เนื่องจากบริษัทบริการทางการเงินต่างพยายามดิ้นรนเพื่อให้ทันกับความก้าวหน้าทางเทคโนโลยี เช่น การเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ (AI) การกำกับดูแลข้อมูล (DG) และการจัดการข้อมูล (DM) จึงมีบทบาทสำคัญเพิ่มมากขึ้น โดยบทบาทดังกล่าวมักถูกมองข้ามไปในสิ่งที่กลายมาเป็นเรื่องแข่งขันด้านเทคโนโลยี
DG และ DM เป็นส่วนประกอบหลักของแพลตฟอร์มข้อมูลและการวิเคราะห์ขององค์กรที่ประสบความสำเร็จ ทั้งสองอย่างนี้ต้องสอดคล้องกับปรัชญาการลงทุนและโครงสร้างขององค์กร การนำความรู้ ประสบการณ์ และความเชี่ยวชาญด้านโดเมนทางธุรกิจมาใช้จะช่วยให้บริษัทสามารถรวมการจัดการ BD เข้ากับข้อมูลขนาดเล็กแบบดั้งเดิมได้
ไม่ต้องสงสัยเลยว่า การนำเทคโนโลยีขั้นสูงมาใช้ จะขับเคลื่อนประสิทธิภาพที่สูงขึ้นและรักษาความได้เปรียบในการแข่งขันผ่านผลผลิตที่สูงขึ้น การประหยัดต้นทุน และกลยุทธ์และผลิตภัณฑ์ที่แตกต่างกัน แต่ไม่ว่าเครื่องมือ AI ของบริษัทจะซับซ้อนและมีราคาแพงเพียงใด ก็ไม่ควรลืมว่าหลักการ “ขยะเข้าขยะออก” (GIGO) นั้นใช้ได้กับกระบวนการจัดการการลงทุนทั้งหมด
ข้อมูลอินพุตมีข้อบกพร่องและคุณภาพต่ำ ข้อมูล ถูกกำหนดให้ผลิตผลลัพธ์ที่ผิดพลาดและไร้ประโยชน์ โมเดล AI จะต้องได้รับการฝึกอบรม ตรวจสอบ และทดสอบด้วยข้อมูลคุณภาพสูงที่แยกออกมาและใช้เพื่อการฝึกอบรม ตรวจสอบ และทดสอบ
การได้รับข้อมูลที่ถูกต้องมักจะดูไม่น่าสนใจหรือน่าเบื่อสำหรับมืออาชีพด้านการลงทุนส่วนใหญ่ นอกจากนี้ ผู้ปฏิบัติงานมักไม่คิดว่าคำอธิบายงานของตนมี DG และ DM รวมอยู่ด้วย
แต่มีการยอมรับที่เพิ่มมากขึ้นในหมู่ผู้นำในอุตสาหกรรมว่าการทำงานร่วมกันหลายฟังก์ชัน ทีมรูปตัว T จะช่วยให้องค์กรพัฒนากระบวนการลงทุนที่ผสานรวม AI และข้อมูลขนาดใหญ่ (BD) เข้าด้วยกัน อย่างไรก็ตาม แม้จะมีความร่วมมือที่เพิ่มมากขึ้นระหว่างการลงทุนและฟังก์ชันด้านเทคโนโลยี แต่ข้อมูลอินพุตที่สำคัญของ DG และ DM มักไม่แข็งแกร่งเพียงพอ
แผนภาพเวนน์ของวิทยาศาสตร์ข้อมูล
BD เป็นอินพุตหลักของโมเดล AI วิทยาศาสตร์ข้อมูลเป็นสาขาที่ครอบคลุมหลายสาขาวิชา โดยครอบคลุมคณิตศาสตร์และสถิติศาสตร์ วิทยาการคอมพิวเตอร์ ความรู้เฉพาะสาขา และความเชี่ยวชาญเฉพาะด้าน ดังที่ฉันเขียนไว้ในบทความก่อนหน้านี้ โพสต์บล็อกทีมงานที่ปรับตัวเข้ากับสภาพแวดล้อมที่เปลี่ยนแปลงได้สำเร็จจะคงอยู่ต่อไป ส่วนทีมงานที่ไม่ปรับตัวก็มีแนวโน้มที่จะล้าสมัย
