Scenario Planning 4 ขั้นตอน: คู่มือวางฉากทัศน์รับมือวิกฤตการณ์

ผู้บริหารจำนวนมากรู้ว่าควรเตรียมรับอนาคตหลายแบบ แต่ติดอยู่ที่คำถามว่า Scenario Planning ขั้นตอน จริงมีอะไรบ้าง และจะเริ่มอย่างไรให้ได้ผลลัพธ์ที่นำไปใช้ได้ บทความนี้เรียบเรียงจากกระบวนการที่ Jan Oliver Schwarz นำวิธีนี้ไปใช้จริงในฐานะที่ปรึกษากลยุทธ์ภายในองค์กรขนาดใหญ่ ประกอบกับมุมมองเรื่องการใช้ปัญญาประดิษฐ์ (AI) จากหนังสือ Strategic Thinking with AI 

Scenario Planning คืออะไร

Herman Kahn แห่ง RAND Corporation ผู้พัฒนา Scenario ชุดแรกเมื่อทศวรรษ 1950 อธิบายร่วมกับ Anthony J. Wiener ไว้เมื่อปี 1967 ว่า Scenario คือลำดับเหตุการณ์สมมติที่สร้างขึ้นเพื่อดึงความสนใจไปที่กลไกเชิงเหตุและผล และจุดที่ต้องตัดสินใจ ต่อมาเมื่อทศวรรษ 1970 Royal Dutch Shell นำเทคนิคนี้มาผูกเข้ากับการวางแผนยุทธศาสตร์ โดยมี Pierre Wack เป็นผู้บุกเบิก จนกลายเป็น Scenario Planning อย่างที่รู้จักกันในปัจจุบัน

ข้อเข้าใจผิดที่พบบ่อยที่สุดคือคิดว่า Scenario Planning คือการทำนายอนาคต Schwarz อธิบายว่าเป้าหมายจริงคือการหาขอบเขตของอนาคตที่เป็นไปได้ ไม่ใช่ครอบคลุมทุกความเป็นไปได้ และที่สำคัญที่สุด ฉากทัศน์แต่ละชุดต้องต่างกันในเชิงโครงสร้าง ไม่ใช่แค่รูปแบบดี ปานกลาง แย่ของอนาคตเดียวกัน ขณะที่การพยากรณ์ทำให้การวางแผนง่ายขึ้นด้วยการตัดความซับซ้อนทิ้ง Scenario Planning คืนความซับซ้อนกลับเข้าสู่กระบวนการ และท้าทาย Mental Model ของผู้บริหารที่เข้าร่วม

Schwarz เลือกใช้แนวทาง Intuitive Logic หรือที่เรียกกันว่า Shell Approach ซึ่งเป็นสำนักที่มีงานวิชาการรองรับมากที่สุด จุดเด่นคือเปิดให้ใช้ทั้งข้อมูลเชิงวัตถุวิสัยและสัญชาตญาณของผู้เชี่ยวชาญควบคู่กัน และดำเนินการโดยผู้บริหารขององค์กรเอง ไม่ใช่ปล่อยให้ผู้เชี่ยวชาญภายนอกทำแทน

Horizon Scanning สำหรับจับสัญญาณเตือนล่วงหน้า

Scenario ที่ดีเริ่มจากวัตถุดิบที่ดี และวัตถุดิบนั้นคือเทรนด์และ Weak Signals ที่ได้จากการสแกนสภาพแวดล้อม

Weak Signals คืออะไร

H. Igor Ansoff วางรากฐานแนวคิดนี้เมื่อปี 1975 โดยนิยาม Weak Signals ว่าเป็นสัญญาณเตือน เหตุการณ์ หรือพัฒนาการ ทั้งภายนอกและภายในองค์กร ที่ยังไม่สมบูรณ์พอจะประเมินผลกระทบได้แม่นยำ Pierre Wack เปรียบว่านักมายากลไม่มีทางเสกกระต่ายออกจากหมวกได้ถ้ากระต่ายไม่ได้อยู่ในหรือใกล้หมวกตั้งแต่แรก ความหมายคือวิกฤตแทบไม่เคยเกิดขึ้นโดยไม่มีสัญญาณบอกล่วงหน้า

