Search
A
A
A
Home
Data Analytics

Data Analytics

ข่าวและบทความที่เกี่ยวข้อง

Related news and articles

PostType Filter En

บทความ
Movements
การเปลี่ยนแปลงของผู้โดยสารขาเข้าไทยในช่วงความขัดแย้งในตะวันออกกลาง 
การวิเคราะห์โดยใช้แบบจำลองการพยากรณ์เพื่อเปรียบเทียบกับแนวโน้มในภาวะปกติ  ความขัดแย้งในตะวันออกกลางเป็นหนึ่งในปัจจัยที่อาจส่งผลต่อการเดินทางระหว่างประเทศ ทั้งในด้านความเชื่อมั่นของนักเดินทางและการปรับเส้นทางการบินของสายการบิน  คำถามสำคัญจึงไม่ใช่เพียงว่า “จำนวนผู้โดยสารที่เดินทางเข้าไทยลดลงหรือไม่” แต่คือ “ลดลงมากน้อยเพียงใดเมื่อเทียบกับภาวะปกติ”  เนื่องจากตัวเลขผู้โดยสารขาเข้าโดยปกติมีความผันผวนอยู่แล้ว จากปัจจัยอย่างฤดูกาล วันหยุด และพฤติกรรมการเดินทางที่เปลี่ยนแปลงไปในแต่ละช่วงเวลา การจะพิจารณาว่าความเปลี่ยนแปลงที่เกิดขึ้นเป็นผลจากความขัดแย้งในตะวันออกกลางหรือไม่ จึงต้องเปรียบเทียบกับแนวโน้มในภาวะปกติ ไม่ใช่ดูเพียงจำนวนผู้เดินทางที่เพิ่มขึ้นหรือลดลงในแต่ละวัน  คำศัพท์สำคัญในการวิเคราะห์  Baseline คือตัวเลขอ้างอิงของภาวะปกติ ในบทความนี้หมายถึงค่าพยากรณ์ที่ใช้เปรียบเทียบกับตัวเลขจริง เพื่อประเมินว่าจำนวนผู้โดยสารแตกต่างจากภาวะปกติมากน้อยเพียงใด  Prophet เป็นโมเดลพยากรณ์ข้อมูลตามเวลา (Forecasting Model) ที่เหมาะกับข้อมูลซึ่งมีทั้งแนวโน้ม ฤดูกาล และเหตุการณ์เฉพาะ  MAPE (Mean Absolute Percentage Error) เป็นตัวชี้วัดความคลาดเคลื่อนของการพยากรณ์ในรูปเปอร์เซ็นต์ ค่ายิ่งต่ำยิ่งสะท้อนว่าโมเดลพยากรณ์ได้ใกล้เคียงกับข้อมูลจริงมากขึ้น  Shock Regressor เป็นตัวแปรที่ใช้ระบุช่วงเวลาที่มีเหตุการณ์ผิดปกติ เพื่อช่วยให้โมเดลไม่ตีความข้อมูลช่วงดังกล่าวเป็นภาวะปกติ  แนวคิด Baseline ในการประเมินผลกระทบ  การประเมินผลกระทบของเหตุการณ์ระดับโลกต่อการเดินทางเข้าไทย ไม่สามารถพิจารณาจากจำนวนผู้โดยสารเพียงอย่างเดียวได้ เนื่องจากตัวเลขดังกล่าวมีความผันผวนตามปัจจัยในภาวะปกติอยู่แล้ว  ในบทความนี้ Baseline หมายถึง ค่าพยากรณ์ของจำนวนผู้โดยสารในภาวะปกติ ซึ่งสร้างขึ้นจากโมเดลพยากรณ์ (Forecasting Model) โดยใช้ข้อมูลย้อนหลัง ก่อนนำมาเปรียบเทียบกับตัวเลขจริงที่เกิดขึ้นในช่วงเวลาศึกษา  การเปรียบเทียบดังกล่าวช่วยให้เห็นว่าตัวเลขจริงแตกต่างจากแนวโน้มในภาวะปกติมากน้อยเพียงใด และทำให้สามารถประเมินได้ชัดขึ้นว่าความเปลี่ยนแปลงที่เกิดขึ้นอาจเกี่ยวข้องกับเหตุการณ์ที่กำลังศึกษาเพียงใด  ภาพอธิบายหลักการของ Baseline  การใช้โมเดลพยากรณ์เพื่อประมาณแนวโน้มในภาวะปกติ  เพื่อสร้าง Baseline ดังกล่าว งานนี้จึงเลือกใช้โมเดลพยากรณ์ (Forecasting Model) ชื่อ Prophet เป็นเครื่องมือหลักในการประมาณจำนวนผู้โดยสารขาเข้ารายวันในภาวะปกติ โดยใช้ข้อมูลย้อนหลังตั้งแต่ปี 2023 ถึง 28 กุมภาพันธ์ 2026 ซึ่งเป็นช่วงก่อนเกิดเหตุการณ์ผิดปกติ  เหตุผลที่เลือกใช้ Prophet คือข้อมูลผู้โดยสารมีทั้งแนวโน้มระยะยาว ฤดูกาล และอิทธิพลจากวันหยุดหรือเหตุการณ์เฉพาะ ทำให้โมเดลสามารถสะท้อนรูปแบบของข้อมูลได้เหมาะสม  ในภาพรวม โมเดลจะเรียนรู้รูปแบบจากข้อมูลในอดีต และประมาณค่าที่ควรเกิดขึ้นในแต่ละวันภายใต้ภาวะปกติ  ภาพแสดงส่วนประกอบของการพยากรณ์ผลของโมเดล Prophet   การออกแบบการทดลองและชุดข้อมูล  การวิเคราะห์ครอบคลุม 4 สนามบินหลัก ได้แก่ สุวรรณภูมิ (BKK), ภูเก็ต (HKT), เชียงใหม่ (CNX) และกระบี่ (KBV) โดยใช้ช่วงวันที่ 11–17 มีนาคม 2026 เป็นช่วงทดสอบ ซึ่งเป็นช่วงที่มีข้อมูลจริงสำหรับใช้เปรียบเทียบกับผลพยากรณ์  มีการทดลองทั้งหมด 6 รูปแบบ โดยใช้ชุดข้อมูลที่แตกต่างกัน เช่น การใช้เฉพาะจำนวนผู้โดยสาร การใช้ข้อมูลผู้โดยสารเฉพาะบางสัญชาติ และการใช้ข้อมูลผู้โดยสารร่วมกับข้อมูลเที่ยวบิน เช่น จำนวนเที่ยวบินในช่วงเดียวกันของปีก่อน หรือค่าเฉลี่ยเที่ยวบินในช่วงวันที่ 1–10 มีนาคม 2026  แนวทางนี้ไม่ได้ตั้งสมมติฐานล่วงหน้าว่าการมีข้อมูลมากขึ้นจะทำให้ผลพยากรณ์ดีขึ้นเสมอไป แต่ใช้ผลลัพธ์จริงเป็นตัวพิจารณาว่าวิธีใดเหมาะสมกับแต่ละสนามบิน  ตารางสรุป 6 รูปแบบการทดสอบเพื่อทดสอบว่าแต่ละสนามบินเหมาะกับข้อมูลแบบใด  ผลการประเมินความแม่นยำของโมเดล  การประเมินความแม่นยำของโมเดลในงานนี้ใช้ค่า MAPE ซึ่งสะท้อนว่าผลพยากรณ์คลาดเคลื่อนจากข้อมูลจริงโดยเฉลี่ยกี่เปอร์เซ็นต์ โดยค่ายิ่งต่ำยิ่งแสดงว่าโมเดลให้ผลใกล้เคียงกับข้อมูลจริงมากขึ้น  ตารางเปรียบเทียบประสิทธิภาพการพยากรณ์  ผลการทดสอบแสดงให้เห็นว่าความแม่นยำของโมเดลแตกต่างกันในแต่ละสนามบิน และในบางกรณีตัวเลขจริงมีความเบี่ยงเบนจากแนวโน้มในภาวะปกติอย่างชัดเจนจากเหตุการณ์เฉพาะ  สำหรับ BKK โมเดลที่ใช้จำนวนผู้โดยสารเพียงอย่างเดียวให้ผลดีที่สุด โดยมีค่าความคลาดเคลื่อน 1.87% สะท้อนว่าข้อมูลมีรูปแบบค่อนข้างสม่ำเสมอและสามารถพยากรณ์แนวโน้มได้ดี  ขณะที่ CNX ได้ผลดีที่สุดที่ 3.62% เมื่อใช้ข้อมูลผู้โดยสารร่วมกับจำนวนเที่ยวบิน แสดงให้เห็นว่าข้อมูลเที่ยวบินมีบทบาทในการอธิบายแนวโน้มของผู้โดยสารในพื้นที่นี้  ในทางกลับกัน KBV ยังคงเป็นสนามบินที่พยากรณ์ได้ยากที่สุด โดยค่าความคลาดเคลื่อนที่ดีที่สุดยังอยู่ในช่วงประมาณ 22.46–22.51% สะท้อนถึงความผันผวนของข้อมูลที่สูงกว่าสนามบินอื่นอย่างชัดเจน  กรณีของ HKT ควรพิจารณาแยกต่างหาก เนื่องจากเมื่อวันที่ 11 มีนาคม 2026 สนามบินภูเก็ตเกิดเหตุเครื่องบินลงจอดกระแทกพื้น ส่งผลให้รันเวย์ต้องปิดชั่วคราวและกระทบต่อเที่ยวบินจำนวนมาก เหตุการณ์ดังกล่าวทำให้ค่าความคลาดเคลื่อนเพิ่มขึ้นเป็น 21.76% เมื่อรวมวันเกิดเหตุไว้ในการประเมิน  อย่างไรก็ตาม เมื่อทดลองตัดช่วงวันที่ 11–12 มีนาคมออก ค่าความคลาดเคลื่อนลดลงเหลือ 4.59% ทันที สะท้อนว่าในภาวะปกติ โมเดลยังสามารถพยากรณ์แนวโน้มของ HKT ได้ในระดับที่ใกล้เคียงกับสนามบินหลักอื่น