ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 3 การใช้ประโยชน์ข้อมูลงานจดหมายเหตุ (Data Utilization)

ความท้าทายงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Dataตอนที่ 1. ความหมายของจดหมายเหตุตอนที่ 2. การทำให้เป็นดิจิทัลของเอกสารจดหมายเหตุตอนที่ 3. การใช้ประโยชน์ข้อมูลงานจดหมายเหตุ (ท่านกำลังอ่านบทความนี้) จาก 4 ประเด็นความท้าทายในงานจดหมายเหตุ ในบทความตอนที่ 2 ได้พูดถึงประเด็นความท้าทาย 2 ประเด็นแรกเป็นที่เรียบร้อยแล้ว ซึ่งเกี่ยวข้องกับการทำเอกสารให้อยู่รูปแบบดิจิทัล (Digitization) ซึ่งชี้ให้เห็นว่ากระบวนการทั้งระบบในการเก็บเอกสารให้อยู่ในรูปแบบดิจิทัลจะต้องทำอย่างไรบ้าง บทความนี้จึงต้องการให้เห็นถึงการใช้ประโยชน์ข้อมูลจดหมายเหตุเป็นกรณีศึกษาทั้งในหอจดหมายเหตุและนอกหอจดหมายเหตุ ซึ่งสามารถปรับใช้ทฤษฎีทางจดหมายเหตุและการบริหารจัดการข้อมูลกับองค์กรได้ และความท้าทายอื่น ๆ ที่เกี่ยวข้องกับงานจดหมายเหตุที่ยังไม่ได้กล่าวถึงในบทความตอนที่ 2 การจัดการและหาข้อมูลเชิงลึกในเอกสารจดหมายเหตุในปัจจุบัน เนื่องจากเอกสารจดหมายเหตุในปัจจุบันมีความหลากหลายและมีจำนวนที่มาก การเตรียมการทางสถาปัตยกรรมข้อมูลสำหรับเอกสารเหล่านี้จึงเป็นเรื่องที่สำคัญเป็นอย่างยิ่ง ซึ่งในบริบทของประเทศไทย ทางเราได้มีการจัดทำระเบียบวิธีวิจัยดังภาพที่ 1 ซึ่งสามารถแบ่งออกได้เป็น 2 ส่วนการวิจัย คือ ความท้าทายในการเข้าถึงข้อมูลเพื่องานด้านสังคมศาสตร์และมนุษยศาสตร์ จากการให้ข้อมูลผ่านแบบสอบถามประกอบกับประสบการณ์การเข้าใช้ของผู้เขียน จึงสามารถประกอบออกมาเป็นความท้าทายออกมาได้ดังนี้ นอกจากนี้ยังมีความท้าทายอื่น เช่น ข้อมูลในอินเทอร์เน็ต หรือ ข้อมูลจากฐานข้อมูลขององค์กรซึ่งเป็น Digital-born (ข้อมูลที่เป็นดิจิทัลมาตั้งแต่เริ่มต้น) ไม่ครอบคลุมเมื่อเทียบกับที่มีอยู่ในสถานที่จริง หรือ แม้แต่ความหลากหลายของชนิดเอกสารที่จัดเก็บซึ่งมีความท้าทายในกระบวนการ digitization, การจัดเก็บข้อมูลดิจิทัลเหล่านั้น และการเก็บรักษาเอกสารต้นฉบับให้คงอยู่ได้นานที่สุดอีกด้วย ความท้าทายเชิงเทคนิคเพื่อสัมฤทธิ์ผลความต้องการของผู้ใช้ จากการอนุเคราะห์ข้อมูลและคำสัมภาษณ์ตามส่วนที่ 2 ที่ระบุในระเบียบวิธีวิจัย รวมถึงการศึกษางานวิจัยที่เกี่ยวข้องกับการจัดการข้อมูลจดหมายเหตุ พบว่าความท้าทายในเชิงเทคนิคสามารถแบ่งออกมาได้เป็น 3 รูปแบบ คือ 1. การค้นหาเอกสารด้วยเนื้อหาและความหมายภายในเอกสารนั้น (Semantic Search) นับตั้งแต่ พ.ศ. 2550 (ค.ศ. 2007) เป็นต้นมา แนวคิดวิทยาการเปิดเผย (Open Science) ได้ถูกนำมาพูดถึงและปฏิบัติใช้ในวงการวิจัยและแพร่กระจายไปยังวงการอื่น ๆ รวมถึงการทำข้อมูลเปิดเผยอีกด้วย ซึ่งโครงสร้างและความเชื่อมโยงของแนวคิดวิทยาการเปิดเผยเป็นไปตามภาพที่ 2 โดยแนวคิดแกนหลักของวิทยาการเปิดเผยจะมีวัตถุประสงค์เพื่อเพิ่มความโปร่งใสในกระบวนการวิจัย นับตั้งแต่กระบวนการทำวิจัย การบริหารจัดการงานวิจัย ไปจนถึงการบริหารข้อมูลที่มาจากงานวิจัย ในปัจจุบัน เนื่องจากข้อมูลนั้นเพิ่มขึ้นมาเป็นจำนวนมาก การบริหารจัดการข้อมูลเพื่อทำให้สามารถเพิ่มศักยภาพในการค้นพบความรู้ใหม่และนวัตกรรมเป็นสิ่งที่จำเป็นอย่างยิ่ง จึงทำให้ Wilkinson, et al. (2016) ได้สรุปหลักการพื้นฐานที่ทำให้การบริหารจัดการข้อมูลเป็นไปอย่างมีประสิทธิภาพ คือ Findable-Accessible-Interoperable-Reusable (FAIR Principles) ซึ่งเจาะจงไปที่ตัวข้อมูลและเมตาเดตาให้มีรายละเอียดอธิบายที่มากเพียงพอให้สามารถค้นหาได้ เปิดเผย และเป็นมาตรฐาน …

