JRIT ICHI

ในช่วงทศวรรษที่ผ่านมา องค์กรจำนวนมากได้ลงทุนอย่างมหาศาลในระบบ Business Intelligence (BI) เพื่อรวบรวม วิเคราะห์ และนำเสนอข้อมูลในรูปแบบที่เข้าใจง่าย ไม่ว่าจะเป็น dashboard, report หรือ visualization ต่าง ๆ ซึ่งช่วยให้ผู้บริหาร “มองเห็น” ธุรกิจได้ชัดเจนขึ้น อย่างไรก็ตาม การมีข้อมูลที่ดีไม่ได้หมายความว่าจะนำไปสู่ “การตัดสินใจที่ดี” เสมอไป นี่คือจุดเปลี่ยนสำคัญที่ทำให้แนวคิด Next-Gen Analytics หรือ “Decision Intelligence” เริ่มเข้ามามีบทบาทอย่างจริงจังในโลกธุรกิจยุคใหม่

BI ในยุคแรกเน้นการตอบคำถามว่า “เกิดอะไรขึ้น” (What happened) และต่อมาพัฒนาไปสู่การอธิบายว่า “ทำไมถึงเกิดขึ้น” (Why it happened) ผ่านการใช้ descriptive และ diagnostic analytics แต่ในโลกที่การแข่งขันสูงขึ้นและความเปลี่ยนแปลงเกิดขึ้นรวดเร็ว องค์กรไม่สามารถรอให้เหตุการณ์เกิดขึ้นแล้วค่อยวิเคราะห์ย้อนหลังได้อีกต่อไป ความต้องการจึงขยับไปสู่การคาดการณ์ (predictive) และแนะนำแนวทางการตัดสินใจ (prescriptive) ซึ่งเป็นแกนหลักของ Decision Intelligence

Decision Intelligence ไม่ได้เป็นเพียงเทคโนโลยี แต่เป็นการผสานกันระหว่าง data science, artificial intelligence (AI), behavioral science และ business context เพื่อช่วยให้การตัดสินใจมีความแม่นยำ เป็นระบบ และสามารถวัดผลได้จริง แนวคิดนี้ถูกผลักดันอย่างชัดเจนจากองค์กรเทคโนโลยีระดับโลกและสถาบันวิจัย เช่น Gartner ที่เคยคาดการณ์ว่า Decision Intelligence จะกลายเป็นหนึ่งในเทรนด์สำคัญขององค์กรภายในไม่กี่ปี เนื่องจากองค์กรต้องการยกระดับจาก “data-driven” ไปสู่ “decision-driven” อย่างแท้จริง

ตัวอย่างจากโลกธุรกิจจริงสะท้อนการเปลี่ยนผ่านนี้ได้อย่างชัดเจน บริษัทด้าน e-commerce ระดับโลกได้นำ AI มาช่วยแนะนำสินค้าแบบ real-time โดยไม่ได้อิงแค่ประวัติการซื้อ แต่รวมถึงพฤติกรรมการใช้งาน ณ ขณะนั้น สภาพแวดล้อม และข้อมูลจากผู้ใช้รายอื่นที่มีลักษณะคล้ายกัน ระบบไม่ได้เพียงแค่รายงานยอดขายหรือ conversion rate แต่สามารถ “ตัดสินใจแทน” ในบางกรณี เช่น การปรับราคาแบบ dynamic pricing หรือการจัดลำดับสินค้าที่แสดงให้ลูกค้าเห็น ซึ่งส่งผลโดยตรงต่อรายได้