และค่าความคลาดเคลื่อนที่สูงขึ้นก่อนหน้านั้นมีสาเหตุหลักจากเหตุการณ์เฉพาะดังกล่าว ไม่ใช่ข้อจำกัดของโมเดลเอง  กราฟเปรียบเทียบค่า MAPE ของ BKK, CNX, HKT (ไม่รวมวันที่เกิดเหตุการณ์), HKT และ KBV โดยเรียงลำดับจากค่าต่ำไปสูง  ผลของการเพิ่มตัวแปรต่อความแม่นยำของโมเดล  ผลการทดลองแสดงให้เห็นอย่างชัดเจนว่า การเพิ่มข้อมูลไม่ได้ทำให้ความแม่นยำของโมเดลดีขึ้นเสมอไป และลักษณะของข้อมูลในแต่ละสนามบินมีผลต่อประสิทธิภาพของโมเดลอย่างมีนัยสำคัญ  สำหรับ BKK โมเดลที่ใช้จำนวนผู้โดยสารเพียงอย่างเดียวให้ผลลัพธ์ดีที่สุด โดยมีค่าความคลาดเคลื่อนต่ำสุดที่ 1.87% ขณะที่การเพิ่มข้อมูลเที่ยวบินเข้ามา กลับทำให้ค่าความคลาดเคลื่อนสูงขึ้น แสดงให้เห็นว่าข้อมูลผู้โดยสารเพียงอย่างเดียวเพียงพอในการอธิบายแนวโน้มของสนามบินนี้  ในกรณีของ HKT มีลักษณะคล้ายกัน คือการใช้ข้อมูลผู้โดยสารเพียงอย่างเดียวให้ผลลัพธ์ที่แม่นยำที่สุด อย่างไรก็ตาม หากรวมช่วงวันที่เกิดเหตุการณ์ผิดปกติ ค่าความคลาดเคลื่อนจะเพิ่มขึ้นอย่างมีนัยสำคัญ เนื่องจากตัวเลขจริงได้รับผลกระทบจากการหยุดชะงักของเที่ยวบิน  สำหรับ CNX ผลลัพธ์แตกต่างออกไป โดยโมเดลที่ใช้ข้อมูลเที่ยวบินเฉลี่ยร่วมกับจำนวนผู้โดยสารให้ค่าความคลาดเคลื่อนต่ำสุดที่ 3.62% สะท้อนว่าข้อมูลเที่ยวบินมีบทบาทในการอธิบายแนวโน้มของผู้โดยสารในพื้นที่นี้มากกว่าสนามบินอื่น  ส่วน KBV ยังคงเป็นกรณีที่มีความผันผวนสูง แม้จะทดลองหลายรูปแบบแล้ว ค่าความคลาดเคลื่อนยังอยู่ในระดับสูงในทุกวิธี โดยค่าที่ดีที่สุดอยู่ที่ประมาณ 22.46% แสดงให้เห็นว่าการเพิ่มข้อมูลไม่สามารถลดความไม่แน่นอนของข้อมูลได้อย่างมีนัยสำคัญ  ผลลัพธ์ทั้งหมดสะท้อนว่า ไม่มีวิธีการหรือชุดข้อมูลใดที่เหมาะสมกับทุกสนามบิน การเลือกใช้ตัวแปรจึงควรสอดคล้องกับลักษณะของข้อมูลในแต่ละพื้นที่ และควรพิจารณาจากผลลัพธ์เชิงประจักษ์มากกว่าการตั้งสมมติฐานล่วงหน้า  บทบาทของ Shock Regressor ในการพยากรณ์  อีกองค์ประกอบสำคัญของการวิเคราะห์นี้คือการใส่ Shock Regressor ลงในโมเดล เพื่อระบุช่วงเวลาที่มีเหตุการณ์ผิดปกติและอาจทำให้รูปแบบของข้อมูลแตกต่างจากภาวะปกติ  ในบริบทของงานนี้ Baseline แสดงถึงแนวโน้มของจำนวนผู้โดยสารในภาวะปกติ ขณะที่ Shock Regressor ทำหน้าที่ระบุช่วงเวลาที่ข้อมูลไม่เป็นไปตามแนวโน้มดังกล่าว เช่น ช่วงที่ได้รับผลกระทบจากความขัดแย้งในตะวันออกกลาง  หากไม่ใส่ตัวแปรนี้ โมเดลจะตีความข้อมูลเหมือนเป็นภาวะปกติ และยังคงพยากรณ์ตามแนวโน้มเดิม ซึ่งอาจทำให้ค่าพยากรณ์สูงกว่าความเป็นจริงในช่วงที่เกิดเหตุการณ์ผิดปกติ แต่เมื่อใส่ Shock Regressor เข้าไป โมเดลจะสามารถปรับค่าพยากรณ์ให้สอดคล้องกับข้อมูลจริงได้มากขึ้น  ตัวอย่างจาก BKK และ HKT แสดงให้เห็นว่า เมื่อไม่ใส่ Shock Regressor โมเดลมีแนวโน้มพยากรณ์จำนวนผู้โดยสารสูงเกินจริงในช่วงที่ได้รับผลกระทบ แต่เมื่อใส่ตัวแปรดังกล่าว ค่าพยากรณ์จะปรับลดลงและสอดคล้องกับข้อมูลจริงมากขึ้น สะท้อนว่าโมเดลสามารถรับรู้ผลกระทบจากเหตุการณ์ได้ดีขึ้น  ประเด็นนี้ชี้ให้เห็นว่า โมเดลพยากรณ์โดยทั่วไปเรียนรู้จากข้อมูลในภาวะปกติเป็นหลัก ดังนั้นเมื่อเกิดเหตุการณ์ที่อยู่นอกแนวโน้มเดิม การระบุช่วงเวลาที่ “ไม่ปกติ” ให้กับโมเดลจึงเป็นขั้นตอนสำคัญในการทำให้ผลการพยากรณ์สะท้อนสถานการณ์ได้แม่นยำขึ้น  กราฟเปรียบเทียบจำนวนผู้โดยสารจริง (Actual) กับค่าพยากรณ์ที่ไม่ใช้ Shock Regressor  และค่าพยากรณ์ที่ใช้ Shock Regressor ของ BKK หรือ HKT  การวิเคราะห์ผลลัพธ์รายสนามบิน  เมื่อพิจารณาผลลัพธ์แยกตามสนามบิน จะเห็นว่ารูปแบบของข้อมูลและการตอบสนองต่อเหตุการณ์แตกต่างกันอย่างชัดเจน  สำหรับ BKK จำนวนผู้โดยสารมีรูปแบบค่อนข้างสม่ำเสมอเมื่อเทียบกับสนามบินอื่น ทำให้โมเดลสามารถพยากรณ์แนวโน้มได้ใกล้เคียงกับข้อมูลจริง โดยการใช้จำนวนผู้โดยสารเพียงอย่างเดียวให้ค่าความคลาดเคลื่อนต่ำที่สุด สะท้อนว่าข้อมูลมีเสถียรภาพและสามารถอธิบายได้ด้วยแนวโน้มพื้นฐาน  ในกรณีของ HKT แม้โดยรวมจะสามารถพยากรณ์แนวโน้มในภาวะปกติได้ดี แต่ข้อมูลได้รับผลกระทบจากเหตุการณ์เฉพาะในช่วงเวลาสั้น ๆ อย่างชัดเจน โดยเหตุการณ์เครื่องบินลงจอดกระแทกพื้นในวันที่ 11 มีนาคม 2026 ทำให้จำนวนผู้โดยสารและเที่ยวบินเบี่ยงเบนจากแนวโน้มปกติอย่างมีนัยสำคัญ เมื่อแยกช่วงเวลาดังกล่าวออก รูปแบบของข้อมูลจะกลับมาใกล้เคียงกับแนวโน้มเดิม  สำหรับ CNX ลักษณะของข้อมูลแตกต่างออกไป โดยจำนวนเที่ยวบินมีบทบาทในการอธิบายแนวโน้มของผู้โดยสารมากกว่าสนามบินอื่น ทำให้โมเดลที่ใช้ข้อมูลเที่ยวบินร่วมด้วยให้ผลลัพธ์ที่แม่นยำกว่า สะท้อนว่าความสัมพันธ์ระหว่างเที่ยวบินและจำนวนผู้โดยสารมีความชัดเจนในพื้นที่นี้  ส่วน KBV เป็นกรณีที่แสดงให้เห็นถึงความผันผวนของข้อมูลอย่างชัดเจน จำนวนผู้โดยสารในแต่ละวันมีการเปลี่ยนแปลงในช่วงกว้าง และมีการขึ้นลงอย่างรวดเร็วในบางช่วง แม้จะทดลองหลายรูปแบบแล้ว โมเดลยังไม่สามารถพยากรณ์แนวโน้มได้ใกล้เคียงกับข้อมูลจริงเท่าสนามบินอื่น สะท้อนว่าลักษณะของข้อมูลมีความไม่แน่นอนสูงและคาดการณ์ได้ยากกว่า  ภาพรวมของทั้ง 4 สนามบินแสดงให้เห็นว่า เหตุการณ์เดียวกันอาจปรากฏในข้อมูลแตกต่างกันไปตามลักษณะของแต่ละพื้นที่ ทั้งในแง่ของความสม่ำเสมอของข้อมูล ระดับความผันผวน และความไวต่อเหตุการณ์เฉพาะ  กราฟแสดงจำนวนผู้โดยสารจากสนามบิน BKK / HKT / CNX / KBV  ข้อสรุปและข้อสังเกตจากการวิเคราะห์  การวิเคราะห์นี้ไม่ได้มุ่งตอบเพียงว่าจำนวนผู้โดยสารลดลงหรือไม่ แต่เน้นทำความเข้าใจว่าความเปลี่ยนแปลงดังกล่าวแตกต่างจากแนวโน้มในภาวะปกติมากน้อยเพียงใด  ผลลัพธ์แสดงให้เห็นว่า การพิจารณาตัวเลขผู้โดยสารเพียงอย่างเดียวอาจไม่เพียงพอในการอธิบายผลกระทบของเหตุการณ์ภายนอก เนื่องจากตัวเลขดังกล่าวมีความผันผวนตามปัจจัยปกติอยู่แล้ว การเปรียบเทียบกับ Baseline ซึ่งเป็นค่าพยากรณ์ในภาวะปกติจึงเป็นวิธีที่ช่วยแยก “ความผันผวนตามธรรมชาติ” ออกจาก “ความเปลี่ยนแปลงที่อาจเกิดจากเหตุการณ์” ได้ชัดเจนขึ้น  ในเชิงวิธีการ ผลการทดลองชี้ให้เห็นว่า การเพิ่มข้อมูลไม่ได้ทำให้ความแม่นยำของโมเดลดีขึ้นเสมอไป และไม่มีรูปแบบข้อมูลเดียวที่เหมาะกับทุกสนามบิน บางพื้นที่สามารถอธิบายแนวโน้มได้ด้วยข้อมูลผู้โดยสารเพียงอย่างเดียว ขณะที่บางพื้นที่ต้องอาศัยข้อมูลเที่ยวบินเพิ่มเติม และบางกรณีความผันผวนของข้อมูลยังทำให้การพยากรณ์เป็นไปได้ยาก แม้จะเพิ่มข้อมูลแล้วก็ตาม  อีกประเด็นสำคัญคือ บทบาทของ Shock Regressor ซึ่งช่วยให้โมเดลสามารถสะท้อนช่วงเวลาที่ไม่อยู่ในภาวะปกติได้ดีขึ้น โดยเฉพาะในช่วงที่ได้รับผลกระทบจากเหตุการณ์เฉพาะ การระบุช่วงเวลาที่ “ไม่ปกติ” ให้กับโมเดลจึงมีความสำคัญไม่น้อยไปกว่าการเลือกตัวแปรหรือโมเดลที่ใช้  เมื่อพิจารณาในระดับพื้นที่ พบว่าเหตุการณ์เดียวกันไม่ได้ส่งผลต่อทุกสนามบินในลักษณะเดียวกัน สนามบินที่มีข้อมูลสม่ำเสมอสามารถรักษาแนวโน้มได้ค่อนข้างชัด ขณะที่สนามบินที่มีความผันผวนสูงหรือได้รับผลกระทบจากเหตุการณ์เฉพาะจะมีรูปแบบที่แตกต่างออกไปอย่างมีนัยสำคัญ  ในสถานการณ์ที่มีความไม่แน่นอนสูง ผลกระทบอาจไม่ได้ปรากฏอย่างชัดเจนในทันที แต่อาจค่อย ๆ ปรากฏผ่านการเปลี่ยนแปลงของเส้นทางการบิน การตัดสินใจเดินทางที่ชะลอลง หรือจำนวนผู้โดยสารที่เริ่มเบี่ยงเบนจากแนวโน้มในภาวะปกติทีละน้อย  ในหลายกรณี สิ่งที่ช่วยอธิบายสถานการณ์ได้ชัดเจนจึงไม่ใช่ตัวเลขที่เกิดขึ้นเพียงลำพัง แต่คือความแตกต่างระหว่าง “ตัวเลขที่เกิดขึ้นจริง” กับ “แนวโน้มในภาวะปกติ” ซึ่งเป็นกรอบสำคัญในการทำความเข้าใจผลกระทบของเหตุการณ์ได้อย่างมีความหมายมากขึ้น  ผู้เขียน: กัญจน์ชยาภรณ์ แซ่จุง, ธนกฤต คล้ายแก้ว และทีม TRAVEL LINK
31 March 2026
Read More

บทความ
BDI แชร์ประสบการณ์การพัฒนา Data และ AI สู่เวทีนักวิจัย ในหลักสูตร “Creating AI Researchers”
13 มีนาคม 2569, กรุงเทพฯ – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI โดย นายชยสิน แซ่เตีย วิศวกรข้อมูลอาวุโส ฝ่ายเทคโนโลยีข้อมูลและสารสนเทศ ร่วมเป็นวิทยากรในหลักสูตรอบรมเชิงปฏิบัติการ “การสร้างนักวิจัย AI (Creating AI Researchers)” ภายใต้โครงการพัฒนาโครงสร้างพื้นฐานปัญญาประดิษฐ์สำหรับภาษาไทย (ThaiLLM) ซึ่งจัดโดยเนคเทค สวทช. และหน่วยงานพันธมิตร โดยถ่ายทอดองค์ความรู้ในหัวข้อ “Foundation of Data and AI: Data, AI and Everything Between” เพื่อแบ่งปันประสบการณ์การทำงานด้าน Data Engineering และ Data Science จากการใช้งานจริงให้แก่ผู้แทนจากหน่วยงานภาครัฐ ภาคเอกชน และสถาบันการศึกษา กว่า 40 คน การอบรมครั้งนี้ ผู้เข้าร่วมได้แลกเปลี่ยนประสบการณ์ ทดลองลงมือพัฒนา และเรียนรู้ผ่านการสาธิต Live Coding พร้อมนำเสนอผลงานและพูดคุยแลกเปลี่ยนมุมมองด้าน Data และ AI ครอบคลุมตั้งแต่แนวคิดพื้นฐานของข้อมูลและบทบาทของข้อมูลต่อการพัฒนา AI, Machine Learning และ Data Analytics โดยเริ่มจากการทำความเข้าใจแหล่งที่มาของข้อมูล (Data Sources) และกระบวนการจัดการข้อมูล ไปจนถึงการเตรียมข้อมูลสำหรับการพัฒนาโมเดล เช่น กระบวนการ ETL การสร้าง Feature Engineering และการวิเคราะห์ข้อมูลเชิงพรรณนา (Descriptive Analysis) ผ่านกิจกรรมเวิร์กช็อปย่อยให้ผู้เข้าร่วมได้ทดลองปฏิบัติจริง นอกจากนี้ ยังมีการสาธิตการพัฒนาโมเดล Machine Learning ผ่านการ Live Coding อาทิ Linear Regression, K-means, Decision Tree และ Random Forest รวมถึงการอธิบายพัฒนาการของโมเดล AI ตั้งแต่ RNN และ LSTM ไปจนถึงสถาปัตยกรรม Transformer และโมเดล GPT เพื่อให้ผู้เข้าร่วมเห็นภาพรวมของเทคโนโลยี AI ในปัจจุบัน พร้อมทั้งแนะนำเครื่องมือที่ใช้จริงในการพัฒนางานด้าน Data และ AI เช่น Python, Jupyter Notebook, Pandas, Scikit-learn, Streamlit และ Docker ตลอดจนเปิดพื้นที่ให้ผู้เข้าร่วมได้ทดลองพัฒนาโปรเจกต์และนำเสนอผลงาน พร้อมแลกเปลี่ยนมุมมองด้านเทคนิคและการประยุกต์ใช้ Data และ AI ในการทำงานจริง หลักสูตร “Creating AI Researchers” เป็นกิจกรรมภายใต้โครงการ ThaiLLM ที่มุ่งพัฒนากำลังคนด้าน AI ของประเทศ โดยเปิดโอกาสให้บุคลากรจากหน่วยงานต่าง ๆ ได้เรียนรู้ตั้งแต่พื้นฐาน Data และ AI ไปจนถึงหัวข้อขั้นสูงที่เกี่ยวข้องกับการพัฒนาโมเดลภาษา (LLM) และโครงสร้างพื้นฐานด้าน AI เพื่อสนับสนุนการพัฒนาเทคโนโลยี AI ของประเทศไทยในระยะยาว หลักสูตรนี้ถือเป็นหลักสูตรลำดับที่ 4 และเป็นระดับสูงสุดในชุดการพัฒนาบุคลากร AI ภายใต้โครงการ ThaiLLM ต่อเนื่องจากหลักสูตร AI Beginner, AI Engineer และ Continued Pretraining & Fine-tuning โดยตลอดระยะเวลา 5 วัน ผู้เข้าอบรมได้เรียนรู้หัวข้อสำคัญ เช่น LLM Architectures, Data Engineering for LLMs, Pretraining & Infrastructure, Advanced Finetuning Strategy เช่น RLHF และ DPO รวมถึง Optimization & Evaluation เพื่อการปรับแต่งและประเมินประสิทธิภาพโมเดล การจัดกิจกรรมดังกล่าวได้รับการสนับสนุนจากหน่วยงานพันธมิตรหลายภาคส่วน ได้แก่ กองทุนพัฒนาดิจิทัลเพื่อเศรษฐกิจและสังคม (DEF), สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน), สถาบันวิทยสิริเมธี (VISTEC), สมาคมผู้ประกอบการปัญญาประดิษฐ์ประเทศไทย (AIEAT), สมาคมปัญญาประดิษฐ์ประเทศไทย (AIAT), มหาวิทยาลัยมหิดล และจุฬาลงกรณ์มหาวิทยาลัย โดยการอบรมครั้งนี้นับเป็นอีกหนึ่งก้าวสำคัญในการพัฒนานักวิจัยและนักพัฒนา Data และ AI ของไทย เพื่อเสริมสร้างศักยภาพในการพัฒนาเทคโนโลยี AI ภายในประเทศ และวางรากฐานสู่อธิปไตยด้าน AI ของประเทศไทย ขอบคุณภาพจาก: https://www.facebook.com/aithailandcommu #BDI#BigData#AI#BigDataThailand#ThaiLLM#NECTEC#NSTDA#AIThailand#ดิจิทัลเพื่อเศรษฐกิจและสังคม#DE
13 March 2026
Read More

บทความ
เปิดเบื้องหลังแดชบอร์ด Rice Supply พยากรณ์ผลผลิตข้าวล่วงหน้า แก้ปัญหาราคาข้าวตกต่ำ
