กौतัม สิงห์ ผู้บริหารระดับสูงของ WNS Analytics – ซีรีส์สัมภาษณ์

กौतัม สิงห์ เป็นผู้บริหารระดับสูงของ WNS Analytics และเป็นผู้ร่วมก่อตั้งและซีอีโอของ The Smart Cube ซึ่งเป็นบริษัทในเครือของ WNS เขาใช้เวลา 20 ปีในการก่อตั้งและขยาย The Smart Cube (ผู้นำด้านการวิจัยและวิเคราะห์) ก่อนที่จะถูกซื้อโดย WNS ก่อนหน้านี้เขา曾ทำงานในด้านที่ปรึกษาการจัดการและทุนร่วมลงทุนในยุโรปและสหรัฐอเมริกา กAUTAM มีประสบการณ์ในหลายตำแหน่ง รวมถึงตำแหน่งที่ Coven Partners (ลอนดอน) A.T. Kearney (ลอนดอน) Mitsubishi Motors (อินเดีย) และ Cummins Engines (สหรัฐอเมริกา) เขาได้รับวุฒิปริญญาโทด้านบริหารธุรกิจจากมหาวิทยาลัยมิชิแกน แอนน์ อาร์เบอร์ สหรัฐอเมริกา และปริญญาตรีด้านวิศวกรรมเครื่องกลจาก IIT Bombay อินเดีย

WNS Analytics ช่วยให้บริษัทต่างๆ สามารถเปลี่ยนข้อมูลของตนให้เป็นคุณค่าเชิงกลยุทธ์ผ่าน “การวิเคราะห์ข้อมูล” – การรวมโครงสร้างพื้นฐานข้อมูลที่แข็งแกร่ง เทคโนโลยี AI/GenAI/agentic-AI และความเชี่ยวชาญเฉพาะด้าน พวกเขามีบริการที่ครอบคลุมอุตสาหกรรมต่างๆ รวมถึงประกัน การธนาคารและบริการทางการเงิน ค้าปลีก สินค้าอุปโภคบริโภค การผลิต การดูแลสุขภาพ พลังงาน และ物流 ความสามารถของพวกเขาคือการวิเคราะห์ข้อมูล การจัดการข้อมูล และการแสดงภาพข้อมูล – ทั้งหมดนี้ได้รับการออกแบบมาเพื่อให้การตัดสินใจที่รวดเร็วและแม่นยำยิ่งขึ้น และนวัตกรรมที่ต่อเนื่อง

คุณเริ่มอาชีพของคุณในด้านที่ปรึกษาการจัดการระดับสูง จากนั้นก่อตั้ง The Smart Cube และนำมาเป็นเวลาเกิน 20 ปีก่อนที่จะถูกซื้อโดย WNS สิ่งใดคือแรงจูงใจในการเปลี่ยนแปลงของคุณจากที่ปรึกษาสู่การเป็นผู้ประกอบการ และต่อมาเป็นผู้นำธุรกิจวิเคราะห์ข้อมูลและ AI ระดับโลก?

ฉันใช้เวลา 10 ปีในการที่ปรึกษาการจัดการและเห็นช่องว่างในตลาดที่ชัดเจน บริษัทต่างๆ นั่งอยู่บนภูเขาของข้อมูล แต่ไม่ได้นำคุณค่าเต็มที่ของมัน ในปี 2003 การวิเคราะห์ข้อมูลยังคงพื้นฐาน – เรากำลังทำงานกับแผ่นงาน Excel

การตัดสินใจที่จะออกจากชีวิตองค์กรมาจากความเชื่อมั่นในตนเอง ฉันเห็นโอกาสที่จะช่วยให้องค์กรสามารถใช้ข้อมูลของตนได้อย่างแท้จริง ดังนั้นฉันจึงก่อตั้ง The Smart Cube ด้วยวิสัยทัศน์นั้น

หลังจาก 20 ปีในการสร้าง The Smart Cube การเข้าร่วม WNS ไม่ใช่การออก แต่เป็นการพัฒนา ฉันนำแนวคิดผู้ประกอบการมา แต่ตอนนี้มีทรัพยากรและพื้นที่มากขึ้น ซึ่งช่วยให้เราสามารถแก้ปัญหาได้ในระดับที่ฉันไม่สามารถทำได้ในธุรกิจขนาดเล็ก สิ่งสำคัญที่สุดคือฉันรับรู้ถึงพลังของการฝังและหลอมรวมข้อมูลและวิเคราะห์เข้ากับกระบวนการทางธุรกิจหลักๆ มากกว่าการรักษาไว้เป็นการแทรกแซงแบบแยกออก

