สร้างฐานความรู้ AI จากใบแจ้งหนี้และใบเสนอราคาเก่า 10 ปี
ใบแจ้งหนี้และใบเสนอราคาเก่าเก็บคำตอบว่างานแต่ละอย่างราคาเท่าไรและใครเป็นคนทำ นี่คือวิธี 7 ขั้นตอนที่ทำให้ค้นหาได้และให้ AI นำไปใช้ต่อ
สรุปสำคัญ
- เอกสารเก่าคือสินทรัพย์ แต่ไม่มีใครใช้ประโยชน์ได้จนกว่าจะคัดแยก จัดโครงสร้าง และทำให้ค้นหาได้
- จัดโครงสร้างก่อน แล้วค่อยใช้ AI งาน ซัพพลายเออร์ รายการต้นทุน และราคาที่อยู่ในฐานข้อมูลเดียว ทำให้ทุกฟีเจอร์ถัดไปง่ายขึ้น
- ส่วนย่อยที่มีโครงสร้าง ทำให้ AI ตอบจากข้อเท็จจริงที่สะอาด แทนการอ่านไฟล์ต้นฉบับซ้ำทุกครั้ง ประหยัดกว่า เร็วกว่า และตรวจสอบง่ายกว่า
- ดูแลให้ใช้งานได้ต่อเนื่อง ทุกงานใหม่เพิ่มข้อมูลเข้ามา จึงต้องวางแผนเรื่องการตรวจคุณภาพ ค่าที่ผิดปกติ เงินเฟ้อ และข้อมูลซ้ำ
หากบริษัทของคุณดำเนินธุรกิจมาหลายปี คุณมีบันทึกครบถ้วนว่าเคยขายอะไร ต้นทุนการส่งมอบเท่าไร ใช้ซัพพลายเออร์รายไหน และตั้งราคาอย่างไร ข้อมูลเหล่านี้มักกระจายอยู่ในไฟล์ PDF ใบแจ้งหนี้ สเปรดชีตใบเสนอราคา โฟลเดอร์โปรเจกต์ และไฟล์แนบในอีเมล ทุกคนรู้ว่ามีค่า แต่แทบไม่มีใครหยิบมาใช้ได้จริง
บทความนี้อธิบายวิธีเปลี่ยนคลังเอกสารดังกล่าวให้เป็นฐานความรู้ที่แอปพลิเคชัน AI นำไปใช้ได้ เหมาะกับทุกบริษัทที่มีเอกสารสะสมหลายปี ไม่ว่าจะเป็นเอเจนซี่ ผู้รับเหมา โรงงานผลิต บริษัทอีเวนต์และโปรดักชัน หรือบริษัทค้าขาย
ทำไมใบแจ้งหนี้และใบเสนอราคาเก่าจึงเป็นสินทรัพย์ที่ไม่มีใครใช้ได้
ลองถามคำถามง่าย ๆ เช่น “งานประเภทนี้ 3 ปีที่ผ่านมาเราคิดราคาเท่าไร” คำตอบมักขึ้นอยู่กับว่าใครจำได้ เอกสารถูกบันทึกหลายรูปแบบ ตั้งชื่อไม่เหมือนกัน และเก็บอยู่ในคอมพิวเตอร์ของแต่ละคน การค้นด้วยชื่อไฟล์เจอแค่ไฟล์ ไม่เจอตัวเลขที่อยู่ข้างใน
ผลคือใบเสนอราคาทุกฉบับเริ่มจากความจำและไฟล์เก่าไม่กี่ไฟล์ และไม่มีใครมั่นใจว่าราคาที่เสนอสอดคล้องกับที่เคยทำจริงหรือไม่ ข้อมูลมีอยู่ครบ เพียงแต่ถูกล็อกไว้ในรูปแบบที่ทั้งคนและซอฟต์แวร์ค้นหาไม่ได้
วิธีทำ 7 ขั้นตอนจากคลังเอกสารสู่ฐานความรู้ AI
ขั้นที่ 1 สำรวจว่ามีอะไรอยู่ที่ไหนบ้าง