ช่วงปลายเดือนพฤศจิกายน จะเข้าสู่ฤดูเก็บเกี่ยวข้าวนาปี ซึ่งจะมีผลผลิตข้าวปริมาณมากออกสู่ตลาดพร้อมกัน และอาจส่งผลต่อเสถียรภาพราคาข้าว นี่จึงเป็นจุดเริ่มต้นของความร่วมมือระหว่าง สำนักงานนโยบายและยุทธศาสตร์การค้า (สนค.) กระทรวงพาณิชย์ กับ สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม (ดีอี) โดย ดร.อิสระพงศ์ เอกสินชล ผู้จัดการโครงการและนักวิทยาศาสตร์ข้อมูลอาวุโส BDI ได้รับมอบหมายภารกิจในการวิเคราะห์ว่า พื้นที่อำเภอไหน จังหวัดใดมีแนวโน้มที่ผลผลิตข้าวจะออกมาล้นตลาด เพื่อให้หน่วยงานที่เกี่ยวข้องสามารถเตรียมมาตรการรองรับได้อย่างเหมาะสม การลงรายละเอียดในแต่ละพื้นที่ เพื่อให้สามารถออกนโยบายช่วยเหลือชาวนาได้อย่างแม่นยำ จึงเป็นเป้าหมายสำคัญของภารกิจนี้ โดยภายใน 2 วันหลังจากได้รับโจทย์ ดร.อิสระพงศ์ ได้เขียนโปรแกรมประมวลผลข้อมูล และพัฒนาแดชบอร์ดแสดงผลคาดการณ์ผลผลิตข้าวจากภาพถ่ายดาวเทียมของสำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (GISTDA) ด้วยเทคโนโลยีปัญญาประดิษฐ์ (AI) เพื่อแสดงสถานการณ์ผลผลิตข้าวรายพื้นที่ในแต่ละช่วงเวลาได้อย่างมีประสิทธิภาพ อย่างไรก็ตาม การวิเคราะห์ปริมาณผลผลิตเพียงอย่างเดียวไม่เพียงพอในเชิงนโยบาย ทำอย่างไรถึงจะจำแนกชนิดพันธุ์ข้าวที่เพาะปลูก เช่น ข้าวหอมมะลิ ข้าวขาว และข้าวเหนียว ในแต่ละพื้นที่ได้ ? เพราะมีความสำคัญต่อการบริหารจัดการการตลาด ทีมงานจึงมีการบูรณาการข้อมูลการขึ้นทะเบียนปลูกข้าวของเกษตรกร จากกรมส่งเสริมการเกษตร กระทรวงเกษตรและสหกรณ์ มาวิเคราะห์ร่วมกันกับข้อมูลของ GISTDA ทำให้สามารถจำแนกชนิดพันธุ์ข้าวในแต่ละพื้นที่ในแต่ละช่วงเวลาได้อย่างเป็นระบบ นอกจากนี้ กำลังการผลิตของโรงสีในพื้นที่ ซึ่งบ่งชี้ถึงความสามารถในการรองรับปริมาณผลผลิตข้าวในแต่ละพื้นที่ที่แตกต่างกัน ก็เป็นอีกปัจจัยสำคัญที่ส่งผลต่อการประเมินสถานการณ์ปริมาณข้าวล้นตลาดด้วยเช่นกัน จึงได้มีการนำข้อมูลนี้จากกรมการค้าภายใน มาวิเคราะห์เพื่อประเมินศักยภาพการรองรับผลผลิต และความเสี่ยงต่อการเกิดภาวะผลผลิตล้นตลาด ในแต่ละพื้นที่ได้แม่นยำมากยิ่งขึ้น ผลลัพธ์ที่ได้ คือ “ระบบคาดการณ์ผลผลิตข้าวนาปีล่วงหน้า” ที่เกิดขึ้นจากการบูรณาการข้อมูลจากหลายหน่วยงานภาครัฐเข้าด้วยกัน ซึ่งสามารถส่งต่อให้สำนักงานพาณิชย์ในแต่ละจังหวัดและหน่วยงานที่เกี่ยวข้อง ใช้เป็นข้อมูลประกอบการติดตามสถานการณ์ และพิจารณามาตรการด้านการตลาดข้าวได้อย่างตรงจุด เกิดประสิทธิผลเชิงนโยบาย สอดคล้องกับสถานการณ์จริงตามบริบทของแต่ละพื้นที่ โดยในระยะต่อไป มีแผนต่อยอดการพัฒนาระบบคาดการณ์ผลผลิตไปสู่พืชเศรษฐกิจสำคัญของประเทศ ได้แก่ ข้าวโพดเลี้ยงสัตว์ มันสำปะหลัง และอ้อย เพื่อสนับสนุนการบริหารจัดการสินค้าเกษตรในภาพรวม เพื่อรักษาเสถียรภาพราคาสินค้าเกษตร และรายได้ของพี่น้องเกษตรกรให้มีความมั่นคง เบื้องหลังแดชบอร์ด จึงไม่ใช่เพียงเรื่องของเทคโนโลยี แต่คือความเชี่ยวชาญในการทำงานของบุคลากรเฉพาะด้าน ที่มาร่วมมือกันและนำข้อมูลจากหลายแหล่งมาประมวลผลอย่างเป็นระบบ เพื่อสนับสนุนการตัดสินใจเชิงนโยบายบนฐานข้อมูลที่รอบด้าน “นี่คือ อีกหนึ่งภารกิจของ BDI ในการสนับสนุนการใช้ข้อมูลเพื่อการกำหนดนโยบาย ภายใต้แนวคิด Data-Driven Nation”
15 December 2025
Read More

บทความ
BDI จัดอบรม Data Analytics เสริมแกร่งบุคลากรการเงินของ สสส. 
26 สิงหาคม 2568, กรุงเทพมหานคร – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI โดยฝ่ายพัฒนากำลังคน จัดการอบรมเชิงปฏิบัติการ “โครงการพัฒนาศักยภาพด้านการบริหารจัดการข้อมูล ด้วยหลักสูตรการวิเคราะห์ข้อมูล (Data Analytics) เพื่อการพัฒนางานบริการการเงินภาครัฐ” ให้กับสำนักงานกองทุนสนับสนุนการสร้างเสริมสุขภาพ (สสส.) โดยได้รับเกียรติจาก คุณวิภาดา วงศ์เจริญวิทยา ผู้อำนวยการฝ่ายบัญชีและการเงิน สสส. เป็นประธานกล่าวเปิด พร้อมชี้แจงวัตถุประสงค์ของโครงการที่มุ่งเสริมสร้างความรู้ ความเข้าใจ และแนวคิดพื้นฐานด้านการจัดการและการวิเคราะห์ข้อมูล เพื่อนำไปประยุกต์ใช้สนับสนุนการตัดสินใจและยกระดับประสิทธิภาพงานบริการการเงินของภาครัฐ โดยมีเจ้าหน้าที่ระดับปฏิบัติการจากฝ่ายบัญชีและการเงินของ สสส. เข้าร่วมจำนวน 20 คน ณ อาคารศูนย์เรียนรู้สุขภาวะ สำนักงานกองทุนสนับสนุนการสร้างเสริมสุขภาพ (สสส.)  เนื้อหาการอบรมถ่ายทอดโดย ดร.ขวัญศิริ ศิริมังคลา ผู้เชี่ยวชาญด้านการฝึกอบรมและพัฒนาการจัดการข้อมูลอาวุโส ฝ่ายพัฒนากำลังคน เริ่มต้นด้วยการปูพื้นฐานด้าน Digital Transformation และบทบาทของข้อมูลในยุคดิจิทัล เพื่อให้เห็นถึงความสำคัญของการใช้ Data Analytics, AI และ Machine Learning ในการสนับสนุนกระบวนการตัดสินใจและเพิ่มประสิทธิภาพในการดำเนินงานด้านการเงินภาครัฐ ต่อเนื่องด้วยการเรียนรู้กระบวนการจัดการข้อมูลภายในองค์กรภาครัฐ พร้อมเทคนิคการสื่อสารข้อมูลผ่าน Visualization เพื่อให้การวิเคราะห์ข้อมูลเข้าใจง่ายและสามารถนำไปประยุกต์ใช้ได้จริง ผ่านกรณีศึกษาที่เกี่ยวข้องกับการบริการประชาชนและการจัดการทางการเงิน  ช่วงท้ายของการอบรมเป็นกิจกรรมเชิงปฏิบัติการ Design Thinking Workshop ที่เปิดโอกาสให้ผู้เข้าอบรมได้ร่วมกันระบุปัญหา วิเคราะห์ข้อมูล และสร้างต้นแบบ (Prototype) แนวทางแก้ปัญหาที่สามารถนำไปต่อยอดใช้ในงานจริง พร้อมรับคำแนะนำจากทีมวิทยากรอย่างใกล้ชิด  การอบรมครั้งนี้ไม่เพียงมุ่งพัฒนาทักษะด้านการวิเคราะห์และบริหารจัดการข้อมูลให้แก่ผู้เข้าร่วม แต่ยังช่วยเสริมสร้างแนวคิดเชิงกลยุทธ์ เพื่อให้ สสส. ก้าวสู่การเป็น องค์กรที่ขับเคลื่อนด้วยข้อมูล (Data-Driven Organization) ได้อย่างมีประสิทธิภาพ ครอบคลุมทุกมิติของการปฏิบัติงานในอนาคต 
26 August 2025
Read More

บทความ
BDI MOU GSB ผนึกกำลังส่งเสริมการใช้ประโยชน์จากข้อมูลขนาดใหญ่ วิเคราะห์ครอบคลุมทุกมิติ สู่การกำหนดนโยบาย ขับเคลื่อนองค์กรและสังคมไทยอย่างยั่งยืน
