คุยกับ “ดร.วินน์ วรวุฒิชัย” Data Scientist เทเลนอร์-ดีแทค

ท่ามกลางการเปลี่ยนแปลงอย่างรวดเร็วในโลกธุรกิจยุค “ปลาเร็วกินปลาช้า” การใช้ประโยชน์จากบิ๊กดาต้า และเทคโนโลยีล้ำ ๆ ทั้งหลายไม่ว่าจะเป็นปัญญาประดิษฐ์ (AI), MachineLearning, Chat bot และอีกมากมายในอนาคต เป็นสิ่งจำเป็นสำหรับทุกธุรกิจ หากติดที่จะต่อสู้แข่งขัน และอยู่ให้รอดท่ามกลางกระแสเทคโนโลยีดิสรัปชั่นอันเชี่ยวกราก

“ประชาชาติธุรกิจ” ฉบับนี้มีโอกาสพูดคุยกับ “ดร.วินน์ วรวุฒิชัย” Group Data Scientist เทเลนอร์กรุ๊ป และผู้พัฒนา “บอทน้อย” (Botnoi) ซึ่ง “ดีแทค” ได้นำมาใช้ในบริการคอลเซ็นเตอร์ ดังนี้

Q : ก่อนที่จะมาอยู่กับเทเลนอร์ทำอะไรมาบ้าง

ผมเรียน และทำเรียนที่เยอรมนี และฝรั่งเศสกว่า 8 ปี เคยเป็นผู้ช่วยนักวิจัยที่บริษัทเดมเลอร์-เบนซ์ พัฒนาระบบป้องกันการชน ทำให้เข้าใจเทคโนโลยี AI และ data science หรือวิทยาศาสตร์ข้อมูล ที่เป็นการประยุกต์ใช้ machine learning ในการทำนายสิ่งต่าง ๆ เช่น แพ็กเกจที่ใช้ จำนวนครั้งในการโทร. ค่าใช้บริการต่อเดือน และตัวแปรอื่น ๆ

นักวิทยาศาสตร์ข้อมูลจะนำแมชชีนเลิร์นนิ่งมาคาดการณ์สิ่งที่เกี่ยวกับธุรกิจ ลูกค้าคนไหนมีแนวโน้มจะย้ายค่าย เป็นต้น

Q : จากเดมเลอร์ฯ ก็มาอยู่เทเลนอร์

ไม่ครับ อยู่ที่แอร์เอเชียมาเลเซีย เป็น data science ที่นั่น 3-4 ปี ช่วงนั้นถือเป็นช่วงเริ่มต้นมาก เริ่มตั้งแต่การมีดาต้าแวร์เฮ้าส์ที่ไว้เก็บข้อมูล เช่น ลูกค้าคนนี้บินที่ไหน เที่ยวบินไหน ตอนนั้นยังไม่ได้มีการนำข้อมูลมาวิเคราะห์ ตอนนั้นทำเรื่องไพรซ์ เซ็นซิทีฟ โดยทำนายว่า ลูกค้าคนไหนที่มีความอ่อนไหวต่อเรื่อง “ราคา” ซึ่งสำคัญมาก

เพราะการบริหารที่นั่งบนเครื่องบินสำคัญมาก จะปล่อยให้ที่นั่งว่างไม่ได้ การเลือกให้โปรโมชั่นให้กับคนที่เห็น “ราคา” เเล้วบินจริง ๆ จะดีกว่า ถ้าไม่ทาร์เก็ตลูกค้าเลย คนที่ปกติยอมจ่ายแพงอยู่แล้วอาจจะมาซื้อที่นั่งราคาถูกไปจึงต้องเเยกลูกค้าเป็นกลุ่ม ๆ การทำงานที่แอร์เอเชียและเทเลนอร์คล้ายกันตรงมีความต้องการที่จะเข้าใจลูกค้ามากขึ้น

Q : ธุรกิจการบินกับเทเลคอมต่างกันมากไหม

ในแง่การวิเคราะห์ข้อมูลไม่ได้ต่างมาก ต่างที่บทบาท และตำแหน่งมากกว่า ตอนอยู่แอร์เอเชียจะเป็นลักษณะว่า มีรีเควสว่าต้องการให้วิเคราะห์อะไร ดึงดาต้าอะไรออกมา แต่ที่เทเลนอร์ขยับขึ้นมามองในภาพใหญ่ เช่น มองว่า ดีแทคมีปัญหาอะไร ในแต่ละประเทศในเครือเทเลนอร์มีปัญหาอะไร

