BigData Tag - Big Data Institute

ข่าวและบทความที่เกี่ยวข้อง

All BigData

บทความ

แนวทางการตรวจสอบความปลอดภัยในการพัฒนาแอพพลิเคชั่น ตามรายการจัดอันดับของ OWASP และ MITRE

ปัจจุบันในแต่ละองค์กรมีการใช้งานแอพพลิเคชั่นในแทบทุกส่วนงาน ไม่ว่าจะเป็นแอพพลิเคชั่นที่พัฒนาใช้เองหรือเป็นการใช้บริการจากภายนอก ในการใช้งานแอพพลิเคชั่นต่าง ๆ เหล่านั้น จำเป็นต้องนึกถึงความปลอดภัยอยู่เสมอ เพราะมีข้อมูลที่ถูกจัดเก็บหรือส่งต่อไปในบริการเหล่านั้น โดยเฉพาะอย่างยิ่งถ้าเป็นแอพพลิเคชั่นที่ให้บริการแก่ลูกค้า และต้องการให้ลูกค้ามีความเชื่อมั่นด้วยนั้น ยิ่งต้องมีความจำเป็นที่จะต้องคำนึงถึงความปลอดภัยของระบบที่พัฒนาขึ้น มิฉะนั้นแล้วลูกค้าอาจไม่เชื่อถือหรือมีความกังวลใจในการใช้งาน ส่งผลกระทบให้จำนวนลูกค้าลดลงหรือไม่อยากใช้บริการ การพัฒนาแอพพลิเคชั่นเพื่อใช้งานในองค์กรเอง ก็จำเป็นต้องสร้างความปลอดภัยด้วยเช่นกัน เพราะในปัจจุบันภัยทางไซเบอร์ใกล้ตัวยิ่งกว่าที่คิด มีความหลากหลายและรุนแรงในหลายๆ รูปแบบ หากระบบที่ให้บริการมีจุดอ่อนและช่องโหว่ถูกเปิดเผยจนข้อมูลรั่วไหลหรือถูกเจาะเข้าระบบได้ ก็จะทำให้ส่งผลต่อคนในองค์กร และอาจกระทบต่อระบบอื่น ๆ รวมทั้งธุรกิจขององค์กรเอง ซึ่งอาจแผ่ขยายไปยังส่วนการให้บริการกับภายนอกด้วย ระบบอาจจะต้องหยุดชะงักและใช้เวลาแก้ไข ไม่ว่าจะเป็นกู้ข้อมูลหรือการตอบสนองและรายงานสาเหตุกับลูกค้า สุดท้ายก็จะทำให้เกิดความเสื่อมเสียต่อชื่อเสียงขององค์กร แล้วเราจะทราบได้อย่างไรว่าระบบหรือแอพพลิเคชั่นที่เราพัฒนานั้นได้ป้องกันจุดอ่อนต่าง ๆ ครบถ้วนแล้วหรือยัง? ในปัจจุบันมีการรวบรวมช่องโหว่หรือจุดอ่อนต่าง ๆ ที่มักถูกพบหรือเกิดขึ้นในการพัฒนาแอพพลิเคชั่น ที่เป็นที่ยอมรับและใช้กันเป็นมาตรฐาน โดยสำหรับการพัฒนาแอพพลิเคชั่นได้มีรายการจัดอันดับจุดอ่อนที่พบบ่อยในการพัฒนา เพื่อเป็นแนวทางให้กับนักพัฒนา หรือนักออกแบบระบบ หรือผู้ดูแลความปลอดภัยให้กับองค์กรได้นำไปใช้ เรียกว่า OWASP Top 10 ซึ่งเป็นรายการความเสี่ยงด้านความปลอดภัยที่มีโอกาสเกิดขึ้นได้มากที่สุด 10 อันดับในการพัฒนาเว็บแอพพลิเคชั่น ซึ่งสอดคล้องกับปัจจุบันที่หลาย ๆ องค์กรนิยมเลือกให้บริการต่าง ๆ ผ่านเว็บ OWASP Top 10 OWASP (Open Web Application Security Project) เป็นกลุ่มองค์กรที่จัดตั้งขึ้นโดยไม่แสวงหาผลกำไร มีเป้าหมายในการทำโปรเจค ทำวิจัย และมาตรฐานต่าง ๆ ด้านความปลอดภัย โดยไม่แบ่งแยกเทคโนโลยีหรือซอฟต์แวร์การค้าใด ๆ และเผยแพร่ผลลัพธ์ต่าง ๆ เช่น เครื่องมือ ผลงานวิจัย ผลการศึกษา และแนวทางหรือมาตรฐานต่าง ๆ ที่สร้างความปลอดภัยทางไซเบอร์ โดยหนึ่งในโปรเจคที่สำคัญคือ OWASP Top 10 เป็นการสรุปรายการความเสี่ยงด้านความปลอดภัยของเว็บแอพพลิเคชั่น ซึ่งได้จัดทำขึ้นมาอย่างต่อเนื่องตั้งแต่เริ่มโครงการเมื่อปี 2003 ซึ่งในปัจจุบันเป็นเวอร์ชั่นปี 2021 ในปี 2021 OWASP จัดอันดับ 10 รายการจุดอ่อนประกอบด้วยหัวข้อดังต่อไปนี้ (รายละเอียดเพิ่มเติม link) นอกจาก OWASP Top 10 แล้ว ยังมีการจัดอันดับจาก CWE Top 25 (Common Weakness Enumeration) อีกด้วย ซึ่งจะครอบคลุมการพัฒนาระบบแอพพลิเคชั่นในทุกแพลตฟอร์ม ไม่จำกัดเฉพาะบนเว็บเท่านั้น CWE Top 25 CWE (Common Weakness Enumeration) เป็นชุดรายการจุดอ่อนที่ถูกค้นพบได้ในทุกระบบ ทั้งฮาร์ดแวร์และซอฟต์แวร์ ซึ่งเป็นโครงการจัดทำและเผยแพร่โดย The MITRE Corporation (MITRE) ซึ่งเป็นหน่วยงานที่รับการสนับสนุนจาก the U.S. Department of Homeland Security (DHS) Cybersecurity และ Infrastructure Security Agency (CISA) ชุดจุดอ่อนที่ว่านี้เป็นได้ทั้งที่เกิดจากการโปรแกรมภายในผิดพลาด ไม่ปลอดภัย หรือมีบัก และถูกรายงานจากนักวิจัย นักพัฒนา หรือนักวิเคราะห์ระบบด้านความปลอดภัยไซเบอร์ที่ค้นพบหรือจากทดสอบจากทั่วโลก ดังนั้นรายการต่าง ๆ นี้จึงถูกรวบรวมและจัดการอัพเดทอยู่โดยสม่ำเสมอ ในปัจจุบันรายการชุดจุดอ่อนมีมากกว่า 600 ชุดรายการ และนอกจากนี้ทาง MITRE ได้มีการจัดทำชุด CWE เฉพาะรายการที่เป็นความผิดพลาดในการพัฒนาหรือช่องโหว่ในซอฟต์แวร์ ซึ่งจัดอันดับเป็นข้อผิดพลาดที่อันตรายที่สุด 25 รายการ (หรือเรียกชื่อเต็มว่า CWE Top 25 Most Dangerous Software Weaknesses) จัดว่าเป็นแนวทางหรือเช็คลิสต์ที่มีประโยชน์อย่างมากสำหรับนักพัฒนาระบบหรือแอพพลิเคชั่น ซึ่งชุดรายการอัพเดทล่าสุดถึงปี 2023 ในปี 2023 CWE Top 25 สำหรับ 10 อันดับแรก มีรายละเอียดดังต่อไปนี้ ส่วนอันดับอื่น ๆ ที่เหลือสามารถศึกษาเพิ่มเติมได้จาก Link จากรายการตัวอย่างทั้ง 10 อันดับ ของ OWASP และ CWE จะเห็นได้ว่ามีส่วนคล้ายคลึงกันอย่างมาก และที่สังเกตได้สิ่งหนึ่งคือ CWE จะมีรายละเอียดช่องโหว่เฉพาะเรื่องหรือจำเพาะเฉพาะส่วนการทำงานหนึ่ง ๆ ในขณะที่ OWASP จะเป็นลักษณะช่องโหว่ที่ครอบคลุมแนวกว้าง เช่น OWASP’s Injections ตรงกันกับ Cross-site Scripting, SQL Injection และ OS Command Injection ของ CWE หรือ OWASP’s Broken Access Control เป็นจุดอ่อนกรณีเดียวกันกับที่กล่าวถึงใน Path Traversal และ CSRF ของ CWE เป็นต้น อีกส่วนที่แตกต่างกันคือ OWASP จะมุ่งเน้นไปในวิธีการสร้างความปลอดภัยบนระบบเว็บแอพพลิเคชั่น ส่วน CWE จะครอบคลุมช่องโหว่ในแนวลึกทุกระดับประเภทซอฟต์แวร์ ไม่ว่าจะเป็น Firmware, System, Application on desktop/web/mobile แต่ไม่ว่าจะเป็น OWASP Top 10 หรือ CWE Top 25 อาจกล่าวได้ว่าสำหรับนักพัฒนาแล้ว ถือเป็นแนวทางที่ช่วยสร้างความเข้าใจ และทำให้มองเห็นช่องโหว่ที่พวกแฮคเกอร์มักนำมาใช้ในการโจมตีได้ชัดเจนขึ้น การทำความคุ้นเคยและปฎิบัติตามแนวทางดังกล่าว นับว่าเป็นสิ่งที่นักพัฒนาควรใส่ใจและตระหนักอยู่เสมอ รวมถึงควรจัดทำให้เป็นมาตรฐานหลักของการพัฒนาแอพพลิเคชั่นภายในองค์กร อย่างไรก็ตามแนวทางเหล่านี้ แม้แต่ OWASP เองก็ให้ข้อคิดเห็นว่าเป็นเพียงแค่ความปลอดภัยขั้นต้นที่ควรมีเป็นอย่างน้อยที่สุดเท่านั้น หรือจุดอ่อนต่าง ๆ ใน CWE ก็สามารถถูกค้นพบได้เพิ่มขึ้นอยู่ตลอดเวลา ดังนั้นแล้วการดูแล อัพเดทข้อมูล และปฎิบัติตามข้อแนะนำของมาตรฐานต่าง ๆ อย่างสม่ำเสมอ จะเป็นวิธีที่เหมาะสมที่จะปกป้องระบบ และข้อมูลทั้งขององค์กรและของลูกค้าให้ปลอดภัยได้ยาวนานที่สุด บทความโดย ธีร์วิช ว่องทวี ตรวจทานและปรับปรุงโดย ดวงใจ จิตคงชื่น Reference: https://owasp.org/Top10 https://www.sans.org/top25-software-errors https://cwe.mitre.org/top25 https://blog.omnetworks.com.np/owasp-top-10-understanding-the-most-critical-application-security-risks https://www.cyfence.com/article/owasp-top-10-2021 https://www.hackerone.com/vulnerability-management/cwe-common-weakness-enumeration-and-cwe-top-25-explained https://www.picussecurity.com/resource/blog/the-most-common-security-weaknesses-cwe-top-25-and-owasp-top-10