ภาคผนวกที่ 1 แสดงให้เห็นฟังก์ชันที่ทับซ้อนกัน เมื่อพิจารณาแผนภาพเวนน์ผ่านมุมมองของฟังก์ชันการทำงานภายในบริษัทจัดการการลงทุน ผู้เชี่ยวชาญด้านปัญญาประดิษฐ์ครอบคลุมคณิตศาสตร์และสถิติ ผู้เชี่ยวชาญด้านเทคโนโลยีครอบคลุมวิทยาการคอมพิวเตอร์ และผู้เชี่ยวชาญด้านการลงทุนนำความรู้ ประสบการณ์ และความเชี่ยวชาญเชิงลึกมาสู่ทีมด้วยความช่วยเหลือจากผู้เชี่ยวชาญด้านข้อมูล
ภาคผนวก 1
ตารางที่ 1 กล่าวถึงคุณลักษณะของ BD เท่านั้น เห็นได้ชัดว่าผู้เชี่ยวชาญที่มีทักษะในด้านใดด้านหนึ่งไม่สามารถรับมือกับความซับซ้อนในระดับนี้ได้
ตารางที่ 1. BD และ 5 Vs
ปริมาณ ความถูกต้อง และมูลค่าเป็นเรื่องท้าทายเนื่องจากความไม่แน่นอนที่คอยกัดกินเกี่ยวกับความครบถ้วนและความถูกต้องของข้อมูล เช่นเดียวกับความถูกต้องของข้อมูลเชิงลึกที่รวบรวมมา
เพื่อปลดปล่อยศักยภาพของ BD และ AI นักลงทุนมืออาชีพต้องเข้าใจว่าแนวคิดเหล่านี้ทำงานร่วมกันอย่างไรในทางปฏิบัติ เมื่อนั้น BD และ AI จึงจะสามารถขับเคลื่อนประสิทธิภาพ ผลผลิต และความได้เปรียบทางการแข่งขันได้
DG และ DM เข้ามามีบทบาทสำคัญต่อการจัดการการปกป้องข้อมูลและความเป็นส่วนตัวของข้อมูลที่ปลอดภัย ซึ่งเป็นพื้นที่ที่หน่วยงานกำกับดูแลให้ความสำคัญอย่างมาก ซึ่งรวมถึงการปฏิรูปกฎระเบียบหลังวิกฤตการณ์ทางการเงินทั่วโลก เช่น มาตรฐาน 239 ของคณะกรรมการกำกับดูแลการธนาคารแห่งบาเซิล (BCBS239) และคำสั่ง Solvency II ของสหภาพยุโรป การดำเนินการด้านกฎระเบียบล่าสุด ได้แก่ แผงควบคุมคุณภาพข้อมูลของธนาคารกลางยุโรป พระราชบัญญัติความเป็นส่วนตัวของผู้บริโภคแห่งแคลิฟอร์เนีย และข้อบังคับทั่วไปเกี่ยวกับการคุ้มครองข้อมูล (GDPR) ของสหภาพยุโรป ซึ่งบังคับให้ภาคอุตสาหกรรมต้องจัดการความเป็นส่วนตัวของข้อมูลส่วนบุคคลของบุคคลให้ดีขึ้น
กฎระเบียบในอนาคตมีแนวโน้มที่จะทำให้บุคคลต่างๆ เป็นเจ้าของข้อมูลของตนเองมากขึ้น บริษัทต่างๆ ควรดำเนินการเพื่อกำหนดสิทธิและมาตรฐานข้อมูลดิจิทัล โดยเฉพาะอย่างยิ่งในเรื่องวิธีการปกป้องความเป็นส่วนตัวของแต่ละบุคคล
ข้อมูลจะรวมเอาทั้งข้อมูลดิบที่ยังไม่ได้ประมวลผลและ “เนื้อหา” ที่ได้ เนื้อหาคือผลลัพธ์ของการวิเคราะห์ ซึ่งมักจะอยู่ในแดชบอร์ดที่ช่วยให้สามารถเล่าเรื่องได้ โมเดล DG สามารถสร้างขึ้นโดยอาศัยรากฐานนี้ และแนวทางปฏิบัติของ DG อาจไม่เหมือนกันในทุกองค์กร สิ่งที่น่าสังเกตคือกรอบงาน DG ยังไม่ได้กล่าวถึงวิธีจัดการกับโมเดล BD และ AI ซึ่งมีอยู่เพียงชั่วคราวและเปลี่ยนแปลงบ่อยครั้ง
องค์ประกอบหลักของการกำกับดูแลข้อมูลมีอะไรบ้าง?
