คำว่า Big Data ถูกใช้เป็นหนแรกตั้งแต่เมื่อปี 2540 โดยกลุ่มนักวิทยาศาสตร์ NASA ที่ใช้ศัพท์ดังกล่าวในการบรรยายถึงปัญหาข้อมูลสำหรับการสร้างภาพด้วยกราฟิกคอมพิวเตอร์ โดยตั้งแต่ตอนนั้นมาสู่ปัจจุบันความหมายของ Big Data ก็ได้มีวิวัฒนาการมาเรื่อยๆ สอดคล้องกับการพัฒนาของเทคโนโลยีในช่วงกว่า 20 ปีที่ผ่านมา แต่ที่คงอยู่มาเสมอคือ การที่ Big Data สื่อถึงข้อมูลซึ่งมีศักยภาพที่จะสร้างประโยชน์ได้แต่มีมิติความซับซ้อนที่ทำให้การบันทึก บรรจุ และการวิเคราะห์ข้อมูลดังกล่าวทำได้ยาก

เมื่อปี 2544 ได้มีการพยายามจะสร้างนิยาม Big Data ที่มีคุณลักษณะที่ชัดเจน โดยมีการกล่าวว่า Big Data ต้องมี V สามตัว ‘Volume’ หรือปริมาณข้อมูลที่มาก ‘Variety’ หรือความหลากหลายของแหล่งข้อมูล ซึ่งอาจเป็นตัวหนังสือ ภาพ เสียง ซึ่งมารวมกันได้และ ‘Velocity’ หรือความรวดเร็วในการสร้าง/บันทึกข้อมูล โดย Real-Time Data ก็ถือได้ว่าเป็นตัวอย่างหนึ่งของ Big Data ครับ ต่อมาได้มีการเสริมด้วย V อีกหนึ่งตัว หรือ ‘Veracity’ ซึ่งหมายถึงความซื่อสัตย์หรือถูกต้องของข้อมูลนั้นเองครับ

Big Data มีประโยชน์อะไรบ้าง?
Big Data สามารถนำมาใช้ได้หลายวิธี โดยการประยุกต์ใช้มีส่วนขึ้นอยู่กับชนิดของ Big Data นั้นด้วย สำหรับสัปดาห์นี้เรามาดูตัวอย่างใกล้ตัวกันก่อนครับ โดย Big Data สำคัญชนิดหนึ่งก็คือข้อมูล (Data) จากการใช้จ่ายหรือทำธุรกรรมการเงินผ่านช่องทางอิเล็กทรอนิกส์นั่นเองครับ

