Big Data ช่วยเพิ่มคุณค่าให้ธุรกิจได้อย่างไร?

เทคโนโลยี Big Data ไม่ได้เพียงมีประโยชน์กับบริษัทเทคโนโลยีสมัยใหม่ ที่ขั้นตอนการดำเนินงานมีความเกี่ยวพันกับข้อมูลเป็นหลักเท่านั้น กิจการหลากหลายประเภท ในรูปแบบดั้งเดิม ทั้งภาคเอกชนและภาครัฐ ได้มีการนำเอาเทคโนโลยีนี้มาใช้ในหลายรูปแบบ ผู้นำหลายองค์กรที่มีวิสัยทัศน์ ได้เล็งเห็นศักยภาพในการใช้ข้อมูล เพื่อสร้างความได้เปรียบในการแข่งขัน บทความนี้จะยกตัวอย่างประโยชน์ในรูปแบบต่างๆ จากการนำ Big Data มาใช้

แนวทางในการนำ Big Data มาใช้ในธุรกิจ ยังคงสามารถตอบสนองเป้าหมายพื้นฐานของธุรกิจ ดังนี้

  • ลดต้นทุนและค่าใช้จ่าย
  • เพิ่มรายได้
  • สร้างความพึงพอใจให้ลูกค้า
  • จัดการความเสี่ยง
  • เพิ่มประสิทธิภาพการทำงาน

ลดต้นทุนและค่าใช้จ่ายด้วย Big Data Analytics

การลดต้นทุนและค่าใช้จ่าย ยังคงเป็นหนึ่งประโยชน์อันดับต้นๆ ที่ผู้บริหารจะนำมาพิจารณา ก่อนการลงทุนเปลี่ยนแปลงการทำงานใดๆ ในองค์กร โดยเฉพาะอย่างยิ่ง ในองค์กรขนาดใหญ่ ยิ่งมีความได้เปรียบในทางขนาด ผลประโยชน์จากการประหยัดเพียงเสี้ยวเล็กๆ ก็มีมูลค่ามหาศาลหากนำไปใช้เป็นจำนวนมาก

  • ลดต้นทุนในระบบจัดการและวิเคราะห์ข้อมูล ผู้นำ IT ในหลายองค์กร เลือกที่จะขยายระบบการจัดการและวิเคราะห์ข้อมูลโดยการใช้เทคโนโลยี Big Data แทนที่จะขยายในแนวทางการใช้คลังข้อมูลหรือ data warehouse แบบดั้งเดิม เพราะสามารถคืนทุนได้เร็วกว่า และสามารถรองรับการเพิ่มขึ้นของข้อมูลได้ดีกว่า

MPPvsDW_Figure1

 

  • ลดค่าใช้จ่ายเกี่ยวกับการขนส่งและการจัดการห่วงโซ่อุปทาน หน่วยงานอย่าง General Electric หรือ UPS (United Parcel Services) ต่างก็ติดตั้งเซ็นเซอร์หลากหลายรูปแบบในส่วนประกอบต่างๆ ของห่วงโซ่อุปทาน ไม่ว่าจะเป็น GPS ติดยานพาหนะ หรือเซ็นเซอร์ติดที่เครื่องยนต์ แล้วนำข้อมูล telematic ที่ได้มาวิเคราะห์หาจุดที่สามารถลดค่าใช้จ่ายได้  GE ประมาณการณ์ว่า หากลดอัตราการใช้เชื้อเพลิงเครื่องบินลงเพียง 1% จะสามารถลดค่าใช้จ่ายได้ถึง 30 พันล้านเหรียญ ในช่วงระยะเวลา 15 ปี ในขณะที่หาก UPS สามารถลดระยะทางในการขับรถของพนักงานขับรถแต่ละคนได้เพียงวันละ 1 ไมล์ จะประหยัดค่าใช้จ่ายได้ถึงปีละ 50 ล้านเหรียญ

 

เพิ่มรายได้

การนำ Big Data มาเพื่อตอบวัตถุประสงค์ในการสร้างรายได้เพิ่มในธุรกิจ ทำได้ในหลายแนวทางดังนี้

 

