<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Nichakot Toon on Medium]]></title>
        <description><![CDATA[Stories by Nichakot Toon on Medium]]></description>
        <link>https://medium.com/@nichakot.s?source=rss-5fa9bace9877------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*AHaE9FvjPl08-xuU.</url>
            <title>Stories by Nichakot Toon on Medium</title>
            <link>https://medium.com/@nichakot.s?source=rss-5fa9bace9877------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 19:34:58 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@nichakot.s/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[ธุรกิจของคุณต้องใช้ Machine Learning หรือยัง !]]></title>
            <link>https://medium.com/finnomena/%E0%B8%98%E0%B8%B8%E0%B8%A3%E0%B8%81%E0%B8%B4%E0%B8%88%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%84%E0%B8%B8%E0%B8%93%E0%B8%95%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B9%83%E0%B8%8A%E0%B9%89-machine-learning-%E0%B8%AB%E0%B8%A3%E0%B8%B7%E0%B8%AD%E0%B8%A2%E0%B8%B1%E0%B8%87-4484c4325fdf?source=rss-5fa9bace9877------2</link>
            <guid isPermaLink="false">https://medium.com/p/4484c4325fdf</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[bussiness]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Nichakot Toon]]></dc:creator>
            <pubDate>Fri, 29 Jun 2018 11:41:27 GMT</pubDate>
            <atom:updated>2018-06-29T11:42:39.542Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/960/0*daV4RDYBDNqsmSSO.jpg" /></figure><p>AI กำลังจะเข้ามาแทนคนได้จริงหรือไม่ ?</p><p>พอดีได้มีโอกาสไปฟัง <strong>Tencent Open House #11 AI&amp;MACHINE LEARNING </strong>โดยเนื้อหาภายในงานจะแบ่ง Speaker ออกเป็น 3 พาร์ท <strong>ที่เราจะมาสรุปให้ฟังกันวันนี้คือ พาร์ทที่ 3 </strong>โดยคนพูดคือพี่ ต้า Virot Chairaphadhanakul จาก Skooldio พูดเรื่องเกี่ยวกับ PEOPLE + AI (Human intelligence meets machine intelligence)</p><p>ถ้าพูดถึงเทรนด์ด้านเทคโนโลยีที่กำลังมาในตอนนี้ เราคงปฏิเสธไม่ได้ว่าเทรนด์แห่งปีนี้คงหนีไม่พ้น AI และการทำ Machine Learning คงต้องยอมรับกันจริงๆแล้วว่าในอนาคต AI กำลังจะเข้ามามีบทบาทสำคัญ</p><h4><strong>ทำไมหลายๆคนถึงต้องอยากทำ Machine Learning …</strong></h4><p>คำถามแรกเปิดมาก็โดนใจเลย <strong>“บริษัทเราต้องใช้ Machine Learning หรือยัง !” </strong>เปิดมาแบบนี้ทั้งๆที่ตั้งใจมาฟังเรื่อง AI และ Machine Learning แต่อย่าเพิ่งตกใจกัน เพราะการจะทำ Machine Learning เราควรจะตั้งคำถามกับบริษัทเราว่า</p><blockquote>Product เราปังหรือยัง ?