ใน 20 ปีที่คุณทำงานในด้านการวิเคราะห์ข้อมูล คุณเห็นการเปลี่ยนแปลงของการวิเคราะห์ข้อมูลและ AI ในภาคการเงินอย่างไร – ตั้งแต่การนำไปใช้ครั้งแรกจนถึงการรวมเข้ากับองค์กรขนาดใหญ่ในปัจจุบัน?

ในปลายทศวรรษ 1990 การวิเคราะห์ข้อมูลหมายถึงการดูข้อมูลในอดีตและทำการคาดการณ์ทางสถิติ การเปลี่ยนแปลงนี้น่าประทับใจ

ช่วงต้นปี 2000 ส่งผลให้เกิดการดิจิทัลและแบบจำลองการคาดการณ์ที่ซับซ้อนมากขึ้น ในปี 2010 การซื้อขายในเวลาจริงได้กลายเป็นมาตรฐาน ในช่วงไม่กี่ปีที่ผ่านมา การเรียนรู้ของเครื่องจักรได้ขับเคลื่อนการเปลี่ยนแปลงที่แท้จริง และ AI ที่สร้างขึ้นใหม่ (Gen AI) ได้กลายเป็นศูนย์กลาง

ในปัจจุบันสถาบันการเงินมองข้อมูลเป็นสินทรัพย์เชิงกลยุทธ์ คำถามได้เปลี่ยนจาก “เราสามารถใช้ AI ได้หรือไม่?” เป็น “เราจะฝัง AI ลงในทุกการตัดสินใจได้อย่างไร?”

ผลกระทบนั้นเป็นรูปธรรม การเปิดบัญชีลูกค้าที่ใช้เวลาสองสามวัน ตอนนี้เสร็จสิ้นภายในไม่กี่ชั่วโมงด้วยการยืนยันโดยใช้ AI การประเมินความเสี่ยงเครดิตประเมินจุดข้อมูลในเวลาจริงหลายร้อยจุดนอกเหนือจากคะแนนแบบดั้งเดิม การคำนวณความเสี่ยงที่ต้องใช้เวลาทำงานที่ต้องการในเวลากลางคืน ตอนนี้สามารถทำได้ทันที และการตรวจจับการฉ้อโกงไม่ตอบสนองหลังเหตุการณ์ – มันจะปิดกั้นกิจกรรมที่น่าสงสัยในเวลาจริง

บริษัทที่มีวิสัยที่กว้างขวางกำลังใช้ AI ที่ขับเคลื่อนด้วยข้อมูลและกรอบการทำงานด้านการกำกับดูแลเพื่อปรับปรุงการตัดสินใจในเวลาจริง การปฏิบัติตามกฎระเบียบ และความโปร่งใสในการดำเนินงานทางการเงินอย่างไร?

การสร้างคลังข้อมูลแบบโมโนลิธิกและหวังว่าจะได้รับข้อมูลเชิงลึกไม่ได้ผลอีกต่อไป สถาบันต่างๆ ต้องออกแบบระบบนิเวศข้อมูลที่ฉลาด

ภาคการเงินต้องเผชิญกับความท้าทายที่ไม่เหมือนใคร พวกเขาต้องเผชิญกับลูกค้า จัดการข้อมูลที่ละเอียดอ่อน และยังคงต้องให้บริการส่วนบุคคลและตอบสนองในเวลาจริง ซึ่งต้องการการสร้างบ่อข้อมูลแบบโมดูลาร์บนเฟรมเวิร์กที่ยืดหยุ่น

ภายในสถาปัตยกรรมนี้ องค์กรสร้างบ่อข้อมูลเฉพาะสำหรับการวิเคราะห์ราคา การประเมินความเสี่ยงและการรายงานตามกฎระเบียบ แต่ละบ่อทำงานอิสระในขณะที่ให้คุณค่าในทันทีในขณะที่รักษาขอบเขตความปลอดภัย

