Vorapitchaya Rabiablok

Vorapitchaya Rabiablok

Vice President, Data Analytics Services Division (DAS) Big Data Institute (Public Organization), BDI

บทความของผู้เขียน

Articles

Author Category Post Filter
Big Data และ Data Analytics เพื่อการจัดเก็บภาษี
ทุก ๆ ปีสรรพากรทั่วโลกจะต้องสูญเสียรายได้หลายสิบล้านเหรียญจากการโกงและหลีกเลี่ยงภาษี จากข้อมูลสถิติพบว่า 145 ประเทศทั่วโลกซึ่งมีขนาดเศรษฐกิจรวมกันประมาณ 95% ของ GDP โลก[1] มีการสูญเสียรายได้ทางภาษีรวมกันปีละ 2.4 ล้านล้านยูโร หรือประมาณ 91.4 ล้านล้านบาท นับเป็นมูลค่าที่มหาศาลมาก ดังนั้นจึงไม่เป็นที่น่าแปลกใจที่สรรพากรหรือหน่วยงานที่มีหน้าที่จัดเก็บภาษีของแต่ละประเทศ[2] หันมาใช้ประโยชน์จาก Big Data และมุ่งหาเครื่องมือใหม่ ๆ ที่ช่วยให้การจัดเก็บภาษีมีประสิทธิภาพและรวดเร็วยิ่งขึ้น “2.4 trillion Euros are lost every year because of fraud and tax evasion.” Ian Pretty, Capgemini (2013) บทความนี้ขอนำเสนอตัวอย่างการใช้ Big Data และ Data Analytics ของสรรพากรในต่างประเทศเพื่อเป็นข้อมูลให้กับผู้ที่สนใจด้านการวิเคราะห์ข้อมูล ตลอดจนนักวิทยาศาสตร์ข้อมูลและนักศึกษาที่อาจมีความสนใจด้านธุรกิจหรือด้านการเงิน ตัวอย่างแรก ขอเริ่มกันที่สรรพากรของประเทศไอร์แลนด์ หรือ Ireland Tax and Customs ที่มีการนำข้อมูล Big Data ที่เป็นข้อมูลภายนอกองค์กรทั้งแบบ structured และ unstructured มาใช้ประโยชน์เพื่อให้ได้ข้อมูลผู้เสียภาษีที่ครบถ้วนยิ่งขึ้น โดยทางสรรพากรของประเทศไอร์แลนด์ได้นำข้อมูลภายนอกมาใช้ร่วมกับข้อมูลภายในของหน่วยงาน แล้วมาทำโมเดลเพื่อวิเคราะห์ตัวเลขต่าง ๆ ทางภาษี อาทิ การนำข้อมูลภายนอกมาใช้พยากรณ์รายได้ของผู้เสียภาษี เพื่อเปรียบเทียบกับจำนวนรายได้ที่ยื่นในแบบภาษีเงินได้ โดยโมเดลที่ทางสรรพากรของประเทศไอร์แลนด์เลือกใช้นั้นเป็นเพียง Regression โมเดลธรรมดา มิได้ต้องใช้โมเดลอะไรที่ซับซ้อนเนื่องจากหากข้อมูลดีมีคุณภาพ การเลือกใช้โมเดลที่เข้าใจง่ายและอธิบายให้ผู้ใช้งานเข้าใจได้ง่ายย่อมดีกว่าการเลือกใช้โมเดลที่ซับซ้อนอย่างแน่นอน ตัวอย่างของประเทศไอร์แลนด์แสดงให้เห็นว่า เจ้าหน้าที่สามารถใช้ประโยชน์จากข้อมูล Big Data มาตรวจสอบกับข้อมูลรายได้ของผู้เสียภาษี เพื่อค้นหาว่าผู้เสียภาษีรายใดอาจทำการยื่นรายได้ต่ำกว่าความเป็นจริง ปัจจุบันหลายหน่วยงานภาษีทั่วโลกมีการใช้ประโยชน์จาก Big Data อาทิ ประเทศรัสเซีย ออสเตรเลีย แคนาดา และสิงคโปร์ อย่างไรก็ตาม ผู้ทำโมเดลจำเป็นจะต้องมั่นใจว่า ข้อมูลภายนอกที่ได้มาเป็นข้อมูลที่มีคุณภาพสูงและน่าเชื่อถือได้ มิฉะนั้นผลลัพธ์ที่ได้อาจเข้าข่ายของสโลแกนทางสถิติที่เป็นที่รู้จักดี คือ Garbage In, Garbage Out (GIGO) นั่นเอง ตัวอย่างที่สอง ขอนำเสนอการใช้ประโยชน์จากวิธีการเก็บข้อมูลสมัยใหม่หรือเทคนิค web-scraping