กุญแจสำคัญสู่การเปลี่ยนแปลงองค์กรฮ่องกง: ปัญญาประดิษฐ์จะสร้างข้อได้เปรียบในการแข่งขันอย่างไรจากภาวะติดขัดด้านประสิทธิภาพ

บริษัทขนาดกลางและขนาดย่อมกว่า 60% ยังคงจัดการงานธุรการด้วยมือ

บริษัทขนาดกลางและขนาดย่อมในฮ่องกงมากกว่า 60% ยังคงพึ่งพากำลังคนในการดำเนินการออกใบแจ้งหนี้ การปรับยอดบัญชี และการลงทะเบียนสต๊อกสินค้า ส่งผลให้เสียเวลาหลายร้อยชั่วโมงต่อเดือน และทำให้การตัดสินใจล่าช้า ยกตัวอย่างบริษัทการค้าขนาดกลางแห่งหนึ่ง เราได้ช่วยนำกระบวนการตรวจสอบอัตโนมัติเข้ามาใช้ ทำให้เวลาดำเนินการเจ้าหนี้ลดลงจากเฉลี่ย 5 วัน เหลือเพียง 8 ชั่วโมง และอัตราความผิดพลาดลดลงถึง 90% ซึ่งหมายความว่าทีมการเงินสามารถเปลี่ยนโฟกัสไปที่การวางแผนกระแสเงินสด แทนที่จะตรวจสอบซ้ำๆ

ปัญหาไม่ได้อยู่ที่พนักงานขยันน้อยเกินไป แต่อยู่ที่ระบบไม่สามารถทำงานร่วมกันได้ ข้อมูลคำสั่งซื้อ บัญชี และคลังสินค้าแยกจากกัน ทำให้ขาดการเชื่อมโยงข้อมูล ส่งผลให้ผู้บริหารต้องอาศัยประสบการณ์ในการตัดสินใจ แทนที่จะใช้ข้อมูลแบบเรียลไทม์ การศึกษาของ IDC ปี 2024 ระบุว่า บริษัทในท้องถิ่นสูญเสียความยืดหยุ่นในการดำเนินงานประมาณ 18% ต่อปีเนื่องจากข้อมูลที่เป็น "เกาะ" การก้าวแรกในการทำลายกำแพงนี้คือการสร้างฐานข้อมูลที่สามารถเชื่อมต่อได้ เพื่อให้ AI มีข้อมูลเพียงพอในการเรียนรู้และเสนอแนะ

ERP แบบดั้งเดิมแค่รายงานย้อนหลัง แต่ไม่สามารถเตือนล่วงหน้าได้

ระบบ ERP มาตรฐานเหมือนสมุดบันทึกประจำวันแบบนิ่ง: บันทึกอดีต แต่ไม่สามารถทำนายอนาคตได้ เมื่อเกิดความล่าช้าฉุกเฉินในการขนส่งข้ามพรมแดน ระบบจะไม่แจ้งเตือนให้เปลี่ยนผู้จัดจำหน่ายโดยอัตโนมัติ หรือแนะนำให้ปรับระดับสต๊อกสินค้า เครื่องมือกฎ (rule engine) ของระบบขึ้นอยู่กับเงื่อนไขที่ตั้งไว้ล่วงหน้า จึงไม่มีความสามารถในการตอบสนองต่อสถานการณ์ผิดปกติ

สิ่งนี้หมายความว่า บริษัทยังคงต้องแบกรับความสูญเสียที่สามารถหลีกเลี่ยงได้ การสำรวจของ Gartner ปี 2024 แสดงให้เห็นว่า 70% ของบริษัทในฮ่องกงคิดว่าโครงสร้างพื้นฐานด้านไอทีในปัจจุบันตามไม่ทันกับความเร็วของการเปลี่ยนแปลงทางธุรกิจ การเปลี่ยนผ่านที่แท้จริงคือการฝังโมเดลการเรียนรู้ของเครื่อง (machine learning) เข้าไปในกระบวนการทำงานของ ERP — เพื่อให้ระบบสามารถเรียนรู้จากอดีต ทำนายความเสี่ยงในการขาดสต๊อก และเสนอแนวทางทางเลือกได้ ตัวอย่างร้านค้าปลีกอิเล็กทรอนิกส์รายหนึ่งที่นำโครงสร้างนี้มาใช้ พบว่าอัตราการขาดสต๊อกลดลง 31% และความพึงพอใจของลูกค้าเพิ่มขึ้นพร้อมกัน

นี่ไม่ใช่แค่การอัปเกรดซอฟต์แวร์ แต่คือการเปลี่ยนแปลงการตัดสินใจจาก “ตอบสนองแบบ被动” เป็น “ป้องกันแบบ主動”

AI สร้างสรรค์ (Generative AI) ทำให้พนักงานที่ไม่มีทักษะเทคนิคเข้าใจรายงานซับซ้อนได้ทันที

ในอดีต การรวมข้อมูลยอดขาย บริการลูกค้า และสต๊อกสินค้าอาจใช้เวลานานถึงสองชั่วโมง และต้องขอความช่วยเหลือจากแผนกไอที ปัจจุบัน ผู้จัดการร้านค้าเพียงแค่ถามว่า “สาเหตุที่ร้านวองก๊กสัปดาห์ที่แล้วยอดตกคืออะไร?” ระบบจะวิเคราะห์ข้อมูล POS การเข้าชมร้าน และสภาพอากาศโดยอัตโนมัติ และสร้างคำแนะนำสรุปสามข้อ

