สัมภาษณ์ Finnomena สตาร์ทอัพสาย Fintech – ใช้ Big Data มาจัดการกองทุนยังไง ให้ตรงใจลูกค้า

fintech big data finnomena

เชื่อว่าหลายๆคนต้องมีความคิดอยากลงทุน หรือ เริ่มลงทุนไปกับสินทรัพย์ต่างๆบ้างแล้ว วันนี้แจนได้มีโอกาสมาสัมภาษณ์ Finnomena ซึ่งเป็น Fintech Startup ที่มีการนำ Deep Learning มาใช้เพื่อให้นักลงทุนได้ผลตอบแทนจากกองทุนดีที่สุด จะเป็นยังไงนั้นไปตามอ่านกันเลย 

Data Scientist Product Manager Finnomena
พี่แก้ว (คนซ้าย) Head of data team , พี่ธาม (คนขวา) Product Manager ที่ Finnomena

แอดแจน : สวัสดีค่ะ ให้น้องๆแนะนำตัวเองกันหน่อยค่า 

พี่แก้ว : สวัสดีค่ะ ชื่อแก้วนะคะ ปัจจุบันเป็น Head of data team ดูแลทีม Data ของ Finnomena ค่ะ โดยจะดูตั้งแต่ในเรื่องของการเก็บข้อมูล นำข้อมูลมาวิเคราะห์ นำเสนอทางแก้ปัญหาและตัดสินใจ ผ่านข้อมูลที่มีทั้งหมดค่ะ 

พี่ธาม : ผมชื่อธามครับ ตอนนี้เป็น Product Manager ที่ Finnomena ดูเรื่อง Feasibility และการออก Product , Features ใหม่ๆที่ตอบโจทย์ลูกค้า ครับ โดยจะทำงานร่วมกับ 3 ทีมคือ Tech , Design และ Business ครับ 

แอดแจน : เล่าให้ฟังหน่อยค่ะว่า Finnomena เกิดขึ้นมาได้ยังไง

พี่ธาม : เล่าไปถึงแต่ก่อนครับ ว่าถ้าเด็กจบใหม่จะเริ่มลงทุนในกองทุน จะมีอุปสรรคหลายอย่างมากเลยครับ เช่น ความรู้เรื่องการลงทุน เงินทุนในการเริ่มต้น และอื่นๆ ซึ่งธนาคารในช่วงนั้น ก็จะดูแล Port การลงทุนที่มีมูลค่าสูงๆเลยครับ เช่น 10-20 ล้านขึ้นไป Finnomena เห็น Painpoint ในจุดนั้น เราจึงอยากเป็นช่องทางที่ให้ความรู้ ที่จะทำให้ความรู้ด้านการลงทุนนี้ไปสู่คนทั่วไปมากยิ่งขึ้น 

พี่แก้ว : Finnomena เป็น FinTech Startup ที่ให้คำแนะนำการจัดพอร์ตกองทุนรวมผ่านเทคโนโลยี Robo-advisor และเป็นแหล่งรวมข้อมูลความรู้ทางด้านการลงทุนค่ะ

แอดแจน :  Good Start มากค่ะ แล้วที่ Finnomena มีการนำข้อมูลมาใช้ยังไงบ้าง

พี่แก้ว : แก้วขอเแบ่งการใช้ข้อมูลใน Finnomena เป็น 2 ประเภทใหญ่ๆ คือ 1) การใช้ข้อมูลภายในองค์กร และ 2) การใช้ข้อมูลเพื่อให้ออกเป็น Data Product 

