ในช่วงปลายทศวรรษที่ 2010 ฉันทํางานในบริษัทที่เป็นหนึ่งในผู้ผลิตชั้นนําของโลกที่ผลิตเครื่องใช้ไฟฟ้าภายในบ้าน โดยทำงานในส่วนของ Six Sigma Master Black Belt ซึ่งเป็นโครงการเกี่ยวกับการปรับปรุงคุณภาพ เราประสบความสําเร็จอย่างมาก เราสามารถประหยัดงบได้ประมาณ 30 ล้านเหรียญสหรัฐในแต่ละปี และยังมีการฝึกอบรมบุคคลากรที่จะมาเป็น Six Sigma Black Belt เพิ่มเติมเพื่อช่วยแก้ปัญหาต่างๆ จริงๆตั้งแต่เริ่มต้นฉันเองไม่ได้เต็มใจที่จะนำเครื่องมือวิเคราะห์เชิงทำนาย (Predictive Analytics) มาผสมผสานในการทำงานด้วยนัก แต่พอได้เรียนรู้เพิ่มขึ้นมันทำให้ฉันรู้ว่าฉันได้พลาดอะไรไปหลายอย่าง
วิธีการแก้ปัญหาที่ล่าช้า
ในสมัยนั้น Black Belts ได้รับการสอนให้เข้าถึงปัญหาด้วยการทำการทดลองตามข้อมูลที่วางแผนไว้ ตัวอย่างเช่น ตอนที่เริ่มต้นศึกษาข้อบกพร่องอันใหม่ในเครื่องซักผ้า เราพบว่าปัญหาที่เกิดขึ้นนั้นมีความซับซ้อน แต่เราก็ยังคิดว่าเราสามารถตรวจสอบโดยการวัดปัญหาให้แม่นยํา ทำความเข้าใจเกี่ยวกับความผันแปร โดยอาจใช้เครื่องมือตามแนวทางการออกแบบการทดลอง (DOE) เพื่อเรียนรู้สาเหตุและผลกระทบ โดยใช้องค์ความรู้ที่มีและหาวิธีการแก้ปัญหาตามที่คาดการณ์ไว้ แต่ในการผลิตสมัยใหม่ (บางครั้งเรียกว่าอุตสาหกรรม 4.0) ที่มีข้อมูลมากขึ้นเรื่อย ๆ และผู้บริหารเริ่มคาดหวังให้การหาคําตอบได้เร็วขึ้นกว่าเดิม
ในกลุ่มนักแก้ปัญหาของเรามีวิธีการที่จัดตั้งขึ้นเพื่อจัดลําดับความสําคัญของปัญหา เรามักจะดูรายงาน Service Incident Rate (SIR) เพื่อดูว่าปัญหาใดเกิดขึ้นบ่อยที่สุด แต่น่าเสียดายที่ SIR เป็นตัวชี้วัดที่ไม่ทันสมัยเพราะกว่าจะรู้ว่าปัญหาใดมีความสำคัญมักจะล่วงเวลาไปกว่า 6 เดือนแล้ว ทำให้ตกอยู่ในภาวะที่กลืนไม่เข้าคายไม่ออก – ทำให้เราเล็งเห็นว่าเราต้องหาทางที่จะแก้ปัญหาเหล่านี้ให้เร็วขึ้น
ข้อมูลขนาดใหญ่ที่มีในการผลิต
นอกเหนือจากเรื่องเวลาที่ต้องใช้สําหรับการวิเคราะห์หาสภาวะที่เหมาะสมด้วยวิธีการ surface แล้วเรายังพบอุปสรรคในการจัดการจากข้อมูล Black Belts ของเรามีความต้องการจะลดจำนวนข้อมูลขนาดใหญ่ให้เหลือขนาดที่เหมาะสมกับการทดลองที่ออกแบบด้วยเทคนิคแฟกทอเรียลตตามแนวคิดของการออกแบบการทดลอง (DOE) ซึ่งนั่นเป็นเพราะเพียงวิธีการที่เขาเคยชินกับวิธีการแบบนี้มาโดยตลอด แต่ในที่สุดก็มีวิศวกรที่เป็น master black belts ที่ทำงานในสายการผลิตเริ่มนำเครื่องมือที่เหมาะสมกับการจัดการกับกรณีที่เป็นข้อมูลขนาดใหญ่ (“Big Data”) โดยเฉพาะ