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 3 การใช้ประโยชน์ข้อมูลงานจดหมายเหตุ (Data Utilization) Read More »

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 2 การทำให้เป็นดิจิทัลของเอกสารจดหมายเหตุ (Digitization)

ความท้าทายงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Dataตอนที่ 1. ความหมายของจดหมายเหตุตอนที่ 2. การทำให้เป็นดิจิทัลของเอกสารจดหมายเหตุ (ท่านกำลังอ่านบทความนี้)ตอนที่ 3. การใช้ประโยชน์ข้อมูลงานจดหมายเหตุ ก่อนหน้านี้ในบทความ งาน “จดหมายเหตุ” ความท้าทายเมื่อเข้าสู่ยุค Big Data เราได้รู้จักคำจำกัดความของงาน “จดหมายเหตุ” และการคัดแยกระหว่างสิ่งที่เป็นเอกสารจดหมายเหตุและสิ่งที่ไม่ใช่เอกสารจดหมายเหตุ ซึ่งจะเห็นได้ว่ารูปแบบของเอกสารจดหมายเหตุเปลี่ยนไปตามกาลเวลาดังภาพที่ 1 การจัดการเอกสารจดหมายเหตุในปัจจุบันสมัยจึงเป็นสิ่งที่ท้าทายมากยิ่งขึ้นทั้งในปัจจัยทางรูปแบบเอกสารและปัจจัยทางการวิเคราะห์ข้อมูล ซึ่งในบทความนี้จะแบ่งความท้าทายในงานจดหมายเหตุออกเป็น 4 ประเด็นดังนี้ โดยบทความนี้จะพูดถึงในสองหัวข้อแรกก่อน ซึ่งเกี่ยวข้องกับส่วนของการแปลงข้อมูลให้อยู่ในรูปแบบดิจิทัล (Digitalization) ข้อมูลที่หลากหลายมากขึ้นในยุค Big Data ด้วยความที่หลักฐานทางประวัติศาสตร์สามารถเป็นเอกสารจดหมายเหตุได้ โดยขึ้นอยู่การจัดการเก็บรวบรวมของเอกสารหรือวัสดุนั้น ๆ หากหลักฐานทางประวัติศาสตร์นั้นได้ถูกจัดเก็บและได้ทำบัญชีแล้ว หลักฐานทางประวัติศาสตร์นั้นจะนับเป็นเอกสารจดหมายเหตุตามนิยามของเอกสารจดหมายเหตุ ฉะนั้นการพิจารณารูปแบบของเอกสารจดหมายเหตุจึงสามารถทำได้เหมือนกับ “หลักฐานทางประวัติศาสตร์” เอกสารจดหมายเหตุสามารถเป็นได้ทั้งในรูปแบบที่เป็นลายลักษณ์อักษรและไม่ใช่ลายลักษณ์อักษร โดยผันแปรไปตามเทคโนโลยี ซึ่งในปัจจุบัน รูปแบบการจัดเก็บของเอกสาร มีความซับซ้อนยิ่งขึ้นตามเทคโนโลยี