เปลี่ยนทีมบ๊วยให้ปังด้วย Big Data จากภาพยนต์เรื่อง Moneyball

ภาพยนต์เรื่อง Moneyball เป็นหนึ่งในภาพยนต์ที่นักการตลาดหรือเจ้าของธุรกิจที่สนใจเรื่อง Big Data หรือ Data Science ต้องดูให้ได้ เพราะภาพยนต์เรื่องนี้ฉายภาพให้เห็นถึงการเปลี่ยนแปลงวิธีการทำงานแบบเดิมๆ ในธุรกิจการทำทีมเบสบอลที่เคยเชื่อในสัญชาตญาณของโค้ชหรือแมวมอง ที่ได้มาจากการสั่งสมประสบการณ์นานปีในการเลือกว่าควรจะเลือกใครมาร่วมทีม หรือควรจะให้นักกีฬาคนไหนได้ลงเล่นในการแข่งขันนัดสำคัญ

ภาพยนต์เรื่องนี้เหมาะกับคนที่ต้องการจะทำเรื่อง Digital Transformation หรือต้องการให้แนวคิด Data-Driven Marketing & Business ถูกปลูกฝังใน mindset ของคนในองค์กร เพราะในภาพยนต์เรื่องนี้ไม่ได้พูดถึงเรื่อง Data science หรือการใช้สถิติขั้นสูงเป็นแกนหลักในการดำเนินเรื่อง แต่ใช้การพยายามใช้ Data-Driven Decision ในการดำเนินเรื่องให้คนเห็นถึงการเปลี่ยนวิธีคิดแบบเดิมๆ ไปสู่สิ่งใหม่ ว่าจะต้องเจอข้อขัดแย้งอย่างไร ไปจนถึงผลลัพธ์ปลายทางที่จะได้ถ้าอดทนไหวในองค์กรคุณ

ผมต้องเล่าเกริ่นให้คุณฟังนิดนึงก่อนว่าเกมกีฬาเบสบอลนั้นคือการที่ผู้เล่นของทีมหนึ่งปาลูกออกไปยังอีกคนในทีมที่รอรับลูกอยู่ปลายทาง แต่ก่อนจะถึงคนรับลูกปลายทางนั้นก็จะมีนักกีฬาฝ่ายตรงข้ามถือไม้เบสบอลรอหวดอย่างสุดแรง

ซึ่งถ้าหวดโดนลูกก็ต้องลุ้นว่าที่หวดไปนั้นจะแรงพอจนลูกเบสบอลลอยข้ามสนามไปหรือไม่ ถ้าไม่ตกอยู่ในสนามก็ต้องพยายามให้ทีมของตัวเองรับให้ได้ก่อนลูกตกพื้นเพื่อจะได้คะแนน แต่ถ้าลูกตกพื้นก่อนก็ต้องรีบเก็บให้ไวแล้วปาเขามายังพื้นที่ที่เป็นเบสของแต่ละฐานเพื่อหยุดการทำคะแนนของทีมตรงข้ามครับ

ระหว่างที่ลูกลอยออกไปคนที่ปาก็ต้องพยายามวิ่งเก็บฐานต่างๆ ที่มี 3 ฐานให้ครบเพื่อจะได้ทำแต้ม ถ้าระหว่างวิ่งอยู่ฝ่ายตรงข้ามเก็บบอลได้แล้วปาลูกกลับมาที่ผู้เล่นของทีมตัวเองในฐานใด การวิ่งเก็บแต้มฐานนั้นก็จะเอาท์ไปครับ

ภาพรวมการเล่นกีฬาเบสบอลประมาณนี้ ถ้าผมเล่าเข้าใจยากหรือผิดพลาดตรงไหนต้องขออภัยไว้ล่วงหน้า ทีนี้เรามาลองดูกันว่าภาพยนต์เรื่อง Moneyball นี้เค้าใช้ Big Data และ Data Science มาช่วยในการทำทีมบ๊วยให้กลายเป็นปังจนใครๆ ก็จับตามองได้อย่างไรกันครับ