1) สำหรับการใช้ข้อมูลภายในองค์กร (Operation & Management) จริงๆแล้ว Data ได้แทรกซึมอยู่ในทุกๆทีมใน Finnomena เลยค่ะ ไม่ว่าจะเป็นทีม Marketing , Traction, อื่นๆ ทีม Data มีหน้าที่ในการซัพพอร์ตทุกๆทีม เพื่อให้เขาทำงานอย่างมีประสิทธิภาพ และสามารถสร้างสรรสิ่งที่ดีๆ ออกมาได้ ยกตัวอย่างเช่น ในทีมการตลาดเมื่อมีการออกแคมเปญอะไรไป ทีมเราจะมีหน้า Dashboard ที่ใช้แสดงผลข้อมูลกันภายใน ที่สามารถดูข้อมูลจำพวก lead , spend ของแต่ละแคมเปญได้ มีการแบ่งกลุ่ม segment ของลูกค้า รวมถึงเราสามารถดูได้ว่าคอนเท้นท์แบบไหนที่ถูกใจลูกค้ามากที่สุด โดยดูจากยอดกด click , เวลาโดยเฉลี่ยที่ user แต่ละคนเข้ามาดูคอนเท้นท์ของเรา วิเคราะห์ว่าคอนเท้นท์ที่มี engagement สูงๆ ก็จะนำมาเป็นเป็นแนวทางในการสร้างคอนเท้นท์อันต่อไป ซึ่งเราได้ข้อมูลเหล่านี้จาก Website, App และ Social media ค่ะ

Customer Segmentation Finnomena
Customer Segmentation – Finnomena

พี่ธาม : สำหรับในส่วนของข้อ 2) การใช้ข้อมูลเพื่อให้ออกเป็น Data Product 

ทีม Product ก็จะมีการเก็บข้อมูลของลูกค้า เช่น พฤติกรรมของลูกค้าในอดีต ความคาดหวังผลตอบแทน เปอร์เซ็นต์การยอมรับความเสี่ยงของแต่ละคน เพื่อออกสินค้าต่างๆ เช่น การช่วยให้คิดแผนการลงทุนให้กับลูกค้าแต่ละคน ตามเป้าหมายของลูกค้า หรือการทำ Content Recommendation แบบ Personalize รายบุคคล  โดยดูจากข้อมูลพฤติกรรมการอ่าน content ลูกค้าในอดีต

Content reccommendation Finnomena
Content recommendation – Finnomena

นอกจากนี้ เรายังมี FINNOMENA Best-in-Class (BIC) ที่ใช้ Deep learning จาก Big Data มาคำนวนคัดสรร 3 กองทุนที่ดีที่สุดในเวลานั้นๆ ให้กับนักลงทุน

กลยุทธ์การคัดเลือกกองทุนของบริการ Best-In-Class จะหากองทุนที่คาดว่าจะมีผลการดำเนินงานสูงกว่าค่าเฉลี่ยของกองทุนในกลุ่มนั้นๆ ในอีก 6 เดือนข้างหน้า โดยคัดเลือกออกมา 3 อันดับผ่านโมเดลการคำนวณในรูปแบบ Deep Learning ที่นำข้อมูลกองทุนเข้ามาคำนวณ

เมื่อโมเดลทำนายกองทุนที่ต้องการออกมาแล้ว จะทำการ Back Test เพื่อหา Rolling Return และ Return Distribution ที่เป็นบวก ทั้งนี้ในส่วนของข้อมูลต่างๆ FINNOMENA ยังมีสถาปัตยกรรมเพื่อรองรับฐานข้อมูลมหาศาลจากพาร์ทเนอร์ด้านข้อมูลของเรา อาทิเช่น Morningstar, ตลาดหลักทรัพย์แห่งประเทศไทย เพื่อให้มั่นใจได้ถึงความถูกต้องแม่นยำของข้อมูล

FINNOMENA Best in Class BIC
FINNOMENA Best-in-Class (BIC) ที่ใช้ Deep learning จาก Big Data มาคำนวนคัดสรร 3 กองทุนที่ดีที่สุดในเวลานั้นๆ ให้กับนักลงทุน

แอดแจน :  สุดยอดมากๆเลยค่ะ ช่วยเล่าวิธีการทำงานของ Finnomena หน่อยค่า

พี่แก้ว :  การทำงานภายในของ Finnomane ก็จะแบ่งเป็นทีม 3 ทีม คือ 

  1. Business : ประกอบด้วยฝ่าย Data , Product , Marketing , Traction 
  2. Design : ประกอบด้วยฝ่าย User Experience / User Interface
  3. Technology : ประกอบด้วยฝ่าย Development

