data-driven-with-moneyball-theory
Data

MoneyBall Theory ถอดบทเรียนชัยชนะแห่งศตวรรษด้วย Data

สำหรับใครหลายๆ คนมักจะคิดว่าการใช้ Data นั้นจะถูกจำกัดไว้อยู่เพียงแค่กับการทำธุรกิจ หรือการทำวิจัยเท่านั้น แต่ความเป็นจริงแล้วข้อมูลสามารถใช้ในการวิเคราะห์ได้หลากหลายสิ่งมากๆ และอยู่ได้ในแทบทุกวงการ แม้กระทั่งกับวงการกีฬาเองที่การวิเคราะห์ข้อมูล และใช้ Data ก็สามารถทำให้ทีมได้ชัยชนะได้ไม่ยาก

ย้อนกลับไปในช่วงก่อนปี 2002 วงการเบสบอลในสหรัฐอเมริกาจะมีแมวมองไปดูตามโรงเรียนมัธยมต่าง ๆ เพื่อมองหาผู้เล่นมาเข้าทีมระดับมหาวิทยาลัยซึ่งจะอาศัยประสบการณ์ทั้งของผู้จัดการทีม โค้ช แมวมองและทีมงานในการประเมินผู้เล่นคนนั้นว่าเหมาะกับทีมหรือไม่ ซึ่งนั่นทำให้ความสามารถของทีมหรือผู้เล่นนั้น ขึ้นอยู่กับประสบการณ์และความเก๋าเกมของแมวมองหรือโค้ชกันเลยทีเดียว และถ้าหากทีมไหนที่มีงบประมาณมาก ก็จะสามารถจ้างทั้งแมวมอง โค้ช และผู้เล่นดี ๆ ไปได้มาก

MoneyBall Theory

ในปี 2002 ทีม Oakland Athletics ก็ได้เข้ามาเริ่มเปลี่ยนวงการอย่างเป็นทางการด้วยการใช้ Data-Driven แทนที่จะพึ่งพาแมวมองในการหาผู้เล่น โดยพวกเขาเลือกที่จะใช้ Metric ต่าง ๆ เพื่อวัดระดับ Performace ของผู้เล่นแต่ละคน ผ่านการเก็บข้อมูล คำนวณ และวิเคราะห์เกมที่เหมาะสมกับผู้เล่นนั้น ๆ ออกมา ได้ไม่ต่างกับที่นักลงทุนมี Metric ในการวัดว่าหุ้นตัวไหนน่าลงทุนเช่นกัน โดยพวกเขาหวังที่จะใช้งบประมาณที่มีน้อยนิด ในการทำผลงานออกมาให้ดีที่สุด ซึ่งเราจะมาสรุป 6 ประเด็นที่น่าสนใจ สำหรับใครที่ต้องการเป็น Data Analyst ได้เรียนรู้จากเรื่องนี้กัน

moneyball-succes-data-driven-case-study

Source : Darryl Leewood, CC BY-SA 3.0

ความท้าทายในการตั้งโจทย์

Billy Beane ผู้จัดการทีม Oakland Athletics เคยพูดไว้ว่า “มันมีทีมที่รวยและทีมที่จน ซึ่งมันไม่แฟร์กับทีมที่ไม่มีเงิน” หรือก็คือเขาพยายามสื่อว่าทีมที่มีเงินน้อย แต่พยายามแข่งราคากับทีมที่รวยๆ นั้นแทบเป็นไปไม่ได้

โดยในปี 2002 ทีมของเขาสูญเสียผู้เล่นเด่นถึง 3 คนให้กับทีม Boston Red Sox และ New York Yankees ซึ่งสร้างปัญหาใหญ่ให้กับทีม และเมื่อ Billy ขอเงินลงทุนเพิ่มจากเจ้าของทีมเพื่อรับสมาชิกใหม่ก็ได้รับการปฏิเสธการเพิ่มงบ ทำให้เขามีงบประมาณต่ำกว่าทีมรวยๆ มากถึง 3 เท่า ในขณะทีแมวมองทุกคนพยายามมองหาผู้เล่นเด่นที่มีท่าตีที่ดูเท่ หรือหน้าตาดีมาโดยแข่งราคากับทีมอื่นๆ Billy กลับมองหาผู้เล่นที่จะพาให้ทีมชนะได้แทน โดยใช้งบประมาณที่มีอยู่อย่างจำกัดให้ได้ดีที่สุด

