097-113-5975
admin@datalentteam.co

Uncategorized

Applied AI & Data Science

วันที่อบรม: วันที่ 16-17 พฤษภาคม 2569 | เวลา 09.00 – 16.00 น.

ราคา 6,900 บาท ลงทะเบียนก่อน 14 วันลด 10 % เหลือเพียง  6,210  บาท

📍 : Online Training

วิทยากร : ว่าที่ร้อยตรี ธีรพัฒน์ กันสดับ

หน่วยพัฒนาปัญญาประดิษฐ์ กองเทคโนโลยีสารสนเทศ มหาวิทยาลัยมหิดล

หลักการและเหตุผล

ในยุคปัจจุบันที่ข้อมูล (Data) เปรียบเสมือนน้ำมันดิบในโลกดิจิทัล การที่องค์กรจะขับเคลื่อนไปข้างหน้าได้อย่างมีประสิทธิภาพจำเป็นต้องอาศัยการตัดสินใจที่แม่นยำ (Data-Driven Decision Making) อย่างไรก็ตาม ปัญหาที่หลายองค์กรพบคือความซับซ้อนของข้อมูล และการขาดความเข้าใจในการนำเทคโนโลยีปัญญาประดิษฐ์ (AI) มาประยุกต์ใช้จริง

หลักสูตรนี้จึงถูกออกแบบมาเพื่อ “สร้างสะพานเชื่อม” ระหว่างทฤษฎีและการประยุกต์ใช้ โดยมุ่งเน้นการปูพื้นฐานตั้งแต่กระบวนการคิด (Mindset) การเตรียมข้อมูล (Data Engineering) ไปจนถึงการสร้างโมเดล (Machine Learning) และการนำไปใช้จริง (Deployment) เพื่อให้ผู้เรียนสามารถเปลี่ยน “ข้อมูล” ให้เป็น “มูลค่า” ทางธุรกิจได้อย่างยั่งยืน

วัตถุประสงค์

  • เพื่อให้ผู้เรียนเข้าใจความแตกต่างและบทบาทของ AI, Machine Learning และ Data Science ในภาคธุรกิจ
  • เพื่อให้ผู้เรียนเข้าใจวงจรการทำงานที่เป็นมาตรฐานสากลอย่าง CRISP-DM
  • เพื่อให้ผู้เรียนสามารถจัดการกับปัญหาข้อมูลในชีวิตจริงได้ เช่น ข้อมูลสูญหาย (Missing Value), ข้อมูลผิดปกติ (Outlier) หรือข้อมูลที่ไม่สมดุล (Imbalance Data)
  • เพื่อให้ผู้เรียนเข้าใจและสามารถเลือกใช้เทคนิค Machine Learning (Classification, Regression, Clustering) ได้เหมาะสมกับโจทย์ทางธุรกิจ
  • เพื่อให้ผู้เรียนมองเห็นภาพรวมของการนำโมเดลไปใช้งานจริง (Deployment) และการใช้ Prompt Engineering เบื้องต้นเพื่อเพิ่มประสิทธิภาพการทำงาน

ความรู้พื้นฐาน

หลักสูตรออกแบบให้ปูพื้นฐานในทุกหัวข้อ ผู้เข้าอบรมไม่จำเป็นต้องมีความรู้เชิงเทคนิคมาก่อน และสามารถเรียนรู้เพื่อนำไปต่อยอดการประยุกต์ใช้งานได้ โดยผู้เข้าอบรมควรมีความเข้าใจพื้นฐานด้านข้อมูลและการวิเคราะห์ข้อมูล มีความคุ้นเคยกับแนวคิด Data Science, Data Engineering, AI และ Machine Learning ในระดับเบื้องต้น รวมถึงเข้าใจหลักการสื่อสารและสั่งงานระบบ AI ผ่านการใช้

ลงทะเบียน

ได้ทันทีคลิก  [ลงทะเบียน

ได้ทันทีคลิก  [https://forms.gle/m6S12gCZ22qP1ut16]

