Taking too long? Close loading screen.
สไลด์หลัก
ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 3 การใช้ประโยชน์ข้อมูลงานจดหมายเหตุ (Data Utilization)
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)
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)
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
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
รถ Formula 1 เครื่องผลิตข้อมูลที่วิ่งได้กว่า 300 กิโลเมตร/ชั่วโมง

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

วิธีการการนำเทคโนโลยีดิจิทัลมาเปลี่ยนแปลงธุรกิจของคุณ
วิธีการการนำเทคโนโลยีดิจิทัลมาเปลี่ยนแปลงธุรกิจของคุณ

หากธุรกิจของคุณกำลังเผชิญกับความท้าทายในการรักษาแนวทางในการเปลี่ยนผ่านธุรกิจมาสู่ดิจิทัล Business Model Canvas คือเครื่องมือที่สามารถช่วยเปลี่ยนให้องค์กรเข้าสู่การทำงานแบบดิจิทัลอย่างแท้จริง

โมเดลของคุณเมพ (MAPE) แค่ไหน: 2 วิธีวัดผลความแม่นยำโมเดล
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
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?
Data Tax เมื่อข้อมูลมีมูลค่าเหมือนสินทรัพย์ แล้วต่อไปจะโดนเก็บภาษีไหม?

เมื่อข้อมูลมีมูลค่ามหาศาลเฉกเช่นเดียวกับน้ำมันหรือทองคำ มาลองดูกันว่าจะมีการเก็บภาษี Data tax หรือไม่ และจะส่งผลกระทบอะไรกับเรา

การออกแบบ Data Visualization ให้ Accessible
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

previous arrow
next arrow

Latest Articles

Sep 28, 2023 -
Data for Business

การใช้งาน ChatGPT เพื่อเขียนบทความ: สร้างเนื้อหามากมายได้อย่างรวดเร็วได้ใน 5 ขั้นตอน

Sep 26, 2023 -
Big Data 101

Cybersecurity Framework: กรอบการรักษาความปลอดภัยไซเบอร์ แนวทางสำคัญสู่องค์กรที่ปลอดภัย

Bamboolib: หนึ่งใน Python Library ที่มีประโยชน์เป็นอย่างมากสำหรับนักวิเคราะห์ข้อมูลมือใหม่
Sep 20, 2023 -
Big Data 101

Bamboolib: หนึ่งใน Python Library ที่มีประโยชน์เป็นอย่างมากสำหรับนักวิเคราะห์ข้อมูลมือใหม่

Sep 6, 2023 -
Movements

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 1 ความหมายของจดหมายเหตุ (Archives)

Sep 6, 2023 -
Movements

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 2 การทำให้เป็นดิจิทัลของเอกสารจดหมายเหตุ (Digitization)

Sep 6, 2023 -
Movements

ความท้าทายในงานจดหมายเหตุเมื่อเข้าสู่ยุค Big Data: ตอนที่ 3 การใช้ประโยชน์ข้อมูลงานจดหมายเหตุ (Data Utilization)

Sep 5, 2023 -
Big Data 101

รู้จักกับ RFM Analysis เทคนิคการแบ่งกลุ่มลูกค้าเพื่อวางกลยุทธ์การตลาด พร้อมวิธีทำใน 3 ขั้นตอน

Jul 17, 2023 -
Big Data 101

ประวัติศาสตร์การพัฒนาการโมเดลทางภาษา: จากเวคเตอร์สู่ Transformers

Jul 17, 2023 -
Movements

เรื่องน่ารู้ของ SUSHIRO กับการนำข้อมูลมาบริหารงานจนกลายเป็นร้านซูชิสายพานชั้นนำ

Jul 11, 2023 -
Big Data 101

โมเดลของคุณเมพ (MAPE) แค่ไหน: 2 วิธีวัดผลความแม่นยำโมเดล

Jun 13, 2023 -
Big Data 101

รู้จักกับ ELK Stack เครื่องมือบริหารจัดการข้อมูลประวัติบันทึกการทำงาน (Log file) แบบรวมศูนย์

