กรณีศึกษา: เปลี่ยนเสียงประชาชนบนโลกออนไลน์ให้เป็นข้อมูลพัฒนานโยบายขนส่งสาธารณะ

หมายเหตุ: บทความนี้เป็นกรณีศึกษาสมมติที่จัดทำขึ้นเพื่ออธิบายแนวทางประยุกต์ใช้ Digital Intelligence และ Social Listening ในหน่วยงานภาครัฐ รายละเอียดและผลลัพธ์ไม่ควรถูกนำไปอ้างว่าเป็นผลงานของหน่วยงานใดโดยเฉพาะ เว้นแต่ได้รับอนุญาตและมีข้อมูลยืนยัน

เมื่อการรับฟังประชาชนต้องเร็วพอกับการเปลี่ยนแปลงของสถานการณ์

หน่วยงานภาครัฐแห่งหนึ่งเปิดตัวนโยบายใหม่เกี่ยวกับการใช้บริการขนส่งสาธารณะ โดยมีเป้าหมายเพิ่มความสะดวก ลดภาระค่าใช้จ่าย และยกระดับประสบการณ์การเดินทางของประชาชน

หลังเริ่มดำเนินนโยบายไประยะหนึ่ง หน่วยงานต้องการประเมินว่า

• ประชาชนเข้าใจนโยบายมากน้อยเพียงใด
• ผู้ใช้บริการได้รับความสะดวกขึ้นจริงหรือไม่
• มีปัญหาเกิดขึ้นในเส้นทางหรือพื้นที่ใด
• ประเด็นใดได้รับเสียงชื่นชมและประเด็นใดสร้างความไม่พอใจ
• ควรปรับปรุงนโยบายหรือการสื่อสารในเรื่องใดก่อน

การสำรวจความคิดเห็นแบบดั้งเดิมยังมีความจำเป็น เพราะสามารถออกแบบกลุ่มตัวอย่างและคำถามอย่างเป็นระบบได้ แต่กระบวนการมักต้องใช้เวลา และอาจไม่ครอบคลุมเหตุการณ์หรือเสียงสะท้อนที่เกิดขึ้นแบบฉับพลันบนโลกออนไลน์

ในทางกลับกัน ประชาชนแสดงความคิดเห็นผ่าน Social Media, Webboard, Online Community และข่าวออนไลน์ตลอดเวลา ข้อมูลเหล่านี้สะท้อนทั้งประสบการณ์จริง ความคาดหวัง ความเข้าใจผิด และปัญหาเฉพาะหน้าได้อย่างรวดเร็ว

โจทย์จึงไม่ใช่เพียงการรวบรวมว่ามีใครพูดถึงนโยบายกี่ครั้ง แต่คือการเปลี่ยนบทสนทนาจำนวนมากให้เป็นข้อมูลที่ผู้บริหารนำไปตัดสินใจได้

ความท้าทายของหน่วยงาน

1. ข้อมูลมีปริมาณมากและกระจายหลายช่องทาง

ความคิดเห็นเกี่ยวกับนโยบายไม่ได้อยู่ในช่องทางทางการเท่านั้น แต่อาจปรากฏในโพสต์สาธารณะ ความคิดเห็นใต้ข่าว กระทู้สนทนา กลุ่มชุมชน หรือบทสนทนาเกี่ยวกับปัญหาการเดินทางโดยไม่ได้ระบุชื่อนโยบายโดยตรง

2. ประเด็นเปลี่ยนแปลงอย่างรวดเร็ว

ปัญหาบางเรื่องอาจเกิดเฉพาะช่วงเวลา เช่น ระบบชำระเงินขัดข้อง รถไม่เพียงพอ เส้นทางไม่ครอบคลุม หรือข้อมูลการใช้บริการไม่ชัดเจน หากตรวจพบช้า ปัญหาเฉพาะจุดอาจขยายเป็นความไม่เชื่อมั่นต่อนโยบายโดยรวม

3. ตัวเลขปริมาณไม่อธิบายสาเหตุ

จำนวน Mention หรือ Engagement เพียงอย่างเดียวไม่สามารถบอกได้ว่าประชาชนพอใจเรื่องใด ไม่พอใจเพราะอะไร หรือข้อเสนอใดถูกกล่าวถึงซ้ำจนควรนำไปพิจารณา

