แนะปรับใช้ Agile ในกระบวนการด้าน Data Science

Data science คำศัพท์ใหม่ที่คนทำงานสายดิจิทัลรู้จักดี แต่สำหรับคนที่ไม่เคยทำงานด้านนี้อาจจะแอบงงกันบ้าง ดังนั้นในเบื้องต้นจึงขออธิบายว่า จริงแล้วคือกระบวนการหาองค์ความรู้ใหม่จากข้อมูลมหาศาล หรือ Big Data ที่มี เพื่อใช้ข้อมูลให้เกิดประโยชน์และสร้างมูลค่าต่อธุรกิจหรือองค์กรได้เกิดผลลัพธ์มากที่สุดเท่าที่จะเป็นไปได้ ดังนั้นงานด้านนี้จึงต้องมีผู้เชี่ยวชาญที่สามารถจัดการนำข้อมูลที่มีมาวิเคราะห์อย่างมีประสิทธิภาพ เช่น นักวิทยาศาสตร์ข้อมูล (Data Scientist) คือคนที่นำข้อมูลมาวิเคราะห์เพื่อหาความรู้ใหม่จากข้อมูล

นอกจากตำแหน่งนี้ยังจำเป็นต้องมีคนในตำแหน่งอื่นร่วมด้วย จึงจะสามารถนำข้อมูลมาใช้งานได้อย่างมีประสิทธิภาพและเกิดประโยชน์สูงที่สุด แต่กระบวนการที่จะนำมาซึ่งการใช้ข้อมูลให้เกิดประโยชน์ ก็มักจะเป็นทักษะที่ทำคนเดียวไม่ได้ ดังนั้นต้องมีทีมงานที่ดีด้วย ในที่นี้เราเลยแนะนำการปรับใช้ Agile ในกระบวนการด้าน Data Science เพิ่มความรวดเร็วการวิเคราะห์ข้อมูล

ไม่พลาดทุกข้อมูล ข่าวสารที่น่าสนใจ อย่าลืมกดไลก์ Facebook bangkokbanksme 

นายพชร อารยะการกุล ประธานเจ้าหน้าที่บริหาร บริษัท บลูบิค กรุ๊ป จำกัด เปิดเผยว่า หากองค์กรต้องการประสบความสำเร็จในการทำโครงการ Data Science สามารถนำหลักการ Agile มาปรับใช้ได้ โดย Agile เป็นแนวคิดการทำงานที่เน้นความคล่องตัว ลดขั้นตอนการทำงาน มุ่งเน้นการสื่อสารระหว่างบุคลากรต่างทีม เพื่อสร้างความเข้าใจ กระจายอำนาจการตัดสินใจ วางแผนและส่งมอบงานเป็นชิ้นเล็กๆ เพื่อให้สามารถแก้ปัญหาหรือข้อผิดพลาดในแต่ละในส่วนได้ในเวลาอันรวดเร็ว โดยหลักการ Agile แตกต่างจากการทำงานแบบ Waterfall ที่มีการวางแผนการทำงานตั้งแต่เริ่มต้นจนจบโครงการในรอบเดียว ทำให้แก้ไขปัญหาไม่ทันเมื่อพบความผิดพลาด

ฉะนั้นการปรับใช้ Agile กับ Data Science จะสามารถเร่งกระบวนการพัฒนาโมเดลวิเคราะห์ข้อมูล เพื่อเพิ่มมูลค่าให้องค์กรได้ในเวลาอันรวดเร็ว โดยมีหลักการทำงาน 3 ข้อ ซึ่งเริ่มตั้งแต่

1. การปรับให้ทีมทำงานแบบ Agile

เพื่อเพิ่มความคล่องตัวในการทำงาน โดยมีหลักการคือ พัฒนาโมเดลวิเคราะห์ตามข้อมูลที่มีอยู่ เพื่อเน้นเปลี่ยนข้อมูลธรรมดาให้กลายเป็นข้อมูลที่มีคุณค่าต่อการทำธุรกิจในเวลาอันรวดเร็ว และแบ่งปันข้อมูลร่วมกันเป็นประจำ ทั้งภายในทีม Data Science ทีมนักพัฒนาผลิตภัณฑ์ และตัวผู้ใช้ผลิตภัณฑ์เพื่อให้ได้ข้อมูลใหม่ๆ แบบเรียลไทม์ รวมทั้งการส่งมอบผลลัพธ์อย่างสม่ำเสมอ ผ่านการทดลองสร้างโมเดลและวิเคราะห์ข้อมูลแบบต่างๆ เพื่อลองดูผลตอบรับ และหาทางสร้างผลลัพธ์ที่ดีที่สุด

2. การปรับเส้นทางการไหลของข้อมูล (Data Pipeline)

การปรับ Data Pipeline สามารถดำเนินการได้ โดยทำให้เส้นทางการไหลของข้อมูลเป็นไปอย่างอัตโนมัติมากที่สุด เพื่อเพิ่มความรวดเร็วในการนำข้อมูลมาใช้ หรือที่เรียกว่า DataOps ตั้งแต่ขั้นตอนการจัดเก็บข้อมูล ทำความสะอาดข้อมูล กรองข้อมูล เรียนรู้ข้อมูล ทำรายงานข้อมูล นำเสนอข้อมูล และการแบ่งปันข้อมูล โดยแนวทางการนำ DataOps มาปรับใช้

3. การปรับการทำงานของหน่วยงานภายในเป็นแบบอัตโนมัติด้วย Augmented Analytics

การเพิ่มความรวดเร็วภายในหน่วยธุรกิจ เป็นส่วนสำคัญที่ช่วยเพิ่มประสิทธิภาพในการนำข้อมูลไปใช้ เพื่อค้นหาข้อมูลเชิงลึก (Insights) ซึ่งสามารถดำเนินการผ่านการผสมผสานการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ (Artificial Intelligence/ Machine Learning : AI/ML) เข้ากับการประมวลภาษาธรรมชาติ (Natural Language Processing) กลายเป็นการวิเคราะห์ข้อมูลโดยอัตโนมัติ หรือที่เราเรียกว่า Augmented Analytics โดยการประยุกต์ใช้ Augmented Analytics สามารถนำไปปรับใช้ได้กับทั้งระบบงานส่วนหน้า (Front Office) ระบบงานส่วนกลาง (Middle Office) และระบบงานส่วนหลัง (Back Office)

หากธุรกิจต้องการนำข้อมูลมหาศาลในมือมาขับเคลื่อนให้รายได้เติบโตอย่างรวดเร็ว และสร้างความได้เปรียบในสมรภูมิการแข่งขันยุคดิจิทัล การนำ Data Science มาช่วยวิเคราะห์ข้อมูลเพียงอย่างเดียวคงไม่เพียงพอ แต่ต้องทำให้ข้อมูลสร้างมูลค่าเพิ่มให้องค์กรในเวลาอันรวดเร็ว โดยนำหลักการ Agile มาปรับใช้กับกระบวนการวิเคราะห์ข้อมูล เพื่อเพิ่มศักยภาพขององค์กร จนสามารถก้าวขึ้นเป็นผู้นำในยุคดิจิทัล

แหล่งอ้างอิง : บลูบิค (Bluebik) 

สมัครสินเชื่อ >>สินเชื่อธุรกิจบัวหลวง SMEs ดีแน่นอน<<

ประโยชน์ของการใช้ Cookie บนเว็บไซต์

15 Digital Marketing Tools บน Google เครื่องมือฟรีที่น่าใช้