จากรายงานของ Gartner พบว่า โครงการ Data Analytics ส่วนใหญ่ไม่ประสบความสำเร็จ โดยเหตุผลส่วนใหญ่ คือ Model ที่ได้รับการพัฒนานั้นไม่สามารถนำไปใช้งานได้จริงและไม่ตอบโจทย์ทางธุรกิจ

ตัวอย่าง Case ที่น่าสนใจ คือ Algorithm ของ Netflix ที่มีมูลค่ากว่า 1 ล้านดอลลาร์สหรัฐที่ไม่สามารถนำไปขึ้นระบบและใช้งานได้จริง เนื่องจากในขั้นตอนการพัฒนาไม่ได้มีการวิเคราะห์รายละเอียดเรื่องระบบการประมวลผล เป็นต้น

ดังนั้นการทำโครงการ Data Analytics จึงจำเป็นต้องมีการวางแผนที่ดี โดยมีปัจจัยแห่งความสำเร็จ ดังต่อไปนี้

1. ทีมงาน
ทีมงานที่ต้องมีความเชี่ยวชาญและเข้าใจเนื้องานจริงๆ ซึ่งคำว่า “ทีมงาน” ในที่นี้ หมายถึง คนแต่ละคนที่มีหน้าที่แตกต่างกันมาร่วมตัวกันเพื่อดำเนินโครงการใดโครงการหนึ่ง
หลายองค์กรเชื่อว่าโครงการ Data Analytics เป็นหน้าที่ของ Data Scientist เท่านั้น ซึ่งเป็นความเชื่อที่ผิดเพราะ ​Data Scientist มีหน้าที่สร้าง Model แต่จะมีจุดอ่อนด้านการบริหารข้อมูลและ…


CMO หรือ Chief Marketing Officer คือผู้ที่ต้องดูแลและรับผิดชอบในการปรับกลยุทธ์ทางการตลาดและแนวทางในการเผยแพร่ข้อมูลเกี่ยวกับสินค้าและบริการขององค์กร เพื่อนำเสนอสารไปสู่ผู้บริโภคได้อย่างมีประสิทธิภาพ นักการตลาดจำเป็นต้องเก็บข้อมูลต่างๆ เช่น พฤติกรรมของผู้บริโภค เทรนด์แฟชั่น และปัจจัยอื่นๆที่เกี่ยวข้องจากแหล่งข้อมูลที่หลากหลายมาวิเคราะห์และสร้างกลยุทธ์ทางการตลาด

ปัจจุบันพบว่าพฤติกรรมของผู้บริโภคหลังจากช่วงโควิดระบาดเปลี่ยนแปลงไปอย่างมาก โดยเฉพาะการซื้อสินค้า จากเดิมที่เคยไปซื้อของที่ร้านและปรึกษาพนักงานขาย โดยจะตัดสินใจซื้อสินค้าตามคำแนะนำของพนักงาน แต่ปัจจุบันพบว่าผู้บริโภคกลับชอบที่จะค้นหาข้อมูลและศึกษาสินค้าที่จะซื้อด้วยตนเองมากขึ้น อีกทั้งการซื้อของออนไลน์ก็เพิ่มสูงขึ้นอย่างมาก สิ่งนี้ทำให้นักการตลาดต้องรับผิดชอบในการจัดทำเนื้อหาที่เหมาะสมและสามารถนำเสนอเนื้อหานั้นในเวลาและช่องทางที่เหมาะสมกับกลุ่มลูกค้าเป้าหมายอีกด้วย…


Roles in Data Analytics Project

วันนี้เราจะมาเล่าถึง Role ต่างๆ ในโครงการ Data Analytics ว่าภายในโครงการ Data Analytics นั้นมีตำแหน่งและหน้าที่อะไรบ้าง?

