ประชุมหนึ่งชั่วโมงเพื่อหาว่าพนักงานมีกี่คน

ฉากนี้เกิดขึ้นบ่อยกว่าที่หลายองค์กรอยากยอมรับ ฝ่าย HR บอก Headcount 1,248 คน Finance บอก 1,231 คน ส่วน IT เปิดระบบแล้วบอก 1,267 คน ทุกตัวเลขมีเหตุผลของตัวเอง พนักงานทดลองงานนับไหม พนักงานพักงานนับหรือเปล่า Contractor อยู่ในกองไหน และใช้วันที่ตัดยอดวันใด

เมื่อคำตอบไม่ตรงกัน คำสั่งยอดนิยมคือทำ Dashboard กลาง ฟังดูสมเหตุผล แต่ Dashboard ไม่ใช่ศาลฎีกาของข้อมูล ถ้าทุกฝ่ายยังยึดนิยามคนละชุด เราเพียงย้ายวงเถียงจากห้องประชุมไปไว้หน้าจอใหญ่ขึ้น

องค์กรไม่ได้ขาด Data แต่ขาดข้อตกลง

ระบบ HRIS, Payroll, ATS, LMS, Attendance และ Performance ต่างเก็บข้อมูลตามหน้าที่ของตัวเอง ข้อมูลแต่ละชุดจึงมี Grain, รอบเวลา และกฎต่างกัน ปัญหาเริ่มเมื่อเราดึงทุกอย่างมาเรียงในตารางเดียวแล้วคิดว่าความหมายจะเข้ากันเอง

People Analytics ตามนิยามของ CIPD คือการวิเคราะห์ข้อมูลคนเพื่อแก้ปัญหาธุรกิจ จุดเน้นอยู่ที่คำว่าแก้ปัญหา ไม่ใช่สะสมข้อมูล ยิ่งมีข้อมูลมากโดยไม่มีคำถามและเจ้าของ ตัวเลขยิ่งกลายเป็นตู้เก็บของที่ทุกคนกลัวเปิด

Data Literacy ไม่ใช่การจำสูตร แต่คือการถามให้ถูก

HR ที่ใช้ Data เป็นไม่จำเป็นต้องเขียน Python ได้ทุกคน แต่ต้องอ่าน Metric Definition เป็น รู้ว่า Correlation ไม่ใช่ Causation เห็นข้อจำกัดของ Sample และถามได้ว่าตัวเลขนี้มาจากระบบไหน ครอบคลุมใครบ้าง อัปเดตเมื่อไร และใช้ตัดสินใจเรื่องอะไรได้

SHRM พบว่า 67% ของผู้ตอบแบบสำรวจปี 2025 เห็นว่าองค์กรยังไม่เชิงรุกในการ Upskill คนให้ทำงานกับ AI ช่องว่างนี้สัมพันธ์กับ Data โดยตรง เพราะ AI จะขยายทั้งความเร็วและความมั่นใจ ถ้าคนอ่านข้อมูลไม่เป็น คำตอบที่ฟังคล่องอาจพาองค์กรเลี้ยวผิดด้วยความเร็วสูง

เจ้าของข้อมูลต้องมีอำนาจ ไม่ใช่มีชื่ออยู่ท้ายเอกสาร

Data Owner ต้องตัดสินใจได้ว่านิยามใดเป็นมาตรฐาน ใครแก้ข้อมูลต้นทาง ใครอนุมัติการเปลี่ยนสูตร และข้อยกเว้นใดรับได้ ถ้าทุกการเปลี่ยนแปลงต้องรอคณะประชุมสิบสองคน Governance จะกลายเป็นพิธีกรรมที่สุภาพ แต่ข้อมูลยังเหมือนเดิม

การทำ Metric Contract ช่วยได้มาก เอกสารหนึ่งหน้าควรระบุชื่อ Metric, Purpose, Formula, Population, Exclusion, Source System, Refresh Frequency, Owner และข้อจำกัด ตัวอย่างเช่น Voluntary Turnover ต้องตกลงทั้งตัวตั้ง ตัวหาร ช่วงเวลา และสถานะพนักงาน มิฉะนั้นกราฟสองเส้นอาจถูกต้องทั้งคู่แต่ตอบคนละคำถาม

เริ่มเล็กกว่าที่ใจอยาก แต่ลึกกว่าที่เคยทำ

แทนที่จะเริ่มโครงการด้วยคำว่าเราจะทำ HR Data Platform ให้เริ่มจากคำถาม เช่น ทำไมพนักงานใหม่ในสามหน่วยงานลาออกภายใน 90 วันสูงกว่ากลุ่มอื่น จากนั้นระบุข้อมูลที่จำเป็น ตรวจคุณภาพ สัมภาษณ์ Process Owner และทดสอบว่าข้อมูลพออธิบายหรือยัง

คำถามหนึ่งข้อที่นำไปสู่ Action ได้ มีค่ากว่า Dashboard ยี่สิบหน้าแบบไม่มีใครรู้ว่าควรทำอะไรต่อ ถ้าพบว่าปัญหาอยู่ที่หัวหน้างานขาด Onboarding Checklist ก็แก้ Process ก่อน ไม่ต้องฝืนสร้าง Predictive Model เพื่อให้โครงการดูไฮเทค

Data Culture เกิดตอนตัดสินใจ ไม่ได้เกิดตอนเปิดตัวระบบ

วัฒนธรรมข้อมูลไม่ได้วัดจากจำนวน License แต่ดูจากพฤติกรรมในห้องประชุม ผู้บริหารถามหานิยามหรือไม่ ทีมยอมรับข้อมูลที่ขัดกับความเชื่อเดิมหรือเปล่า และเมื่อข้อมูลไม่พอ ทุกคนกล้าบอกว่ายังตอบไม่ได้ไหม

Dashboard ที่ดีควรทำให้การถกเถียงมีคุณภาพขึ้น ไม่ใช่ทำให้ทุกคนเงียบเพราะกราฟดูน่าเชื่อถือ เริ่มจากข้อตกลงเล็กๆ ที่ตรวจสอบได้ แล้วค่อยต่อยอด ระบบจะโตช้ากว่างานเปิดตัวนิดหน่อย แต่โตแบบไม่ต้องกลับมานับ Headcount ใหม่ทุกเดือน

กลับไปหน้าบทความ