  • สร้างหรือแนะนำสินค้าและบริการใหม่ๆ การที่เทคโนโลยี Big Data สามารถเก็บข้อมูลการปฎิสัมพันธ์กับลูกค้าทุกครั้ง และเมื่อนำมาวิเคราะห์ ก็ทำให้หลายองค์กร สามารถพัฒนาสินค้าหรือบริการที่ตรงกับความต้องการของลูกค้าได้
    • Amazon ทำการวิเคราะห์การเข้าเว็บไซต์ของเราจนสามารถเสนอสินค้าที่คาดว่าเราจะต้องการได้ โดยไม่ก่อให้เกิดความรู้สึกรำคาญต่อผู้ใช้เลย
    • บริษัทประกันภัยรถยนต์ในอเมริกาสร้างแผนกรมธรรม์ที่มีราคาเฉพาะบุคคล โดยไม่เพียงแต่วิเคราะห์ข้อมูลกว้างๆ อย่างเพศและวัยของลูกค้า แต่ยังรวมไปถึงข้อมูลอย่างเมืองที่อยู่ ข้อมูลการเคลมในอดีต ประวัติและนิสัยในการขับขี่ด้วย
    • Netflix ผู้ให้บริการ VDO Streaming ใหญ่ที่สุดในสหรัฐ เก็บข้อมูลทุกอย่างในการรับชม ไม่ว่าจะเป็นเรื่อง เวลา สถานที่ อุปกรณ์ที่ใช้ มีการหยุด หรือกดเร่งเวลา ย้อนกลับช่วงไหนบ้างหรือไม่ Netflix นำผลการวิเคราะห์มา “ทดลองตลาด” โดยการลงทุนสร้างซีรี่ย์ “House of Cards” โดยระบุทั้งผู้แสดงนำและผู้กำกับ และมั่นใจถึงขนาดกล้าลงทุนเซ็นสัญญาสร้างมูลค่า 100 ล้านเหรียญ และเปิดให้ชมพร้อมกันทุกตอน ผลที่ได้คือ House of Cards ประสบความสำเร็จอย่างถล่มทลาย กลายเป็นอีกหนึ่งช่องทางทำเงินของ Netflix ไป

 

  • สร้างรายได้จากข้อมูล องค์กรที่สามารถเก็บข้อมูลและวิเคราะห์ข้อมูลจากลูกค้า ยังสามารถสร้างกระแสรายได้เพิ่มเติมจากการขายข้อมูลหรือ Insights เหล่านั้น  แผนภาพด้านล่าง แสดงถึงลักษณะรูปแบบการขายข้อมูล ซึ่งอาจอยู่ในลักษณะของการร่วมทุนกับพันธมิตร แบ่งปันข้อมูลกัน และสร้างสินค้าหรือบริการร่วมกัน อาจขายข้อมูลให้กับบริษัทอื่นนำไปใช้สร้างสินค้าหรือบริการ หรืออาจถึงขั้นขายข้อมูลโดยตรงเป็นบริการอย่างหนึ่งไปเลย
    • ตัวอย่างในลักษณะนี้คือการที่ Shazam ผู้ผลิตแอพ ที่ใช้ในการค้นหาเพลง ซึ่งได้ช่วยค่ายเพลงในการค้นพบกระแสเพลงนอกตลาด รวมถึงศิลปินหน้าใหม่ ที่อาจได้รับความนิยมในกลุ่มหรือในสถานที่เฉพาะ เพื่อที่ทางค่ายเพลงจะได้ติดต่อมาเป็นศิลปินในสังกัดได้ก่อน
    • กลุ่มผู้ให้บริการโทรคมนาคม ซึ่งเข้าถึงข้อมูลรายละเอียดจำนวนมหาศาลเกี่ยวกับโทรศัพท์มือถือ ได้เริ่มมีการขายข้อมูลแบบไม่เฉพาะเจาะจงให้กับกลุ่มลูกค้าที่เป็นนักการตลาด เพื่อทำการตลาดโดยใช้ mobile advertising หรือลูกค้าอีกกลุ่มคือกลุ่มที่ทำการวิจัยตลาด  เช่น การวิเคราะห์รูปแบบการเคลื่อนที่ของฝูงชนหลังกิจกรรมใหญ่ๆ เพื่อออกแบบระบบการคมนาคม