4. ต้องแยกเสียงจริงออกจากข้อมูลรบกวน

บทสนทนาออนไลน์อาจมีข่าวซ้ำ โฆษณา Spam เนื้อหานอกประเด็น บัญชีที่โพสต์ซ้ำ หรือข้อมูลที่ยังไม่ผ่านการตรวจสอบ จึงต้องมีทั้งระบบคัดกรองและนักวิเคราะห์ตรวจสอบบริบท

โซลูชัน Digital Intelligence & Reputation จาก IDA

Intelligent Data Analytic (IDA) นำโซลูชัน Digital Intelligence & Reputation มาใช้เพื่อช่วยให้หน่วยงานรับฟัง วิเคราะห์ และติดตามเสียงสะท้อนของประชาชนอย่างเป็นระบบ

กระบวนการไม่ได้หยุดอยู่ที่ Social Monitoring แต่ครอบคลุมตั้งแต่การออกแบบโจทย์ การรวบรวมข้อมูล การวิเคราะห์เชิงลึก การตรวจสอบโดยมนุษย์ ไปจนถึงการจัดทำข้อเสนอที่นำไปดำเนินการได้

ขั้นตอนที่ 1: กำหนดกรอบคำถามเชิงนโยบาย

ก่อนเริ่มรวบรวมข้อมูล IDA ทำงานร่วมกับหน่วยงานเพื่อกำหนดคำถามที่ต้องการคำตอบ เช่น

• ประชาชนรับรู้และเข้าใจสิทธิหรือเงื่อนไขของนโยบายหรือไม่
• ปัญหาใดกระทบผู้ใช้บริการมากที่สุด
• กลุ่มประชาชนหรือพื้นที่ใดได้รับผลกระทบแตกต่างกัน
• ช่องว่างระหว่างสิ่งที่นโยบายตั้งใจมอบให้กับประสบการณ์จริงคืออะไร
• ประเด็นใดต้องแก้ไขทันที และประเด็นใดควรนำไปวางแผนระยะยาว

การเริ่มจากคำถามเชิงนโยบายช่วยป้องกันไม่ให้โครงการกลายเป็นเพียง Dashboard ที่มีข้อมูลจำนวนมาก แต่ไม่มีคำตอบสำหรับผู้บริหาร

ขั้นตอนที่ 2: ออกแบบ Keyword และรวบรวมข้อมูล

ทีมงานออกแบบชุด Keyword ให้ครอบคลุมมากกว่าชื่อนโยบาย โดยรวมถึง

• ชื่อโครงการและชื่อหน่วยงาน
• ชื่อบริการ บัตรโดยสาร ระบบชำระเงิน และแอปพลิเคชัน
• ชื่อเส้นทาง สถานี จุดเชื่อมต่อ และพื้นที่ให้บริการ
• คำเรียกที่ประชาชนใช้จริง รวมถึงคำย่อและการสะกดหลายรูปแบบ
• คำที่สื่อถึงประสบการณ์ เช่น ราคาแพง รอนาน ใช้ไม่ได้ คนแน่น หรือเดินทางสะดวก

ระบบ Social Listening & Monitoring รวบรวมข้อมูลสาธารณะที่เกี่ยวข้องจากช่องทางออนไลน์ตามขอบเขตที่กฎหมายและแพลตฟอร์มอนุญาต เช่น

• Social Media
• Webboard และ Online Community
• เว็บไซต์ข่าวออนไลน์
• Blog และเว็บไซต์สาธารณะ
• ความคิดเห็นสาธารณะใต้เนื้อหาที่เกี่ยวข้อง

ข้อมูลถูกทำความสะอาด ลดความซ้ำซ้อน และแยกเนื้อหาที่ไม่เกี่ยวข้องก่อนเข้าสู่กระบวนการวิเคราะห์

ขั้นตอนที่ 3: วิเคราะห์ Issue, Sentiment, Location และ Timeline

IDA จัดหมวดหมู่บทสนทนาตามประเด็นที่มีผลต่อประสบการณ์ของประชาชน ได้แก่

• ความสะดวกในการใช้งาน เช่น ขั้นตอนสมัคร การยืนยันสิทธิ และการชำระเงิน
• ราคาและความคุ้มค่า รวมถึงเงื่อนไขที่ประชาชนอาจเข้าใจไม่ตรงกัน
• เส้นทางและความครอบคลุม เช่น จุดเชื่อมต่อ ความถี่ และพื้นที่ที่ยังเข้าไม่ถึง
• คุณภาพบริการ เช่น ระยะเวลารอ ความหนาแน่น ความสะอาด และพฤติกรรมการให้บริการ
• ระบบดิจิทัล เช่น แอปพลิเคชัน ระบบเติมเงิน หรือระบบตรวจสอบสิทธิ
• การสื่อสารนโยบาย เช่น ข้อมูลไม่ชัดเจน คำถามที่พบบ่อย และข่าวที่อาจทำให้เกิดความเข้าใจผิด
• ข้อเสนอแนะจากประชาชน ทั้งการแก้ปัญหาระยะสั้นและแนวคิดพัฒนาบริการ