ที่เป็นที่นิยมในการเก็บข้อมูลตามเว็บไซต์หรือสื่อออนไลน์ต่าง ๆ ที่ใคร ๆ ก็สามารถเข้าถึงได้เพราะถือเป็นข้อมูลสาธารณะ (Public Data) ในประเทศสเปน เจ้าหน้าที่สรรพากรได้ใช้เทคนิค web-scraping นี้ไปเก็บข้อมูลบนสื่อออนไลน์ต่าง ๆ ที่เกี่ยวกับการซื้อขายสินค้าออนไลน์และการซื้อขายอสังหาฯ เพื่อใช้เป็นข้อมูลในการประเมินรายได้ของผู้เสียภาษีที่อาจจะพยายามหลีกเลี่ยงการเสียภาษี แน่นอนว่าการทำ web-scraping เป็นเพียงการเก็บข้อมูลเท่านั้น มิใช่เป็นการทำโมเดลเพื่อบ่งชี้รายได้ ดังนั้นเจ้าหน้าที่สรรพากรของประเทศสเปนต้องมาพัฒนาโมเดลที่สามารถบ่งชี้หรือคาดการณ์รายได้ของผู้เสียภาษีในภายหลัง แต่น่าเสียดายที่ทางสรรพากรของประเทศสเปนไม่ยอมเปิดเผยถึงโมเดลที่ใช้หรือแหล่งสื่อออนไลน์ที่ไปเก็บข้อมูลมาเพราะถือเป็น “ความลับในทางธุรกิจ” ปัจจุบันธุรกิจอีคอมเมิร์ซหรือการขายสินค้าออนไลน์มีจำนวนเพิ่มสูงขึ้นเป็นอย่างมาก และเป็นช่องทางการซื้อ-ขายที่ได้รับความนิยมสูงจากผู้บริโภคทุกกลุ่ม แต่การชำระภาษีของภาคธุรกิจนี้สร้างความเหลื่อมล้ำและความได้เปรียบที่ไม่เป็นธรรมกับผู้เสียภาษีจากภาคธุรกิจเดียวกัน  ดังนั้น หากมองในเชิงโครงสร้างภาษีและเชิงเศรษฐศาสตร์ การจัดเก็บภาษีจากธุรกิจอีคอมเมิร์ซที่พยายามหลีกเลี่ยงภาษี จะเปรียบเสมือนการส่งเสริมให้ตลาดการขายสินค้าออนไลน์เกิดความยุติธรรมและลดความได้เปรียบทางภาษีของผู้ขายสินค้าออนไลน์บางรายอีกด้วย ตัวอย่างที่สาม ขอนำเสนอการใช้ประโยชน์จากข้อมูลผู้เสียภาษีเพื่อช่วยเหลือหรือแบ่งเบาภาระของผู้เสียภาษีและยังสามารถลดต้นทุนในการจัดเก็บหนี้ภาษีได้อีกด้วย กล่าวคือ win-win ทั้งสองฝ่าย ตัวอย่างนี้มาจากสรรพากรของประเทศสวีเดน (Swedish Tax Agency) ที่ได้นำโมเดลทางสถิติมาใช้เพื่อให้งานด้านการจัดเก็บหนี้เป็นเชิงรุกมากขึ้น โดยโมเดลที่ได้พัฒนาขึ้นมานั้น เป็นโมเดลที่ช่วยระบุว่า ผู้เสียภาษีรายใดมีโอกาสสูงที่จะไม่ชำระหนี้หรือมีปริมาณหนี้ที่เพิ่มสูงขึ้น เพื่อแจ้งให้เจ้าหน้าที่ไปติดต่อเพื่อสอบถามถึงปัญหาของผู้เสียภาษีรายนั้น ๆ การทำโมเดลในลักษณะนี้ย่อมส่งผลให้ผู้เสียภาษีพึงพอใจ เพราะผลลัพธ์ที่ได้จากโมเดลนี้จะสามารถช่วยแบ่งเบาภาระของผู้เสียภาษีและให้โอกาสผู้เสียภาษีเลือกปรับแผนการชำระหนี้ให้สอดคล้องกับความสามารถในการชำระหนี้ของผู้เสียภาษีได้ นอกจากนั้น โมเดลนี้ยังช่วยลดความเสี่ยงจากการเกิดหนี้เสียได้ โดยส่งผลให้รายได้ทางภาษีของสรรพากรของประเทศสวีเดนเพิ่มสูงขึ้นอีกด้วย จากตัวอย่างทั้งสามตัวอย่างที่นำเสนอมา จะเห็นว่า ข้อมูล Big Data และ Data Analytics นั้นมิได้มีไว้สำหรับภาคเอกชนเท่านั้น หน่วยงานรัฐก็สามารถใช้ประโยชน์จาก ข้อมูล Big Data ได้เช่นกัน แต่อย่างไรก็ตาม การใช้ข้อมูลไม่ว่าจะขนาดเล็กหรือขนาดใหญ่ ต้องเป็นข้อมูลที่มีคุณภาพ และการเลือกใช้โมเดลหรือเทคนิคที่ใช้ในการวิเคราะห์ข้อมูลก็ต้องเหมาะสมกับข้อมูลและโจทย์ที่ต้องการวิเคราะห์ด้วย