กำหนดการ

เวลาหัวข้อ
วันที่ 1
9.00 – 10.30Introduction to Data ScienceCRISP-DMData type and Data ImportingAI, ML, Data Science ต่างกันอย่างไร
10.30-10.45Break
10.45 – 12.00Missing value and Outlier HandlingImbalance DataIntroduction to Data Visualization
12:00 – 13:00Lunch
13.00 – 14.30Machine Learning Overview
14.30-14.45Break
13.00 – 16.00Association RuleBasic Classification Technique
เวลาหัวข้อ
วันที่ 2
9.00 – 10.30Classification PerformanceMeasurement
10.30-10.45Break
10.45 – 12.00Additional Classification TechniquesFeature selection and Dimensionality Reduction
12:00 – 13:00Lunch
13.00 – 14.30Regression MethodsClustering Methods
14.30-14.45Break
14.45 – 16.00Neural NetworksDeploy Application

*กำหนดการอาจมีการเปลี่ยนแปลงตามความเหมาะสม

Read more

Next-Level Power BI with AI From Data to Storytelling

วันที่อบรม: 23-24 พฤษภาคม พ.ศ.2569 | เวลา 09.00 – 16.00 น.

ราคา 6,900 บาท ลงทะเบียนก่อน 14 วันลด 10 % เหลือเพียง  6,210  บาท

📍 : Online Training

วิทยากร : คุณ วิเชียร บุญญะประภา

ศูนย์การแพทย์กาญจนาภิเษก คณะแพทยศาสตร์ศิริราชพยาบาล มหาวิทยาลัยมหิดล

หลักการและเหตุผล

ในยุคปัจจุบัน “ข้อมูล” (Data) ได้กลายเป็นสินทรัพย์ที่สำคัญที่สุดอย่างหนึ่งขององค์กร อย่างไรก็ตาม ปัญหาที่หลายองค์กรต้องเผชิญไม่ใช่การขาดแคลนข้อมูล แต่คือความยากลำบากในการเปลี่ยนข้อมูลดิบให้กลายเป็น “ข้อมูลเชิงลึก” (Insights) ที่นำไปใช้งานได้จริง

จากการก้าวเข้าสู่ยุค Generative AI เทคโนโลยีการวิเคราะห์ข้อมูลได้เปลี่ยนผ่านจากการพึ่งพาทักษะการเขียนโปรแกรมหรือสูตรที่ซับซ้อน ไปสู่การทำงานร่วมกับปัญญาประดิษฐ์ (AI-Augmented Analytics) ซึ่งช่วยลดระยะเวลาในการทำงานและเพิ่มความแม่นยำในการตัดสินใจ

วัตถุประสงค์

  • เพื่อให้ผู้เรียนเข้าใจ Workflow การทำงานร่วมกันระหว่าง Power BI และ AI (ChatGPT/Copilot) อย่างเป็นระบบ
  • เพื่อให้ผู้เรียนสามารถจัดการข้อมูลที่ซับซ้อนและเขียนสูตรคำนวณขั้นสูง (DAX) ได้ด้วยเทคนิค Prompt Engineering
  • เพื่อให้ผู้เรียนสามารถใช้ AI Visuals ในการวิเคราะห์เจาะลึกข้อมูลและตรวจจับความผิดปกติ (Anomaly Detection) ได้อย่างแม่นยำ
  • เพื่อให้ผู้เรียนสามารถประยุกต์ใช้หลักการ Data Storytelling และ AI Design Tools ในการสร้าง Dashboard ที่สื่อสารข้อมูลได้อย่างมีประสิทธิภาพ

ความรู้พื้นฐาน

ผู้เรียนควรสามารถใช้งานคอมพิวเตอร์ได้ มีความรู้พื้นฐานในการใช้โปรแกรม Excel และมีความเข้าใจพื้นฐานเกี่ยวกับข้อมูล (Data) เพื่อให้สามารถเรียนรู้และต่อยอดเนื้อหาในหลักสูตรได้อย่างมีประสิทธิภาพ

ลงทะเบียน

ได้ทันทีคลิก  [https://forms.gle/m6S12gCZ22qP1ut16]