สมมติว่าเพื่อนๆ ใช้ Mobile Banking App กันประจำ การทำธุรกรรมทุกวัน ไม่ว่าจะเป็นการที่เพื่อนๆ จ่ายเงินค่าน้ำค่าไฟผ่านระบบ PromptPay ซื้อของผ่านการหักบัญชีด้วยบัตร หรือโอนเงินให้ที่บ้าน ก็จะเป็นข้อมูลที่ทางระบบทำธุรกรรมได้บันทึกเอาไว้ ซึ่งเป็น Big Data ชนิดหนึ่ง หากสถาบันการเงินสามารถนำข้อมูลมาวิเคราะห์ให้สามารถคาดเดาพฤติกรรมทางการเงินของเพื่อนๆ ได้ ทางสถาบันการเงินก็จะสามารถนำเสนอบริการเพื่อนๆ ได้อย่างเจาะจงและมีประสิทธิภาพยิ่งขึ้นครับ ซึ่งอาจเป็นไปเพื่อ 1) เพิ่มความสะดวก ยกตัวอย่างเช่น ช่วงสงกรานต์ทาง Mobile Banking App อาจยื่นข้อเสนอสินเชื่อส่วนบุคคลชั่วคราวให้เพื่อนๆ ที่ชอบไปเที่ยวในช่วงนี้ โดยเฉพาะอย่างยิ่งหากพบข้อมูลว่า เป็นคนระมัดระวังการใช้จ่ายซึ่งน่าจะชำระคืนสินเชื่อได้อย่างไม่มีปัญหา และ/หรือ 2) ช่วยให้ลูกค้าได้รับบริการที่ไม่เคยได้รับมาก่อน หรือเคยได้รับแต่ได้น้อยเกินไป (ในทางเทคนิค คือ การเพิ่มอัตราการเข้าถึงบริการทางการเงิน) ยกตัวอย่างเช่น ในประเทศอินเดีย บริษัท Paytm ซึ่งมี บริษัท E-Commerce และ Payment ยักษ์ใหญ่ Alibaba เป็นผู้หนุนหลัง ได้เติบโตขึ้นจากการเป็นสตาร์ทอัพให้บริการกระเป๋าสตางค์อิเล็กทรอนิกส์ (Mobile Wallet) และต่อมาก็เป็นธนาคารที่รับฝากเงินและทำธุรกรรมอย่างเดียว (Payment Bank) จนล่าสุดเมื่อเดือนกุมภาพันธ์ทาง Paytm ได้ประกาศว่าบริษัทจะเริ่มออกคะแนนเครดิต (Credit Score) ให้ลูกค้าของธนาคารจากฐานข้อมูล Big Data จากการทำธุรกรรมบนระบบของบริษัท ซึ่งมองได้ว่าเป็นการปูทางสำหรับการที่บริษัทจะให้บริการสินเชื่อกับกลุ่มลูกค้าซึ่งมีสัดส่วนเป็นผู้มีรายได้ต่ำและซึ่งโดยปกติจะไม่สามารถกู้ยืมผ่านระบบได้

การใช้ Big Data เป็นตัวกำหนดสินเชื่อเช่นนี้ยังมีศักยภาพในการลดปัญหาการไม่ชำระหนี้อีกด้วย เนื่องจากการพิจารณาจำนวนเงิน อัตราดอกเบี้ย และเงื่อนไขต่างๆ ใช้ข้อมูลพฤติกรรมของผู้บริโภคที่ละเอียดและลึกซึ้งกว่าที่มีอยู่ในการปล่อยสินเชื่อทั่วไป ยกตัวอย่างในกรณีของ Ant Financial Services ของ Alibaba ซึ่งมีบริการสินเชื่อขนาดย่อย Ant Small Loan ซึ่งปล่อยสินเชื่อทั้งรายบุคคลและนิติบุคคล โดยจากลูกค้ามากกว่า 12 ล้านราย สินเชื่อที่ไม่ก่อให้เกิดรายได้ (Non-performing loan/NPL) ตกอยู่ที่ 0.48% ของยอดสินเชื่อทั้งหมด ซึ่งต่ำกว่า NPL ที่ 1.74% ของกลุ่มธนาคารรัฐวิสาหกิจจีนมาก แม้เทียบกับบริษัทการเงินเอกชนอื่นก็ตาม NPL ของบริษัทที่ไม่ได้ใช้ Big Data เหมือน Ant Financial ก็ยังสูงกว่าประมาณเท่าตัว แต่ทั้งหมดนี้ก็ไม่ได้หมายความว่าการปล่อยสินเชื่อด้วย Big Data ไม่ได้มีความเสี่ยงนะครับ อย่างไรก็ตามการจำลองพฤติกรรมผู้บริโภคก็ยังเป็นแค่การจำลองซึ่งไม่อาจจะถูกต้องได้ 100% เพียงแต่ว่าการจำลองที่มีฐานข้อมูลที่ลึกซึ้งมากขึ้นจะมีความแม่นยำมากขึ้น ซึ่งทำให้ความเสี่ยงจะเกิด NPL อาจจะลดลงเท่านั้นครับ

ที่มา : ศูนย์วิจัยกสิกรไทย