ในการทำโปรเจ็กต์ใหม่ๆ เราก็จะทำงานร่วมกันทั้งสามทีม ตั้งแต่ช่วงที่ยังเป็นไอเดียเลย เพื่อให้ทีม Design และ Technology เข้าใจ และ รู้สึกเป็นส่วนหนึ่งของโปรเจ็กต์มากยิ่งขึ้น นอกจากนี้ในหลายๆครั้ง เมื่อคนจากหลากหลายความคิดมารวมตัวกัน ก็จะทำให้มีเกิดการมองจากหลายมุมมอง เช่น ทีม Business ก็มีความเข้าใจความต้องการและ Painpoint ของลูกค้า ทีม Design ก็จะสามารถเปลี่ยนความต้องการของลูกค้าเป็นดีไซน์ต่างๆ ที่ช่วยเสริมสร้างประสบการณ์ที่ดีให้กับลูกค้า ทีม Tech ก็จะเข้าใจ Technology และ Algorithm ต่างๆ มากกว่า ก็จะรู้ว่าต้องใช้อะไรมาช่วย เช่น ทำยังไงถึงจะสามารถดัน SEO ให้สูงขึ้นได้ 

พี่ธาม : ส่วนทีม Product เราใช้ Kano Model ในการพัฒนาตัวสินค้าใหม่ๆ โดยดูจาก 3 เรื่องหลักคือ

  1. Threshold Attributes (Basics) ฟีเจอร์สพื้นฐานที่ลูกค้าต้องการ 
  2. Performance Attributes (Satisfiers)  เป็นสิ่งที่แบรนด์มอบให้ลูกค้า มากกว่าปัจจัยขั้นพื้นฐาน เพื่อเพิ่มประสบการณ์ที่ดีกว่าในการใช้บริการ / สินค้า
  3. Excitement Attributes (Delighters) มีจุดเซอร์ไพรสที่ลูกค้าคาดไม่ถึง ซึ่งบางฟีเจอร์สตัวลูกค้าเอง ยังไม่รู้ด้วยซ้ำว่าตัวเองต้องการ ทางทีมก็มีการตั้งสมมติฐานและทดลองกันอย่างต่อเนื่องครับ เพื่อดูว่า Features ใหม่ๆที่ออกไปสามารถทำให้ลูกค้า Delight ไหม โดยดูจากหลายๆตัวแปร เช่น Retention Rate 
Kano Model
Finnomena มีการใช้ Kano Model เพื่อออกแบบผลิตภัณฑ์ใหม่ๆ

แอดแจน : คนที่ Finnomena มี Personality แบบไหน แล้วมี Culture การทำงานกันยังไงคะ 

พี่แก้ว : คนส่วนใหญ่จะมีอายุอยู่ในช่วง 26-37 ปี มีบ้างกับตำแหน่ง Senior ที่อายุอยู่ที่สี่สิบกว่าๆ ที่มี Mindset วัยรุ่น และ ทันสมัย ซึ่งทำให้เราสามารถให้เขาช่วยไกด์แนวทางต่างๆ ได้ 

Mindset ของคนในองค์กรเราเป็นองค์กรที่ขับเคลื่อนด้วยข้อมูล เวลาที่จะตัดสินใจทำอะไร จะอ้างอิงจากข้อมูลเป็นหลัก เพราะข้อมูลคือค่าที่เกิดขึ้นจริงค่ะ 

นอกจากนี้ เรามียัง Culture ในองค์กรสะท้อนผ่าน ARROW คือ 

A – Amoeba คือ การทำงานร่วมกันในระบบอะมีบา โดยทีมงานแต่ละคนสามารถ “เลือก” ที่จะมีส่วนร่วมในหลาย ๆ Team/Taskforce/Project ได้ 

R – Relationship : การมีความสัมพันธ์กับเพื่อนร่วมงานที่ดี มี Empathy คือเอาใจเขามาใส่ใจเรา

R – Reality : เราเน้นที่ความสัมพันธ์ที่ดี แต่ต้องกล้าที่จะพูดกันตรง ๆ ตามความจริงที่เกิดขึ้น reflect กันและกัน และเข้าใจความจริงให้มากขึ้น ดี/ไม่ดี เสร็จ/ไม่เสร็จ ใช่/ไม่ใช่ ต้องกล้าเปิดเผยและจริงใจต่อกัน แต่ต้องสื่อสารกันโดยคำนึงถึง Relationship ด้วยนะครับ

