สนับสนุน settakid.com

สมัครเป็น member ฟรี

ขอเชิญเพื่อน ๆ มาสมัครเป็น member เพื่อรับบทความใหม่ผ่านทางอีเมล์ พร้อมกับ weekly email รวมลิงก์น่าอ่านสุดสัปดาห์ที่คัดมาแล้ว ผมทราบดีว่าสมัยนี้ทุกคนยุ่ง อาจไม่มีเวลามานั่งเช็คเว็บนี้ได้ตลอด จึงได้สร้าง member email list ขึ้นมาครับ

Home/บทความ/Smarter Policy

ทำไม HR ก็ควร Data-Driven: เรื่องเล่าจากเซกเตอร์การศึกษาสหรัฐฯ

ทุกวันนี้ในสังคมดิจิทัล (ที่แท้จริง) จะเหลือ “การตัดสินใจสำคัญ” ที่ยังไม่ค่อยได้ใช้ประโยชน์จากข้อมูลขนาดใหญ่ อยู่ไม่กี่ประเภท ที่หลงเหลืออยู่ ส่วนมากจะเป็นการตัดสินใจที่มี 3 ลักษณะ เด่น คือ 1) สมัยก่อนไม่เคยมีข้อมูล ดีๆ (หรือไม่มีเลย) 2) มีผลกระทบที่คอขาดบาดตาย (high-stakes) 3) มีวัฒนธรรมในสังคมหรือองค์กรที่ชี้ว่าควรให้ “สมองคน” หรือ ” ดุลพินิจ ” ของผู้ที่มีคุณสมบัติเหมาะสมเป็นตัวชี้นำในการตัดสินใจ การสร้างทัศนคติ data-driven ระหว่างการตัดสินใจที่มีลักษณะเหล่านี้จึงเป็นไปได้อย่างเชื่องช้าและมักมีกระแสต่อต้านรุมล้อม  เรียกได้ว่ามี “ความเฉื่อย” ชั้นดีในการคอยรั้งการเปลี่ยนทัศนคติ เรามีทางเลือกที่จะตัดสินใจแบบเดิมๆ ต่อไป  แต่หลังจากที่มีข้อมูลดีขึ้น เราเริ่มเห็นแล้วว่าการตัดสินใจเหล่านี้โดยการพึ่งพา “คน” อย่างเดียวนั้นมีข้อจำกัดหรืออาจมีโทษด้วยซ้ำ เช่น ในการตัดสินใจฝากขังหรือปล่อยตัวจำเลยโดยผู้พิพาษาที่พบว่ามีการปล่อยตัวพลาดเป็นจำนวนมากอย่างน่าตกใจ เป็นต้น เพื่อให้เห็นภาพ ผู้เขียนจะขอยกตัวอย่างที่หลายคนน่าจะคุ้นเคยกัน นั่นก็คือ การตัดสินใจจ้างงาน ขึ้น/ลดเงินเดือน หรือเชิญ ออก โดยจะเป็นตัวอย่างที่มาจากประสบการณ์ทำงานวิจัยของผู้เขียนในความร่วมมือกับ school district แห่งหนึ่งในสหรัฐฯ อเมริกาเพื่อหา insight

เทพียุติธรรมแท้จริงแล้วควรเป็นคนหรือหุ่นยนต์: เมื่อ Machine Learning พบกับ Human Jailing