</blockquote><p>ถ้า Product เรายังไม่ปัง เราก็ไม่ควรทำ AI เพราะอะไร มาดูกัน</p><p>การที่ Product ปัง ! เราจะได้ User มาใช้งาน เมื่อ User มาใช้งานเราก็ได้ข้อมูล ยิ่ง User ใช้มากๆเรายิ่งได้ข้อมูล</p><p>แล้วข้อมูลมากๆบอกอะไรเรา?</p><p>ยิ่งข้อมูลของ User มากเท่าไหร่ Model ก็จะทำนายได้แม่นมากขึ้น นี่คือเหตุผลว่าทำไม Product เราถึงต้องปัง</p><p>ยกตัวอย่างให้เห็นภาพง่ายๆ คือ Google</p><blockquote>Google มาถูกที่ถูกเวลา ทุกวันนี้เราใช้ชีวิตแบบขาด Google ไม่ได้</blockquote><p>ตัวอย่าง: Product อย่างแรกที่ Google ทำคือ Search Engine</p><p>ไม่ใช่การทำ Machine Learning แต่เป็นการใช้ Big Data เข้ามาร่วมด้วย เราใช้ Google มากขึ้นเท่าไหร่ Google ก็จะได้ข้อมูลของเรามากขึ้น ยิ่งมีข้อมูลมากขึ้นเราก็สามารถทำ Machine Learning เพื่อทำนายหรือเดาใจเราได้ตรงใจว่าเราต้องการอะไร ซึ่ง Google อาจจะรู้จักตัวเราเองมากกว่าที่ตัวเรารู้จัก จึงไม่แปลกใจเลยว่าทำไมการที่จะ search หาอะไร Google จะต้องขึ้นมาเป็น Choice แรกของเกือบทุกคน</p><p>อีกหนึ่งตัวอย่าง Google คือหน้า email</p><p>ซึ่งไม่ได้เกิดจากการใช้ Machine Learning แต่เกิดจากการกำหนด Context ให้จับคำว่า “attached” หรือ “contain” เพื่อดูว่าผู้ใช้งานลืมส่งไฟล์ที่จะแนบไปด้วยหรือเปล่า ถ้าไม่ใช่เพราะผู้ใช้ต้องการส่งแบบนั้นจริงๆ ก็จะเป็นการส่ง Feedback กลับมาให้เราแล้วทำการพัฒนาข้อมูลเรื่อยๆ</p><p>กฎข้อสำคัญของการทำ Machine Learning คือ Don’t expect machine learning to figure out what problems to solve การทำ Machine Learning ต้องใช้ข้อมูล ถ้าไม่มีข้อมูล ต้องเริ่มจากการเก็บข้อมูลก่อน ถ้าเรามีข้อมูลที่เพียงพอแล้วว่าเราต้องการอะไร ค่อยเริ่มทำ Machine Learning</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*llKC_W17P_CKjXxxpWcmBg.png" /></figure><p>การเก็บข้อมูลที่ดีจะต้องคำนึงถึง 2 อย่าง</p><ul><li>Representative การเอาข้อมูลที่ดี หรือตรงกับสิ่งที่โมเดลต้องการใส่เข้าไป มักใช้ในกระบวนการเตรียมข้อมูลก่อนจะแบ่งประเภทข้อมูลหรือทำนายโมเดล ถ้าหากข้อมูลที่ไม่ได้ representative สิ่งที่โมเดลต้องการจริงๆ อาจจะส่งผลให้โมเดล Fail ได้!</li><li>Bias สิ่งที่ต้องมั่นใจในการนำข้อมูลเข้าคือ ข้อมูลนั้นจะไม่เอนเอียง ตัวอย่างที่เราเห็นได้ชัดๆคือ การเก็บข้อมูลรายได้ของคน หากคนที่มีรายได้มากๆก็จะไม่ยอมเปิดเผยข้อมูล ทำให้ข้อมูล Bias ซึ่งการนำข้อมูลที่ Bias เข้าโมเดลจะทำให้ผลการรันโมเดลเพี้ยนหรือทำให้โมเดล Fail ได้</li></ul><h3>สิ่งที่สำคัญมากคือ<strong> “Collect More Data, If Needed !”