สรุปหนังสือ BIG DATA SERIES II คิดแบบนักวิทยาศาสตร์ข้อมูล
สรุปอย่างย่อ เป็นหนังสือที่ให้ความเข้าใจที่ลึกซึ้งขึ้นกว่าเริ่มแรกมากในความคิดผม ว่าการจะทำโปรเจค Big data นั้นต้องทำอย่างไร และประกอบด้วยอะไรบ้าง โดยเฉพาะการเจาะลึกไปยังด้าน Data Scientist ตามชื่อหนังสือเลย เพราะในเล่มจะประกอบด้วยโมเดลการคิดและสมการแบบต่างๆ ที่ถ้าเป็นคนที่ไม่มีความรู้พื้นฐานด้านคณิตศาสตร์หรือการวิเคราะห์ข้อมูลมาอาจเมาได้(แบบผม)

ดังนั้น ถ้าใครกำลังจะเริ่มทำโปรเจคเกี่ยวกับ Big Data แต่ยังไม่รู้ว่าต้องรู้อะไรบ้าง หรือทำไปแล้ว และอยากจะหาแนวทางเปรียบเทียบการทำงาน ผมกล้าแนะนำหนังสือเล่มนี้เลย

แต่ถ้าคุณเป็นคนทั่วไป ที่พอรู้เรื่อง digital หรือ data มาบ้าง ผมไม่ค่อยกล้าแนะนำเล่มที่ 2 นี้เท่าไหร่ แนะนำให้หาเล่มที่ 1 มาอ่านจะสนุกและเห็นภาพกว้างของ data แบบที่คนทั่วไปเข้าใจได้ไม่ยาก แต่ก็จะไม่ลงลึกแบบเล่มนี้

สรุปอย่างยาว หนังสือเล่มนี้ให้แนวทางในการทำโปรเจคด้าน big data ที่ดีว่าคุณควรต้องรู้อะไรบ้าง เล่มนี้ไม่ได้ให้คุณรู้ไว้เพื่อทำเอง แต่ให้คุณรู้ไว้เพื่อจะได้คุยกับคนที่ทำงานด้านนี้รู้เรื่อง ไม่ว่าคนนั้นจะเป็นผู้รับเหมางานภายนอกหรือผู้ร่วมงานภายในก็ตาม

ถ้าให้ผมตีความก็เหมือนกับคู่มือของนักออกแบบบ้าน เพื่อเอาไว้คุยให้เข้าใจกับผู้รับเหมาหรือสถาปนิกนั่นเอง

หัวใจสำคัญของการใช้ Data ไม่ใช่เครื่องมือ แต่เป็น mindset

mindset ที่อยากจะใช้ data มาช่วยในการตัดสินใจและวางแผนธุรกิจหรือการตลาด เพราะตั้งแต่อดีตจนถึงปัจจุบัน เราจะใช้ประสบการณ์ส่วนตัวในการตัดสินใจว่าจะทำอะไรหรือไม่ทำอะไร อย่าง marketing เองก็จะพึ่งประสบการณ์และสัญชาติญาณอย่างมาก แต่วันนี้เราอยู่ในยุคเปลี่ยนผ่านจาก digital สู่ data แล้ว นั่นหมายความว่าเราเริ่มเก็บข้อมูลได้ง่ายขึ้น รวบรวมข้อมูลได้เยอะขึ้น แล้วก็สามารถเอามาใช้งานจริงได้มากขึ้นเช่นกัน

อย่างงานการตลาด ที่แต่เดิมนักการตลาดจะคิดโปรโมชั่นต่างๆออกมาจากข้อมูลเป็นส่วนน้อย แต่ใช้ประสบการณ์หรือเซ้นส์เป็นส่วนใหญ่ ทำให้เวิร์คบ้างไม่เวิร์คบ้าง แต่วันนี้การทำการตลาดหรือแม้แต่โปรโมชั่นนั้นสามารถใช้ data เป็นแกนหลักในการตัดสินใจได้ เหมือนที่ Sephora ทำอยู่ทุกวันนี้

Sephora จัดกลุ่มลูกค้าด้วยพฤติกรรมการซื้อที่มีกว่า 2,300 สาขาทั่วโลก กับสินค้าที่มีขายกว่า 350 แบรนด์ในร้านตัวเอง จนพบว่าลูกค้าของตัวเองนั้นสามารถแบ่งออกได้เป็น 5 กลุ่มใหญ่ๆ

