Data Analytics มีอะไรบ้าง และใช้ประโยชน์อย่างไรในงานอุตสาหกรรม

โรงงานส่วนใหญ่ไม่ได้ขาดข้อมูล แต่ขาดคำตอบ ข้อมูลมีอยู่ทั้งใน ERP ใบสั่งซื้อ รายงานคุณภาพ และไฟล์ Excel อีกหลายสิบไฟล์ แต่พอผู้บริหารถามว่าเดือนนี้ต้นทุนขึ้นเพราะอะไร คำตอบยังต้องใช้เวลารวบรวมสองสามวัน บทความนี้จะแยกให้เห็นว่า Data Analytics จริง ๆ มีกี่ระดับ แต่ละระดับตอบคำถามแบบไหน และโรงงานควรเริ่มจากระดับใด

Data Analytics มีสี่ระดับ ไม่ใช่เรื่องเดียว

• Descriptive เกิดอะไรขึ้น เช่น ปีนี้ซื้อวัตถุดิบกลุ่มไหนไปเท่าไร จากผู้ขายกี่ราย ส่งตรงเวลากี่เปอร์เซ็นต์ นี่คือระดับที่รายงานประจำเดือนส่วนใหญ่หยุดอยู่
• Diagnostic ทำไมถึงเกิด เช่น ต้นทุนต่อหน่วยที่สูงขึ้นมาจากราคาวัตถุดิบ จากปริมาณสั่งที่เล็กลง หรือจากการเปลี่ยนผู้ขายกลางปี
• Predictive มีแนวโน้มจะเกิดอะไร เช่น อะไหล่ตัวไหนมีโอกาสขาดในไตรมาสหน้า หรือผู้ขายรายไหนกำลังส่งช้าลงเรื่อย ๆ จนจะกลายเป็นปัญหา
• Prescriptive ควรทำอะไร เช่น ควรปรับจุดสั่งซื้อใหม่เป็นเท่าไร ควรแบ่งสัดส่วนให้ผู้ขายแต่ละรายอย่างไรจึงคุ้มที่สุดเมื่อคิดรวมความเสี่ยง

สามระดับหลังคือจุดที่ข้อมูลเริ่มเปลี่ยนเป็นเงิน แต่จะข้ามไปไม่ได้ถ้าระดับแรกยังไม่นิ่ง

ใช้ประโยชน์ตรงไหนได้บ้างในงานอุตสาหกรรม

• วิเคราะห์การใช้จ่าย จัดกลุ่มยอดซื้อทั้งปีเพื่อดูว่าเงินไปกระจุกอยู่ที่หมวดไหนและผู้ขายรายใด มักเจอทันทีว่าของแบบเดียวกันถูกซื้อในหลายราคาโดยไม่มีใครรู้
• ผลงานผู้ขาย รวมข้อมูลส่งตรงเวลา ของเสีย และจำนวนครั้งที่ต้องตามงาน มาไว้ที่เดียวกัน เพื่อให้การต่อรองมีหลักฐาน ไม่ใช่ความรู้สึก
• ราคาวัตถุดิบ เทียบราคาที่ซื้อจริงกับดัชนีตลาด เพื่อดูว่าช่วงไหนควรล็อกราคาและช่วงไหนควรซื้อสั้น
• อะไหล่และงานซ่อมบำรุง เชื่อมประวัติการเบิกอะไหล่กับเวลาที่เครื่องหยุด เพื่อหาว่าของชิ้นไหนที่ราคาถูกกว่าแต่ทำให้เสียเวลาผลิตมากกว่า
• คุณภาพและพลังงาน หาความสัมพันธ์ระหว่างล็อตวัตถุดิบกับของเสียที่เกิดขึ้น ซึ่งเป็นตัวเลขที่ใช้คุยกับผู้ขายได้ตรงที่สุด

ทำไมส่วนใหญ่ยังหยุดอยู่ที่ระดับแรก

สาเหตุที่พบบ่อยที่สุดไม่ใช่เรื่องเครื่องมือ แต่เป็นเรื่องรหัสวัสดุที่ไม่นิ่ง ของชิ้นเดียวกันถูกตั้งรหัสไว้สามรหัสจากสามแผนก พอรวมยอดจึงมองไม่เห็นว่าเป็นก้อนเดียวกัน การจัดกลุ่มข้อมูลให้ถูกก่อนจึงมีค่ามากกว่าการซื้อเครื่องมือใหม่

สาเหตุที่สองคือทำแดชบอร์ดโดยเริ่มจากข้อมูลที่มี แทนที่จะเริ่มจากคำถามที่ต้องตัดสินใจ ผลลัพธ์คือหน้าจอที่สวยและมีกราฟครบ แต่ไม่มีใครเปิดดูซ้ำ เพราะไม่ได้ช่วยให้ตัดสินใจอะไรได้เร็วขึ้น

สาเหตุที่สามคือไม่มีเจ้าของตัวเลข เมื่อไม่มีใครรับผิดชอบว่าตัวเลขนี้ถูกหรือไม่ ทุกครั้งที่ประชุมจะเสียเวลาไปกับการเถียงว่าข้อมูลของใครถูก แทนที่จะคุยกันว่าจะทำอะไรต่อ

เริ่มอย่างไรให้เห็นผลภายในเดือนเดียว

เลือกคำถามเดียวที่ถ้าตอบได้แล้วจะเปลี่ยนการตัดสินใจจริง เช่น ของกลุ่มไหนที่เราจ่ายแพงกว่าที่ควรจะเป็น แล้วดึงข้อมูลเท่าที่จำเป็นสำหรับตอบคำถามนั้นเรื่องเดียว ทำให้จบ แล้วค่อยขยับไปคำถามถัดไป

การเริ่มจากคำถามเดียวทำให้เห็นผลเร็วพอที่จะได้แรงสนับสนุนสำหรับเรื่องต่อไป ซึ่งสำคัญกว่าการวางระบบใหญ่ที่ใช้เวลาเป็นปีแล้วยังไม่มีใครได้ใช้ครับ

#SourceXpert #งานจัดซื้อ #DataAnalytics #Dashboard

บทความนี้เขียนโดย AI