การตัดสินใจทางธุรกิจไม่ว่าจะเป็นทางด้านการตลาด การขาย การเงิน หรือว่าการผลิตให้ประสบความสำเร็จจะต้องมีข้อมูลเพื่อใช้ประกอบในการตัดสินใจเพื่อให้เป็นไปตามวัตถุประสงค์และบรรลุวิสัยทัศน์ขององค์กรได้อย่างถูกต้องและทันต่อเวลา อย่างไรก็ตาม การตัดสินใจทางธุรกิจนั้นเป็นทั้งศาสตร์และศิลป์ในการดำเนินงานของผู้บริหารทั้งในด้านการวางแผนเชิงกลยุทธ์ การกำหนดแผนงาน และการแก้ไขปัญหาต่างๆ ในองค์กร กล่าวคือ การตัดสินใจที่ดีนอกจากจะต้องอาศัยความรู้ ความสามารถ ความคิดสร้างสรรค์ ประสบการณ์ และทักษะของผู้บริหารแต่ละคนแล้วนั้น ยังต้องมีกระบวนการตัดสินใจที่เป็นระบบ มีหลักเกณฑ์และทฤษฎีตามหลักของวิทยาศาสตร์ เพื่อที่จะลดข้อผิดพลาดจากปัจจัยที่เกิดจากสภาพแวดล้อมทั้งภายในและภายนอกองค์กร และทำให้ผลของการตัดสินใจมีความน่าเชื่อถือเพิ่มมากขึ้น ผู้บริหารจำเป็นต้องเข้าใจอาการของปัญหาว่ามีประเด็นอะไรที่จำเป็นต้องตัดสินใจแก้ไข อะไรเป็นปัจจัยแวดล้อมของปัญหาและทำการวินิจฉัยสาเหตุของปัญหาที่เกิดขึ้น ขั้นตอนนี้เป็นขั้นตอนที่สำคัญที่สุดในกระบวนการตัดสินใจของผู้บริหาร นักวิเคราะห์คงเคยได้ยินสำนวนที่ว่า “เกาไม่ถูกที่คัน” ที่องค์กรส่วนใหญ่มักประสบความล้มเหลวในการแก้ปัญหาที่เกิดขึ้นในองค์กร ทั้งๆ ที่วิธีการแก้ปัญหาก็ถูกต้องตามหลักทฤษฎีและวิธีปฏิบัติที่มีมาตรฐาน ปัญหาหลักๆ ที่ถูกมองข้ามก็คือ การแก้ปัญหาไม่ตรงจุดและตรงประเด็น

การตัดสินใจให้ประสบความสำเร็จได้นั้นต้องคำนึงถึงตัวชี้วัดทั้ง 2 ตัว คือ ประสิทธิภาพ (Efficiency) และประสิทธิผล (Effectiveness) ของการตัดสินใจ ประสิทธิผลจะเป็นตัวชี้วัดว่าผู้บริหารตัดสินใจในเรื่องที่ถูกต้องหรือไม่ (Doing the Right Things) ในขณะที่ประสิทธิภาพจะเป็นตัวสะท้อนให้เห็นว่าผู้บริหารตัดสินใจด้วยวิธีการที่ถูกต้องเหมาะสมหรือไม่ (Doing the Things Right) นอกจากนี้ การตัดสินใจระดับผู้บริหารก็ยังแบ่งออกเป็น 3 ระดับ¹ ได้แก่

1.การตัดสินใจเชิงกลยุทธ์ (Strategic Decision Making) จะเป็นเรื่องของการกำหนดทิศทางและนโยบายขององค์กรในระยะยาวทั้งในเรื่องของการวางแผนเชิงกลยุทธ์ การจัดสรรทรัพยากรด้านการเงินและบุคลากร เป็นต้น

2.การตัดสินใจในระดับการบริหารงาน (Managerial Decision Making) จะเป็นหน้าที่หลักของผู้บริหารระดับกลาง ในการวางแผนปฏิบัติงานตามทิศทางและนโยบายขององค์กร รวมถึงการติดตามการทำงาน การตรวจสอบและการประเมินผลงานตามแผนปฏิบัติงาน และการตรวจสอบการใช้ทรัพยากรที่มีอยู่ว่ามีประสิทธิภาพตามแผนงานหรือไม่ เป็นต้น

3.การตัดสินใจในระดับการปฏิบัติงาน (Operational Decision Making) จะเป็นหน้าที่ของผู้บริหารระดับล่างซึ่งจะเกี่ยวข้องกับการตัดสินใจตามระเบียบ กฎเกณฑ์และแบบแผนที่ผู้บริหารระดับสูงกำหนดไว้ให้ได้ประสิทธิภาพและประสิทธิผลมากที่สุด