O – OKRs : คือการมีเป้าหมายที่ชัดเจนร่วมกัน มีตัวชี้วัดที่ชัดเจน มี reward & motivation ในการทำงานที่ชัดเจน จะทำการสิ่งใดไม่ว่าจะอยู่อะมีบาวงไหน ก็ร่วมกันนึกถึงเป้าหมายที่มีร่วมกันไว้เสมอ

W – WOW : คือการตั้งใจทำให้ดีเหนือความคาดหมาย ไม่ว่าจะเป็นการให้บริการต่อลูกค้า การดูแลพนักงาน การดูแล business partner หรือการดูแลกันเองระหว่างเพื่อนพนักงาน ทำให้ดีเหนือกว่าที่คาดหมาย WoWoWoW เข้าไว้

โดยสิ่งที่แก้วรู้สึกชัดเจนมากที่สุดจะเป็นในส่วนของ Amoeba และ Reality ค่ะ ทุกคนน่ารู้จักตัวอามีบา ( Amoeba) กันเป็นอย่างดี ลักษณะของมันคือใน 1 ตัว จะสามารถแบ่งเซลล์เพิ่มได้อีก เปรียบเสมือนคนที่ Finnomena ที่ 1 คนจะรับผิดชอบหลายงาน ส่วน Reality นั้นจะเป็นในเชิงของความจริงใจ คือเวลามีปัญหา อะไรก็สามารถพูดกันได้ตรงๆ สามารถ  feedback ได้อย่างตรงไปตรงมา ทั้งนี้ทำไปด้วยความหวังดี ว่าอยากให้เขาพัฒนาในส่วนต่างๆได้ดีขึ้น  

พี่ธาม : ส่วนใหญ่คนที่ทำงานที่นี่ จะเป็นคนที่ “ดื้อ” เชื่อมั่นในตัวเองมากครับ 555 ถ้าเราอยากทดลองทำอะไรซักอย่างแล้ว จะลงมือทำเลย ด้วยความที่ culture ของเรามีความเป็น sandbox ด้วย เป็นสนามเด็กเล่นให้ทุกคนได้เล่น ลงมือทำ และรับ Feedback กลับมาครับ สำเร็จบ้าง ไม่สำเร็จบ้าง แต่สิ่งสำคัญคือได้เรียนรู้อะไรใหม่ๆ fail fast,learn fast ครับ 

แอดแจน :  Next step ของ Finnomena จะไปในทิศทางไหน

น้องธาม : ฝ่าย Product ก็มีเป้าหมายให้ Finnomena ส่งมอบความรู้สึกอุ่นใจ ในการลงทุนให้กับลูกค้าทุกกลุ่ม มีความเป็น Humanize มากขึ้นในตัวสินค้าที่เป็นออนไลน์ให้ touch ไปกับลูกค้าทุกกลุ่ม โดยเฉพาะผู้สููงอายุ เพราะเรื่องการลงทุนผ่าน Robo-advisorเป็นเรื่องใหม่ และเงินก็เป็นเรื่องใหญ่สำหรับเขา เราจึงต้องเพิ่มความละเอียดอ่อน เข้าไปในทุก Customer Journey เช่น มีการทำ Personalized Content บนหน้าแอพ ตามลูกค้าแต่ละคน เพื่อให้เกิดความเชื่อมโยง (related) และเกิดการมีส่วนร่วม (engage) ระหว่างเราและผู้ใช้งานมากยิ่งขึ้น 

โดย Finnomena จะออก Features ใหม่เพื่อช่วยให้การลงทุนเป็นเรื่องที่ง่าย และ รู้สึกปลอดภัยมากขึ้น คือเพิ่ม ‘กูรูพอร์ต’ ที่ให้ลูกค้าสามารถเปิดพอร์ตจำลอง ทดลองเลือกหุ้นต่างๆที่สนใจ และจำลองการลงทุน จากนั้นกลับดูกูรูพอร์ต ว่าคาดการณ์ผลตอบแทนเท่าไหร่ ถ้าพึงพอใจผลกำไรในตัวเลขผลตอบแทนเมื่อไหร่ก็ค่อยซื้อหุ้นตามพอร์ตที่วางไว้ นอกจากนี้ยังวางแผน crowsourcing ที่ให้นักลงทุนสามารถแชร์กูรูพอร์ตของตัวเองได้อีกด้วย 