1 กรกฎาคม 2568, กรุงเทพฯ – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI โดยนายสุธี อุไรวิชัยกุล รองผู้อำนวยการสถาบันข้อมูลขนาดใหญ่ พร้อมด้วยนายมานะ ทรวงทองหลาง รองผู้อำนวยการธนาคารออมสิน (GSB) ร่วมลงนามบันทึกข้อตกลงความร่วมมือ (MOU) ด้าน Data Platform ในการพัฒนาศักยภาพด้านการใช้ประโยชน์จากข้อมูลขนาดใหญ่และเทคโนโลยีที่เกี่ยวข้อง เพื่อส่งเสริมให้เกิดความยั่งยืนในการบริหารจัดการข้อมูลในหน่วยงานภาครัฐและช่วยขับเคลื่อนนโยบายดิจิทัลของประเทศให้เกิดผลจริง โดยมีนางวรพิชญา ระเบียบโลก ผู้อำนวยการฝ่ายบริการวิเคราะห์ข้อมูล BDI และนางพัชรี ชาภิมล ผู้อำนวยการฝ่ายบริหารข้อมูลสารสนเทศ GSB ร่วมเป็นสักขีพยาน ณ ธนาคารออมสินสำนักงานใหญ่ เขตพญาไท นายสุธี กล่าวว่า BDI เป็นหน่วยงานของรัฐที่มีภารกิจในการพัฒนาบุคลากรภาครัฐในการใช้งานข้อมูลขนาดใหญ่ รวมถึงการให้คำปรึกษาและการสร้างความเข้าใจในการใช้เทคโนโลยีที่เกี่ยวข้อง เพื่อตอบโจทย์การพัฒนาประเทศอย่างยั่งยืน ขณะเดียวกันธนาคารออมสิน เป็นองค์กรที่มุ่งมั่นเป็นผู้นำในการส่งเสริมการออม และสร้างความมั่นคงทางการเงินให้กับประชาชน ผ่านการใช้เทคโนโลยีและนวัตกรรมในการพัฒนาผลิตภัณฑ์และบริการที่ตอบสนองความต้องการของลูกค้า ความร่วมมือในครั้งนี้ จึงเป็นก้าวสำคัญในการเสริมสร้างความแข็งแกร่งในด้านการบริหารจัดการและวิเคราะห์ข้อมูลขนาดใหญ่ในองค์กร ด้านการพัฒนาบุคลากรที่มีความเชี่ยวชาญ และด้านการออกแบบโครงสร้างพื้นฐานที่รองรับการใช้งานข้อมูลในอนาคต โดยความร่วมมือที่ดำเนินการจะครอบคลุม 3 ด้านหลัก คือ 1. การแลกเปลี่ยนความรู้และประสบการณ์ เพื่อร่วมกันพัฒนาแพลตฟอร์มการจัดการข้อมูลและการให้คำปรึกษาในการใช้ข้อมูลขนาดใหญ่ 2. การพัฒนาทักษะของบุคลากร ในการใช้ข้อมูลขนาดใหญ่ผ่านการฝึกอบรมที่เป็นลักษณะแบบ Hands on Training และ 3. การวิเคราะห์และจัดทำโครงสร้างพื้นฐานของแพลตฟอร์มการจัดการข้อมูล ที่สามารถรองรับความต้องการของธนาคารออมสินและการใช้ประโยชน์จากข้อมูลได้อย่างมีประสิทธิภาพ การดำเนินงานที่เกิดขึ้น จึงไม่เพียงแต่เสริมสร้างศักยภาพทางด้านเทคโนโลยี แต่ยังเป็นการผลักดันให้เกิดองค์กรที่พร้อมขับเคลื่อนด้วยข้อมูล (Data-Driven Organization) โดยการพัฒนากระบวนการและการใช้เทคโนโลยีอย่างครบวงจร และยังเป็นการสนับสนุนการพัฒนานวัตกรรมในภาครัฐและธนาคารออมสินโดยเฉพาะในด้านการใช้ข้อมูลเพื่อการวิเคราะห์และพยากรณ์ ที่จะช่วยให้การตัดสินใจและการให้บริการต่าง ๆ เป็นไปอย่างมีประสิทธิภาพ ตอบโจทย์ความต้องการของประชาชนอย่างสูงสุด “ด้วยความเชี่ยวชาญของ BDI ในการให้คำปรึกษาด้าน Big Data และเทคโนโลยีข้อมูลขั้นสูง ผสานกับศักยภาพและประสบการณ์ของธนาคารออมสินในการดำเนินงาน ที่ให้ความสำคัญกับการเป็นธนาคารเพื่อสังคม (Social Bank) ที่มุ่งเน้นการลดความเหลื่อมล้ำ สร้างความเป็นธรรมในสังคม และสร้างผลกระทบเชิงบวกต่อสังคมในด้านต่าง ๆ จะทำให้ความร่วมมือครั้งนี้นำไปสู่การส่งเสริมการใช้ประโยชน์จากข้อมูลขนาดใหญ่ ทั้งในเชิงเทคนิคและเชิงนโยบาย เพื่อพัฒนาองค์กรและสังคมไทยอย่างยั่งยืนต่อไปในอนาคต” รองผู้อำนวยการ BDI กล่าวทิ้งท้าย
1 July 2025
Read More

บทความ
Big Data 101
คนจนแต่ละพื้นที่ต้องการความช่วยเหลืออย่างไร? หา insight จากข้อมูลด้วยเทคนิค Data Science 
ปัญหาความยากจนเป็นปัญหาสำคัญที่ส่งผลกระทบต่อการพัฒนาทางเศรษฐกิจและสังคมของประเทศไทยมาอย่างต่อเนื่อง แม้ในช่วงหลายทศวรรษที่ผ่านมา ประเทศไทยจะมีการเติบโตทางเศรษฐกิจและความพยายามของภาครัฐในการยกระดับคุณภาพชีวิตของประชาชน แต่ยังคงมีประชาชนจำนวนไม่น้อยที่ยังประสบปัญหาด้านรายได้ ความไม่เท่าเทียมในการเข้าถึงทรัพยากรและบริการพื้นฐาน ซึ่งสะท้อนให้เห็นถึงความเหลื่อมล้ำที่ยังฝังรากลึกในโครงสร้างสังคมไทย  การแก้ปัญหาความยากจนและยกระดับคุณภาพชีวิตประชาชนด้วยระบบ TPMAP   ระบบบริหารจัดการข้อมูลการพัฒนาคนแบบชี้เป้า (TPMAP: Thai People Map and Analytics Platform) พัฒนาขึ้นโดยสำนักงานสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ หรือ สภาพัฒน์ (สศช.) และศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (NECTEC) เพื่อเป็นกรณีตัวอย่างของการพัฒนาระบบ Big Data ของภาครัฐ ตามมติของคณะกรรมการบริหารราชการแผ่นดินเชิงยุทธศาสตร์ ในเวลาต่อมาได้นำระบบดังกล่าวมาใช้ในการบริหารราชการแผ่นดินเพื่อยกระดับคุณภาพชีวิตของประชาชน ทั้งในด้านการเพิ่มรายได้ ลดภาระค่าครองชีพ และเพิ่มโอกาสด้านอาชีพ  Thai People Map and Analytics Platform – TPM★P  ระบบ TPMAP สามารถเข้าถึงผ่านเว็บไซต์ https://www.tpmap.in.th/ แสดงข้อมูล “คนจนเป้าหมาย” จากกลุ่มคนที่ได้รับการสำรวจความจำเป็นพื้นฐาน (จปฐ.) จากกรมการพัฒนาชุมชน กระทรวงมหาดไทย ที่ถูกนำมาวิเคราะห์ด้วยดัชนีความยากจนหลายมิติว่ายากจน และข้อมูลผู้ลงทะเบียนสวัสดิการแห่งรัฐ กระทรวงการคลัง ในระยะแรกกลุ่มคนจนเป้าหมายของ TPMAP คือกลุ่มคนที่ได้รับการสำรวจ จปฐ. ว่ายากจน (survey-based) และเป็นผู้ที่มาลงทะเบียนเพื่อรับบัตรสวัสดิการแห่งรัฐ (registered based) ซึ่งต่อมาได้ขยายกลุ่มคนจนเป้าหมายเป็นทั้งกลุ่มที่ลงทะเบียนและไม่ได้ลงทะเบียนบัตรสวัสดิการฯ  แบบสำรวจ จปฐ. และดัชนีความยากจนหลายมิติ วัดความยากจนอย่างไร  การสำรวจข้อมูลความจำเป็นพื้นฐาน (จปฐ.) คือ ข้อมูลในระดับครัวเรือนที่แสดงถึงสภาพความจำเป็นพื้นฐานของคนในครัวเรือนในด้านต่าง ๆ เกี่ยวกับคุณภาพชีวิตที่ได้กำหนดมาตรฐานขั้นต่ำเอาไว้ว่า คนควรจะมีคุณภาพชีวิตในแต่ละเรื่องอย่างไรในช่วงระยะเวลาหนึ่ง ๆ มีการปรับปรุงแบบสอบถามทุก ๆ 5 ปี ดำเนินการโดยกรมการพัฒนาชุมชน กระทรวงมหาดไทย เพื่อประเมินคุณภาพชีวิตของประชาชนในระดับครัวเรือน โดยมุ่งเน้นการเก็บข้อมูลในพื้นที่ชนบทและชุมชนท้องถิ่นเป็นหลัก