กำหนดการ

เวลาหัวข้อเนื้อหา
วันที่ 1
9.00 – 10.30Introduction & AI Data Cleaning  The AI WorkflowPrompt Engineering for DataGap-Minded Dataset TransformationWorking in M Code with ChatGPT
10.30-10.45Break
10.45 – 12.00Data Modeling & Q&A Setup  Star Schema ConceptUnderstanding Context:Connect & RelateAutodetect Logic Synonyms SetupUse Q&A Function
12.00 – 13.00Lunch
13.00 – 14.30DAX Basics with AI Copilot  Measure vs ColumnLogic ThinkingNo-Code CalculationsUse Quick Measure SuggestionsUse ChatGPT for Segmentation
14.30-14.45Break
14.45 – 16.00Advanced DAX & DebuggingTime IntelligenceError HandlingTime Travel AnalysisPrompt to Code. Fix it
เวลาหัวข้อเนื้อหา
วันที่ 2
9.00 – 10.30Built-in AI Visuals  Choosing the Right ChartBeyond StandardInsight HunterUse Key Influencers VisualUse Decomposition TreeUse Anomaly Detection
10.30-10.45Break
10.45 – 12.00Unlimited Viz with AI + Python  Breaking LimitsPython IntegrationUse AI write Python code for Power BI
12.00 – 13.00Lunch
13.00 – 14.30Design & Smart Storytelling  Dashboard LayoutData Storytelling Workshop: Design Makeover Use Smart Narrative VisualUse AI create JSON Color ThemeMidjourney/Bing
14.30-14.45Break
14.45 – 16.00Capstone Project  Workshop: The Hybrid Dashboard

*กำหนดการอาจมีการเปลี่ยนแปลงตามความเหมาะสม

Read more

Data Quality Management Essentials รุ่นที่ 7

วันที่อบรม: 28 มีนาคม พ.ศ.2569 | เวลา 09.00 – 16.00 น.

ราคา 5,900 บาท ลงทะเบียนก่อน 14 วันลด 10 % เหลือเพียง  5,310  บาท

📍 : Avani Ratchada Bangkok Hotel (MRT พระราม9)

วิทยากร : ผศ.ดร. โษฑศ์รัตต ธรรมบุษดี
ผู้ช่วยคณบดีฝ่ายการเปลี่ยนแปลงทางดิจิทัลขององค์กร,อาจารย์ประจำกลุ่มสาขาวิชา IT Management
คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล , ผู้เชี่ยวชาญด้าน Data Governance, PDPA, Data Science

หลักการและเหตุผล

ในยุคดิจิทัลที่ข้อมูลเป็นสินทรัพย์สำคัญ การมีข้อมูลที่มีคุณภาพเป็นรากฐานของการตัดสินใจที่แม่นยำและการดำเนินงานที่มีประสิทธิภาพ ข้อมูลที่ไม่มีคุณภาพอาจนำไปสู่ข้อผิดพลาด, การสูญเสียโอกาสทางธุรกิจ, และความเสียหายต่อชื่อเสียงองค์กร การจัดการคุณภาพข้อมูล (Data Quality Management) จึงเป็นสิ่งจำเป็นเพื่อให้มั่นใจว่าข้อมูลมีความถูกต้อง, ครบถ้วน, ทันสมัย, และสอดคล้องกับความต้องการของผู้ใช้ หลักสูตรนี้ถูกออกแบบมาเพื่อให้ผู้เข้าร่วมมีความเข้าใจถึงหลักการและแนวปฏิบัติที่สำคัญในการจัดการคุณภาพข้อมูล รวมถึงมาตรฐานสากลและแนวทางของประเทศไทย เพื่อนำไปประยุกต์ใช้ในการปรับปรุงและรักษาคุณภาพข้อมูลในองค์กรได้อย่างยั่งยืน

