การใช้ บิ๊กดาต้า สำหรับธนาคารกลาง

ธนาคารแห่งประเทศไทย (ธปท.) เผยแพร่บทความเรื่อง Big Data ในยุคเศรษฐกิจดิจิทัล กับความท้าทายที่ต้องเผชิญ มีสาระสำคัญตอนหนึ่งระบุถึงความเกี่ยวข้องระหว่าง Big Data กับบทบาทธนาคารกลาง โดยหยิบยกแนวทางการประยุกต์ใช้ Big Data ของธนาคารกลางในประเทศพัฒนาแล้ว เพื่อเสริมภารกิจของธนาคารกลางในหลายด้าน

ตัวอย่างของธนาคารกลางที่ประยุกต์ใช้ Big Data เช่น ธนาคารกลางอังกฤษ กำหนดให้มีการวิเคราะห์ข้อมูลชั้นสูง (Analytic Excellence) เป็นหนึ่งในแผนกลยุทธ์ปี 2014 และได้จัดตั้ง Data Lab และ Data Community เพื่อเป็นศูนย์กลางการวิจัย Data Lab และ Data Community รวมถึงจัดสัมมนาด้านนี้ร่วมกับธนาคารกลางอื่นๆ เพื่อแลกเปลี่ยนประสบการณ์การประยุกต์ใช้ เช่น การทำ Nowcast GDP จาก Industry Model และ Weighted Survey Model และ Weighted Survey Model โดยคาดการณ์ GDP จากข้อมูลเร็วรายเดือนแทนข้อมูลรายไตรมาส ทำให้เผยแพร่ GDP ได้เร็วขึ้น หรือใช้ข้อมูลจากคำที่มีการค้นหาใน Google ซึ่งมีความถี่แต่ละช่วงเวลาต่างหันมาเปรียบเทียบกับข้อมูลสำรวจ ในการจัดทำดัชนีด้านแรงงานและดัชนีอสังหาริมทรัพย์

ธนาคารกลางแคนาดาได้ตีพิมพ์เอกสาร Big Data Analysis : The Next Frontier ในปี 2013 ชี้ให้เห็นว่าการวิเคราะห์ข้อมูลขนาดใหญ่ทำให้เห็นข้อมูลเชิงลึกที่แอบซ่อนอยู่ได้เร็วขึ้น นำมาช่วยติดตามและวางนโยบายเศรษฐกิจได้เร็วขึ้น เช่น การศึกษาพฤติกรรมอุปโภคบริโภคโดยใช้ข้อมูลรายวันของระบบชำระเงินแทนข้อมูลรายเดือน เป็นต้น ธนาคารกลางสหรัฐอเมริกาเผยแพร่การศึกษาพฤติกรรมทางการเงินที่คัดกรองจากข่าวโดยเครื่องมือ Neural Network Application และ Machine-learning Algorithm ซึ่งสามารถวิเคราะห์ภาษาและจำแนกข่าวเชิงบวกและเชิงลบได้ ธนาคารกลางสิงคโปร์ ระบุว่า Big Data เป็นหนึ่งใน Big Trends in Technology ที่กระทบกับภาคการเงินการธนาคาร และวางวิสัยทัศน์ที่จะเป็น Smart Financial Centre ในงาน Global Technology Law Conference 2015

ข้อมูลข้างต้นทำให้ต้องเผชิญกับความท้าทายของ Big Data อย่างหลีกเลี่ยงไม่ได้ โดยนับวันข้อมูลก็จะยิ่งมีปริมาณมากขึ้นเรื่อยๆ ไม่มีที่สิ้นสุด สิ่งท้าทาย ก็คือ จะมีการใช้ข้อมูลปริมาณมหาศาลเหล่านี้ได้อย่างไร โดยไม่สำลักข้อมูล (Information Overload)

สิ่งที่ต้องเตรียมการเพื่อรองรับความท้าทายนี้ คือ (1) ความพร้อมด้านเทคโนโลยี ที่ต้องบริหารจัดการข้อมูลระดับ Big Data ทั้งการจัดเก็บ ประมวลผล ติดตาม ตรวจสอบ เทคนิคการแปลงข้อมูล (Data Transformation) การวิเคราะห์ข้อมูลชั้นสูง (Analytic Excellence) โดยต้องคำนึงถึงความถูกต้องตามหลักธรรมาภิบาลข้อมูล (Data Governance) (2) ความพร้อมด้านข้อมูล จากที่ปัจจุบันข้อมูลเป็นสินทรัพย์ที่มีค่ามากขององค์กรจนเกิดธุรกิจซื้อขายข้อมูล โดยเฉพาะข้อมูลที่สะท้อนพฤติกรรมของผู้บริโภคเพื่อนำไปใช้ประโยชน์ทางธุรกิจ ประเด็นนี้ทำให้ต้องมีการออกกฎหมาย วางนโยบายรองรับการเปิดเผยข้อมูล (Open Data) การแลกเปลี่ยนซื้อขายข้อมูล และการใช้ข้อมูลร่วมกัน (Data Sharing) อย่างชัดเจน และ (3) ความพร้อมด้านบุคลากร เราต้องสร้างบุคลากรที่มีความรู้ทั้งด้านวิทยาศาสตร์ คณิตศาสตร์ สถิติ และมีความเข้าใจคุณลักษณะข้อมูล (Data Characteristic) ทั้ง 4 ด้านหลัก คือ มีทักษะในการอธิบาย วินิจฉัย สังเกตความผิดปกติของข้อมูล และสามารถใช้ข้อมูลในการสร้างโมเดลคาดการณ์นำไปสู่การวางนโยบายอย่างมีประสิทธิภาพ ซึ่งบุคลากรที่ทำหน้าที่สำคัญนี้ คือ “นักวิทยาศาสตร์ข้อมูล (Data Scientist)”

ทั้งนี้ คำนิยามของ Big Data คือ การวิเคราะห์ข้อมูลที่มีลักษณะสำคัญ 4 ข้อ หรือที่เรียกย่อๆ ว่า 4Vs (Volume–Velocity-Variety-Veracity) คือข้อมูลที่มีปริมาณมากเกินกว่าที่ระบบจะรองรับได้ (Volume) ซึ่งข้อมูลนั้นมีอัตราการเปลี่ยนแปลงแบบ Realtime (Velocity) มีรูปแบบข้อมูลที่หลากหลาย (Variety) และเป็นข้อมูลที่มีความคลุมเครือ (Veracity) ซึ่งเกิดจากการที่ข้อมูลได้มาจากหลายช่องทาง เช่น Google Facebook Twitter Line YouTube เป็นต้น แต่ Big Data จะมีคุณค่าก็ต่อเมื่อนำข้อมูลนั้นมาวิเคราะห์เพื่อดึงข้อมูลเชิงลึก (Insights) มาใช้ให้เป็นประโยชน์

ในปัจจุบันมีการนำ Big Data มาประยุกต์ใช้กันอย่างกว้างขวางเพื่อช่วยสนับสนุนการดำเนินงานของหลายภาคส่วนเศรษฐกิจ เช่น ด้านการเกษตร มีการใช้  Geographical Information System (GIS) ช่วยพยากรณ์ผลผลิตในภาคการเกษตร การใช้ปัจจัยการผลิตทั้งปุ๋ยและน้ำ รวมทั้งระบบชลประทานเพื่อเพิ่มผลิตภาพการเกษตร