บิ๊กดาต้า: ความเสี่ยงสำคัญและกลยุทธ์ลดทอนที่ควรรู้

บิ๊กดาต้า (Big Data) ที่มีการเรียนรู้ของเครื่อง (Machine Learning) และอัลกอริทึมเป็นหัวใจหลัก กำลังอยู่ในช่วงยอดเยี่ยม เนื่องจากความต้องการสูงและความสามารถที่ทรงพลัง บริษัทหลายแห่งกำลังมองหาผู้เชี่ยวชาญด้านวิเคราะห์บิ๊กดาต้า เพื่อสร้างโซลูชันที่ช่วยให้ได้ข้อมูลเชิงลึกทางธุรกิจ (Business Intelligence) จากแบบจำลองทำนาย (Predictive Models) และการวิเคราะห์สถิติ

ขณะที่ข้อมูลกำลังถูกสร้างขึ้นในอัตราแบบเอ็กซ์โพเนนเชียล ความต้องการสำหรับเทคโนโลยี先锋 seperti บิ๊กดาต้า อินเทอร์เน็ตของสรรพสิ่ง (IoT) และการคำนวณบนเมฆ (Cloud Computing) กำลังเพิ่มขึ้นเรื่อยๆ ผู้เชี่ยวชาประเมินว่าเทคโนโลยีเหล่านี้จะกลายเป็นส่วนที่ไม่สามารถขาดได้ของทุกธุรกิจในอนาคตอันใกล้ โดยเฉพาะบิ๊กดาต้าที่มีความต้องการสูงมาก ใช้ชุดข้อมูลขนาดใหญ่ในการรันอัลกอริทึมที่ซับซ้อน และสรุปผลที่มีผลกระทบต่อระยะไกล แต่คำถามสำคัญคือ เราสามารถพึ่งพาเครื่องจักรในการทำนายและกำหนดกำไรขาดทุนในอนาคตได้เพียงอย่างเดียวหรือไม่?

ในเศรษฐกิจที่ไม่แน่นอนนี้ บริษัทกำลังต่อสู้กับตลาดที่มีอคติและสถิติที่ไม่น่าเชื่อถือ ในสถานการณ์เช่นนี้ บิ๊กดาต้าช่วยให้พวกเขาสรุปผลและใช้สถิตินิเทศ (Prescriptive Statistics) เพื่อตัดสินใจทางธุรกิจที่ฉลาดขึ้น แต่บิ๊กดาต้าอาจผิดพลาดได้ที่ไหน?

จุดที่ข้อมูลเริ่มควบคุมเจ้าของธุรกิจและความคิดสร้างสรรค์ถูกกดดาวน์ จุดที่ธุรกิจเริ่มเชื่อมั่นในผลลัพธ์จากเครื่องจักรมากกว่าผลลัพธ์จากการปฏิสัมพันธ์ในเวลาจริง และจุดที่ธุรกิจถูกควบคุมโดยเครื่องจักรแทนที่จะเป็นมนุษย์ ความสามารถของบิ๊กดาต้าถูกยอมรับในค่าตรงตัว เนื่องจากข้อมูลมาจากเครื่องจักร คนจึงสมมติว่าควรแม่นยำ แต่ความจริงไม่ใช่เช่นนั้น

มีข้อผิดพลาดและข้อคำนวณผิดที่ซ่อนอยู่ในโมเดลวิเคราะห์ส่วนใหญ่ ทำให้การทำนายล้มเหลวในทุกระบบอย่างเป็นทางการ และกับบิ๊กดาต้า ความเป็นไปได้ของภัยพิบัติสูงกว่า มาดู 3 ปัญหาที่พบบ่อยที่สุดของบิ๊กดาต้าด้วยกัน

1. ข้อมูลผี (Ghost Data)

ข้อมูลที่เราเจอเพื่อตัดสินใจรายวัน มาจากฐานข้อมูลขนาดใหญ่ที่วิเคราะห์ผ่านกระบวนการวิเคราะห์ที่ซับซ้อน เราไม่สามารถพิจารณาได้ว่าตัวเลขเหล่านั้นแม่นยำหรือไม่