Key Learning : การเป็น Analyst นั้นเป็นสิ่งสำคัญมากที่คุณจะต้องเข้าใจว่าอะไรเป็นปัญหาที่คุณต้องทำการแก้ไขจริง เป้าหมายของการเล่นเบสบอลนั้นคือชัยชนะ ที่จะช่วยขยายฐานแฟนคลับ และได้รับเงินรางวัลมากขึ้น ไม่ใช่แค่ผู้เล่นหน้าตาดี แต่เป็นคนที่เล่นได้ดีแทน

moneyball-succes-data-driven-case-study

Source : COLUMBIA PICTURES | Moneyball (2011)

กลยุทธ์ และ Metrics ที่ดี

Billy พบกับ Peter Brand นักศึกษาเศรษฐศาสตร์จาก Yale University โดย Peter บอกว่าเขาไม่เชื่อในวิธีการเดิมๆ ที่พวกแมวมองใช้ในการเลือกผู้เล่น โดยเขาบอกว่า “เป้าหมายของเราไม่ควรเป็นการซื้อผู้เล่น แต่เป็นการซื้อชัยชนะ ซึ่งจะทำแบบนั้นได้เราต้องซื้อคนที่ได้แต้มวิ่ง” นั่นทำให้เขาได้งานในฐานะผู้ช่วยผู้จัดการทีมของ Billy พร้อมกับทำการวิเคราะห์แบบพยากรณ์ (Predictive Analytics) จาก Big-Data ที่เก็บรวบรวมมาตั้งแต่ปี 1800 เพื่อมองหาผู้เล่นที่มีมูลค่า แต่ไม่มีใครเคยมองด้วย Metrics สองอย่าง

  1. โอกาสชนะ (Projected Win Percentage) ซึ่งบ่งบอกถึงคะแนนที่ทีมมีโอกาสจะได้จากการวิ่งครบทุก Base ในสนาม (เบสบอลจะได้คะแนนเมื่อตีลูกได้และสามารถวิ่งรอบสนามจนกลับมาที่เดิม)
  2. คะแนน (Score) ซึ่งคำนวณจากอัตราการตีลูกและวิ่ง Base โดยตัดข้อมูลที่เป็นความผิดพลาดจากตัวแปรอื่นๆ อย่างการขว้างลูกพลาด หรือเดธบอลไป

สิ่งเหล่านี้ทำให้เหล่าผู้เล่นที่เคยถูกมองข้ามจากหลากหลาย Bias อย่างอายุ, รูปร่าง, บุคลิกภาพ หรือแม้แต่ความสวยของแฟนสาวของผู้เล่นได้รับความสนใจอีกครั้ง

Key Learning : เมื่อคุณกำหนดเป้าหมายได้แล้ว คุณยังต้องสามารถระบุได้ว่า Data แบบไหนที่คุณจำเป็นต้องใช้เพื่อสร้าง Metrics ที่สำคัญกับเป้าหมายนั้นๆ 

การเก็บและใช้ข้อมูล (Data Collecting and Data Analyst)

Peter บอกว่า “กว่า 20,000 ผู้เล่นที่เราต้องพิจารณา ผมเชื่อว่ามีผู้เล่นแชมเปี้ยนกว่า 25 คนที่เราสามารถซื้อตัวได้เพราะทุกๆ คนในวงการเบสบอลให้ค่าพวกเขาต่ำเกินไป” เขาพูดถึงผู้เล่นคนหนึ่งซึ่งเป็นมือขว้างที่ไม่มีใครมองเขาเลยเพียงเพราะท่าขว้างของเขานั้นดูตลก ซึ่งไม่ตรงกับสิ่งที่พวกแมวมองมองหาในรูปแบบเดิมๆ

ซึ่งข้อมูลของผู้เล่นเบสบอลนั้นเริ่มมีเก็บมากันตลอดอยู่แล้ว แต่ทีม Oakland Athletics ได้ใช้ Metrics ที่มีมาใช้เลือกซื้อตัวเขาในราคาเพียงราวๆ 0.2 ล้านเหรียญ จากมูลค่าแท้จริงที่เขาควรจะได้จากสิ่งที่เขาทำถึง 3 ล้านเหรียญ

Key Learning : คุณต้องเข้าใจในสิ่งที่ตัวเองกำลังทำและสามารถอธิบายการวิเคราะห์ของคุณได้ อย่างน้อยก็เพื่อปฏิเสธสิ่งที่เป็นเพียงความเชื่อแบบเดิมๆ

moneyball-succes-data-driven-case-study

Source : COLUMBIA PICTURES | Moneyball (2011)