ทำรายการแหล่งข้อมูลทั้งหมด ได้แก่ ใบแจ้งหนี้ ใบเสนอราคา บันทึกโปรเจกต์ ต้นทุนจากซัพพลายเออร์ ทรีตเมนต์หรือสตอรีบอร์ด เอกสารขอบเขตงาน และอีเมลที่มีไฟล์แนบ จดไว้ว่าแต่ละอย่างเก็บที่ใด อยู่ในรูปแบบไหน และครอบคลุมกี่ปี รวมถึงชิ้นที่ยุ่งยาก เช่น เอกสารกระดาษที่สแกนไว้ และสเปรดชีตที่มีเซลล์ผสาน ขั้นนี้ยังไม่ต้องแก้อะไร แค่รู้ว่าตัวเองมีอะไรอยู่
ขั้นที่ 2 กำหนดคำถามที่ต้องการให้ตอบได้
ขั้นนี้กำหนดทิศทางของทุกขั้นตอนต่อจากนี้ ให้เขียนคำถามที่ธุรกิจถามซ้ำ ๆ ออกมา เช่น
- ครั้งก่อนเราคิดราคาหรือจ่ายเงินสำหรับงานนี้เท่าไร
- งานนี้เราเคยใช้ใคร และผลเป็นอย่างไร
- งานประเภทนี้ราคามัธยฐานเท่าไร และช่วงราคาอยู่ที่เท่าไร
- งานไหนที่คล้ายกับบรีฟนี้
คำถามเหล่านี้บอกว่าต้องเก็บข้อมูลช่องไหนบ้าง หากไม่มีใครต้องการชื่อซัพพลายเออร์ ก็ไม่ต้องเสียเวลาหลายสัปดาห์ไปสกัดข้อมูลนั้น
ขั้นที่ 3 คัดแยกและจัดระเบียบร่วมกับคนที่รู้จักงานจริง
ซอฟต์แวร์อ่านเอกสารได้ แต่มีเพียงทีมของคุณที่รู้ว่าใบเสนอราคาฉบับหนึ่งเป็นงานด่วนที่คิดราคาสูงกว่าปกติ อีกฉบับเป็นงานช่วยเหลือที่ขายเท่าทุน และอีกฉบับไม่เคยได้รับอนุมัติ ให้นั่งคุยกับคนที่ทำงานจริง เพื่อตกลงกันว่าอะไรนับ อะไรตัดออก และจะตั้งชื่อให้เป็นระบบเดียวกันอย่างไร
ควรกันเวลาให้ขั้นนี้อย่างจริงจัง ในโปรเจกต์หนึ่งของเรา การคัดแยกข้อมูลร่วมกับทีมใช้เวลา 2 สัปดาห์ และคุ้มค่า เพราะทุกสิ่งที่สร้างต่อจากนั้นตั้งอยู่บนข้อมูลที่จัดระเบียบแล้วนี้
ขั้นที่ 4 นำทุกอย่างเข้าฐานข้อมูลเดียวที่มีโครงสร้าง
ย้ายจากโฟลเดอร์ไปสู่ฐานข้อมูลที่มีเอนทิตีหลักไม่กี่ชนิด
- งาน: หนึ่งระเบียนต่อหนึ่งโปรเจกต์ พร้อมลูกค้า วันที่ ประเภท และผลลัพธ์
- ซัพพลายเออร์: หนึ่งระเบียนต่อหนึ่งบริษัทหรือฟรีแลนซ์ สะกดชื่อแบบเดียว
- รายการต้นทุน: ค่าใช้จ่ายหรือรายการเรียกเก็บแต่ละรายการในงาน เชื่อมกับงานและซัพพลายเออร์
- ราคา: ตัวเลขราคาเอง พร้อมสกุลเงินและวันที่
เก็บเอกสารต้นฉบับแนบไว้กับทุกระเบียน เพื่อให้ตรวจย้อนกลับจากตัวเลขไปยังที่มาได้เสมอ
ขั้นที่ 5 สกัดเป็นส่วนย่อยที่มีโครงสร้างสั้น ๆ
แทนที่จะให้ AI อ่านใบเสนอราคาต้นฉบับซ้ำทุกครั้งที่มีคนถาม ให้ประมวลผลเอกสารแต่ละฉบับเพียงครั้งเดียว แล้วเก็บเป็นส่วนย่อยที่มีโครงสร้างสั้น ๆ เช่น ประเภทงาน วันที่ ซัพพลายเออร์ รายการ จำนวน ราคาต่อหน่วย และหมายเหตุ ส่วนย่อยเหล่านี้คือหน่วยความจำใช้งานของระบบ
