Business Analytics เป็นนิยามกว้างๆ ที่เกี่ยวข้องกับการนำเทคโนโลยีสารสนเทศ รวมถึงเครื่องมือทางคณิตศาสตร์และสถิติเข้ามาช่วยในการวิเคราะห์ข้อมูล สำนักวิจัย Gartner ได้แบ่งประเภทของ Business Analytics ออกเป็น 4 แบบตามคุณค่า (Value) และสมรรถภาพขององค์กร (Capability) โดยเริ่มจาก Descriptive Analytics ไปจนกระทั่ง Prescriptive Analytics สิ่งที่สำคัญ คือ นักวิเคราะห์สามารถใช้ประโยชน์จากข้อมูลดิบ (Raw Data) ในการหาความรู้ใหม่ๆ (Knowledge and Information) ได้มากน้อยขนาดไหน และสามารถนำความรู้เหล่านั้นมาประยุกต์ให้เกิดเป็นแผนงานที่เป็นรูปธรรม (Actionable Plan) ในการวางแผนงานทั้งในระยะสั้นและระยะยาวได้อย่างไร ผลลัพธ์ที่ได้จากการวิเคราะห์ข้อมูลจะมีคุณค่า (Value) เพิ่มมากขึ้นและสามารถสร้างความได้เปรียบในการแข่งขัน (Competitive Advantage) ให้กับองค์กรได้ก็จะขึ้นอยู่กับระดับของการวิเคราะห์ข้อมูลและประเด็นผลการศึกษา (Key Findings) ที่ได้จากวิเคราะห์ข้อมูล

• Descriptive Analytics เป็นรูปแบบการวิเคราะห์ข้อมูลแบบพื้นฐานที่สุดที่เน้นการตอบคำถามทางด้าน “What Happened?” หรือการอธิบายว่าเกิดอะไรขึ้นกับองค์กร การติดตามและประเมินผลการดำเนินงานของตัวชี้วัดที่แต่ละองค์กรต้องการ ณ ช่วงเวลาใดเวลาหนึ่ง เช่น แนวโน้มของยอดขายที่ต่ำลง หรือต้นทุนที่สูงขึ้นในช่วง 3 ปีที่ผ่านมา จะช่วยให้องค์กรเข้าใจถึงสถานการณ์ในปัจจุบันขององค์กรได้เป็นอย่างดี

• Diagnostic Analytics เป็นรูปแบบการวิเคราะห์ข้อมูลที่ก้าวขึ้นมาอีกหนึ่งขั้นที่จะช่วยให้สามารถตอบคำถามทางด้าน “Why did it happen?” หรือเพื่ออธิบายว่า “ทำไมหรือเพราะอะไร” ที่ตัวชี้วัดที่นักวิเคราะห์สนใจถึงมีพฤติกรรมเช่นนั้น เช่น นอกจากที่ผู้บริหารจะเห็นภาพของผลของการดำเนินงานที่แย่ลงแล้วจากการทำ Descriptive Analytics สิ่งที่ผู้บริหารต้องการรู้ต่อไปคือ เพราะอะไรและปัจจัยอะไรบ้างที่ทำให้ผลการดำเนินงานต่ำลงกว่าที่คาดการณ์ไว้

• Predictive Analytics เป็นรูปแบบการวิเคราะห์ข้อมูลเพื่อการพยากรณ์สิ่งที่จะเกิดขึ้นในอนาคตโดยใช้ข้อมูลในอดีตหรือปัจจุบันมาประกอบการสร้างโมเดลเชิงทำนายหรือแบบจำลองทางคณิตศาสตร์ รูปแบบของ Predictive Analytics จะช่วยตอบคำถาม “What will happen?” เช่น การสร้างแบบจำลองเพื่อทำนายว่าลูกค้ากลุ่มใดบ้างที่มีโอกาสจะตอบรับแคมเปญหรือข้อเสนอที่องค์กรส่งไป การทำนายแนวโน้มการชำระหนี้ของลูกค้า หรือการคำนวณ Credit Risk Scores ของลูกค้ากลุ่มสถาบันการเงินที่มาขออนุมัติสินเชื่อ เป็นต้น