ในดีเเทคก็เข้าไปช่วยโปรเจ็กต์ DNA (data network analytic) นำบิ๊กดาต้ามาสร้างแมชชีนเลิร์นนิ่งทำนายความพึงพอใจของลูกค้าจากการใช้โทรศัพท์ ทำให้รู้ว่าใครมีปัญหาเรื่องสายหลุด ต่ออินเทอร์เน็ตไม่ติดหรืออินเทอร์เน็ตช้า แคปเจอร์ตัวเเปรต่าง ๆ ได้จากระบบ ถ้าไม่มีการวิเคราะห์ก็จะไม่รู้ว่าตัวเเปรไหนส่งผลกับเขา เพื่อให้ดีแทคนำไปปรับปรุงบริการ

แมชีนเลิร์นนิ่งจะสกัดตัวแปรของลูกค้าเเต่ละคน มีการเซอร์เวย์กลุ่มลูกค้าเพื่อเก็บข้อมูล และนำมาทำนายทั้งฐาน มีแพลตฟอร์มเก็บข้อมูลต่าง ๆ แบบเรียลไทม์ เพราะลูกค้าเเต่ละคนใช้โทรศัพท์ ใช้ดาต้าตลอด อีกอันคือโปรเจ็กต์ Apollo

Q : ทำมานานหรือยัง

DNA ทำมาประมาณ 3 ปี โดยยูสเคสจะนำไปใช้เป็นเรื่อง ๆ ไม่ว่าจะทางเน็ตเวิร์ก หรือมาร์เก็ตติ้ง เช่น เราต้องรู้ว่าลูกค้าต้องการอะไร เอาส่วนนี้มาแยกเซ็กเมนต์ และนำมาทำนายความต้องการของลูกค้า แม้กระทั่งวัดถึงความเซ็นซิทีฟของลูกค้า ที่เคยเจอ เช่น กรณีมีการคอมเพลนเยอะ ทั้ง ๆ ที่บริการไม่ได้มีอะไรผิดพลาดก็มี หรือในบางพื้นที่ชนบทที่มีปัญหาเรื่องสัญญาณ แต่กลับไม่การคอมเพลนใด ๆ แสดงให้เห็นว่าดีมานด์ในแต่ละพื้นที่มีความแตกต่างกัน ถ้ารู้ว่าใครเป็นยังไงบวกกับสิ่งที่เขาได้รับก็จะนำข้อมูลนี้ไปใช้ในการวางแผนขยายโครงข่าย ติดตั้งสถานีฐานต่าง ๆ รวมถึงโปรโมชั่นที่จะส่งไปให้ลูกค้าทำให้แก้ปัญหาได้ตรงจุด เช่น สัญญาณบริเวณนี้ดีแต่มีการร้องเรียน แปลว่าต้องเกิดจากปัจจัยอื่น ก็ต้องเซอร์เวย์ต่อว่าเกิดจากอะไร

Q : เอไอ แมชีนเลิร์นนิ่งช่วยได้มาก

อะไรที่มีแพตเทิร์น เอไอจะสกัดออกมาได้ ทุกอย่างมีแพตเทิร์น ซึ่งจะซ่อนอยู่ในดาต้า เอไอทำนายได้หลายอย่างเเม้กระทั่งอายุ, เพศหรืออาชีพ โดยดูจากพฤติกรรม เอไอจะแคปเจอร์ดาต้าที่มีหลายตัวแปรมาใช้ในการทำนาย เช่น การโทร.ของหญิง และชายแตกต่างกัน วิธีการโทร.ของผู้ใหญ่ และเด็กก็ต่างกัน ผู้ใหญ่โทร.น้อย เด็กโทร.นาน หรือบางเคสถ้าอยากรู้ว่ามาร์เก็ตเเชร์ของเราว่าเป็นเท่าไร ก็จะดูจากการที่ลูกค้าโทร.หาใคร จะรู้ว่าปลายทางว่าเป็นค่ายไหน เป็นต้น ทำเป็นพื้นที่เพื่อที่จะนำมาหาสาเหตุว่า ทำไมพื้นที่เเถบนี้มีการใช้งานค่ายนี้เยอะ ใช้โปรโมชั่นอะไร เป็นต้น