ข้อมูลขนาดใหญ่เป็นความหวังใหม่ให้เราที่จะนำมาใช้เพื่อเชื่อมโยงข้อมูลต่างๆ ข้อมูลที่จะเชื่อมโยงกัน คือ เครื่องใช้ไฟฟ้าที่มีความเสียหายในการใช้งานและข้อมูลในโรงงาน เพื่อนำมาทํานายและลดต้นทุนในการรับประกันและการปรับปรุงคุณภาพ นี่ถือเป็นแนวคิดใหม่สําหรับเรา เพราะแม้ว่าเราจะมีข้อมูลแบบนี้มาหลายสิบปีแต่เราก็ไม่เคยนำมันมาใช้งานได้เลย
ช่างเทคนิคที่ทํางานในส่วนบริการได้รวบรวมข้อมูลการทดสอบและหมายเลขซีเรียลของเครื่องใช้ไฟฟ้าที่ชํารุดในบ้านจากลูกค้าของบริษัท แต่ไม่เคยเชื่อมโยงข้อมูลการพัฒนาและข้อมูลการผลิตกับข้อมูลบริการภาคสนามอย่างชัดเจน
ส่วนหนึ่งของปัญหาคือการจัดเก็บข้อมูลที่แตกต่างกัน พนักงานทั่วๆไปไม่รู้วิธีการจัดการกับแหล่งข้อมูลขนาดใหญ่เหล่านี้และบริษัทเองก็ไม่มีงบประมาณในการจัดการรวมข้อมูลต่างๆเข้าด้วยกัน และถึงแม้ว่าเราจะสามารถรวมข้อมูลต่างๆเข้าด้วยกันได้ แต่ก็ยังขาดวิธีการจัดการที่จะนำข้อมูลเชิงลึก (insights) จากข้อมูลทั้งหมดออกมาได้
ผสมผสานและเพิ่มพูนข้อมูลจากแหล่งข้อมูลทั้งหมดของคุณด้วย Minitab Connect เรียนรู้เพิ่มเติม:
การสร้าง Data lake
แต่ท้ายที่สุดบริษัทก็มีการลงทุนหลายล้านเพื่อจ้างที่ปรึกษาให้ช่วยรวบรวมแหล่งข้อมูลขนาดใหญ่ รวมถึงสร้างวิธีการเตรียมข้อมูลไว้สําหรับการวิเคราะห์ ซึ่งกระบวนการจัดการกับ data lake ไม่ใช่เรื่องง่าย ๆ data lake ถือเป็นคำศัพท์ที่ใช้กันในงาน big data ซึ่งมีความหมายเพื่ออธิบายว่าแหล่งข้อมูลขนาดใหญ่เหล่านั้นถูกรวบรวมไว้อย่างไร ตอนนี้เรามีชุดข้อมูลขนาดที่ใหญ่กว่า ที่มีการเชื่อมโยงกันในหัวข้อเครื่องใช้ไฟฟ้าที่เสียหาย ข้อมูลการผลิต และหมายเลขซีเรียล ที่จะมีรูปแบบหมายเลขซีเรียลเป็นตัวเดียวกันทั้งหมดทำให้ตอนนี้เราสามารถมองหาข้อมูลเชิงลึกที่อาจเกี่ยวข้องกันของเครื่องใช้ไฟฟ้าที่เกิดปัญหาเหล่านั้น
