“ในยุคที่โรงงานต้องแข่งขันกันด้วยประสิทธิภาพและนวัตกรรม ข้อมูล (Data) กลายเป็นสินทรัพย์ที่มีค่ามากที่สุดของโรงงาน แต่ปัญหาที่แท้จริงคือ ข้อมูลเหล่านี้มักกระจัดกระจายและไม่สามารถนำมาใช้ให้เกิด Value ได้”
What is Digital Transformation for Manufacturers?
Industrial Digital Transformation คือกระบวนการที่ทำให้ “Data” กลายเป็นทรัพยากรหลักที่มีค่ามากที่สุด primary commodity ขององค์กรอุตสาหกรรม ใช้มันเพื่อขับเคลื่อนการตัดสินใจ (data-driven decisions) ผ่านการ วิเคราะห์ข้อมูลในอดีต (historical analytics), มองเห็นสถานการณ์ปัจจุบันแบบ real-time (situational awareness) และ คาดการณ์อนาคต (predictive insights).
Pain Points of Industrial Digital Transformation in Thailand
แม้ในอุตสาหกรรมโลกจะพูดถึง Digital Transformation กันอย่างจริงจัง แต่ความจริงคือ ผู้ผลิตท้องถิ่นในประเทศไทยยังห่างไกลจาก การทำให้ “Data” กลายเป็น primary commodity ขององค์กรมาก
Bottomline ดี แต่ไม่ Data-Driven
ผู้ผลิตจำนวนมากยังคงทำกำไรได้ดีจากการผลิตและตลาด แต่แทบไม่ได้ใช้ ข้อมูล (Data) เป็นตัวขับเคลื่อนการตัดสินใจ โรงงานจำนวนไม่น้อยยังพึ่งพา Excel, Manual Logs และ Paper-based reports เป็นหลัก
AI Trend is Pulling Them Forward
กระแส AI Prediction และ Generative AI ทำให้ผู้ผลิตสนใจอยากจะนำ AI มาใช้ แต่กลับขาด “รากฐาน” ที่จำเป็น โดยเฉพาะ Industrial Data Engineering ที่เป็น backbone ของการทำ Data-driven Factory
3 Components of the Industrial Data Value Chain
จากภาพ Industrial Data Value Chain จะเห็นว่ามี 3 องค์ประกอบหลัก:
- OT & IT Applications – SCADA, MES, ERP, SAP ฯลฯ
- Industrial Data Engineering – Unified Namespace (single source of truth), Historian (time series database), Data Pipeline
- Analytics, ML, and AI – Prediction, Optimization, Generative AI
แต่โรงงานส่วนใหญ่ลงทุนใน Applications และ AI ขณะที่ Industrial Data Engineering กลับถูกละเลย
Mismatch in Investment: IT vs OT
ความไม่สมดุลชัดเจนคือ การลงทุนฝั่ง IT Applications มักสูงมาก ตัวอย่างเช่น:
- บริษัทผลิตระดับใหญ่ในไทยลงทุนใน SAP license และ implementation หลายสิบถึงหลายร้อยล้านบาท (50–200 ล้านบาทไม่ใช่เรื่องแปลก)
- แต่เมื่อพูดถึงการลงทุนใน OT Applications เช่น MES ที่ผู้บริหารหลายคนกลับลังเลในการใช้งบประมาณเพียง 5-15 ล้านบาท
- สุดท้ายแล้ว ข้อมูลที่องค์กรจะใช้ในการตัดสินใจและทำ AI อย่างน้อยครึ่งหนึ่งมาจากฝั่ง OT หากไม่มีการลงทุนที่สมดุล ข้อมูลที่ได้จะไม่ครบและไม่สามารถสร้างคุณค่าจริงได้
The Missing Layer: Industrial Data Engineering
ถ้าเราพูดถึง “Data Engineering” คนส่วนใหญ่จะนึกถึง Data Warehouse หรือ Data Lake ของฝั่ง IT ที่เอาไว้เก็บข้อมูลจาก ERP, CRM, หรือระบบธุรกิจอื่น ๆ แต่สำหรับโรงงานแล้ว สิ่งที่ขาดหายไปจริง ๆ คือ Industrial Data Engineering
Industrial Data Engineering ประกอบด้วยสององค์ประกอบหลักที่สำคัญ:
- Unified Namespace (UNS)
- ทำหน้าที่เป็น single source of truth สำหรับข้อมูล real-time ในโรงงาน
- Persist ข้อมูลที่เป็น “Real-Time” เช่น KPI ล่าสุด, Events ที่เกิดขึ้น, Transactions ที่ยังไม่เสร็จ หรือเพิ่งเสร็จใน time window ที่เกี่ยวข้อง (เช่นวันนี้ หรือ current shift)
- UNS ช่วยให้ข้อมูลทั้งหมดอยู่ใน context เดียวกัน ทำให้ระบบ MES, BI, หรือ AI ใช้ต่อได้ทันที
- Historian
- เก็บข้อมูลแบบ time series จากเครื่องจักรและ process