สำหรับโครงการ Data Analytics โดยเฉพาะโครงการที่มีการใช้ข้อมูลขนาดใหญ่จำเป็นต้องมีบุคลากรที่มีหน้าที่แตกต่างกันเพื่อสนับสนุนกัน ดังต่อไปนี้

1. …


Big Data กับธุรกิจค้าปลีกหรือ Retail

ปัจจุบันหลายบริษัทในกลุ่มธุรกิจค้าปลีกได้ดำเนินโครงการ Big Data และนำข้อมูลมาแปรผลเพื่อวิเคราะห์และตัดสินใจวางแผนดำเนินงาน ซึ่งบริษัท McKinsey Global Institute ได้ออกมาคาดการณ์ว่าบริษัทผู้ค้าปลีกสามารถเพิ่มกำไรได้มากกว่า 60% จากการใช้ Big Data ในการดำเนินงาน

(ที่มา: https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-the-next-frontier-for-innovation)

ด้วยปัจจัยต่างๆก็ส่งผลทำให้ข้อมูลต่างๆเพิ่มสูงขึ้นเช่นกัน ซึ่งพบว่าปัจจุบันมีข้อมูลเพิ่มขึ้นอย่างมากมายมหาศาล ไม่ว่าจะเป็นข้อมูลที่เกี่ยวข้องกับลูกค้า ซึ่งรวมถึงข้อมูลการท่องอินเทอร์เน็ต ข้อมูลในโซเชียลมีเดีย ข้อมูลการใช้งานมือถือ ข้อมูลการซื้อ ข้อมูลความพึงพอใจของลูกค้าและอื่นๆ ในอนาคตก็มีแนวโน้มที่จะเพิ่มสูงขึ้นเรื่อยๆจากการที่เทคโนโลยีและ IoTเติบโตขึ้น ทำให้มีข้อมูลเพิ่มขึ้นและหลากหลาย เช่น ข้อมูลอัตราการเต้นของหัวใจและสถานที่จากนาฬิกาอัจฉริยะ ข้อมูลความสนใจจากลำโพงอัจฉริยะและอุปกรณ์เสริมต่างๆ…


4 Levels of Analytics

สำหรับการวิเคราะห์ข้อมูลนั้นจะแบ่งออกเป็น 4 ระดับดังนี้

1.Descriptive คือการอธิบายสถานะของข้อมูลโดยการวิเคราะห์ในเชิงสถิติขั้นต้น เพื่อทำความเข้าใจรายละเอียดของข้อมูลนอกจากนี้ยังเป็นส่วนของการตรวจสอบและทำความสะอาดข้อมูลอีกด้วย

2. Diagnostic คือการวิเคราะห์ข้อมูลโดยศึกษาปัจจัยที่เกี่ยวข้องกันมากกว่า 2 ปัจจัย ทำให้เห็นเหตุผลของการเปลี่ยนแปลงของข้อมูลมากขึ้น อาจ Probability หรือ Clustering เข้ามาช่วยวิเคราะห์ได้

3. Predictive คือการนำข้อมูลในอดีตมาทำนายอนาคตโดยใช้ปัจจัยที่เคยเกิดขึ้นในอดีต

4. Prescriptive คือการตั้งสมมติฐาน หากมีการเปลี่ยนแปลงเกิดขึ้นแล้วจะผลเกิดขึ้นอย่างไร ได้ผลลัพธ์อย่างไร

ในการวาง Model Pipeline ขั้นตอน Descriptive จะเกิดก่อนเสมอและมักจะเป็นขั้นตอนที่ใช้เวลานานเพราะต้องทำงานกับ Data Owner และผู้เกี่ยวข้องหลายส่วนแต่เมื่อเข้าใจสถานะของข้อมูลอย่างครบถ้วนแล้วในขั้นตอนการวิเคราะห์เชิงลึกจะสามารถมองเห็น Insight และได้ผลลัพธ์ที่สร้าง Impact ได้อย่างมาก

แต่หากละเลยการวิเคราะห์แบบ Descriptive ไป ผลลัพธ์ที่ได้จากการวิเคราะห์เชิงลึกหรือแม้แต่การสร้าง Model ก็อาจจะไม่ตอบโจทย์ก็เป็นได้

Model Pipeline จำเป็นจะต้องถูกออกแบบโดยผู้เชี่ยวชาญที่มีประสบการณ์เพราะเป็นการเชื่อมโยง Model เรียงร้อยต่อกันเป็นลำดับขั้น มิใช่แค่การสร้าง Model ใด Model เดียว

อ่านรายละเอียดเรื่อง Model Pipeline ได้ที่ >>>

https://www.facebook.com/coralineltd/posts/1089929861505829

#BigData #DataScience #Optimization #ProductivityImprovement #DigitalTransformation #MachineLearning #ArtificialIntelligence #DataManangement #DataGovernance #DataQuality #DeepLearning #Coraline

We turn your DATA into your KEY of SUCCESS.