การระบุข้อมูลเชิงลึกไม่ใช่เรื่องง่ายๆ แบบที่กล่าวไว้ในบทความนี้มันยังมีงานอื่นๆที่เกี่ยวข้องอีกมากมาย อาจจะต้องมีการทดสอบจํานวนมากที่ต้องทำในระหว่างการผลิต ตัวทำนายต่างๆที่อาจมีความแตกต่างกันเล็กๆน้อย แต่มีความสัมพันธ์กันอยู่ เช่นถ้าคุณต้องการทำการประมาณค่า y (ความเสียหาย) ที่มาจากตัวทำนาย (X) ที่มีจำนวนมากกว่า 100 ตัว ตัวแบบที่จะหาอาจมีความซับซ้อนเกินไป และ การวิเคราะห์การถดถอยอาจไม่ให้ตัวแบบที่เหมาะสม โดยค่า ที่ได้ก็มีค่าต่ำมาก ทำให้ความเชื่อมั่นที่เรามีจากการใช้เทคนิคการสร้างแบบจําลองรุ่นเก่าเหล่านั้นอยู่ในระดับต่ำ
การวิเคราะห์เชิงทำนายถือเป็นเครื่องมือเพื่อมาช่วยเหลือ
เมื่อที่ปรึกษาของเราแนะนําให้เราศึกษาเกี่ยวกับการวิเคราะห์เชิงทำนาย และเมื่อเราเริ่มมีความชำนาญกับการจัดการข้อมูลที่มีความซับซ้อนมากขึ้น จากที่เราใช้วิธีการแบบใหม่ในโครงการนำร่องที่โรงงานของเรา ทำให้เกิดการพัฒนาทักษะต่างๆมากขึ้นและตอนนี้เรามีวิธีการที่จะใช้รวมรวมและเตรียมข้อมูลเพื่อนำไปเปลี่ยนเป็นข้อมูลเชิงลึกตามที่ต้องการ
อย่างไรก็ตามรองประธานของเรามีเป้าหมายว่าต้องได้รับผลตอบแทนที่คุ้มค่าจากการลงทุนในการจัดการคลังข้อมูลและการใช้ที่ปรึกษาในการจัดการข้อมูลเหล่านี้
ในเวลานั้นที่ปรึกษาใหม่ที่เราจ้างมาได้ช่วยเราค้นหาข้อมูลเชิงลึกมากมาย แต่พวกเขาไม่ใช่วิศวกรทำให้การค้นพบจากการวิเคราะห์เชิงทำนายมีจุดที่ไม่สมเหตุสมผลไปบ้างเพราะพวกเขาไม่ทราบว่าเครื่องใช้ไฟฟ้าในบ้านทํางานอย่างไร แต่นักวิทยาศาสตร์ข้อมูล (data scientist) มีความรู้ว่าตัวชี้วัดในการทดสอบใดที่สามารถนำมาใช้ทำนายความเสียหายได้
ในที่สุดเพียงไม่กี่ปีหลังจากที่มีการลงทุนมหาศาลในกระบวนการนี้ เมื่อได้เรียนรู้จากที่ปรึกษาอย่างเพียงพอแล้ว และคิดว่าเราน่าจะสามารถทำการวิเคราะห์ได้ด้วยตัวเอง เราก็มีทีม “skunk works” ของรองประธานฝ่ายคุณภาพและหัวหน้า Master Black Belt รวมถึงวิศวกรบางคนจากโรงงานนําร่องที่มีความสามารถเพียงพอที่จะสามารถทำงานได้แบบที่ปรึกษาทำมา
การเผยแพร่วิธีการวิเคราะห์เชิงทำนายภายในองค์กร
ตอนนี้ทีมเล็ก ๆ ของเรามีความสามารถด้านการวิเคราะห์เชิงทำนายพอสมควรแล้ว แต่การนำวิธีการวิเคราะห์เชิงทำนายไปใช้ทั่วทั้งองค์กรนั้นเป็นเรื่องยากมาก ปัญหาหนึ่งคือหัวข้อเรื่องนั้นเหมาะสมกับการใช้วิธีการวิเคราะห์เชิงทำนายหรือไม่ เพราะเรามีคนเพียงไม่กี่คนเท่านั้นที่มีความสามารถเกี่ยวกับวิธีนี้ ส่วนที่เหลือขององค์กรไม่รู้ด้วยซ้ำว่ามีการใช้วิธีการนี้แล้ว