ในยุคที่เต็มไปด้วยข้อมูลมหาศาล มีการเปลี่ยนแปลงตลอดเวลา ข้อมูลมีความหลากหลายและมาจากหลายช่องทาง หรือ Big Data หลายๆ องค์กรจำเป็นต้องปรับตัวนำระบบเทคโนโลยีสารสนเทศเข้ามาช่วยในการตัดสินใจขององค์กรทั้งในระดับการตัดสินใจเชิงกลยุทธ์ ระดับการบริหารงาน และระดับปฏิบัติงาน ระบบธุรกิจอัจฉริยะ (Business Intelligence) และการวิเคราะห์ข้อมูลทางธุรกิจ (Business Analytics) จึงถูกพัฒนาขึ้นและเข้ามามีบทบาทสำคัญเพื่อช่วยให้การตัดสินใจขององค์กรเป็นไปอย่างมีระบบและเป็นแบบอัตโนมัติเพิ่มมากขึ้น อย่างไรก็ตาม วิวัฒนาการของเทคโนโลยีในปัจจุบันมีการพัฒนาและเปลี่ยนแปลงไปอย่างรวดเร็ว โดยเฉพาะอย่างยิ่งเมื่อปัญญาประดิษฐ์ (Artificial Intelligence) หรือที่เรียกสั้นๆ ว่า AI สามารถเพิ่มศักยภาพในการเรียนรู้และการประมวลผลข้อมูล รวมถึงการสร้างแบบจำลองเพื่อการทำนายข้อมูลที่มีความแม่นยำมากขึ้น ซึ่งจะทำให้ระบบการตัดสินใจในยุคใหม่ขององค์กรเปลี่ยนไปอย่างสิ้นเชิง

โดยปกติแล้วทุกๆ 10 ปี เราจะได้เห็นการพัฒนาและความก้าวหน้าของเทคโนโลยีที่เข้ามามีบทบาทสำคัญในการพัฒนาระบบช่วยในการตัดสินใจของหลายๆ ภาคธุรกิจและอุตสาหกรรม (จากภาพที่ 1)

ในยุค 1980’ s หลายๆ บริษัทเริ่มมีการพัฒนาระบบสารสนเทศหรือซอฟต์แวร์เพื่อช่วยสนับสนุนการตัดสินใจ (Decision Support System) ของผู้บริหารให้มีประสิทธิภาพเพิ่มมากขึ้น โดยให้ความสำคัญกับการจัดการฐานข้อมูล (Database Management) การสร้างแบบจำลองเพื่อการวิเคราะห์ข้อมูล (Model Management) และการพัฒนาส่วนเชื่อมต่อประสานงานของผู้ใช้งานกับระบบสารสนเทศ (User Interface Management)

ในยุค 1990’ s เมื่อข้อมูลขององค์กรมีขนาดใหญ่มากขึ้น ระบบการจัดการฐานข้อมูล (Database Management) เริ่มมีการพัฒนามากขึ้น จากการจัดเก็บข้อมูลทั่วไปขององค์กรแบบแยกตามประเภท เช่น ข้อมูลรายละเอียดของสินค้า ข้อมูลการซื้อขาย หรือข้อมูลของลูกค้าและพนักงาน เป็นต้น มาเป็นการจัดการคลังข้อมูล (Data Warehousing) ซึ่งจะเป็นการเก็บข้อมูลในหลายมิติ และถูกออกแบบมาให้เหมาะแก่การนำข้อมูล (Query) ไปใช้ในการวิเคราะห์ได้รวดเร็วและง่ายขึ้น ในขณะที่คำสั่งที่ใช้ในการจัดการข้อมูลจะมีความยาวและซับซ้อนน้อยลง

ในยุค 2000’ s การจัดการคลังข้อมูลถูกพัฒนาเพื่อตอบโจทย์ผู้บริหารมากขึ้น มีการอัปเดตข้อมูลทั้งในปัจจุบันและข้อมูลย้อนหลังซึ่งทำให้ผู้ใช้งานสามารถเข้าถึงข้อมูลในระบบได้โดยตรง หลายมุมมอง และทันท่วงที สามารถวิเคราะห์และดำเนินการเรียกข้อมูลตามระยะเวลาที่ต้องการ และสามารถรองรับการใช้งาน Workload ระดับองค์กรใหญ่ๆ ได้รวดเร็ว นอกจากนี้ระบบคลังข้อมูลยังมีความยืดหยุ่นในการตอบโต้กับผู้ใช้งาน การตรวจสอบคุณภาพของข้อมูลและการสร้างแบบจำลองข้อมูลเพื่อสนับสนุนการตัดสินใจสามารถทำได้อย่างรวดเร็วมากยิ่งขึ้น