Jun 1, 2023 -
Data for Business

Digital Transformation สิ่งที่ทุกองค์กรต้องทำเพื่อความอยู่รอด

May 19, 2023 -
Big Data 101

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

May 18, 2023 -
Movements

Zero ETL: อนาคตของการทำ data integration

May 9, 2023 -
Big Data 101

Reinforcement Learning from Human Feedback (RLHF) เทคนิคเบื้องหลัง ChatGPT

Apr 3, 2023 -
Big Data 101

Simpson’s Paradox: ตัวแปรแฝงที่เปลี่ยนแปลงข้อสรุป กับ 2 กรณีตัวอย่างที่น่าเหลือเชื่อ

Mar 3, 2023 -
Data for Business

Richemont ใช้เทคโนโลยี AI อย่างไรเพื่อยกระดับการบริการลูกค้าให้ดีขึ้น

Mar 2, 2023 -
Big Data 101

9 วิธีการสร้าง Mobile Friendly Dashboard ให้ใช้งานง่าย

Feb 27, 2023 -
Big Data 101

สร้างเว็บไซต์ด้วย WordPress ฉบับประหยัดใน 3 ขั้นตอน

Sign up to join Big Data Community Thailand

Make comments, write articles, and contribute to our community.

Categories

Sign up to join Big Data Community Thailand

Make comments, write articles, and contribute to our community.

Trending Articles

Mar 2, 2023 -
Big Data 101

9 วิธีการสร้าง Mobile Friendly Dashboard ให้ใช้งานง่าย

Mobile Friendly Dashboard ในยุคปัจจุบัน เราไม่สามารถปฏิเสธได้เลยว่าความนิยมในการใช้มือถือนั้นเป็นที่แพร่หลายไปทั่วโลก ทั้งการท่องอินเตอร์เน็ต ทำธุรกรรมทางธนาคาร รวมไปถึงการทำงาน ด้วยเทคโนโลยีที่ก้าวไกลทำให้การทำงานสามารถทำได้อย่างง่ายดายแม้กระทั่งการทำงานด้วยโทรศัพท์มือถือ การสร้างแดชบอร์ดสำหรับโทรศัพท์มือถือให้ใช้งานง่าย (Mobile Friendly Dashboard) นั้น คือการออกแบบรูปแบบการแสดงผล องค์ประกอบต่าง ๆ ให้ออกมาอยู่ในรูปแบบที่ง่าย เข้าถึงได้อย่างสะดวก และที่สำคัญผู้ใช้จะต้องสามารถเข้าใจในเนื้อหาได้อย่างมีประสิทธิภาพ เนื่องจากแดชบอร์ดสำหรับโทรศัพท์มือถือนั้นมีพื้นที่ที่จำกัด ดังนั้นการออกแบบ แสดงผลจึงจำเป็นจะต้องก่อให้เกิดประสิทธิผลที่ดี แล้วแดชบอร์ดในคอมพิวเตอร์ต่างจากในโทรศัพท์มือถืออย่างไร ไม่สามารถปฏิเสธได้เลยว่าจุดประสงค์ของแดชบอร์ดสำหรับหน้าจอคอมพิวเตอร์ และแดชบอร์ดสำหรับโทรศัพท์มือถือนั้นแตกต่างกัน การใช้งานในหน้าจอคอมพิวเตอร์อาจถูกออกแบบให้แสดงผลในรูปแบบของภาพรวมที่มีปุ่มคัดกรองผล (Filter) หรือมีกราฟซับซ้อนจำนวนมากสำหรับเหล่าผู้บริหาร ในขณะที่แดชบอร์ดสำหรับโทรศัพท์มือถืออาจถูกใช้โดยพนักงานให้ส่งอีเมล์หรือการแจ้งเตือนเท่านั้น...

Feb 6, 2023 -
Movements

Quantitative Hedge Fund สร้างผลตอบแทนเหนือตลาด จากข้อมูลมหาศาลได้อย่างไร?

