การทำนโยบายยุคใหม่ด้วยการใช้ DATA ANALYTICS
ปัจจุบัน ธนาคารกลางหลายแห่งเริ่มมีการใช้ประโยชน์จาก data analytics มากขึ้น จากผลสำรวจธนาคารกลางกว่า 50 แห่งของ Bank for International Settlements (BIS) ในปี 2563 ที่ผ่านมา พบว่าประมาณ 70% ใช้ประโยชน์ data analytics ในงานวิจัยและ 40% ใช้ช่วยในการกำหนดนโยบาย โดยมีการประยุกต์กับงานหลายด้าน ครอบคลุมทั้งด้านเสถียรภาพการเงิน นโยบายการเงิน รวมถึงการใช้เทคโนโลยีกับงานตรวจสอบสถาบันการเงิน (Supervisory Technology: SupTech) ธนาคารกลางสหรัฐฯ สาขานิวยอร์กเองก็มีการนำข้อมูลทางเลือก เช่น ปริมาณการขนส่งทางรถไฟ ปริมาณการผลิตกระแสไฟฟ้า มาประมวลผลร่วมกับข้อมูลเศรษฐกิจต่าง ๆ อย่างจำนวนการขอรับประโยชน์ทดแทนกรณีว่างงาน และปริมาณการผลิตเหล็กภายในประเทศ เพื่อพัฒนาดัชนีชี้วัดติดตามสภาวะเศรษฐกิจที่มีการเปลี่ยนแปลงรายสัปดาห์ นอกจากนี้ ยังมีการใช้ข้อมูลการทำธุรกรรมผ่านบัตรเครดิตและบัตรเดบิต มาศึกษาความเปลี่ยนแปลงของการใช้จ่ายของผู้บริโภค และรายได้ของธุรกิจที่เกิดจากมาตรการคลายล็อกดาวน์ในแต่ละรัฐอีกด้วย
การประยุกต์ใช้ data analytics ของธนาคารกลางอื่น ๆ ตัวอย่างเช่น ธนาคารกลางสหรัฐฯ สาขาแอตแลนตาทำ GDP nowcasting โดยมีการอัปเดตข้อมูลกว่า 7 ครั้งต่อเดือน ธนาคารกลางอีกหลายแห่ง เช่น ธนาคารกลางฮ่องกง ธนาคารกลางเกาหลีใต้ ธนาคารกลางฟิลิปปินส์ ใช้ข้อมูลจากแหล่งข่าวที่หลากหลายทำเครื่องชี้วัดความไม่แน่นอนทางเศรษฐกิจ (economic uncertainty) และธนาคารกลางญี่ปุ่นใช้ข้อมูลการใช้ไฟฟ้ามาช่วยวิเคราะห์กิจกรรมทางเศรษฐกิจ
ภายใต้แผนยุทธศาสตร์ ธปท. ตั้งแต่ปี 2560 เป็นต้นมา มีการส่งเสริมการสร้างศักยภาพและวัฒนธรรมการทำงานที่ใช้ข้อมูลเป็นหลัก (data - driven organization) เพื่อนำไปใช้ในการวิเคราะห์ ตัดสินใจ และกำหนดนโยบายในทุกระดับ ซึ่งครอบคลุมงานตามพันธกิจหลักและการบริหารจัดการองค์กร ทั้งนี้ ธปท. ให้ความสำคัญกับงานวิเคราะห์ข้อมูลเชิงลึก โดยยกระดับการใช้และวิเคราะห์ข้อมูลระดับจุลภาค (micro / granular data) ให้กว้างและลึกขึ้นอย่างต่อเนื่อง เพื่อให้การทำงานอยู่บนพื้นฐานของการวิเคราะห์ข้อมูลเชิงลึกอย่างรอบด้าน อีกทั้ง ธปท. ยังให้ความสำคัญกับการสรรหาและใช้ข้อมูลทางเลือก (alternative data) ด้านเศรษฐกิจการเงิน ซึ่งจะช่วยสะท้อนโครงสร้างเศรษฐกิจที่เปลี่ยนแปลงไป เพื่อเป็นประโยชน์ต่อการดำเนินนโยบาย และเพื่อตอบโจทย์ความท้าทายต่าง ๆ