การจัดแนวและความมุ่งมั่น: การจัดแนวทางกลยุทธ์ข้อมูลทั่วทั้งองค์กรและความมุ่งมั่นของฝ่ายบริหารต่อกลยุทธ์ดังกล่าวถือเป็นสิ่งสำคัญ ควรได้รับคำแนะนำจากคณะกรรมการผู้มีส่วนได้ส่วนเสียหลายฝ่ายภายในองค์กร
จากมุมมองของการควบคุมภายในและการกำกับดูแล จำเป็นต้องสร้างระดับความโปร่งใส ความสามารถในการอธิบาย ความสามารถในการตีความ ความสามารถในการตรวจสอบ ความสามารถในการติดตาม และความสามารถในการทำซ้ำขั้นต่ำ เพื่อให้คณะกรรมการสามารถวิเคราะห์ข้อมูล ตลอดจนโมเดลที่ใช้ และอนุมัติการปรับใช้ ฟังก์ชันนี้ควรแยกจากกระบวนการวิจัยข้อมูลและการพัฒนาโมเดลที่มีการบันทึกไว้เป็นอย่างดี
ความปลอดภัย: ความปลอดภัยของข้อมูลคือการกำหนด ระบุ และอนุมัติข้อมูลตามระดับความเสี่ยงและผลตอบแทน จากนั้นจึงให้สิทธิ์การเข้าถึงที่ปลอดภัยแก่บุคคลที่เกี่ยวข้องที่เกี่ยวข้อง กล่าวอีกนัยหนึ่งคือ การกำหนดมาตรการรักษาความปลอดภัยและปกป้องข้อมูลจากการเข้าถึงโดยไม่ได้รับอนุญาตและการเสียหายของข้อมูล การรักษาสมดุลระหว่างการเข้าถึงของผู้ใช้และความปลอดภัยจึงเป็นสิ่งสำคัญ
ความโปร่งใส: นโยบายและขั้นตอนทุกประการที่บริษัทกำหนดขึ้นจะต้องโปร่งใสและตรวจสอบได้ ความโปร่งใสหมายถึงการทำให้ผู้วิเคราะห์ข้อมูล ผู้จัดการพอร์ตโฟลิโอ และผู้มีส่วนได้ส่วนเสียอื่นๆ เข้าใจแหล่งที่มาของข้อมูล และวิธีการประมวลผล จัดเก็บ ใช้ เก็บถาวร และลบข้อมูล
การปฏิบัติตาม: การควบคุมเพื่อให้เป็นไปตามนโยบายและขั้นตอนขององค์กร ตลอดจนข้อกำหนดด้านกฎระเบียบและกฎหมายนั้นไม่เพียงพอ จำเป็นต้องมีการตรวจสอบอย่างต่อเนื่อง นโยบายควรครอบคลุมถึงการระบุคุณลักษณะของข้อมูลที่ละเอียดอ่อน การปกป้องความเป็นส่วนตัวผ่านการทำให้ข้อมูลไม่ระบุตัวตนและโทเค็นเมื่อทำได้ และการปฏิบัติตามข้อกำหนดในการเก็บรักษาข้อมูล
การบริหารจัดการ: ควรจัดตั้งทีมผู้ดูแลข้อมูลที่ได้รับมอบหมายเพื่อตรวจสอบและควบคุมวิธีที่ผู้ใช้ทางธุรกิจเข้าถึงข้อมูล โดยผู้นำทีมผู้ดูแลเหล่านี้จะเป็นผู้นำในการเป็นตัวอย่างเพื่อให้แน่ใจว่าข้อมูลมีคุณภาพ ปลอดภัย โปร่งใส และเป็นไปตามข้อกำหนด
องค์ประกอบสำคัญของการจัดการข้อมูลคืออะไร?