</strong></h3><blockquote>“หากข้อมูลเรายังไม่พอสิ่งที่ต้องทำคือการเก็บข้อมูลเพิ่ม อย่าให้ข้อมูลเป็นตัวตั้งต้นว่าเราจะทำโมเดลอะไร แต่ให้โจทย์เป็นตัวตั้งต้น แล้วเราทำการคิดย้อนกลับไปในการทำโมเดลว่าเราต้องใช้ข้อมูลอะไร”</blockquote><p><strong>Models</strong></p><p>สิ่งที่เราต้องทำความเข้าใจก่อนว่า Machine Learning ไม่ได้ถูกเทรนขึ้นมาเพื่อให้ถูกต้อง 100% ดังนั้นที่เราต้องทำคือ Human-in-loop Machine Learning ได้แก่</p><p>การนำคนเข้ามาในระหว่างการทำโมเดล หรือเพื่อช่วยตัดสินใจในการสร้างโมเดล</p><p>การใส่ข้อมูล(Input) ที่เป็นข้อมูลผิดแปลกจากข้อมูลทั่วไปเข้าโมเดล สิ่งที่ต้องใช้คนเข้ามาบอกคือ Capacity เพราะโมเดลไม่มีทางรู้ว่าสิ่งนั้นคืออะไร ถ้ามีการนำข้อมูลที่แปลกใหม่เข้าไปคนจะทำการบอกโมเดลให้ทำการกำจัดสิ่งนั้นออกไป และทำการทำนายสิ่งนั้นต่อ</p><p>ที่เราควรคำนึงในการทำโมเดล คือ <strong>ทุก Service ที่เราทำอยู่มีการให้ User ให้ Feedback หรือยัง ? หรือมีวิธีเก็บ Feedback มั้ย ?</strong> เพราะยิ่งได้ข้อมูลจาก User มากเท่าไหร่จะยิ่งทำให้เราได้ข้อมูลมาพัฒนาโมเดลให้ดียิ่งขึ้น</p><p><strong>Human Evaluation</strong></p><p>หนึ่งในหลายๆสิ่งที่บริษัทอยากทำคือการ Automate ข้อมูลเพื่อลดการใช้จำนวนพนักงานแต่ความเป็นจริงในโลกนี้คือ บริษัทที่ใหญ่มีจำนวนพนักงานที่มากมายเพื่อพัฒนาโมเดล หรือ Machine Learning ให้ดีมากขึ้น</p><p><strong>Decisions</strong></p><p>สิ่งที่เราต้องทำความเข้าใจคือข้อมูลในโมเดลของเราทำนายได้ถูกต้องมากน้อยแค่ไหน สิ่งที่คนทำโมเดลต้องมองอาจจะไม่ใช่ค่า Accuracy แต่จะเป็นค่า Precision (การคำนวณเทียบกับคำตอบที่ผิดข้างเคียงว่าถูกมากน้อยแค่ไหน) และ Recall (การคำนวณ เมื่อส่งคำตอบไปแล้ว โมเดลตอบถูกมาเท่าไหร่) หรือ ROC CURVE เพื่อดูว่าโมเดลเราพัฒนาเป็นอย่างไร</p><p><strong>Prototyping</strong></p><p>ยกตัวอย่างที่เห็นภาพชัดๆ คือ การทำ Chatbot สิ่งที่เราควรเทสก่อนคือ การให้ User มาลองใช้จริงๆแล้วให้คนจริงๆตอบแชท โดยทำการดูปฏิกิริยาของ user เวลาเราพิมพ์แชทตอบกลับไปว่าเขามีการตอบโต้กับสิ่งที่เราพิมพ์อย่างไร เข้าใจสิ่งที่เราพิมพ์หรือเปล่า</p><p>การที่เรามี Data เราสามารถทำโมเดลเพื่อทำนายให้ได้ผลลัพธ์ออกมา แต่ท้ายที่สุดแล้วก็จำเป็นต้องพึ่งคนเพื่อตัดสินใจต่อว่าควรทำอย่างไร ?</p><p>ยกตัวอย่างคือการกู้เงิน เรามีข้อมูลของคนคนหนึ่งมากมายเพื่อให้โมเดลทำนายว่าเราสามารถให้กู้เงินได้หรือไม่ ถ้าโมเดลทำนายว่าเขาจะคืนเงิน 50% สุดท้ายแล้วคนก็ยังมีหน้าที่ที่ยังต้องตัดสินใจว่าจะปล่อยกู้หรือเปล่า ?</p><p><strong>สุดท้ายบทบาทสำคัญของ Data Scientist คือเก็บ Data ไปจนถึงตัดสินใจผลลัพธ์ของ Model เพื่ออธิบายผลการทำนายของโมเดลให้ทาง Business เข้าใจว่าผลลัพธ์ของโมเดลมีความหมายว่าอย่างไร ?