การใช้ Data มาประกอบการตัดสินใจ (Data Decision)

กระบวนการตัดสินใจเพื่อรับผู้เล่นใหม่เข้ามาแทนผู้เล่นเด่นที่ออกไปเป็นหนึ่งในโจทย์ที่ยาก Billy ต้องเผชิญกับการวิพากษณ์ วิจารญ์ ทั้งจากภาพใน ไม่ว่าจะเป็นบรรดาแมวมองและโค้ช รวมไปถึงสื่อภาพนอก ถึงขนาดที่ทุกคนต่างคิดว่าเขากลายเป็นคนบ้า และเริ่มทำการฝังตัวเองลงหลุมแล้ว

แต่ในความเป็นจริงคือ Oakland Athletics ภายใต้การบริหารของ Billy นั้นมีความมุ่งมั่นที่จะใช้ข้อพิสูจน์มากกว่าที่จะใช้ความเก๋า และภูมิปัญญาเดิมๆ ของเหล่าแมวมอง โดยพยายามโน้มน้าวด้วยการวิเคราะห์ต่างๆ มาประกอบการตัดสินใจ ซึ่งสิ่งนี้ต้องอาศัยความมั่นใจและความเชื่อใจจากเจ้าของทีมด้วยเช่นเดียวกัน

เขาเคยบอกเข้าของทีมด้วยซ้ำว่าเราจะเห็นชัยชนะภายในเดือนกรกฏาคมปี 2002 ซึ่งสิ่งนั้นก็เกิดขึ้นจริง โดยระหว่างนั้น Billy ได้ใช้ความพยายามในการกระตุ้นผู้เล่นในทีมเป็นระยะเพื่อให้แต่ละคนสามารถทำผลงานออกมาได้ดีอยู่เสมอ

Key Learning : หนึ่งในปัจจัยความสำเร็จคือผู้บริหาร หรือผู้มีอำนาจ ที่ต้องมีความเชื่อมั่นในสิ่งที่พวกคุณกำลังทำ รวมไปถึงทีมของคุณตลอดเวลา เพื่อขับเคลื่อนองค์กรของคุณให้สามารถใช้ Data ได้อย่างต่อเนื่องและมีประสิทธิภาพ

การใช้เทคโนโลยี และทักษะที่จำเป็น

เราจะพบว่าจริงๆ แล้ว Peter Brand เป็นนักศึกษาเศรษฐศาสตร์ ที่มีความสามารถในการจัดการเรื่องตัวเลขได้อยู่แล้ว แต่สิ่งที่เขาทำได้มากกว่านั้นคือเขายังรอบรู้เกี่ยวกับเรื่อง Computer Programing ต่างๆ และแสดงผลสิ่งที่วิเคราะห์ได้เป็นอย่างดีอีกด้วย

ซึ่งการวิเคราะห์ทั้งหมดนี้ Peter ทำได้โดยเขาเขียนโปรแกรมขึ้นมา เพื่อทำการวางแผนผู้เล่นแบบปีต่อปี โดยให้คะแนนแก่ผู้เล่นแต่ละคนในแต่ละช่วงเวลา พร้อมกับทำการ Visualized เพื่อที่จะได้พูดคุยกันทั้งผู้จัดการทีม และผู้เล่นเกี่ยวกับประสิทธิภาพการเล่นของผู้เล่นแต่ละคนว่ามีอะไรที่จะต้องพัฒนา หรือมีผู้เล่นหน้าใหม่คนไหนบ้างที่อาจจะช่วยให้ทีมได้ชัยชนะ

Key Learning : ไม่ว่าคุณจะเรียบจบอะไรมาก็ตาม แต่ถ้าคุณกำลังต้องการจะเริ่มทำงานด้าน Data Analyst คุณควรมีความรู้เกี่ยวกับ Technology ต่างๆ หรือภาษา Programming ที่ใช้ในการวิเคราะห์ มีความเข้าใจในธุรกิจ สถิติ และกระบวนการคิดเชิงวิเคราะห์ เพื่อสามารถนำเสนอสิ่งที่วิเคราะห์ออกมากับผู้อื่นได้ รวมไปถึงพร้อมต่อการเรียนรู้สิ่งใหม่ๆ อยู่ตลอดเวลาเพื่อพัฒนาทักษะใหม่ๆ

moneyball-succes-data-driven-case-study

Source : COLUMBIA PICTURES | Moneyball (2011)