นอกจากนี้ ธปท. มีการใช้และวิเคราะห์ข้อมูลเชิงลึกในการออกมาตรการเช่นกัน ในช่วงวิกฤตโควิด 19 ที่ผ่านมา ธปท. มีการใช้และวิเคราะห์ข้อมูลเชิงลึกสำหรับการออกมาตรการช่วยเหลือลูกหนี้ โดยศึกษาสถานะของสถาบันการเงินและลูกหนี้ รวมถึงความเสี่ยงและสภาพปัญหา เพื่อให้สามารถออกแบบมาตรการช่วยเหลือลูกหนี้ได้ตรงจุดและรักษาเสถียรภาพของระบบสถาบันการเงินให้มั่นคงในช่วงสถานการณ์การแพร่ระบาดของโควิด 19 การวิเคราะห์ข้อมูลเพื่อตอบโจทย์นโยบายข้างต้นต้องใช้ข้อมูลที่หลากหลาย ตั้งแต่ข้อมูลระดับเศรษฐกิจมหภาคไปจนถึงข้อมูลจุลภาคระดับรายสัญญา ซึ่งทำให้เห็น macro - micro linkage และความเสี่ยงเชิงระบบ เช่น ในภาพรวมและระดับเซกเตอร์ การศึกษาข้อมูลดังกล่าวช่วยเพิ่มความเข้าใจเกี่ยวกับแนวโน้มการฟื้นตัวของลูกหนี้ SMEs ที่แตกต่างกันตามสาขาธุรกิจได้อีกด้วย
สำหรับการใช้ประโยชน์จากข้อมูลจุลภาคนั้น การวิเคราะห์ข้อมูลการปรับโครงสร้างหนี้ประกอบกับข้อมูลรายสัญญาช่วยให้สามารถประเมินประสิทธิผลของมาตรการต่าง ๆ ที่ออกมาได้ และการวิเคราะห์ข้อมูลประวัติ และพฤติกรรมของลูกหนี้ทำให้ประเมินสถานะและแนวโน้มที่แท้จริงของลูกหนี้ได้ดีขึ้น
ในส่วนของงานด้านตลาดการเงิน ธปท. มีการพัฒนาเครื่องมือเพื่อช่วยติดตามภาวะตลาดให้มีประสิทธิภาพและสะดวกต่อผู้ใช้งาน รวมถึงการศึกษาวิเคราะห์เพื่อเพิ่มความเข้าใจในลักษณะและแนวโน้มของการทำธุรกรรม ตัวอย่างเช่น การพัฒนาเครื่องมือเพื่อรวบรวมและประมวลข่าวเศรษฐกิจการเงินด้วย text analytics ตามประเภทของเงินทุนเคลื่อนย้าย / กลุ่มธุรกิจทำให้ผู้วิเคราะห์สามารถติดตามความเคลื่อนไหวของตลาดได้อย่างมีประสิทธิภาพในระยะเวลาที่สั้นลง และการกำกับธุรกรรมการแลกเปลี่ยนเงินแบบ data - driven ซึ่งใช้ machine learning มาช่วยในการคัดกรองธุรกรรมจากเงื่อนไขและลักษณะการทำธุรกรรมแบบต่าง ๆ ก่อนให้ผู้ตรวจสอบดูรายละเอียด ซึ่งช่วยลดเวลาในการตรวจสอบและติดตามธุรกรรมจำนวนมากขึ้นได้
ในส่วนของข้อมูลทางเลือก ซึ่งมีลักษณะเป็นข้อมูลเร็วและเป็นข้อมูลระดับจุลภาคนั้น จะช่วยให้ผู้ออกนโยบายสามารถเห็นภาพของสภาวะเศรษฐกิจและสังคมได้ชัดเจนมากขึ้น เมื่อเปรียบเทียบกับการใช้ข้อมูลที่ได้จากการสำรวจซึ่งมักจะมีความถี่ของข้อมูลที่น้อยกว่า โดยเฉพาะในช่วงสถานการณ์โควิด 19 ที่ภาครัฐมีความจำเป็นต้องออกนโยบายแก้ปัญหาให้ทันกับสถานการณ์ที่มีการเปลี่ยนแปลงอย่างรวดเร็ว โดยในปัจจุบัน ธปท. ได้นำเอาข้อมูลทางเลือกทั้งที่เป็นข้อมูลรายธุรกรรม (transactional data) ข้อมูลจากเซนเซอร์ (sensory data) และข้อมูลที่ไม่มีโครงสร้าง (unstructured data) มาใช้ในการติดตามกิจกรรมทางเศรษฐกิจในหลายมิติ