กำหนดเป้าหมายหลัก ว่า Data แบบใดที่จะเป็น Metric สำคัญต่อธุรกิจเรา

ในเกมการแข่งขันกีฬาเบสบอลเป้าหมายหลักคือดูว่านักกีฬาคนไหนตีดี โยนได้ วิ่งขโมยฐานได้เก่ง ดังนั้นสิ่งที่ต้องทำคือเก็บข้อมูลทั้งหมดที่เกิดขึ้นต่อจากนี้ หรือถ้าโชคดีก็คือเอา Data ที่อาจจะมีใครสักคนหรือหน่วยงานสักแห่งเก็บไว้แล้วมาใช้งาน เพื่อวิเคราะห์หาว่าในอดีตที่ผ่านมามีใครบ้างทำสถิติทั้ง 3 ด้านได้ดี เพราะอย่างที่รู้กันว่าอดีตจะเป็นตัวบอกอนาคต การทำ Data analytics จาก Histocial data ก็สามารถนำมาพยากรณ์หรือคาดการณ์อนาคตได้ดีกว่าเดาแน่นอนครับ

แต่บางคนอาจจะบอกว่า แต่ถ้าในสนามมันมีความกดดันเกิดขึ้นอยู่เรื่อยๆ นะ ตัวเลขพวกนี้มันสะท้อนถึงความกดดันที่เกิดขึ้นระหว่างเกมการแข่งขันที่มีคนจ้องดูโห่ร้องเชียร์ได้ด้วยหรือ ซึ่งจากภาพยนต์ Moneyball นั้นบอกให้รู้ว่าพวกเขาเลือกดู Data สำคัญแค่ 2 ตัวก็เพียงพอที่จะชี้เป็นชี้ตาหรือพลิกธุรกิจทีมเบสบอลตัวเองขึ้นมาได้ แค่ Data 2 Metrics นี้ก็สามารถบอกได้แล้วว่าผู้เล่นคนไหนคือผู้เล่นชั้นเลิศที่ถูกมองข้ามแล้วตั้งราคาไว้ถูกมาก ส่วนผู้เล่นคนไหนที่เรามีแต่กลับมีความสามารถไม่ดีเท่าราคาที่ตลาดต้องการ รู้แล้วก็จะได้รีบขายออกไปทำกำไรกลับมาครับ

1. Slugging percentage หรือเปอร์เซนต์การวิ่งเจาะขโมยฐานทีมตรงข้ามได้ระหว่างการแข่งขัน

2. On-base percentage หรืออัตราการตีถูกลูกของผู้เล่นคนนั้น โดยตัดข้อมูลที่เป็นความผิดพลาดจากตัวแปรภายนอกออกไป เช่น การตั้งใจขว้างลูกเอาท์ หรือการถูกรบกวนจากผู้เล่นทีมตรงข้ามที่ต้องคอยจับลูกที่ขว้างมาอยู่ข้างหลัง

ดังนั้นในภาพยนต์เรื่อง Moneyball จึงโฟกัสกับแค่สอง Data ที่เป็น Metrics สำคัญ นั่นก็คือผู้เล่นคนนี้ตีลูกได้ดีไหม? และสามารถวิ่งเก็บฐานทำคะแนนได้หรือไม่?

ถ้าผู้เล่นคนไหนสามารถทำได้ทั้งสองอย่างตามที่ต้องการ แถมยังมีราคาขายถูกกว่าที่โดนตั้งราคาไว้ก็ให้รีบคว้ามา ผมว่าก็คล้ายๆ กับหลักการซื้อหุ้นคุณค่า ที่ราคาหุ้นถูกกว่ามูลค่าทั้งหมดของบริษัทนั้นครับ

เรื่องราวในภาพยนต์ Moneyball เกิดขึ้นในปี 2002 ตอนที่ Billy Beane ตอนที่เข้าใช้ทฤษฎีนี้เป็นหัวใจหลักของการทำทีมเบสบอลตอนนั้น ใช้ Data และ Statistics เข้ามาช่วยในการเลือกว่าควรจะต้องเลือกนักกีฬาคนไหนมาร่วมทีม หรือควรจะต้องให้ใครในทีมลงเล่นมากกว่าเดิมดี นอกจากเลือกแค่ความดัง รูปร่าง หรือหน้าตาท่าทางภายนอกของนักกีฬาแต่ละคน