เอกสารจดหมายเหตุนั้นสามารถอยู่ทั้งในรูปแบบดิจิทัลและรูปแบบไม่เป็นดิจิทัล ซึ่งสามารถแบ่งออกมาได้เป็นดังภาพที่ 2 การคัดแยกเอกสารที่สามารถเป็นจดหมายเหตุได้ว่าเป็น Digital-born จะสามารถคัดแยกได้จากความจำเป็นในการทำ Digitization ต่อเอกสารนั้น ๆ หากต้องการให้คอมพิวเตอร์สามารถอ่านได้ หากเอกสารนั้นไม่มีความจำเป็นในการทำ Digitization จะนับว่าเอกสารที่เป็น Digital-born ว่าด้วยรูปแบบเอกสาร Digital-born และโครงการที่เกี่ยวข้อง เอกสารที่เป็น Digital-born จะกล่าวถึงเอกสารที่สร้างขึ้นจากคอมพิวเตอร์ โดยไม่ได้เกิดจากกระบวนการ Digitization โดยตัวอย่างเอกสาร Digital-born จะเป็นไปดังภาพที่ 3 การแบ่งรูปแบบเอกสาร Digital-born นี้มีความแตกต่างในการจัดเก็บข้อมูล อย่างข้อมูลเว็บไซต์อาจต้องเก็บข้อมูลให้ยังสามารถเข้าถึงผ่านเว็บเบราว์เซอร์ได้ในปัจจุบัน โดยมีเซิร์ฟเวอร์ที่สามารถโฮสต์เว็บนั้นได้อยู่ ข้อมูลที่เกี่ยวข้องกับ e-Service อาจสามารถเก็บอยู่ภายใต้ Relational Database, ข้อมูลสถิติอาจปล่อยเป็นรูปแบบหน้า View ซึ่งให้เข้าถึงผ่าน API ได้ หรือข้อมูลประเภทอื่น ๆ ซึ่งวิธีการเก็บข้อมูลต่าง ๆ จะใช้สถาปัตยกรรมข้อมูลที่แตกต่างกันขึ้นกับข้อมูลนั้น ๆ ความท้าทายแรกที่ว่านี้จึงเป็นส่วนของการวางสถาปัตยกรรมข้อมูลและการวางนโยบายธรรมาภิบาลข้อมูลขององค์กร ซึ่งโครงการธรรมาภิบาลข้อมูลจากแต่ละประเภทข้อมูลที่ได้ยกตัวอย่างมาอาจยกตัวอย่างได้ 2 กรณี คือ แต่ถ้าหากว่าเราสนใจเอกสารที่ไม่เป็น Digital-born ความท้าทายที่เกิดขึ้นจะเป็นอีกรูปแบบหนึ่ง ซึ่งเจาะจงไปที่การทำให้อยู่ในรูปแบบดิจิทัลของเอกสารนั้น ๆ …

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 2 การทำให้เป็นดิจิทัลของเอกสารจดหมายเหตุ (Digitization) Read More »

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 1 ความหมายของจดหมายเหตุ (Archives)

