Data Product สร้างรายได้จากข้อมูลได้อย่างไร [From 2nd DE Talk]


Data engineer
DE Talk ครั้งที่ 2: Data as a Product

ในการจัดเสวนาพูดคุยครั้งที่ 2 ของกลุ่ม Data Engineer Thailand นำโดยคุณปอผู้ก่อตั้งกลุ่ม ร่วมกับอาจารย์อเล็กซ์ อาจารย์ประจำสาขาวิชาการจัดการวิเคราะห์ข้อมูลและเทคโนโลยีข้อมูล คณะสถิติประยุกต์ (MADT NIDA) และเจ้าของช่อง Alex About Data ทั้งสองท่านจะมาแบ่งปันมุมมองจากสองมุมมองทั้งด้านนักบริหาร (Management Perspective) และด้านนักพัฒนา (Technical Perspective) ที่มักจะเกิดปัญหาขัดแย้งกันในการทำงาน


ซึ่งทั้งคุณปอและอาจารย์อเล็กซ์จะมาถ่ายทอดประสบการณ์ในการรับมือกับการพัฒนาสินค้าและบริการจากข้อมูลที่ธุรกิจมีรวบรวมเก็บเอาไว้ โดยหวังว่าสักวันจะมีมูลค่าขึ้นมา ซึ่งในความเป็นจริงแล้วการเก็บข้อมูลไว้เพียงอย่างเดียวอย่างไม่ได้สร้างมูลค่าเพิ่มเติมให้กับบริษัทได้เลย ถ้าไม่รู้จักการจัดการบริหารโครงสร้างพื้นฐานให้รองรับกับกลยุทธและเป้าหมายของธุรกิจ


ไม่มีข้อมูลที่เป็นประโยชน์ ไม่มีการนำข้อมูลมาใช้ ไม่มีการแบ่งปันข้อมูลภายในองค์กร เป็นปัญหาใหญ่ที่จะฉุดไม่ให้สามารถสรา้งกำไรจากข้อมูลได้


Data Product คืออะไร


Data Product คือการนำข้อมูลที่เปรียบเป็นวัถุดิบเข้าผ่านกระบวนการผลิตเพื่อนำเสนอออกมาเป็นสินค้าและบริการให้กับผู้บริโภคหรือธุรกิจอื่นๆ โดยสินค้าและบริการทางด้านข้อมูลเหล่านี้จะสามารถช่วยตอบสนองความต้องการในด้านต่างๆได้ อย่างเช่นการนำข้อมูลการออกกำลังกายของผู้ใช้มานำเสนอผ่านแอปพลิเคชั่น ทำให้ผู้ใช้นั้นสามารถเห็นภาพรวมการออกกำลังกายของตนเองได้ ซึ่งประเภทการแบ่ง Data Product นั้นสามารถแบ่งตามความซับซ้อนออกมาได้ดังนี้ (อ้างอิงจาก Designing Data Products)

  1. Raw data เป็นการนำเอาข้อมูลดิบที่เก็บมาไปเป็นสินค้าและบริการให้ผู้ซื้อไปจัดการพัฒนา

  2. Derived data การนำเอาข้อมูลมาจัดการให้เรียบร้อย และเพิ่มมูลค่าตามประเภทข้อมูล

  3. Algorithms เป็นการสร้างอัลกอริทึมที่ช่วยในสร้างอินไซต์ใหม่ๆ จากข้อมูลที่มีอยู่

  4. Decision support เป็นการนำเสนอที่ช่วยในการเปลี่ยนกลยุทธได้อย่างการทำแดชบอร์ด

  5. Automated decision-making เป็นการสร้างคำแนะนำหรือตัดสินใจด้วยโปรแกรมเอง


Data Product Matrix
Data Product Matrix จากบทความ Designing Data Products

Management Perspective


Data Product Dimensions
Data Product Dimensions

Data Product Dimension เป็นมุมมองที่จะช่วยให้ทางทีมบริหารสามารถจัดการ Data Product ได้อย่างรอบคอบทุกมิติ เพื่อที่จะสามารถตอบโจทย์การพัฒนาได้อย่างมีประสิทธิภาพให้เหมาะกับผู้ใช้สินค้าและบริการไม่ว่าจะเป็นภายในบริษัทหรือภายนอกบริษัท