ซึ่งจากการใช้ Data และ Statistics นี้ก็ทำให้ทีม Oakland ที่ Billy Beane เป็นผู้จัดการตอนนั้นที่เป็นทีมออกจากบ๊วยรองบ่อนท้ายตาราง สามารถทำสถิติใหม่ของกีฬาเบสบอลที่สามารถชนะติดต่อกัน 20 เกม ทำลายสถิติเดิมที่ไม่เคยมีใครสามารถพิชิตได้ในรอบหลายสิบปีที่ผ่านมา ทั้งๆ ที่ในตอนนั้นทีมเพิ่งเสีย 3 นักกีฬาซูเปอร์สตาร์ดังของทีมออกไปให้กับทีมยักษ์ใหญ่ที่คว้าตัวไปจนเรียกว่าไม่เหลืออะไรไว้สู้เลยก็ได้ครับ

เรื่องนี้บอกให้รู้ว่าเพราะความจนตรอกหมดทางสู้ทำให้เราต้องหาทางคิดที่จะสู้ในแบบใหม่ เพราะถ้าเรายังสู้ด้วยวิธีเดิมตามกติกาเดิมก็ยากที่จะพลิกกลับมาได้ เพราะเดิมทีเกมเบสบอลคือการที่ทีมใหญ่ซื้อตัวคนดังดาวรุ่งจากทีมเล็กไป ส่วนทีมเล็กก็มีหน้าที่ไปควานหาดาวรุ่งแล้วปั้นขึ้นมา จากนั้นก็รอทีมใหญ่มาช้อนตัวไปตามสูตรนั่นเองครับ

ดังนั้นจะเห็นว่าถ้าทีมใดมีดาวรุ่งแค่คนสองคนก็ยากจะพลิกขึ้นมาเป็นทีมเด่นได้ เพราะถ้าเป็นคุณเองคุณถูกข้อเสนอที่ดีกว่าจากทีมที่ใหญ่และดังกว่า คุณจะเปลี่ยนใจไม่ไปได้ลงหรอ

แต่ด้วยการเลือกผู้เล่นใหม่ๆ จาก Data ทำให้ทีม Oakland ของ Billy Beane ในเวลานั้นเต็มไปด้วยผู้เล่นดาวรุ่งเก่งๆ มากมายพร้อมกันในเวลาเดียว ทำให้ทีมใหญ่ไม่สามารถคว้าไปได้หมดในทันที และนั่นก็เป็นการยกระดับทั้งทีมให้กลายมาเป็นทีมเด่นที่สามารถคว้าชัยชนะ 20 ครั้งติดได้สบายๆ ครับ

จาก Data สู่ Action

จากการทำ Data analytics ตามแนวคิดของภาพยนต์ Moneyball พวกเขาสามารถจ้างนักกีฬาเก่งๆ แบบม้ามืดในราคาถูกๆ หรือได้มาฟรีมากมายด้วยงบประมาณที่น้อยกว่าทีมยักษ์ใหญ่อย่าง Newyork Yankees มาก เพราะทีม Yankees มีงบทำทีมถึง 125 ล้านดอลลาร์ แต่กับทีม Oakland ของ Billy Beane นั้นมีงบแค่ 1 ใน 3 หรือ 41 ล้านดอลลาร์เท่านั้น (ในปี 2002)

พวกเขาได้ทำการวิเคราะห์ข้อมูลผู้เล่นเป็นร้อยๆ คนจนสามารถค้นพบได้ว่าผู้เล่นคนใดบ้างที่ทำผลงานได้ดีเกินค่าตัวและก็ถูกมองข้ามไป ซึ่งเป็นคนละหลักการกับที่บรรดาแมวมองใช้คัดเลือกนักกีฬาเก่งๆ มาร่วมทีมในตอนนั้น