นั่นคือ เขตชนบทและชุมชนท้องถิ่น พื้นที่ที่อยู่ภายใต้การดูแลขององค์กรปกครองส่วนท้องถิ่น เช่น องค์การบริหารส่วนตำบล (อบต.) และเทศบาลตำบลที่ยกฐานะจาก อบต. แบบสำรวจ  ดัชนีความยากจนหลายมิติ (Multidimensional Poverty Index: MPI) พัฒนาโดย Oxford Poverty & Human Development Initiative และ United Nation Development Programme ซึ่ง สภาพัฒน์ได้นำมาปรับใช้กับประเทศไทย โดยอาศัยหลักการที่ว่า คนจนคือผู้ที่มีคุณภาพชีวิตต่ำกว่าเกณฑ์คุณภาพชีวิตที่ดีในมิติต่าง ๆ ซึ่ง TPMAP พิจารณาจาก 5 มิติ ได้แก่ ด้านสุขภาพ ด้านการศึกษา ด้านการเงิน ด้านความเป็นอยู่ และด้านการเข้าถึงบริการรัฐ ดังนั้น ครัวเรือนที่จน คือ ครัวเรือนที่ได้รับการสำรวจว่าจนจาก ข้อมูลความจำเป็นพื้นฐาน (จปฐ.) นั่นคือ ตกดัชนีความยากจนหลายมิติ (MPI) อย่างน้อย 1 มิติ ซึ่งหมายถึงครัวเรือนตกเกณฑ์ตัวชี้วัดที่อยู่ในมิตินั้น อย่างน้อย 1 ตัวชี้วัด และคนจนเป้าหมาย คือ คนที่อาศัยอยู่ในครัวเรือนที่ได้รับการสำรวจว่าจน  ภาพรวมข้อมูลบนระบบ TPMAP  จากข้อมูลการสำรวจความจำเป็นพื้นฐาน (จปฐ.) ซึ่งครอบคลุมประชากรราว 35 ล้านคนต่อปี พบว่า สัดส่วนของคนจนเป้าหมาย มีแนวโน้มลดลงในช่วงปี 2560–2562 โดยลดจาก  อย่างไรก็ตาม เนื่องจากไม่มีข้อมูลในช่วงปี 2563–2564 จึงไม่สามารถติดตามแนวโน้มในช่วงเวลาดังกล่าวได้โดยตรง กระทั่งปี 2565 พบว่า สัดส่วนคนจนเป้าหมายเพิ่มขึ้นเป็น 9.52% (ประมาณ 3,438,515 คน) ซึ่งอาจเป็นผลกระทบจากสถานการณ์การแพร่ระบาดของโควิด-19 ต่อมาในปี 2566 ตัวเลขนี้ลดลงอย่างชัดเจนเหลือเพียง 1.81% (ประมาณ 655,365 คน) แต่ในปี 2567 สัดส่วนของคนจนเป้าหมายกลับเพิ่มขึ้นอีกครั้งเป็น 7.39% (ประมาณ 2,568,168 คน) อันเป็นผลจากการ ปรับนิยาม และการ เพิ่มตัวชี้วัด ที่ใช้วิเคราะห์คนจนเป้าหมายในมิติต่าง ๆ  ข้อมูลเหล่านี้ชี้ให้เห็นถึงความจำเป็นในการออกแบบมาตรการลดความเหลื่อมล้ำอย่างจำเพาะ โดยคำนึงถึงทั้ง มิติปัญหา และ บริบทพื้นที่ เพื่อให้ความช่วยเหลือสามารถเข้าถึงผู้ที่มีความต้องการได้อย่างตรงจุดและมีประสิทธิภาพมากที่สุด  ปัจจัยที่มักจะขาดแคลนร่วมกันคืออะไรบ้าง?   หาความสัมพันธ์ของตัวชี้วัดด้วย Pearson’s correlation  ความยากจนไม่ใช่เพียงการขาดรายได้ แต่เป็นชุดของปัจจัยที่ขาดแคลนร่วมกัน ในการทำความเข้าใจปัญหาความยากจนอย่างรอบด้าน จำเป็นต้องวิเคราะห์ความเชื่อมโยงระหว่างตัวชี้วัดด้านเศรษฐกิจ สังคม สุขภาพ และการศึกษา การนำ Pearson’s correlation coefficient มาใช้ช่วยให้เห็นความสัมพันธ์ระหว่างตัวแปรต่าง ๆ อย่างชัดเจน และสามารถระบุได้ว่าปัจจัยใดมักเกิดร่วมกันในกลุ่มประชากรที่มีความเปราะบาง ซึ่งเป็นประโยชน์ต่อการวางแผนเชิงนโยบายที่ตรงจุดและมีประสิทธิภาพ ซึ่งจากผลการวิเคราะห์ พบว่าตัวชี้วัดบางคู่มีค่าสหสัมพันธ์สูงอย่างมีนัยสำคัญ (r > 0.8) ตัวอย่างเช่น  ด้านสุขภาพ  ในพื้นที่จังหวัดหนึ่ง ๆ ครัวเรือนที่ขาดความรู้ในการใช้ยาเพื่อบำบัดบรรเทาอาการเจ็บป่วยเบื้องต้นอย่างเหมาะสม มักจะเป็นครัวเรือนเดียวกับที่ขาดการจัดการด้านสุขภาพและความเป็นอยู่ในด้านอื่น ๆ ร่วมด้วย เช่น ขาดความรู้ในการป้องกันอุบัติภัยและภัยธรรมชาติ ไม่จัดบ้านให้สะอาดและถูกสุขลักษณะ มีสมาชิกในบ้านสูบบุหรี่หรือดื่มสุรา รวมถึงไม่มีการเก็บออมเงินและขาดรายได้ที่มั่นคง ซึ่งสะท้อนให้เห็นว่า ความรู้และพฤติกรรมด้านสุขภาพที่ดี ไม่ได้แยกขาดออกจากกัน แต่มักเกิดร่วมกันเป็นกลุ่มของความเปราะบางในชีวิตประจำวัน   ด้านการมีงานทำและรายได้  ในหลายจังหวัด หากคนวัยแรงงาน (อายุ 15–59 ปี) ไม่มีอาชีพหรือรายได้ มักจะเป็นจังหวัดเดียวกันกับที่ผู้สูงอายุ (อายุ 60 ปีขึ้นไป) ก็ไม่มีรายได้หรืออาชีพเช่นกัน และยังพบว่าจำนวนผู้ถือบัตรสวัสดิการแห่งรัฐมีจำนวนมากในพื้นที่เดียวกันด้วย ซึ่งสะท้อนให้เห็นว่า การไม่มีรายได้ในคนวัยทำงาน ไม่ได้ส่งผลเฉพาะกับตัวเขาเอง แต่ยังส่งผลต่อความสามารถในการดูแลผู้สูงอายุในครัวเรือน และเป็นภาพรวมของความยากจนในระดับครอบครัวและชุมชน นอกจากนี้ในจังหวัดที่ครัวเรือนขาดการเก็บออมเงิน มักจะเป็นครัวเรือนเดียวกับที่ขาดพฤติกรรมหรือระบบสนับสนุนอื่น ๆ ที่สะท้อนถึงความมีวินัยและการวางแผนชีวิต เช่น ขาดการป้องกันอุบัติภัยอย่างถูกวิธี สมาชิกครัวเรือนมีพฤติกรรมเสี่ยงอย่างการสูบบุหรี่ ไม่มีรายได้หรืออาชีพที่มั่นคง และไม่ปฏิบัติกิจกรรมทางศาสนาอย่างสม่ำเสมอ ซึ่งทั้งหมดนี้สะท้อนถึง ความเปราะบางทั้งด้านเศรษฐกิจ สังคม และพฤติกรรมส่วนบุคคล ที่มักจะเกิดร่วมกันในครัวเรือนกลุ่มเดียวกัน การไม่มีการออมจึงไม่ใช่เพียงปัญหาทางการเงิน แต่ยังเชื่อมโยงกับการขาดวินัย ขาดความรู้ด้านสุขภาพและความปลอดภัย รวมถึงการขาดหลักยึดทางจิตใจบางประการ ซึ่งบ่งชี้ว่าการส่งเสริมการออมควรมาควบคู่กับการพัฒนาพฤติกรรมสุขภาพ การมีรายได้ที่มั่นคง และการสร้างความเข้มแข็งทางสังคมในระดับครัวเรือนอย่างเป็นระบบ  ด้านสภาพแวดล้อมความเป็นอยู่  หลายจังหวัดพบว่า ครัวเรือนที่ไม่สามารถจัดการบ้านเรือนให้สะอาด เป็นระเบียบ และถูกสุขลักษณะได้ มักจะเป็นครัวเรือนเดียวกับที่มีพฤติกรรมสุขภาพและความเป็นอยู่ด้านอื่น ๆ ที่ไม่เหมาะสมร่วมด้วย เช่น สมาชิกในบ้านสูบบุหรี่ ขาดการป้องกันอุบัติภัย ไม่มีการเก็บออมเงิน รายได้ไม่มั่นคง และไม่ใส่ใจการตรวจสุขภาพหรือปฏิบัติกิจกรรมทางศาสนาอย่างสม่ำเสมอ ซึ่งสะท้อนให้เห็นว่า สุขภาวะของครัวเรือนไม่ได้จำกัดอยู่แค่เรื่องความสะอาดของบ้านเท่านั้น แต่ยังเกี่ยวพันกับวินัยทางการเงิน พฤติกรรมสุขภาพ และความเป็นอยู่โดยรวม นอกจากนี้พบว่า ครัวเรือนที่ไม่มีน้ำสะอาดเพียงพอสำหรับดื่มและบริโภคตลอดทั้งปี ก็มักจะเป็นครัวเรือนเดียวกับที่ไม่มีน้ำใช้เพียงพอในชีวิตประจำวันด้วย ซึ่งแสดงให้เห็นว่า ปัญหาด้านแหล่งน้ำในครัวเรือนไม่ได้เกิดแยกกัน แต่เป็นความขาดแคลนที่ครอบคลุมทั้งคุณภาพและปริมาณของน้ำ...