แนวโน้ม Zero ETL มีความเกี่ยวข้องอย่างยิ่ง ที่นี่ เนื่องจากมันกำจัดกระบวนการ Extract-Transform-Load ที่ซับซ้อนโดยการทำให้สามารถสืบค้นข้อมูลโดยตรงข้ามระบบได้ ทำให้ AI สามารถเข้าถึงและวิเคราะห์ข้อมูลในเวลาจริงโดยไม่ต้องย้ายข้อมูล ลดความล่าช้าและรักษาการกำกับดูแล

ตัวแทน AI ก็กำลังพัฒนานอกเหนือจากการตรวจจับอาการผิดปกติ พวกมันไม่เพียงแต่ระบุการทำธุรกรรมที่น่าสงสัย แต่ยังแนะนำการดำเนินการและดำเนินการตามขอบเขตการกำกับดูแล ในด้านการปฏิบัติตามกฎระเบียบ AI ติดตามธุรกรรมอย่างต่อเนื่อง สร้างรายงานและระบุปัญหาก่อนที่หน่วยงานกำกับดูแลจะทำ

ข้อมูลสังเคราะห์เป็นที่กล่าวถึงว่าเป็นวิธีการฝึกอบรม AI โดยไม่ต้องเปิดเผยข้อมูลที่ละเอียดอ่อน คุณสามารถแบ่งปันข้อมูลเกี่ยวกับวิธีการนำข้อมูลสังเคราะห์ไปใช้ในการตรวจจับการฉ้อโกง การวิเคราะห์ความเสี่ยง และการตรวจสอบแบบจำลองได้หรือไม่?

ที่ WNS Analytics เราใช้การสร้างข้อมูลสังเคราะห์ที่ซับซ้อนเพื่อสร้างชุดข้อมูลที่มีคุณภาพสูงและเป็นไปตามมาตรฐานการรักษาความลับ ซึ่งเร่งการฝึกอบรมแบบจำลอง AI โดยเฉพาะในโดเมนที่ขาดข้อมูล ชุดข้อมูลสังเคราะห์ของเราสามารถจำลองสถานการณ์ในโลกแห่งความเป็นจริงในขณะที่สะท้อนรูปแบบที่มี統計เชิงสัมพันธ์ พฤติกรรมและความสัมพันธ์เชิงสหสัมพันธ์เหมือนกับข้อมูลทางการเงินจริงๆ – การไหลเวียนของธุรกรรม รูปแบบการฉ้อโกง พฤติกรรมของลูกค้า – โดยไม่เปิดเผยข้อมูลที่ละเอียดอ่อนใดๆ หรือข้อมูลลูกค้า

ความสามารถนี้กำลังเปลี่ยนแปลงภาคการเงินในหลายๆ ด้าน เช่น การวิเคราะห์ความเสี่ยง การตรวจจับการฉ้อโกง การให้คะแนนเครดิต การทดสอบความเครียด และการสร้างแบบจำลองการปฏิบัติตามกฎระเบียบ ชุดข้อมูลสังเคราะห์เหล่านี้ช่วยให้องค์กรสามารถเร่งพัฒนาโซลูชัน AI ในขณะที่รักษาความเป็นส่วนตัวของข้อมูลและความมั่นใจในการปฏิบัติตามกฎระเบียบ

การทำงานอัตโนมัติแบบฉลาดและตัวแทน AI กำลังถูกฝังลงในกระบวนการทางธุรกิจอย่างเพิ่มขึ้น คุณเห็นกรณีการใช้งานที่เปลี่ยนแปลงที่สุดในภาคการเงินอย่างไร และพวกเขาช่วยปรับปรุงความยืดหยุ่นและประสิทธิภาพในการดำเนินงานอย่างไร?