Schwarz และ Franz Liebl เสนอเพิ่มเติมว่าไม่ควรรอให้เทรนด์ชัดเจนจนวัดเป็นตัวเลขได้ เพราะเมื่อถึงตอนนั้นระบบเตือนภัยล่วงหน้าจะกลายเป็นระบบเตือนภัยล่าช้า ให้มองเทรนด์เหมือนเงาลางๆ ที่ต้องจับรูปร่าง โดยเฉพาะสิ่งที่ดูผิดปกติ หรือสิ่งที่ข้ามบริบทจากวงการหนึ่งไปอีกวงการหนึ่ง

Outside In หรือ Inside Out

การสแกนสภาพแวดล้อม (Environmental Scanning) มีสองแบบ แบบ Outside In มองรอบทิศ 360 องศาเพื่อลดจุดบอด แต่เสี่ยงต่อข้อมูลท่วมจนจัดการไม่ไหว ส่วนแบบ Inside Out ซึ่งนิยมกว่า ให้ผู้บริหารกำหนดหัวข้อที่ต้องสแกนล่วงหน้า ข้อมูลจะน้อยลงแต่จุดบอดจะมากขึ้น ทางปฏิบัติที่ดีคือใช้กรอบ PEST (Political, Economic, Social, Technological) เป็นตัวเตือนว่าต้องมองให้ครบทุกมิติ เพราะเราไม่มีทางรู้ล่วงหน้าว่าเทรนด์ใหม่จะโผล่มาจากด้านไหน

Horizon Scanning ในยุค AI

Hakimpour ชี้ว่าปริมาณข้อมูลจากแพลตฟอร์มดิจิทัล โซเชียลมีเดีย และอุปกรณ์ Internet of Things (IoT) มากเกินกว่าที่วิธีแบบเดิมจะรับไหว เครื่องมือที่เขายกตัวอย่างแบ่งได้ดังนี้

1. ตรวจจับสัญญาณแบบเรียลไทม์ Dataminr และ Recorded Future ส่งสัญญาณเตือนเมื่อพบความผิดปกติในกระแสข้อมูลขนาดใหญ่
2. ตามรอยเทคโนโลยีเกิดใหม่ CB Insights และ Quid ใช้การประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) และการวิเคราะห์เครือข่าย ติดตามเงินลงทุนสตาร์ทอัพ สิทธิบัตร และงานวิจัย เพื่อจับเทคโนโลยีอย่างควอนตัมคอมพิวติงก่อนที่รายงานอุตสาหกรรมจะพูดถึง
3. ติดตามตลาดและคู่แข่ง Crayon และ SparkBeyond ใช้แบบจำลองเชิงพยากรณ์หาช่องว่างทางการตลาด

กรณีศึกษาที่ Hakimpour ยกคือ Unilever ซึ่งใช้ AI สแกนเทรนด์ความยั่งยืน การเปลี่ยนแปลงกฎระเบียบ และความรู้สึกของผู้บริโภคในกว่า 26 ภาษา เพื่อปรับห่วงโซ่อุปทานก่อนความเสี่ยงจะลุกลาม

สำหรับองค์กรที่ยังไม่มีงบสำหรับแพลตฟอร์มเหล่านี้ Schwarz แนะนำให้เริ่มจากแหล่งเทรนด์ฟรีอย่าง Future Agenda และ Megatrends Hub ของคณะกรรมาธิการยุโรป แม้จะไม่เฉพาะเจาะจงกับอุตสาหกรรม แต่เพียงพอสำหรับเปิดบทสนทนาเชิงกลยุทธ์ในองค์กร

ขั้นตอน Scenario Planning

Schwarz สรุปกระบวนการโดยอิงแนวทางของ Kees van der Heijden ไว้ 4 ขั้น ต่อไปนี้คือรายละเอียดที่ทำตามได้ทันที