21 August 2024

บทความ

Big Data 101

LangChain: ตัวช่วยในการพัฒนาแอปพลิเคชันที่ขับเคลื่อนด้วย AI ทางภาษา

การพัฒนาแอปพลิเคชันจาก LLM นั้น ต้องพึ่งนักพัฒนาในหลากหลายแขนง ทำให้เกิดข้อจำกัดการทำงาน LangChain จะเข้ามาช่วยในส่วนนี้

7 February 2024

บทความ

Data for Business

การใช้ข้อมูลขนาดใหญ่ในวงการแฟชั่นระดับโลก (Big Data in the Global Fashion Industry)

หากพูดถึงแบรนด์ดัง ๆ อย่าง Gucci Montblanc Burberry Zara Pomelo ฯลฯ คนที่ชื่นชอบเรื่องแฟชั่นน่าจะรู้จักกันดี แต่เบื้องหลังความสำเร็จของแบรนด์ดังเหล่านี้ มีการใช้ประโยชน์จากข้อมูลขนาดใหญ่ (Big Data) เพื่อนำมาวิเคราะห์ในมิติต่าง ๆ ในการเพิ่มประสิทธิภาพในการสร้างรายได้และกำไรให้กับธุรกิจ สร้างความความพึงพอใจ และตอบสนองความต้องการของลูกค้าอย่างแม่นยำ รวมถึงการเติบโตแบบยั่งยืนให้กับแบรนด์ของตนเอง วันนี้เราจะมาพาดูกันกว่าบริษัทชั้นนำเหล่านี้ใช้ประโยชน์จากข้อมูลขนาดใหญ่ สำหรับธุรกิจเสื้อผ้าและแฟชั่นของตนเองอย่างไรกันบ้าง หนึ่งในองค์ประกอบสำคัญที่เป็นเบื้องหลังความสำเร็จของ Zara แบรนด์เสื้อผ้าแฟชั่นที่โด่งดังระดับโลก และเปิดให้บริการหลายสาขาทั่วโลก คือการที่ Zara นำข้อมูลขนาดใหญ่ที่มีมาวิเคราะห์อย่างต่อเนื่อง เพื่อทำนายทิศทางของแฟชั่น แนวโน้มต่อไปของสินค้าที่จะกลายมาเป็นที่นิยม การวิเคราะห์พฤติกรรมของลูกค้าและความชอบของกลุ่มลูกค้า เนื่องจากอุตสาหกรรมแฟชั่นเปลี่ยนแปลงอยู่ตลอดเวลา การใช้ Big Data จึงเป็นสิ่งที่ขาดไม่ได้หากต้องการแซงหน้าคู่แข่งในตลาดที่มีจำนวนมากในปัจจุบันต่อการขายทั้งทางออนไลน์และออฟไลน์ โดยข้อมูลเหล่านี้สามารถรวบรวมได้จากหลายช่องทาง ทั้งจากยอดขาย การวิจัยตลาด แคมเปญออนไลน์ ผลตอบรับทางโซเชียลมีเดีย การวิเคราะห์ลักษณะการเลือกซื้อของผู้ชม ฯลฯ ประโยชน์ของการใช้ข้อมูลขนาดใหญ่ในธุรกิจเสื้อผ้าและแฟชั่น (Benefits of Big Data in the Fashion Business) 1. กลยุทธ์ด้านราคา ในการกำหนดราคาสินค้า หากเจ้าของแบรนด์รู้ว่ากลุ่มเป้าหมายสบายใจที่จะจ่ายค่าสินค้านั้น ๆ ด้วยราคาเท่าไหร่ และกำลังซื้อของพวกเขาคือเท่าใดจะทำให้บริษัทได้เปรียบอย่างมากในการเพิ่มยอดขาย เพราะหากตั้งราคาสินค้าเกินราคา เกินความต้องการ ก็อาจจะไม่มีใครซื้อ แต่หากตั้งราคาต่ำไป บริษัทก็อาจเกิดความเสียหายได้ ดังนั้นการใช้ข้อมูลขนาดใหญ่ เข้ามาช่วยในการหาจุดสมดุลของราคาที่ลูกค้าจะตัดสินใจซื้อได้อย่างง่ายดายจึงช่วยได้เป็นอย่างมาก 2. การกำหนดกลุ่มเป้าหมาย การวิเคราะห์ข้อมูลจะช่วยให้แบรนด์รู้ว่ากลุ่มเป้าหมายคือคนกลุ่มใด โดยสามารถรู้ได้ตั้งแต่ช่วงอายุ ส่วนสูง เชื้อชาติ พฤติกรรมการเลือกซื้อ ฯลฯ ของลูกค้าแต่ละกลุ่ม โดยปัจจัยเหล่านี้สามารถช่วยให้เจ้าของแบรนด์สามารถวิเคราะห์พฤติกรรมและความต้องการของลูกค้าได้อย่างละเอียด เข้าใจปัจจัยที่ส่งผลต่อการซื้อ รวมถึงช่วงเวลาและลักษณะสถานที่แบบที่กลุ่มเป้าหมายมีแนวโน้มที่จะกลายมาเป็นลูกค้าได้ง่ายที่สุด เป็นประโยชน์ในการออกแบบผลิตภัณฑ์ใหม่และการปรับปรุงผลิตภัณฑ์ที่มีอยู่ให้ดียิ่งขึ้น นอกจากนี้ ผลิตภัณฑ์บางอย่างที่เป็นที่นิยมตอนจัดแสดงบนรันเวย์อาจไม่ได้เป็นที่ต้องการในการขายปลีกเสมอไป รสนิยมของนักช้อปร้านค้าปลีกแตกต่างจากผู้ชมที่ดูแฟชั่นบนรันเวย์ การวิเคราะห์ข้อมูลขนาดใหญ่จะช่วยคาดการณ์ว่าการออกแบบแบบใดและผลิตภัณฑ์ใดจะประสบความสำเร็จในร้านค้าปลีกได้ดีกว่า 3. การทำแคมเปญการตลาดให้เหมาะกับลูกค้าแต่ละประเภท ข้อมูลพฤติกรรมของผู้บริโภคที่มีจะช่วยให้แบรนด์สามารถออกแบบข้อเสนอแคมเปญการตลาดและจัดทำโปรโมชั่นทางการตลาดได้อย่างตรงจุดเป็นที่ถูกใจลูกค้าแต่ละกลุ่มได้อย่างง่ายดายและแม่นยำ โดยไม่จำเป็นว่าลูกค้าทุกคนจะต้องได้รับข้อเสนอที่เหมือนกันอีกด้วย เพราะข้อมูลขนาดใหญ่จะช่วยจำแนกผู้บริโภคประเภทต่าง ๆ ออกจากกันเพื่อให้แบรนด์สามารถสร้างกลยุทธ์การตลาดที่มีผลต่อความรู้สึกของผู้บริโภคและตอบสนองต่อความต้องการของลูกค้าได้อย่างมีเสถียรภาพ นำเสนอแคมเปญที่ตรงใจลูกค้า ซึ่งจะช่วยดึงดูดความสนใจและทำให้เกิดการซื้อได้ในที่สุด 4. การคาดการณ์ทิศทางแฟชั่น การใช้ข้อมูลขนาดใหญ่ ยังสามารถช่วยติดตามแนวโน้มในวงการแฟชั่นและคาดการณ์แนวโน้มในอนาคตได้อีกด้วย โดยแบรนด์จะใช้ข้อมูลนี้เพื่อดูว่าต่อไปความต้องการของผู้บริโภคจะเป็นอย่างไรเพื่อออกแบบสินค้าให้เป็นที่น่าสนใจ เพื่อให้สามารถสร้างผลิตภัณฑ์ที่ตอบโจทย์ตลาดได้อย่างถูกต้อง อีกทั้งยังสามารถลดการสูญเสียทรัพยากรการผลิตที่ไม่จำเป็นในทุกขั้นตอนของกระบวนการผลิตได้สำหรับสินค้าที่มีแนวโน้มว่าจะไม่เป็นที่ต้องการอีกต่อไป ทำให้การทำนายแนวโน้มนี้สามารถช่วยทั้งในส่วนของการเพิ่มยอดขายและประหยัดค่าใช้จ่ายได้ในคราวเดียว โดยเฉพาะอย่างยิ่ง การคาดการณ์เทรนด์สีที่จะเป็นที่นิยมส่งผลอย่างมากต่อการทำนายแนวโน้มความต้องการผู้บริโภคเพราะสีมีบทบาทที่สำคัญมากในอุตสาหกรรมแฟชั่น ดังนั้นการคาดเดาได้ก่อนว่าสีไหนกำลังจะได้รับความนิยมหรือกำลังจะล้าสมัยจึงเป็นกุญแจสำคัญในความสำเร็จของการออกแบบสินค้าแฟชั่นต่าง ๆ ตัวอย่างเช่น มีการคาดการณ์ว่าชุดสีที่จะเป็นที่นิยมในปี 2022 จะเป็นเฉดสีที่สื่อถึงการมองโลกในแง่ดี ดูอบอุ่น และน่าตื่นเต้น โดยต่อมา Pantone ได้ประกาศว่าเฉดสีฟ้าอมม่วงจะเป็นสีแห่งปี 2022 และยังคาดการณ์ว่าเฉดสีน้ำเงินจะมีบทบาทสำคัญในปีนั้น ไม่ว่าจะเป็นสีฟ้าพาวเดอร์ สีฟ้าพาสเทล และสีฟ้าอมเขียว การคาดการณ์นี้ส่งผลให้แบรนด์ต่าง ๆ ปรับโทนสีของสินค้าตนเองให้ตรงกับเทรนด์สีของปีนั้น ๆ เพื่อขึ้นมาเป็นผู้นำด้านแฟชั่น โดยนอกจากสีแล้ว การวิเคราะห์ข้อมูลจะช่วยให้ธุรกิจต่าง ๆ สามารถคาดการณ์สินค้าที่จะกลายมาเป็นที่นิยมในแต่ละปี นำไปสู่การวางแผนเปิดตัวผลิตภัณฑ์ใหม่ที่จะดึงดูดตลาดผู้บริโภคได้อย่างชาญฉลาด การวิเคราะห์ข้อมูลในธุรกิจแฟชั่นที่นิยมนำไปใช้ มีรูปแบบไหนกันบ้าง (Different Ways of Data Analysis in the Fashion Business) ข้อมูลที่สามารถนำมาใช้ในการวิเคราะห์ธุรกิจแฟชั่นนั้นมีหลายรูปแบบ ดังต่อไปนี้ 1. การวิเคราะห์จากข้อมูลที่ได้จากภายในร้านค้า ข้อมูลที่ใช้ในการวิเคราะห์รวบรวมมากจากข้อมูลต่าง ๆ ภายในร้านค้าโดยอาจมาจากการสังเกตของพนักงานหรือจากสินค้าที่อยู่ในร้าน เช่น ข้อมูลจากการสนทนาในร้านค้าเกี่ยวกับผลิตภัณฑ์ของแบรนด์ ข้อมูลของผลิตภัณฑ์ที่ขายดีที่สุดในร้านและผลิตภัณฑ์ที่ถูกมองข้ามมากที่สุดในร้าน ข้อมูลลักษณะการจัดวางสินค้าว่าลูกค้าพูดถึงว่าอย่างไร หรือลูกค้าสามารถมองหาสินค้าที่ต้องการได้ยากง่ายเพียงใด พฤติกรรมการเดินในช้อปว่าผู้คนมีการเดินอย่างไรบ้าง ฯลฯ ซึ่งแบรนด์หรูหลาย ๆ เจ้าได้ข้อมูลเหล่านี้มาจากการจัดหาผู้ช่วยส่วนตัวให้กับลูกค้าที่เดินเข้ามาในร้านแต่ละคนที่นอกจากจะช่วยในการตัดสินใจซื้อของลูกค้าแล้ว ผู้ช่วยเหล่านี้จะคอยสังเกตพฤติกรรมผู้บริโภคของพวกเขาด้วย และแบรนด์ยังสามารถใช้ข้อมูลเหล่านี้เพื่อนำมาจัดวางแผนผังของร้านให้สอดคล้องกับพฤติกรรมของลูกค้าได้ ตัวอย่างเช่น Montblanc แบรนด์ดังผู้ผลิตผลิตภัณฑ์เครื่องหนังและสินค้าอื่น ๆ ของเยอรมนี ใช้ Big Data กับร้านค้าต่าง ๆ ของตนในการสร้าง Heat Map เพื่อศึกษาว่าผู้ซื้อส่วนใหญ่ใช้เวลาในการดูหรืออ่านรายละเอียดเกี่ยวกับสินค้า ตรงบริเวณใดภายในร้านบ้าง