- แตกต่างจาก Time Series Database ทั่วไปเพราะถูกออกแบบมาเพื่อ วิศวกรโรงงาน ใช้ในการวิเคราะห์และแก้ปัญหาหน้างาน เช่น process deviation, downtime investigation, quality troubleshooting
- Historian คือเครื่องมือที่เชื่อมการผลิตกับการวิเคราะห์จริง ๆ ของผู้ปฏิบัติการ
Reality in Thailand
แต่ความเป็นจริงคือ ผู้บริหารโรงงานส่วนใหญ่ในไทย:
- ไม่เคยได้ยินคำว่า Unified Namespace
- ไม่เคยทำ หรือ ไม่เข้าใจการทำ time series analysis สำหรับ manufacturing อย่างถูกต้อง
ในทางกลับกัน เรากลับเห็นบริษัทที่มี Data Warehouse และ Data Lake ฝั่ง IT ก่อนจะมี UNS หรือ Historian เสียอีก ทั้งที่จริงแล้ว Data Pipeline ฝั่ง IT ถูกสร้างขึ้นเพื่อตอบโจทย์การวิเคราะห์ ERP data เท่านั้น
ผลลัพธ์ก็คือ โรงงานมี ข้อมูล ERP ที่พร้อมใช้งาน แต่ ข้อมูลการผลิต (OT Data) กลับไม่พร้อม ทั้งที่ข้อมูลฝั่ง OT คิดเป็น อย่างน้อยครึ่งหนึ่ง ของ data ที่จำเป็นต่อการตัดสินใจและการใช้ AI
นี่คือเหตุผลว่าทำไม Industrial Digital Transformation ของไทยจึง “ไม่ scale” — เพราะรากฐาน Industrial Data Engineering ยังขาดหายไปโดยสิ้นเชิง
IT Data Engineering vs. Industrial Data Engineering
| Aspect | IT Data Engineering | Industrial Data Engineering |
|---|---|---|
| Primary Source | ERP, CRM, Finance Systems | PLC, SCADA, MES, Sensors, OT Applications |
| Core Tools | Data Warehouse, Data Lake | Unified Namespace (UNS), Historian |
| Data Type | Business Data (orders, sales, finance) | Real-time Data, Time Series Data, Events, Transactions |
| Purpose | Reporting, Business Intelligence, KPI monitoring | Process monitoring, Root cause analysis, Troubleshooting, AI/ML readiness |
| Data Freshness | Batch (daily, weekly, monthly) | Real-time (seconds, minutes) |
| Users | Data Analysts, Finance, Executives | Process Engineers, Operators, Maintenance, Data Scientists |
| Pain if Missing | Business reporting not consolidated | AI cannot scale, operators can’t troubleshoot, decisions lack OT context |
Some Key Points
- โรงงานไทยจำนวนมากมี Data Warehouse / Data Lake แล้ว แต่ยัง ไม่มี UNS และ Historian
- ผลคือ ERP data ถูกวิเคราะห์ได้ดี แต่ Production data ยังไม่พร้อม → ทำให้ Digital Transformation ไปไม่ถึงเป้าหมาย
ดังนั้น หากผู้ผลิตในไทยต้องการก้าวเข้าสู่ AI-driven Manufacturing จริง ๆ พวกเขาจำเป็นต้อง ลงทุนใน Industrial Data Engineering layer ให้เป็นรากฐาน ก่อนจะวิ่งไปที่ AI
Summary:
Industrial Digital Transformation ไม่ใช่เรื่องของการติดตั้ง AI หรือการซื้อ Application เพียงอย่างเดียว แต่คือการสร้าง รากฐานของข้อมูล (Industrial Data Engineering) ผ่าน Unified Namespace และ Historian ให้พร้อมใช้งานจริง ข้อมูลจาก ERP เพียงอย่างเดียวไม่พอ — เพราะอย่างน้อยครึ่งหนึ่งของข้อมูลที่จำเป็นต่อการตัดสินใจและการใช้ AI มาจากฝั่ง OT หากไม่มีการลงทุนที่สมดุล โรงงานก็จะยังติดอยู่ใน “Pilot Purgatory” ไม่สามารถ Scale การใช้ AI ได้จริง
นี่คือจุดเริ่มต้นของ series “No BS Path to AI-Driven Manufacturing” ที่ผมจะเล่า แบบตรงไปตรงมา ว่าเราจะเดินหน้าสู่โรงงานที่ขับเคลื่อนด้วย AI อย่างไร ในตอนถัดไป ผมจะลงรายละเอียดและยกตัวอย่าง วิธีการ implement กระบวนการเหล่านี้จริง ๆ — ตั้งแต่การสร้าง Unified Namespace ไปจนถึงการใช้ Historian ให้เป็นประโยชน์ในการแก้ปัญหาหน้างาน
Stay tuned.