การสื่อสารและโน้มน้าว

ปัจจัยที่เรียกได้ว่าสำคัญมากๆ ในการประสบความสำเร็จของทีม Oakland Athletics คือความสามารถในการสื่อสารทั้งของ Peter Brand ที่สามารถอธิบายและโน้มโน้วให้ผู้จัดการทีมอย่าง Billy เชื่อในคำแนะนำต่างๆของเขาได้ง่าย ๆ และ Billy Beane ที่ก็สามารถถ่ายทอดสิ่งที่เขารู้ และได้รับคำแนะนำต่างๆ เหล่านี้ให้กับผู้มีส่วนได้เสียคนอื่นๆ เพื่อให้ได้ผู้เล่นใหม่ และโค้ชที่เหมาะสมกับทีมของเขา

Key Learning : การมีสกิลการสื่อสารที่ดีจะช่วยให้คุณนำเสนอและโน้มน้าวผู้มีส่วนได้เสียในการวิเคราะห์นั้นได้ดีมากยิ่งขึ้น ซึ่งจะทำให้เกิดความเข้าใจกับทุกส่วน และทำให้การจัดการทีมต่างๆ ได้รับการตัดสินใจ และดำเนินการได้อย่างถูกต้อง

succes-data-driven-case-study

Photo by Jed Jacobsohn | Getty Images

ชัยชนะแห่งศตวรรษด้วย

ในฤดูกาลปี 2002 ในปีแรกที่ Oakland Athletics ได้เริ่มใช้ Data เข้ามาประกอบการตัดสินใจมากยิ่งขึ้น Billey Beane สามารถควบคุมงบประมาณสำหรับค่าตัวผู้เล่นไว้ได้ที่ 41 ล้านเหรียญ กับผลลัพธ์ชัยชนะต่อเนื่องสูงถึง 20 ครั้ง นับว่าเป็นการชนะต่อเนื่องกันที่สูงที่สุดในรอบ 103 ปีของสหรัฐอเมริกา และในช่วง 5 ปีที่เริ่มใช้ข้อมูล พวกเขาสามารถเป็นแชมป์รายการ American League West ถึง 3 สมัย จนทำให้เหล่าแมวมอง และเจ้าของค่ายเบสบอลต่างๆ เริ่มเปิดรับสมัครนักวิเคราะห์ของตนเองเพื่อทำแบบที่ Biley Beane และ Peter Brand ทำได้โดยปรับปรุง และคิด Metrics ใหม่ๆ ออกมาใช้ประกอบการตัดสินใจ

แต่ส่วนที่สำคัญที่สุดที่ทำให้กลยุทธ์ Moneyball สำเร็จได้นั้นเป็นเพราะ Billy Beane มีความกล้ามากพอที่จะใช้ข้อมูลเชิงลึกเหล่านี้มาใช้ในการพลักดันทีมของเขา การที่ผู้นำเข้าใจศักยภาพของการวิเคราะห์ และกล้าเปลี่ยนองค์กรนั่นจึงทำศักยภาพเหล่านั้นส่งผล เรื่องราวของเขาสะท้อนให้เราเห็นถึงความได้เปรียบในการให้ Data Sceince เป็นส่วนหนึ่งใน DNA ขององค์กร แต่ที่สำคัญกว่านั้น คือสะท้อนให้เห็นถึงแนวคิดในการนำข้อมูลมาใช้เพื่อเพิ่มโอกาสใหม่ๆ ให้กับธุรกิจอีกด้วย

และถ้าคุณอยากทำงาน หรือให้คนในทีมของคุณร่วมกันทำงานและตัดสินใจแบบ Data-informed ได้อย่างถูกต้อง ได้เรียนรู้ทั้ง

  • การใช้เครื่องมือในการวิเคราะห์ข้อมูล ตั้งแต่ดึงข้อมูล (Web Scraping) เข้าใจข้อมูล (Data Literacy) จัดการข้อมูล (Data Wrangling) วิเคราะห์ข้อมูล (Data Analysis) ไปจนถึงนำเสนอข้อมูล (Data Visualization)
  • ฝึกฝนและเรียนรู้ได้ผ่านทั้งแบบฝึกหัด Group Assignments และ Capstone Project กับเพื่อนร่วมเรียน ที่พวกคุณสามารถกำหนดหัวข้อที่สนใจอยากวิเคราะห์ได้เอง และสร้าง Learning Community ร่วมกัน
  • เปิดมุมมองใหม่ในการทำ Data Analystics จากตัวจริงในวงการ และผู้เชี่ยวชาญที่จะช่วยสนับสนุนการเรียนรู้ตลอด 10 สัปดาห์เต็ม ให้คุณโดดเด่นกว่าใครแม้ไม่เคยมีประสบการณ์มาก่อนหลังจบหลักสูตร

