Data Cleaning โครงสร้างพื้นฐานที่ไม่มีใครเห็น แต่ถ้าไม่มี AI และ ESG พังทั้งระบบ

ในโลกธุรกิจปัจจุบัน องค์กรกำลังถูกขนาบข้างด้วยสองคลื่นยักษ์ที่ถาโถมเข้ามาพร้อมกัน ทั้ง AI & Data-driven Transformation ซึ่งเป็นความพยายามเปลี่ยนผ่านสู่การเป็นองค์กรอัจฉริยะ รวมถึง ESG แรงกดดันด้านความยั่งยืนและการเติบโตอย่างรับผิดชอบ แต่ปัญหาที่หลายองค์กรกำลังเผชิญคือ ‘เครื่องยนต์แรงแต่เชื้อเพลิงสกปรก ผลที่ได้คือ AI คำนวณพลาด, รายงาน ESG ขาดความน่าเชื่อถือ, นักลงทุนตั้งคำถาม และหน่วยงานกำกับดูแลไม่ไว้วางใจ ต้นตอไม่ใช่ความล้มเหลวของเทคโนโลยี แต่คือ ‘คุณภาพของข้อมูล’ และนี่คือจุดที่ Data Cleaning ก้าวเข้ามาเชื่อมโยงสมองกล (AI) เข้ากับหัวใจสีเขียว (ESG)

การชำระล้างข้อมูล (Data Cleansing) คือกระบวนการตรวจค้นและแก้ไขข้อมูลที่คลาดเคลื่อน ไม่สมบูรณ์ หรือไม่เกี่ยวข้องในชุดข้อมูล เพื่อยกระดับคุณภาพให้พร้อมนำไปวิเคราะห์ใช้ประโยชน์ แต่ในมิติของความยั่งยืน Data Cleaning ไม่ใช่แค่การลบข้อมูลที่พิมพ์ผิด หรือข้อมูลที่บิดเบือน ไม่ถูกต้อง แต่คือการเปลี่ยน ’ข้อมูลขยะ’ ให้กลายเป็นสินทรัพย์ที่ตรวจสอบได้ผ่าน 4 แกนสำคัญ ได้แก่ Accurate & Auditable (ถูกต้องและต้องย้อนกลับไปดูที่มาได้ทุกจุด), Consistent (ข้อมูลจากฝ่ายผลิต ฝ่ายบุคคล และฝ่ายจัดซื้อต้องพูดภาษาเดียวกัน), Complete (ครบถ้วนพอที่จะตอบโจทย์เกณฑ์มาตรฐานโลก) และ Trustworthy (น่าเชื่อถือในระดับที่กล้าวางเดิมพันด้วยชื่อเสียงองค์กร)

เปรียบเทียบให้เห็นภาพ ถ้า AI คือ ‘สมอง‘ และ Data คือ ’เส้นประสาท‘ การทำ Data Cleaning ก็คือการทำให้ระบบประสาทไม่ส่งสัญญาณหลอกไปที่สมอง

เหตุใด ESG จะล่มสลาย หากไร้ซึ่ง Data Cleaning?

1. ปราการด่านแรกของความเชื่อถือ : ESG ไม่ใช่แค่การทำดี แต่คือการพิสูจน์ได้ว่าดีจริง หากข้อมูลคาร์บอนฟุตพรินต์คลาดเคลื่อน หรือห่วงโซ่อุปทานมีรอยด่างพร้อยที่ถูกมองข้าม องค์กรจะเผชิญกับข้อหา Greenwashing (การฟอกเขียว) ซึ่งรุนแรงพอจะทำลายความเชื่อมั่นในตลาดทุนได้ในข้ามคืน

2. AI ต้องแม่นยำกว่าแค่การเดาใจลูกค้า : AI ในงานการตลาดอาจผิดพลาดได้บ้าง แต่ AI สำหรับ ESG นั้น แบกความรับผิดชอบสูงกว่ามาก เพราะถูกใช้เพื่อคำนวณการปล่อยก๊าซเรือนกระจก (Scope 1–3), วิเคราะห์ความเสี่ยงด้านสภาพภูมิอากาศ (Climate Risk) และตรวจจับการทุจริตและการละเมิดจรรยาบรรณ (Compliance Breach)