30 June 2025
Read More

บทความ
BDI เดินหน้าจัด Focus Group รับฟังความคิดเห็นต่อ (ร่าง) กฎหมายการอำนวยความสะดวกในการแบ่งปันข้อมูลเพื่อใช้ประโยชน์เชิงวิเคราะห์ สู่การกำหนดนโยบายภาครัฐ ขับเคลื่อนประเทศอย่างมีทิศทาง
23 มิถุนายน 2568, กรุงเทพฯ – สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ BDI โดยฝ่ายนโยบาย ยุทธศาสตร์และการต่างประเทศ จัดการประชุม Focus Group รับฟังความคิดเห็นต่อ (ร่าง) กฎหมายการอำนวยความสะดวกในการแบ่งปันข้อมูลเพื่อใช้ประโยชน์เชิงวิเคราะห์ (Data Sharing Facilitation for Analytics Act) โดย รศ. ดร.ธีรณี อจลากุล ผู้อำนวยการสถาบันข้อมูลขนาดใหญ่ (BDI) เป็นประธาน ณ โรงแรมแบงค็อกแมริออท เดอะ สุรวงศ์ ซึ่งมีผู้มีส่วนได้ส่วนเสียจากทุกภาคส่วนมากกว่า 60 คน เข้าร่วมการประชุมดังกล่าวทั้งรูปแบบออนไลน์และออนไซต์ สำหรับการจัดประชุม Focus Group เป็นการเปิดโอกาสรับฟังความคิดเห็นจากหน่วยงานที่เกี่ยวข้อง เพื่อนำมาประกอบการพิจารณาจัดทำร่างกฎหมายฯ ให้มีความชัดเจน รอบคอบ สามารถแก้ปัญหา และข้อกังวลของหน่วยงานต่าง ๆ ได้อย่างครอบคลุมและมีประสิทธิภาพ โดยวัตถุประสงค์ของกฎหมายฉบับนี้ คือ 1. จัดให้มีระบบกลางเพื่อการเชื่อมโยงข้อมูลสำหรับการใช้ประโยชน์เชิงวิเคราะห์ และมีหน่วยงานกลางในการอำนวยความสะดวกการแบ่งปันข้อมูลอย่างต่อเนื่องและสม่ำเสมอ ซึ่งเป็นผู้ออกแบบและดำเนินงานระบบกลางฯ ดังกล่าว 2. เพิ่มประสิทธิภาพ การเชื่อมโยง รวบรวม จัดเก็บข้อมูล และรักษาความต่อเนื่องของการใช้งานระบบข้อมูลระหว่างหน่วยงานรัฐ เพื่อวัตถุประสงค์การใช้ประโยชน์เชิงวิเคราะห์ 3. ส่งเสริมให้เกิดการแบ่งปันข้อมูลระหว่างภาครัฐและเอกชน เพื่อการจัดทำนโยบายภาครัฐและการพัฒนาเศรษฐกิจและสังคมของประเทศ 4. ส่งเสริมให้เกิดการประมวลผลและใช้ประโยชน์จากข้อมูลเชิงวิเคราะห์ 5. ส่งเสริมให้หน่วยงานภาครัฐและเอกชนได้รับบริการวิเคราะห์ข้อมูลขนาดใหญ่ได้อย่างสะดวกรวดเร็วและมีประสิทธิภาพ โดย BDI ได้ดำเนินการจัดทำ (ร่าง) กฎหมายการอำนวยความสะดวกในการแบ่งปันข้อมูลเพื่อใช้ประโยชน์เชิงวิเคราะห์ (Data Sharing Facilitation for Analytics Act) เพื่อมุ่งเน้นการส่งเสริมและสนับสนุนให้เกิดการแบ่งปันข้อมูลอย่างกว้างขวาง ผ่านกลไกกลางในการอำนวยความสะดวกให้การแบ่งปันและเชื่อมโยงข้อมูลเป็นไปได้โดยสะดวก ปลอดภัย สอดคล้องกับมาตรฐานและหลักการธรรมาภิบาลข้อมูล รวมทั้งมีมาตรการที่เหมาะสมเพื่อป้องกันการละเมิดกฎหมายอื่น ๆ ที่เกี่ยวข้องกับการบริหารจัดการข้อมูล สู่การกำหนดนโยบายของภาครัฐ ที่ตอบโจทย์ความต้องการของประชาชนได้อย่างตรงจุด ขับเคลื่อนประเทศด้วยข้อมูล สร้างการเติบโตในทุกมิติอย่างมีทิศทาง
23 June 2025
Read More

บทความ
Big Data 101
Data Visualization ช่วยเราเข้าใจแผ่นดินไหวได้อย่างไร
แผ่นดินไหวเป็นภัยธรรมชาติที่สร้างความเสียหายมหาศาลต่อชีวิตและทรัพย์สิน การเข้าใจรูปแบบการเกิดแผ่นดินไหวผ่านการวิเคราะห์ข้อมูลและการแสดงผลข้อมูลเชิงภาพ (Data Visualization) จึงมีบทบาทสำคัญอย่างยิ่งในการเตรียมพร้อมรับมือและลดผลกระทบจากภัยพิบัติดังกล่าว บทความนี้นำเสนอวิธีการใช้ Data Visualization เพื่อทำความเข้าใจแผ่นดินไหวในมิติต่าง ๆ ความสำคัญของ Data Visualization ในการศึกษาแผ่นดินไหว การแสดงผลข้อมูลเชิงภาพช่วยให้เราสามารถเห็นรูปแบบและความสัมพันธ์ของข้อมูลที่ซับซ้อนได้อย่างชัดเจน สำหรับปรากฏการณ์แผ่นดินไหว การใช้ Data Visualization มีประโยชน์หลายประการ ดังนี้ การติดตามแผ่นดินไหว ณ เวลาปัจจุบัน (Real-time earthquake monitoring) ปัจจุบันมีระบบติดตามแผ่นดินไหวแบบเรียลไทม์หลายระบบ เช่น USGS Earthquake Map ที่จัดทำโดยสำนักงานธรณีวิทยาแห่งสหรัฐอเมริกา (USGS) โดยสามารถแสดงข้อมูลแผ่นดินไหวทั่วโลกแบบเรียลไทม์ (ภาพที่ 1) แสดงแผนที่ตำแหน่งการเกิดเหตุแผ่นดินไหวที่เกิดขึ้นล่าสุด เพื่อให้สามารถเข้าใจได้โดยง่าย แผนที่การเกิดแผ่นดินไหวจึงมักอยู่ในรูปแบบพื้นฐานที่ใช้แสดงตำแหน่งของแผ่นดินไหว โดยนิยมใช้จุด (Points) ที่มีขนาดและสีแตกต่างกันเพื่อแสดงความรุนแรงของแผ่นดินไหว การประยุกต์ใช้ Data Visualization ในการศึกษาแผ่นดินไหวมีความท้าทายสำคัญประการแรกคือการจัดการกับข้อมูลขนาดใหญ่ที่ไหลมาจากเครือข่ายเซนเซอร์จำนวนมาก ซึ่งจำเป็นต้องพัฒนาระบบการประมวลผลและแสดงผลแบบเรียลไทม์เพื่อให้ข้อมูลล่าสุดพร้อมใช้งานสำหรับการวิเคราะห์และติดตามสถานการณ์ นอกจากนี้ การออกแบบ Visualization ที่ซับซ้อนให้เข้าใจง่ายสำหรับประชาชนทั่วไปยังเป็นอีกความท้าทาย เพื่อให้การสื่อสารความเสี่ยงและการเตรียมพร้อมรับมือภัยพิบัติเป็นไปอย่างมีประสิทธิภาพ ปัจจุบัน สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) ได้มีการจัดทำแดชบอร์ดติดตามสถานการณ์การเกิดแผ่นดินไหวในประเทศไทยและประเทศข้างเคียง (ภาพที่ 2) ซึ่งสามารถติดตามการกระจายตัว ขนาด ความถี่ รวมถึงแนวโน้มเชิงเวลาของ aftershocks ที่ปกติจะมีการเกิดขึ้นตามมาหลังจากการเกิดแผ่นดินไหวลูกใหญ่ (mainshock) ซึ่งโดยปกติจำนวน ขนาด และความถี่ของ aftershocks จะลดลงตามเวลาที่ผ่านไปหลังจากการเกิด mainshock ตามที่แสดงในภาพที่ 3 Data Visualization จึงเป็นเครื่องมือสำคัญในการทำความเข้าใจปรากฏการณ์แผ่นดินไหว การพัฒนาเทคนิคการแสดงผลข้อมูลที่มีประสิทธิภาพจะช่วยให้ประชาชนทั่วไปเข้าใจความเสี่ยงและเตรียมพร้อมรับมือกับแผ่นดินไหวได้ดียิ่งขึ้น ซึ่งในที่สุดจะช่วยลดความสูญเสียต่อชีวิตและทรัพย์สินจากภัยพิบัติทางธรรมชาติชนิดนี้ เอกสารอ้างอิง
28 April 2025
Read More

บทความ
Big Data 101Data for BusinessMovements
Data Analytics คืออะไร ? และมีอะไรบ้าง ? ทำไมทุกองค์กรถึงให้ความสำคัญ
