Big Data (บิ๊กดาต้า) คือข้อมูลที่มีปริมาณมาก เข้ามาเร็ว และมีรูปแบบหลากหลายจนเครื่องมือแบบเดิม เช่น สเปรดชีตหรือฐานข้อมูลเครื่องเดียว รับมือไม่ไหว จึงต้องใช้สถาปัตยกรรมที่ขยายตัวได้เข้ามาจัดการแทน
จุดสำคัญที่มักเข้าใจผิดคือ Big Data ไม่ได้วัดกันที่ “จำนวนกิกะไบต์” แต่วัดที่ ข้อมูลนั้นเกินความสามารถของเครื่องมือที่คุณใช้อยู่หรือยัง โรงงานที่มีข้อมูลเซนเซอร์ทุกวินาทีจากเครื่องจักร 50 ตัว อาจเข้าข่ายก่อนบริษัทที่มีลูกค้าเป็นล้านราย แต่เก็บเป็นตารางเดียวจบ
5V — เกณฑ์ที่ใช้อธิบาย Big Data
- Volume (ปริมาณ) — ข้อมูลมากจนต้องกระจายเก็บหลายเครื่องแทนการเก็บที่เดียว
- Velocity (ความเร็ว) — ข้อมูลไหลเข้ามาต่อเนื่อง เช่น ธุรกรรมออนไลน์ เซนเซอร์ IoT ล็อกของแอป
- Variety (ความหลากหลาย) — ไม่ได้มีแค่ตาราง แต่รวมข้อความแชท รูปภาพ เสียง วิดีโอ ไฟล์ JSON
- Veracity (ความน่าเชื่อถือ) — ข้อมูลจริงมักมีค่าซ้ำ ค่าหาย และค่าที่ผิดปกติ ถ้าไม่จัดการก่อน ผลวิเคราะห์จะพาไปผิดทาง
- Value (คุณค่า) — ข้อสุดท้ายและสำคัญที่สุด ข้อมูลที่เก็บไว้แต่ไม่เคยถูกใช้ตัดสินใจ คือต้นทุนล้วน ๆ
สามข้อแรก (Volume, Velocity, Variety) เป็นนิยามดั้งเดิม ส่วนสองข้อหลังถูกเพิ่มมาภายหลังเพราะเป็นจุดที่โครงการจริงล้มเหลวบ่อยที่สุด
Big Data ต่างจากฐานข้อมูลที่ใช้อยู่อย่างไร
| ฐานข้อมูลแบบเดิม | ระบบข้อมูลขนาดใหญ่ | |
|---|---|---|
| การขยายตัว | เพิ่มสเปกเครื่องเดียว (scale up) | เพิ่มจำนวนเครื่อง (scale out) |
| รูปแบบข้อมูล | มีโครงสร้างชัดเจนตั้งแต่แรก | รับข้อมูลดิบได้ก่อน ค่อยจัดโครงสร้างทีหลัง |
| การประมวลผล | เหมาะกับงานรายการประจำวัน | เหมาะกับการวิเคราะห์ข้อมูลจำนวนมากพร้อมกัน |
| ต้นทุน | ลงทุนก้อนใหญ่ล่วงหน้า | จ่ายตามการใช้งานบนคลาวด์ได้ |
สถาปัตยกรรมของงาน Big Data มีอะไรบ้าง
1. เก็บข้อมูล (Ingestion) — ดึงข้อมูลจากระบบต้นทาง เช่น POS, ERP, CRM, LINE OA, เว็บไซต์ และเซนเซอร์ เข้าสู่ระบบกลาง อาจเป็นแบบรอบ (batch) หรือแบบต่อเนื่อง (streaming)
2. จัดเก็บ (Storage) — เก็บข้อมูลดิบไว้ใน Data Lake และเก็บข้อมูลที่จัดโครงสร้างแล้วใน Data Warehouse ปัจจุบันหลายองค์กรใช้รูปแบบผสมที่เรียกว่า Lakehouse
3. ประมวลผลและทำความสะอาด (Processing) — รวมข้อมูลจากหลายแหล่งให้เป็นชุดเดียวกัน แก้ค่าซ้ำ เติมค่าที่หาย และแปลงหน่วยให้ตรงกัน ขั้นนี้กินเวลามากที่สุดในทุกโครงการ
4. วิเคราะห์ (Analytics) — ตั้งแต่รายงานพื้นฐาน ไปจนถึงโมเดลทำนายและงาน AI
5. นำไปใช้ (Activation) — ส่งผลลัพธ์กลับเข้าไปในงานประจำวัน เช่น ขึ้นเป็น Dashboard ให้ผู้บริหาร ส่งรายชื่อลูกค้ากลุ่มเสี่ยงเข้าระบบ CRM หรือให้ผู้ช่วย AI ใช้ตอบคำถามพนักงาน