ในอีกด้านหนึ่ง อุตสาหกรรมการเงินก็เป็นผู้บุกเบิกการใช้ Decision Intelligence อย่างจริงจัง ธนาคารและ fintech จำนวนมากใช้โมเดล AI ในการอนุมัติสินเชื่อแบบอัตโนมัติ โดยพิจารณาปัจจัยที่หลากหลายกว่าระบบแบบเดิม เช่น พฤติกรรมการใช้จ่าย ข้อมูลทางเลือก (alternative data) และ pattern ที่มนุษย์อาจมองไม่เห็น ข่าวเกี่ยวกับการใช้ AI เพื่อตรวจจับ fraud แบบ real-time ก็ปรากฏอย่างต่อเนื่องในช่วงไม่กี่ปีที่ผ่านมา ซึ่งช่วยลดความเสียหายทางการเงินได้อย่างมีนัยสำคัญ

อย่างไรก็ตาม การก้าวสู่ Decision Intelligence ไม่ใช่เรื่องง่าย องค์กรจำนวนไม่น้อยยังติดอยู่กับ “data silos” หรือข้อมูลที่กระจัดกระจายอยู่ในหลายระบบ ทำให้ไม่สามารถนำมาวิเคราะห์ร่วมกันได้อย่างมีประสิทธิภาพ นอกจากนี้ ปัญหาด้านคุณภาพข้อมูล (data quality) และความน่าเชื่อถือของโมเดล AI ก็เป็นอุปสรรคสำคัญ เพราะหากข้อมูลไม่ถูกต้องหรือโมเดลมี bias การตัดสินใจที่ได้ก็อาจผิดพลาดและส่งผลกระทบในวงกว้าง

อีกประเด็นที่เริ่มได้รับความสนใจมากขึ้นคือ “ความโปร่งใส” และ “ความรับผิดชอบ” ของการตัดสินใจที่ขับเคลื่อนด้วย AI หลายกรณีในข่าวแสดงให้เห็นว่า การใช้โมเดลที่ไม่สามารถอธิบายได้ (black-box models) อาจสร้างความไม่ไว้วางใจ โดยเฉพาะในบริบทที่มีผลกระทบต่อชีวิตคน เช่น การอนุมัติสินเชื่อ การคัดเลือกพนักงาน หรือการวินิจฉัยทางการแพทย์ ดังนั้น Decision Intelligence ที่ดีต้องไม่ใช่แค่แม่นยำ แต่ต้อง “อธิบายได้” (explainable) และตรวจสอบได้ด้วย

ในมุมขององค์กรไทย แนวโน้มนี้เริ่มเห็นได้ชัดขึ้น โดยเฉพาะในธุรกิจค้าปลีก โทรคมนาคม และธนาคาร ที่มีการนำ advanced analytics และ AI มาใช้มากขึ้น เช่น การทำ personalized marketing หรือการคาดการณ์ churn ของลูกค้า แม้หลายองค์กรยังอยู่ในช่วงเริ่มต้น แต่แรงกดดันจากการแข่งขันและพฤติกรรมผู้บริโภคที่เปลี่ยนแปลงอย่างรวดเร็ว ทำให้การลงทุนในด้านนี้กลายเป็น “ความจำเป็น” มากกว่าทางเลือก

สุดท้ายแล้ว การเปลี่ยนผ่านจาก BI ไปสู่ Decision Intelligence ไม่ได้หมายถึงการทิ้งสิ่งเดิม แต่เป็นการต่อยอดจากพื้นฐานที่มีอยู่ องค์กรยังคงต้องมีระบบ BI ที่แข็งแรงเพื่อให้ข้อมูลที่ถูกต้องและทันเวลา แต่ในขณะเดียวกันก็ต้องพัฒนา capability ใหม่ ๆ ที่ช่วยให้ข้อมูลเหล่านั้น “นำไปสู่การตัดสินใจ” ได้อย่างแท้จริง องค์กรที่ทำได้สำเร็จจะไม่เพียงแค่เข้าใจอดีตหรือปัจจุบัน แต่สามารถ “กำหนดอนาคต” ของตัวเองได้อย่างมีประสิทธิภาพและยั่งยืน

ผู้เขียน: ก้องปพัฒน์ กำจรจรุงวิทย์