Seven-Ways-Profit-ex1_large_tcm80-155599

 

สร้างความพึงพอใจให้ลูกค้า

แนวทางหลักๆ ในการเพิ่ม customer satisfaction ทำได้โดย

  1. พยากรณ์สิ่งที่ลูกค้าต้องการ ก่อนที่ลูกค้าจะเอ่ยปาก ความพยายามที่จะ up-selling และ cross-selling  มีมานานแล้ว แต่การเหวี่ยงแหระดมส่งเมล์หรือ SMS ให้ลูกค้าแบบเดียวกันหมด จะสร้างความรำคาญอย่างแน่นอน การนำ insights จาก Big Data มาใช้ “พยากรณ์”  ความต้องการของลูกค้า  และเปลี่ยนเป็นข้อเสนอที่ดูเหมือนจะ “เดาใจ” ลูกค้าได้ดี นอกจากจะช่วยเพิ่มยอดขายแล้ว ยังทำให้ธุรกิจของคุณกลายเป็น คนรู้ใจของลูกค้าอีกด้วย
  2. สร้างประสบการณ์ที่ดีในทุกการติดต่อ ทุกการปฎิสัมพันธ์กับลูกค้า ไม่ว่าจะเป็น online บนโทรศัพท์หรือผ่านทางเจ้าหน้าที่ ต่างก็เป็นโอกาสสร้างความประทับใจ (ทั้งทางที่ดีและแย่) ทั้งสิ้น เทคโนโลยี Big Data สามารถรวบรวมข้อมูลเกี่ยวกับลูกค้าอย่างรอบด้าน และนำเสนอให้เจ้าหน้าที่ ณ เวลาที่ติดต่อกับลูกค้า การทักทายด้วยชื่อ การรู้ว่าลูกค้าเพิ่งซื้อสินค้าอะไรไป หรือกำลังประสบปัญหาอะไรอยู่ ข้อมูลเหล่านี้จะช่วยให้เจ้าหน้าที่สามารถสร้างประสบการณ์การติดต่อที่ดีกับลูกค้าได้ ไม่มีอะไรน่าหงุดหงิดไปกว่าการโทรไปคอลเซ็นเตอร์ แล้วต้องบอกหมายเลขสมาชิกและอธิบายปัญหาซ้ำแล้วซ้ำอีก ระหว่างที่เจ้าหน้าที่โยนเรื่องเราไปมาจากแผนกหนึ่งไปอีกแผนกหนึ่ง
  3. หาจุดเจ็บปวดของลูกค้า และหาทางแก้ไข ธุรกิจโดยส่วนมากมักจะพอรู้บ้าง ว่าลูกค้าประสบปัญหาอะไรบ้างกับสินค้าและบริการ (คือถ้าไม่รู้เลยนี่ แสดงว่าไม่ใส่ใจลูกค้าเลย) แต่องค์กรที่จะได้ใจลูกค้าเพิ่มอีกมาก คือหน่วยงานที่ลงทุนกับการวิเคราะห์ปัญหาเหล่านั้น และพยายามที่จะแก้ไข บรรเทา หรืออย่างน้อยก็สื่อสารกับลูกค้าว่า ปัญหาที่เขากำลังเจออยู่ กำลังได้รับการแก้ไข

ตัวอย่างบางส่วนขององค์กรที่นำ Big Data มาใช้เพิ่ม customer satisfaction

  • Southwest Airlines ใช้เทคโนโลยที่บันทึกเสียงการสนทนากับลูกค้า แปลงเป็นข้อมูลตัวอักษร และวิเคราะห์การสนทนาเหล่านั้น เพื่อนำมาใช้ในการปรับปรุงฝึกอบรมเจ้าหน้าที่ call center ในขณะเดียวกันก็ทำการวิเคราะห์ข้อมูลจากโซเชียลมีเดีย และขายข้อเสนอที่ถูกปรับแต่งมาเฉพาะบุคคล
  • Banorte ธนาคารใหญ่ที่สุดของ Mexico ใช้เทคโนโลยี Big Data  เก็บและวิเคราะห์ข้อมูลรูปแบบการทำธุรกรรมทั้งผ่านเคาน์เตอร์ ATM หรือผ่านมือถือ ของลูกค้าแต่ละราย พนักงานธนาคารที่ติดต่อกับลูกค้าจะสามารถเข้าถึงข้อมูลเหล่านั้นได้ และสามารถให้บริการหรือแนะนำผลิตภัณฑ์ ที่เหมาะสมกับลูกค้าเฉพาะรายได้