ความท้าทายงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Dataตอนที่ 1. ความหมายของจดหมายเหตุ (ท่านกำลังอ่านบทความนี้)ตอนที่ 2. การทำให้เป็นดิจิทัลของเอกสารจดหมายเหตุตอนที่ 3. การใช้ประโยชน์ข้อมูลงานจดหมายเหตุ เมื่อพูดถึงการวิเคราะห์หรือบรรยายเหตุการณ์ ตัวตน และสภาพการณ์ของสิ่ง ๆ หนึ่ง สิ่งที่จาดไม่ได้ คือ ข้อมูลในอดีตหรือข้อมูลทางประวัติศาสตร์ (Historical Data) โดยมีประโยชน์ที่เห็นได้ในเชิงประจักษ์ดังนี้ ทั้งสามตัวอย่างนี้ สิ่งหนึ่งที่เป็นสิ่งสำคัญมาก คือ ข้อมูลเหล่านั้นต้องสะท้อนถึงความเป็นจริง (Integrity) โดยสิ่งนี้ย่อมควรถูกจัดการตั้งแต่กระบวนการที่วางไว้ในการปฏิบัติงานในตอนต้น ซึ่งหนึ่งในโครงสร้างที่สามารถช่วยเรื่องได้ คือ ธรรมาภิบาลข้อมูล (Data Governance) โดยในภาพรวมนั้นเป็นไปตามภาพประกอบนี้ โดยในบทความนี้เราจะกล่าวถึง Archive และ Destroy เป็นหลัก หากต้องการรายละเอียดเต็มที่เกี่ยวข้องกับ Data Governance สามารถรับชมได้ที่นี่ หนึ่งในกระบวนการที่จะขาดไม่ได้ หากต้องการทำให้ธรรมาภิบาลข้อมูลสามารถใช้ได้ครบถ้วนสมบูรณ์ ซึ่งจะเป็นหัวข้อที่จะอภิปรายในบทความนี้ คือ กระบวนการจัดเก็บข้อมูลถาวร และ กระบวนการทำลายข้อมูล บทความนี้จะพาไปศึกษานิยามและลักษณะตัวตนของงานจดหมายเหตุ ก่อนที่จะเริ่มความท้าทายในงานจดหมายเหตุในปัจจุบัน นิยามของงาน “จดหมายเหตุ” (Archives) อ้างอิงจากภาษาอังกฤษ คำว่า “จดหมายเหตุ” จะสามารถเทียบเคียงได้กับคำว่า “Archives” โดยคำว่า Archives สามารถแปลได้ทั้งสิ้น 3 ความหมายดังนี้ หลักเกณฑ์ในการจำแนกเอกสารจดหมายเหตุ ตามนิยามของ “เอกสารจดหมายเหตุ” ของปัจเจกหนึ่ง ๆ เราสามารถพิจารณาได้โดยสององค์ประกอบหลัก คือ ตัวอย่างการระบุว่าใช่หรือไม่ใช่เอกสารจดหมายเหตุเป็นไปตามภาพที่ 5 ประเด็นที่น่าสนใจเกี่ยวกับเอกสารจดหมายเหตุ เมื่อกล่าวถึงปัจจุบันกาลแล้ว เทคโนโลยีในการจัดเก็บข้อมูลหรือรูปแบบข้อมูลที่สามารถจัดเก็บได้มีความหลากหลายยิ่งขึ้นนอกจากข้อมูลในอดีตที่อยู่ในรูปแบบหนังสือลายลักษณ์ (Manuscript) หรือเอกสารภาพ รวมทั้งเทคโนโลยีในการประมวลผลที่มีความสามารถในการวิเคราะห์มากขึ้นอย่างต่อเนื่องจากการพัฒนาเทคโนโลยี Data Analytics ที่เป็นกระแสเรื่อยมาตลอด 10 ปี ทำให้การทำงานจดหมายเหตุให้มีประสิทธิภาพในยุคปัจจุบันจึงมีความท้าทายมากขึ้นอีกด้วย โดยความท้าทายในงานจดหมายเหตุนั้นจะกล่าวถึงต่อไปในตอนที่ 2 เชิงอรรถ เรียบเรียงโดย กฤตพัฒน์ รัตนภูผาตรวจทานและปรับปรุงโดย นววิทย์ พงศ์อนันต์