เพื่อกำหนดจุดที่เหมาะสมที่สุดในการนำเสนอผลิตภัณฑ์หรือเตรียมกำลังเจ้าหน้าที่ไปประจำที่จุดนั้น โดยวิธีนี้ช่วยให้ Montblanc สามารถเพิ่มยอดขายได้ถึง 20% 2. การวิเคราะห์ข้อมูลสินค้าคงคลัง การวิเคราะห์ข้อมูลจำนวนสินค้าที่มีและที่เหลืออยู่ในสต็อกเป็นอีกหนึ่งวิธีที่สำคัญที่จะช่วยให้เจ้าของธุรกิจแฟชั่นเข้าใจถึงความต้องการของผู้บริโภคกับสินค้าของแบรนด์ตนเองได้เป็นอย่างดี รวมถึงช่วยในการบริหารการจัดเก็บคลังสินค้าได้อย่างมีประสิทธิภาพ เพื่อลดค่าใช้จ่ายในการเก็บรักษาสินค้าและป้องกันการขาดสินค้าหรือการมีสินค้าส่วนเกินมากจนเกินไป 3. การวิเคราะห์ข้อมูลจากเว็บไซต์และโซเชียลมีเดีย ข้อมูลนี้ที่ได้จากทางเว็บไซต์และโซเชียลมีเดียสามารถนำไปใช้วิเคราะห์ได้เช่นกัน โดยสามารถดูข้อมูลการกดแชร์ การใส่ของในตะกร้าสินค้าก่อนการจ่ายเงิน การกดถูกใจสินค้าหรือโพสต่าง ๆ ข้อมูลที่ได้จากการแสดงความคิดเห็น เป็นต้น ในบางกรณีแบรนด์อาจมีการจ้าง Influencer เพื่อช่วยโปรโมทสินค้าทางออนไลน์ และจะเก็บข้อมูลของผู้ชมที่เข้ามามีส่วนร่วมกับโพสนั้น ๆ โดยข้อมูลเหล่านี้จะทำให้แบรนด์ได้ข้อมูลเชิงลึกเกี่ยวกับแบรนด์แฟชั่นของตนเองจากการวิเคราะห์ข้อมูลทางออนไลน์ 4. การวิเคราะห์ข้อมูลจากลูกค้าโดยตรง การวิเคราะห์ข้อมูลจากลูกค้าจะได้มาจากคำติชมของลูกค้า ความคิดเห็น และพฤติกรรมทางออนไลน์ว่าลูกค้ากดเข้าไปดูหน้าไหน ดูสินค้าอะไร จากหน้านี้แล้วมักจะกดไปหน้าไหนต่อ ลูกค้าส่วนใหญ่มักทำอะไรก่อนหลัง หรือการให้ลูกค้าทำแบบสำรวจ โดยแบรนด์แฟชั่นหลายเจ้าจะขอให้ลูกค้ากรอกแบบสำรวจออนไลน์หรือออฟไลน์เพื่อลุ้นรับรางวัลหรือรับส่วนลด วิธีนี้สามารถช่วยทั้งทางการตลาดส่งเสริมการขายและการรวบรวมข้อมูลจากผู้บริโภค อีกหนึ่งวิธีที่แทบทุกแบรนด์นิยมใช้กันคือการส่งอีเมล เช่น จดหมายข่าวโบรชัวร์ การแจ้งผลิตภัณฑ์มาใหม่ ฯลฯ ให้แก่ผู้บริโภคเพื่อดูว่าอีเมลลักษณะใดหรืออีเมลที่มีเนื้อหาอย่างไรที่เป็นที่สนใจและถูกมองข้ามบ้าง และเมื่อแบรนด์นำข้อมูลเหล่านี้มาวิเคราะห์รวมกัน จะช่วยให้แบรนด์ทราบถึงแนวโน้มของตลาดแฟชั่นทั้งในปัจจุบันและในอนาคตได้ นอกจากนี้ ยังมีอีกหลากหลายวิธีที่สามารถทำได้ เช่น การวิเคราะห์สินค้าที่มักถูกซื้อพร้อมกัน การวิเคราะห์ด้านการจัดการ ห่วงโซ่อุปทาน ฯลฯ แต่ไม่ว่าจะด้วยวิธีใด จะเห็นได้ว่าข้อมูลแต่ละประเภทล้วนมีความสำคัญ การใช้ข้อมูลใหญ่เป็นสิ่งสำคัญในธุรกิจเสื้อผ้าและแฟชั่นเพื่อเพิ่มประสิทธิภาพในด้านการทำความเข้าใจลูกค้า การจัดการสินค้า การวิเคราะห์แฟชั่นและแนวโน้ม การบริการลูกค้า และการพัฒนากลยุทธ์การตลาด เพื่อสร้างความสำเร็จในธุรกิจแฟชั่นในยุคที่แข่งขันอย่างสูงสุด การทำความเข้าใจและใช้ข้อมูลหลากหลายรูปแบบนำมาวิเคราะห์ร่วมกันได้อย่างลงตัวจะสามารถนำไปสู่ความสำเร็จของแบรนด์ได้ “Consumer data will be the biggest differentiator in the next two to three years. Whoever unlocks the reams of data and uses it strategically will win.” – By Angela Ahrendts เนื้อหาโดย นภัสวันต์ พสุทิพย์ตรวจทานและปรับปรุงโดย นววิทย์ พงศ์อนันต์ แหล่งอ้างอิง https://www.analyticsinsight.net/application-of-big-data-in-the-fashion-industry/ https://www.analyticsinsight.net/how-are-luxury-brands-using-big-data-for-benefit-in-2022/ https://fashinza.com/brands-and-retail/tips/the-importance-of-big-data-for-fashion-apparel-businesses/ https://3dinsider.optitex.com/fashion-industry-transforming-into-a-big-data-industry/ https://www.launchmetrics.com/resources/blog/3-ways-your-fashion-company-can-benefit-from-big-data