Traditional Metrics vs Statistics Metrics

พวกบรรดาแมวมองชอบดูว่านักกีฬาคนไหนสามารถตีลูกโฮมรันได้บ่อยครั้งกว่า ก็จะส่งผลให้มีราคาค่าตัวสูงกว่านักกีฬาที่ไม่ดังมากแต่สามารถตีถูกลูกได้มากกว่า ซึ่งถ้าวิเคราะห์ย้อนกลับก็เข้าใจได้เพราะการตีโฮมรันเป็น Data ที่จดจำได้ง่ายครั้งกว่า ในวันที่เทคโนโลยียังไม่พร้อมแล้วมนุษย์เราต้องใช้แค่พลังสมองอันจำกัด ดังนั้นการเลือกใช้ Data การตีลูกโฮมรันก็จะทำให้เราง่ายต่อการประมวลผลนั่นเองครับ

แต่มาวันนี้เทคโนโลยีเริ่มพร้อม เอาแค่ในปี 2002 ตอนนั้นก็มีคอมพิวเตอร์ตามบ้านใช้กันมากพอสมควรแล้ว ทำให้การจะวิเคราะห์ข้อมูลจำนวนมากกว่าที่สมองมนุษย์จะทำได้ไม่ใช่เรื่องยากเกินจริงอีกต่อไป แน่นอนว่าต้องใช้ความพยายามในการเก็บและรวบรวมข้อมูลอยู่เหมือนกัน เอาแค่ทุกวันนี้การเก็บ Data เพื่อเอามาทำ Analytics ใช้งานต่อยอดก็ยังอยู่ในช่วงเริ่มต้นหรือตั้งต้นไม่กี่ปีผ่านมาเองครับ

ดังนั้นเมื่อ​ Data พร้อมบวกกับเทคโนโลยีในการวิเคราะห์พร้อมแล้ว Billy Beane ก็สามารถเลือกนักกีฬาเบสบอลม้ามืดได้แบบง่ายๆ จิ้มได้เลยว่าตกลงแล้วใครกันแน่ที่แอบทำผลงานโดยเฉลี่ยได้ดีโดยไม่ได้สนใจว่าคนนี้ตีโฮมรันมาแล้วกี่ครั้ง แต่ดู Data ที่เป็น Metrics ชี้วัดใหม่ว่าคนนี้มีเปอร์เซนต์การตีโดนลูกอยู่ที่เท่าไหร่ ด้วยการเอาจำนวนครั้งที่ตีทั้งหมดมาหารกับจำนวนครั้งที่ตีถูกลูกออกไปครับ

จะเห็นว่านี่เป็นการเลือกคนเก่งโดยลดอคติการ Bias ออกไปได้ง่ายๆ คนที่ตีโฮมรันได้จนมีชื่อเสียงดังกว่าไม่ได้หมายความว่าจะเก่งกว่าคนธรรมดาที่ไม่ได้ดังอะไร ที่สามารถตีถูกลูกได้บ่อยกว่าแล้วสะสมคะแนนให้ทีมชนะได้เรื่อยๆ อีกต่อไปครับ

ส่วนข้อมูลตัวเลขเปอร์เซนต์การวิ่งเก็บแต่ละเบสของฝ่ายตรงข้ามเพื่อทำคะแนนก็ถูกนำมาวิเคราะห์เช่นเดียวกัน ไม่ได้ดูแค่ว่าใครสามารถวิ่งทำเบสได้กี่ครั้ง แต่ดูว่าการวิ่งทั้งหมดที่ผ่านมามีเปอร์เซนต์ประสบความสำเร็จเท่าไหร่ครับ

ซึ่งจากเดิมก็ดูกันแค่ว่านักกีฬาคนไหนที่ดูเหมือนจะวิ่งได้เร็วกว่า และแข็งแรงกว่าจากรูปลักษณ์ภายนอก แต่พอดูจาก Data แล้วบอกได้เลยว่าต่อให้วิ่งได้ไม่เร็วมาก หรือดูเหมือนว่าจะวิ่งไม่รอด แต่ถ้าข้อมูลบอกให้รู้ว่าคนๆ นี้มีเปอร์เซนต์การวิ่งที่เก็บเบสได้ดีกว่าก็ควรจะถูกเลือกมาเล่นแทน