ความยากง่ายของโมเดลมิใช่สาระสำคัญของการได้ผลที่แม่นยำหรือประโยชน์ที่เกิดจากการวิเคราะห์ข้อมูล เอกสารอ้างอิง: [1] หรือ ผลิตภัณฑ์มวลรวมในประเทศของทุกประเทศทั่วโลก (Global Gross Domestic Product: GDP) [2] ชื่อหน่วยงานที่มีหน้าที่จัดเก็บภาษีในแต่ละประเทศนั้นมีหลากหลายชื่อ อาทิ ที่ประเทศอเมริกาเรียกว่า Internal Revenue Service (IRS) แต่ที่ประเทศอังกฤษเรียกว่า Her Majesty’s Revenue and Customs (HMRC) ส่วนที่ประเทศออสเตรเลียเรียกว่า Australian Taxation Office (ATO) ดังนั้น ผู้เขียนขอใช้คำว่า “สรรพากร” เพื่อสื่อถึงหน่วยงานที่มีหน้าที่จัดเก็บภาษีในแต่ละประเทศ
14 December 2022
การเชื่อมต่อกับระบบฐานข้อมูลผ่าน RStudio ด้วย R Package "odbc"
สำหรับผู้ใช้ภาษา R และโปรแกรม RStudio ในงานวิเคราะห์ข้อมูล บทความนี้จะขอแนะนำ R package ชื่อ odbc ที่เป็นหนึ่งใน package ที่นิยมในการเชื่อมต่อและ query ข้อมูลจากระบบฐานข้อมูล (database system) ที่เป็นที่นิยมและใช้กันอย่างแพร่หลาย อาทิเข่น SQL Server, Oracle, MySQL, PostgreSQL, SQLite, Hive, Impala เป็นต้น คำว่า ODBC ย่อมาจาก Open Database Connectivity ดังนั้น R package “odbc” จึงเป็น package ที่สามารถที่ใช้กับระบบฐานข้อมูลได้หลากหลายต่างจาก R package เช่น RPostgres RMariaDB, หรือ bigrquery ที่ใช้เฉพาะเจาะจงกับระบบฐานข้อมูลของตัวเองเท่านั้น จึงไม่เป็นที่น่าแปลกใจว่า R package “odbc” จึงเป็นที่นิยมสำหรับผู้ใช้ภาษา R สำหรับการใช้งาน R package “odbc” จะใช้ควบคู่กับ R package ตระกูล dplyr ที่ชื่อ “dbplyr” ซึ่งจะเป็น package หลักที่ใช้ในการปรับข้อมูลให้อยู่ในรูปแบบที่ต้องการ เพื่อทำการวิเคราะห์ข้อมูล โดยตัว R package “dbplyr” จะแปลงคำสั่งที่ใช้ในการปรับข้อมูลจากภาษา R เป็นภาษา SQL เพื่อส่งคำสั่งนั้นไปติดต่อกับระบบฐานข้อมูล ผู้ที่คุ้นเคยกับภาษา SQL สามารถที่จะเขียนคำสั่ง SQL โดยตรงผ่านโปรแกรม RStudio ได้อย่างสะดวก เรามาเริ่มกันที่คำสั่งที่ต้องใช้ในการเรียกใช้ R package “odbc” และตัวอย่างคำสั่งที่ใช้ในการเชื่อมต่อกับระบบฐานข้อมูล  พร้อมกับตัวอย่างคำสั่งอื่น ๆ ที่เกี่ยวข้องกับการเรียกข้อมูลในระบบฐานข้อมูล อาทิเช่น การลิสต์รายชื่อของชุดข้อมูลที่อยู่ในระบบฐานข้อมูล การลิสต์รายชื่อของตารางข้อมูลที่อยู่ในแต่ละชุดข้อมูล พร้อมกับตัวอย่างการ query ข้อมูลจากระบบฐานข้อมูล 1. การเรียกใช้ R package “odbc” ในการเรียกใช้ R package “odbc” ผู้ใช้ต้องติดตั้ง R package “odbc” โดยใช้คำสั่ง install.packages() บนเครื่องก่อน แล้วจึงจะสามารถเรียกใช้ R package “odbc” นี้ได้โดยใช้คำสั่ง library() 2. การเชื่อมต่อกับระบบฐานข้อมูล ผู้ใช้สามารถเชื่อมต่อกับระบบฐานข้อมูลได้โดยใช้คำสั่ง dbConnect() โดยปกติเลข port ของระบบฐานข้อมูล