บทบาทของการวิเคราะห์ข้อมูลขนาดใหญ่ต่อการดำเนินธุรกิจ

ธัชชัย  อินทะสุข

ผู้แต่ง

ธัชชัย อินทะสุข วิทยาลัยนวัตกรรมการจัดการ มหาวิทยาลัยราชภัฎวไลยอลงกรณ์ ในพระบรมราชูปถัมภ์

คำสำคัญ:

ข้อมูลขนาดใหญ่, การวิเคราะห์ข้อมูลขนาดใหญ่, การดำเนินธุรกิจ

บทคัดย่อ

บทความนี้มุ่งสังเคราะห์บทบาทของการวิเคราะห์ข้อมูลขนาดใหญ่ต่อการดำเนินธุรกิจ โดยครอบคลุมการใช้ข้อมูลเพื่อเพิ่มประสิทธิภาพการดำเนินงาน การพัฒนาผลิตภัณฑ์และบริการ การตลาด การบริหารความเสี่ยง และการสร้างนวัตกรรม ผลการศึกษาพบว่า การวิเคราะห์ข้อมูลขนาดใหญ่ช่วยให้องค์กรสามารถเปลี่ยนข้อมูลที่มีปริมาณมากและมีความหลากหลายให้เป็นองค์ความรู้ที่นำไปใช้ประโยชน์ได้ โดยเฉพาะการทำความเข้าใจลูกค้า การคาดการณ์แนวโน้ม การปรับปรุงกระบวนการทำงาน การลดต้นทุน และการสนับสนุนการตัดสินใจเชิงกลยุทธ์ ขณะเดียวกัน การนำ Big Data ไปใช้ในธุรกิจ โดยเฉพาะ SMEs ยังเผชิญข้อจำกัดด้านโครงสร้างพื้นฐานเทคโนโลยี บุคลากร งบประมาณ คุณภาพและความปลอดภัยของข้อมูล และความสามารถในการบูรณาการข้อมูล องค์ความรู้ที่ได้จากการศึกษาชี้ให้เห็นว่า การสร้างคุณค่าจาก Big Data มิได้ขึ้นอยู่กับปริมาณข้อมูลเพียงอย่างเดียว แต่เกิดจากการบูรณาการ ข้อมูล เทคโนโลยี บุคลากร และกระบวนการวิเคราะห์ อย่างเป็นระบบ โดยใช้กระบวนการวิเคราะห์ เช่น CRISP-DM เพื่อเปลี่ยนข้อมูลให้เป็นสารสนเทศและความรู้ที่นำไปสู่การตัดสินใจเชิงกลยุทธ์ เพิ่มประสิทธิภาพ และเสริมสร้างความสามารถในการแข่งขันอย่างยั่งยืน ดังนั้น Big Data Analytics จึงเป็นกลไกสำคัญในการเปลี่ยนข้อมูลให้เป็นคุณค่าทางธุรกิจและความสามารถเชิงกลยุทธ์ขององค์กรในยุคดิจิทัล

เอกสารอ้างอิง

ชนกานต์ กิ่งแก้ว. (2557). การทบทวนการวิเคราะห์ข้อมูลเชิงทำนายสำหรับข้อมูลขนาดใหญ่ในธุรกิจ. วารสารปัญญาภิวัฒน์, 6(ฉบับพิเศษ), 207–218.

เนารุ่ง วิชาราช. (2562). การศึกษาความสัมพันธ์ของแหล่งข้อมูลขนาดใหญ่และการจัดการข้อมูลที่มีต่อความสำเร็จของธุรกิจ. วารสารวิชาการการจัดการเทคโนโลยีสารสนเทศและนวัตกรรม, 6(2), 38–46.

วิไล พึ่งผล. (2564). การเตรียมความพร้อม SMEs ไทยด้านสมรรถนะทางปัญญาจัดการ Big Data เชิงธุรกิจอย่างคุ้มค่าบนเครือข่าย 5G เพื่อผลประกอบการที่ยั่งยืนในวิถีใหม่. วารสารการพัฒนาทรัพยากรมนุษย์และองค์การ, 13(2), 180–201.

วิชาญ ทรายอ่อน. (2559). Big Data ในภาครัฐ (เอกสารวิชาการ Academic Focus). สำนักวิชาการ สำนักงานเลขาธิการสภาผู้แทนราษฎร.

วชิรพรรณ ทองวิจิตร. (2559). Internet of Things (IoT): เมื่อทุกสิ่งอิงกับอินเทอร์เน็ต. สถาบันส่งเสริมการสอนวิทยาศาสตร์และเทคโนโลยี. https://www.ipst.ac.th/knowledge/knowledge-article/article-cs/13940-internet-of-things-iot.html

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc.

Isaga, N. (2018). The relationship of personality to cognitive characteristics and SME performance in Tanzania. Journal of Small Business and Enterprise Development, 25(4), 667–686. https://doi.org/10.1108/JSBED-02-2017-0067

Kerdpitak, C. (2022). Business performance model of herbal community enterprise in Thailand. Uncertain Supply Chain Management, 10(2), 345–352. https://doi.org/10.5267/ j.uscm.2022.1.004

Kiron, D., Prentice, P. K., & Ferguson, R. B. (2014). The analytics mandate. MIT Sloan Management Review, 55(4), 1–25.

Laney, D. (2001). 3D data management: Controlling data volume, velocity, and variety. META Group.

Moktadir, M. A., Ali, S. M., Paul, S. K., & Shukla, N. (2019). Barriers to big data analytics in manufacturing supply chains: A case study from Bangladesh. Computers & Industrial Engineering, 128, 1063–1075. https://doi.org/10.1016/j.cie.2018.04.013

Narasimhan, R., & Bhuvaneshwari, T. (2014). Big data—A brief study. International Journal of Scientific & Engineering Research, 5(9), 350–353.

Ram, J., Zhang, C., & Koronios, A. (2016). The implications of Big Data analytics on business intelligence: A qualitative study in China. Procedia Computer Science, 87, 221–226. https://doi.org/10.1016/j.procs.2016.05.152

Siegel, E. (2013). Predictive analytics: The power to predict who will click, buy, lie, or die. Wiley.

Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J.-F., Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356–365. https://doi.org/10.1016/j.jbusres.2016.08.009