ในโลกของการลงทุนนั้น คงปฏิเสธไม่ได้ว่าความเร็ว (กว่าคู่แข่ง) สำคัญไม่แพ้กับความแม่นยำของข้อมูล

 

ในยุคที่ Big Data กับ AI กำลังเข้ามาเป็นส่วนสำคัญมากขึ้นในการลงทุนนั้น  จุดหนึ่งที่ความก้าวหน้าทางเทคโนโลยีและศาสตร์แห่งการวิเคราะห์ข้อมูลสามารถสร้างความได้เปรียบ หรือ “edge” ให้กับผู้เล่นในตลาดได้คือการช่วยทำนายตัวเลขเศรษฐกิจได้ก่อนตัวเลขทางการจะถูกประกาศ 

 

ในบทความตอนที่หนึ่ง (https://www.stock2morrow.com/article-detail.php?id=921) ของซีรี่ส์พิเศษ "รู้ก่อนเขา...อิเหนากำไร: ทำนายตัวเลขเศรษฐกิจในยุค Big Data" เราได้เห็นการนำข้อมูลแปลกๆ เช่น ข้อมูลทางด่วนและข้อมูลจากภาพถ่ายมือถือมาทำนายอัตราเติบโตทางเศรษฐกิจและระดับราคาสินค้า 

และในตอนที่สอง (https://www.stock2morrow.com/article-detail.php?id=936) เราได้เห็นแนวทางการใช้ข้อมูลจากโลกอินเตอร์เน็ตมาทำนาย “สุขภาพ”ของตลาดแรงงานกันไปแล้ว

 

สำหรับตอนที่สามของซีรี่ส์นี้ เราจะไปสำรวจสองตัวอย่างที่เป็นการใช้ข้อมูลอันมหาศาลในรูปแบบที่ “นึกว่ามาจากหนัง sci-fi”

 

ตัวอย่างแรก คือ การวัดและทำนายความเปลี่ยนแปลงของรายได้ประชากรในแต่ละท้องที่ด้วยภาพถ่าย Google Street View

 

และตัวอย่างที่สอง คือ การใช้ข้อมูลพฤติกรรมการเดินทางผ่านการใช้งานโทรศัพท์มือถือเพื่อสร้างดัชนีเทรนด์การจ้างงานและรายได้ของธุรกิจใหญ่ๆ

 

ทำนายรายได้และราคาบ้านจาก Google Street View

 

งานวิจัยของทีมนักเศรษฐศาสตร์ชื่อดัง Edward Glaeser  (http://onlinelibrary.wiley.com.ezp2.lib.umn.edu/doi/10.1111/ecin.12364/full) พบว่าเราสามารถเอาข้อมูลภาพถ่ายละแวกบ้านจาก Google Street View ป้อนเข้าไปให้คอมพิวเตอร์เรียนรู้คู่กับข้อมูลรายได้จริงจากแบบสำรวจครัวเรือนเพื่อสร้าง Computer Vision Model ขึ้นมา 

อธิบายแบบง่ายๆ ก็คือให้คอมพิวเตอร์เรียนรู้ว่า pixel ในภาพประเภทไหน (ท้องฟ้า ตึก หญ้า ฯลฯ) มีความเกี่ยวเนื่องแบบใดกับรายได้ที่เคยถูกเก็บมาจากแบบสำรวจในละแวกนั้นๆ

 

โดยทางทีมวิจัยนี้ “ฝึก” คอมพิวเตอร์กับภาพถ่ายในเมืองนิวยอร์กก่อน เมื่อโมเดลพร้อมแล้วจึงนำไปทดสอบทำนายรายได้จากภาพถ่ายในเมืองบอสตัน

ปรากฏว่าสามารถทำนายรายได้ได้แม่นยำเหลือเชื่อ (ข้อมูลภาพถ่ายอย่างเดียวสามารถอธิบายการเปลี่ยนแปลงของรายได้จริงในบอสตันได้เกิน 70%) ทั้งๆ ที่โมเดลนี้ไม่เคย “รู้จัก” หรือเห็นภาพจากบอสตันเลยแม้แต่ครั้งเดียวตอนมันกำลังถูกฝึกขึ้นมา เคยเห็นแค่ภาพและรายได้จากนิวยอร์กเท่านั้น

 

จากนั้นทีมนักวิจัยจึงลองเอา “รายได้ทำนาย” เหล่านี้ไปทำนายราคาบ้านในละแวกที่ภาพถ่ายถูกถ่ายมา พบว่าสามารถเอารายได้ทำนายจากภาพถ่ายไปเป็นตัวแปรช่วยทำนายราคาบ้านจริงๆ ได้ และถึงแม้ว่ามันจะไม่ได้ตรงเป๊ะกับรายได้จากแบบสอบถาม  แต่มันสามารถช่วยอธิบายการเปลี่ยนแปลงของราคาบ้านได้ในรูปแบบที่ไม่ซ้ำกับสิ่งที่ข้อมูลรายได้จากแบบสอบถามสามารถอธิบายได้

 

นอกจากการใช้ “รายได้ทำนาย” ไปช่วยทำนายตัวเลขเศรษฐกิจอื่นๆ ในระดับเมืองหรือระดับมลรัฐต่อแล้ว ผมมองว่าจุดเด่นที่สุดของเทคนิคแบบนี้คือมันอาจทำให้การวัดรายได้ในประเทศที่ทำแบบสำรวจได้ลำบาก (แต่รถ Google ไปถึง) หรือมีค่าใช้จ่ายสูงให้มีความเป็นไปได้มากขึ้น เพราะ Google Street View มีข้อมูลจากกว่า 100 ประเทศแล้วในขณะนี้  