กลุ่ม Skincare (ผม ผิวหน้า ผิวกาย)
กลุ่มตา (มาสคาร่า ที่เขียนขอบตา อายแชโดว์)
กลุ่มเครื่องสำอางบริเวณหน้า (แป้ง รองพื้น คอนซิลเลอร์)
กลุ่มลิปสติก และกลุ่มน้ำหอม

เมื่อ Sephora รู้แล้วว่าลูกค้าหลายร้อยล้านคนของตัวเองทั่วโลกมีรูปแบบพฤติกรรมการซื้ออย่างไร ทีนี้ก็สามารถส่งมอบโปรโมชั่นที่ตรงใจของแต่ละกลุ่มได้

จะเห็นว่าเคสของ Sephora นี้เริ่มจากการทำความเข้าใจ Data มากมายจนนำไปสู่การทำ promotion ที่ตรงใจลูกค้าจริงๆ

จะเห็นว่าทฤษฎี 4P ของการตลาดสุด classic อย่างหัวข้อ promotion นั้น data ที่เป็นเรื่องใหม่ก็เข้ามาทำให้ดีขึ้นได้ครับ

หรืออย่าง Grab ที่ถ้าดูจริงๆแล้ว grab เป็นบริษัท data นะครับ ไม่ใช่บริษัทเรียกรถแท็กซี่อย่างที่เข้าใจกัน เพราะสิ่งที่ grab เป็นคือคนกลางระหว่างข้อมูลคนขับกับข้อมูลคนเรียก

Grab เองมีเป้าหมายทางธุรกิจว่าต้องการเรียกรถให้ได้เร็วที่สุด แต่คำว่าเร็วที่สุดอาจไม่ได้หมายถึงต้องได้รถที่ใกล้ที่สุด แต่อาจเป็นรถที่ไกลออกไปหน่อย แต่มีแนวโน้มว่าคนขับจะไม่ปฏิเสธปลายทางที่ผู้โดยสารไป จนสามารถทำให้ได้รถที่ยินดีไปในเวลาที่เร็วที่สุดครับ

แรกเริ่มเดิมที Grab เองก็เป็นการจับคู่ระหว่างคนนั่งกับคนขับ ด้วยการมีข้อมูลของทั้งสองฝ่าย คือฝ่ายคนนั่งต้องการไปที่ไหนก็แจ้งมา ส่วนฝ่ายคนขับคนไหนต้องการไปก็แย่งกันกดรับ

จากนั้นพอมี data เยอะๆเข้า Grab ก็พัฒนาสู่เวอร์ชั่นสอง คือสามารถจับคู่ระหว่างคนนั่งและคนขับที่ match กันมากที่สุด ด้วยการวิเคราะห์จากข้อมูลคนขับว่า คนนี้เค้าบ้านอยู่แถวไหน ขับช่วงเวลาไหน ชอบขับอยู่ละแวกไหน และชอบขับใกล้หรือไกล พอ Grab รู้นิสัยของคนขับแต่ละคนจาก data แล้ว ทีนี้พอมีคนเรียกให้ไปไกลๆ Grab ก็จะจับคู่ลูกค้าคนนั้นให้กับคนขับที่อาจจะกำลังต้องการไปแถวนั้นก็ได้ เพื่อให้คนขับกดตกลงเร็วที่สุด และคนนั่งก็ได้รถเร็วที่สุด

จากนั้นก็เข้าสู่ Grab เวอร์ชั่นสาม คือการปรับราคาตาม data คือพอนานวันเข้า Grab ก็เริ่มรู้ว่าเมื่อไหร่ที่แถวไหนคนจะเรียกรถเยอะเป็นพิเศษ จากนั้นก็จะมีการปรับเรทราคาขึ้นเพื่อให้คนนั่งกับคนขับมีความสมดุล และเพื่อเป็นการกระตุ้นให้คนที่ยังไม่ออกมาขับอยากออกมาขับเพราะได้เรทดีด้วย

และก็มีการนำ data จากสภาพภูมิอากาศมาช่วยคำนวนราคาล่วงหน้าได้ เช่น ถ้าแถวไหนมีการพยากรณ์ว่าฝนจะตก ก็เตรียมปรับเรทค่าโดยสารขึ้นล่วงหน้าได้เลย

