การนำข้อมูลมาใช้เพื่อขับเคลื่อนห้องสมุด (Data Driven in Library work)

ช่วงนี้หลายห้องสมุดกำลังอยู่ในสภาวะที่งุนงงกับบรรดา Buzzword มากมาย และหนึ่งใน Buzzword ที่ได้ยินกันมากๆ คือ Big Data หรือ ข้อมูลขนาดใหญ่ ว่าแต่ข้อมูลในห้องสมุดมีอะไรที่เรียกว่า Big Data บ้าง — คำตอบ คือ ไม่มีข้อมูลที่ขนาดใหญ่แบบนั้นอยู่จริงในห้องสมุดเพียงแห่งเดียว (แต่ถ้าบอกว่าข้อมูลของการใช้ห้องสมุดทั้งประเทศ หรือ ถ้าห้องสมุดทุกแห่งในประเทศเชื่อมโยงกันแล้ว อาจจะมี Big Data จริงๆ ก็ได้) ถ้าอย่างนั้นห้องสมุดไม่จำเป็นต้องสนใจเรื่อง Data หรือครับ? คำตอบ คือ ไม่ครับ ยังไงก็ต้องสนใจอยู่ดี และปัจจุบัน Data Driven Business หรือ การขับเคลื่อนธุรกิจด้วยข้อมูลกำลังเป็นอีกประเด็นที่น่าสนใจ

ตัวอย่างการนำข้อมูลมาใช้ในงานห้องสมุด ตอนที่ 1 : RFM

หากเรา ค้นคำว่า RFM-Model ใน Google ตัวเลือกแรกๆ ที่เราจะได้เห็น คือ คำตอบจาก wikipedia ว่า RFM-Model คืออะไร และสรุปง่ายๆ ว่า คือ การวิเคราะห์ “customer value” เห็นศัพท์แบบนี้แล้ว ปวดหัวเหมือนกันครับ ยิ่งอ่านในรายละเอียดยิ่งยาวมาก ผมขอสรุปง่ายๆ แบบนี้ครับ จริงๆ แล้วมันคือวิธีการหนึ่งที่ผมนำมาใช้แบ่งกลุ่มลูกค้า (Customer Segmentation)

5 เหตุผลที่ทำให้ชาวห้องสมุดต้องสนใจเรื่องการวิเคราะห์ข้อมูล (Data Analytics)

5 เหตุผลที่ทำให้ชาวห้องสมุดต้องสนใจเรื่องการวิเคราะห์ข้อมูล (Data Analytics) เพื่อนำมาใช้ในห้องสมุด คือ 1. แนวโน้มเรื่อง Big Data / Data sciences / AI กำลังได้รับความนิยมที่สูงขึ้น (ไม่สนใจไม่ได้แล้ว) 2. ระบบห้องสมุดหลายๆ ตัวเริ่มมีการเพิ่มฟีเจอร์ในการทำรายงานโดยดึงข้อมูลต่างๆ มาวิเคราะห์ให้อัตโนมัติ (อันนี้ยังไม่เห็นในเมืองไทย ส่วนใหญ่บรรณารักษ์ดึงออกมาวิเคราะห์เอง)