</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/0*5MGDJHMYfh55x2dF.jpg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4484c4325fdf" width="1" height="1" alt=""><hr><p><a href="https://medium.com/finnomena/%E0%B8%98%E0%B8%B8%E0%B8%A3%E0%B8%81%E0%B8%B4%E0%B8%88%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%84%E0%B8%B8%E0%B8%93%E0%B8%95%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B9%83%E0%B8%8A%E0%B9%89-machine-learning-%E0%B8%AB%E0%B8%A3%E0%B8%B7%E0%B8%AD%E0%B8%A2%E0%B8%B1%E0%B8%87-4484c4325fdf">ธุรกิจของคุณต้องใช้ Machine Learning หรือยัง !</a> was originally published in <a href="https://medium.com/finnomena">Finnomena</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[4 เคล็ดลับ The OODA Loops ที่สาว ๆ ใช้ซื้อของโดยไม่รู้ตัว !]]></title>
            <link>https://medium.com/finnomena/4-%E0%B9%80%E0%B8%84%E0%B8%A5%E0%B9%87%E0%B8%94%E0%B8%A5%E0%B8%B1%E0%B8%9A-the-ooda-loops-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%AA%E0%B8%B2%E0%B8%A7-%E0%B9%86-%E0%B9%83%E0%B8%8A%E0%B9%89%E0%B8%8B%E0%B8%B7%E0%B9%89%E0%B8%AD-chanel-%E0%B9%82%E0%B8%94%E0%B8%A2%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%95%E0%B8%B1%E0%B8%A7-a0dea9118623?source=rss-5fa9bace9877------2</link>
            <guid isPermaLink="false">https://medium.com/p/a0dea9118623</guid>
            <category><![CDATA[ooda-loop]]></category>
            <category><![CDATA[chanel]]></category>
            <category><![CDATA[shopping]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Nichakot Toon]]></dc:creator>
            <pubDate>Fri, 16 Mar 2018 13:04:37 GMT</pubDate>
            <atom:updated>2018-03-17T12:12:18.553Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*E9v1XBfO0LtdqLIM.jpg" /></figure><p><strong>จะซื้อ Chanel Classic Flap Bag 1 ใบจะซื้อแบบไหนดี ?</strong></p><p>คำนวณเงินเพื่อดูว่าเงินเพียงพอต่อการซื้อหรือไม่ ?</p><p>หาข้อมูลเพื่อนำมาเปรียบเทียบว่าซื้อประเทศไหนคุ้มที่สุด หรือร้านไหนที่ได้ราคาดี</p><p>หรือวิเคราะห์ว่าถ้าซื้อแล้วจะได้ผลตอบแทนอะไรกับสิ่งนี้มากกว่าที่ตอบสนองแค่ความต้องการ</p><p>รวบรวมรายรับ รายจ่ายของตัวเองอีกครั้ง ก่อนซื้อ !!</p><h3><strong>รู้หรือเปล่าว่าวิธีนี้ไม่ต่างกับ Data Scientist !</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/791/0*2ciQjEkcPuT_g2fJ.png" /></figure><p>ในยุคนี้คงปฏิเสธไม่ได้ว่าใครๆก็ต้องพูดถึง Big Data แต่อย่าลืมไปว่า Big Data ไม่ใช่ข้อมูลเพียงก้อนเดียว แต่เกิดจากข้อมูลหลายๆข้อมูลมารวมกันเป็น Big Data เพราะฉะนั้นข้อมูลทางด้านการเงินก็เหมือนกัน ข้อมูลมหาศาลทางด้านการเงินถูกเก็บรวบรวมเป็น Big Data ซึ่งข้อมูลที่ได้อาจจะไม่ตรงใจกับสิ่งที่เราต้องการมากนัก</p><p>Data Scientist ทำการแจกแจงข้อมูล แก้ไขข้อมูลที่ผิดพลาด ทำข้อมูลให้เป็นรูปแบบเดียวกัน และลบข้อมูลที่ซ้ำกัน เพื่อหาตัวแปรสำคัญต่างๆมาวิเคราะห์โมเดล ซึ่งแผนการวิเคราะห์ทางการเงินอาจจะไม่ได้ผลลัพธ์ออกมาที่ตรงใจของเราภายใน การวิเคราะห์เพียงรอบเดียว เพราะข้อมูลทางด้านการเงินมีการเปลี่ยนแปลงทุกวัน ปัจจัยหลายๆอย่างที่เคยส่งผลต่อการวางแผน อาจจะไม่ส่งกับอนาคต หรือปัจจัยที่ไม่เคยส่งผลในอดีต อาจจะส่งผลกับเราในอนาคต</p><p>การวิเคราะห์ข้อมูลที่ต้องทำงานซ้ำๆ จนกว่าจะได้การวางแผนการเงินที่เราคิดว่าเป็นประโยชน์ และน่าเชื่อถือที่สามารถใช้งานได้จริง</p><p>เพราะทุกครั้งที่มีการเปลี่ยนแปลงด้านเศรษฐกิจจะส่งผลต่อปัจจัยหลายๆด้าน เพราะฉะนั้นสิ่งที่ไม่ควรเปลี่ยนตามเศรษฐกิจ คือ เป้าหมายของเรา การวิเคราะห์ขั้นตอนซ้ำๆแบบนี้แนะนำให้ใช้โมเดล “The OODA Loop”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/215/0*LZdLqJqqHDRa9pCV.png" /></figure><h4>จริงๆ แล้ว “The OODA Loop” เป็นสิ่งที่ทุกคนมีในตัว เวลาจะตัดสินใจทำบางสิ่งบางอย่าง</h4><p>หลักของ “The OODA Loop” มีอะไรบ้าง</p><ol><li><strong>Observe</strong> เป็นขั้นตอนที่หาข้อมูลทั้งหมดที่คุณสามารถหาได้ เพื่อนำมาวิเคราะห์ในขั้นตอนถัดไป</li></ol><ul><li>ขั้นตอนของการซื้อ Chanel สิ่งแรกที่เราต้องหาคือข้อมูล สี รุ่น หนังแบบที่เราต้องการ ปี ราคา !</li></ul><p>2. <strong>Orient</strong> เป็นขั้นตอนที่วิเคราะห์ความเป็นไปได้จากข้อมูลที่ได้มา</p><ul><li>ทำการสำรวจว่ากระเป๋ารุ่นที่เราต้องการ ราคาเท่าไหร่ ซื้อประเทศไหนที่คุ้มค่า</li><li>หาโปรโมชั่นจากหลายๆร้านค้า</li><li>จัดอันดับ ร้านค้าที่เราต่อรองได ้</li></ul><p>หากร้านที่ราคาเท่ากัน เราอาจจะลองคุยกับแต่ละร้านค้า เพื่อหาร้านที่เราพอใจ</p><p>3. <strong>Decide</strong> เป็นขั้นตอนของการตัดสินใจ เป็นส่วนสำคัญของ The OODA Loop เพราะเป็นขั้นตอนเพื่อตอบสนองความต้องการ โดยใช้ข้อมูลทั้งหมดในการตัดสินใจ หรือคิดจากโมเดลที่คำนวณมาแล้ว</p><ul><li>เมื่อเราวิเคราะห์จากข้อมูลทั้งหมดมาได้แล้ว เราก็จะตัดสินใจว่าเราควรซื้อร้านไหน !</li></ul><p>4.<strong> Act </strong>เป็นขั้นตอนสุดท้ายแต่ไม่ท้ายสุดของ The OODA Loop เพราะขั้นตอนนี้เป็นขั้นตอนในการทำที่ตอบสนองสิ่งที่เราต้องการ เพื่อเก็บผลัพธ์ในการวิเคราะห์ต่อไป</p><ul><li>เมื่อเราตัดสินใจซื้อร้านนั้นแล้วเรา เราจะต้องเก็บข้อมูลต่อ อาจจะเพื่อนำมาใช้ในการซื้อใบใหม่</li></ul><h4>ถ้าคุณมีวิธีคิดตามนี้คุณก็อาจเป็น Data Scientist ที่ดีได้นะ !