ทำไม 87% โครงการ Big Data ถึงไม่ประสบความสำเร็จ

Big Dataทำไม 87% โครงการ Big Data ถึงไม่ประสบความสำเร็จ

 

ปี 2020 ผมว่าเรากำลังอยู่ตรงทางแยกที่ต้องตัดสินใจว่าเราจะดำเนินธุรกิจของเราไปในทิศทางไหน เป็นยุคที่ต้องวัดดวง ไม่รุ่งก็ร่วงกันเลยล่ะครับ.

ซึ่งสิ่งที่มีส่วนสำคัญในการวัดดวงหรือเป็นเหมือนเข็มทิศว่าเราจะรุ่งหรือร่วงนั้นก็คือ Data หรือ ข้อมูล นั่นเองครับ.

ผมว่าเราได้ยินเรื่องราวจากสื่อต่างๆ และจากคนมีชื่อเสียงมากมายบอกว่า ข้อมูลมีค่ามากกว่าน้ำมันซะอีก มีหลายบริษัทชั้นนำทั่วโลกมากมายที่ประสบความสำเร็จจากการนำ Data มาใช้ในการทำธุรกิจ ไม่ว่าจะเป็น Google, Facebook, Netflix และอื่นๆ อีกมากมาย.

แต่ก็นั่นล่ะครับในความเป็นจริงแล้ว ตอนนี้เราแบ่งคนออกเป็นสองกลุ่ม กลุ่มบริษัทที่พยายามทำความเข้าใจ และพยายามปรับตัว เริ่มมีการจ้างงาน Data Scientist, Data Expert เข้ามาทำงานในองค์กร และหวังว่าคนกลุ่มนี้จะนำพาความสำเร็จมาให้.

และมีหลายบริษัทที่มองข้ามมันไป และยังทำธุรกิจแบบเดิมๆ (Business as usual) หรือรอดูท่าทีเพื่อนๆ ในวงการก่อนว่าทำแล้วเป็นยังงัยค่อยว่ากัน….

หลายๆ บริษัทที่ได้ลงทุนเรื่องการสร้างทีม Data Expert เข้ามาในองค์กร ลงทุนทั้งเงิน ลงทุนทั้งเวลา แต่กลับยังไม่สามารถสร้างนวัตกรรมใหม่ๆ หรือบริการที่ตอบโจทย์ลูกค้าตามที่ตั้งใจเอาไว้ .

รายงานจาก Gartner บริษัทวิจัยและให้คำปรึกษาด้านเทคโนโลยีสารสนเทศชั้นนำของโลก เคยประเมินไว้ในปี 2017 ว่าโปรเจค Big data นั้นจะล้มเหลวถึง 60% แต่ก็มีหลายๆ คนให้ข้อมูลเพิ่มเติมว่าในความจริงแล้วสูงถึง 85%!!

และรายงานล่าสุดจาก Venturebeat บอกว่า มีถึง 87% ของ โปรเจคที่เกี่ยวข้องกับ Data Science ยังไม่ได้ใช้งานจริง!!

เป็นเพราะอะไร? ในเมื่อบริษัทก็มีข้อมูลที่มากพอและมีทีม Data Science แล้ว แต่ทำไมยังไม่ประสบความสำเร็จอีกล่ะ

ปัญหาหลักของคือการขาด Data Strategy นั่นเองครับ

สาเหตุหลักเลยก็มาจากการที่ผู้นำองค์กรขาดความเข้าใจในการบริหารทีมงาน Data Expert ไม่มีคนผลักดันการเปลี่ยน Culture ขององค์กร การขับเคลื่อนให้องค์กรนำ Data มาใช้ในการตัดสินใจจริงๆ เราจำเป็นต้องมี Data Strategy ที่ดี สามารถสื่อสารให้กับคนในองค์กรเข้าใจ เพราะการเปลี่ยนทัศนคติคนทำงานจากที่เคยตัดสินใจด้วยประสบการณ์ เปลี่ยนมาเป็นตัดสินใจด้วยข้อมูล (Data-driven decision making) ซึ่งจริงๆ แล้วมันไม่ง่ายเลยครับ.

แล้วทำไม Data Science ไม่สามารถขับเคลื่อนได้ล่ะ? เพราะในโลกของ Data ไม่มีใครเก่งทุกเรื่องครับ !!! (No one size fits all in the data world) Data Scientist เป็นเพียงส่วนประกอบหนึ่งในสมการความสำเร็จในการจะสร้างมูลค่าเพิ่มให้กับองค์กรจากข้อมูล ระหว่างทางยังมีอุปสรรคอีกมากมายที่ต้องฟันฝ่า

การที่เราจะประสบความสำเร็จในการนำ Data มาขับเคลื่อนองค์กรนั้น เราจำเป็นที่จะต้องมีผู้นำที่เข้าใจพื้นฐาน Data ไม่ว่าจะเป็น Data Technology, Data Science, Data Governance, Reporting & Business Intelligence, Digital transformation, IT Security, Data Culture, Data translation และอื่นๆ อีกมากมาย.