หลาย ๆ ท่านที่สนใจด้านการลงทุน คงจะรู้จักหลักการลงทุนอย่าง Value Investing (VI) ซึ่งเป็นหลักการลงทุนที่นักลงทุนที่ประสบความสำเร็จระดับโลก อย่าง Warren Buffet, Peter Lynch, Charlie Munger และอื่น ๆ อีกหลายท่าน ยึดถือ ปฏิบัติ และ เผยแพร่ต่อสาธารณะชน  มาเป็นระยะเวลายาวนานหลายสิบปี หลักการลงทุนที่ดูแสนเรียบง่ายนี้ มักจะเน้นไปที่การศึกษา ทำความเข้าใจ และประเมินมูลค่าธุรกิจ (หุ้น) ผ่านการประเมินปัจจัยเชิงคุณภาพต่าง ๆ...

Jan 18, 2023 -
Movements

ตรวจจับบริษัททุจริตโดยใช้ Machine Learning วิเคราะห์งบการเงิน

ความไม่ซื่อสัตย์ในการดำเนินธุรกิจนั้นไม่ใช่สิ่งที่แปลกใหม่ ถึงแม้ว่าประวัติศาสตร์จะได้สอนเราว่าการทุจริตไม่ส่งผลดีในระยะยาว แต่ก็ยังมีข่าวอื้อฉาวด้านการเงินมากมายเกิดขึ้นในหลายประเทศ การปฏิวัติอุตสาหกรรม 4.0 ที่กำลังเกิดขึ้นอยู่ ณ ตอนนี้ ในมุมหนึ่งก็ยิ่งทำให้เกิดการฉ้อโกงกันง่ายขึ้น แต่ในอีกมุมหนึ่งก็ได้ทำให้เกิดเครื่องมือใหม่ ๆ ที่สามารถนำมาช่วยตรวจจับบริษัทที่ไม่ซื่อสัตย์ที่มีวิถีปฏิบัติคดโกงได้ งานวิจัยโดย Joanna Wyrobek จาก Department of Corporate Finance, Cracow University of Economics ประเทศโปแลนด์ ได้ทำการตรวจสอบว่า มีความเป็นไปได้หรือไม่ที่จะสร้างโมเดล machine learning ให้มีประสิทธิภาพในการนำงบการเงินรายปีของบริษัทหนึ่ง...

Jan 10, 2023 -
Movements

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

10 เทรนด์ AI กับธุรกิจ e-commerce (AI in e-Commerce) ในปี 2023 ที่น่าจับตามอง ใกล้จะเริ่มต้นปี 2023 กันแล้ว ถ้าเราลองมองไปที่เทคโนโลยีเกี่ยวกับ AI ในปีที่ผ่านมา เราจะเห็นว่า AI เดินทางไปกับพวกเราเรื่อย ๆ ในหลายอุตสาหกรรมเลย ซึ่งบทความก่อนหน้านี้เราได้มีการเล่าถึง AI ในอุตสาหกรรมสายการบินในปีที่ผ่านมาไปบ้างแล้ว ในหัวข้อที่ว่า 10 หนทางที่สายการบินนำ AI และวิทยาศาสตร์ข้อมูลมาใช้เพื่อเพิ่มประสิทธิภาพการทำงาน ...

Oct 31, 2022 -
Movements

10 ข้อผิดพลาดของระบบอัตโนมัติที่ควรหลีกเลี่ยง

10 ข้อผิดพลาดของระบบอัตโนมัติที่ควรหลีกเลี่ยง ระบบอัตโนมัตินั้น ถ้าทำงานได้ไม่ดี ก็สามารถทำให้เกิดผลกระทบทางด้านลบได้