Email: inquiry@coraline.co.th

Tel: 099–425–5398


คำว่า Big Data ได้ชื่อว่าเป็น Buzzword อย่างหนึ่ง ทำให้เรามักจะพบเจอโครงการที่เรียกว่าเป็น Big Data ในรูปแบบต่างๆเช่น การซื้อระบบ การวิเคราะห์พฤติกรรมลูกค้าหรือแม้แต่การทำ Website เพื่อนำเสนอข้อมูล

ไม่เพียงแต่ในมุมของโครงการ Vendor ที่ใช้คำว่า Big Data เป็น Keyword ก็มีหลากหลายเช่นกัน

รูปแบบของบริษัทต่างๆที่ห้อยคำว่า Big Data เป็นคำอธิบายของบริษัทมีดังนี้

1. SI หรือ System Integration ส่วนใหญ่เป็นบริษัทขนาดกลาง-ใหญ่ เป็นบริษัทที่มี License ของ Hardware และ Software เดิมจะเน้นการขายระบบที่สำเร็จรูปแต่ปัจจุบันบริษัท SI หลายบริษัทจะรับพัฒนาโครงการด้วย(บางครั้งก็จะร่วมพัฒนากับกับบริษัท Developer) ซึ่ง SI แต่ละเจ้าจะมีความถนัดใน Product ที่ต่างกันอยู่ที่ว่าแต่ละบริษัทเน้นทำยอด Product ตัวไหนเป็นพิเศษ แต่ก็มี…


CTO vs CIO

ปัจจุบันเริ่มมีหลายองค์กรที่มีตำแหน่ง CIO เกิดขึ้น ซึ่งลักษณะงานของ CIO อาจจะไม่แตกต่างกับ CTO มากนักเพราะทีมงานที่อยู่ภายใต้การดูแลของ CIO ก็เป็นกลุ่ม IT เช่นเดียวกัน CTO

วันนี้ Coraline จะมาสรุปโดยย่อถึงความแตกต่างระหว่าง CTO และ CIO ดังนี้

1. เขียนไม่เหมือนกัน Chief information officer (CIO) หมายถึงผู้บริหารสูงสุดที่บริหารสายงานข้อมูล Chief technology officer (CTO) หมายถึงผู้บริหารสูงสุดที่บริหารสายงานเทคโนโลโลยี

2. Focus ต่างกัน CIO จะ Focus ที่การปรับปรุงพัฒนาระบบภายในองค์กร ผลที่ได้คือการทำงานที่มีประสิทธิภาพมากขึ้น CTO จะ Focus การพัฒนาเทคโนโลยีเพื่อเสนอแก่ลูกค้า ผลที่ได้คือผลิตภัณฑ์ใหม่ๆออกสู่ตลาด

3. Skill บางอย่างไม่เหมือนกัน CIO จะเป็นคนที่เข้าใจ Business Process มากกว่า และต้องมี Skill ในการสื่อสารเนื่องด้วยลักษณะงานเป็นการปรับปรุงพัฒนาระบบภายในขององค์กร

CTO จะต้องศึกษาเทคโนโลยีใหม่ๆมีการนำเสนอนวัตกรรมใหม่ๆอยู่เสมอ ทีมงานส่วนใหญ่จะเป็นกลุ่มนักพัฒนาและกลุ่มวิศวกร

4. ผลลัพธ์ที่ได้มี Core ที่แตกต่างกัน CIO จะเน้นผลลัพธ์ที่เป็นระบบข้อมูล ตั้งแต่การวาง Infrastructure และการ Analytics ในขณะที่ผลลัพธ์ของทีม CTO อาจเป็นระบบ Automation หรือ Digital Product

5. เหมาะกับองค์กรที่ต่างกัน CTO เหมาะกับ Tech-Company ที่มีการพัฒนาเทคโนโลนีออกสู่ตลาด ในขณะที่ CIO เหมาะกับทุกองค์กร ที่มีแผนก IT เป็นของตัวเอง

อย่างไรก็ตามหากถามว่าจำเป็นต้องมีทั้ง CIO และ CTO หรือไม่? คำตอบอยู่ที่ขนาดและประเภทขององค์กร ถ้าเป็นองค์กรขนาดใหญ่ที่เน้นการพัฒนาเทคโนโลยีออกสู่ตลาดก็อาจจะมีทั้ง 2 ตำแหน่งได้ แต่ถ้าเป็นองค์กรทั่วไปสามารถพิจารณาให้มี CIO ก่อนได้