ในยุคปัจจุบัน 2010’ s เป็นยุคของการวิเคราะห์ข้อมูลขนาดใหญ่ (Big Data Analytics) เน้นในเรื่องของการพัฒนาระบบการตัดสินใจในการใช้ประโยชน์จากข้อมูลดิบในการหาความรู้ใหม่ๆ และสามารถนำความรู้เหล่านั้นมาประยุกต์ให้เกิดเป็นแผนงานที่เป็นรูปธรรม หลายๆ บริษัทซอฟต์แวร์ขนาดใหญ่มีการพัฒนาระบบ Data Warehouse และ Big Data บน Cloud เพื่อลดต้นทุนในการลงทุนโครงสร้างพื้นฐาน สามารถเชื่อมต่อกับเครื่องมือ แอปพลิเคชัน หรือระบบที่ใช้ในการวิเคราะห์ข้อมูล (Real-Time Data Analytics) หรือการทำ Data Visualization ซึ่งสามารถรองรับข้อมูลที่มหาศาลและข้อมูลที่เป็นแบบโครงสร้าง (Structured Data) และไม่มีโครงสร้าง (Unstructured Data) ได้อย่างมีประสิทธิภาพ ภาพที่ 2 แสดงตารางความเสี่ยงและผลตอบแทนของการลงทุนระบบการวิเคราะห์ข้อมูล (Big Data Analytics) ในอดีตที่ผ่านมา การลงทุน Big Data Projects ใช้เงินลงทุนค่อนข้างสูงและมีความเสี่ยงสูงมากที่จะประสบความล้มเหลวเนื่องจากข้อจำกัดทางด้านเทคโนโลยี การสร้างคน และการปรับเปลี่ยนวัฒนธรรมองค์กร แต่ในปัจจุบันมีกรณีศึกษาและงานวิจัยมากมายที่แสดงให้เห็นแล้วว่า Big Data Projects สามารถสร้างความได้เปรียบในการแข่งขันและนำไปสู่ความยั่งยืนให้กับองค์กรในระยะยาวได้ ดังนั้นในยุค 2010’ s จึงถือได้ว่าการประยุกต์นำแนวคิดของการวิเคราะห์ข้อมูลทางธุรกิจ ระบบธุรกิจอัจฉริยะ และ Big Data เข้ามาใช้เพื่อสนับสนุนการตัดสินใจเชิงกลยุทธ์ของผู้บริหารสามารถให้ผลตอบแทนที่สูงและความเสี่ยงของการลงทุนที่ต่ำลง (Low-Risk/High-Return)

พร้อมหรือยังกับระบบการตัดสินใจในยุค 2020’ s

ในอนาคต สิ่งหนึ่งที่ผู้บริหารจำเป็นจะต้องคำนึงถึงก็คือ การเปลี่ยนแปลงที่เกิดจากเทคโนโลยีดิจิทัล (Digital/Technology Disruption) ที่ทำให้เกิดนวัตกรรมและรูปแบบธุรกิจใหม่ๆ ทำให้สภาพการแข่งขันเข้มข้นมากขึ้น และพฤติกรรมของผู้บริโภคเปลี่ยนแปลงไปอย่างรวดเร็ว ซึ่งส่งผลกระทบต่ออุตสาหกรรมหรือรูปแบบการทำธุรกิจแบบเดิมๆ อย่างหลีกเลี่ยงไม่ได้เลย หลายๆ องค์กรต้องประสบปัญหาทางด้านการเงิน เกิดการควบรวมกิจการ หรือประสบกับภาวะล้มละลาย โดยที่ปัญหาส่วนใหญ่เกิดเนื่องจากผู้บริหารเหล่านั้นมีการตอบสนองต่อการเปลี่ยนแปลงที่ล่าช้า ยึดติดกับการตัดสินใจในรูปแบบเดิมๆ และไม่ได้มีการเตรียมทรัพยากรขององค์กรให้พร้อมต่อโอกาสหรือความท้าทายในการตอบสนองต่อ Technology Disruptions ดังกล่าว

เทคโนโลยีทางด้าน Cloud Computing วิทยาการด้านระบบหุ่นยนต์ (Robotics) ปัญญาประดิษฐ์ (Artificial Intelligence) ระบบ Sensor Network และ Internet of Thins (IoT) เป็นตัวอย่างของ Technology ที่ถูกนำมาพัฒนาและประยุกต์ใช้งานเพื่อให้เป็นส่วนหนึ่งของระบบการตัดสินใจยุคใหม่ เช่น