Sep 7, 2022 -
Big Data 101

4 เหตุผลที่จะทำให้คุณตกหลุมรัก Box Plot

ในบทความนี้ ผมจะมาพาผู้อ่านทุกท่านทำความรู้จักกับ Box Plot แผนภาพอันทรงพลังที่ใช้ในการวิเคราะห์การกระจายตัวของข้อมูล บอกได้เลยว่าสามารถใช้วิเคราะห์ได้ดีไม่แพ้ Histogram เลยครับ! การวิเคราะห์การกระจายตัวของข้อมูล คำถามที่เกี่ยวข้องกับการวิเคราะห์การกระจายตัวของข้อมูล มีอยู่ในชีวิตประจำวันของเราทุกคน ยกตัวอย่างเช่น “ความเข้มข้นของสารเคมีในดินบริเวณนี้ มีการกระจายตัวอย่างไร?” “จำนวนชั่วโมงการนอนทุกคืนของเรา ส่วนใหญ่มีค่าเท่าไหร่?” “รายได้ส่วนใหญ่ของประชากรมีการเบ้ซ้ายหรือขวาไหม?” “คะแนนที่นักเรียนสอบได้จากการสอบ มีค่าสุดโต่งไหม? เท่าไหร่?” ซึ่งหลาย ๆ คน จะคุ้นเคยกับการตอบคำถามด้านบนด้วย Histogram ซึ่งก็ถือว่าเป็นตัวเลือก “คลาสสิก” เพราะทุกคนจะเคยเรียนรู้สิ่งนี้มาก่อนในวิชาคณิตศาสตร์ โดย Histogram...

Aug 28, 2020 -
Big Data 101

4 ประเภทของการแบ่งกลุ่มข้อมูล (Clustering)

ถ้าเราต้องการแบ่งกลุ่มอะไรสักอย่างที่ไม่มี label เราจะรู้ได้ยังไงว่ามันมีกี่ประเภทและเป็นประเภทอะไร Clustering ซึ่งจัดอยู่ในประเภทของการเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) มีหลากหลายประเภท ในบทความนี้เราจะมาทำความรู้จักกับ 4 ประเภทหลัก ๆ

Feb 25, 2021 -
Movements

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

สำหรับนัก GIS ที่อยากพัฒนาเข้าสู่สายงาน Geospatial Data Scientist บทความนี้น่าจะช่วยชี้ทางได้ไม่มากก็น้อยนะครับ

Nov 13, 2022 -
Data for Business

3 ตัวชี้วัดหลักของ E-commerce จะช่วยในการวิเคราะห์ข้อมูลของคุณได้อย่างไร

ทุกคนคงรู้ดีว่า E-commerce เป็นวงการที่โหดเหี้ยมและจะยิ่งมีการแข่งขันสูงขึ้นเรื่อย ๆ จากเหตุการณ์โรคระบาดที่ทุกคนออกไปไหนไม่ได้ ทำให้ยอดขายผ่านทาง E-commerce เติบโตขึ้นอย่างรวดเร็วในเวลาเพียงสามเดือน ซึ่งเทียบได้กับการเติบโตเมื่อ 10 ปีที่ผ่านมา และก็ไม่มีแนวโน้มว่าอัตราการเติบโตจะลดลงเลย แต่นั่นก็ไม่ได้แปลว่ากลุ่มผู้ประกอบการรายย่อยนั้นจะขายสินค้าได้ง่ายขึ้น (E-commerce และการวิเคราะห์ข้อมูล) ร้านค้าออนไลน์ประสบปัญหาเนื่องจากการแข่งขันที่สูงขึ้นและลูกค้าประจำลดฮวบลง ในขณะที่นักช้อปออนไลน์มักจะถูกจูงใจได้ง่าย ๆ ด้วยปัจจัยทางด้านราคาและระยะเวลาในการจัดส่ง  รวมไปถึงโจทย์ใหญ่ ๆ เช่น การสร้างประสบการณ์ที่ดีให้กับลูกค้าและการช่วยเหลือลูกค้า จึงไม่มีช่วงเวลาไหนเลยที่ผู้ประกอบการจะได้พักให้หายเหนื่อยได้เลย ดังนั้นการวิเคราะห์ข้อมูลจึงมีบทบาทสำคัญต่อความสำเร็จในการทำ E-commerce ผู้ประกอบการจำเป็นต้องทราบว่าขณะนี้ร้านมียอดขายเพิ่มขึ้นหรือลดลง ลูกค้าเข้ามาหามากที่สุดในช่องทางไหน ลูกค้ากลุ่มไหนที่ใช้เงินมากที่สุดหรือเป็นลูกค้าประจำ ฯลฯ...

Upcoming Events

Our Partners

Sign up to join Big Data Community Thailand

Make comments, write articles, and contribute to our community.