  1. Consumer Persona พิจารณาถึงมุมมองของผู้ใช้งานรวมถึงความต้องการ

  2. Creator Persona พิจารณาถึงผู้พัฒนาที่มีหน้าที่ในการจัดการข้อมูล

  3. Owner Persona พิจารณาถึงผู้ที่เป็นเจ้าของข้อมูลที่มีสิทธิ์ในการเข้าถึง

  4. Quality Measures พิจารณาถึงความแม่นยำ ความถูกต้องของสินค้าและบริการ

  5. Time Measures พิจารณาเวลาถึงความใหม่ของข้อมูล รวมถึงเวลาในการคำนวณ

  6. Source Elements พิจารณาถึงแหล่งที่มาของข้อมูลเพื่อบูรณาการให้เข้ากัน

  7. Transformation logic พิจารณาถึงการวิเคราะห์ คำนวณข้อมูลที่เข้าใจได้ง่าย

  8. Exposed Features พิจารณาถึงการออกแบบฟีเจอร์ที่สามารถใช้งานได้

  9. Journey Touch Points พิจารณาการนำไปใช้งานจริงของทุกฝ่าย

หรืออีกการวิเคราะห์สุดคลาสสิคที่สามารถนำมาประกอบการพัฒนา Data Product ได้คือ Porter's five force ที่จะต้องคำนึงถึงอำนาจการต่อรองของซัพพลายเออร์ อำนวจการต่อรองของผูัซื้อ คู่แข่งที่มีอยู่ในตลาด สินค้าและบริการที่สามารถมาทดแทนได้ และอันตรายจากผู้เล่นหน้าใหม่ในตลาด จะเห็นได้ว่ามุมมองทางบริหารก็มีส่วนสำคัญในการพัฒนากลยุทธการใช้งานข้อมูลเพื่อตอบโจทย์ธุรกิจ


ทั้งนี้การพัฒนา Data Product ขึ้นมานั้นมีความเกี่ยวข้องกับ Data Governance ในการดูแลทางมุมมองของฝ่ายบริหารต้องเข้าใจว่าไม่ใช่เป็นหน้าที่ของ Data Engineer เพียงผู้เดียวที่จะต้องรับผิดชอบการพัฒนา Data Product ทั้งหมด การทำความเข้าใจถึงระเบียบที่เกี่ยวข้องกับข้อมูลทั้งฝ่ายที่เป็นเจ้าของข้อมูลจะมีความเข้าใจในรายละเอียดของข้อมูลและความต้องการนำข้อมูลไปใช้ประโยชน์มากที่สุด ดั่งนั้นการพัฒนาสินค้าและบริการจากข้อมูลนั้นฝ่ายบริหารควรเข้ามามีส่วนร่วมในการพัฒนาอย่างจริงจัง

Technical Perspective

ในมุมมองของทางด้าน Data Engineer นั้นพวกเขามีหน้าที่ออกแบบกระบวนการผลิตให้เป็นไปตามความต้องการของกลยุทธของบริษัท ซึ่งกระบวนการผลิตนั้นต้องสามารถรองรับการผลิต Data Product ที่หลากหลายของบริษัทได้ รวมถึงวางแผนให้สอดคล้องกับกลยุทธในอนาคตของบริษัทในการรองรับการสร้างสินค้าและบริการใหม่จากข้อมูลได้


Data Manufacturing Pipeline
Data Manufacturing Pipeline

Baseline Usability Attribute of a Data Product

  1. Value ต้องเป็นสินค้าและบริการที่มีคุณค่าและมูลค่ามากพอที่จะเข้ากระบวนการผลิต

  2. Discoverable ทำให้สามารถมาดูค้นหาเพื่อค้นคว้าได้ง่ายไม่ทำข้อมูลซ้ำซ้อนกันไปมา

  3. Addressable การเข้าถึงข้อมูลที่เหมาะสมกับการใช้งานของแต่ละฝ่าย

  4. Understandable การเขียนโครงสร้างต้องมีมาตรฐานทำให้คนทำงานต่อได้ง่ายเป็นระบบ

  5. Interoperable ข้อมูลสามารถเชื่อมต่อกันได้เป็นมาตรฐานเดียว

  6. Secure ความปลอดภัยให้สอดคล้องกับกฏหมายและระเบียบภายในองค์กร

  7. Trustworthy ข้อมูลที่เรานำมาใช้นั้นมันน่าเชื่อถือมากแค่ไหน เอามาสร้างแล้วมันเป็นคุณค่าที่น่าเชื่อถือได้ไหม ถ้านำข้อมูลที่ไม่ดีเข้ามาผลลัพธ์ที่ออกมาก็ไม่ดี