จากนั้นจึงวิเคราะห์หลายมิติร่วมกัน

มิติการวิเคราะห์	คำถามที่ต้องการตอบ
Issue Analysis	ประชาชนพูดถึงปัญหาและความต้องการเรื่องใด
Sentiment Analysis	ความรู้สึกเชิงบวก กลาง หรือลบเกิดจากสาเหตุใด
Trend & Timeline	ประเด็นเริ่มขึ้นเมื่อใด เพิ่มขึ้นจากเหตุการณ์อะไร
Channel Analysis	ประเด็นใดเกิดเด่นชัดในแพลตฟอร์มใด
Location Insight	มีเส้นทาง สถานี หรือพื้นที่ใดถูกกล่าวถึงเป็นพิเศษ
Engagement Analysis	เนื้อหาใดกำลังขยายวงและมีอิทธิพลต่อความคิดเห็น
Stakeholder Analysis	กลุ่มใดเป็นผู้สะท้อนปัญหา ผู้ได้รับผลกระทบ หรือผู้ขยายประเด็น

Sentiment Analysis ถูกใช้เป็นเครื่องมือช่วยคัดกรองและค้นหาแนวโน้ม ไม่ใช่ข้อสรุปโดยอัตโนมัติ เนื่องจากภาษาไทยมีคำประชด ภาษาถิ่น คำสแลง และบริบทเฉพาะ นักวิเคราะห์จึงตรวจสอบเนื้อหาที่มีความสำคัญหรือมีผลกระทบสูงอีกชั้นหนึ่ง

ขั้นตอนที่ 4: ตรวจจับ Early Warning และประเด็นเร่งด่วน

ระบบช่วยตรวจจับความผิดปกติ เช่น

• จำนวนข้อร้องเรียนเพิ่มขึ้นอย่างรวดเร็ว
• Sentiment เชิงลบพุ่งสูงในช่วงเวลาสั้น
• ปัญหาเดียวกันถูกกล่าวถึงจากหลายพื้นที่
• โพสต์หนึ่งได้รับ Engagement และการส่งต่อสูงผิดปกติ
• ข่าวหรือข้อมูลที่คลาดเคลื่อนเริ่มขยายวง
• บุคคลหรือเพจที่มีอิทธิพลเริ่มหยิบประเด็นไปสื่อสาร

เมื่อพบสัญญาณสำคัญ ทีมงานสามารถจัดทำ Alert พร้อมสรุปว่าเกิดอะไรขึ้น สาเหตุเบื้องต้นคืออะไร มีแนวโน้มขยายตัวเพียงใด และหน่วยงานใดควรรับผิดชอบ

ขั้นตอนที่ 5: เปลี่ยน Social Data เป็น Policy Intelligence

รายงานของ IDA ไม่ได้นำเสนอเพียงจำนวน Mention หรือกราฟ Sentiment แต่สรุปข้อมูลในระดับที่ผู้บริหารใช้ตัดสินใจได้ ได้แก่

• Executive Summary ของสถานการณ์
• ประเด็นบวกและลบที่มีนัยสำคัญ
• Pain Point ที่ประชาชนกล่าวถึงมากที่สุด
• เส้นทาง พื้นที่ หรือช่วงเวลาที่พบปัญหา
• ข้อเสนอแนะที่เกิดขึ้นซ้ำจากหลายกลุ่ม
• สาเหตุและปัจจัยที่ทำให้ประเด็นขยายตัว
• ตัวอย่างข้อความที่สะท้อนบริบทโดยปกปิดข้อมูลส่วนบุคคลตามความเหมาะสม
• ข้อเสนอ Immediate Action, Short-Term Improvement และ Long-Term Policy Development