วัตถุประสงค์

  • เพื่อให้ผู้เข้ารับการอบรมเข้าใจความหมายและมิติของ “คุณภาพ” และ “คุณภาพข้อมูล”
  • เพื่อให้ผู้เข้ารับการอบรมรู้จักและเข้าใจมิติต่างๆ ของคุณภาพข้อมูล กระบวนการคุณภาพข้อมูล และกรอบการตัดสินคุณภาพข้อมูล
  • เพื่อให้ผู้เข้ารับการอบรมเรียนรู้การประเมินคุณภาพข้อมูล รวมถึงประเภทของข้อผิดพลาดและวิธีการสร้าง Data Quality Scorecard
  • เพื่อให้ผู้เข้ารับการอบรมเข้าใจแนวคิดและการวัดคุณภาพข้อมูลตามมาตรฐาน ISO 8000-8:2015
  • เพื่อให้ผู้เข้ารับการอบรมเรียนรู้โมเดลอ้างอิงกระบวนการจัดการคุณภาพข้อมูลตามมาตรฐาน ISO 8000-61:2016
  • เพื่อให้ผู้เข้ารับการอบรมทราบถึงแนวทางการจัดองค์กรด้านคุณภาพข้อมูลและมาตรฐาน ISO 8000 ที่เกี่ยวข้องกับการประเมินวุฒิภาวะ, การวัดผล, การสร้างกฎข้อมูล และบทบาทความรับผิดชอบ
  • เพื่อให้ผู้เข้ารับการอบรมทราบถึงมาตรฐานคุณภาพข้อมูลของรัฐบาลดิจิทัลของประเทศไทย

หลักสูตรนี้เหมาะกับใครบ้าง

  • ผู้บริหารและผู้จัดการด้านข้อมูล (Data Leaders / Data Managers)
  • Data Steward / Data Governance Officer
  • นักวิเคราะห์ข้อมูล (Data Analyst) และนักวิทยาศาสตร์ข้อมูล (Data Scientist)
  • วิศวกรข้อมูล (Data Engineer / ETL Developer)
  • บุคลากรด้าน IT และระบบสารสนเทศ (IT Staff, System Analyst, Application Owner)
  • เจ้าหน้าที่ภาครัฐและองค์กรที่เกี่ยวข้องกับการพัฒนารัฐบาลดิจิทัล (Digital Government)
  • ผู้ประกอบการและบุคลากรในธุรกิจที่ใช้ข้อมูลปริมาณมาก
  • ผู้สนใจทั่วไปด้าน Data / Digital Transformation

ความรู้พื้นฐาน

ไม่มีความรู้พื้นฐานเฉพาะเจาะจงสำหรับผู้เข้ารับการอบรม

ลงทะเบียน

ได้ทันทีคลิก  [https://forms.gle/i3efQMt7qeBNYYmg6]