ผมมีคำถามหนักใจ (แต่สำคัญต่อสังคม) ที่อยากให้ทุกคนเก็บไปคิดกันครับ “คุณคิดยังไงกับการที่อีกหน่อยจะมีการใช้สมองกลเพื่อช่วยผู้พิพากษาในการตัดสินว่าคนที่เพิ่งถูกตำรวจจับมาหมาดๆ ควรจะถูกปล่อยตัวหรือถูกฝากขังไว้โดยไม่ให้กลับไปดำเนินชีวิตตามปกติจนกว่าคดีจะเสร็จสิ้น?” สัญชาตญาณของคนส่วนใหญ่มักบอกว่ามนุษย์เป็นมากกว่าแค่ตัวเลข หลายคนไม่เห็นด้วยที่เทคนิคเหล่านี้ไม่มี “พื้นที่” ให้กับความเป็นธรรมหรือความเที่ยงธรรม มีแต่สิ่งที่ป้อนให้กับคอมพิวเตอร์และสิ่งที่มันคายออกมา  โดยเฉพาะอย่างยิ่งในกรณีที่เราเคยได้เห็นถึงจุดบอดและความลำเอียงของโมเดลสถิติในการใช้มันเพื่อรักษาความปลอดภัยมาแล้ว แต่วันนี้ผมจะขอเสนอมุมต่างที่อาจทำให้เรามองว่าการใช้ “สมองคน” ตัดสินใจเรื่องคอขาดบาดตายแบบนี้อย่างเดียวก็อาจทำให้เรารู้สึกทะแม่งๆ ได้ไม่แพ้กัน  งานวิจัยล่าสุดของกลุ่มนักวิศวกรคอมพิวเตอร์และนักเศรษฐศาสตร์ในสหรัฐฯ ได้วิเคราะห์ข้อมูลประวัติอาชญกรรม (rap sheet) และคุณลักษณะของจำเลยทุกคนในนครนิวยอร์กตั้งแต่ปี 2008 ถึง 2013 (รวมแล้วประมาณ 7 แสนกว่ากรณี) จนพบว่าหากเรา “เพิ่มความสามารถในการตัดสินใจ” ให้กับผู้พิพากษาว่าจะ “ขังหรือไม่ขัง” จำเลยด้วยการใช้สมองกลช่วยพยากรณ์ว่าในหมู่จำเลยที่มีเข้ามาทุกวี่วัน คนไหนมีโอกาสก่ออาชญากรรมซ้ำอีกหรือทำการหลบหนีระหว่างรอศาลเรียก  เราจะสามารถลดอาชญากรรมในเมืองลงได้มากขึ้น 25% (โดยคงจำนวนจำเลยที่ถูกปล่อยไว้เท่าเดิม) หรือลดจำนวนจำเลยที่จะถูกขังลงได้ถึง 42% (โดยคงอัตราอาชญกรรมไว้เท่าเดิม) ในนครนิวยอร์ก  อีกทั้งยังช่วยลดความเหลื่อมล้ำทางสีผิวในการถูกฝากขังได้ไปพร้อมๆ กันด้วย โดยการนำโมเดลนี้ไปประยุกต์ต่อจากระดับเมืองสู่ระดับประเทศก็ได้ผลที่ไม่ต่างกันนัก ความสำคัญของงานชิ้นนี้คือเขาผสานจุดแข็งของ Machine Learning (จุดแข็งคือการพยากรณ์ให้แม่น) กับ เศรษฐมิติ (จุดแข็งคือการหาความเป็นเหตุเป็นผลและการขจัด bias) เข้าด้วยกันโดยมีเป้าหมายคือการเพิ่ม “คุณภาพ” ของการตัดสินใจให้กับผู้พิพากษา ไม่ใช่หยุดที่แค่การพยากรณ์ว่าจำเลยคนไหนมีความเสี่ยงที่จะหนีศาล  ที่ต้องผสานทั้งสองศาสตร์เข้าด้วยกันเป็นเพราะโลกใบนี้เคยเห็นแต่การกระทำของจำเลยที่ถูกปล่อยออกไปเท่านั้น