Quantum AI: อนาคตของ AI ในยุคหน้า

การประมวลผลเชิงควอนตัม (Quantum Computing) และปัญญาประดิษฐ์ (Artificial Intelligence: AI) เป็นเทคโนโลยีที่จะมาทำให้เกิดการเปลี่ยนแปลงในโลกอนาคตอย่างมหาศาล การมีเทคโนโลยี Quantum Computing นั้นเป็นเครื่องมือที่จะช่วยนำพาให้เทคโนโลยี AI มีความก้าวหน้าขึ้นอย่างรวดเร็ว ถึงแม้ว่า AI บนแอปพลิเคชันต่างๆ จะถูกพัฒนาให้ประมวลผลได้บนคอมพิวเตอร์แบบคลาสสิก (Classical Computer) แต่ก็มีข้อจำกัดในเรื่องของความสามารถในการประมวลผล ด้วยเหตุดังกล่าว Quantum Computing จึงเป็นทางออกของการพัฒนาเทคโนโลยีในวงการ AI ให้สามารถสร้างแอปพลิเคชันที่มีความสลับซับซ้อนหรือสามารถทำงานที่ต้องการการประมวลผลจำนวนมากได้ เราเรียกศาสตร์นี้ว่า Quantum AI Quantum AI คืออะไร Quantum AI คือการประยุกต์ใช้ Quantum Computing สำหรับการประมวลผล หรือการคำนวณด้วยอัลกอริทึม Machine Learning โดยจะเป็นสิ่งที่จะมาช่วยให้การทำงานบางอย่างที่ไม่สามารถทำได้บนเครื่องคอมพิวเตอร์แบบทั่วไป (Classical Computer) สามารถเกิดขึ้นได้จริง ทำความรู้จักกับ Quantum Computing Quantum Computing เป็นการประมวลผลรูปแบบหนึ่ง มีนิยามในลักษณะเดียวกันกับการประมวลผลรูปแบบอื่น ๆ ตัวอย่างที่เรามักเคยได้ยินกันบ่อย ๆ เช่น Cloud Computing ซึ่งก็คือการประมวลผลที่อยู่บนคลาวด์ หรือ Mobile Computing ก็จะหมายถึงการประมวลผลที่อยู่บนมือถือหรืออุปกรณ์พกพาต่าง ๆ ในทำนองเดียวกัน Quantum Computing ก็คือการคำนวณหรือการประมวลผลต่าง ๆ ที่จะถูกทำโดยเครื่องคอมพิวเตอร์ควอนตัม ซึ่งทำงานแตกต่างออกไปจากเครื่องคอมพิวเตอร์แบบคลาสสิก (Classical Computer) ที่เราใช้งานกันโดยทั่วไป ที่ผ่านมานักวิจัยได้พิสูจน์แล้วว่าการประยุกต์ใช้ Quantum Computing ในงานบางประเภทสามารถทำได้ดีกว่าการประมวลผลแบบ Classical Computing อย่างมาก เช่น งานการแยกตัวประกอบของเลขจำนวนเต็มที่มีขนาดใหญ่ เป็นต้น การประมวลผลต่าง ๆ ไม่ว่าจะบนคอมพิวเตอร์ตั้งโต๊ะ (Desktop), บนอุปกรณ์เคลื่อนที่, หรือแม้กระทั่งบนเครื่องคอมพิวเตอร์ประสิทธิภาพสูง (High Performance Computer: HPC) ล้วนแต่ทำงานบนพื้นฐานการคำนวณแบบคลาสสิก (Classical Computation) ทั้งสิ้น โดยการประมวลผลแบบคลาสสิกจะอาศัยหน่วยการประมวลที่เรียกว่า บิต …