</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ck9ifooGR6o3_zFf.jpg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a0dea9118623" width="1" height="1" alt=""><hr><p><a href="https://medium.com/finnomena/4-%E0%B9%80%E0%B8%84%E0%B8%A5%E0%B9%87%E0%B8%94%E0%B8%A5%E0%B8%B1%E0%B8%9A-the-ooda-loops-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%AA%E0%B8%B2%E0%B8%A7-%E0%B9%86-%E0%B9%83%E0%B8%8A%E0%B9%89%E0%B8%8B%E0%B8%B7%E0%B9%89%E0%B8%AD-chanel-%E0%B9%82%E0%B8%94%E0%B8%A2%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%95%E0%B8%B1%E0%B8%A7-a0dea9118623">4 เคล็ดลับ The OODA Loops ที่สาว ๆ ใช้ซื้อของโดยไม่รู้ตัว !</a> was originally published in <a href="https://medium.com/finnomena">Finnomena</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[จาก “ศูนย์” สู่ “ล้านไลค์!” ด้วย BI (Business Intelligence)]]></title>
            <link>https://medium.com/finnomena/%E0%B8%88%E0%B8%B2%E0%B8%81-%E0%B8%A8%E0%B8%B9%E0%B8%99%E0%B8%A2%E0%B9%8C-%E0%B8%AA%E0%B8%B9%E0%B9%88-%E0%B8%A5%E0%B9%89%E0%B8%B2%E0%B8%99%E0%B9%84%E0%B8%A5%E0%B8%84%E0%B9%8C-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-bi-business-intelligence-3e2020b57b47?source=rss-5fa9bace9877------2</link>
            <guid isPermaLink="false">https://medium.com/p/3e2020b57b47</guid>
            <category><![CDATA[digital-marketing]]></category>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Nichakot Toon]]></dc:creator>
            <pubDate>Fri, 16 Feb 2018 12:48:29 GMT</pubDate>
            <atom:updated>2018-02-17T16:50:32.663Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/850/0*irhoEEO02i8zN-qx.png" /></figure><p><em>เมื่อเราเข้าสู่ยุคดิจิทัล social media กลายเป็นส่วนหนึ่งของชีวิตเรา คงปฏิเสธไม่ได้ว่าธุรกิจหลายๆธุรกิจอยู่บนโลกออนไลน์ …</em></p><h3><strong>ถ้าอยากปั้นสู่ล้านไลค์ ต้องตอบคำถามพวกนี้ได้ !</strong></h3><ul><li>ไม่รู้พฤติกรรมของลูกค้า</li><li>boost เพจเป็นหมื่น ได้คืนไม่ถึงเป้า</li><li>ยิง campaign เป็นห่าฝน แต่ไม่ได้ผลอะไรเลย</li><li>ขาดท่ายากที่ใช้กระชากใจลูกค้า</li><li>ขาดข้อมูลที่แม่นยำ ( เช่น รู้ได้ยังไง ? ว่ายิงโฆษณาไปโดนกลุ่มเป้าหมาย)</li></ul><p>สิ่งที่หลายคนยังไม่รู้ หนึ่งในปัจจัยสำคัญที่ใช้ขับเคลื่อนธุรกิจ Startup คือ ‘Traction’</p><p><strong>สำหรับใครที่ยังไม่รู้ว่า TRACTION คืออะไร ?