิดของผมแล้ว ผลลัพธ์คุณภาพของข้อมูลอ้างอิง กว่า 80 เปอร์เซ็นต์เป็นเรื่องของบุคคลากรในองค์กร และกระบวนการทำงานครับ ที่เห็นประจำมีสองข้อคือ
- นิยามของข้อมูลอ้างอิงที่ไม่ชัดเจน หรือไม่สอดคล้องกัน อย่างข้อมูลเกี่ยวกับลูกค้า อาจจะมี attribute หนึ่งที่บอกว่าลูกค้ารายนี้เป็นลูกค้าชั้นดีหรือไม่ ซึ่งในแง่เทคนิคแล้วง่ายมาก ถ้าเป็นลูกค้าชั้นดี attribute top_customer มีค่าเป็น Y ถ้ามีค่าอื่นแสดงว่าไม่ใช่ลูกค้าชั้นดี ปัญหาส่วนใหญ่จะอยู่ที่ หัวหน้าแต่ละแผนก ให้นิยามของลูกค้าชั้นดีแตกต่างกัน ฝ่ายขายอาจจะดูที่ยอดขาย ในขณะที่ฝ่ายการเงินดูที่ประวัติการชำระเงิน
- ขั้นตอนการทำงานในการ CRUD (Create-Read-Update-Delete) ของข้อมูลอ้างอิง ไม่ได้มีการกำหนดไว้อย่างชัดเจน ลูกค้าอาจจะแค่เปลี่ยนชื่อบริษัท (แต่ยังเป็นลูกค้ารายเดิม) ก็กลายเป็นว่ามีการสร้าง customer id รายใหม่เข้ามาในระบบ ทั้งนี้เพราะเซลล์ซึ่งดูแลลูกค้ารายนี้ ไม่ได้แจ้งกับเจ้าหน้าที่ที่ทำหน้าที่บันทึกข้อมูล ว่าลูกค้ารายนี้มีประวัติอยู่ก่อนแล้ว
เอาแค่สองข้อนี้ ก็คงพอจะเห็นแล้วนะครับว่า ความพร้อมด้านข้อมูลอ้างอิง ไม่ได้ดูจากตัวข้อมูลเอง แต่ดูจาก “นิยาม” และ “กระบวนการจัดการข้อมูล” ที่ชัดเจนและสอดคล้องกัน ซึ่งเป็นหน้าที่ของทางฝ่ายธุรกิจ ที่จะต้องผลักดันให้เกิดความเข้าใจที่ตรงกันและมีขั้นตอนการทำงานที่เหมือนกัน ฝ่ายไอทีเพียงแต่เป็นผู้ลงมือปฎิบัติ หรือสร้างเครื่องมือช่วยให้การปฎิบัติงานสะดวกมากขึ้นเท่านั้นเอง
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
สำหรับท่านที่เคยอ่านหรือเข้าอบรม The 7 Habits of Highly Effective People คงจะจำได้ถึงหลักการเกี่ยวกับบัญชีความรู้สึก หรือ Emotional Bank Accounts ซึ่งเป็นพื้นฐานที่สำคัญในการพัฒนาความสัมพันธ์กับบุคคลรอบข้าง
บัญชีความรู้สึก เป็นแนวคิดที่เปรียบเทียบความสัมพันธ์หรือความรู้สึกระหว่างคนสองคน เหมือนกับบัญชีเงินฝากในธนาคาร ถ้าคุณมีความรู้สึกที่ดีต่อใครสักคน แสดงว่าเขาคนนั้นได้สร้างบัญชีความรู้สึกที่เป็นบวกอยู่กับคุณ สำหรับบางคนที่คุณรู้สึกไม่ดีกับเขา ก็เป็นเพราะว่าบัญชีความรู้สึกนั้นกำลังติดลบอยู่นั่นเอง
ในทางกลับกัน ทุกการกระทำของคุณที่แสดงออกต่อคนอื่น ก็จะเกิดการฝากหรือการถอนกับบัญชีความรู้สึกที่คุณมีต่อผู้ที่ติดต่อด้วย ถ้าบัญชีความรู้สึกที่คุณมีในความรู้สึกของคนอื่น มีค่าเป็นลบ เขาคนนั้นจะสูญเสียความไว้วางใจในตัวคุณ ส่งผลเสียต่อความสัมพันธ์ของทั้งสองฝ่าย
เพราะฉะนั้น คุณควรจะ “ฝาก” บัญชีความรู้สึกที่ดีต่อทุกคนสำคัญที่คุณติดต่อด้วย เพราะคุณไม่มีทางทราบได้เลยว่า อาจจะมีวันใดวันหนึ่งที่คุณอาจจะจำเป็นต้อง “ถอน” สิ่งที่ฝากออกมาใช้ก็เป็นได้
การฝาก