Q : นำข้อมูลที่มีไปขยายผล

ใช่ ทำได้หลายมุมมาก หน้าที่ดาต้าไซเอนทิสต์ คือรับโจทย์จากผู้บริหาร เช่น อยากมีโปรโมตโรมมิ่งแพ็กเกจ กลุ่มเป้าหมายก็จะชัดเจนว่า คือลูกค้าที่ต้องการเดินทางไปต่างประเทศ เมื่อเขาเดินทางไปถึงสนามบินเราจับเซลไซต์ได้ ก็ส่ง sms ไปหา แต่อาจไม่เป๊ะ เพราะอาจแค่เดินทางในประเทศ ไปรับญาติหรือทำงานสนามบินก็ได้ ดังนั้นต้องแยกประเภทให้ได้ เช่น ดูจากความถี่, ไม่มีการเปิดปิดเครื่อง เรามีหน้าที่คิดตัวเเปรมารันในพรีดิกชั่นโมเดล

วิธีการ คือ มีดาต้าที่แทร็กไว้ เเล้วแยกครึ่งหนึ่งไว้ทำนาย มีความเเม่นยำ ประมาณ 70% ก็ต้องหาโซลูชั่นต่อ ๆ ไป หรือเพิ่มตัวแปรเพื่อวิเคราะห์ เช่น ทำนายว่าลูกค้าจะย้ายค่าย ถ้าดูจากสถิติการย้ายค่ายมี 5% ถ้าเราบอกว่า ไม่มีใครย้ายค่ายเท่ากับว่าความถูกต้องแม่นยำเท่ากับ 95% จึงต้องมีแมตทริกซ์ตัวอื่น ๆ มาบอกว่าความแม่นยำเท่าไร
เชื่อว่าคู่แข่งรายอื่นก็ทำ แต่ความต่างของแต่ละราย คือที่ความแม่น

ต้องเข้าใจก่อนว่าความสามารถของดาต้าไซเอนทิสต์ทำอะไรได้บ้าง หลายครั้งอาจทำหน้าที่เเค่รันรีพอร์ต ไม่ได้ทำในระดับการทำนาย ซึ่งก็คงต้องถามด้วยว่า องค์กรคุณให้ความสำคัญ และลงทุนเเค่ไหน เพราะบางพาร์ตต้องใช้เวลา เช่น การเก็บดาต้า ดาต้าไซเอนทิสต์ต้องรู้ว่า อัลกอริทึ่มเเบบไหนเหมาะกับดาต้าลักษณะไหน และต้องวัดผลเป็น ไม่ใช่ว่าตัววัดผลมีแค่ค่าความแม่นยำอย่างเดียว ดังนั้นต้องรู้เเมชชีนเลิร์นนิ่งในระดับที่ว่าแต่ละอัลกอริทึ่มเป็นอย่างไร ใช้อย่างไร ข้อดีข้อเสียคืออะไร ต่อมาคือต้องนำมาประยุกต์ใช้กับธุรกิจขององค์กรได้

นักวิทยาศาสตร์ข้อมูล จะต้องรู้ด้านเทคนิค และต้องเรียนรู้ธุรกิจด้วยจึงค่อนข้างหาคนยาก โดยส่วนตัวเองก็ไม่ได้จบด้านบิสซิเนส

Q : เทเลนอร์ให้ความสำคัญเเค่ไหน

ให้ความสำคัญระดับหนึ่ง ซึ่งโดยส่วนตัวมองว่าต้องไปในระดับเดียวกับกูเกิล, เฟซบุ๊ก มีทีมขนาดใหญ่ มีวิธีการในการสร้างหรือพัฒนาบุคลากร ซึ่งเทียบแล้วยังห่างมาก เพราะธุรกิจอาจเริ่มมาคนละแบบ เราก็พยายามทรานส์ฟอร์มองค์กร เเต่ความเป็นองค์กรขนาดใหญ่ทำให้เปลี่ยนแปลงยาก ต่างจากสตาร์ตอัพที่จะคล่องตัวกว่า

การที่ดีแทคเน้นด้านดิจิทัล ช่วยได้ระดับหนึ่ง แต่ยังต้องลงทุนเพิ่มขึ้น โดยเฉพาะด้านบุคลากร และการทำความเข้าใจ เช่น ส่งพนักงานไปอบรมเพิ่มเติม

Q : ทำไมยังไม่ลงทุนเต็มที่

ด้วยความที่เป็นองค์กรใหญ่อาจต้องการสิ่งตัวชี้วัดชัดเจนก่อนที่จะลงทุน ทุกอย่างเป็นดิจิทัล เป็นเรื่องใหม่ไม่เหมือนการทำธุรกิจในอดีตจึงเป็นช่วงของการปรับจูนจึงเหมือนทีมซัพพอร์ตมากกว่า ช่วยหาสาเหตุโน่นนี่นั่น