พี่แก้ว : ทุกวันนี้ Customer Journey มีความซับซ้อนมากยิ่งขึ้น สิ่งสำคัญคือการส่งมอบส่งที่สามารถสร้าง Value ให้กับลูกค้าได้ หา Gloden Path ให้เจอ ทดลองไปเรื่อยๆ ว่าเพิ่ม Features นี้แล้ว ลูกค้ามีฟีดแบคกลับมาอย่างไร ผ่านเครื่องมือต่างๆ เช่น ข้อมูล , A/B Testing , % engagement

นอกจากนี้ FINNOMENA กำลังรับสมัคร Data Engineer และ Junior Data Analyst นะคะ เผื่อใครอยากมาทำอะไรสนุกๆ ใหม่ๆด้วยกัน :D ใครสนใจก็ส่ง resume มาที่ [email protected] ได้เลยย

แอดแจน : สิ่งที่อยากฝากให้คนที่สนใจงานด้าน Data Scientist หน่อยค่า

พี่แก้ว : ใครที่สนใจอยากเริ่มงานด้าน Data Science อยากให้เรียนรู้พื้นฐานด้ารธุรกิจควบคู่กันไปด้วย อาจเริ่มต้นจากการเป็น Data Analyst ก่อน โดยเอาข้อมูลที่เก็บในแต่ละส่วนของธุรกิจมาวิเคราะห์ เพื่อให้เข้าใจภาพรวมก่อน แล้วค่อยลงลึกด้านทักษะการเขียนโปรแกรม พอถึงตอนนั้นเราก็จะรู้ว่าถ้าเจอข้อมูลแบบนี้ เราสามารถทำอะไรเพิ่มขึ้นได้บ้าง หรือ ธุรกิจที่เราทำควรเก็บข้อมูลอะไรเพิ่ม เพื่อตอบคำถามทางธุรกิจค่ะ

Mindset ที่ Data Scientist ควรจะมีด้วยคือ Curiousity หรือความอยากรู้อยากเห็น เพราะเราต้องการ Insight จากข้อมูลมหาศาลที่เรามี เราต้องตั้งคำถาม ต้องสงสัย เช่น ถ้าเราทำข้อมูลออกมาแล้วเห็นค่าแปลกๆ เราก็ต้องสงสัยละว่าทำไมถึงได้ค่านี้ออกมาแล้วก็ต้องหาสาเหตุให้เจอค่ะ

พี่ธาม : การที่จะเราจะเก่งขึ้น ก่อนอื่นเราต้อง aware ก่อนว่าเราขาดทักษะในด้านไหนบ้าง เข้าใจสิ่งที่บริษัทกำลังมองหา แล้วดูว่า Potential ของเราไปถึงจุดไหนแล้วหรือยัง? หากว่ายัง แล้วทักษะด้านไหนบ้างที่เราต้องพัฒนา

สรุปบทสัมภาษณ์ Finnomena: Startup สาย Fintech

ใครที่กำลังคิดไม่ตกว่าจะลงทุนในกองทุนไหนดี หรืออยากหาบทความเจ๋งๆมาเพื่อความรู้ด้านการเงิน ไปกดดูได้ที่ Finnomena เลยค่ะ ส่วนวันนี้แจนขอตัวไปเลือกกองทุนเพิ่มความมั่งคั่งให้ชีวิตก่อนนะ 5555 อยากให้แจนไปสัมภาษณ์ใครเพิ่มเติม หรือมีฟีดแบ็คต่างๆ ก็ทักมาคุยกันได้ที่ Data Science ชิลชิล ค่า

บทความอื่น ๆ ที่เกี่ยวข้อง

เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ นโยบายความเป็นส่วนตัว และสามารถจัดการความเป็นส่วนตัวเองได้ของคุณได้เองโดยคลิกที่ ตั้งค่า

Privacy Preferences

คุณสามารถเลือกการตั้งค่าคุกกี้โดยเปิด/ปิด คุกกี้ในแต่ละประเภทได้ตามความต้องการ ยกเว้น คุกกี้ที่จำเป็น

Allow All
Manage Consent Preferences
  • Always Active

Save