ขั้นที่ 1 กำหนดขอบเขตและคำถามหลัก

ทุกโครงการต้องเริ่มจากคำถามที่ชัดเจนว่าฉากทัศน์จะช่วยตอบเรื่องอะไร ตัวอย่างคำถามที่ Schwarz ใช้คือ อุตสาหกรรมของเราจะเป็นอย่างไรในอนาคต ควรกำหนดกรอบเวลาและขอบเขตให้ชัด เพราะคำถามที่กว้างหรือแคบเกินไปจะทำให้ขั้นต่อๆ ไปหลงทิศ

ขั้นที่ 2 ค้นหา Key Drivers

ขั้นนี้คือการวิจัยเทรนด์ นอกจากการค้นคว้าเอกสารแล้ว ต้องสัมภาษณ์แบบกึ่งโครงสร้างกับผู้เชี่ยวชาญหลากหลายกลุ่ม ทั้งในและนอกองค์กร การสัมภาษณ์ไม่ได้ให้แค่ข้อมูลเทรนด์ แต่ยังเผยให้เห็นว่าสมมติฐานเกี่ยวกับอนาคตภายในองค์กรต่างจากมุมมองของคนนอกอย่างไร

จากนั้นจัดเทรนด์ลงกรอบ PEST แล้ววางบน Relevance Uncertainty Matrix โดยแกนนอนคือความไม่แน่นอน แกนตั้งคือความสำคัญ เทรนด์ที่สำคัญสูงแต่แน่นอนสูงเรียกว่า Drivers ซึ่งจะเกิดขึ้นในทุกฉากทัศน์ ส่วนเทรนด์ที่ทั้งสำคัญสูงและไม่แน่นอนสูงคือ Key Drivers ซึ่งเป็นวัตถุดิบหลักของการสร้างฉากทัศน์ จากนั้นกำหนดขั้วปลายทางสองขั้วของ Key Driver แต่ละตัว แล้วเลือกสองตัวที่เป็นอิสระต่อกันและเกี่ยวข้องกับคำถามหลักมากที่สุด

ขั้นที่ 3 สร้างฉากทัศน์

นำ Key Drivers สองตัวมาไขว้กันเป็นเมทริกซ์ จะได้ 4 ฉากทัศน์ที่แตกต่างกันชัดเจน เติมรายละเอียดด้วยเทรนด์อื่นที่รวบรวมไว้ ตั้งชื่อสั้นที่สื่อความหมาย และเขียนเป็นเรื่องเล่าที่อธิบายว่าโลกในฉากทัศน์นั้นเป็นอย่างไร มีพลวัตอะไร และเดินทางมาถึงจุดนั้นได้อย่างไร

เครื่องมือช่วยที่ Schwarz แนะนำคือ Scenario Blueprint ให้คะแนนความสำคัญของแต่ละเทรนด์ในแต่ละฉากทัศน์ตั้งแต่ 1 ถึง 5 พร้อมคำอธิบายสั้น เพื่อใช้เป็นโครงของเรื่องเล่า ฉากทัศน์ที่เสร็จแล้วควรถูกทำให้เข้าถึงง่ายสำหรับคนที่ไม่ได้อยู่ในกระบวนการ ไม่ว่าจะเป็นภาพ เรื่องสั้น หรือคลิปวิดีโอ

ขั้นที่ 4 ถอดผลกระทบสู่แผนปฏิบัติ

ขั้นนี้คือจุดที่ฉากทัศน์กลายเป็นแผน เริ่มบทสนทนาด้วยสามคำถาม ได้แก่ ฉากทัศน์ใดที่เราอยากให้เกิด ฉากทัศน์ใดที่เราพร้อมที่สุด และฉากทัศน์ใดท้าทายเรามากที่สุด