 

จัดการความเสี่ยง

การพัฒนาเทคโนโลยีการจัดเก็บและวิเคราะห์ข้อมูล ส่งผลให้งานที่เกี่ยวข้องกับการจัดการความเสี่ยง ขยายวงกว้างออกไป แต่เดิมนั้นการจัดการความเสี่ยง มักจะหมายถึง Financial Risks เป็นส่วนใหญ่ หรืออาจจะมี Regulatory Risks บ้างสำหรับบริษัทขนาดใหญ่ในตลาดหลักทรัพย์ โดยผ่านกระบวนการตรวจสอบบัญชีภายในองค์กร ซึ่งเป็นกระบวนการที่กินเวลา และใช้ทรัพยากรสูง ไม่สามารถตรวจสอบได้บ่อย และครอบคลุมได้มากนัก

จากผลสำรวจ Risk Management Study ของ IBM Institute of Business Value  พบว่าปัจจัยเสี่ยง 3 อันดับแรกที่ถึงกับทำให้ผู้บริหารนอนไม่หลับได้แก่ เสถียรภาพของตลาด การเปลี่ยนแปลงในความต้องการและช่องทางการเข้าถึงลูกค้า และความเสี่ยงด้านผลกระทบจากการดำเนินงาน

ความสามารถในการเข้าถึงและวิเคราะห์ข้อมูลภายนอกองค์กร ร่วมกับข้อมูลลูกค้า ทำให้องค์กรต่างๆ มีความคล่องตัวมากขึ้น สามารถประเมินความเสี่ยงของตลาดและการเปลี่ยนแปลงของกลุ่มลูกค้าได้เร็วและถี่กว่าเดิม

ibm_risk_factor_big_data

 

การใช้งานระบบ IT กับกิจกรรมต่างๆ ภายในองค์กร ส่งผลให้เกิดการบันทึกข้อมูลกิจกรรมที่เกิดขึ้นตลอดเวลา เมื่อนำมาใช้งานร่วมกับการวิเคราะห์แบบ Forensic Data Analysis ส่งผลให้กระบวนการประเมินและจัดการความเสี่ยงขยายขอบเขตมาครอบคลุมขึ้นขั้นปฎิบัติการหรือ Operational Risks ได้ด้วย

  • ตรวจสอบและป้องกันการทุจริต Fraud Detection และFraud Avoidance มีการนำ Forensic Data Analysis มาใช้ในการวิเคราะห์หาหลักฐานที่อาจเกี่ยวพันกับการทุจริตหรือการติดสินบนในองค์กร เช่น การเบิกค่าใช้จ่ายในลักษณะผิดปกติ หรือมีคำอธิบายที่คลุมเครือในรายงานค่าใช้จ่าย การใช้ซอฟต์แวร์วิเคราะห์ภาษาวิเคราะห์ข้อมูลทั้งหมด จะให้ผลลัพธ์ที่ดีกว่า การให้ฝ่ายตรวจสอบภายในมาสุ่มตรวจรายงานแค่ปีละครั้ง
  • สร้างสมดุลระหว่างการควบคุมความเสี่ยงกับการสร้างโอกาสในธุรกิจ ความเสี่ยงกับโอกาสเป็นของคู่กัน โอกาสได้ผลตอบแทนสูงมักจะมาคู่กับความเสี่ยงที่สูงขึ้นเสมอ การใช้เทคโนโลยี Big Data มาสร้างโมเดลที่คำนวณปัจจัยเสี่ยงหลายๆ ข้อเข้าด้วยกัน ผนวกกับข้อมูลที่มีจำนวนมากกว่า และทำได้ในเวลาที่สั้น ช่วยสร้างความสามารถขององค์กรในการประเมินความเสี่ยงในหลายๆ เรื่องเช่น การตัดสินใจอนุมัติวงเงินเครดิตให้ลูกค้ารายใหม่ หรือการตัดสินใจทำสัญญาซื้อขายระยะยาวกับซัพพลายเออร์ แทนที่จะพึ่งกับวิจารณญาณของผู้อนุมัติเพียงอย่างเดียว