ทั้งนี้เนื่องจากในยุคก่อนเมื่อพูดถึง IT ทุกคนจะนึกถึงการซื้อระบบ ทำให้รูปแบบการทำงานเน้น Automation โดยไม่ได้เน้นที่ Information แต่เมื่อเข้ายุค Big Data ที่เน้นการใช้ประโยชน์จากข้อมูลทำให้ C-Level เองก็ต้องมีการปรับตัวเหมือนกัน

CIO จึงเป็นตำแหน่งที่สำคัญมากและต้องมีความเข้าใจในการใช้ประโยชน์จากข้อมูลจริงๆจึงจะคู่ควรแก่ตำแหน่งนี้


ช่องว่างระหว่าง Generation ของ Data Engineer

Data Engineer เป็นอาชีพที่เราเพิ่งเคยได้ยินเมื่อไม่นานมานี้ แต่แท้จริงแล้วพื้นฐานของการเป็น Data Engineer มาจากการบริหาร Database แต่เมื่อชุดข้อมูลเปลี่ยนไปเป็น Big Data ที่มีการเชื่อมโยงข้อมูลจากหลายแหล่งรวมกัน ทำให้งานของ Data Engineer จึงมีความท้าทายมากขึ้นโดยทำหน้าที่ออกแบบ Data Pipeline ตั้งแต่ต้นน้ำไปถึงปลายน้ำ

Generation แรกของการเป็น Data Engineer คือ Data Administrator หรือผู้ดูแลระบบข้อมูลทำหน้าที่ Query ข้อมูลและส่งมอบข้อมูลให้ผู้ที่ต้องการใช้ ซึ่งการจะ Query ได้ก็จำเป็นต้องรู้จักคำสั่งพื้นฐานของโปรแกรมและมีความรู้เรื่องการจัดการ Database…


ความเดิมตอนที่แล้ว Coraline ได้นำเสนอบทความ “เมื่อผู้บริหารสนใจแต่ Dashboard “ (อ่านได้ที่ >>> https://bit.ly/3gGSUOo )

มีคำถามจากหลายท่านว่าแล้วการสร้าง Dashboard มันยากตรงไหน

คำตอบคือ การสร้าง Dashboard ไม่ยากแต่การจัดการกับข้อมูลโดยเฉพาะข้อมูล Big Data ก่อนเข้า Dashboard ต่างหากที่ยาก

หากเป็นข้อมูลที่มาจากแหล่งเดียว การเข้า Dashboard ก็จะเป็นรูปแบบโครงสร้างเดียว (อันนี้ไม่ถือว่าเป็น Big Data เพราะไม่ตอบโจทย์ใน V ที่ 3 คือ Variety) แต่ถ้าเป็นข้อมูลที่มาจากหลาย Source ที่ก่อนหน้านี้ไม่ได้นำมาเชื่อมโยงกันหรือจัดโครงสร้างแต่แรก การนำข้อมูลจากหลาย Source มาขึ้น Dashboard เป็นการทำงานที่ต้องใช้ Skill ในการบริหารจัดการข้อมูลก่อนเข้า Dashboard…


Dashboard คืออะไร?

ในยุคก่อน เราจะนำข้อมูลต่างๆ มาคำนวณในโปรแกรม Excel แล้วสร้างตารางกับกราฟ เพื่อนำไปวางในโปรแกรม PowerPoint ก่อนที่จะนำ Slide นั้นไปนำเสนอ

ขั้นตอนต่างๆเหล่านี้เรียกว่าเป็นการทำงานแบบ Manual เพราะจะต้องใช้พนักงานเป็นผู้ Import ข้อมูลเข้า Excel คำนวณ สร้างกราฟ ก่อนที่จะนำไปแสดงผลได้ทำให้ต้องใช้ระยะเวลาแม้จะเป็นการ Set Template เอาไว้แล้วก็ตาม

เพื่อแก้ปัญหานี้จึงมีการคิดค้นโปรแกรม BI ขึ้นมา เพื่อทำหน้าที่ในการแสดง Dashboard ที่มีทั้งแบบ Realtime และ Batch…

CORALINE CO. LTD

We seek to be the acknowledged leader in Data Science & Operations Research in searching for new solutions and bringing customer’s big data into real action.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store