ทั้งหมดนี้คือการเพิ่มเปอร์เซนต์ที่จะทำให้ทีมชนะมากขึ้นทุกส่วน ไม่ได้หวังพึ่งแค่ซูเปอร์สตาร์ไม่กี่ราย แต่เป็นการยกระดับมาตรฐานการเล่นของทีมแบบจริงๆ ที่องค์กรไหนหรือบริษัทใดที่ต้องการจะใช้หลักการ Data-Driven Business หรือทำ Digital Transformation ควรเรียนรู้ไว้เพื่อที่จะทำไปประยุกต์ใช้กับวิธีการวัดผลหรือเลือกดู Metrics ที่สำคัญต่อธุรกิจจริงๆ ครับ

แล้วทั้งหมดนี้จึงทำให้ทีม Oakland ที่นำโดย Billy Beane ประสบความสำเร็จได้โดยลงทุนน้อยที่สุด เมื่อดูจากข้อมูลเงินเดือนนักกีฬาที่จ่ายออกไปในปี 2002 จะเห็นว่าแทบจะรั้งท้ายแต่สามารถทำผลงานได้สูสี New Yord Yankees เลยทีเดียว!

เมื่อ Data ปฏิวัติวงการ Baseball โดย Moneyball

ระหว่างปี 2000 ถึง 2006 ทีม Oakland ชนะเฉลี่ย 95 เกมในแต่ละปี คว้าแชมป์สูงสุดฝั่งตะวันตกถึง 4 ครั้ง ได้เล่นรอบ playoff ถึง 5 ครั้ง เรียกได้ว่าประสบความสำเร็จถล่มทลายจากการใช้ Big Data และ Data science ก็ว่าได้ครับ

และที่สำคัญกว่านั้นคือแนวทางการทำทีมของ Oakland ก็ยังปฏิวัติวงการเบสบอลไปตลอดการ เปลี่ยนวิธีการเลือกผู้เล่นใหม่หมดของทุกทีม จากที่เคยดูหน่วยก้านท่าทางการตีก็หันไปดูข้อมูลที่เป็นสถิติกันทั้งนั้น

แล้วจากความสำเร็จนี้ก็ทำให้ทีมใหญ่อย่าง Red Sox พยายามดึงตัว Billy Beane และผู้ช่วยไปร่วมทีมด้วยค่าตัวมหาศาลแต่ก็ถูกปฏิเสธไป ทีมนี้เลยหันไปดึงตัว Bill James ที่เป็นผู้สร้าง Sabermetrics ซึ่งต่อยอดมาจากทฤษฎี Moneyball ไปในฐานะที่ปรึกษา

จากการนำทฤษฎี Moneyball มาใช้จนทำให้ทีม underdog อย่าง Oakland ที่นำโดย Billy Beane ประสบความสำเร็จมหาศาล ทำให้ทีมเล็กๆ หรือทีมบ๊วยท้ายตารางของเขาสามารถขึ้นมาแข่งกับทีมยักษ์ใหญ่อย่าง Yankees และ Red Sox ได้อย่างสูสีในช่วงหลายปีที่ผ่านมาจนทำให้หลักการนี้กลายเป็นพื้นฐานการทำทีมเบสบอลของทุกทีมไม่ว่าจะเล็กหรือใหญ่มาจนถึงทุกวันนี้ครับ

และที่สำคัญก็ว่ากันว่าหลักการนี้น่าจะทำให้ทีมรองบ่อนสามารถคว้าแชมป์สูงสุด World Series ได้ถึง 9 ทีมจากทั้งหมด 13 ปีที่ผ่านมา เป็นอย่างไรครับกับ Magic ของ Data ที่เข้ามาเปลี่ยนเกมเบสบอลไปตลอดการ เปลี่ยนจาก Instinct มาเป็น Insight จริงๆ

สรุป Oakland ไม่ได้สำเร็จเพราะ Data แต่สำเร็จเพราะ Management ให้การใช้ Data เป็น Business Strategy