จากนั้นใช้ Implication Matrix ระบุผลกระทบของแต่ละฉากทัศน์ต่อองค์กร แล้วทำ Wind Tunneling ด้วยการให้คะแนนความสำคัญของผลกระทบแต่ละข้อในแต่ละฉากทัศน์บนสเกล 3 ระดับ ผลกระทบที่สำคัญตั้งแต่สองฉากทัศน์ขึ้นไปเรียกว่า Robust Implications ซึ่งองค์กรควรลงมือทำไม่ว่าอนาคตจะออกมาแบบไหน ส่วนผลกระทบที่ไม่ Robust ไม่ได้แปลว่าไม่สำคัญ แต่ควรติดตามใกล้ชิด หรือทดลองลงทุนขนาดเล็กเพื่อเรียนรู้ คะแนนแนวตั้งของเมทริกซ์ยังบอกได้ว่าฉากทัศน์ใดรับมือยากที่สุด

ตัวอย่าง: ผู้ส่งออกอาหารแปรรูป

ตัวอย่างต่อไปนี้เป็นกรณีสมมติเพื่อสาธิตการใช้กระบวนการข้างต้น ไม่ได้มาจากเอกสารต้นทาง

สมมติว่าผู้ส่งออกอาหารแปรรูปรายหนึ่งตั้งคำถามว่า ธุรกิจส่งออกของเราจะเป็นอย่างไรในอีก 10 ปี หลังสแกนสภาพแวดล้อมและสัมภาษณ์ผู้เชี่ยวชาญ ทีมได้ Key Drivers สองตัว ได้แก่ ความเข้มงวดของมาตรฐานความยั่งยืนในตลาดปลายทาง (ผ่อนคลาย หรือ เข้มงวด) และเสถียรภาพของห่วงโซ่อุปทานในภูมิภาค (มั่นคง หรือ ปั่นป่วน)

เมื่อไขว้กันจะได้ 4 ฉากทัศน์ ฉากแรก ทางสะดวก มาตรฐานผ่อนคลายและห่วงโซ่มั่นคง การแข่งขันวัดกันที่ราคา ฉากที่สอง สนามเขียว มาตรฐานเข้มงวดแต่ห่วงโซ่มั่นคง ผู้ที่ตรวจสอบย้อนกลับได้จะชนะ ฉากที่สาม พายุซ้อน มาตรฐานเข้มงวดและห่วงโซ่ปั่นป่วน ต้นทุนพุ่งพร้อมกันสองทาง ฉากที่สี่ เอาตัวรอด มาตรฐานผ่อนคลายแต่ห่วงโซ่ปั่นป่วน ใครมีวัตถุดิบสำรองได้เปรียบ

เมื่อทำ Wind Tunneling ทีมอาจพบว่าการลงทุนระบบตรวจสอบย้อนกลับวัตถุดิบมีความสำคัญทั้งในฉากสนามเขียวและพายุซ้อน และการกระจายแหล่งวัตถุดิบสำคัญทั้งในฉากพายุซ้อนและเอาตัวรอด สองเรื่องนี้คือ Robust Implications ที่ควรเริ่มทำทันที

จากฉากทัศน์สู่แผนรับมือวิกฤต

ใช้ฉากทัศน์ย้อนกลับไปกำหนดสัญญาณที่ต้องเฝ้าระวัง

Schwarz ชี้ว่าหลังสร้างฉากทัศน์เสร็จ ฉากทัศน์เหล่านั้นควรถูกใช้เป็นแนวทางในการสแกนและติดตาม เพื่อบอกว่า Weak Signals หรือเทรนด์ใดต้องจับตาใกล้ชิดเป็นพิเศษ และต้องปรับปรุงฉากทัศน์เมื่อสภาพแวดล้อมเปลี่ยนอย่างมีนัยสำคัญ วงจรนี้คือสิ่งที่ Hakimpour เรียกว่า Continuous Foresight การฝัง Horizon Scanning การตรวจจับ Weak Signals และการสร้างต้นแบบฉากทัศน์เข้าไปในการทำงานประจำวัน แทนที่จะทำเป็นครั้งคราว ในตัวอย่างข้างต้น สัญญาณที่ควรติดตามคือร่างกฎหมายด้านความยั่งยืนในตลาดปลายทาง และความผิดปกติในเส้นทางขนส่งของภูมิภาค