</strong></p><p>TRACTION คือ การมีผู้เข้ามาใช้บริการของเรา ถ้าพูดง่ายๆคือการที่ลูกค้ากดเข้าเว็บไซต์ ดาวน์โหลดแอพพลิเคชั่น ถ้ามองในมุมธุรกิจจริงๆแล้ว TRACTION ถือว่าเป็นตัวแปรสำคัญในแง่ของการขับเคลื่อนธุรกิจเลยก็ว่าได้</p><blockquote>แต่เราจะทราบได้อย่างไรว่าสิ่งที่ได้รับมาจาก TRACTION นั้นมีประสิทธิภาพต่อธุรกิจจริงๆ เพราะเหตุนี้ … เราจึงต้องอาศัย BI DEVELOPER เข้ามาช่วยวิเคราะห์ข้อมูล</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/953/0*OaPn3REvXiA50dr0.png" /></figure><h4>BI BI BI …. ได้ยินคำนี้มาจนคุ้นหู จริงๆแล้วทำอะไรกันแน่ ???</h4><p>แล้วถ้าความหมายของคำว่า BI (บี-ไอ) ล่ะ ?</p><p>ชื่อเต็มคือ Business Intelligence (BI) คือ เทคโนโลยีสำหรับการรวบรวมข้อมูล จัดเก็บ วิเคราะห์ และเข้าถึงข้อมูล รวมถึงการดูในหลากหลายมุมมอง (Multidimensional Model) ของแต่ละหน่วยงาน ซึ่งช่วยให้องค์กรทำการตัดสินใจได้ดียิ่งขึ้น เครื่องมือของ BI จะรวบรวมการทำงานของระบบสนับสนุนการตัดสินใจ แบบสอบถามและสร้างรายงานเพื่อการวิเคราะห์ คนที่ดูแลและพัฒนาเทคโนโลยีเหล่านี้ก็คือ BI DEVELOPER นั่นเอง</p><p>ทีนี้เรามาดูความสัมพันธ์ของ BI Developer กับ Traction กันดีกว่าว่า …</p><h4><strong>BI Developer มีบทบาทกับ TRACTION มากแค่ไหน …</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Gb1VfteX9OkxkCXN.png" /></figure><p>อย่างที่บอก หน้าที่ของ BI Developer คือการวิเคราะห์ข้อมูล จัดเก็บข้อมูลต่างๆ นั่นคือส่วนที่ทำให้ BI ได้เช็คผลลัพธ์ของ TRACTION ว่าได้ผลมากน้อยแค่ไหน ?</p><p>โดยผ่านการวิเคราะห์ข้อมูลของเทคโนโลยี หรือ ซอฟท์แวร์ต่างๆที่ช่วยในการวิเคราะห์ข้อมูล BI จะทำการแปลผลจากข้อมูลดิบ ที่ยังเป็นภาษาคอมพิวเตอร์อยู่ ถ้านึกไม่ออกว่าภาษาคอมพิวเตอร์เป็นยังไง เช่น ….</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/0*Z_mISVmVtkdATYQM.jpg" /><figcaption>(แปลผล : ฟังก์ชั่นทำซ้ำ กิน นอน โค้ด ทำซ้ำ … สุขสันต์วันโปรแกรมเมอร์)</figcaption></figure><p>แล้วนำข้อมูลนั้นมาแปลผลในแง่ของธุรกิจให้ทุกคนอ่านแล้วเข้าใจได้ แต่หน้าที่ของ BI ไม่ใช่แค่แปลผลข้อมูล แต่ BI จะต้องวิเคราะห์ข้อมูล ดึงข้อมูลและจัดเก็บข้อมูล ซึ่งการแสดงข้อมูลจะสามารถตอบคำถามทางธุรกิจได้หลายมุมมองเพียงเวลาไม่กี่วินาที ดังนั้นเราก็จะวิเคราะห์ผลจากการทำ TRACTION ได้อย่างแม่นยำและรวดเร็ว ซึ่งข้อมูลที่ทาง BI แสดงผลจะตอบโจทย์การทำงานของหลายๆฝ่ายในองค์กรได้ เอื้อประโยชน์ในการวางแผนพัฒนาทำอย่างอื่นต่อได้ดี</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*aB5j7fnB8FwY6fTB.jpg" /></figure><p><strong>สิ่งที่ BI แตกต่างจากนักวิเคราะห์ทั่วไปก็คือ …</strong></p><p>Analyst จะนำข้อมูลจากในอดีตและปัจจุบันมาวิเคราะห์ในแต่ละโปรเจคทุกครั้งเมื่อมีประเด็นที่ต้องการ เครื่องมือที่ใช้ เช่น Excel , Spss , Matlab</p><blockquote>แต่ถ้ากรณีเจอข้อมูลเยอะอย่าง BIG DATA</blockquote><blockquote>จะทำอย่างไร ???