- การเปลี่ยนรูปแบบการเก็บข้อมูลและการวิเคราะห์ข้อมูลให้อยู่ในรูปแบบของระบบ Cloud มากขึ้น เพื่อให้องค์กรมีความยืดหยุ่นในการใช้งาน ลดความเสี่ยงของการลงทุนระบบ และเป็นการใช้ทรัพยากรที่มีขององค์กรได้อย่างเหมาะสม รวมทั้งสามารถควบคุมต้นทุนได้ง่าย เช่น การจ่ายเงินตามลักษณะการใช้งานจริง (Pay-As-You-Go) เป็นต้น ซึ่งในปัจจุบันการใช้งานของระบบ Cloud สามารถแบ่งออกเป็น 3 ระบบหลักๆ คือ 1. Infrastructure as a Service (IaaS) 2. Platform as a Service (PaaS) และ 3. Software as a Service (SaaS) เป็นต้น

- การเก็บรวบรวมและการวิเคราะห์ข้อมูลของลูกค้าผ่านระบบ Robotics Sensor Network และ IoT แบบ Real-Time ผ่านทางอุปกรณ์ต่างๆ เช่น โทรศัพท์มือถือ สมาร์ตโฟน นาฬิกา แท็บเล็ต ยานพาหนะ หรือแม้แต่เครื่องใช้ไฟฟ้าภายในบ้านที่ถูกเชื่อมต่อและสื่อสารถึงกันได้ผ่านเครือข่ายอินเทอร์เน็ต ซึ่งจะช่วยให้องค์กรสามารถเข้าใจพฤติกรรมของผู้บริโภคได้ดียิ่งขึ้น ลดขั้นตอนในการทำงาน หรือลดต้นทุนในการผลิต

- การนำ AI มาเป็นส่วนหนึ่งในการสร้างแบบจำลองเพื่อการทำนาย (Predictive Modeling) เพื่อแยกแยะข้อมูลที่ซับซ้อน เพิ่มศักยภาพในการประมวลผล เรียนรู้ ลดอุปสรรคของการวิเคราะห์ข้อมูลเชิงลึก และข้อผิดพลาดในการทำนาย โดยเฉพาะอย่างยิ่งข้อมูลที่เป็นลักษณะแบบไม่มีโครงสร้าง (Unstructured Data) เช่น การวิเคราะห์ข้อมูลที่ไม่ใช่ตัวเลข ประเภท ภาพ เสียง ข้อความ หรือข้อมูลที่มาจากระบบ Sensor Network และ IoT เป็นต้น การพัฒนาระบบ AI เพื่อให้สามารถตอบคำถามหรือโต้ตอบกับลูกค้าที่โทรเข้ามาที่ Call Center การประยุกต์นำศาสตร์ของวิทยาศาสตร์คอมพิวเตอร์ เช่น Machine Learning มาใช้ในการวิเคราะห์ภาพ เสียง ภาพเคลื่อนไหว และภาษามนุษย์ เช่น การพัฒนาระบบตรวจจับใบหน้าของกล้อง CCTV แบบ Real-Time โดยการนำ Graphics Processing Units (GPU) เข้ามาใช้ โดยกระบวนการสอนและอัลกอริทึมที่ใช้ในการสอน AI จะช่วยเรียนรู้ ตรวจจับ และทำนายใบหน้าได้อย่างถูกต้องและแม่นยำมากขึ้น การนำระบบ AI มาช่วยพัฒนาระบบประมวลภาษาธรรมชาติ (Natural Language Processing) เช่น ระบบแชตบอต (Chatbot) เพื่อใช้ตอบสนองผู้ใช้งาน รวมถึงการตอบโต้ด้วยเสียง (Speech Recognition) หรือแม้กระทั่งการวิเคราะห์แนวโน้มของการลงทุน การทำนายราคาที่เหมาะสมของหุ้นรายวัน การจัดอันดับความเสี่ยงของลูกค้าธนาคาร หรือการประมาณแนวโน้มยอดขายและความต้องการของสินค้า เป็นต้น ซึ่งจะช่วยให้การตัดสินใจของผู้บริหารทำได้ง่ายขึ้นอีกด้วย

ดังนั้นระบบช่วยในการตัดสินใจของผู้บริหารในอนาคตก็จะต้องมีการปรับเปลี่ยนรูปแบบทั้งในด้านการลงทุนระบบ Platform ในการเข้าถึงข้อมูล ความรวดเร็วในการเข้าถึงข้อมูล รูปแบบและความรวดเร็วในการวิเคราะห์ข้อมูล และความแม่นยำในการวิเคราะห์ข้อมูล

References:

1. Turban, E., Sharda, R., & Delen, D. (2011) . Business Intelligence: A Managerial Approach. Upper Saddle River, NJ: Pearson Prentice Hall.

2. Watson, HJ (2017) . Preparing for the cognitive generation of decision support. MIS Q Exec 16 (13) : 153–169

3. Lund, V (2017) . Teradata Partners Conference, Anaheim, CA Oct 23-26, 2017

รศ.ดร.จงสวัสดิ์ จงวัฒน์ผล