• Prescriptive Analytics จะเป็นการต่อยอดจาก Predictive Analytics เพื่อตอบคำถาม “How can we make it happen?” จากการจำลองสถานการณ์หลายรูปแบบ การปรับเปลี่ยนรูปแบบของการวิเคราะห์ และการนำผลลัพธ์ที่ได้จากการวิเคราะห์ข้อมูล (Key Findings) มาใช้ในการสร้างกลยุทธ์ที่เหมาะสมกับองค์กร

ดังนั้นในการวิเคราะห์ข้อมูล นักวิเคราะห์จะหลีกเลี่ยงไม่ได้เลยที่ต้องสร้างแบบจำลองทางคณิตศาสตร์หรือสร้างแบบจำลองเพื่อใช้แทนสถานการณ์จริง พร้อมทั้งนำความรู้ทางสถิติเข้ามาใช้ในการวิเคราะห์แบบจำลองในรูปแบบที่แตกต่างกัน เช่น แบบจำลองที่ใช้ในการคำนวณหาค่าสูงสุดหรือต่ำสุด (Optimization Model) การจำลองเหตุการณ์ที่จะเกิดขึ้นภายใต้กฎเกณฑ์และได้มีการกำหนดเวลาที่แน่นอน (Deterministic Simulation Modeling) การจำลองเหตุการณ์ที่จะเกิดขึ้นโดยที่กฎเกณฑ์ต่างๆ ของแต่ละปัจจัยจะอยู่ในรูปแบบความน่าจะเป็นและไม่ใช่ค่าคงที่ (Stochastic Simulation Modeling) หรือการวิเคราะห์การถดถอย (Regression Analysis) เป็นต้น

ในวิชานี้นักศึกษาจะได้เรียนรู้กระบวนการวิเคราะห์ข้อมูลในส่วนของ Prescriptive Analytics โดยจะมุ่งเน้นไปที่ 2 แบบจำลองหลักๆ ดังนี้

1.        Optimization Model

Optimization Model คือ การสร้างแบบจำลองทางคณิตศาสตร์เพื่อต้องการหาจุดสูงสุด (Maximize Profit, Maximize Resources, หรือ Maximize Capacity) หรือจุดต่ำสุด (Minimize Cost, Minimize Time, หรือ Minimize Resource) ภายใต้ข้อจำกัด (Constraint หรือ Limitation) ของ Resources ที่มีอยู่ หรือภายใต้กฎเกณฑ์ทางธุรกิจ เป็นต้น โดยทั่วไปแล้ว ผู้บริหารมักจะต้องมีการตัดสินใจโดยมีจุดมุ่งหมายที่ชัดเจนภายใต้ข้อจำกัดต่างๆ ในหลายด้าน อยู่แล้วไม่ว่าจะเป็นการตัดสินใจในระดับ Strategic Level, Managerial Level, หรือ Operation Level เช่น การตัดสินว่าจะผลิตสินค้าในแต่ละ SKU เท่าไหร่หรือผลิตสินค้าตัวใดก่อนหรือหลัง (Production Scheduling) เพื่อ Maximize Profit หรือ Minimize Cost ภายใต้ข้อจำกัดที่ว่า Capacity ของกระบวนการผลิตมีจำกัด Common Raw Materials ไม่เพียงพอต่อการผลิตสินค้าทั้งหมด Budget มีจำกัด หรือกำลังคนไม่ไม่เพียงพอต่อการผลิตชิ้นงานทั้งหมด เป็นต้น ซึ่งในวิชานี้นักศึกษาจะได้เรียนรู้ Use Cases ของการทำ Optimization ในหลายๆ Business Function อย่างไรก็ตาม ข้อจำกัดอย่างหนึ่งของการสร้างแบบจำลอง Optimization Model ก็คือ การที่จะต้องมีการคาดการณ์ค่าของ Parameters ต่างๆ ในแบบจำลองไว้ล่วงหน้า หรือที่เรียกว่า Deterministic Model ซึ่งหมายความว่า ค่าต่างๆ ที่ประมาณการณ์มาสำหรับเป็น Input ของแบบจำลองจะเป็นค่าคงที่แน่นอน ทำให้ความถูกต้องของแบบจำลองมีความคลาดเคลื่อนค่อนข้างสูง เช่น การคาดการณ์ว่าราคาของ Raw Materials จะอยู่ที่ $200 แต่ในความเป็นจริงแล้ว ตามทิศทางแนวโน้มของตลาด มีโอกาสที่ราคาของ Raw Materials จะต่ำสุดอยู่ที่ $180 ที่ 30% หรือขึ้นไปสูงถึง $300 ต่อชิ้นที่ 50% เป็นต้น ดังนั้นแม้ว่านักวิเคราะห์จะมีความรู้ความชำนาญในการทำ Optimization Model แต่ด้วยข้อจำกัดของแบบจำลองที่เป็นลักษณะของ Deterministic Models การศึกษาการสร้างแบบจำลองที่ซับซ้อนขึ้นที่คำนึงถึง Probability หรือ Stochastic Models จึงเป็นสิ่งที่หลีกเลี่ยงไม่ได้