จะใช้เป็นค่าดีฟอลต์ (Default) เช่น SQL Server จะใช้เลข 1433, Postgres จะใช้เลข 5432, Hive จะใช้เลข 10000 เป็นต้น ดังนั้น ผู้ใช้ต้องตรวจสอบเลข port ให้ถูกต้องเสมอ หากไม่สามารถ connect หรือเชื่อมต่อกับระบบฐานข้อมูลได้ ผู้ใช้อาจต้องตรวจสอบว่า ได้มีการติดตั้ง ODBC Data Source บนเครื่องคอมพิวเตอร์แล้วหรือยัง ผู้ใช้สามารถใช้คำสั่ง odbcListDataSources() เพื่อลิสต์ดูชื่อ ODBC Data Source ที่มีอยู่แล้วได้ 3. ตัวอย่างคำสั่งอื่น ๆ ที่เกี่ยวข้องกับการเรียกข้อมูลในระบบฐานข้อมูล ผู้ใช้สามารถใช้คำสั่ง เช่น odbcListObjects() เพื่อดูว่า ในระบบฐานชัอมูลมีชื่อชุดข้อมูล (schema) อะไรบ้างและเป็นตารางจริง (table) หรือเป็นเพียงแค่วิลล์ (view) เท่านั้น หรือใช้คำสั่ง odbcListObjects() และ odbcListColumns() เพื่อดูชื่อตารางที่อยู่ในแต่ละชุดข้อมูลและดูชื่อคอลัมน์ในตารางนั้น ๆ 4. ตัวอย่างการ query ข้อมูลจากระบบฐานข้อมูล ผู้ใช้สามารถใช้คำสั่ง dbGetQuery() เพื่อใช้คำสั่ง SQL ในการจัดการกับข้อมูลบนระบบฐานข้อมูลได้ โดยระบุชื่อตารางใน FROM clause และต้องเป็นในรูปแบบ  [database].[schema].[object] อาทิเช่น ชุดข้อมูลชื่อ “GBDi” ที่มี schema ชื่อ “dbo” มีตาราง 2 ตาราง ชื่อ “table_abc” และ ชื่อ “table_ xyz” และมีคอลัมน์ เช่น country, year, new_born และ population เป็นต้น สำหรับคำสั่งอื่น ๆ เช่น การสร้างตารางบนระบบฐานข้อมูล ก็สามารถทำได้ผ่าน RStudio เช่นกัน โดยใช้คำสั่ง dbExecute() และ dbWriteTable() เพื่อสร้างตารางใหม่บนระบบฐานข้อมูล ผู้เขียนหวังว่า บทความนี้จะช่วยให้นักวิเคราะห์ข้อมูลมีความมั่นใจมากขึ้น หากต้องทำการวิเคราะห์ข้อมูลจากระบบฐานข้อมูลต่าง ๆ ไม่ว่าจะเป็นข้อมูลแบบ Big Data หรือ Small Data โดยตัว R package “odbc” นี้ก็สามารถทำให้เราเชื่อมต่อ (Connect) ปรับข้อมูล (Transform) และดึงข้อมูลมาวิเคราะห์ (Analyze) บนเครื่องคอมพิวเตอร์ของเราได้อย่างสะดวกสบาย หมายเหตุ: R package “odbc” กับ R package “RODBC” เป็น R package ที่แตกต่างกันแม้จะชื่อคล้ายกัน ข้อมูลอ้างอิง: https://cran.r-project.org/web/packages/odbc/odbc.pdf https://db.rstudio.com/r-packages/odbc/ บทความโดย วรพิชญา ระเบียบโลกตรวจทานและปรับปรุงโดย ดวงใจ จิตคงชื่น
27 October 2022
วิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์ ตัวช่วยในการฝ่าวิกฤติโควิด 2019 ไปด้วยกัน
ล่าสดุ (3 เม.