การตระเตรียม: นี่คือกระบวนการทำความสะอาดและแปลงข้อมูลดิบเพื่อให้ข้อมูลมีความสมบูรณ์และถูกต้อง ขั้นตอนแรกที่สำคัญนี้บางครั้งมักถูกละเลยไปเมื่อต้องเร่งวิเคราะห์และจัดทำรายงาน และองค์กรต่างๆ พบว่าตนเองต้องตัดสินใจเรื่องไร้สาระด้วยข้อมูลไร้สาระ
การสร้างแบบจำลองข้อมูลที่ “สร้างขึ้นมาเพื่อพัฒนาอย่างต่อเนื่อง” ดีกว่าการสร้างแบบจำลองข้อมูลที่ “สร้างขึ้นมาเพื่อให้คงทนยาวนาน” มาก แบบจำลองข้อมูลควรตอบสนองความต้องการในปัจจุบันและปรับให้เข้ากับการเปลี่ยนแปลงในอนาคต
ฐานข้อมูลที่รวบรวมภายใต้เงื่อนไขที่แตกต่างกัน (เช่น ประชากร ระบอบการปกครอง หรือวิธีการสุ่มตัวอย่างที่แตกต่างกัน) มอบโอกาสใหม่ๆ สำหรับการวิเคราะห์ที่ไม่สามารถทำได้ผ่านแหล่งข้อมูลแต่ละแหล่ง ในเวลาเดียวกัน การรวมกันของสภาพแวดล้อมที่แตกต่างกันดังกล่าวทำให้เกิดความท้าทายและอุปสรรคในการวิเคราะห์ที่อาจเกิดขึ้นได้ เช่น การเลือกตัวอย่าง ความสับสน และอคติในประชากรหลายกลุ่ม ขณะที่การทำให้เป็นมาตรฐานและการรวบรวมข้อมูลทำให้การจัดการและวิเคราะห์ข้อมูลเป็นเรื่องง่าย แต่ไม่จำเป็นต้องให้ข้อมูลเชิงลึก
แคตตาล็อก คลังสินค้า และท่อส่ง: แคตตาล็อกข้อมูลจะเก็บข้อมูลเมตาดาต้าและให้มุมมองแบบองค์รวมของข้อมูล ทำให้ค้นหาและติดตามได้ง่ายขึ้น คลังข้อมูลจะรวบรวมข้อมูลทั้งหมดในแคตตาล็อก และท่อส่งข้อมูลจะโอนข้อมูลจากระบบหนึ่งไปยังอีกระบบหนึ่งโดยอัตโนมัติ
การสกัด,การแปลง,การโหลด (ETL): ETL หมายถึงการแปลงข้อมูลเป็นรูปแบบเพื่อโหลดเข้าสู่คลังข้อมูลขององค์กร ETL มักเป็นกระบวนการอัตโนมัติที่นำหน้าด้วยการเตรียมข้อมูลและขั้นตอนการประมวลผลข้อมูล
สถาปัตยกรรมข้อมูล: นี่คือโครงสร้างทางการสำหรับการจัดการการไหลและการเก็บข้อมูล
DM ปฏิบัติตามนโยบายและขั้นตอนที่กำหนดไว้ใน DG กรอบงาน DM จัดการวงจรชีวิตข้อมูลทั้งหมดที่ตอบสนองความต้องการขององค์กรสำหรับการใช้ข้อมูล การตัดสินใจ และการดำเนินการที่เป็นรูปธรรม
การมีกรอบงาน DG และ DM เหล่านี้ถือเป็นสิ่งสำคัญในการวิเคราะห์ BD ที่ซับซ้อน หากต้องจัดการข้อมูลเป็นทรัพย์สินที่สำคัญของบริษัท องค์กรจะต้องมีโครงสร้างและการจัดการในลักษณะนั้น
ยิ่งไปกว่านั้น สิ่งสำคัญคือต้องเข้าใจว่า DG และ DM ควรทำงานประสานกัน หากไม่มี DM และการนำ DG ไปปฏิบัติจริงก็จะกลายเป็นเรื่องเพ้อฝัน DG จะกำหนดนโยบายและขั้นตอนทั้งหมด และ DM และการนำไปปฏิบัติจริงจะทำให้องค์กรสามารถวิเคราะห์ข้อมูลและตัดสินใจได้
หากจะเปรียบเทียบ DG จะสร้างและออกแบบพิมพ์เขียวสำหรับการก่อสร้างอาคารใหม่ และ DM คือการดำเนินการก่อสร้างอาคาร แม้ว่าคุณจะสามารถสร้างอาคารขนาดเล็ก (DM ในการเปรียบเทียบนี้) โดยไม่มีพิมพ์เขียว (DG) ก็ตาม แต่ก็จะมีประสิทธิภาพน้อยลง มีประสิทธิผลน้อยลง ไม่เป็นไปตามกฎระเบียบ และมีโอกาสที่อาคารจะพังทลายมากขึ้นเมื่อเกิดแผ่นดินไหวรุนแรง