2.        Monte Carlo Simulation & Discrete Event Simulation

นิยามของ Simulation

Simulation คือ กระบวนการออกแบบแบบจำลอง (Model) สถานการณ์ของระบบจริง (Actual System) โดยมีวัตถุประสงค์เพื่อดำเนินการทดลอง (Experiment) กับแบบจำลองเพื่อให้เรียนรู้พฤติกรรมของระบบ และการวิเคราะห์ผลลัพธ์ที่ได้จากการสร้างแบบจำลองเพื่อนำไปใช้ในการแก้ไขปัญหาในสถานการณ์จริง ตามเงื่อนไข (What-If scenarios) ที่นักวิเคราะห์ต้องการจะทดสอบแนวคิดของการแก้ไขปัญหา เพื่อลดความเสี่ยงในการลงทุน ลดความเสี่ยงในการเกิดข้อผิดพลาด ลดโอกาสที่จะเกิดความล้มเหลว หรือช่วยประเมินตัวชี้วัดต่างๆ ของระบบ หรือการหาทางเลือก (Scenario) ที่เหมาะสมก่อนตัดสินใจที่จะปรับกระบวนการหรือนำไปใช้กับสถานการณ์หรือการปฏิบัติงานจริงต่อไป

นิยามของ Discrete-Event Simulation

Discrete-Event Simulation คือ กระบวนการออกแบบแบบจำลองที่ การเปลี่ยนแปลงของเวลา (หรือ ณ จุดใดจุดหนึ่งของเวลา) มีผลต่อเหตุการณ์ที่จะเกิดขึ้น (Dynamic Model) สถานการณ์ของระบบจริงที่ การเปลี่ยนแปลงของเวลา (หรือ ณ จุดใดจุดหนึ่งของเวลา) มีผลต่อเหตุการณ์ที่จะเกิดขึ้น (Actual Dynamic System) โดยมีวัตถุประสงค์เพื่อดำเนินการทดลอง (Experiment) กับแบบจำลองเพื่อให้เรียนรู้พฤติกรรมของระบบ และการวิเคราะห์ผลลัพธ์ที่ได้จากการสร้างแบบจำลองเพื่อนำไปใช้ในการแก้ไขปัญหาในสถานการณ์จริง ตามเงื่อนไข (What-If scenarios) ที่นักวิเคราะห์ต้องการจะทดสอบแนวคิดของการแก้ไขปัญหา เพื่อลดความเสี่ยงในการลงทุน ลดความเสี่ยงในการเกิดข้อผิดพลาด ลดโอกาสที่จะเกิดความล้มเหลว หรือช่วยประเมินตัวชี้วัดต่างๆ ของระบบ หรือการหาทางเลือก (Scenario) ที่เหมาะสมก่อนตัดสินใจที่จะปรับกระบวนการหรือนำไปใช้กับสถานการณ์หรือการปฏิบัติงานจริงต่อไป