ซึ่งทั้งหมดนั้นเป็นส่วนหนึ่งของ Data Strategy หรือกลยุทธ์การใช้ข้อมูล ที่หลายๆ องค์กรมองข้ามเรื่องนี้ไป การมี Data Strategy ที่ดีตั้งแต่เริ่มต้นนั้นจะช่วยให้เราสามารถวางแผน ทั้งเรื่องกำลังคน เทคโนโลยี และขั้นตอนในการทำงานเกี่ยวกับ Data ให้เหมาะสมกับองค์กร เพื่อที่จะได้ไม่เป็นหนึ่งใน 85% ที่ล้มเหลว!

สรุปง่ายๆ การมี Data Strategy ที่ดี ก็เหมือนการติดกระดุมเม็ดแรกให้ถูกนั่นแหละครับ!!!

อ้างอิง

https://venturebeat.com/2019/07/19/why-do-87-of-data-science-projects-never-make-it-into-production/


Related articles

การใช้ Cline บน VSC Code เพื่อใช้ AI ช่วยเขียนโปรแกรม: คู่มือฉบับสมบูรณ์จาก Data-Espresso

เรียนรู้วิธีใช้ Cline AI บน VS Code เพื่อปฏิวัติการเขียนโปรแกรมของคุณ! เพิ่มประสิทธิภาพ ลดข้อผิดพลาด และเร่งการพัฒนาซอฟต์แวร์ด้วยผู้ช่วย AI อัจฉริยะ อ่านเลย!

Google เปิดตัว Gemini AI Ultra กับผลกระทบของการทำงานจริงหรือ?

เจาะลึก Google Gemini AI Ultra จากงาน I/O 2025 ฟีเจอร์ใหม่ ผลกระทบต่อการทำงาน และวิธีที่ธุรกิจ SME จะปรับตัวและใช้ประโยชน์จาก AI เพื่อการเติบโต โดย Data-Espresso

MCP A2A Protocol กับ AI: การเปลี่ยนแปลงใหม่ในโลกดิจิทัล

ทำความเข้าใจ MCP และ A2A Protocol มาตรฐานใหม่ที่ปฏิวัติการทำงานร่วมกันของ AI Agents และผลกระทบต่อธุรกิจ รวมถึงวิธีที่ Data-Espresso ช่วยคุณได้

สรุปงาน Google I/O 2025 Update สำคัญที่ต้องอ่าน

อัปเดตล่าสุดจาก Google I/O 2025! สรุปไฮไลท์สำคัญ Gemini AI, Project Astra, Android 16 และนวัตกรรม AI อื่นๆ ที่ธุรกิจและนักพัฒนาต้องรู้ อ่านเลย!

SME ควรเริ่มลงทุนและใช้ AI อย่างไรให้ประสบความสำเร็จ

คู่มือฉบับสมบูรณ์สำหรับ SME ที่ต้องการเริ่มต้นลงทุนและนำ AI มาใช้ในธุรกิจอย่างมีกลยุทธ์ ตั้งแต่การวางแผน การเลือกเครื่องมือ จนถึงการวัดผล เพื่อเพิ่มศักยภาพและสร้างความได้เปรียบในการแข่งขัน

Related Article

Perplexity เปิดตัว Labs: เขย่าวงการ AI ด้วยเครื่องมือสร้างคอนเทนต์แห่งอนาคต

Perplexity Labs คืออะไร? ค้นพบศักยภาพเครื่องมือ AI ใหม่จาก Perplexity ที่สร้างได้ทั้งรายงาน สเปรดชีต แดชบอร์ด และเว็บแอปฯ พร้อมวิธีที่ธุรกิจคุณจะนำไปใช้ประโยชน์ในการทำ AI consulting และ AI automation workflows

A2A (Agent to Agent) คืออะไร? ปฏิวัติการทำงานร่วมกันของ AI Agent

เจาะลึก A2A (Agent to Agent) โปรโตคอลเปิดที่ช่วยให้ AI Agent ต่างค่ายสื่อสารและทำงานร่วมกันได้ พร้อมประโยชน์สำหรับธุรกิจ SME และ AI consulting โดย Data-Espresso

MCP คืออะไร? เจาะลึกมาตรฐานใหม่ พลิกเกม AI Agent และ Workflow Automation

MCP (Model Context Protocol) คืออะไร? ทำความเข้าใจมาตรฐานเปิดที่ช่วยให้ AI Agent เชื่อมต่อข้อมูลภายนอกอย่างมีประสิทธิภาพ พร้อมประโยชน์ ตัวอย่างการใช้งานใน n8n และอนาคตของ AI
สอบถามข้อมูล