กำหนดการ

เวลาหัวข้อเนื้อหา
9.00 – 9.30Introduction to Quality and Data QualityQuality Defined: ทำความเข้าใจความหมายของ “คุณภาพ” ในบริบททั่วไป Qualities vs Quality: แยกแยะระหว่างลักษณะเฉพาะ (Qualities) กับคุณภาพโดยรวม (Quality) Quality and Defects: ความสัมพันธ์ระหว่างคุณภาพและข้อบกพร่อง Quality economics: แนวคิดทางเศรษฐศาสตร์ที่เกี่ยวข้องกับคุณภาพและการลงทุนเพื่อคุณภาพ Quality Control & Quality Assurance & Quality Improvements: ทำความเข้าใจแนวคิดของการควบคุมคุณภาพ, การประกันคุณภาพ และการปรับปรุงคุณภาพ
9.30 – 10.30Introduction to Data QualityData and Quality: ทำความเข้าใจความสำคัญของข้อมูลที่มีคุณภาพ Data Quality Dimensions (Content-Structure-Time-Usage-Presentation-Value): เรียนรู้มิติต่างๆ ของคุณภาพข้อมูล เช่น ความถูกต้องของเนื้อหา, โครงสร้างข้อมูล, ความทันสมัย, การนำไปใช้ประโยชน์, การนำเสนอ, และคุณค่าของข้อมูล Data Quality Process: ทำความเข้าใจกระบวนการในการจัดการคุณภาพข้อมูล A Framework to Judge Data Quality (Data Characteristics vs Data Usefulness vs Data Processing): ศึกษาโครงสร้างในการตัดสินคุณภาพข้อมูล โดยพิจารณาจากคุณลักษณะของข้อมูล, ประโยชน์ของการใช้ข้อมูล, และกระบวนการประมวลผลข้อมูล
10.30 – 10.45พักเบรกเช้า
10.45 – 12.00Data Quality AssessmentType of Data Errors: รู้จักประเภทของข้อผิดพลาดที่มักพบในข้อมูล Data Quality Rules: เรียนรู้การกำหนดกฎเกณฑ์ในการตรวจสอบคุณภาพข้อมูล Data Quality Scorecard: วิธีการสร้างและใช้ Data Quality Scorecard เพื่อประเมินและแสดงผลคุณภาพข้อมูล
12.00 – 13.00พักรับประทานอาหารกลางวัน
13.00 – 13.30Concepts and Measuring of Data QualityIntroduction to ISO 8000-8 : 2015 Syntactic quality Semantic quality Pragmatic quality
13.30 – 14.30Data quality management: Process Reference ModelIntroduction to ISO 8000-61 : 2016Data Quality PlanningData Quality ControlData Quality AssuranceData Quality ImprovementData Related Support ProcessResource Provision Process
14.30 – 14.45พักเบรกบ่าย
14.45 – 15.30Data quality organizationData quality management: Organizational process maturity assessment (ISO 8000-62 : 2018)Data quality management: Process measurement (ISO 8000-63 : 2019)Data quality management: Process measurement questionnaire (ISO 8000-65 : 2020)Data quality assessment: Profiling (ISO 8000-81 : 2021)Data quality assessment: Creating
data rules (ISO 8000-82 : 2022)Data quality management: Roles and responsibilities (ISO 8000-150 : 2022)
15.30 – 15.45Thailand’s Data Quality Standardมาตรฐานรัฐบาลดิจิทัลว่าด้วยหลักเกณฑ์การประเมินคุณภาพข้อมูลสำหรับหน่วยงานภาครัฐ
15.45 – 16.00Q/A
Read more

Data Governance for Business Leaders รุ่นที่ 14

วันที่อบรม: 21 มีนาคม พ.ศ. 2569 | เวลา 09.00 – 16.00 น.

ราคา 5,900 บาท ลงทะเบียนก่อน 14 วันลด 10 % เหลือเพียง  5,310  บาท

@Avani Ratchada Bangkok Hotel MRT พระราม9

https://maps.app.goo.gl/67jR9r1uZho5rRwh8

วิทยากร : ผศ.ดร. โษฑศ์รัตต ธรรมบุษดี
ผู้ช่วยคณบดีฝ่ายการเปลี่ยนแปลงทางดิจิทัลขององค์กร,อาจารย์ประจำกลุ่มสาขาวิชา IT Management
คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล , ผู้เชี่ยวชาญด้าน Data Governance, PDPA, Data Science

หลักการและเหตุผล

การบริหารจัดการข้อมูลที่ดีเป็นหัวใจสำคัญในการขับเคลื่อนองค์กรในยุคดิจิทัล โดยเฉพาะสำหรับผู้นำทางธุรกิจ การมีข้อมูลที่ถูกต้อง น่าเชื่อถือ และเข้าถึงได้ง่าย ไม่เพียงแต่ช่วยในการตัดสินใจเชิงกลยุทธ์ แต่ยังช่วยให้องค์กรสามารถปฏิบัติตามกฎระเบียบข้อบังคับต่างๆ ได้อย่างมีประสิทธิภาพ การกำกับดูแลข้อมูล (Data Governance) จึงเป็นสิ่งจำเป็นในการกำหนดแนวทาง มาตรฐาน และกระบวนการในการจัดการข้อมูลทั่วทั้งองค์กร เพื่อให้มั่นใจว่าข้อมูลจะถูกนำไปใช้อย่างเหมาะสม ปลอดภัย และสร้างคุณค่าสูงสุด หลักสูตรนี้จึงถูกออกแบบมาเพื่อให้ผู้นำทางธุรกิจมีความเข้าใจเชิงลึกเกี่ยวกับหลักการและแนวปฏิบัติของการกำกับดูแลข้อมูล เพื่อนำไปประยุกต์ใช้ในการขับเคลื่อนธุรกิจและเพิ่มขีดความสามารถในการแข่งขัน