ดูรายละเอียดและลงทะเบียนเพื่อรับส่วนลดพิเศษ
กับหลักสูตร Data Analytics Bootcamp ได้ที่นี่ คลิกเลย

data-analytic-bootcamp

ที่มา

The Story of Moneyball Proves Importance of Both Big Data and Big Ideas

Moneyball The must watch movie: Key Learnings for every Aspiring Data Analyst and Data Scientist

 

You may also like

Data

สร้าง Profile สาย Data ยังไงดี เมื่อบริษัทไม่ได้มองหาแค่คนมีสกิล?

อยากเป็น Data Analyst แต่ไม่มีประสบการณ์ จะเก็บโปรไฟล์ยังไงดี? หลายคนที่กำลังเรียน หรือกำลังสนใจจะเรียน Data Analytics อาจมีความกังวล เพราะแม้เราจะมีสกิลครบตามตำแหน่งงาน (SQL, Spreadsheets, Business Intelligence ...

More in:Data

อัปสกิล Data เปลี่ยน HR ธรรมดาสู่ “People Analyst” | Skooldio Blog Data

อัปสกิล Data เปลี่ยน HR ธรรมดาสู่ “People Analyst”

ในแต่ละบริษัท ฝ่าย Human Resource ถือเป็นอีกทีมหนึ่งที่เป็นกุญแจสำคัญสู่ความสำเร็จขององค์กร เพราะถือเป็นฝ่ายที่ดูแลทรัพยากรที่สำคัญที่สุดขององค์กร นั่นก็คือ “ทรัพยากรมนุษย์” เพราะฉะนั้นหากการตัดสินใจของทีม HR เป็นการตัดสินใจด้วยความรู้สึก หรือใช้ Gut Feeling อยู่ละก็ ...
รู้จักอาชีพสุดฮอตปี 2022 Sale Analyst ตำแหน่งที่ทุกบริษัทตามหา | Skooldio Blog Data

รู้จักอาชีพสุดฮอตปี 2022 Sales Analyst ตำแหน่งที่ทุกบริษัทตามหา

ทุกคนเคยสังเกตไหมว่า  Sales  ที่ประสบความสำเร็จไม่ได้เสนอขายสินค้าให้กับทุกคนที่เดินผ่าน  ไม่ได้โทรหาทุกคนที่เขามีเบอร์โทรศัพท์ และไม่ได้ส่งอีเมลหาลูกค้าทุกคน เพราะอะไรเขาถึงปล่อยโอกาสการเข้าถึงลูกค้าไปแบบนั้น?  จริงๆ แล้ว การเสนอขายสินค้าหรือบริการนั้น ถ้าทำแบบไม่มีแบบแผนก็คงจะเหนื่อย และสิ่งที่แย่ไปกว่านั้นคือ อาจจะขายได้ไม่คุ้มเหนื่อยก็ได้  เพราะเวลา และแรงของ Sales ...
5 Python Libraries ที่คนทำงานสาย Data ควรรู้จัก | Skooldio Blog Data

5 Python Libraries ที่คนทำงานสาย Data ควรรู้จัก

Python คือหนึ่งในภาษาการเขียนโปรแกรมที่ได้รับความนิยมไปทั่วโลก เพราะเป็นภาษาที่มีความสามารถรอบด้านไม่ว่าจะเป็นภาษาที่ใช้พัฒนา Web Application, การพัฒนา Backend และอื่นๆ รวมถึงการทำ Data Analytics และ Machine Learning เอง ...
รู้จัก pandas - Library อันดับ 1 สำหรับการทำ Data Analysis | Skooldio Blog Data

รู้จัก pandas – Library อันดับ 1 สำหรับการทำ Data Analysis

เคยได้ยินคนพูดถึงบ่อยๆ แต่ไม่รู้ว่า pandas คืออะไร? เราไม่อยากให้ความไม่รู้ของคุณทำให้คุณพลาดโอกาสดีๆ ที่จะได้รู้จักกับ Library อันดับ 1 สำหรับการทำ Data Analysis ในบทความนี้ เราจะมาทำความรู้จัก Pandas ...

Comments are closed.