​ดร.รัชพร วงศาโรจน์

Big Data หนึ่งในคำที่ถูกกล่าวถึงเป็นอย่างมากในสังคมยุคเศรษฐกิจดิจิทัล (Digital Economy) จึงมีคำถามเกิดขึ้นอยู่บ่อยครั้งว่า Big Data คืออะไร และทำไมเราต้องสนใจ บทความนี้จะพยายามตอบคำถามเหล่านี้ทั้งยัง นำเสนอแนวโน้มการประยุกต์ใช้ Big Data ในปัจจุบัน รวมทั้งในส่วน ที่เกี่ยวข้องกับงำนของธนาคารกลางและความท้าทายในการจัดการ Big Data ที่เราต้องเผชิญในระยะข้างหน้า จากนิยามทั่วไป Big Data คือ การวิเคราะห์ข้อมูล ที่มีลักษณะสำคัญ 4 ข้อ หรือ ที่เรียกย่อๆ ว่า 4Vs (Volume– Velocity-Variety-Veracity) คือ ข้อมูลที่มีปริมาณมากเกินกว่าที่ระบบจะรองรับได้ (Volume) ซึ่งข้อมูลนั้นมีอัตราการเปลี่ยนแปลงแบบ Real-time (Velocity) มีรูปแบบข้อมูลที่หลากหลาย (Variety) และเป็นข้อมูลที่มีความคลุมเครือ (Veracity) (รูป 1) ซึ่งเกิดจากการที่ข้อมูลได้มาจากหลายช่องทาง เช่น Google Facebook Twitter Line Youtube เป็นต้น แต่ Big Data จะมีคุณค่าก็ต่อเมื่อนำข้อมูลนั้นมาวิเคราะห์เพื่อดึงข้อมูลเชิงลึก (Insights) มาใช้ให้เป็นประโยชน์

ในปัจจุบันมีการนำ Big Data มาประยุกต์ใช้กันอย่างกว้างขวางเพื่อช่วยสนับสนุนการดำเนินงาน ของหลายภาคส่วนเศรษฐกิจ เช่น ด้านการเกษตร มีการใช้ Geographical Information System (GIS)
ช่วยพยากรณ์ผลผลิตในภาคการเกษตร การใช้ปัจจัย การผลิตทั้งปุ๋ยและน้ำ รวมทั้งระบบชลประทาน เพื่อเพิ่มผลิตภาพการเกษตร รวมทั้งสามารถวางแผนการกระจายสินค้าได้อย่างมีประสิทธิภาพ ด้านสาธารณสุข ช่วยสนับสนุนการวินิจฉัยโรคของบุคลากรทางการแพทย์ รวมทั้งการคาดการณ์โรคของคนไข้จากผลการตรวจทำให้สามารถวางแผนการรักษาได้เร็วขึ้น นอกจากนี้ ยังเป็นข้อมูลพื้นฐานสำคัญต่อการเติบโตของธุรกิจประกันสุขภาพ (Health Insurance) และ ด้านโทรคมนาคม มีการใช้ GPS Tracking System มาใช้เป็นเครื่องมือติด ตามตำแหน่งและพฤติกรรมของลูกค้า เพื่อนำมาวิเคราะห์และนำมาสร้างเป็น Profile ของลูกค้าเพื่อสร้าง นโยบายการตลาดที่ตอบสนองความต้องการได้ดีขึ้น

การวิเคราะห์ข้อมูลแบบ Big Data ซึ่งมีขนาดใหญ่และความซับซ้อนมาก ทำให้ผลลัพธ์ของ รูปแบบที่เกิดขึ้น (Pattern Recognitions) อาจมีทั้งแบบในกรอบที่กำหนดไว้ และนอกกรอบที่คาดไม่ถึง ซึ่งแนวโน้มการประยุกต์ใช้ Big Data สรุปได้ 4 แนวทางดังนี้ (รูป 2)

1. การคาดการณ์จากข้อมูลปัจจุบัน (Nowcasting) จากวิธีการเดิม เราใช้ข้อมูลในอดีตมาทำนายสิ่งที่จะเกิดขึ้นในอนาคต (Forecasting) แต่การวิเคราะห์ข้อมูลแบบ Big Data จะเปลี่ยนเป็นการใช้ข้อมูลปัจจุบันหรือข้อมูลเร็วแทน ทำให้สามารถคาดการณ์ได้เร็วขึ้น

2. การคาดการณ์จากพฤติกรรมการค้นหา (Search Behavior) โดยใช้ข้อมูลจากคำที่มีการ ค้นหาในอินเตอร์เน็ตในแต่ละช่วงเวลามาวิเคราะห์ที่สะท้อนพฤติกรรมแท้จริงของผู้บริโภค เพื่อเพิ่มความ ได้เปรียบในการแข่งขันและเพิ่มประสิทธิภาพในการวางแผน

3. การคาดการณ์จากข้อมูลเชิงลึก (Information Insights) เกิดจากการใช้เทคโนโลยี การวิเคราะห์ข้อมูลขนาดใหญ่ เพื่อหาความสัมพันธ์ และความเชื่อมโยงของข้อมูล ทำให้ทราบข้อมูลเชิงลึก ในแต่ละภาคส่วนเศรษฐกิจ

4. การคาดการณ์จากการทุจริต (Fraud Detection/Prevention) เป็นการต่อยอดผลลัพธ์ที่ได้จากความสัมพันธ์ข้อมูลเชิงลึก โดยสังเกตพฤติกรรมการเดินทางของข้อมูล ทำให้ตรวจสอบความผิดปกติ ที่เกิดขึ้น และหาวิธีการป้องกันได้ทันเวลา