ตัวอย่างการแปลง Insight ไปสู่การดำเนินงาน ได้แก่

Insight ที่พบ	แนวทางดำเนินการ
ประชาชนเข้าใจเงื่อนไขค่าโดยสารไม่ตรงกัน	ปรับ FAQ, Infographic และข้อความในจุดบริการ
ข้อร้องเรียนกระจุกตัวในบางเส้นทาง	ตรวจสอบความถี่รถ จุดเชื่อมต่อ และกำลังให้บริการ
ระบบดิจิทัลมีปัญหาในช่วงเวลาเร่งด่วน	ประสานทีมเทคนิค เพิ่ม Monitoring และช่องทางสำรอง
ผู้ใช้บางกลุ่มเข้าถึงบริการได้ยาก	ทบทวน User Journey และเพิ่มช่องทางช่วยเหลือ
ข่าวคลาดเคลื่อนเริ่มแพร่กระจาย	ออกคำชี้แจงที่สั้น ชัด และเผยแพร่ในช่องทางต้นเหตุ

ผลลัพธ์ที่เกิดขึ้น

กรณีศึกษานี้สะท้อนผลลัพธ์เชิงคุณภาพที่หน่วยงานสามารถได้รับจากการใช้ Digital Intelligence ได้แก่

• ได้รับรายงานเสียงสะท้อนของประชาชนที่ครอบคลุมและรวดเร็วกว่าการรอผลสำรวจเพียงช่องทางเดียว
• ระบุปัญหาเร่งด่วนและพื้นที่ที่ได้รับผลกระทบ เพื่อส่งต่อให้หน่วยงานรับผิดชอบได้ทันเวลา
• นำข้อเสนอแนะไปประกอบการปรับเส้นทาง จุดเชื่อมต่อ การสื่อสาร และขั้นตอนให้บริการ
• มองเห็นความแตกต่างระหว่างเจตนารมณ์ของนโยบายกับประสบการณ์จริงของประชาชน
• ใช้ข้อมูลเป็นส่วนหนึ่งในการวางแผนพัฒนานโยบายระยะถัดไป
• สร้างภาพลักษณ์ของหน่วยงานที่เปิดกว้าง รับฟัง และตอบสนองต่อประชาชนด้วยหลักฐาน

คุณค่าของ Social Listening ไม่ได้อยู่ที่การรู้ว่าประชาชนพูดอะไรเท่านั้น แต่อยู่ที่ความสามารถในการตอบสนองและปรับปรุงบริการจากสิ่งที่ได้ยิน

KPI ที่ผู้บริหารภาครัฐควรติดตาม

การวัดผลควรครอบคลุมทั้งการรับรู้ ประสบการณ์ประชาชน และประสิทธิภาพการตอบสนอง เช่น

• Volume และแนวโน้มของบทสนทนา
• สัดส่วน Sentiment แยกตามประเด็น
• จำนวนและความรุนแรงของ Pain Point
• ระยะเวลาตั้งแต่ตรวจพบจนถึงส่ง Alert
• ระยะเวลาตั้งแต่รับเรื่องจนถึงแก้ไขหรือชี้แจง
• จำนวนประเด็นที่ส่งต่อไปยังหน่วยงานเจ้าของเรื่อง
• อัตราการลดลงของข้อร้องเรียนซ้ำหลังแก้ไข
• การเปลี่ยนแปลงความเข้าใจและความเชื่อมั่นของประชาชน
• จำนวนข้อเสนอเชิงนโยบายที่ถูกนำไปพิจารณาหรือดำเนินการ

Social Listening ไม่ได้ทดแทนการสำรวจความคิดเห็น

ข้อมูลจากโลกออนไลน์มีข้อจำกัด เนื่องจากผู้แสดงความคิดเห็นไม่จำเป็นต้องเป็นตัวแทนของประชากรทั้งหมด บางกลุ่มอาจใช้งานออนไลน์มากกว่ากลุ่มอื่น และกระแสที่มีเสียงดังอาจไม่ได้สะท้อนความคิดเห็นของคนส่วนใหญ่เสมอไป

แนวทางที่เหมาะสมคือใช้ Social Listening ร่วมกับ

• Survey และการวิจัยเชิงปริมาณ
• Focus Group และการสัมภาษณ์เชิงลึก
• ข้อมูลการใช้บริการจริง
• Complaint และ Contact Center Data
• ข้อมูลภาคสนามจากเจ้าหน้าที่
• Open Data และข้อมูลเชิงพื้นที่