17 October 2023

บทความ

พิธีถวายสัตย์ปฏิญาณฯ และลงนามถวายพระพร เนื่องในโอกาสวันเฉลิมพระชนมพรรษา พระบาทสมเด็จพระเจ้าอยู่หัว รัชกาลที่ ๑๐ ณ มณฑลพิธีท้องสนามหลวง

สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) (BDI) ภายใต้ชื่อเดิม สถาบันส่งเสริมการวิเคราะห์และบริหารข้อมูลขนาดใหญ่ภาครัฐ (GBDi) และเจ้าหน้าที่ เข้าร่วมพิธีถวายสัตย์ปฏิญาณฯ และลงนามถวายพระพร เนื่องในโอกาสวันเฉลิมพระชนมพรรษา พระบาทสมเด็จพระเจ้าอยู่หัว รัชกาลที่ ๑๐ ๒๘ กรกฎาคม ๒๕๖๖, ท้องสนามหลวง กรุงเทพมหานคร – พลเอก ประยุทธ์ จันทร์โอชา นายกรัฐมนตรี เป็นประธานพิธีถวายสัตย์ปฏิญาณเพื่อเป็นข้าราชการที่ดีและเป็นพลังของแผ่นดิน ประจำปี ๒๕๖๖ หน้าพระบรมฉายาลักษณ์ เนื่องในโอกาสวันเฉลิมพระชนมพรรษา พระบาทสมเด็จพระปรเมนทรรามาธิบดีศรีสินทรมหาวชิราลงกรณฯ พระวชิรเกล้าเจ้าอยู่หัว รัชกาลที่ ๑๐ ณ มณฑลพิธีท้องสนามหลวง โดย นายแพทย์ธนกฤต จินตวร ปฏิบัติหน้าที่รองผู้อำนวยการสถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) (BDI) พร้อมด้วยเจ้าหน้าที่ ได้เข้าร่วมพิธีดังกล่าว เพื่อแสดงความมุ่งมั่นแน่วแน่ ที่จะเป็นข้าราชการที่ดีและเป็นพลังของแผ่นดินปฏิบัติหน้าที่ตามรอยพระยุคลบาทในฐานะข้าของแผ่นดิน เพื่อให้เกิดประโยชน์สุขแก่ประชาชนและประเทศชาติสืบไป