ทุกวันนี้ภาพยนต์เรื่อง Moneyball เริ่มเป็นที่รู้จักมากขึ้นในแง่มุมของการใช้ Data-Driven Decision แต่สิ่งที่คนส่วนใหญ่คิดกันคือเข้าใจว่าเรื่อง Data กับเบสบอลหรือกีฬานั้นเป็นเรื่องใหม่

เพราะในความเป็นจริงแล้วการ Analyzing data กับกีฬาเบสบอลอย่างน้อยก็ไม่ใช่เรื่องใหม่ในปี 2002 ที่เกิดเหตุการณ์นี้ขึ้น แต่เรื่อง Data กับกีฬา Baseball นั้นเริ่มต้นขึ้นตั้งแต่ยุค 1800 และการทำ data analytics สถิตินักกีฬาเบสบอลก็เริ่มตั้นแต่ช่วง 1970 แล้วครับ

แต่เหตุผลที่เรื่องนักดังเพราะ Billy Beane ใช้ Data เป็น Strategy หรือกลยุทธ์หลักในการทำทีมท่ามกลางวิกฤตหนักที่เสียนักเบสบอลดังของทีมหลายคนไปในตอนนั้น ทำให้เขาต้องพยายามคิดในแง่มุมใหม่ๆ คิดออกจากกรอบเดิมๆ จนพบวิธีนี้ที่หันมาพึ่ง Data จริงๆ แทนที่บอกให้รู้ว่าพวกเขาจะหานักกีฬามือดีได้อย่างไรท่ามกลางงบทำทีมที่น้อยมากเมื่อเทียบกับทีมอื่น

ประเด็นสำคัญของเรื่องนี้ไม่ได้อยู่ที่ Data แต่อยู่ที่ผู้นำการทำทีมอย่าง Billy Beans เลือกใช้กลยุทธ์ Data-Driven ในการทำทีมจนประสบความสำเร็จต่างหากครับ

เพราะอย่างที่บอกไปว่าการวิเคราะห์ข้อมูลนักกีฬาเบสบอลนั้นมีตั้งแต่ปี 1970 แต่ที่ผ่านมาไม่เคยมีใครสนใจอย่างจริงจังและนำไปประยุกต์ใช้ พวกเขาได้แต่มองผ่านสิ่งเหล่านี้ไปและก็หันไปใช้ Instinct แบบเดิมๆ แทนที่จะใช้ Insight จาก Data ครับ

ซึ่งเมื่อหัวองค์กรหรือ Management กำหนดกลยุทธ์ที่ต้องใช้ Data-Driven ออกมา ก็ทำให้ทุกหน่วยงานภายในองค์กรต้องปรับวิธีการทำงานให้สอดคล้องกับกลุยทธ์นี้ อะไรที่เคยทำแต่ขัดกับกลยุทธ์นี้ก็จะคัดแก้ไขหรือตัดทิ้งไป คนที่ไม่พร้อมปรับตัวกับวิธีการทำงานใหม่ๆ ก็ต้องออกไปเพื่อให้กลยุทธ์นี้ดำเนินการได้ตามที่ Billy Beane ตั้งใจไว้ครับ

สุดท้ายนี้ผมรู้จักหลายองค์กรที่เต็มไปด้วยทรัพยากรความพร้อมมากมายในการทำ Data-Driven Marketing หรือ Business แต่กลับไม่ประสบความสำเร็จเพราะ Management ไม่ได้ผลักดันอย่างจริงจัง ไม่ได้กำหนดเรื่อง Data ให้เป็น Business Strategy หลัก การจะทำ Data-Driven Decision ให้ประสบความสำเร็จต้องเริ่มจาก mindset ของ Management ที่จะผลักดันให้เกิดขึ้น พร้อมที่จะเป็นแกนนำในการเปลี่ยนแปลงดังกล่าว กล้าที่จะทิ้งสิ่งเก่าที่ขัดขวางกลยุทธ์ใหม่ขององค์กรครับ

Source
https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/
https://www.behance.net/gallery/31400183/Moneyball-Book-Movie-Redesign