การกระทำเหล่านี้ที่แสดงทางด้านซ้ายมือของภาพด้านบน จะเป็นการฝากหรือสร้างบัญชีความรู้สึกที่ดี ซึ่งได้แก่ การเอื้อเฟื้อเผื่อแผ่ การรักษาสัญญา การยอมรับความคาดหวังของผู้อื่น การขอโทษอย่างจริงใจ ความนอบน้อมมีมารยาท และความซื่อสัตย์ วิธีการง่ายๆ ที่คุณสามารถตรวจสอบได้ว่า การกระทำใด เป็นการฝากความรู้สึกที่ดี ก็สามารถทำได้โดยการตรวจสอบความรู้สึกตัวเอง เมื่อมีใครซักคนทำอะไรบางอย่างกับคุณ อาจจะเป็นการแสดงความห่วงใย เอื้อเฟื้อช่วยงานบางอย่าง คุณรู้สึกดีกับคนคนนั้น ใช่ไหมครับ นั่นละครับ เขากำลังฝากความรู้สึกที่ดีให้กับคุณแล้ว คุณสามารถทำอย่างเดียวกันกับบุคคลอื่นๆ ได้ด้วย
การถอน
คือการกระทำที่ตรงกันข้ามนั่นเอง ทางด้านขวามือในภาพด้านบน การขาดน้ำใจ ผิดสัญญา ไม่สามารถทำตามความคาดหวังได้ และการหลอกลวงไม่ซื่อสัตย์ ถึงแม้ว่าโดยปกติแล้ว เราจะไม่ตั้งใจที่จะทำการใดๆ เหล่านี้ แต่บางครั้ง ความจำเป็นก็ทำให้เกิดการถอนบัญชีความรู้สึกที่ดีขึ้น อย่างหลีกเลี่ยงไม่ได้ ตัวอย่างเช่น คุณอาจจะมีความจำเป็นมากที่ไม่สามารถรักษาสัญญากับลูกว่าจะพาไปเที่ยวได้ นั่นคือการถอน แต่หากคุณมีการฝากไว้มากพอ คือในอดีตที่ผ่าน คุณรักษาสัญญากับลูกตลอด การผิดสัญญาเพียงครั้งเดียว ก็ส่งผลเสียน้อยลง เพราะเคยฝากไว้ก่อนแล้ว
ทำไมต้องฝาก “ทุกวัน”
เพราะคุณต้องติดต่อสัมพันธ์กับคนอื่นทุกวัน และโอกาสที่คุณจำเป็นจะต้องถอนบัญชีความรู้สึกกับใครซักคน ก็โอกาสเกิดขึ้นได้ตลอดเวลา ไม่รู้เมื่อไหร่ ยิ่งปริมาณความรู้สึกที่ดีคงเหลือมากเท่าไหร่ ความสัมพันธ์ที่ดี ก็ยิ่งมีมากขึ้นเท่านั้น
- บุคคลในครอบครัว: หลายคนไม่ได้ให้ความสำคัญกับความสัมพันธ์กับคนในครอบครัวมากเท่ากับที่ให้กับบุคคลภายนอก ทั้งๆ ที่คนในครอบครัวเป็นกลุ่มคนที่สำคัญที่สุดในชีวิตของแต่ละคน คุณสามารถฝากความรู้สึกที่ดีให้กับคนในครอบครัวคุณได้ง่ายๆ ทุกวัน อาทิเช่น
- ส่ง SMS บอกสามีหรือภรรยาว่าคุณคิดถึงเขาในระหว่างวัน
- กอดลูกอย่างน้อยวันละหนึ่งครั้ง
- ช่วยทำงานบ้านโดยไม่ต้องให้ร้องขอ
- กลับไปเยี่ยมพ่อแม่ ทานข้าวกับท่าน พาท่านไปเที่ยว
- เพื่อนร่วมงาน: บุคคลที่คุณร่วมงานด้วยในวันนี้ บางครั้งคุณก็ไม่สามารถคาดเดาได้ว่า จะได้มีโอกาสทำงานร่วมกับเขาอีกเมื่อไหร่ในลักษณะใด และเมื่อไหร่ที่คุณต้องการความไว้ใจและเชื่อใจจากเขา อาจจะเป็นในอีก 2-3 ปีข้างหน้าก็ได้ ที่คนที่คุณทำงานด้วยในวันนี้ กลายมาเป็นเจ้านาย หรือมาเป็นลูกน้องของคุณ การฝากความรู้สึกที่ดีให้กับทุกคนที่คุณทำงานด้วยจึงเป็นสิ่งที่ควรจะทำอย่างยิ่ง
- ทักทาย ยิ้ม และใส่ใจกับเรื่องที่เขาสนใจบ้าง นอกเหนือจากงาน
- ให้ความช่วยเหลืองานบางอย่าง ถึงแม้จะไม่ใช่หน้าที่ของคุณโดยตรง
- ให้กำลังใจ ชมเชยเมื่อมีโอกาส
- เอ่ยคำขอโทษอย่างจริงใจ ถ้าคุณรู้ว่าคุณเป็นฝ่ายผิด
ประสบการณ์ส่วนตัวผมพบว่า ความพยายามที่จะฝากความรู้สึกที่ดีให้กับคนอื่นทุกๆ วัน นอกจากจะเสริมสร้างความสัมพันธ์กับคนอื่นแล้ว ผมยังรู้สึกดีกับตัวเองอีกด้วย ทั้งๆ ที่ไม่ได้มีโอกาสทราบได้ว่า คนอื่นจะคิดหรือมีความรู้สึกกับตัวเราอย่างไร แต่อย่างน้อย ความรู้สึกที่ดีนี้ก็เพียงพอให้เราลงมือทำดีกับคนอื่นๆ รอบตัวเราแล้ว
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
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.
DM Review