Quantum AI: อนาคตของ AI ในยุคหน้า Read More »

รถ Formula 1 เครื่องผลิตข้อมูลที่วิ่งได้กว่า 300 กิโลเมตร/ชั่วโมง

การแข่งรถ Formula 1 หรือ F1 ซึ่งเป็นการแข่งขันความเร็วของรถยนต์ที่แต่ละค่ายบริษัทรถยนต์พัฒนาขึ้น ถือเป็นหนึ่งในกีฬาที่มีความนิยมสูงที่สุดในโลก อย่างไรก็ดีการตัดสินผู้ชนะในกีฬา F1 มีหลากหลายปัจจัย ไม่ใช่แค่ว่าทีมที่มีรถยนต์ที่เร็วที่สุดในสนามจะเป็นผู้ชนะเสมอไป ดังนั้นการนำข้อมูลมาใช้ให้เกิดประโยชน์สูงสุดเลยเป็นสิ่งจำเป็น พวกเขาข้อมูลกันแบบไหนสามารถติดตามได้ในบทความนี้ครับ

วิธีการการนำเทคโนโลยีดิจิทัลมาเปลี่ยนแปลงธุรกิจของคุณ

หากธุรกิจของคุณกำลังเผชิญกับความท้าทายในการรักษาแนวทางในการเปลี่ยนผ่านธุรกิจมาสู่ดิจิทัล Business Model Canvas คือเครื่องมือที่สามารถช่วยเปลี่ยนให้องค์กรเข้าสู่การทำงานแบบดิจิทัลอย่างแท้จริง

โมเดลของคุณเมพ (MAPE) แค่ไหน: 2 วิธีวัดผลความแม่นยำโมเดล

บทความนี้ เราจะคัดเลือกตัวชี้วัด (Metrics) บางตัว ที่ใช้ในการวัดผลของโจทย์การวิเคราะห์ในประเภท Regression (เช่น ทำนายรายได้ ทำนายความต้องการใช้ไฟฟ้า) ทั้งตัวชี้วัดมาตรฐาน (เช่น MSE, RMSE, MAE, MAPE, sMAPE ฯลฯ) และ ตัวชี้วัดที่ปรับตามบริบทการใช้งาน เพื่ออธิบายถึงวิธีการคำนวณ ข้อดีข้อเสีย และวิธีการเลือกใช้กันนะครับ