ถี่ ถูก แม่น หรือแค่ฝัน?: รวม 14 วิธีวัดตัวเลขเศรษฐกิจใหม่ในยุค Big Data

แม้ว่ามนุษย์เราได้เริ่มศึกษาและทำการวัดข้อมูลเศรษฐกิจอย่างเป็นทางการมาตั้งแต่เมื่อ 73 ปีแล้ว  การที่น้อยคนนักที่สามารถทำนายวิกฤตแฮมเบอร์เกอร์ครั้งเมื่อปี 2008 ทั้ง ๆ ที่มองย้อนกลับไปจากวันนี้แล้วมันมีสาเหตุชัดเจน สะท้อนว่าเรายังรู้อะไรน้อยมากเกี่ยวกับสิ่งที่เกิดขึ้นในระบบเศรษฐกิจ ตัวเลขเศรษฐกิจสำคัญมักถูกประกาศหลังจากที่สิ่งที่มันตั้งใจจะวัด ได้เกิดขึ้นไปแล้วหลายอาทิตย์หรือเป็นเดือนๆ   (ดีไม่ดีเป็นปี...และอาจมี revision เพราะประกาศแรกผิด)  ซ้ำร้ายยังอาจเป็นตัวเลขเท็จที่ถูกการเมืองแทรกแซงอย่างที่ตลาดโลกตราหน้าตัวเลขเศรษฐกิจทางการของประเทศจีน แต่ด้วยความก้าวหน้าและความแพร่หลายของเทคโนโลยีสารสนเทศ ผมคิดว่าทั้งหมดนี้กำลังจะเปลี่ยนไปในไม่ช้า ในโลกอนาคต ข้อมูลจำนวนมหาศาลจะถือกำเนิดขึ้นทุกครั้งที่ “ผู้เล่น” ในระบบเศรษฐกิจกำลังกระทำอะไรบางอย่าง  ไม่ว่าจะเป็นการทำการค้นหาใน Google  โทรศัพท์หาเพื่อน  จ่ายเงินค่าทางด่วน หรืออัพโหลดรูปที่ตนไปเที่ยวมาขึ้น Flickr   ข้อมูลเหล่านี้เราสามารถมองว่ามันเป็นเหมือน “ลายทางเศรษฐกิจ” ขนาดเล็กจำนวนนับไม่ถ้วนที่สามารถถูกนำไปวิเคราะห์ต่อเพื่อนำไปผูกเป็น “ตัวเลขเศรษฐกิจทางเลือก” ที่จะมีความถี่สูงกว่าแต่มีต้นทุนต่ำกว่าได้   อีกทั้งในบางกรณียังสามารถเอาไปทำนายตัวเลขเศรษฐกิจทางการก่อนการประกาศจริงได้อีกด้วย ด้วยเหตุนี้ ในบทความนี้ผมจะเสนอตัวอย่างการประยุกต์ใช้ข้อมูลชนิดใหม่ๆ เพื่อการวัดและคาดการณ์ข้อมูลเศรษฐกิจทางการที่สำคัญ เช่น อัตราการขยายตัวของเศรษฐกิจ  อัตราว่างงาน ไปจนถึงแพทเธิร์นในการท่องเที่ยว  เพื่อให้ผู้อ่านเห็นถึงความเป็นไปได้ที่ข้อมูลเศรษฐกิจสายพันธุ์ใหม่เหล่านี้จะเข้ามามีบทบาทมากขึ้นในอนาคตอันใกล้ครับ วัดการขยายตัวของเศรษฐกิจใหม่ คงไม่มีใครเถียงว่าตัวเลขเศรษฐกิจที่สำคัญที่สุดก็คือ GDP  แต่จุดที่จะชี้ว่าใครเป็นผู้แพ้ผู้ชนะในตลาดการเงินโลกคือความแม่นยำในการทำนายตัวเลขนี้ก่อนที่ตัวเลขทางการจะถูกเปิดเผยออกมา ตัวอย่างที่ 1: ใช้ข้อมูลการสื่อสารด้านการเงินระหว่างธนาคารเพื่อคาดการณ์ GDP SWIFT ซึ่งปกติทำระบบสื่อสารด้านการเงินระหว่างธนาคารทั่วโลกนั้นมีวิธีนำข้อมูลปริมาณการสื่อสารด้านการเงินเหล่านี้มารวมกับข้อมูลอัตราขยายตัวของเศรษฐกิจที่ผ่านมาเพื่อทำเป็น SWIFT Index  ซึ่งค่อนข้างแม่นยำในการช่วยคาดการณ์ GDP

Load More Posts