สิ่งที่เราต้องเริ่มคือเราจะฝึกให้พนักงานในองค์กรใช้งานนี้ได้อย่างไร ในที่สุดเราก็ตัดสินใจว่าจะให้ผู้นํา Master Black Belt เป็นผู้รวบรวมข้อมูลเชิงลึกและแนะนำทีมวิศวกรให้เป็นทีมที่แก้ปัญหา เราพบว่ามันไม่มีประสิทธิภาพมากนัก มันไม่ง่ายเลยที่จะสร้างความเชี่ยวชาญ เพื่อให้มีผู้เชี่ยวชาญด้านการวิเคราะห์เชิงทำนายในองค์กรในเวลานั้น
เรียนรู้วิธีที่คุณสามารถเพิ่มทักษะการวิเคราะห์เชิงคาดการณ์ในการสัมมนาผ่านเว็บนี้:
การวิเคราะห์เชิงทำนายมีหลากหลายตัวเลือก เช่น Classification and Regression Trees, Random Forests, และ TreeNet แต่การวิเคราะห์ไม่ใช่แค่ทำเพียงใส่ชุดข้อมูลลงไปแล้วกดเลือก “วิเคราะห์” เท่านั้น คุณจำเป็นต้องมีทักษะจำนวนหนึ่งด้วย และนี่เป็นเหตุผลที่ทำไมวิทยาศาสตร์ข้อมูลจึงเป็นสิ่งสำคัญและจำเป็น
ในระยะช่วงปลายทศวรรษที่ 2010 ถึง ช่วงต้นทศวรรษที่ 2020 เรามีการแยกผลิตภัณฑ์บางอย่างที่ใช้วิเคราะห์เชิงทำนาย ในขณะที่ผลิตภัณฑ์อื่น ๆ ยังคงใช้วิธีการแบบเก่า การวิเคราะห์เชิงทำนายช่วยทำให้เกิดการคาดการณ์การรับประกัน ทำให้มีการปรับปรุงคุณภาพได้เร็วขึ้นและป้องกันการเกิดข้อบกพร่องได้ดีขึ้น ในขณะที่คนอื่น ๆ ยังใช้วิธีการแบบเก่า ซึ่งต้องใช้เวลารออย่างน้อย 6 เดือนเพื่อรับรายงาน SIR และ ทํางานกับเครื่องมือของ six sigma เพื่อแก้ปัญหาที่เกิดขึ้น
การวิเคราะห์เชิงทำนายในวันนี้
การวิเคราะห์เชิงทำนายในวันนี้มีความก้าวหน้าไปมากกว่าสิ่งที่ฉันเริ่มใช้มันเป็นครั้งแรกเมื่อ 10 กว่าปีก่อน มันไม่จําเป็นต้องเป็นงานที่ซับซ้อนและเฉพาะเจาะจงอย่างที่เคยเป็น ใน Minitab มีเครื่องมือการวิเคราะห์เชิงทำนาย ด้วย Auto ML ทําให้การวิเคราะห์เชิงทำนายสามารถเข้าถึงได้ง่ายขึ้น ทำให้คนทั่วไปใช้งานได้ง่ายขึ้น คุณสามารถเลือกใช้วิธีการที่ดีที่สุดตามคำแนะนำของ Minitab ที่มีวิธีการต่างๆมาให้เป็นทางเลือกที่เหมาะสมกับข้อมูล รวมถึงมีส่วนที่ทำให้ผู้ใช้งานสามารถทำงานได้ง่ายขึ้นด้วย