</blockquote><p><strong>BI มีทางออก !! เพราะ BI เขียนโปรแกรมได้ !!</strong></p><p>จึงสามารถนำข้อมูลจากในอดีต และปัจจุบันมาวิเคราะห์หาแนวโน้ม หาสาเหตุของปัญหาและโอกาสทางธุรกิจ หรือในกรณีที่ซับซ้อนมากอาจใช้ Algorithm ต่างๆเข้าช่วยวิเคราะห์ข้อมูลก่อน เช่น Machine Learning Model ที่คิดค้นโดย Data Scientist (ถ้าเราเทพทำเองก็ได้) เพื่อแสดงผลแบบ real-time หรือเป็น report เพื่อเสนอแนวทางพัฒนาให้กับธุรกิจในอนาคต</p><p>อย่างในกรณีของเราจะใช้ tools ที่ base บน sql และ python</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*nurnc3hvLlEqHUco.png" /><figcaption>ตัวอย่างการใช้ tableau</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*EoHi_517m-TLV4yk." /><figcaption>ตัวอย่างการใช้ power bi</figcaption></figure><h3><strong>จากที่พูดไปด้านบนอาจจะมองไม่เห็นภาพว่าเราประยุกต์ BI กับ TRACTION อย่างไร</strong></h3><p>ชีวิตจริงใน FINNOMENA ทางทีม BI ได้เก็บและจัดการข้อมูลให้แสดงผลใน dashboard เพื่อความเข้าใจง่าย จากนั้นเราก็นำข้อมูลที่เห็นมาวิเคราะห์ต่อว่าควรใช้กลยุทธ์อะไรอย่างไรบ้าง ..</p><p>ในส่วนของ TRACTION ทาง BI ก็ได้มีการจัดเก็บวิเคราะห์ข้อมูลของ SOCIAL MEDIA และผลตอบรับของแคมเปญต่างๆ ซึ่งได้ทำให้เราเข้าใจว่าควรจะสร้าง TRACTION อย่างไรให้ได้ประสิทธิภาพ</p><p><strong>เพราะรู้ว่า ลูกค้า เป็นแบบไหน ชอบอะไร ?</strong></p><p><strong>วันไหนเหมาะกับโพสแบบไหน ?</strong></p><p><strong>ตลาดแบบนี้ ในอดีต โพสแบบไหนที่ดี ?</strong></p><p>เมื่อมีการวัดผล ก็จะรู้ว่า content แบบไหนที่ปัง ! พอเจอท่าไม้ตายนี้เราก็จะใช้ ถ้าไม่เห็นผลเมื่อไหร่ ? BI ก็จะแจ้งไปที่ ทีม TRACTION ให้เปลี่ยนโดยทันที</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*5maHR_PBAm5E6cAP.jpg" /></figure><h4>สรุปแล้ว …</h4><h4>เครื่องมือทาง BI สามารถช่วยให้เพจและธุรกิจของคุณถึงเป้าได้ง่ายขึ้น เพราะ ข้อมูลที่ชัดเจนและการวิเคราะห์ที่แม่นยำจะช่วยตอบปัญหาที่เกิดขึ้นกับธุรกิจได้ !</h4><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3e2020b57b47" width="1" height="1" alt=""><hr><p><a href="https://medium.com/finnomena/%E0%B8%88%E0%B8%B2%E0%B8%81-%E0%B8%A8%E0%B8%B9%E0%B8%99%E0%B8%A2%E0%B9%8C-%E0%B8%AA%E0%B8%B9%E0%B9%88-%E0%B8%A5%E0%B9%89%E0%B8%B2%E0%B8%99%E0%B9%84%E0%B8%A5%E0%B8%84%E0%B9%8C-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-bi-business-intelligence-3e2020b57b47">จาก “ศูนย์” สู่ “ล้านไลค์!” ด้วย BI (Business Intelligence)</a> was originally published in <a href="https://medium.com/finnomena">Finnomena</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>