ซ้อมแผนด้วย Business Wargaming

Schwarz เสนอให้ใช้ Business Wargaming ต่อยอดจากฉากทัศน์ โดย Scenario Planning เน้นสภาพแวดล้อมภายนอก ส่วน Wargaming เน้นว่าภูมิทัศน์การแข่งขันจะเปลี่ยนไปอย่างไร เกมมักเดินสามตา แต่ละตาแทนช่วงเวลา 3 ถึง 10 ปี หรือแทนฉากทัศน์ที่ต่างกัน มีทีมสี่ประเภท ได้แก่ ทีมลูกค้าซึ่งคือองค์กรเอง ทีมคู่แข่งหรือผู้มีส่วนได้ส่วนเสีย ทีมตลาดซึ่งจำลองปฏิกิริยาลูกค้า และทีมควบคุมที่คำนวณกำไรขาดทุน

การใช้งานด้านเตรียมรับวิกฤตมีตัวอย่างชัดเจน หลังเหตุการณ์ 11 กันยายน หน่วยงานรัฐของสหรัฐอเมริกาใช้ Wargaming จำลองการรับมือวิกฤตอย่างการโจมตีด้วยอาวุธชีวภาพ เพื่อปรับปรุงการประสานงานระหว่างหน่วยงาน Schwarz ยังชี้ว่าการให้ผู้บริหารได้สัมผัสพลวัตของอนาคตผ่านเกมช่วยสร้างความรู้สึกเร่งด่วนที่จำเป็นต่อการเปลี่ยนแปลง

Scenario Planning สำหรับผู้บริหาร

บทเรียน 20 นาทีที่ไม่มีใครตอบ

Schwarz เล่าประสบการณ์ตรงว่า เขาเคยสร้างฉากทัศน์ตามวิธีของ Shell อย่างละเอียด รวบรวมข้อมูลจากผู้มีส่วนได้ส่วนเสียจำนวนมาก แต่ไม่เคยได้พบผู้บริหารที่เป็นผู้ใช้ผลลัพธ์ตัวจริง สุดท้ายหัวหน้าของเขานำเสนอ 20 นาทีต่อทีมผู้บริหาร และไม่ได้รับเสียงตอบรับใดเลย เขาสรุปว่าโครงการที่ประสบความสำเร็จที่สุดของเขาล้วนมีผู้นำเข้ามามีส่วนร่วม ไม่ใช่ด้วยการนั่งทุกเวิร์กช็อป แต่ผ่านการสัมภาษณ์ การร่วมเลือก Key Uncertainties การบรรยายฉากทัศน์ และการถอดผลกระทบ

ฉากทัศน์ช่วยลดอคติของผู้บริหาร

Schwarz อ้างงานวิจัยที่พบว่าการใช้ฉากทัศน์ช่วยลด Overconfidence Bias และ Confirmation Bias ซึ่งเป็นอคติที่ทำให้ผู้บริหารมองไม่เห็นการเปลี่ยนแปลง แนวคิดนี้เชื่อมกับสิ่งที่ Arie de Geus เรียกว่าความจำเกี่ยวกับอนาคต คือเมื่อผู้นำเคยเดินผ่านฉากทัศน์ในใจมาแล้ว จะจดจำสัญญาณได้และลงมือได้เร็วขึ้นเมื่อสถานการณ์จริงมาถึง

ผู้อำนวยความสะดวกคือหัวใจ

Gerard Bowman และ R. Bradley MacKay เน้นว่าบทบาทผู้อำนวยความสะดวกในเวิร์กช็อปเป็นทักษะที่หาได้ยาก เพราะต้องพากลุ่มจากความรู้สึกไม่แน่นอนไปสู่ความมั่นใจในการรับมือ อ่านงานของทั้งสองได้ที่ Scenario Planning as Strategic Activity ส่วน Adam Kahane ผู้เคยทำงาน Scenario Planning ที่ Shell และเป็นผู้อำนวยความสะดวกโครงการ Mont Fleur Scenarios ในแอฟริกาใต้เมื่อปี 1991 ถึง 1992 สรุปว่าผู้อำนวยความสะดวกต้องขจัดอุปสรรคต่อการมีส่วนร่วม สร้างความเชื่อมโยงระหว่างผู้เข้าร่วม และเปิดเวทีให้ทุกคนอย่างเท่าเทียม