ผมขอเชิญชวนให้คุณทดลองใช้เครื่องมือที่มีใน Minitab Connect เพื่อรวมและเตรียมข้อมูล แล้วไปใช้ต่อกับเครื่องมือใน Minitab เพื่อวิเคราะห์เชิงทำนายด้วย Auto ML ซึ่งทำให้การค้นหาข้อมูลเชิงลึกนั้นง่ายขึ้น รวมถึงทำให้มีการพัฒนาและค้นหาผลลัพธ์ได้เร็วยิ่งขึ้น การใช้เครื่องมือทางเลือกที่ Minitab ให้มา ทำให้ช่วยเกิดการปรับปรุงคุณภาพในส่วนการผลิต รวมถึงทำให้การคาดการณ์การรับประกันเกิดขึ้นได้ในทันที ช่วงก่อนที่มีการใช้เครื่องมือเหล่านี้ส่วนงานที่เกี่ยวข้องกับการปรับปรุงคุณภาพต้องใช้เวลาอย่างน้อยครึ่งปีหรือนานกว่านั้น รวมถึงส่วนการทำนายการรับประกันต้องใช้ข้อมูลที่เกิดขึ้นในปีก่อนหน้ามากกว่าการใช้ข้อมูลในปีปัจจุบัน สิ่งเหล่านี้มีคุณค่าและมูลค่าหลายล้านดอลลาร์กับลูกค้าและผู้มีส่วนได้ส่วนเสียกับองค์กรเป็นอย่างมาก
บทความต้นฉบับ : Predictive Analytics Comes of Age in Manufacturing
ต้นฉบับนำมาจาก The Minitab Blog, แปลและเรียบเรียงโดยสุวดี นําพาเจริญ
บริหารจัดการ SCM Blog โดยชลทิชา จํารัสพร, บริษัท โซลูชั่น เซ็นเตอร์ จํากัด ตัวแทน Minitab ในประเทศไทย
เพิ่มเติมเกี่ยวกับบริษัท Minitab
Minitab ช่วยให้บริษัทและองค์กรต่างๆ สามารถมองเห็นแนวโน้มของข้อมูล, แก้ปัญหาและค้นพบประเด็นสำคัญจากข้อมูลเชิงลึก โดยนำเสนอชุดโซลูชั่นที่ครอบคลุมทุกด้านและดีที่สุดสำหรับซอฟต์แวร์ในระดับเดียวกัน ที่ใช้สำหรับการวิเคราะห์ข้อมูลและการปรับปรุงกระบวนการ
ด้วยวิธีการที่เป็นเอกลักษณ์ และการนำเสนอซอฟต์แวร์และบริการแบบองค์รวม Minitab ช่วยให้องค์กรเข้าถึงกระบวนการตัดสินใจในส่วนที่ช่วยผลักดันให้เกิดความเป็นเลิศทางธุรกิจได้ดีขึ้น ความง่ายในการใช้งานที่โดดเด่นกว่าใครมีส่วนช่วยให้ Minitab สามารถทำให้การเข้าถึงข้อมูลเชิงลึกเป็นเรื่องที่ง่าย ทีมงานของ Minitab ซึ่งประกอบด้วยผู้เชี่ยวชาญทางด้านการวิเคราะห์ข้อมูลที่ได้ผ่านการอบรมมาเป็นอย่างเข้มงวด จะช่วยให้ผู้ใช้งานมั่นใจว่าจะได้รับประโยชน์สูงสุดจากการใช้งานวิเคราะห์ข้อมูลและพร้อมที่จะให้คำปรึกษาตลอดเวลาที่ใช้งานเพื่อนำไปสู่การตัดสินใจที่ดีขึ้น รวดเร็ว และแม่นยำ
เป็นเวลากว่า 50 ปีที่ Minitab ได้ช่วยองค์การต่าง ๆ เพิ่มรายได้ ควบคุมและลดต้นทุน เพิ่มคุณภาพ เสริมสร้างความพึงพอใจของลูกค้า และเพิ่มประสิทธิภาพ ธุรกิจและองค์นับหมื่นทั่วโลกใช้ Minitab Statistical Software®, Companion by Minitab®, Minitab Workspace®, Salford Predictive Modeler® and Quality Trainer® เป็นเครื่องมือช่วยในการค้นพบและปรับปรุงความบกพร่องในกระบวนการ