“Data is the new oil” เป็นประโยคที่ ไคลฟ์ ฮัมบี (Clive Humby) นักคณิตศาสตร์ชาวอังกฤษพูดไว้เมื่อปี 2006 เปรียบเปรยว่าข้อมูลเป็นเหมือนทรัพยากรที่มีค่าไม่ต่างจากน้ำมัน ถือเป็นคำกล่าวที่แสดงให้เห็นถึงความสำคัญของข้อมูลในยุคนี้ได้เป็นอย่างดี เพราะปัจจุบันข้อมูลได้กลายมาเป็นเครื่องมือสำคัญในการแข่งขันของโลกธุรกิจยุคใหม่ แต่การมีข้อมูลจำนวนมากแล้วไม่สามารถนำมาใช้งานได้ ก็เหมือนมีแค่น้ำมันดิบ หากไม่ได้ผ่านกระบวนการกลั่นก็ไม่มีประโยชน์ ดังนั้นการวิเคราะห์ข้อมูล หรือ Data Analytics จึงเปรียบเสมือนกระบวนการกลั่นที่เปลี่ยนข้อมูลดิบให้เป็นพลังงานขับเคลื่อนธุรกิจ เป็นขั้นตอนสำคัญที่ทำให้เราสามารถนำข้อมูลมาใช้งานได้อย่างมีประสิทธิภาพ แล้ว Data Analytics คืออะไร ? Data Analytics คือ กระบวนการวิเคราะห์ข้อมูลด้วยเทคโนโลยีสมัยใหม่ เช่น AI (Artificial Intelligence), Machine Learning และเครื่องมือ Data Analytics มาใช้วิเคราะห์ข้อมูลเพื่อหาข้อสรุปของข้อมูลนั้น ๆ ถือเป็นการนำข้อมูลที่ได้มา เข้าสู่กระบวนการแสดงค่า หาความหมาย และสรุปผลที่ได้จากข้อมูลนั้น ๆ  ช่วยให้มองเห็นแนวโน้ม โอกาส และความเสี่ยงต่าง ๆ ทำให้สามารถตัดสินใจบนพื้นฐานของข้อมูลจริงแทนการใช้สัญชาตญาณ หรือประสบการณ์เพียงอย่างเดียว ซึ่งเป็นประโยชน์ต่อการคาดการณ์อนาคต หาแนวโน้มความน่าจะเป็น แนวโน้มคำตอบ หรือจุดที่ต้องแก้ไข ที่จะสามารถช่วยเสริมศักยภาพทางธุรกิจได้  รูปแบบการทำ Data Analytics  การทำ Data Analytics สามารถแบ่งออกได้เป็น 4 ประเภทหลัก ๆ ตามลักษณะและวัตถุประสงค์ ดังนี้ ตัวอย่างเครื่องมือในการทำ Data Analytics (Data Analytics Tools) ความสำคัญของ Data Analytics ในธุรกิจ Data Analytics ยังเป็นส่วนสำคัญของการขับเคลื่อน Digital Transformation ในองค์กร เนื่องจากข้อมูลเชิงลึกที่ได้ จะช่วยให้ธุรกิจค้นพบไอเดียหรือโอกาสใหม่ ๆ ในการเพิ่มรายได้ ลดต้นทุน หรือสร้างนวัตกรรม ซึ่งเป็นปัจจัยสำคัญที่จะทำให้องค์กรสามารถปรับตัวและเติบโตได้อย่างรวดเร็วในโลกดิจิทัลที่มีการแข่งขันสูง หลายองค์กรตระหนักถึงความสำคัญของการใช้ Data Analytics เพื่อปรับปรุงกระบวนการทำงาน ลองมาดูตัวอย่างของการนำ Data Analytics ไปใช้งานในธุรกิจด้านต่าง ๆ กัน องค์กรสามารถใช้การวิเคราะห์ข้อมูลเพื่อทำความเข้าใจพฤติกรรมของลูกค้า ทำให้สามารถสร้างแคมเปญการตลาดที่มีประสิทธิภาพมากขึ้น รวมถึงการทำ Personalization ที่สามารถนำเสนอสินค้าหรือบริการที่ตรงกับความต้องการของลูกค้ามากที่สุด ตัวอย่างเช่น Netflix แพลตฟอร์มสตรีมมิ่งคอนเทนต์ระดับโลก ได้มีการนำ Data Analytics มาใช้ประโยชน์ในการรวบรวมพฤติกรรมการใช้งานของสมาชิก ด้วยเทคโนโลยี AI ทั้งอุปกรณ์ที่ใช้ในการรับชม ประวัติการดู คำค้นหา หรือผู้คนชอบดูภาพยนตร์และคอนเทนต์แนวไหนมากที่สุด จากนั้นนำมาวิเคราะห์พฤติกรรมของสมาชิกแต่ละคน เพื่อนำข้อมูลเหล่านี้มาใช้ในการแนะนำภาพยนตร์ หรือคอนเทนต์ ที่สมาขิกสนใจจะดูได้ตรงตามความต้องการ การวิเคราะห์ข้อมูลสามารถช่วยให้บริษัทคาดการณ์ความต้องการของสินค้าและบริหารจัดการสินค้าคงคลังได้อย่างมีประสิทธิภาพ ทำให้ลดปัญหาสินค้ามากเกินหรือน้อยเกินไป และช่วยลดต้นทุนทางธุรกิจ ตัวอย่างเช่น Amazon แพลตฟอร์มขายสินค้าออนไลน์ชื่อดัง ที่โดดเด่นในการใช้ Data Analytics โดยมีการใช้ Machine Learning และ Artificial Intelligence เพื่อวิเคราะห์ข้อมูลการสั่งซื้อและคาดการณ์แนวโน้ม ทำให้การจัดการสินค้าคงคลังมีความรวดเร็วและแม่นยำ การใช้ Data Analytics มาช่วยในการประเมินและจัดการความเสี่ยงในด้านต่าง ๆ จะช่วยให้ธุรกิจสามารถตรวจจับความผิดปกติและป้องกันการฉ้อโกงได้อย่างรวดเร็วจากสัญญาณความผิดปกติจากข้อมูล  ทำให้สามารถแก้ไขปัญหาได้อย่างทันท่วงที ตัวอย่างเช่น บริษัทประกันภัยชั้นนำอย่าง AON ใช้ Data Analytics ในการบริหารจัดการและควบคุมความเสี่ยงที่เกี่ยวข้องกับการประกัน ซึ่งข้อมูลที่รวบรวมมาจากพฤติกรรมลูกค้าช่วยให้พวกเขาสามารถวางแผนและจัดการความเสี่ยงได้อย่างมีประสิทธิภาพ การใช้ Data Analytics ในการวิเคราะห์ข้อมูลพนักงานสามารถช่วยให้ผู้บริหารตัดสินใจในเรื่องการจ้างงาน การเลื่อนตำแหน่ง การฝึกอบรม และการระบุปัญหาที่เกิดขึ้นในองค์กรก่อนที่จะกลายเป็นปัญหาใหญ่  ตัวอย่างเช่น บริษัท Google มีการใช้ HR Analytics เพื่อทำความเข้าใจและปรับปรุงกระบวนการที่เกี่ยวข้องกับพนักงานทั้งหมด ตั้งแต่การจ้างงานจนถึงการเพิ่มคุณภาพชีวิตที่ทำงานด้วยการสำรวจและการวิเคราะห์ข้อมูล เพื่อรวบรวมความคิดเห็นและข้อมูลจากพนักงาน ในการปรับปรุงกระบวนการต่าง ๆ ให้เหมาะสมกับวัฒนธรรมองค์กรและสร้างสภาพแวดล้อมที่ดีขึ้น การนำ Data Analytics มาใช้ในการวิเคราะห์กระบวนการทำงานหรือขั้นตอนการผลิต จะช่วยให้สามารถค้นพบจุดที่เป็นคอขวด และเพิ่มประสิทธิภาพการดำเนินงานได้อย่างเป็นรูปธรรม ตัวอย่างเช่น Grab แพลตฟอร์มที่อำนวยความสะดวกให้แก่ผู้ใช้งานผ่านทางแอปพลิเคชันบนมือถือ ทั้งบริการเรียกรถรับส่ง บริการส่งพัสดุ และบริการรับส่งอาหาร มีการใช้ AI วิเคราะห์ข้อมูลการสั่งอาหารของลูกค้า โดยแนะนำร้านอาหารที่ชอบ ร้านอาหารที่มีโปรโมชั่นน่าสนใจ หรือร้านอาหารใกล้บ้าน และประมวลผลสำหรับผู้ให้บริการ Grab เพื่อให้บริการได้สะดวกมากยิ่งขึ้น การวิเคราะห์ข้อมูลลูกค้าจากหลายช่องทาง ทั้งข้อมูลการซื้อ พฤติกรรมการใช้งาน Social Media ทำให้เข้าใจความต้องการ ความชอบและ Pain Points ของลูกค้าได้ลึกซึ้งมากยิ่งขึ้น ส่งผลให้สามารถพัฒนาสินค้าและบริการให้ตรงใจลูกค้ามากขึ้นด้วย ตัวอย่างเช่น McDonald’s แบรนด์อาหารฟาสต์ฟู้ดที่มีจำนวนสาขาทั่วทุกมุมโลก ก็มีการทำ Data Analytics ในการเก็บข้อมูล เช่น รายการสั่งซื้อ เมนูที่ลูกค้าชอบ และการคอมเมนต์ตามแพลตฟอร์ม Social Media ต่าง ๆ นอกจากนี้ ยังใช้ AI ในการวิเคราะห์ข้อมูลกลุ่มเป้าหมาย เช่น ที่ตั้งของร้านมีผลต่อการเข้าใช้บริการของลูกค้าหรือไม่ ชุดเซตเมนูอย่าง Happy Meal เหมาะกับลูกค้าประเภทไหนบ้าง หรือเทรนด์การตลาดที่กำลังเป็นกระแส เพื่อทำการตลาดและนำเสนอเมนูที่ลูกค้าชอบ ที่ตอบโจทย์ความต้องการของลูกค้าให้ได้มากที่สุด จากตัวอย่างที่กล่าวมา จะเห็นได้ว่า Data Analytics มีบทบาทสำคัญต่อความสำเร็จของธุรกิจในยุคดิจิทัล องค์กรที่นำเทคโนโลยีมาวิเคราะห์ข้อมูล จะสามารถใช้ข้อมูลเชิงลึกเพื่อแก้ปัญหา วางแผนกลยุทธ์ และตัดสินใจได้อย่างแม่นยำ ธุรกิจที่ให้ความสำคัญกับ Data Analytics จะได้เปรียบในการแข่งขัน เพราะสามารถเข้าใจพฤติกรรมผู้บริโภค คาดการณ์แนวโน้ม และปรับตัวได้รวดเร็ว นอกจากนี้ การเก็บข้อมูลสถิติในกระบวนการทำงานยังช่วยให้ค้นพบวิธีการแก้ปัญหาใหม่ ๆ และเพิ่มประสิทธิภาพในทุกด้าน นี่คือเหตุผลว่าทำไม Data Analytics จึงเป็นกุญแจสู่ความสำเร็จขององค์กรชั้นนำในยุคนี้ แหล่งอ้างอิง
19 March 2025
Read More
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

Settings Reject Accept
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
Privacy Preferences
Name
Strictly Necessary Cookies
Category
Strictly Necessary Cookies
Host
https://bdi.or.th
Duration
1 ปี
Description
Strictly Necessary Cookies