สิ่งที่รองรับอยู่เบื้องหลังคือแผนภาพความรู้องค์กร (enterprise knowledge graph) ซึ่งเชื่อมโยงข้อมูลที่กระจัดกระจายอยู่ในอีเมล ตารางข้อมูล และ CRM เข้าเป็นเครือข่ายเชิงความหมาย ตามข้อมูลติดตามจาก IDC บริษัทที่นำเทคโนโลยีนี้มาใช้มีความเร็วในการตัดสินใจระดับบริหารเพิ่มขึ้นกว่า 40% สิ่งสำคัญยิ่งกว่าคือ ความรู้ไม่ถูกรวบรวมอยู่แค่กับคนกลุ่มเล็กๆ อีกต่อไป พนักงานใหม่ก็สามารถเข้าถึงข้อมูลเชิงลึกได้อย่างรวดเร็ว ช่วยลดระยะเวลาในการเรียนรู้

นี่หมายความว่าอะไร? ภายใต้จำนวนแรงงานเท่าเดิม องค์กรโดยรวมสามารถตอบสนองได้เร็วขึ้น ให้บริการได้ครอบคลุมมากขึ้น และมีข้อผิดพลาดน้อยลง

การเรียนรู้ของเครื่องทำนายความผันผวนของยอดขายล่วงหน้าสองสัปดาห์

อุตสาหกรรมค้าปลีกในฮ่องกงกลัวอะไรที่สุด? ไม่ใช่การแข่งขัน แต่คือ “รู้ตัวช้าเกินไปเมื่อแนวโน้มเปลี่ยนไป” แต่จากการศึกษาเชิงประจักษ์ของมหาวิทยาลัยฮ่องกงปี 2024 พบว่า โมเดลที่ผสมผสานข้อมูลการซื้อขาย POS ความคิดเห็นบนโซเชียล และข้อมูลสภาพอากาศ สามารถทำนายการเปลี่ยนแปลงยอดขายในแต่ละพื้นที่ล่วงหน้า 14 วัน ด้วยความแม่นยำสูงถึง 88%

กุญแจสำคัญคือการวิเคราะห์แบบมัลติโมเดล (multimodal analysis): ระบบเข้าใจว่า “ฝนตก + ถูกพูดถึงเยอะบนเสียวหงซู + คลิกเข้าชมเพิ่มขึ้นเมื่อวาน” อาจหมายถึงยอดขายกาแฟในบางพื้นที่จะพุ่งสูงขึ้น ตัวอย่างแบรนด์เครื่องดื่มชาชั้นนำที่ใช้เทคโนโลยีนี้ สามารถปรับโปรโมชั่นและตารางงานแบบไดนามิก ส่งผลให้อัตราหมุนเวียนสต๊อกเพิ่มขึ้น 27% และลดการสิ้นเปลืองแรงงานลง 19%

นี่ไม่ใช่แค่การทำนายว่า “จะขายอะไร” แต่คือการเข้าใจว่า “ทำไมถึงขายได้” — เปลี่ยนการตัดสินใจจากความรู้สึกเป็นการวางกลยุทธ์โดยอิงข้อมูล

เริ่มต้นการเปลี่ยนแปลงด้วย AI จากกระบวนการบัญชีเพียงหนึ่งขั้นตอน

บริษัทจำนวนมากล้มเหลวไม่ใช่เพราะเทคโนโลยีไม่ดีพอ แต่เพราะต้องการเร่งรีบและทำทั้งหมดพร้อมกัน เราแนะนำให้เริ่มจากสถานการณ์ที่เล็กที่สุดแต่สามารถใช้งานได้จริง เช่น การตรวจสอบเจ้าหนี้อัตโนมัติ ทีมการเงินแห่งหนึ่งประหยัดเวลาได้ 60 ชั่วโมง/เดือน ตั้งแต่ระยะ POC (Proof of Concept) และอัตราความผิดพลาดลดลงจาก 3% เหลือ 0.5% ทำให้ได้รับการสนับสนุนจากฝ่ายบริหารอย่างรวดเร็ว

กุญแจสู่ความสำเร็จคือ “การวินิจฉัยก่อนลงมือ” กรอบการประเมินความพร้อมใช้งาน AI (AI Readiness Assessment Framework) ที่เราพัฒนาขึ้น จะช่วยให้บริษัทประเมินคุณภาพข้อมูล ความสามารถด้านเทคนิค และความพร้อมของกระบวนการทำงาน เพื่อหลีกเลี่ยงการลงทุนหลายล้านที่ไร้ผล เส้นทางสามขั้นตอนชัดเจน: วินิจฉัย → ทดลองใช้ → ขยายผล โดยแต่ละขั้นตอนมี KPI วัดผล

แทนที่จะเดิมพันกับระบบอัตโนมัติเต็มรูปแบบ ควรสะสมความมั่นใจอย่างมั่นคง ขณะนี้คือเวลาที่เหมาะสมในการจัดตั้งศูนย์กลางความสามารถด้าน AI ขององค์กร (CAiC) — รวมทรัพยากร และผลักดันการปรับตัวทางวัฒนธรรม

We dedicated to serving clients with professional DingTalk solutions. If you'd like to learn more about DingTalk platform applications, feel free to contact our online customer service or email at This email address is being protected from spambots. You need JavaScript enabled to view it.. With a skilled development and operations team and extensive market experience, we’re ready to deliver expert DingTalk services and solutions tailored to your needs!