วัตถุประสงค์

  • เพื่อให้ผู้เข้ารับการอบรมเข้าใจถึงพื้นฐานของการกำกับดูแลข้อมูล, กฎระเบียบที่เกี่ยวข้อง, และหลักการสำคัญของ DAMA-DMBoK
  • เพื่อให้ผู้เข้ารับการอบรมเข้าใจความเชื่อมโยงระหว่างกลยุทธ์ทางธุรกิจและกลยุทธ์ข้อมูล, รวมถึงการสร้างมูลค่าทางธุรกิจจากการกำกับดูแลข้อมูล
  • เพื่อให้ผู้เข้ารับการอบรมเข้าใจกรอบการกำกับดูแลข้อมูล (Data Governance Framework) และบทบาทของ Data Governance และ Stewardship ตามมุมมองของ DMBok
  • เพื่อให้ผู้เข้ารับการอบรมเรียนรู้เกี่ยวกับโครงสร้างองค์กรของการกำกับดูแลข้อมูล, บทบาทสำคัญ, และหน้าที่ของ Data Stewardship
  • เพื่อให้ผู้เข้ารับการอบรมเข้าใจกิจกรรมหลักของการกำกับดูแลข้อมูล ตั้งแต่การกำหนดแนวทาง, การนำไปปฏิบัติ, และการฝังรากลึกในองค์กร
  • เพื่อให้ผู้เข้ารับการอบรมทราบถึงวิธีการวัดผลการกำกับดูแลข้อมูลและการบริหารจัดการการเปลี่ยนแปลงที่เกี่ยวข้อง
  • เพื่อให้ผู้เข้ารับการอบรมสามารถวางแผน Data Governance Roadmap สำหรับองค์กรได้

หลักสูตรนี้เหมาะกับใครบ้าง

  • ผู้บริหารและผู้กำหนดนโยบาย
  • ผู้ที่เกี่ยวข้องกับการกำกับดูแลข้อมูล (Data Governance / Data Steward)
  • ผู้ที่มีภารกิจด้านกฎหมายและการกำกับดูแล (Compliance / Risk / Legal)
  • ผู้ที่ทำงานเกี่ยวข้องกับการจัดการและคุณภาพข้อมูล (Data Management & Data Quality)
  • ผู้ที่มีบทบาทเกี่ยวข้องกับการใช้งาน AI ในองค์กร

ความรู้พื้นฐาน

มีประสบการณ์การบริหารจัดการข้อมูล การกำกับดูแลข้อมูล การดำเนินงานตาม PDPA หรือเป็นผู้ที่มีความรับผิดชอบในการวางกรอบหรือนโยบายการใช้งาน AI ในองค์กร อย่างใดอย่างหนึ่ง

ลงทะเบียน

ได้ทันทีผ่าน QR Code หรือคลิก  [https://forms.gle/eL85v478GMdxL5h16]