เหตุใดการเปลี่ยนองค์กรเป็น Data-driven ถึงยากลำบาก

การเปลี่ยนแปลงองค์กรให้เป็นองค์กรที่ขับเคลื่อนด้วยข้อมูล (Data-driven) ดูเหมือนจะเป็นเป้าหมายสำคัญหลักของหลาย ๆ องค์กรในช่วงทศวรรษที่ผ่านมา แต่ทำไมเราถึงเห็นผลลัพธ์ของการเปลี่ยนแปลงที่หลากหลายแตกต่างกันไป จากการสำรวจพบว่า วัฒนธรรมองค์กร คือปัจจัยหลักที่ทำให้การเปลี่ยนแปลงเกิดขึ้นได้ยาก ไม่ใช่ด้วยเหตุผลทางเทคโนโลยีหรือกระบวนการเหมือนที่หลาย ๆ คนคิด นอกจากนั้นการที่ข้อมูลมีปริมาณและความหลากหลายเพิ่มขึ้นอย่างต่อเนื่อง รวมถึงความกังวลในเรื่องข้อมูลส่วนบุคคลและความปลอดภัยในการปกป้องข้อมูล ยังเป็นการซ้ำเติมให้การแก้ไขปัญหานี้มีความยากลำบากยิ่งขึ้นอีกด้วย บทความนี้จะขอเสนอหลักการ 3 ข้อที่จะช่วยคลี่คลายปัญหาและนำพาองค์กรให้บรรลุเป้าหมายได้ ปัจจุบันความท้าทายขององค์กรในการกำหนดยุทธศาสตร์ด้านข้อมูลอาจจะไม่ใช่เรื่องของเทคโนโลยีอีกต่อไป จากรายงานผลการสำรวจประจำปีของ NewVantage Partners ซึ่งเป็นรายงานว่าด้วยการติดตามความคืบหน้าของการริเริ่มด้านข้อมูลในบริษัทต่าง ๆ พบว่าผู้บริหารระดับสูงด้านข้อมูลของหลาย ๆ บริษัทต่างลงความเห็นว่า วัฒนธรรมองค์กร เป็นปัจจัยหลักที่เป็นอุปสรรคในการขับเคลื่อนองค์กรด้วยข้อมูล สูงถึง 91.9% ส่วนอีก 8.1% คือปัจจัยเรื่องข้อจำกัดทางเทคโนโลยี นี่เป็นปัญหาที่เข้าใจและคาดการณ์ได้ เพราะการเปลี่ยนองค์กรเป็นองค์กรที่ขับเคลื่อนด้วยข้อมูลนั้น ว่าด้วยความสามารถในการปรับเปลี่ยนและเปลี่ยนแปลงของทั้งคนและองค์กรพร้อมกัน องค์กรที่ก่อตั้งมาเนิ่นนานและประสบความสำเร็จไม่สามารถเปลี่ยนแปลงได้รวดเร็วเหมือนบริษัทเล็ก ๆ ที่เพิ่งเริ่มสร้างตัว การปรับตัวใช้อินเทอร์เน็ตหรือเทคโนโลยีใหม่ ๆ ในบางองค์กรต้องใช้เวลานานกว่าทศวรรษจึงสำเร็จ การปรับตัวเรื่องการใช้ข้อมูลในองค์กรก็อาจใช้เวลานานไม่ต่างกัน ถึงแม้ว่าปัญหานี้ไม่ใช่ปัญหาใหม่ แต่ก็ยังโชคดีที่ 2-3 ปีที่ผ่านมา มีเหตุการณ์สำคัญที่เป็นตัวเร่งให้ทั้งคนและองค์กรเกิดการปรับตัวอย่างยิ่งยวด นั่นคือ โควิด-19 และถึงแม้ที่ผ่านมาองค์กรจะบอกว่าตนเองให้ความสำคัญกับข้อมูล แต่เราก็รู้ดีว่ามันเป็นเพียงแค่ลมปาก จนโควิด-19 มาทำให้รู้ว่าในภาวะวิกฤติ …

เหตุใดการเปลี่ยนองค์กรเป็น Data-driven ถึงยากลำบาก Read More »

Data Tax เมื่อข้อมูลมีมูลค่าเหมือนสินทรัพย์ แล้วต่อไปจะโดนเก็บภาษีไหม?

เมื่อข้อมูลมีมูลค่ามหาศาลเฉกเช่นเดียวกับน้ำมันหรือทองคำ มาลองดูกันว่าจะมีการเก็บภาษี Data tax หรือไม่ และจะส่งผลกระทบอะไรกับเรา

การออกแบบ Data Visualization ให้ Accessible

การทำให้ Data Visualization นั้น Accessible ช่วยให้ผู้รับสารทุกคนสามารถเข้าถึงสิ่งที่เราต้องการจะนำเสนอโดยไม่พลาดอะไรไปเพราะข้อจำกัดต่าง ๆ

template_bigdata

Big Data Community Thailand

Powered by

Enabling Thailand toward a Data-Driven Community

Sep 28, 2023 -

Cookie	Duration	Description
cookielawinfo-checkbox-analytics	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Analytics".
cookielawinfo-checkbox-functional	11 months	The cookie is set by GDPR cookie consent to record the user consent for the cookies in the category "Functional".
cookielawinfo-checkbox-necessary	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookies is used to store the user consent for the cookies in the category "Necessary".
cookielawinfo-checkbox-others	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Other.
cookielawinfo-checkbox-performance	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Performance".
viewed_cookie_policy	11 months	The cookie is set by the GDPR Cookie Consent plugin and is used to store whether or not user has consented to the use of cookies. It does not store any personal data.