การผสานข้อมูลหลายแหล่งช่วยให้หน่วยงานเข้าใจทั้ง สิ่งที่ประชาชนพูด สิ่งที่ประชาชนทำ และเหตุผลเบื้องหลังประสบการณ์เหล่านั้น

หลักกำกับดูแลที่ต้องให้ความสำคัญ

การวิเคราะห์ข้อมูลสาธารณะต้องดำเนินการอย่างรับผิดชอบ โดยหน่วยงานควร

• เก็บข้อมูลเท่าที่จำเป็นและสอดคล้องกับวัตถุประสงค์
• ปฏิบัติตามกฎหมายและเงื่อนไขของแต่ละแพลตฟอร์ม
• จำกัดการเข้าถึงข้อมูลและจัดเก็บอย่างมั่นคงปลอดภัย
• ปกปิดข้อมูลส่วนบุคคลเมื่อจัดทำรายงานตามความเหมาะสม
• ไม่ใช้ข้อมูลเพื่อเฝ้าติดตามหรือเลือกปฏิบัติต่อประชาชน
• ตรวจสอบ Bias และข้อจำกัดของ AI หรือ Sentiment Model
• ให้มนุษย์ตรวจสอบก่อนตัดสินใจในประเด็นที่มีผลกระทบสูง

Digital Intelligence & Reputation ของ IDA

Intelligent Data Analytic (IDA) พร้อมสนับสนุนหน่วยงานภาครัฐในการเปลี่ยนข้อมูลออนไลน์ให้เป็นข่าวกรองสำหรับการตัดสินใจ ครอบคลุม

• Social Listening & Monitoring
• Policy and Public Sentiment Analysis
• Issue and Crisis Early Warning
• Geographic and Stakeholder Insight
• Executive Dashboard และ Situation Report
• Strategic Communication Recommendation
• Reputation Risk Monitoring
• Data Governance และ Responsible Analytics

เป้าหมายไม่ใช่เพียงการติดตามกระแส แต่คือการทำให้หน่วยงานมองเห็นปัญหาเร็ว เข้าใจประชาชนลึกขึ้น และพัฒนานโยบายบนพื้นฐานของข้อมูลที่ตรวจสอบได้

บทสรุป

ในยุคที่ประชาชนสะท้อนประสบการณ์ผ่านช่องทางออนไลน์ตลอดเวลา หน่วยงานภาครัฐจำเป็นต้องมีระบบรับฟังที่รวดเร็ว เป็นระบบ และเชื่อมต่อกับกระบวนการตัดสินใจ

Digital Intelligence ช่วยเปลี่ยนบทสนทนาจำนวนมหาศาลให้เป็น Issue, Insight และข้อเสนอเชิงนโยบาย แต่เทคโนโลยีเพียงอย่างเดียวไม่เพียงพอ ความสำเร็จขึ้นอยู่กับการกำหนดโจทย์ที่ชัดเจน การตรวจสอบบริบทโดยผู้เชี่ยวชาญ การคุ้มครองข้อมูล และการมีหน่วยงานเจ้าของเรื่องที่พร้อมนำ Insight ไปลงมือแก้ไข

หน่วยงานที่รับฟังอย่างแท้จริงจึงไม่ใช่หน่วยงานที่มีข้อมูลมากที่สุด แต่คือหน่วยงานที่สามารถนำเสียงประชาชนไปปรับปรุงบริการ และสื่อสารผลการดำเนินงานกลับสู่ประชาชนได้อย่างโปร่งใส

เกี่ยวกับผู้เขียน

อาจารย์ปรเมศร์ เพียรสกุล ผู้เชี่ยวชาญด้านความมั่นคงปลอดภัยไซเบอร์ (Cybersecurity) ปัญญาประดิษฐ์ (Artificial Intelligence: AI) และการวิเคราะห์ข้อมูลเชิงกลยุทธ์ ปัจจุบันดำรงตำแหน่ง ประธานเจ้าหน้าที่บริหาร (Chief Executive Officer: CEO) และผู้ก่อตั้ง บริษัท อินเทลลิเจนท์ ดาต้า อนาไลติค จำกัด โดยมุ่งพัฒนาและประยุกต์ใช้เทคโนโลยี เพื่อเปลี่ยนข้อมูลให้เป็นข่าวกรองที่เชื่อถือได้สำหรับการตัดสินใจของผู้บริหารและองค์กรอย่างมีประสิทธิภาพและยั่งยืน

#DigitalIntelligence #SocialListening #PublicPolicy #PublicSentiment #DataDrivenGovernment