ขั้นที่ 6 สร้างต่อยอด ได้แก่ การค้นหา มาสเตอร์ราคา และการสร้างเอกสาร
เมื่อมีส่วนย่อยพร้อมแล้ว ฟีเจอร์จะตามมาตามลำดับที่เป็นธรรมชาติ
- การค้นหา ถามเป็นภาษาธรรมดา แล้วได้งานและรายการต้นทุนที่ตรงกัน พร้อมลิงก์ไปยังเอกสารต้นฉบับ
- มาสเตอร์ราคา แสดงค่ามัธยฐาน ค่าเฉลี่ย และช่วงราคาของแต่ละรายการหรือประเภทงานจากงานในอดีต แทนตัวเลขเดียวที่จำกันมา
- การสร้างเอกสาร ใช้ข้อมูลชุดเดียวกันร่างสิ่งใหม่ เช่น ข้อเสนอโครงการหรืองบประมาณจากความต้องการและงบเป้าหมาย เพื่อให้คนตรวจและปรับแก้
ขั้นที่ 7 ดูแลให้ใช้งานได้ต่อเนื่อง
ฐานความรู้ที่หยุดเติบโตจะล้าสมัย ให้การนำงานที่เสร็จแล้วเข้าระบบเป็นส่วนหนึ่งของการปิดงาน และทบทวนข้อมูลสม่ำเสมอ (ดูรายการสิ่งที่ต้องเฝ้าระวังด้านล่าง)
ทำไมส่วนย่อยจึงดีกว่าการให้ AI อ่านเอกสารซ้ำ
คุณจะชี้ให้ AI อ่านโฟลเดอร์ PDF แล้วถามคำถามก็ได้ วิธีนี้ใช้ได้ดีในการสาธิต แต่ผิดหวังเมื่อใช้งานจริงทุกวัน การสกัดส่วนย่อยครั้งเดียวดีกว่า เพราะ 3 เหตุผลนี้
- ต้นทุนโทเคน โมเดล AI คิดค่าบริการตามปริมาณข้อความที่ประมวลผล การอ่านเอกสารยาว ๆ ซ้ำทุกคำถามทำให้ต้นทุนทวีคูณ ส่วนย่อยที่มีโครงสร้างไม่กี่บรรทัดมีต้นทุนเพียงเศษเสี้ยว
- ความเร็ว ข้อความที่ต้องอ่านน้อยลงทำให้ตอบเร็วขึ้น ซึ่งสำคัญเมื่อมีคนกำลังทำใบเสนอราคาโดยมีลูกค้ารออยู่
- การตรวจสอบย้อนกลับ ส่วนย่อยบอกชัดว่าสกัดอะไรมาและมาจากไหน หากตัวเลขดูผิด แก้ระเบียนเดียว คำตอบทุกครั้งหลังจากนั้นก็ดีขึ้น แต่ถ้าใช้เอกสารต้นฉบับ คุณต้องหวังว่า AI อ่านถูกย่อหน้า
นี่คือแนวทางเบื้องหลังแพลตฟอร์มข้อมูลของ Bangkok Productions คือ AI อ่านจากฐานความรู้ที่สะอาด ไม่ใช่ไฟล์กระจัดกระจายตลอด 10 ปี
เมื่อมีฐานความรู้แล้ว วิเคราะห์อะไรได้บ้าง
เมื่องาน ซัพพลายเออร์ และราคาอยู่ในที่เดียวกัน คำถามที่เคยเป็นไปไม่ได้จะกลายเป็นเรื่องปกติ
- ราคารายการหนึ่งเปลี่ยนไปอย่างไรตลอด 10 ปี
- ซัพพลายเออร์รายไหนปรากฏบ่อยที่สุด และต้นทุนเทียบกับรายอื่นเป็นอย่างไร
- งานประเภทไหนพบบ่อยที่สุด และประเภทไหนตั้งราคาไม่สม่ำเสมอ
- งบประมาณสุดท้ายของเราเทียบกับต้นทุนของงานที่คล้ายกันในอดีตเป็นอย่างไร