ย. 2563) ยอดผู้ติดเชื้อไวรัสโคโรนา(COVID-19) พุ่งเกินกว่า 1 ล้านคนเป็นที่เรียบร้อยแล้ว โดยมีประเทศสหรัฐอเมริกาที่ก้าวกระโดดแซงประเทศอื่นๆไปอย่างน่าเป็นห่วงจริงๆภายในระยะเวลาไม่ถึง 1 เดือน  บทเรียนจากไข้หวัดใหญ่สเปน (1918 Spanish Flu) สมัยช่วงสงครามโลกครั้งที่ 1 น่าจะเป็นกรณีศึกษาแบบอย่างที่นักรบโควิด-19ทั่วโลกสามารถนำมาเป็นเรียนรู้และประยุกต์ได้ (สามารถอ่านเพิ่มเติมได้ที่ “ฝ่าวิกฤติโควิด-19 จากบทเรียนในอดีต : ไข้หวัดใหญ่สเปน (1918 Spanish Flu)”)  ตั้งแต่มีข่าวการแพร่ระบาดของเชื้อไวรัสโคโรน่าในประเทศจีน ทางรัฐบาลของทุกประเทศรวมถึงรัฐบาลของประเทศจีนเองด้วยนั้น ก็ได้หันมาใช้เทคโนโลยีและข้อมูลที่มีทั้งขนาดเล็กและขนาดใหญ่เพื่อศึกษาและวิเคราะห์หาวิธีรับมือกับการแพร่ระบาดของโควิด 2019 เทคโนโลยีที่รัฐบาลทั่วโลกได้นำมาใช้ประโยชน์ในการรับมือกับการแพร่ระบาดของโควิด 2019 ล้วนแล้วแต่เป็นเทคโนโลยีที่ล้ำสมัยและเป็นที่นิยมในโลกยุคดิจิตัลทั้งสิ้น อาทิเช่น การวิเคราะห์ข้อมูลเชิงตำแหน่งจากโทรศัพท์มือถือ การใช้แอปฯเพื่อติดตามผู้มีความเสี่ยงในการติดเชื้อ การทำDashboard เพื่อติดตามจำนวนผู้ติดเชื้อทั้งในและต่างประเทศแบบเรียลไทม์ ตลอดจนการใช้เป็นช่องทางในการสื่อสารกับประชาชนได้อย่างรวดเร็วและมีประสิทธิภาพ วันนี้เราจะมาดูว่าเทคโนโลยีที่ล้ำสมัยและศาสตร์ใหม่ๆที่กำลังติดเทรดอย่าง การใช้วิทยาศาสตร์ข้อมูล (Data Sciences) การใช้ปัญญาประดิษฐ์ (Artificial Intelligence) หรือการทำMachine Learning นั้นสามารถนำมาใช้ประโยชน์ในการต่อสู้กับโควิด 2019 ได้อย่างไรบ้างดังต่อไปนี้ (ปรับปรุงจากข้อเสนอของคุณ Bernard Merr ที่เป็นหนึ่งในผู้มีชื่อเสียงในวงการ Big Data Analyticsซึ่งได้เขียนไว้ใน Forbes) เหตุการณ์แพร่ระบาดของโควิด 2019 ครั้งนี้ต้องถูกจารึกไว้เป็นวิกฤติอันดับต้นๆของโลกอย่างแน่นอน แต่เราทุกคนต้องร่วมกันต่อสู้และฝ่าฟันวิกฤตินี้ไปด้วยกัน และที่สำคัญเราต้องพยายามเปลี่ยนวิกฤตินี้ให้เป็นโอกาสเพื่ออนาตคของเราทุกคน และ เทคโนโลยีที่ล้ำสมัยและศาสตร์ใหม่ๆที่กำลังติดเทรดอย่างการใช้วิทยาศาสตร์ข้อมูล (Data Sciences) หรือการใช้ปัญญาประดิษฐ์ (Artificial Intelligence) จะสามารถช่วยให้เราผ่านวิกฤตินี้ไปด้วยกันอย่างประสบความสำเร็จ ที่มา: 
7 April 2020
การใช้ข้อมูลผู้ใช้โทรศัพท์มือถือในการประเมินผลกระทบของการมาตรการ Social Distancing และ work-from-home
ล่าสุดทางบริษัท Descartes Labs ซึ่งเป็นบริษัทที่เชี่ยวชาญด้านการวิเคราะห์ข้อมูลเชิงพื้นที่ (Spatial data) ได้นำเสนอข้อมูลที่แสดงให้เห็นถึงผลกระทบของการแพร่ระบาดของเชื้อไวรัสโคโรนาในอเมริกาว่าประชาชนลดการเดินทางลงอย่างเห็นได้ชัดหลังจากที่มีจำนวนผู้ติดเชื้อเพิ่มสูงขึ้น
7 April 2020
แบบจำลองตัวเลขผู้ติดเชื้อไวรัสโคโรนาและอัตราการใช้เตียงผู้ป่วย
ล่าสุด ทาง Harvard Global Health Institute ของมหาวิทยาลัยชั้นนำของโลกได้สร้างแบบจำลองในการพยากรณ์ตัวเลขผู้ติดเชื้อไวรัสโคโรนาและอัตราการใช้เตียงผู้ป่วย (Bed Occupancy Rate) เพื่อออกมาเตือนสติให้รัฐบาลและประชาชน
7 April 2020
สู้ศึก COVID-19 เชิงรุกด้วย Big Data