สำหรับประเภทของการสร้างแบบจำลองของระบบ นักวิเคราะห์ข้อมูลต้องเข้าใจก่อนว่าตัวแปรพารามิเตอร์ที่เกี่ยวข้องกับระบบมีสองประเภท คือ Deterministic Model (พารามิเตอร์ที่ใช้ในการจำลองระบบเป็นค่าคงที่ เหมือนกับในแบบจำลองของ Optimization Models) และ Stochastic Model (การกำหนดพารามิเตอร์ที่ใช้ในการจำลองระบบจะขึ้นอยู่กับความน่าจะเป็นของพารามิเตอร์ตัวนั้นๆ) ในขณะที่แบบจำลองที่เป็น Static Model ที่การเกิดขึ้นของเหตุการณ์ในระบบ (Event) หรือตัวแปรพารามิเตอร์ (Parameters) ต่างๆ ในระบบจะไม่มีการเปลี่ยนแปลงเมื่อเวลาเปลี่ยนไป การจำลองระบบในลักษณะนี้ จะเรียกว่าการสร้างแบบจำลอง Monte Carlo Simulation Model ที่เป็นทั้ง Static และ Stochastic Model ในขณะที่ Dynamic Model การเปลี่ยนแปลงของเวลาจะมีผลกระทบต่อเหตุการณ์ในระบบ (Event) และกระทบต่อตัวแปรพารามิเตอร์ (Parameters) ต่างๆ ในระบบที่นักวิเคราะห์สนใจ ดังนั้น Discrete Event Simulation จึงเป็นกระบวนการออกแบบจำลองที่เป็นทั้ง Dynamic และ Stochastic Models นั่นเอง

ทำไมต้องทำ Simulation

ในปัจจุบันการเปลี่ยนแปลงของกระบวนการ เช่น การเพิ่ม Line การผลิตในโรงงานอุตสาหกรรม การปรับกระบวนการทำงาน การทำ Reengineering Process การปรับปรุงกระบวนงานเพื่อลดขั้นตอนที่ไม่จำเป็น (Non Value-Added Activities) ตามแนวคิดของ Lean การออกแบบสายงานการผลิตในโรงงานอุตสาหกรรม การออกแบบ การบริหารจัดการคลังสินค้า โลจิสติกส์ หรือการออกแบบขั้นตอนการให้บริการของงานสายบริการ เช่น ในร้านอาหาร การ Check-in ที่สนามบิน การให้บริการลูกค้าของธนาคาร  เป็นต้น ล้วนแล้วแต่มีรายละเอียดที่ค่อนข้างมากและมีต้นทุนที่สูง ดังนั้นการตัดสินใจที่ผิดพลาดที่เกิดจากการวางแผนหรือลงทุนที่ไม่มีประสิทธิภาพย่อมนำมาซึ่งความเสี่ยงและมีผลกระทบต่อธุรกิจโดยตรง ดังนั้นการสร้างแบบจำลองเพื่อเข้าใจระบบ ออกแบบ และวางแผนการทำงานของระบบในปัจจุบันที่ถูกต้อง และการคาดการณ์กระบวนการและผลลัพธ์ที่จะเกิดขึ้นจากการทดลอง (Experiment) ในลักษณะของ What-If Analysis หรือการปรับกระบวนงานเพื่อทดสอบสมมุติฐานตามตัวชี้วัดที่ได้ตั้งไว้ เช่น การลดระยะเวลารอคอย (Waiting Time) การลดระยะเวลาการให้บริการหรือระยะเวลาในการผลิต (Cycle Time) ลดค่าใช้จ่ายของกระบวนการอันเนื่องมาจากการลดจำนวนคนในระบบหรือลดขั้นตอนการทำงาน เป็นต้น ก็จะทำให้การตัดสินใจของผู้บริหารมีความมั่นใจมากขึ้น สามารถคำนวณความคุ้มค่าของการลงทุนหรือปรับปรุงกระบวนการของระบบ สามารถออกแบบและทำการทดลอง (Experiment) ในหลายๆ Scenarios แสดงปัญหาคอขวดของกระบวนการในปัจจุบัน (As Is Model) เพื่อเปรียบเทียบกับการปรับกระบวนการ (To Be Model) รวมถึงการบริหารจัดการทรัพยากรของระบบให้เกิดความสมดุลหรือให้มีประสิทธิภาพมากยิ่งขึ้น