ปัจจัยที่ทำให้โครงการ Data Analytics ประสบความสำเร็จ
Success Factors of Analytic Project
จากรายงานของ Gartner พบว่า โครงการ Data Analytics ส่วนใหญ่ไม่ประสบความสำเร็จ โดยเหตุผลส่วนใหญ่ คือ Model ที่ได้รับการพัฒนานั้นไม่สามารถนำไปใช้งานได้จริงและไม่ตอบโจทย์ทางธุรกิจ
ตัวอย่าง Case ที่น่าสนใจ คือ Algorithm ของ Netflix ที่มีมูลค่ากว่า 1 ล้านดอลลาร์สหรัฐที่ไม่สามารถนำไปขึ้นระบบและใช้งานได้จริง เนื่องจากในขั้นตอนการพัฒนาไม่ได้มีการวิเคราะห์รายละเอียดเรื่องระบบการประมวลผล เป็นต้น
ดังนั้นการทำโครงการ Data Analytics จึงจำเป็นต้องมีการวางแผนที่ดี โดยมีปัจจัยแห่งความสำเร็จ ดังต่อไปนี้
1. ทีมงาน
ทีมงานที่ต้องมีความเชี่ยวชาญและเข้าใจเนื้องานจริงๆ ซึ่งคำว่า "ทีมงาน" ในที่นี้ หมายถึง คนแต่ละคนที่มีหน้าที่แตกต่างกันมาร่วมตัวกันเพื่อดำเนินโครงการใดโครงการหนึ่ง
หลายองค์กรเชื่อว่าโครงการ Data Analytics เป็นหน้าที่ของ Data Scientist เท่านั้น ซึ่งเป็นความเชื่อที่ผิดเพราะ Data Scientist มีหน้าที่สร้าง Model แต่จะมีจุดอ่อนด้านการบริหารข้อมูลและ Business Domain ในเรื่องนั้นๆ
อย่างไรก็ตาม Data Scientist ที่ไม่มีประสบการณ์ มักจะคิดว่าตัวเองสามารถทำงานได้ครอบคลุมทั้งหมดเพราะยังขาดประสบการณ์ในการทำงานจริง
หากเปรียบเทียบกับการผ่าตัด ที่ต้องมีแพทย์ผ่าตัดผู้เชี่ยวชาญ วิสัญญีแพทย์ พยาบาล เภสัชกร และผู้ที่เกี่ยวข้องอีกหลายส่วน ไม่ต่างกันกับโครงการ Data Analytics ที่จำเป็นต้องมีผู้เชี่ยวชาญในหน้าที่ที่หลากหลายด้วยเช่นกันเพื่อให้โครงการดำเนินการได้อย่างประสบความสำเร็จ
2. ข้อมูลที่มีการบริหารจัดการที่ดี
ความพร้อมของข้อมูล เป็นส่วนที่สำคัญที่สุด เพราะข้อมูลถือเป็นทรัพยากร เพื่อใช้วิเคราะห์ หรือสร้าง Model
หลายโครงการกำลังเผชิญหน้ากับปัญหาข้อมูลไม่มีคุณภาพด้วยเหตุผลที่ว่า ข้อมูลมีขนาดใหญ่ และถูกจัดเก็บไว้เป็นเวลานาน ทำให้เมื่อนำข้อมูลจากแหล่งต่างๆ มาเชื่อมโยงและใช้งานจึงพบอุปสรรคเรื่องความครบถ้วนและคุณภาพของข้อมูล
ทั้งนี้โครงการ Data Analytics ที่ประสบความสำเร็จ มักเกิดขึ้นหลังจากการบริหารข้อมูลหรือมี Data Management ที่ดีเสียก่อน
3. โจทย์และความต้องการที่ชัดเจน
หลายโครงการเกิดขึ้นโดยไม่มีโจทย์แต่เป็นความต้องการที่จะทำโครงการ เช่น ดูสิว่ามีข้อมูลอะไรบ้าง ทำอะไรได้บ้างหรืออยากทำโครงการ Big Data อะไรก็ได้ที่เป็น Big Data เป็นต้น ทำให้สุดท้ายแล้วโครงการ Data Analytics ส่วนใหญ่ เป็นงานวิจัยที่ไม่ได้นำมาใช้งานได้จริง ซึ่งนอกจากจะเป็นการเสียเวลาแล้วยังเป็นการลงทุนที่ฟุ่มเฟือยอีกด้วย
ความเป็นจริงแล้วโครงการ Data Analytics ควรเกิดขึ้นจากโจทย์และปัญหาที่ต้องแก้ไข เช่น ต้องการวิเคราะห์การบริหารคลังสินค้า เพราะมีปัญหาสินค้าค้างเหลือจำนวนมาก ต้องการวิเคราะห์วิธีการจัดสรรงานเพราะทุกวันนี้ใช้การตัดสินใจหน้างานทำให้ล่าช้า เป็นต้น
4. ระบบที่เหมาะสม
การสร้าง Model บางประเภทจำเป็นต้องใช้ทรัพยากรคอมพิวเตอร์ใน Spec ที่สูง โดยเฉพาะเมื่อจำเป็นต้องใช้ข้อมูลขนาดใหญ่เป็นข้อมูลต้นแบบ ปัญหานี้ เป็นปัญหาสำหรับองค์กรที่มิได้มีนโยบายในการลงทุนด้าน Infrastructure และการ Update เทคโนโลยี ทำให้การวิเคราะห์ข้อมูลถูกจำกัดในรูปแบบเดิมๆ
สุดท้ายนี้ การวางแผนสำหรับโครงการ Data Analytics ที่ดี ควรมีการวิเคราะห์ Return of Investment เพื่อประเมินความคุ้มค่าของโครงการที่ชัดเจนเพื่อเป็นเป้าหมายและตัวชี้วัดของโครงการเปรียบเสมือนเป็น KPI ของทีมงานที่ต้องทำให้เป็นผลสำเร็จ แต่หากโครงการนั้นไม่สามารถให้ ROI ออกมาได้ก็แสดงว่าการดำเนินโครงการ Data Analytics อาจจะกำลังหลงทางก็เป็นได้
#BigData #DataAnalytics #Analytics #โครงการData #DigitalTransformation #MachineLearning #ArtificialIntelligence #DataManagement #DataQuality #DeepLearning #Coraline
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