ครั้งแรกที่ทีมได้เห็นงานของตัวเองหลายปีในมุมมองเดียว มักพบรูปแบบที่ไม่เคยมีเวลาสังเกต
สิ่งที่ต้องเฝ้าระวังหลังเริ่มใช้งาน
- คุณภาพข้อมูล ข้อมูลผิดทำให้ได้คำตอบผิดที่ฟังดูมั่นใจ ควรทำให้การแจ้งและแก้ข้อผิดพลาดทำได้ง่าย
- ค่าที่ผิดปกติ งานแปลกหนึ่งงานอาจบิดเบือนค่าเฉลี่ย จึงต้องดูค่ามัธยฐานและช่วงราคาควบคู่กับค่าเฉลี่ย
- สกุลเงินและเงินเฟ้อ ราคาเมื่อ 10 ปีก่อนไม่ใช่ราคาของวันนี้ ควรแสดงวันที่และปรับค่าก่อนนำตัวเลขเก่าไปใช้
- ข้อมูลซ้ำ ซัพพลายเออร์รายเดียวที่สะกดชื่อ 3 แบบ หรืองานเดียวที่บันทึกสองครั้ง ทำให้ยอดรวมทุกตัวเบี้ยวไปโดยไม่รู้ตัว
- ความเป็นส่วนตัว ราคาจากซัพพลายเออร์และข้อมูลลูกค้าเป็นข้อมูลอ่อนไหว อ่านเพิ่มเติมได้ในคู่มือการใช้ AI กับข้อมูลบริษัทอย่างเป็นส่วนตัวและสอดคล้องกับ PDPA
เริ่มต้นจากตรงไหน
เลือกคำถามหนึ่งข้อที่ทีมถามบ่อย แล้วตรวจดูว่าคลังเอกสารของคุณตอบได้หรือไม่ หากยังตัดสินใจไม่ได้ว่า AI ควรเข้าไปช่วยตรงไหน คู่มือกระบวนการทางธุรกิจแบบไหนที่คุ้มค่าจะใช้ AI ทำให้เป็นอัตโนมัติช่วยจัดลำดับตัวเลือกได้ เมื่อพร้อมคุยเรื่องการพัฒนา ดูโปรเจกต์เว็บและแอปพลิเคชันของเรา หรืออธิบายคลังเอกสารและคำถามที่ต้องการให้ตอบได้ แล้วเราจะบอกว่าสิ่งใดทำได้จริง สำหรับการวางงบประมาณ อ่านเรื่องค่าพัฒนาแอปธุรกิจแบบสั่งทำในประเทศไทย
คำถามที่พบบ่อย
ต้องมีเอกสารกี่ฉบับจึงคุ้มที่จะทำฐานความรู้ AI
ไม่มีตัวเลขตายตัว สิ่งสำคัญคือมีคำถามประเภทเดิมวนกลับมาเรื่อย ๆ เช่น งานคล้ายกันครั้งก่อนราคาเท่าไร และคลังเอกสารของคุณมีงานลักษณะเดียวกันมากพอที่จะตอบได้ คลังเล็กที่จัดระเบียบดีให้ผลดีกว่าคลังใหญ่ที่รกมาก
ให้ AI อ่านไฟล์ PDF และอีเมลเก่าทั้งหมดโดยตรงเลยได้ไหม
ทำได้ แต่คำตอบจะช้ากว่า มีต้นทุนต่อคำถามสูงกว่า และตรวจสอบยากกว่า การสกัดข้อมูลเป็นส่วนย่อยที่มีโครงสร้างเพียงครั้งเดียว แล้วให้ AI ตอบจากส่วนย่อยเหล่านั้น มักแม่นยำกว่าและตรวจย้อนหลังได้ง่ายกว่า
ฝั่งบริษัทของเราต้องมีใครเข้ามาร่วมบ้าง
คนที่รู้จักงานจริง คือคนที่ทำงานเหล่านั้น คิดราคา และติดต่อซัพพลายเออร์ เทคโนโลยีอ่านเอกสารได้ แต่มีเพียงทีมของคุณที่บอกได้ว่าตัวเลขไหนเป็นราคาปกติและตัวเลขไหนเป็นกรณีพิเศษ