Big Data Community Thailand

Powered by

Latest Articles

การใช้งาน ChatGPT เพื่อเขียนบทความ: สร้างเนื้อหามากมายได้อย่างรวดเร็วได้ใน 5 ขั้นตอน

Cybersecurity Framework: กรอบการรักษาความปลอดภัยไซเบอร์ แนวทางสำคัญสู่องค์กรที่ปลอดภัย

Bamboolib: หนึ่งใน Python Library ที่มีประโยชน์เป็นอย่างมากสำหรับนักวิเคราะห์ข้อมูลมือใหม่

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 1 ความหมายของจดหมายเหตุ (Archives)

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 2 การทำให้เป็นดิจิทัลของเอกสารจดหมายเหตุ (Digitization)

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 3 การใช้ประโยชน์ข้อมูลงานจดหมายเหตุ (Data Utilization)

รู้จักกับ RFM Analysis เทคนิคการแบ่งกลุ่มลูกค้าเพื่อวางกลยุทธ์การตลาด พร้อมวิธีทำใน 3 ขั้นตอน

ประวัติศาสตร์การพัฒนาการโมเดลทางภาษา: จากเวคเตอร์สู่ Transformers

เรื่องน่ารู้ของ SUSHIRO กับการนำข้อมูลมาบริหารงานจนกลายเป็นร้านซูชิสายพานชั้นนำ

โมเดลของคุณเมพ (MAPE) แค่ไหน: 2 วิธีวัดผลความแม่นยำโมเดล

รู้จักกับ ELK Stack เครื่องมือบริหารจัดการข้อมูลประวัติบันทึกการทำงาน (Log file) แบบรวมศูนย์

Digital Transformation สิ่งที่ทุกองค์กรต้องทำเพื่อความอยู่รอด

คัมภีร์การทำแผนที่บน MS Power BI ฉบับประเทศไทย The Cartographic Bible for MS Power BI, Thailand Edition

Zero ETL: อนาคตของการทำ data integration

Reinforcement Learning from Human Feedback (RLHF) เทคนิคเบื้องหลัง ChatGPT

Simpson’s Paradox: ตัวแปรแฝงที่เปลี่ยนแปลงข้อสรุป กับ 2 กรณีตัวอย่างที่น่าเหลือเชื่อ

Richemont ใช้เทคโนโลยี AI อย่างไรเพื่อยกระดับการบริการลูกค้าให้ดีขึ้น

9 วิธีการสร้าง Mobile Friendly Dashboard ให้ใช้งานง่าย

สร้างเว็บไซต์ด้วย WordPress ฉบับประหยัดใน 3 ขั้นตอน

Movements

Big Data 101

Showroom

Data for Business

Sign up to join Big Data Community Thailand

Categories

Movements

Big Data 101

Showroom

Data for Business

Sign up to join Big Data Community Thailand

Trending Articles

9 วิธีการสร้าง Mobile Friendly Dashboard ให้ใช้งานง่าย

Quantitative Hedge Fund สร้างผลตอบแทนเหนือตลาด จากข้อมูลมหาศาลได้อย่างไร?

ตรวจจับบริษัททุจริตโดยใช้ Machine Learning วิเคราะห์งบการเงิน

10 เทรนด์ AI กับธุรกิจ e-Commerce (AI in e-Commerce) ในปี 2023 ที่น่าจับตามอง

10 ข้อผิดพลาดของระบบอัตโนมัติที่ควรหลีกเลี่ยง

4 เหตุผลที่จะทำให้คุณตกหลุมรัก Box Plot

4 ประเภทของการแบ่งกลุ่มข้อมูล (Clustering)

4 ทักษะในการเป็นนักวิทยาศาสตร์ข้อมูลเชิงพื้นที่ (4 Skills to Become a Geospatial Data Scientist)

3 ตัวชี้วัดหลักของ E-commerce จะช่วยในการวิเคราะห์ข้อมูลของคุณได้อย่างไร

Upcoming Events

Our Partners

Sign up to join Big Data Community Thailand