การทำงานอัตโนมัติแบบฉลาดโดยใช้ตัวแทน AI กำลังเร่งกระบวนการทางธุรกิจขององค์กร ทำให้สามารถสตรีมไลน์ปฏิบัติการและตัดสินใจได้เร็วขึ้น ตัวแทนเหล่านี้รวมการทำงานอัตโนมัติเข้ากับการให้เหตุผลขั้นสูงเพื่อเพิ่มความยืดหยุ่น ความสามารถในการปรับขนาด และประสิทธิภาพ

ที่ WNS Analytics เราใช้เฟรมเวิร์ก GAIN (เฟรมเวิร์กที่เป็นกรรมสิทธิ์ของเราในการใช้งาน AI ที่เป็นตัวแทน) เพื่อประเมินระดับอัตโนมัติที่เหมาะสมสำหรับ AI ที่เป็นตัวแทน เรายังให้コンโพーネนท์แบบ microservices ที่สามารถใช้ซ้ำสำหรับตัวแทนแบบไฮเปอร์สเปเชียลไลซ์ผ่าน AI Utilities Hub ที่ได้รับรางวัลของเรา

ในด้านประกัน เราได้เปลี่ยนแปลงกระบวนการหลายอย่างผ่าน AI ที่เป็นตัวแทน ในการเรียกร้องค่าชดเชยจากผู้เสียหายของเรา โซลูชันการตรวจจับการกู้คืนของบุคคลที่สามที่ขับเคลื่อนด้วย Gen AI ของเราซึ่งได้รับแรงผลักดันจากตัวแทนอัตโนมัติได้ทำความถูกต้อง 85% เพิ่มปริมาณการกู้คืนเป็นสองเท่า และเพิ่มการกู้คืนรายปีโดยประมาณ 49% – เปิดโอกาสที่ไม่เคยสังเกตเห็นมาก่อน

ในการประกันภัย ผู้ช่วยวิจัย AI ที่เป็นตัวแทนของเราทำงานโดยใช้ตัวแทนหลายตัวที่ซับซ้อนเพื่อแบ่งคำถามที่ซับซ้อน ออกข้อมูลจากแหล่งต่างๆ และสร้างข้อมูลเชิงลึกด้วยความถูกต้อง 99% ในขณะที่ลดเวลาทำงาน 85%

สำหรับธนาคารชั้นนำ โซลูชัน Gen AI ของเราลดเวลาในการตรวจสอบสื่อที่ไม่เหมาะสม 60% และลดผลบวกลวง 12-15%

เรายังมีโซลูชันการจัดการความรู้ที่ขับเคลื่อนด้วย Gen AI – ออกแบบมาเป็นแพลตฟอร์มแนวนอน – เพื่อกำหนดวิธีการที่องค์กรเข้าถึง วิเคราะห์ และให้ข้อมูลเชิงลึกจากข้อมูลที่ไม่มีโครงสร้างจำนวนมาก โดยการให้ข้อมูลเชิงลึกที่แม่นยำ เป็นไปตามกฎระเบียบ และสอดคล้องกันในเวลาจริง โซลูชันนี้ช่วยปรับปรุงการตัดสินใจ เพิ่มประสิทธิภาพ และเสริมสร้างความยืดหยุ่นในการดำเนินงานในหลายอุตสาหกรรม

โซลูชันเหล่านี้เสริมสร้างการตัดสินใจของมนุษย์ โดยสร้างระบบที่เร็วและแม่นยำยิ่งขึ้น

สำหรับองค์กรที่มุ่งหวังที่จะขยายโครงการ AI อะไรคืออุปสรรคที่ใหญ่ที่สุด – เทคนิค วัฒนธรรม หรือกลยุทธ์ – และผู้นำสามารถเอาชนะพวกเขาได้อย่างไร?

อุปสรรคที่ใหญ่ที่สุดในการขยายโครงการ AI ไม่ใช่เทคโนโลยี – แต่เป็นความพร้อมขององค์กร

ประการแรก มีเส้นแบ่งข้อมูลข้ามระบบที่มีอยู่ การแทนที่ทั้งหมดไม่ใช่เรื่องที่เป็นไปได้เสมอไป แทนที่จะเน้นการสร้างสะพานอัจฉริยะ

ประการที่สอง คือช่องว่างด้านทักษะ องค์กรต้องการผู้เชี่ยวชาญด้านโดเมน ผู้วิศวกรข้อมูล นักวิทยาศาสตร์ข้อมูล และผู้แปลที่สามารถเชื่อมโยงความเข้าใจทางเทคนิคกับคุณค่าทางธุรกิจ

ประการที่สาม คือความเร็วของการเปลี่ยนแปลงทางเทคโนโลยี ห้องปฏิบัติการ AI ของ WNS ช่วยให้องค์กรสามารถทดลองเทคโนโลยีที่เกิดขึ้นใหม่และสร้างแนวคิดที่พิสูจน์ความสามารถก่อนที่จะนำไปใช้จริง