Q : โปรเจ็กต์อพอลโลทำอะไร

เทเลนอร์ไปซื้อบริษัทดิจิทัลแอดเวอร์ไทซิ่งที่อเมริกา อธิบายอย่างนี้ว่า ทุกครั้งที่เราเข้าไปในเว็บไซต์ กูเกิลจะเก็บไอพีแอดเดรสไว้ บริษัทนี้จะส่งโฆษณาสิ่งที่เราสนใจไปให้ ข้อดีคือแอดเวอร์ไทซิ่งโดเมนยังไม่มีกฎหมายป้องกันความเป็นส่วนตัวเท่ากับมือถือ มือถือเราจะไม่สามารถเอาข้อมูลของลูกค้ามาใช้ได้ ไม่สามารถเอาข้อมูลที่เขาเสิร์ชในมือถือมาได้ แต่อินเทอร์เน็ตเก็บได้ เพราะไอพีลิงก์กับคอมพิวเตอร์

เมื่อซื้อบริษัทนี้มา เราจะรู้ว่าไอพีไหนไปเว็บไซต์อะไร จะผูกไอพีนี้กับข้อมูลของดีแทคได้ว่าไอพีไหนเข้าเว็บอะไรบ้าง นำมาทำนายลูกค้าต่างค่ายได้ เช่น ไอพีของ A เป็นไอพีดีแทค ไอพีนี้เวลาเข้าเว็บไซต์จะรู้ว่าใช้มือถือค่ายไหน รู้ว่าแต่ละไอพีจ่ายเท่าไร ใช้มือถือรุ่นไหน

พอเป็นมือถือต่างค่าย ถ้ามีไอพีก็จะรู้ว่าเขาเข้าเว็บอะไร ใช้มือถือรุ่นไหน แต่ไม่รู้ว่าจ่ายเท่าไหร่ ดังนั้น ถ้านำข้อมูลลูกค้าค่ายอื่นมาเทียบกับข้อมูลของลูกค้าดีแทค เเละนำมาทำนายได้ว่าลูกค้าจ่ายค่าใช้จ่ายเท่าไร คนที่ใช้เงินมาก เราจะดึงให้ย้ายค่ายมาได้อย่างไร ผลที่ได้สามารถทำยอดขายในการย้ายค่ายเท่ากับดีแทคช็อปที่ดีที่สุด 50 แห่งรวมกัน ต่อไปช็อปอาจเปลี่ยนบทบาทไปทำเซอร์วิส

Q : แล้วนำแชตบอทมาทำอะไร

บอทน้อย เป็นแชตบอทที่อยู่บนแอปพลิเคชั่นไลน์ ตอนนั้นทำเพราะคิดว่า แชตบอทกำลังจะมา พอไลน์เปิด api เลยลองทำโปรเจ็กต์ส่งเข้าไปประกวดที่ญี่ปุ่นแล้วชนะ ตอนนี้กำลังคุยกับหลายองค์กรว่าจะเอาไปต่อยอดอะไรอย่างไรบ้าง ในดีแทคนำไปใช้แทนคอลเซ็นเตอร์ในช่องทางต่าง ๆ เช่น เฟซบุ๊ก และในพันทิป แชทบอทจะช่วยให้ลูกค้าได้รับบริการที่เร็วขึ้น ลดภาระพนักงาน เริ่มทำในส่วน sms แล้ว เช่น การยกเลิกบริการเสริม ในเฟซบุ๊กจะช่วยให้ทำงานเร็วขึ้น 40-50% ไม่ได้มาแทนคอลเซ็นเตอร์ แต่มาช่วยลดภาระทำให้ไม่ต้องมาตอบคำถามเดิม ๆ ซ้ำ ๆ เอาเวลาไปตอบคำถามยาก ๆ มากกว่า ปัจจุบันจำนวนคอลเซ็นเตอร์เมื่อเทียบกับฐานลูกค้าที่มีน้อยมาก ถ้ามีบริการอัตโนมัติมาช่วยได้ก็จะลดต้นทุนได้

แต่เทรนด์ที่จะมีความสำคัญในอนาคต คือเรื่องการขาย ถ้าคุณให้บริการได้ 24 ชั่วโมง ตลอด 7 วัน ก็จะรองรับกับอีคอมเมิร์ซได้