หากข้อมูลต้นทางสกปรก AI จะกลายเป็นเครื่องเร่งความผิดพลาดให้ลุกลามไปทั้งระบบ เพราะฉะนั้นต้องหยุด “Garbage In, Garbage Out” (GIGO) 

Gartner ระบุว่าคุณภาพข้อมูลที่แย่ (Poor Data Quality) ทำให้องค์กรสูญเสียรายได้เฉลี่ยปีละ 12.9 ล้านดอลลาร์สหรัฐฯ และเป็นอุปสรรคสำคัญที่สุดในการปรับใช้ AI ในระดับองค์กร ขณะที่  MIT Sloan Management Review มีงานวิจัยที่ชี้ให้เห็นว่าข้อมูลที่ไม่ได้รับการทำความสะอาด จะทำให้โมเดล AI พยากรณ์ผิดพลาดและสร้างความเสียหายต่อการตัดสินใจเชิงกลยุทธ์

3. การสร้าง ‘ความจริงชุดเดียว’ (Single Source of Truth) : ข้อมูล ESG มักกระจัดกระจายอยู่ใน ERP, ระบบ HR, แพลตฟอร์มซัพพลายเออร์ ไปจนถึงบิลค่าไฟ หากไม่ผ่านการ Harmonization (ทำให้สอดคล้อง) องค์กรจะไม่มีวันเห็นภาพจริงที่ชัดเจน และไม่สามารถตอบคำถามผู้มีส่วนได้ส่วนเสียได้อย่างเต็มปาก

เมื่อข้อมูลพลังงานและคาร์บอนสะอาดพอ AI จะเปลี่ยนหน้าที่จากการทำรายงานส่งท้ายปี มาเป็นการทำ Carbon Trajectory พยากรณ์เส้นทางสู่ Net Zero และจำลองผลกระทบเชิงกลยุทธ์ล่วงหน้า ช่วยให้การลงทุนในเทคโนโลยีสีเขียวแม่นยำและคุ้มค่าที่สุด

Data Cleaning ยังช่วยให้ AI สามารถมองทะลุตัวเลข ไปจนถึงการตรวจจับความเสี่ยงด้านสิทธิมนุษยชนในซัพพลายเชน หรือคาดการณ์จุดเสี่ยงที่จะเกิดอุบัติเหตุในโรงงาน เปลี่ยนงานเชิงรับ (Reactive) ให้กลายเป็นการป้องกันเชิงรุก (Proactive)

ขณะเดียวกัน การเชื่อมโยงข้อมูลโครงสร้างบอร์ด ความขัดแย้งทางผลประโยชน์ และข้อมูลธุรกรรมทางการเงินที่สะอาด จะช่วยให้ AI สามารถตรวจจับความผิดปกติและลดความเสี่ยงจากการถูกลงโทษโดยหน่วยงานกำกับดูแล  

โดย OECD AI Principles ย้ำว่า AI ต้อง โปร่งใสและอธิบายได้ ซึ่งจะเกิดขึ้นได้ก็ต่อเมื่อข้อมูลตั้งต้นถูกจัดการอย่างเป็นระบบ รู้ที่มา ตรวจสอบย้อนหลังได้ และไม่มีข้อผิดพลาดตั้งแต่ต้นทาง

Data Cleaning จึงไม่ใช่งานไอทีที่น่าเบื่อ แต่คือกลไกป้องกันความเสี่ยงทางธุรกิจ ที่ช่วยให้องค์กรเข้าถึงแหล่งเงินทุนสีเขียวได้อย่างน่าเชื่อถือ รองรับกฎระเบียบใหม่ได้อย่างมั่นใจ และทำให้การใช้ AI เป็นไปอย่างโปร่งใส มีจริยธรรม และตรวจสอบได้ ที่สำคัญคือช่วยลดความเสี่ยงจากการฟอกเขียว (Greenwashing) เพราะข้อมูลที่สะอาดและตรวจสอบย้อนกลับได้ ทำให้การอ้างด้านความยั่งยืนตั้งอยู่บนข้อเท็จจริง ไม่ใช่ภาพลักษณ์