28 July 2023

บทความ

รมว.ดีอีเอส ติดตามความคืบหน้าการพัฒนาแพลตฟอร์มข้อมูลอัจฉริยะ Travel Link

ชูความสำเร็จของการใช้ประโยชน์จากข้อมูลขนาดใหญ่ เพิ่มมูลค่าการท่องเที่ยวไทย 28 มิถุนายน 2566, กรุงเทพมหานคร – รัฐมนตรีว่าการกระทรวงดิจิทัลฯ ติดตามความคืบหน้าและผลสำเร็จการพัฒนาแพลตฟอร์มข้อมูลอัจฉริยะ “Travel Link: เชื่อม (ข้อมูล) ท่องเที่ยวให้ถึงกัน” โดย สถาบันส่งเสริมการวิเคราะห์และบริหารข้อมูลขนาดใหญ่ภาครัฐ (GBDi) หรือ สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) (BDI) ในปัจจุบัน ชูความสำเร็จของการเชื่อมโยงความร่วมมือจากมากกว่า 20 หน่วยงาน รวบรวมชุดข้อมูลอ้างอิงมากกว่า 100 ชุด มีข้อมูลแหล่งท่องเที่ยวไทยมากกว่า 14,000 แหล่ง พร้อมขยายผลสู่การบริการด้านข้อมูลขนาดใหญ่เพื่อยกระดับอุตสาหกรรมการท่องเที่ยวของประเทศ นายชัยวุฒิ ธนาคมานุสรณ์ รัฐมนตรีว่าการกระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม (ดีอีเอส) พร้อมคณะร่วมติดตามความคืบหน้าและผลสำเร็จภายใต้การพัฒนาแพลตฟอร์มข้อมูลอัจฉริยะ “Travel Link: เชื่อม (ข้อมูล) ท่องเที่ยวให้ถึงกัน” โดยมี รศ.ดร.ธีรณี อจลากุล ผู้อำนวยการสถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI คณะทำงานโครงการ Travel Link นายอนุกูล จันทร์จรัส ผู้อำนวยการศูนย์เทคโนโลยีสารสนเทศและการสื่อสาร สำนักงานปลัดกระทรวงการท่องเที่ยวและกีฬา พร้อมทีมงาน และ นายภูมิกิตติ์ รักแต่งาม ประธานที่ปรึกษาสมาคมธุรกิจการท่องเที่ยวจังหวัดภูเก็ต ร่วมให้การต้อนรับและรายงานผลการดำเนินงาน นายชัยวุฒิ เปิดเผยว่า กระทรวงดิจิทัลฯ ให้ความสำคัญกับการขับเคลื่อนให้เกิดการใช้ประโยชน์อย่างสูงสุดจากข้อมูลขนาดใหญ่ (Big Data) โดยความคืบหน้าการดำเนินงานของแพลตฟอร์มข้อมูลอัจฉริยะ “Travel Link: เชื่อม (ข้อมูล) ท่องเที่ยวให้ถึงกัน” แสดงให้เห็นความสำเร็จอีกขั้นในการบูรณาการการทำงานระหว่างรัฐและเอกชน ผสานเข้ากับเทคโนโลยีเพื่อการจัดการข้อมูลก่อนเชื่อมโยงไปสู่การใช้งานจริง โดยอาศัยความรู้ความสามารถของคนรุ่นใหม่ในการพัฒนาแพลตฟอร์มดังกล่าวขึ้น ทำให้เชื่อมั่นได้ว่า ประเทศไทยจะสามารถใช้ประโยชน์จากข้อมูลขนาดใหญ่ในการเพิ่มมูลค่าให้กับภาคอุตสาหกรรมต่าง ๆ ได้มากขึ้น อีกทั้งเป็นการกระตุ้นเศรษฐกิจและสังคมของประเทศอย่างต่อเนื่อง ทั้งนี้ เมื่อวันที่ 2 มิถุนายนที่ผ่านมา ราชกิจจานุเบกษาเผยแพร่ พระราชกฤษฎีกาจัดตั้งสถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) พ.ศ. 2566 โดยมีวัตถุประสงค์เพื่อให้เกิดการใช้ข้อมูลขนาดใหญ่ทั้งภาครัฐและภาคเอกชนเป็นกลไกสำคัญในการพัฒนาระบบเศรษฐกิจและสังคมของประเทศเกิดการบูรณาการข้อมูลขนาดใหญ่ของหน่วยงานของรัฐและเอกชนสำหรับการแก้ไขปัญหา การเพิ่มประสิทธิภาพการดำเนินงาน และการให้บริการการตัดสินใจในการกำหนดนโยบายเพื่อเศรษฐกิจและสังคม ซึ่งนับเป็นการเตรียมความพร้อมการขับเคลื่อนประเทศอย่างมั่นคงในอีกขั้น ด้าน รศ.ดร.ธีรณี กล่าวว่า แพลตฟอร์มข้อมูลอัจฉริยะ “Travel Link: เชื่อม (ข้อมูล) ท่องเที่ยวให้ถึงกัน” เป็นหนึ่งในโครงการที่ GBDi เริ่มต้นพัฒนาขึ้น โดยความร่วมมือกับ กระทรวงการท่องเที่ยวและกีฬา เพื่อขับเคลื่อนอุตสาหกรรมการท่องเที่ยวของประเทศไทย ปัจจุบันมีการบูรณาการข้อมูลและแลกเปลี่ยนข้อมูลด้านการท่องเที่ยวจากทุกภาคส่วนที่เกี่ยวข้องมากกว่า 20 หน่วยงาน อาทิ ข้อมูลสถานที่ท่องเที่ยว โรงแรม อัตราการเข้าพัก ฯลฯ เกิดชุดข้อมูลอ้างอิง (Data Catalog) มากกว่า 100 ชุด มีข้อมูลแหล่งท่องเที่ยวไทยมากกว่า 14,000 แหล่ง เพื่อเป็นฐานข้อมูลกลางในการให้บริการ นอกจากนี้ยังมีการสำรวจเพื่อให้เข้าใจความต้องการของผู้ใช้ ไม่ว่าจะเป็นกลุ่มผู้ประกอบการหรือนักท่องเที่ยว ว่ามีข้อมูลใดบ้างที่ให้ความสนใจ เช่น จำนวนและพฤติกรรม เป็นต้น โดยวิธีการศึกษาจะเป็นการศึกษาเชิงคุณภาพ มีการสัมภาษณ์เชิงลึก มุ่งทำความเข้าใจพฤติกรรมในบริบทและมุมมองที่หลากหลาย โดยผู้ประกอบการด้านการท่องเที่ยว หน่วยงานต่าง ๆ รวมถึงประชาชนที่สนใจสามารถเข้าถึงชุดข้อมูลได้ผ่าน https://www.travellink.go.th/ ซึ่งถือเป็นอีกหนึ่งความสำเร็จของ BDI ในการขับเคลื่อนการใช้ประโยชน์จากข้อมูลขนาดใหญ่ที่เกิดจากการทำงานของกลุ่มคนรุ่นใหม่ “BDI มีความพร้อมอย่างยิ่งในการเป็นกลไกสำคัญที่จะขับเคลื่อนให้เกิดการใช้ประโยชน์จากข้อมูลขนาดใหญ่ด้วยความสามารถของบุคลากรคนรุ่นใหม่ที่มีความเชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์ เข้าใจเทคโนโลยีอุบัติใหม่ รวมถึง Business Domain ต่าง ๆ ของรัฐ และมีประสบการณ์ด้านข้อมูลเพื่อการวางแผนของภาครัฐพัฒนาเป็นแพลตฟอร์มสำคัญด้านการท่องเที่ยวของไทย โดย BDI จะเป็นแรงขับเคลื่อนสำคัญในการยกระดับเศรษฐกิจและสังคมของประเทศให้เข้มแข็งยิ่งขึ้น” ผู้อำนวยการ BDI กล่าว พร้อมกันนี้ นายชัยวุฒิ ยังได้ร่วมพูดคุยถึงการดำเนินงานด้านข้อมูลขนาดใหญ่ในโครงการต่าง ๆ โดยนอกเหนือจากแพลตฟอร์มข้อมูลอัจฉริยะ Travel Link แล้ว BDI ยังได้บูรณาการการทำงานไปแล้วกว่า 100 โครงการกับ 67 หน่วยงาน รวมถึงการพัฒนาแพลตฟอร์มเชื่อมโยงข้อมูลสุขภาพ (Health Link) ระบบเชื่อมโยงข้อมูลเด็กและเยาวชน (Youth Link) และระบบเชื่อมโยงข้อมูลเพื่อการบริหารสถานการณ์การแพร่ระบาดของโรคติดเชื้อไวรัสโควิด-19 (CO-Link) #depaThailand #BDI #BigDataInstitute #TravelLink #GBDi #BigData #MDES #PhuketTouristAssociation #PTA #สมาคมธุรกิจการท่องเที่ยวจังหวัดภูเก็ต