การทำความเข้าใจทั้ง DG และ DM จะช่วยให้องค์กรของคุณใช้ประโยชน์จากข้อมูลที่มีอยู่ให้ได้มากที่สุด และตัดสินใจทางธุรกิจได้ดีขึ้น
อ้างอิงส
Larry Cao, CFA, CFA Institute (2019) ผู้บุกเบิก AI ในการจัดการการลงทุน https://www.cfainstitute.org/en/analysis/industry-research/ai-pioneers-in-investment-management
Larry Cao, CFA, CFA Institute (2021), ทีม T-Formed: การจัดระเบียบเพื่อนำ AI และ Huge Information มาใช้ในบริษัทการลงทุน ภาษาไทย: https://www.cfainstitute.org/en/analysis/industry-research/t-shaped-teams
Yoshimasa Satoh, CFA, (2022), อัลกอริธึมการเรียนรู้ของเครื่องจักรและวิธีการฝึกอบรม: ผังงานการตัดสินใจ https://blogs.cfainstitute.org/investor/2022/08/18/อัลกอริทึมการเรียนรู้ด้วยเครื่องจักรและวิธีการฝึกอบรมแผนภูมิขั้นตอนการตัดสินใจ/
Yoshimasa Satoh, CFA และ Michinori Kanokogi, CFA (2023) ChatGPT และ Generative AI: ความหมายสำหรับผู้เชี่ยวชาญด้านการลงทุน https://blogs.cfainstitute.org/investor/2023/05/09/chatgpt-and-generative-ai-what-they-mean-for-investment-professionals/
Tableau การจัดการข้อมูลเทียบกับการกำกับดูแลข้อมูล: อธิบายความแตกต่าง https://www.tableau.com/be taught/articles/data-management-vs-data-governance
KPMG (2021) การกำกับดูแลข้อมูลคืออะไร และภาคการเงินควรมีบทบาทอย่างไร https://advisory.kpmg.us/articles/2021/finance-data-analytics-common-questions/data-governance-finance-play-role.html
Deloitte (2021) การสร้างกลยุทธ์ข้อมูลการเงินที่ “สร้างขึ้นเพื่อวิวัฒนาการ”: โมเดลการกำกับดูแลข้อมูลและข้อมูลองค์กรที่แข็งแกร่ง https://www2.deloitte.com/us/en/pages/operations/articles/data-governance-model-and-finance-data-strategy.html
Deloitte (2021), การกำหนดกลยุทธ์ข้อมูลทางการเงิน, โมเดลข้อมูลองค์กร และโมเดลการกำกับดูแล https://www2.deloitte.com/content material/dam/Deloitte/us/Paperwork/process-and-operations/us-defining-the-finance-data-strategy.pdf
Ernst & Younger (2020) สามประเด็นสำคัญสำหรับสถาบันการเงินในการขับเคลื่อนกรอบการกำกับดูแลข้อมูลรุ่นถัดไป https://belongings.ey.com/content material/dam/ey-sites/ey-com/en_gl/matters/banking-and-capital-markets/ey-three-priorities-for-fis-to-drive-a-next-generation-data-governance-framework.pdf
OECD (2021) ปัญญาประดิษฐ์ การเรียนรู้ของเครื่องจักร และข้อมูลขนาดใหญ่ในด้านการเงิน: โอกาส ความท้าทาย และผลกระทบต่อผู้กำหนดนโยบาย https://www.oecd.org/finance/การเรียนรู้ด้วยปัญญาประดิษฐ์-เครื่องจักร-ข้อมูลขนาดใหญ่ในการเงิน.htm–