หากถามว่าแล้ว Big Data เกี่ยวข้องกับธนาคารกลางอย่างไร จากบทบาทธนาคารกลางในการดำเนินนโยบายการเงินและสถาบันการเงิน รวมทั้งระบบการชำระเงินให้มีเสถียรภาพ การนำ Big Data มาใช้จะช่วยเสริมภารกิจของธนาคารกลางในหลายด้าน

ดังตัวอย่างของธนาคารกลางที่ประยุกต์ใช้ Big Data เช่น กรณีธนาคารกลางอังกฤษ กำหนดให้มีการวิเคราะห์ข้อมูลชั้นสูง (Analytic Excellence) เป็นหนึ่งในแผนกลยุทธ์ปี 2014 และได้จัดตั้ง Data Lab และ Data Community เพื่อเป็นศูนย์กลางการวิจัย Big Data รวมถึงจัดสัมมนาด้านนี้ร่วมกับธนาคารกลางอื่นๆ เพื่อแลกเปลี่ยนประสบการณ์การประยุกต์ใช้ เช่น การทำ Nowcast GDP จาก Industry Model และ Weighted Survey Model โดยคาดการณ์ GDP จากข้อมูลเร็วรายเดือนแทนข้อมูลรายไตรมาส ทำให้เผยแพร่ GDP ได้เร็วขึ้น หรือใช้ข้อมูลจากคำที่มีการค้นหาใน Google ซึ่งมีความถี่แต่ละช่วงเวลาต่างกันมาเปรียบเทียบกับข้อมูลสำรวจ ในส่วนของการจัดทำดัชนีด้านแรงงาน และดัชนีอสังหาริมทรัพย์ (รูป 3)

ธนาคารกลางแคนาดาได้ตีพิมพ์เอกสาร Big Data Analysis: The Next Frontier ในปี 2013 ชี้ให้เห็นว่าการวิเคราะห์ข้อมูลขนาดใหญ่ทาให้เห็นข้อมูลเชิงลึกที่แอบซ่อนอยู่ได้เร็วขึ้น (Fresh insight) นำมาช่วยติดตามและวางนโยบายเศรษฐกิจได้เร็วขึ้น เช่น การศึกษาพฤติกรรมอุปโภคบริโภค โดยใช้ข้อมูลรายวันของระบบชำระเงินแทนข้อมูล รายไตรมาส เป็นต้น ธนาคารกลางสหรัฐอเมริกาเผยแพร่การศึกษาพฤติกรรมทางการเงินที่คัดกรองจากข่าวโดยเครื่องมือ Neural Network Application และ Machine-learning Algorithm ซึ่งสามารถวิเคราะห์ภาษา และจำแนกข่าวเชิงบวกและเชิงลบได้ ธนาคารกลางสิงคโปร์ ระบุว่า Big Data เป็นหนึ่ง ใน Big Trends in Technology ที่กระทบกับภาคการเงินการธนาคาร และวางวิสัยทัศน์ที่จะเป็น Smart Financial Centre ในงาน Global Technology Law Conference 2015

จากที่กล่าวมาทั้งหมดข้างต้น เราคงต้องเผชิญกับความท้าทายของ Big Data อย่างหลีกเลี่ยงไม่ได้ โดยนับวันข้อมูลก็จะยิ่งมีปริมาณมากขึ้นเรื่อยๆ ไม่มีที่สิ้นสุด สิ่งท้าทายก็คือ เราจะใช้ข้อมูลปริมาณมหาศาลเหล่านี้ได้อย่างไร โดยไม่สำลักข้อมูล (Information Overload) สิ่งที่เราต้องเตรียมการเพื่อรองรับความท้าทายนี้ คือ (1) ความพร้อมด้านเทคโนโลยี ที่ต้องบริหารจัดการข้อมูลระดับ Big Data ทั้งการจัดเก็บ ประมวลผล ติดตาม ตรวจสอบ เทคนิคการแปลงข้อมูล (Data Transformation) การวิเคราะห์ข้อมูลชั้นสูง (Analytic Excellence) โดยต้องคำนึงถึงความถูกต้องตามหลักธรรมาภิบาลข้อมูล (Data Governance) (2) ความพร้อมด้านข้อมูล จากที่ปัจจุบันข้อมูลเป็นสินทรัพย์ที่มีค่ามากขององค์กรจนเกิดธุรกิจซื้อขายข้อมูล โดยเฉพาะข้อมูลที่สะท้อนพฤติกรรมผู้บริโภคเพื่อนำไปใช้ประโยชน์ทางธุรกิจ ประเด็นนี้ทำให้ต้องมีการออกกฎหมาย วางนโยบาย รองรับการเปิดเผยข้อมูล (Open Data) การแลกเปลี่ยนซื้อขายข้อมูล และการใช้ข้อมูลร่วมกัน (Data Sharing) อย่างชัดเจน และ (3) ความพร้อมด้านบุคลากร เราต้องสร้างบุคลากรที่มีความรู้ทั้งด้านวิทยาศาสตร์ คณิตศาสตร์ สถิติ และมีความเข้าใจคุณลักษณะข้อมูล (Data Characteristic) ทั้ง 4 ด้านหลัก คือมีทักษะในการอธิบาย วินิจฉัย สังเกตความผิดปกติของข้อมูล และสามารถใช้ข้อมูลในการสร้างโมเดลคาดการณ์ นาไปสู่การวางนโยบายอย่างมีประสิทธิภาพ ซึ่งบุคลากรที่ทาหน้าที่สำคัญนี้คือ “นักวิทยาศาสตร์ข้อมูล (Data Scientist)”

บทความนี้เป็นข้อคิดเห็นส่วนบุคคล ซึ่งไม่จำเป็นต้องสอดคล้องกับข้อคิดเห็นของธนาคารแห่งประเทศไทย