ในเชิงนโยบาย ธปท. ได้มีการนำเอาข้อมูลการใช้โทรศัพท์เคลื่อนที่ในเชิงพื้นที่ รวมไปถึงข้อมูลการเคลื่อนย้ายพื้นที่ของผู้ใช้งานเฟซบุ๊กมาช่วยติดตามการเคลื่อนย้ายของแรงงานในแต่ละช่วงเวลาของสถานการณ์โควิด 19 มีการนำข้อมูลการใช้ไฟฟ้ารายมิเตอร์มาติดตามพฤติกรรมของประชาชนในช่วงที่มีการรณรงค์ให้ทำงานที่บ้าน และในการติดตามกิจกรรมทางเศรษฐกิจของแต่ละภาคส่วนธุรกิจ มีการใช้ข้อมูลการชำระเงินรายธุรกรรม (transactional payment data) มาศึกษาพฤติกรรมของประชาชนและภาคธุรกิจในการใช้เทคโนโลยี e-payment เพื่อนำมาออกนโยบายสนับสนุนการใช้ e-payment ให้ตรงจุด และศึกษาความสัมพันธ์และความเชื่อมโยงของภาคธุรกิจต่าง ๆ (supply chain) ผ่านช่องทางการชำระเงิน
นอกจากนี้ ยังมีการนำข้อมูลสืบค้นคำสำคัญผ่านเสิร์ชเอนจินในแต่ละจังหวัดมาติดตามการเปลี่ยนแปลงเชิงพฤติกรรมของคนในด้านต่าง ๆ เช่น การค้นหาวิธีขายของออนไลน์ที่เพิ่มขึ้นในช่วงที่มีการระบาดของโรคโควิด 19 สูง และแนวโน้มความกังวลเกี่ยวกับสุขภาพจากการค้นหาสินค้าหมวดสุขภาพ
นอกจากงานตามพันธกิจหลักแล้ว ธปท. ได้ประยุกต์ใช้ data analytics กับงานบริหารจัดการองค์กรด้วย เช่น มีการใช้ convolutional neural network ซึ่งเป็นเทคโนโลยี machine learning ประเภทหนึ่ง ช่วยในการจำแนกประเภทของธนบัตรชำรุดเป็นเจ็ดประเภท ได้แก่ ลายขาด หมึกเข้ม หมึกจาง จุดซับหลัง wiping และอื่น ๆ โดยมีความถูกต้องของการจำแนกประมาณ 97% โปรแกรมที่ได้จากการพัฒนาด้วยเทคโนโลยีนี้ ช่วยให้ทำการคัดแยกได้รวดเร็วและเพิ่มประสิทธิภาพในทำงาน โดยสามารถใช้คัดแยกธนบัตรชำรุดทั้งหมด ไม่ต้องสุ่มตัวอย่างอีกต่อไป ตัวอย่างอื่นที่เกี่ยวกับการพัฒนากระบวนการทำงาน ได้แก่ การใช้ text analytics เพื่อเพิ่มประสิทธิภาพการประมวลผลสถิติ เช่น การจำแนกรหัสรายจ่ายภาครัฐ ซึ่งช่วยลดเวลาในกระบวนการทำงานได้มาก
เบื้องหลังของการใช้และวิเคราะห์ข้อมูลเชิงลึกข้างต้น มีองค์ประกอบสำคัญหลากมิติที่เกี่ยวข้อง ซึ่งล้วนเป็นเรื่องที่มีความท้าทายกับองค์กรต่าง ๆ ในการขับเคลื่อนงานด้านนี้ประกอบด้วย การรักษาความปลอดภัยของข้อมูล (data security and privacy) คุณภาพข้อมูลที่ใช้ (data quality) โครงสร้างพื้นฐานเทคโนโลยีสารสนเทศ (IT infrastructure) ที่เกี่ยวข้องกับการจัดเก็บและประมวลผลข้อมูล รวมถึงทักษะและความพร้อมของบุคลากร (competencies) การบริหารจัดการในเรื่องเหล่านี้อย่างมีประสิทธิผล จะเป็นเงื่อนไขสำคัญของการใช้และวิเคราะห์ข้อมูลเชิงลึกให้เกิดประโยชน์สูงสุดต่อองค์กรต่อไปในอนาคต