ในด้านวัฒนธรรม ความสำเร็จขึ้นอยู่กับการจัดการการเปลี่ยนแปลงที่มีประสิทธิภาพ เราได้ออกแบบเฟรมเวิร์กที่ช่วยให้พนักงานมองเห็น AI เป็นสิ่งที่เสริมสร้างมากกว่าการแทนที่ การจัดตั้ง AI คouncil ก็เป็นขั้นตอนที่ชาญฉลาดเช่นกัน โดยให้การกำกับดูแล การจัดตำแหน่งข้ามฟังก์ชัน และเส้นทางที่มีโครงสร้างสำหรับการย้ายจากการทดลองไปสู่การนำไปใช้ในระดับองค์กร

เมื่อมีการตรวจสอบ AI ที่เพิ่มขึ้นเกี่ยวกับจริยธรรม ความลำเอียง และความโปร่งใส องค์กรการเงินสามารถสร้างสมดุลระหว่างนวัตกรรมและความรับผิดชอบในการกำกับดูแล AI ได้อย่างไร?

นวัตกรรมและความรับผิดชอบไม่ใช่ตัวเลือกที่ตรงกันข้าม – ความรับผิดชอบต้องถูกสร้างเข้าไปในนวัตกรรมตั้งแต่เริ่มต้น

สถาบันการเงินต้องการกรอบการทำงานด้านการกำกับดูแล AI ที่เข้มแข็ง ที่ WNS เราใช้กรอบการทำงานที่รับรองว่า AI ถูกพัฒนาอย่างมีความรับผิดชอบ มีจริยธรรม และมีความปลอดภัย

ความโปร่งใส่เป็นสิ่งสำคัญอย่างยิ่งในภาคการเงิน หาก AI ปฏิเสธการให้กู้ยืม ผู้สมัครควรได้รับการอธิบายที่ชัดเจนและเข้าใจได้

สุดท้าย ความรับผิดชอบของ AI เป็นข้อได้เปรียบในการแข่งขัน ธนาคารที่แสดงให้เห็นถึงความยุติธรรม ความโปร่งใส และความปลอดภัยในระบบ AI ของตนได้รับความไว้วางใจจากลูกค้า สถาบันที่มองการกำกับดูแลเป็นเรื่องรองจากเรื่องอื่น ๆ ต้องเผชิญกับการลงโทษตามกฎระเบียบและความเสียหายต่อชื่อเสียงที่ยากต่อการแก้ไข

ในอีก 3-5 ปีข้างหน้า คุณเชื่อว่าความสามารถ AI ที่เกิดขึ้นใหม่หรือกลยุทธ์ข้อมูลใดจะมีผลกระทบมากที่สุดต่อวิธีการดำเนินงานขององค์กรการเงิน?

สามการพัฒนาจะเปลี่ยนแปลงภาคการเงินในอีกสามถึงห้าปีข้างหน้า

ประการแรก AI ที่เป็นตัวแทนจะเปลี่ยนจากการทดลองเป็นสิ่งจำเป็น ตัวแทน AI อัตโนมัติจะดำเนินกระบวนการทำงานที่ซับซ้อนและจัดองค์กรทั้งหมดร่วมกับทีมงานของมนุษย์

ประการที่สอง ระบบการเรียนรู้อย่างต่อเนื่องจะกลายเป็นมาตรฐาน AI จะปรับให้เหมาะสมกับการโต้ตอบทุกครั้ง ทำให้บริการทางการเงินส่วนบุคคลที่พัฒนาตามความต้องการของลูกค้าแต่ละราย

ประการที่สาม เราจะเห็นความก้าวหน้าทางเทคโนโลยี: การคำนวณแบบควอนตัมสำหรับการคำนวณความเสี่ยงที่ซับซ้อน บล็อกเชนสำหรับบันทึกการตัดสินใจ AI ที่โปร่งใส และการประมวลผลแบบเอดจ์สำหรับการตัดสินใจในท้องถิ่นทันที เทคโนโลยีเหล่านี้จะปลดล็อกรูปแบบใหม่ๆ ของการให้บริการทางการเงินที่เรายังไม่สามารถจินตนาการได้

หลังจากผ่านการเป็นผู้ประกอบการ การซื้อขาย และตอนนี้เป็นผู้นำระดับโลก คุณมีหลักการใดที่ช่วยให้คุณตัดสินใจและนำทีมผ่านการเปลี่ยนแปลง?