29 June 2023

บทความ

Movements

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

บทความ

Big Data 101

เชื่อมต่อ BigQuery ด้วย Python ใน 3 ขั้นตอน

การสำรองและกู้คืนข้อมูล PostgreSQL และการ sync ไฟล์ด้วย rsync แบบอัตโนมัติ

22 August 2022

บทความ

Big Data 101

ใคร ๆ ก็สามารถสำรวจข้อมูลพื้นฐานได้ด้วยฟังก์ชันง่าย ๆ บน R Studio

บทความนี้ผมจะพาทุกคนไปพบกับวิธีการสำรวจข้อมูลเบื้องต้น หรือในทางเทคนิคเราจะเรียกว่า การวิเคราะห์ข้อมูลเชิงสำรวจ หรือ Exploratory Data Analysis (EDA) โดยโปรแกรมที่ผมจะใช้นั้นคือ R-studio ครับ

4 September 2021

บทความ

ดีอีเอส-พม. ลงนามข้อตกลงความร่วมมือ การบูรณาการข้อมูลเพื่อการใช้ประโยชน์ข้อมูลขนาดใหญ่

"ดีอีเอส-พม." ร่วมลงนามในบันทึกข้อตกลงความร่วมมือ เรื่องการบูรณาการข้อมูลเพื่อการใช้ประโยชน์ข้อมูลขนาดใหญ่

17 September 2020

รู้จัก BDI

Organization

Policy and Plan

Personnel

Operations

BigData

ข่าวและบทความที่เกี่ยวข้อง

All BigData

บทความ

บทความ

บทความ

บทความ

บทความ

บทความ

บทความ

บทความ

บทความ

สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน)

Big Data Institute (Public Organization)

234/432 Soi Lat Phrao 12, Chomphon, Chatuchak, Bangkok 10900, Thailand

Contact Us

Quick Link

About Us

© Big Data Institute | Privacy Policy