ขั้นที่ 5 คือขั้นที่แยกโครงการที่คุ้มค่าออกจากโครงการที่จบลงด้วยคลังข้อมูลที่ไม่มีใครแตะ
ตัวอย่างการใช้งานจริงในธุรกิจไทย
- ค้าปลีก — รวมข้อมูลการขายทุกสาขากับข้อมูลสมาชิก เพื่อดูว่าสินค้าใดขายคู่กันบ่อย และวางแผนสต็อกรายสาขา
- โรงงาน — เก็บข้อมูลเซนเซอร์เครื่องจักรเพื่อคาดการณ์การซ่อมบำรุงก่อนเครื่องเสีย ลดเวลาหยุดผลิต
- การเงินและประกัน — ตรวจจับธุรกรรมผิดปกติแบบใกล้เคียงเรียลไทม์จากพฤติกรรมที่ต่างจากรูปแบบปกติ
- อีคอมเมิร์ซ — วิเคราะห์เส้นทางลูกค้าตั้งแต่โฆษณาจนถึงการซื้อ เพื่อรู้ว่างบโฆษณาส่วนไหนสร้างยอดจริง
- บริการลูกค้า — วิเคราะห์บทสนทนาจากแชทเพื่อหาคำถามที่ซ้ำที่สุด แล้วนำไปออกแบบแชทบอทให้ตอบแทน
องค์กรที่ยังไม่มีทีมข้อมูล ควรเริ่มอย่างไร
- เลือกคำถามธุรกิจหนึ่งข้อ ที่ตอบได้แล้วมีผลกับเงินจริง เช่น ลูกค้ากลุ่มไหนซื้อซ้ำน้อยลง
- ไล่ดูว่าข้อมูลที่ต้องใช้อยู่ที่ไหนบ้าง ส่วนใหญ่จะพบว่ากระจายอยู่ 3-5 ระบบและบางส่วนอยู่ในไฟล์ Excel ของแต่ละคน
- รวมข้อมูลชุดนั้นให้อยู่ที่เดียวก่อน ยังไม่ต้องรวมทั้งองค์กร
- ทำรายงานหรือ Dashboard ตัวแรก ให้คนใช้จริงและวัดผลว่าเปลี่ยนการตัดสินใจได้ไหม
- ขยายทีละคำถาม พร้อมวางมาตรฐานชื่อและนิยามตัวชี้วัดไปด้วย
- ค่อยพิจารณาสถาปัตยกรรมขนาดใหญ่ เมื่อข้อมูลโตเกินเครื่องมือเดิมจริง ๆ
ลำดับนี้สำคัญ เพราะโครงการที่เริ่มจากการซื้อเทคโนโลยีก่อนแล้วค่อยหาโจทย์ มักจบลงด้วยระบบที่ใช้งานไม่คุ้มค่าบำรุงรักษา
ความเข้าใจผิดที่พบบ่อย
- “ต้องมีข้อมูลมหาศาลก่อนถึงจะเริ่มได้” — ในทางปฏิบัติ องค์กรส่วนใหญ่มีข้อมูลพอสำหรับคำถามแรกอยู่แล้ว เพียงแต่กระจัดกระจาย
- “เก็บทุกอย่างไว้ก่อน เดี๋ยวได้ใช้” — ข้อมูลที่ไม่มีเจ้าของและไม่มีคำอธิบาย สุดท้ายไม่มีใครกล้าใช้ และยังมีต้นทุนจัดเก็บทุกเดือน
- “ซื้อเครื่องมือแล้วจบ” — เครื่องมือคือส่วนที่ง่ายที่สุด งานหนักอยู่ที่การเชื่อมต่อระบบ ทำความสะอาดข้อมูล และตกลงนิยามร่วมกันระหว่างฝ่าย
- “Big Data กับ AI คือเรื่องเดียวกัน” — เป็นคนละชั้นแต่เกี่ยวข้องกัน ข้อมูลที่สะอาดและเข้าถึงได้คือเงื่อนไขที่ทำให้งาน AI ใช้ได้จริง
สรุป
Big Data คือสถานการณ์ที่ข้อมูลโตเกินเครื่องมือเดิม ไม่ใช่ตัวเลขขนาดใดขนาดหนึ่ง สิ่งที่ตัดสินว่าการลงทุนจะคุ้มหรือไม่ ไม่ใช่ขนาดของระบบ แต่คือการเริ่มจากคำถามธุรกิจที่ชัด ทำข้อมูลให้สะอาดพอเชื่อถือได้ และส่งผลลัพธ์กลับเข้าไปในงานประจำวันของคนจริง ๆ
ถ้าองค์กรของคุณมีข้อมูลกระจายอยู่หลายระบบและอยากเริ่มจากคำถามที่ให้ผลเร็วที่สุด ทีม Exito Group รับวางระบบข้อมูลและการวิเคราะห์สำหรับองค์กร ตั้งแต่ประเมินความพร้อมของข้อมูลไปจนถึงส่งมอบรายงานที่ใช้ตัดสินใจได้ — ปรึกษาทีมงาน ได้ก่อนเริ่มโครงการ