สามหลักการเป็นแนวทางสำหรับฉัน

ประการแรก คือความอดทนมากกว่าความสมบูรณ์แบบ เมื่อเราก่อตั้ง The Smart Cube เราไม่มีคำตอบทั้งหมด เราได้ทำผิดพลาด ปรับเปลี่ยน และเดินหน้าต่อไป ความอดทนที่มีความยืดหยุ่นเป็นสิ่งจำเป็น

ประการที่สอง คือการสร้างคุณค่าที่ยั่งยืน ไม่ใช่การออกที่รวดเร็ว เมื่อฉันก่อตั้ง The Smart Cube อาจารย์จากโรงเรียนธุรกิจบอกฉันว่า “อย่าให้ความสนใจกับการออกจากธุรกิจ ให้สร้างธุรกิจที่ประสบความสำเร็จซึ่งจะยั่งยืน” มุมมองระยะยาวนี้ได้กำหนดการตัดสินใจทั้งหมดของฉัน

ประการที่สาม คือการสนุกกับสิ่งที่คุณทำ ฉันเชื่อมั่นว่าถ้าฉันไม่สนุกกับสิ่งที่ทำ ฉันจะเปลี่ยนไปทำสิ่งอื่น หลังจาก 30 ปี ฉันยังคงตื่นเต้น และความกระตือรือร้นนี้สร้างแรงบันดาลใจให้กับทีมผ่านการเปลี่ยนแปลง

การเป็นผู้นำผ่านการซื้อขายยังเน้นย้ำถึงความจริงอีกประการหนึ่ง การเปลี่ยนแปลงจะสำเร็จเมื่อคุณนำผู้คนมาด้วย การผสานรวมทางเทคนิคเป็นเรื่องตรงไปตรงมา การผสานวัฒนธรรม – การสร้างวิสัยทัศน์ที่ร่วมกัน – คือที่ที่ความเป็นผู้นำที่แท้จริงมีความสำคัญ

สำหรับมืออาชีพที่ต้องการกำหนดอนาคตของ AI ในการเงิน ทักษะ ความคิด หรือประสบการณ์ใดที่คุณคิดว่าจะมีคุณค่ามากที่สุด?

อนาคตเป็นของคนเหล่านั้นที่สามารถเชื่อมโลกได้ ทักษะทางเทคนิคที่บริสุทธิ์หรือความเชี่ยวชาญด้านโดเมนเพียงอย่างเดียวจะไม่เพียงพอ

ประการแรก คือการคิดแบบระบบ เริ่มต้นด้วยความต้องการของตลาด – กรณีการใช้งานที่ชัดเจน – และทำงานย้อนกลับ การใช้ AI ในการเงินต้องการการมองเห็นว่าทุกอย่างเชื่อมโยงกันอย่างไร

ประการที่สอง คือการสร้างความเป็นจริงเชิงปฏิบัติ มากกว่าความฝัน ให้กระตือรือร้นเกี่ยวกับเทคโนโลยีใหม่ๆ แต่ต้องเข้มงวดในการประเมินมัน ไม่ใช่ปัญหาทุกอย่างต้องการ AI – บางครั้งการวิเคราะห์แบบง่ายๆ หรือแม้แต่แผ่นงาน Excel ก็สามารถทำได้

ประการที่สาม คือการสร้างทักษะการแปล นี่เป็นสิ่งสำคัญ มีความสามารถในการอธิบายแนวคิด AI ที่ซับซ้อนให้กับคณะกรรมการและแปลความต้องการทางธุรกิจสำหรับนักวิทยาศาสตร์ข้อมูลเป็นสิ่งที่มีคุณค่า

สุดท้าย คือการเรียนรู้อย่างต่อเนื่อง เครื่องมือที่เป็นขอบเขต 5 ปีที่แล้วกำลังล้าสมัย การยังคง好奇 อ่อนน้อมถ่อมตัว และมุ่งมั่นในการเรียนรู้จะเปิดโอกาสที่เราไม่สามารถจินตนาการได้ในจุดตัดของ AI และการเงิน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม WNS Analytics เพื่อเรียนรู้เพิ่มเติม