AI ช่วยได้แค่ไหนใน Scenario Planning

Hakimpour ระบุว่า Generative AI สามารถสร้างอนาคตทางเลือกจากตัวชี้วัดเศรษฐกิจหรือสัญญาณตลาด ตัวอย่างคือ Boston Consulting Group (BCG) ที่ใช้ Generative AI สร้างฉากทัศน์ What If จำนวนมากให้ลูกค้า ทั้งเรื่องคู่แข่งรายใหม่ การหยุดชะงักของห่วงโซ่อุปทาน และการเปลี่ยนแปลงกฎระเบียบ ส่วนแพลตฟอร์มอย่าง Futures Platform, StratNavApp และ FutureFit AI ช่วยให้ทีมสร้างฉากทัศน์ร่วมกันและประเมินความเป็นไปได้ ความน่าปรารถนา และความเสี่ยงอย่างเป็นระบบ

แต่ Hakimpour เตือนว่านักยุทธศาสตร์ต้องทำหน้าที่บรรณาธิการบริหาร คอยคัดกรองเนื้อหาที่ AI สร้างขึ้นเองโดยไม่มีข้อเท็จจริงรองรับ อคติที่ฝังอยู่ และคำตอบที่ฟังดูน่าเชื่อแต่ผิด ข้อเสนอแนะที่ใช้ได้จริงจากหนังสือของเขาคือแบบฝึก The Horizon Scanner Lab ให้แต่ละกลุ่มได้ชุดสัญญาณข่าว 5 ถึง 6 ชิ้น โดยแทรกสัญญาณหลอกอย่างน้อยหนึ่งชิ้น ให้จัดลำดับตามผลกระทบเชิงกลยุทธ์ เลือกสัญญาณสำคัญหนึ่งชิ้นแล้วเสนอแผนปฏิบัติ จากนั้นเปรียบเทียบว่าแต่ละกลุ่มตีความข้อมูลเดียวกันต่างกันอย่างไร ใช้เวลาเพียง 45 ถึง 60 นาที และเป็นวิธีที่ดีในการฝึกทีมก่อนเริ่มโครงการจริง

สรุป

Scenario Planning ขั้นตอน ทั้งสี่ คือ กำหนดคำถาม หา Key Drivers สร้างฉากทัศน์ และถอดผลกระทบ จะได้ผลก็ต่อเมื่อเริ่มจากการสแกนสัญญาณที่ดี และปิดวงจรด้วยการใช้ฉากทัศน์กำหนดว่าต้องเฝ้าระวังอะไรต่อ สิ่งที่ผู้บริหารทำได้ทันทีคือ จัดเวิร์กช็อปสั้นกับทีม นำเทรนด์จากแหล่งข้อมูลฟรีมาวางบน Relevance Uncertainty Matrix และดึงผู้ตัดสินใจเข้ามามีส่วนร่วมตั้งแต่ต้น ไม่ใช่รอฟังสรุปในวันสุดท้าย

Tags: Scenario Planning, Scenario Planning ขั้นตอน, การวางฉากทัศน์, การวางฉากทัศน์ ตัวอย่าง, เครื่องมือ Horizon Scanning, Scenario Planning ผู้บริหาร, Weak Signals, สัญญาณเตือนล่วงหน้า, Shell Scenario Planning, Business Wargaming, การบริหารวิกฤต, Strategic Foresight, Wind Tunneling, AI กับการวางแผนยุทธศาสตร์

อ้างอิง

Schwarz, J. O. (2024). Strategic Foresight: An Introductory Guide to Practice. Abingdon: Routledge. doi.org/10.4324/9781003302735

Hakimpour, H. (2026). Strategic Thinking with AI: Foresight, Tools, and Leadership for the Digital Age. Cham: Palgrave Macmillan, Springer Nature. ลิงก์ DOI