หลังจากที่มีรายงานว่ามีผู้ป่วยเป็นระยะๆ เดินทางมาจากประเทศจีน (วันที่ 20 ม.ค. 2563) ไต้หวันได้เปิดศูนย์บัญชาการการแพร่ระบาดของโรคกลาง (CECC) อย่างเป็นทางการภายใต้ NHCC โดยมี รมว.สาธารณสุขและสวัสดิการเป็นผู้บัญชาการ CECC ประสานกับกระทรวงต่างๆ เพื่อเป็นเอกภาพในการทำงาน
30 March 2020
“ไวรัสโคโรนา” การติดตามการแพร่กระจายของ โควิด 2019 จากทั่วโลก
Online Dashboard ที่ได้รับการจัดให้เป็น “The best coronavirus map and dashboard”นั้น จัดทำขึ้นโดยศูนย์วิทยาศาสตร์และวิศวกรรม (The Center for Systems Science and Engineering หรือ CSSE) มหาวิทยาลัยจอห์น ฮอปกินส์ เพื่อติดตามสถานการณ์ของไวรัสโคโรนาสายพันธุ์ใหม่ (Coronavirus) หรือที่เรารู้จักกันในชื่อของ โควิด 2019 (COVID 2019)
30 March 2020
ข้อมูลระบบสารสนเทศภูมิศาสตร์สามารถมีบทบาทกับการจัดการไวรัสโคโรน่าได้อย่างไร
ปัจจุบันมีหลายประเทศที่ทางรัฐบาลได้นำข้อมูลเชิงพื้นที่ หรือ ข้อมูลระบบสารสนเทศภูมิศาสตร์ (GIS Data) มาใช้ประโยชน์ในการรับมือกับการระบาดของไวรัสโคโรน่า หรือ โควิด 2019
30 March 2020
PDPA Icon

We use cookies to optimize your browsing experience and improve our website’s performance. Learn more at our Privacy Policy and adjust your cookie settings at Settings

Privacy Preferences

You can choose your cookie settings by turning on/off each type of cookie as needed, except for necessary cookies.

Accept all
Manage Consent Preferences
  • Strictly Necessary Cookies
    Always Active

    This type of cookie is essential for providing services on the website of the Personal Data Protection Committee Office, allowing you to access various parts of the site. It also helps remember information you have previously provided through the website. Disabling this type of cookie will result in your inability to use key services of the Personal Data Protection Committee Office that require cookies to function.
    Cookies Details

  • Performance Cookies

    This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

  • Functional Cookies

    This type of cookie enables the Big Data Institute (Public Organization)’s website to remember the choices you have made and deliver enhanced features and content tailored to your usage. For example, it can remember your username or changes you have made to font sizes or other customizable settings on the page. Disabling these cookies may result in the website not functioning properly.

  • Targeting Cookies

    "This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

Save settings
This site is registered on wpml.org as a development site. Switch to a production site key to remove this banner.