กำหนดการ

เวลา หัวข้อ เนื้อหา
9.00 – 10.00Data Governance Fundamentals– Related regulations:ทำความเข้าใจกฎระเบียบและข้อบังคับที่เกี่ยวข้องกับการจัดการข้อมูล เช่น PDPA และข้อกำหนดอื่นๆ ที่มีผลต่อการดำเนินธุรกิจ
– Introduction to DAMA-DMBoK:แนะนำ Data Management Body of Knowledge (DAMA-DMBoK) ซึ่งเป็นมาตรฐานและแนวปฏิบัติสากลสำหรับการบริหารจัดการข้อมูล
– Business Drivers:เรียนรู้ปัจจัยขับเคลื่อนทางธุรกิจที่ทำให้การกำกับดูแลข้อมูลมีความสำคัญ เช่น การเพิ่มประสิทธิภาพการดำเนินงาน, การลดความเสี่ยง, และการสร้างโอกาสทางธุรกิจ
– Data Governance and Data Management:ทำความเข้าใจความแตกต่างและความสัมพันธ์ระหว่าง Data Governance (การกำกับดูแลข้อมูล) และ Data Management (การบริหารจัดการข้อมูล)
– Core Principles of Governance:ศึกษาหลักการสำคัญของการกำกับดูแลข้อมูล เช่น ความรับผิดชอบ, นโยบาย และ การวัดการดำเนินงาน
10.00 – 10.30Data Strategy– Business Strategy and Data Strategy:ทำความเข้าใจความเชื่อมโยงและการจัดทำ Data Strategy ให้สอดคล้องกับ Business Strategy เพื่อสนับสนุนเป้าหมายทางธุรกิจ
– Business values and Data Governance:เรียนรู้การสร้างมูลค่าทางธุรกิจจากการกำกับดูแลข้อมูล เช่น การตัดสินใจที่ดีขึ้น, การปรับปรุงคุณภาพข้อมูล, และการเพิ่มความน่าเชื่อถือของข้อมูล
10.30 – 10.45พักเบรกเช้า
10.45 – 11.15Data Governance Framework– DG Framework:ศึกษาและทำความเข้าใจองค์ประกอบของ Data Governance Framework เพื่อเป็นแนวทางในการนำไปประยุกต์ใช้ในองค์กร
– Data Governance and Stewardship in DMBok’s viewpoint:เจาะลึกมุมมองของ DMBok เกี่ยวกับ Data Governance และบทบาทของ Data Stewardship ในการดูแลและจัดการข้อมูล
11.00 – 12.00Data Governance Organization– Example of Data Governance Structure and Operating Models:ศึกษาตัวอย่างโครงสร้างองค์กรและรูปแบบการดำเนินงานของ Data Governance ที่ประสบความสำเร็จ
– Core Data Governance Roles:ทำความเข้าใจบทบาทสำคัญต่างๆ ในทีม Data Governance เช่น Data Owner, Data Steward, และ Data Custodian
– Data Stewardship:เรียนรู้หน้าที่และความรับผิดชอบของ Data Steward ในการดูแลคุณภาพและความถูกต้องของข้อมูล
12.00 – 13.00พักรับประทานอาหารกลางวัน
13.00 – 14.30DG Activities– Define Data Governance for the Organization:กำหนดขอบเขต วัตถุประสงค์ และนโยบายของ Data Governance ให้เหมาะสมกับองค์กร
– Define the DG Operating Framework:สร้างกรอบการดำเนินงานของการกำกับดูแลข้อมูล รวมถึงกระบวนการและขั้นตอนต่างๆ – Implement Data Governance:เรียนรู้กลยุทธ์และวิธีการในการนำ Data Governance ไปปฏิบัติในองค์กรอย่างมีประสิทธิภาพ
– Embed Data Governance:ทำให้ Data Governance เป็นส่วนหนึ่งของวัฒนธรรมองค์กรและกระบวนการทำงานประจำวัน
14.30 – 14.45พักเบรกบ่าย
14.45 – 15.30DG Measurement and Change Management– เรียนรู้วิธีการวัดผลความสำเร็จของ Data Governance และดัชนีชี้วัด (KPIs) ที่สำคัญ
– ทำความเข้าใจหลักการและกลยุทธ์ในการบริหารจัดการการเปลี่ยนแปลง (Change Management) เพื่อให้บุคลากรในองค์กรยอมรับและปรับตัวกับการเปลี่ยนแปลงที่เกิดจากการนำ Data Governance มาใช้
15.30 – 15.45DG Roadmap– เรียนรู้การวางแผน Data Governance Roadmap ซึ่งเป็นแผนงานระยะยาวสำหรับการพัฒนาและปรับปรุงการกำกับดูแลข้อมูลในองค์กรอย่างต่อเนื่อง
15.45 – 16.00Q/A

ติดต่อสอบถามเพิ่มเติม
อีเมล: Admin@datalentteam.co
โทร: 097-113-5975 (คุณบอย) 085-913-6975 (คุณมายด์)
ติดตามข่าวสารได้ทางเว็บไซต์และเพจของเรา

#DataGovernance #DataGovernanceForLeaders #BusinessLeaders #ITMMahidol #MUEG #DatalentTeam #คอร์สเรียน2568

Read more

Introduction Data Management based on DMBOK รุ่นที่8

วันที่อบรม:  31 มกราคม 2569 | เวลา 09.00 – 12.00 น.