มาดูภาพรวมกระบวนการผลิตข้อมูลสั้นๆ ในกรณีส่วนใหญ่ พนักงานหน้าร้านป้อนข้อมูลลงเครื่องจักร ซึ่งมีข้อผิดพลาดของมนุษย์ เก็บเงินรับผิดชอบใส่บาร์โค้ดที่ถูกต้อง พนักงานคลังต้องนับและวางสินค้าอย่างถูกต้อง หน้าที่เหล่านี้ยังไม่ได้ถูกนำไปอัตโนมัติด้วยเครื่องจักร และยังมอบหมายให้มนุษย์ทำอยู่

ผลคือ ข้อผิดพลาดเป็นเรื่องไม่ได้หลีกเลี่ยง ทำให้เกิดความไม่สอดคล้องของตัวเลข และส่งผลต่อการตัดสินใจซื้อขายและการตลาดของผู้บริโภคและผู้จัดจำหน่าย จึงสำคัญที่จะเข้าใจบทบาทของข้อมูล และควบคุมตัวเลขที่เข้าสู่ระบบ

2. เชื่อมั่นข้อมูลโดยไม่หลักฐาน (Trusting Data Blindly)

ตั้งแต่การประเมินผลงาน จนถึงการพึ่งพารูปแบบคงที่ในการประเมินคุณภาพนักเรียน ข้อมูลกลายเป็นส่วนหนึ่งของชีวิตเรา วันนี้เราพึ่งพาข้อมูลในบางสถานการณ์มากจนบางฟังก์ชันไม่สามารถทำงานได้โดยไม่มีข้อมูล ข้อมูลสามารถถูกจัดแจงก่อนจะป้อนเข้าเครื่องจักร และนั่นคือข้อบกพร่องของการเชื่อมั่นโดยไม่หลักฐาน นอกจากนี้ ทุกคนชอบถามคำตัดสินของมนุษย์ แต่ในกรณีของเครื่องจักร ผลลัพธ์การวิเคราะห์ข้อมูลมักไม่ถูกท้าทาย จึงสำคัญที่จะพิจารณาว่าชุดข้อมูลถูกเปลี่ยนแปลงด้วยวิธีใดก่อนที่จะเปรียบเทียบโดยตรง

3. การพิทท์เกิน (Statistical Overfitting)

เพื่อความเข้าใจ การตัดสินใจทางธุรกิจใดๆ ก็ตาม พัฒนาจากข้อสรุปทางสถิติที่มาจากพฤติกรรมอดีต แต่กระบวนการนี้มีข้อบกพร่องโดยเฉพาะเมื่อชุดข้อมูลเล็กและเหมาะสมสำหรับค่าผิดปกติ (Outliers) เพียงเล็กน้อยที่จะบิดเบือนผลลัพธ์อย่างมีนัยสำคัญ

มีองค์ประกอบของความสุ่มในทุกชุดข้อมูล ซึ่งเชื่อว่า ยิ่งโมเดลทำนายถูกปรับให้แม่นยำกับเหตุการณ์อดีตมากเท่าไร ความแม่นยำในอนาคตก็จะน้อยลงในขนาดนั้น

เคยมีข้อสรุปว่าโมเดลที่ซับซ้อนที่สุดล้มเหลวและให้ผลร้ายแรง ตัวอย่างเช่น โมเดลทำนายหุ้นที่ผู้คนเสี่ยงเงินหลายพันล้านทุกวัน มีแอปพลิเคชันในตลาดที่อ้างให้ทำนายแม่นยำ แต่ล้มเหลวบางครั้ง

สิ่งนี้ไม่หมายความว่าเราต้องหยุดใช้เครื่องจักรในการตัดสินใจและทำนายอนาคต เราเพียงแค่ต้องเปิดทางเลือกอื่นๆ ขณะใช้เครื่องจักรรวบรวมข้อมูล การยอมรับตัวเลขโดยไม่คิดเป็นเรื่องเสี่ยงและน่ากลัว จึงจำเป็นต้องพิจารณากระบวนการรวบรวมข้อมูลและวิธีที่ข้อสรุปถูกสร้างขึ้น ซึ่งจะช่วยให้คุณตัดสินใจอย่างมีข้อมูลและหลีกเลี่ยงความเสียหายได้