 

ใช้ข้อมูลแอพแผนที่สร้างดัชนีเทรนด์เศรษฐกิจ

 

 

ตั้งแต่ผมติดตามงานวิชาการที่ใช้ข้อมูลใหม่ๆ เพื่อทำนายตัวเลขเศรษฐกิจมานาน  รู้สึกว่างานวิจัยชิ้นนี้จากประเทศจีนน่าตื่นเต้นที่สุดแล้ว (https://arxiv.org/pdf/1607.04451v4.pdf)

 

นักวิจัยกลุ่มนี้ศึกษาความเกี่ยวเนื่องระหว่างเทรนด์การจ้างงานและการบริโภคจากพฤติกรรม “การเคลื่อนที่ของคน (และมือถือ)” ด้วยข้อมูล geo-positioning และข้อมูลการค้นหาสถานที่ในแอพพลิเคชั่นแผนที่ (location search query)

 

อธิบายง่ายๆ ก็คือการที่ทีมวิจัยนี้มีข้อมูลมหาศาลจาก Baidu Maps (Google Map เวอร์ชันจีน) ทำให้พวกเขาสามารถนับจำนวนคนแบบคร่าวๆ ได้ว่าได้เดินทางไป หรือ กำลังใช้เวลาอยู่ ณ สถานที่ไหน (ที่ทำงาน ซุปเปอร์มาร์เก็ต หรือโรงภาพยนต์ ฯลฯ) เมื่อไหร่  จนสามารถนำตัวเลขเหล่านี้มาประกอบเป็นดัชนีการจ้างงานหรือการบริโภคที่จะเปลี่ยนไปตามปริมาณการเคลื่อนที่ของคนจากจุดหนึ่งไปจุดหนึ่งตามกาลเวลา 

 

ยกตัวอย่างเช่น การเปลี่ยนแปลงของปริมาณของคนที่ไปกระจุกตัวอยู่แถวๆ โรงงานๆ หนึ่งน่าจะมีความเกี่ยวเนื่องกับเทรนด์ตลาดแรงงานในละแวกนั้น โดยเฉพาะอย่างยิ่งในกรณีที่มีการ layoff หรือมีการเปิดโรงงานใหม่  ในพฤติกรรมการเดินทางของนักช๊อปที่มักจะไปกระจุกตัวกันแถวๆ ห้างสรรพสินค้าก็มักจะบ่งบอกถึงการเปลี่ยนแปลงในระดับการใช้จ่ายของประชากรแถวนั้น 

 

ซึ่งหากนำดัชนีเทรนด์ตลาดแรงงานและการใช้จ่ายจากสถานที่ทั้งหมดในประเทศมารวมกันก็จะสามารถสร้างดัชนีเหล่านี้ในระดับประเทศได้ ไม่ได้จำกัดเฉพาะแต่กับห้างๆ หนึ่งหรือโรงงานๆ หนึ่งเท่านั้น

 

 

และแม้ว่าข้อมูล geopositioning อาจจะดูหยาบไปหน่อย (การที่คนเราไปอยู่แถวๆ ห้างขนาดใหญ่ที่มีทั้งโรงภาพยนต์ ซุปเปอร์มาร์เก็ต ร้านทำแว่น และสถานรับเลี้ยงเด็ก มันทำให้ตีความลำบาก)  ข้อมูลการค้นหาสถานที่ก่อนเดินทางไปยังที่ๆ หนึ่งสามารถเข้ามาช่วยแก้จุดอ่อนนี้ได้  

 

ทีมวิจัยนี้ได้ลองนำข้อมูลการค้นหาก่อนเดินทางไป Apple Store ไปประกอบเป็นตัวเลข foot traffic (จำนวนการเดินเข้าชม) เพื่อนำไปทำนายรายได้ของบริษัท Apple ในประเทศจีน  ปรากฏว่า foot traffic ที่สร้างจากข้อมูลการค้นหานี้มีความเกี่ยวเนื่องอย่างมากกับรายได้ของ Apple (ดังภาพด้านบน) ในไตรมาสที่กำลังจะมาถึง

 

นอกจากนี้อีกหนึ่งตัวอย่างก็คือการเอา foot traffic แถวโรงภาพยนต์ไปทำนายรายได้ของการขายตั๋วภาพยนต์ได้ค่อนข้างแม่นยำด้วย

 

 

ถือเป็นการสร้างความหวังว่าในอนาคตเราอาจจะวัดศักยภาพทางธุรกิจของบริษัทใหญ่ๆ ทั้งในประเภท retail แบบ Apple หรือประเภทบันเทิงอย่างบริษัทโรงภาพยนต์ ได้แบบ real-time โดยไม่ต้องรอเขาประกาศตัวเลขจริงๆ ก็เป็นได้ 

 

ท้ายสุดนี้ ผมมองว่าสิ่งที่น่าตื่นเต้นกว่าสิ่งที่นักวิจัยเหล่านี้ค้นพบก็คือ “นี่เป็นแค่จุดเริ่มต้นเท่านั้น” ยังมีดัชนีอีกหลายชนิดตามสถานที่หลากประเภทที่สามารถถูกสร้างขึ้นมาได้และยังมีข้อมูลอีกหลายรูปแบบในโลกแห่ง Internet of Things ที่สามารถเอาเข้ามาผสมผสานกับข้อมูลโลกเก่าได้อีก  คงต้องติดตามกันต่อไปครับ

 

ติดตามบทวิเคราะห์จากมุมมองเศรษฐศาสตร์ที่เข้าใจง่ายได้ที่ www.settakid.com