PwC Global Investor Survey ระบุว่านักลงทุนกว่า 94% กังวลว่ารายงานด้านความยั่งยืนของบริษัทมีข้อมูลที่เกินจริงหรือไม่น่าเชื่อถือ ทำให้ความโปร่งใสของข้อมูล (Data Integrity) กลายเป็นหัวใจสำคัญ

ขณะที่มาตรฐานสากลอย่าง IFRS–ISSB เน้นย้ำว่าข้อมูล ESG ต้องเปรียบเทียบกันได้ และตรวจสอบได้จริง ซึ่งจะเกิดขึ้นไม่ได้เลย หากไม่มีระบบ Data Cleaning ที่เข้มแข็งและเป็นมาตรฐานตั้งแต่ต้น

โรงงานที่ใช้ AI วิเคราะห์ Scope 3 การปล่อยก๊าซเรือนกระจกทางอ้อมทั้งหมดที่เกิดขึ้นในห่วงโซ่คุณค่าขององค์กร ทั้งต้นน้ำและปลายน้ำ ซึ่งไม่ใช่การปล่อยตรงจากกิจกรรมขององค์กรเอง (Scope 1) และไม่ใช่ไฟฟ้าหรือพลังงานที่ซื้อมาใช้ (Scope 2) โดยไม่ทำ Data Cleaning อาจพบความผิดพลาดของตัวเลขสูงถึง 25% จากหน่วยวัดที่ต่างกันหรือปีฐานที่สลับกัน ทำให้เจรจากับคู่ค้าผิดพลาด แต่เมื่อปรับโครงสร้างข้อมูลให้สะอาด ESG จะเปลี่ยนจากภาระต้นทุนกลายเป็นเครื่องมือสร้างมูลค่าที่ทำให้องค์กรเหนือกว่าคู่แข่งในทุกมิติได้

ทั้งนี้ Boston Consulting Group (BCG) ระบุว่าบริษัทที่ใช้ดิจิทัลและ AI ในการจัดการข้อมูลความยั่งยืน สามารถลดการปล่อยคาร์บอนได้จริงมากกว่าบริษัทที่ไม่ใช้ถึง 5-10% และช่วยลดความคลาดเคลื่อนในการคำนวณคาร์บอนได้อย่างมหาศาล

ในโลกที่ AI ถูกใช้ตัดสินใจแทนมนุษย์ และ ESG ถูกใช้ตัดสินคุณค่าขององค์กรในสายตานักลงทุน ความถูกต้องของข้อมูลไม่ใช่เรื่องเทคนิคอีกต่อไป แต่คือ ทุนทางชื่อเสียง (Reputation Capital)

Data Cleaning จึงไม่ใช่ค่าใช้จ่ายที่ฟุ่มเฟือย แต่คือ ระบบภูมิคุ้มกันทางธุรกิจ ไม่ใช่แค่งานหลังบ้าน แต่คือโครงสร้างความเชื่อถือของตลาดทุน ไม่ใช่เรื่อง IT แต่คือรากฐานขององค์กรอัจฉริยะและยั่งยืน

องค์กรที่ทำ Data Cleaning ได้ดี จะไม่เพียงรายงาน ESG ได้ตรง แต่จะคาดการณ์อนาคตได้แม่น, ลงทุนสีเขียวได้คุ้ม, และ ใช้ AI ได้อย่างโปร่งใส ตรวจสอบได้ และมีจริยธรรม

เพราะในยุคที่ทุกคนพูดถึง AI และ ESG ผู้ชนะตัวจริง คือองค์กรที่เริ่มจากข้อมูลที่สะอาดที่สุด

ที่มา :

• What are Scope 3 emissions and why do they matter? | The Carbon Trust
• Data Quality in AI – IBM Research
• What is data cleaning?