5 กฏที่ควรมีใน Big Data Team ของคุณในการบรรลุเป้าหมาย


Share this article

การมีทีมงานที่ใช่ในการทำ Big Data อย่างเดียวอาจไม่พอ แต่ต้องมีกฏที่จะช่วยให้การทำงานเป็นไปอย่างราบรื่นในทุกๆเป้าหมายที่ตั้งเอาไว้

การหาบุคลากรเข้ามาทำงานที่ตรงตามต้องการนั้น ไม่ใช่การจ้างคนที่มีพรสวรรค์ดีที่สุด (แม้มันจะสำคัญก็ตาม) จากการสำรวจที่ผ่านมาองค์กรธุรกิจมักจะมองข้าม 2 สิ่งที่สำคัญมากๆ คือ 1. การรู้ว่าตำแหน่งไหนคือตำแหน่งที่ต้องการจริงๆ และ 2. สร้างหัวใจแห่งการทำ customer-service ให้เกิดขึ้นในส่วนการทำงานด้านวิเคราะห์

The right team

คนที่มีพรสวรรค์ในการทำงานด้าน Big Data คือวิกฤติใหญ่ที่สำคัญ ในปี 2018 แค่ในสหรัฐฯที่เดียวก้จะเจอกับปัญหาการขาดแคลนบุคลากรที่มีทักษะเชิงลึกในการวิเคราะห์ถึง 140,000 ถึง 190,000 คน จากการศึกษาของ McKinsey Global Institute แต่องค์กรก็ควรให้เวลาในการหาว่าตำแหน่งงานใดที่ต้องการจริงๆ เพื่อใช้ในการทำให้เครื่องจักรที่เรียกว่า Big Data ขับเคลื่อนไปข้างหน้าอย่างมีระบบและมีประสิทธิภาพ แทนที่จะถูกใช้เพื่อแก้ปัญหาเป็นเรื่องๆไป ขณะเดียวกันองค์กรที่แตกต่างกันก็ต้องการคนที่มีความสามารถแตกต่างกัน และนี้คือ 5 กฏสำคัญที่จะทำให้คุณมีทีมวิเคราะห์ที่เจ๋งมาก:

  1. Data Cleaning: คุณต้องทำให้แน่ใจว่าข้อมูลนั้นถูกทำให้สะอาดและมีความแม่นยำรวมถึงมีเฉพาะส่วนที่เกี่ยวข้องเท่านั้นก่อนนำเข้าสู่ระบบ และควรดูแลให้มันเป็นแบบนั้นตลอดการทำการวิเคราะห์หรือใช้งาน ตัวอย่างเช่น ข้อมูลตัวเลขที่หมายถึงสิ่งเดียวกันจะมีค่าเท่ากันหรือไม่? ข้อมูลหนึ่งอาจมีการวัดจากจำนวนวันในหนึ่งปีคือ 365 อีกข้อมูลหนึ่งใช้วันทำงานในหนึ่งปี คือ 248 วัน ขณะเดียวกันอีกข้อมูลหนึ่งใช้เวลาในการทำงานต่อปีคิดเป็นชั่วโมงคือ 1984 ชั่วโมง ซึ่งตามข้อมูลข้างต้นการจะนำมาเปรียบเทียบกันก็สามารถเป็นไปได้ แต่ในขณะเดียวข้อมูลที่ยังไม่ถูก clean หรือทำให้สะอาดก็อาจทำให้เราไม่รู้ บางข้อมูลมีการอัพเดตเนื้อหาใหม่แต่หัวข้อยังคงเป็นชื่อเก่า ซึ่งนั้นจะส่งผลให้ข้อมูลของเราขาดความแม่นยำจากการที่ใส่ข้อมูลตั้งต้นไม่ครบถ้วน การทำความสะอาดข้อมูลถือเป็นจุดเริ่มต้นแรกและจะถูกนับตั้งแต่เมื่อข้อมูลมีการถูกนำมาใช้โดยทีมงานไม่ว่าจะเป็นจุดใดก็ตาม
  2. Data Explorers: การค้นหาข้อมูลที่ต้องการจากข้อมูลที่มีมากมายมหาศาลเป็นภูเขา นั้นถือเป็นงานที่ไม่ธรรมดาเพราะข้อมูลมากมายที่กองรวมกันอยู่นั้น ไม่ใช้ข้อมูลทุกอย่างที่เหมาะจะเอามาวิเคราะห์ และยิ่งไปกว่านั้นก็ยังมีหลายข้อมูลที่ไม่ได้มีการจัดเก็บที่เป็นระบบที่จะช่วยให้เข้าถึงได้ง่าย ตัวอย่างอย่าง การบันทึกเงินสด ที่จุดมุ่งหมายคือการใช้เพื่อให้องค์กรสามารถติดตามยอดผลกำไรได้ แต่ไม่ใช้เพื่อใช้ทำนายว่าผลิตภัณฑ์ไหนที่ลูกค้าจะซื้อต่อจากนี้
  3. โครงสร้างสำหรับทำ Business Solution: หลังจากที่ได้ข้อมูลที่ต้องการมาแล้วให้ทำการจัดการให้พร้อมที่จะนำไปวิเคราะห์ สิ่งสำคัญคือต้องทำให้ข้อมูลเหล่านั้นอยู่ในโครงสร้างที่เหมาะสมและพร้อมจะถูกนำไปใช้งานได้โดยผู้ใช้งานทุกคนและทุกเวลา ตัวอย่างเช่น ข้อมูลบางอย่างต้องใช้ทุกๆ นาทีหรือชั่วโมง ซึ่งนั้นหมายความว่าข้อมูลจะต้องถูกอัพเดตทุกๆนาทีหรือชั่วโมง
  4. Data Scientists: ข้อมูลที่มีการจัดการแล้วต่อไปสิ่งที่ต้องทำคือการสร้างโมเดลการวิเคราะห์ที่แยบยล ตัวอย่างคือ สามารถช่วยในการทำนายพฤติกรรมของลูกค้าและทำให้สามารถจัดแบ่งกลุ่มลูกค้าเชิงลึกได้เพื่อให้เหมาะสมกับการตั้งราคาในแต่ละช่วง และสิ่งสำคัญคือโมเดลแต่ละโมเดลต้องมีการอัพเดตอย่างสม่ำเสมอเพื่อให้ทันสมัยสามารถใช้งานได้นาน
  5. ผู้เชี่ยวชาญด้านแคมเปญ: ทำหน้าที่เปลี่ยนจากโมเดลให้เป็นผลลัพธ์ เขาเหล่านี้มีความรู้ในเรื่องของระบบเทคนิคตางๆ ที่จะใช้เพื่อสร้างแคมเปญทางการตลาดแบบเฉพาะด้าน เช่น ลูกค้าคนไหนควรได้รับข้อความการตลาดเมื่อไหร่ เป็นต้น โดยผู้เชี่ยวชาญด้านนี้จะใช้สิ่งที่ได้เรียนรู้จากโมเดลวิเคราะห์ในการตัดสินใจว่าควรจะใช้สื่อไหน นานเท่าไหร่ ในการทำแคมเปญ ตัวอย่างเช่น จากการวิเคราะห์และแยกพฤติกรรมของลูกค้าในอดีต พบว่าการส่งอีเมลให้ได้ผลคือการส่งอีเมลการตลาดทั่วๆไปในฉบับแรกและค่อยส่งอีเมลเฉพาะถึงลูกค้าแต่ละตามไปอีกในฉบับหลังจากผ่านไป 48 ชั่วโมง

Cr. hbr.org

READ  ทำไมเราควรใช้ Big Data ในการดำเนินธุรกิจ E-commerce

Share:

ลงทะเบียนรับข่าวสาร

ไม่พลาดทุกการอัพเดทจาก Big Data Experience Center

Big Data Experience Center (BX)

ชั้น 12 อาคาร Knowledge Exchange Center (KX)
110/1 ถนนกรุงธนบุรี, แขวงบางลำภูล่าง เขตคลองสาน กรุงเทพฯ 10600
อีเมล์: contact@bigdataexperience.org