เป็นยังไงล่ะครับ พอรู้แบบนี้แล้วน่าทึ่งไม่น้อยเลยว่า Grab ไม่ใช่แค่แพลตฟอร์มเรียกแท็กซี่เท่านั้น แต่ยังเป็นแพลตฟอร์มที่ทำให้คนขับกับคนนั่งที่ใช่ได้เดินทางไปด้วยกันครับ

สุดท้ายแล้วผู้เขียนก็แนะนำว่า การจะทำงานด้าน Data ต้องเริ่มจากความเข้าใจ ไม่ใช่กระโดดไปเครื่องมือ เหมือนคนทำงานออกแบบ ต้องเริ่มจากการฝึก drawing ฝึกสีน้ำ ฝึกการปั้น เพื่อให้เข้าใจเรื่ององค์ประกอบศิลป์ ก่อนจะกระโดดไปใช้เครื่องมืออย่าง Photoshop หรือ Illustrator

คนที่จะทำงานด้าน Data ก็ต้องเริ่มจากมีความรู้ความเข้าด้านคณิตศาสตร์อย่างดีก่อน ถึงจะค่อยหาว่าเครื่องมือไหนที่จะมาช่วยให้งานนั้นสำเร็จได้

แล้วอีกหน่อยนะครับ การทำงานกับ Machine Learning หรือการทำงานกับ Data นั้นจะกลายเป็นเรื่องปกติสำหรับทุกคน เหมือนการที่ทุกคนต้องใช้ Microsoft Office ได้ในวันนี้ รวมถึงนักการตลาดปัจจุบันที่ต้องมีความรู้ความเข้าใจเรื่อง Digital Marketing เองหมดแล้ว ไม่ใช่แยกฝ่ายว่านั่นทีม Digital หรือนั่นทีม Traditional

จนผมคิดว่าจากกระแส Digital Agency ที่เคยมาแรงในช่วงก่อนหน้านี้ จนวันนี้กลายเป็นเรื่องปกติไม่น่าหวือหวา จะกลายเป็นความต้องการด้าน Data Agency น่าจะมาแรงแทนครับ

เพราะ Data นั้นช่วยเปิดสู่โอกาสใหม่ๆมากมายที่เราอาจไม่มีทางจินตนาการถึงได้ เหมือนอย่างที่ห้างสรรพสินค้า Walmart เจอ

Data บอกว่าสินค้าสองอย่างที่ไม่เกี่ยวข้องกันอย่างแรงในความคิดเรา กลับมียอดขายเกี่ยวข้องกันอย่างไม่น่าเชื่อ นั่นก็คือเบียร์กับผ้าอ้อมครับ

ห้าง Walmart พบว่าเบียร์กับผ้าอ้อมนั้นมียอดขายที่มีสหสัมพันธ์หรือเกี่ยวข้องกันมาก โดยเฉพาะในคืนวันศุกร์ที่เมื่อไหร่เบียร์ขายออก ผ้าอ้อมก็จะขายตามได้ แล้วจากจุดนี้เองที่ทำให้ทาง Walmart ปรับรูปแบบการจัดวางสินค้าเอาเบียร์และผ้าอ้อมมาไว้ใกล้ๆกัน เพื่อให้ง่ายต่อการซื้อ และเพื่อเป็นกระสะกิดให้ลูกค้าที่ไม่เคยซื้อได้ซื้ออีกด้วย

เป็นยังไงล่ะครับกับความน่าทึ่งของ Data

บอกตรงๆว่าอ่านจนจบเล่มผมเข้าใจจริงไม่ถึงครึ่งเล่มด้วยซ้ำ แต่ถ้าใครสนใจที่จะทำโปรเจคเกี่ยวกับ Big Data หรืออาจจะไม่ต้อง Big แต่เป็น Data เฉยๆ ผมแนะนำให้ลองอ่านเล่มนี้ดูครับ

อ่านแล้วเล่า เล่มที่ 9 ของปี 2019

BIG DATA SERIES II
Think Like a Data Scientist
คิดแบบนักวิทยาศาสตร์ข้อมูล

ดร.อสมา กุลวานิชไชยนันท์ เขียน

20190218
ติดตามสรุปหนังสือเล่มล่าสุดก่อนใครได้ที่เว็บอ่านแล้วเล่า www.summaread.net
SHARE
Writer
nuinattapon
Reader
Hi my name is Nattapon I love to read and share story inside the book to everyone. I just want to share.

Comments