 

เพิ่มประสิทธิภาพในการทำงาน

ประสิทธิภาพในการทำงาน หรือ Productivity ขององค์กร กล่าวอย่างง่ายๆ ก็คืออัตราส่วนรายได้ต่อจำนวนพนักงานนั่นเอง บริษัทสองแห่งที่มียอดขายพอๆ กัน หน่วยงานที่ใช้บุคลากรน้อยกว่า ก็เท่ากับว่ามีประสิทธิภาพสูงกว่า

 

HBR (Harvard Business Review) สำรวจการใช้เวลาในแต่ละวันของกลุ่มคนที่เรียกว่า Knowledge Worker และพบว่า พวกเขาใช้เวลาประมาณหนึ่งในสามของวัน ทำงานน่าเบื่อที่ต้องนั่งทำที่โต๊ะ และน่าจะสามารถโอนให้คนอื่นทำได้ เราคงเคยเห็นเจ้าหน้าที่ในองค์กรต่างๆ ที่ต้องใช้เวลาส่วนใหญ่หมดไปกับการค้นหา รวบรวม คัดแยก จัดหมวดหมู่ ทำซ้ำ หรือตรวจสอบข้อมูล แทนที่จะใช้เวลาเหล่านั้นในการ วิเคราะห์และตัดสินใจจากข้อมูลเหล่านั้น

 

เทคโนโลยี Big Data สามารถช่วยเพิ่มประสิทธิภาพในการทำงานสำหรับ Knowledge Worker ได้ โดยการย้ายหน้าที่ในการจัดการข้อมูลไปให้ระบบคอมพิวเตอร์ทำ แทนที่จะให้ระบบนำเสนอเพียงแค่ “ข้อมูล” หรือ “รายงาน” การใช้ Big Data ร่วมกับความสามารถในการวิเคราะห์ข้อมูล ผลลัพธ์ที่ได้จึงควรจะเป็น Insights หรือ คำแนะนำในการตัดสินใจทำอะไรบางอย่าง

ในขณะที่ระบบสารสนเทศทั่วไปอาจส่งรายงานยอดขายของสินค้า 100-200 รายการ แล้วปล่อยให้ผู้ใช้มานั่งเลือกดูเองว่าจะต้องทำอะไรบ้างกับสินค้าตัวไหน แต่ถ้าเราใช้เครื่องมือที่เหมาะสมร่วมกับการวิเคราะห์ที่ถูกต้อง การนำเสนอจะเป็นว่า นี่คือสินค้า 3 อย่างที่ขายดีกว่าที่เตรียมการไว้ ควรสั่งผลิตหรือสั่งซื้อเพิ่ม และนี่คือสินค้า 2 อย่างที่ขายได้ช้ากว่าที่คาด อาจจะจำเป็นต้องจัดโปรโมชั่นกระตุ้นยอดขายเฉพาะรายการนั้นเป็นต้น

 

R1309K_A_LG R1309K_B_LG

 

การใช้เทคโนโลยีสารสนเทศจะทำให้พนักงานใช้เวลาได้มากขึ้นกับการ คิด ตัดสินใจ และลงมือทำ ซึ่งจะช่วยให้ประสิทธิภาพการทำงานโดยรวมขององค์กรเพิ่มสูงขึ้น

สรุป

เทคโนโลยี Big Data สามารถตอบสนองเป้าหมายพื้นฐานทางธุรกิจได้อย่างหลากหลาย ไม่เพียงแต่เฉพาะกับบริษัททางเทคโนโลยีหน้าใหม่เท่านั้น แต่กิจการทั่วไปก็สามารถใช้ประโยชน์จากเทคโนโลยีนี้ได้เช่นกัน

 

Leave a Reply

Your email address will not be published. Required fields are marked *