Data Quality คือหัวใจสำคัญ


3 ข้อสำคัญที่ควรคำนึงถึงเพื่อควบคุมคุณภาพของข้อมูลให้ Data Product คือ 1. Timeliness ข้อมูลมีการอัพเดตใหม่อยู่สม่ำเสมอ 2. Completeness ข้อมูลมีความสมบูรณ์ในการจัดเก็บที่การดำเนินการให้ข้อมูลพร้อมใช้งาน 3. Accuracy ข้อมูลที่จัดเก็บที่มีความแม่นยำและถูกต้อง การเขียนสคริปเพื่อควบคุมคุณภาพนั้นสามารถช่วยให้ข้อมูลนั้นมีความน่าเชื่อถือมากขึ้น และสามารถให้แต่ละฝ่ายสามารถนำไปใช้ต่อได้อย่างง่ายได้


 

การทำงานระหว่างสองมุมมองนั้นคือ การตอบโจทย์เป้าหมายธุรกิจ


จะเห็นได้ว่าทั้งสองมุมมองทั้งด้านนักบริหาร (Management Perspective) และด้านนักพัฒนา (Technical Perspective) ต่างต้องคำนึงถึงการทำงานต่อเนื่องกันได้อย่างไม่สะดุด ดังนั้นการพัฒนากระบวนการผลิตร่วมกันจะทำให้ Data Engineer เห็นภาพชัดเจนถึงผลลัพธ์ที่ทางฝ่ายบริหารต้องการ ในขณะเดียวกันทางฝ่ายบริหารก็จะเข้าใจกระบวนการผลิตข้อมูลมากขึ้น เพื่อที่จะสามารถออกแบบผลิตภัณฑ์ทางด้านข้อมูลใหม่ๆได้ในอนาคตให้เหมาะสมกับโครงสร้างการผลิตที่มีอยู่ เพื่อเป็นการลดต้นทุนและสร้างกำไรจากทรัพย์สินของบริษัทให้มีประสิทธิภาพมากที่สุด


การจะฝึกให้เข้าใจถึงมุมมองทางด้านบริหารและมุมมองทางด้านนักพัฒนานั้นต้องอาศัยประสบการณ์ในการทำงานร่วมกันมานานหลากหลายปี อาจจะต้องเรียนรู้จากปัญหาและความผิดพลาดที่เกิดขึ้น แต่การเตรียมตัวรับมือกับปัญหาเหล่านั้นสามารถทำได้ด้วยการเรียนรู้ในการรับมือ โดยที่การจัดการสาขาวิชาการจัดการวิเคราะห์ข้อมูลและเทคโนโลยีข้อมูล (Management of Analytics and Data Technologies: MADT NIDA) จะสอนให้เข้าใจถึงมุมมองทั้งบริหาร ทั้งมุมมมองการใช้เทคโนโลยีการจัดการข้อมูลใหม่ๆ รวมถึงการเปลี่ยนถ่ายองค์กรไปสู่องค์กรที่ขับเคลื่อนด้วยข้อมูล

หากใครสนใจสามารถเข้าไปดูข้อมูลหลักสูตเพิ่มเติมได้ในเว็บไซต์ของคณะสถิติประยุกต์ หรือข้อมูลเพิ่มเติมจากเพจ MADT - Management of Analytics and Data Technologies


ส่วนใครที่สนใจอัพเดตความรู้ใหม่ๆทางด้าน Data Engineering ก็สามารถเข้าไปร่วมกลุ่ม กลุ่ม Data Engineer Thailand ได้ เป็นกลุ่มที่มีผู้ที่สนใจด้าน Data Engineer มากมายอยู่ในนั้นเลยทีเดียวและครั้งหน้า DE Talk จะเป็นประเด็นอะไร จะจัดขึ้นช่วงเวลาไหนสามารถเข้าไปออกความคิดเห็นได้ในกลุ่มเช่นกัน


แล้วอย่าลืมไปกดติดตามเพจ Devvertory ด้วยนะครับ

ดู 885 ครั้ง0 ความคิดเห็น

โพสต์ล่าสุด

ดูทั้งหมด