ราคา 1,890 บาท ลงทะเบียนก่อน 14 วันลด 10 % เหลือเพียง  1,701  บาท

วิทยากร : ผศ.ดร. โษฑศ์รัตต ธรรมบุษดี
ผู้ช่วยคณบดีฝ่ายการเปลี่ยนแปลงทางดิจิทัลขององค์กร,อาจารย์ประจำกลุ่มสาขาวิชา IT Management
คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล , ผู้เชี่ยวชาญด้าน Data Governance, PDPA, Data Science

หลักการและเหตุผล

ในยุคที่ข้อมูลเป็นสินทรัพย์ที่มีค่า การบริหารจัดการข้อมูลอย่างเป็นระบบจึงเป็นสิ่งจำเป็นสำหรับทุกองค์กร การทำความเข้าใจหลักการพื้นฐานของการบริหารจัดการข้อมูลตามกรอบของ DAMA-DMBoK (Data Management Body of Knowledge) จะช่วยให้องค์กรสามารถจัดการข้อมูลได้อย่างมีประสิทธิภาพ สร้างความน่าเชื่อถือให้กับข้อมูล และนำข้อมูลไปใช้ประโยชน์ในการขับเคลื่อนธุรกิจและนวัตกรรมได้อย่างเต็มศักยภาพ หลักสูตรนี้จึงถูกออกแบบมาเพื่อให้ผู้เข้าร่วมได้เรียนรู้แนวคิดหลักและฟังก์ชันสำคัญของการจัดการข้อมูล เพื่อวางรากฐานที่แข็งแกร่งสำหรับการบริหารจัดการข้อมูลในองค์กร

วัตถุประสงค์

  • เพื่อให้ผู้เข้ารับการอบรมเข้าใจหลักการพื้นฐานของการบริหารจัดการข้อมูลและบทบาทของ Data Governance
  • เพื่อให้ผู้เข้ารับการอบรมเข้าใจองค์ประกอบและโครงสร้างขององค์กรด้าน Data Management
  • เพื่อให้ผู้เข้ารับการอบรมรู้จักและเข้าใจฟังก์ชันหลักต่างๆ ของ Data Management ตาม DAMA-DMBoK
  • เพื่อให้ผู้เข้ารับการอบรมเรียนรู้โมเดลการประเมินวุฒิภาวะด้าน Data Management ที่สำคัญ

หลักสูตรนี้เหมาะกับใครบ้าง

  • ผู้ที่มีประสบการณ์ด้านการจัดการและกำกับดูแลข้อมูล
  • ผู้ที่เกี่ยวข้องกับการดำเนินงานตามกฎหมายคุ้มครองข้อมูลส่วนบุคคล (PDPA)
  • ผู้มีบทบาทในนโยบายหรือการกำกับดูแล AI ในองค์กร
  • ผู้บริหารและผู้กำหนดทิศทางองค์กร

ความรู้พื้นฐาน

มีประสบการณ์การบริหารจัดการข้อมูล การกำกับดูแลข้อมูล การดำเนินงานตาม PDPA หรือเป็นผู้ที่มีความรับผิดชอบในการวางกรอบหรือนโยบายการใช้งาน AI ในองค์กร อย่างใดอย่างหนึ่ง

ลงทะเบียน

ได้ทันทีผ่าน QR Code หรือคลิก  [https://forms.gle/MX9dCc9t1qcNL92S8]

กำหนดการ

เวลา
หัวข้อ
เนื้อหา
9.00 – 9.30Module 1: Data Management Principles & Data GovernanceData Management Body of Knowledge: ทำความเข้าใจภาพรวมของ DAMA-DMBoK ซึ่งเป็นกรอบความรู้มาตรฐานสำหรับการบริหารจัดการข้อมูล Business Drivers: เรียนรู้ปัจจัยทางธุรกิจที่ผลักดันให้เกิดความจำเป็นในการบริหารจัดการข้อมูลที่ดี Data Valuation and Data Lifecycle: ทำความเข้าใจคุณค่าของข้อมูลและวงจรชีวิตของข้อมูลตั้งแต่การสร้างจนถึงการทำลาย Data Management and Data Governance: แยกแยะความแตกต่างและความสัมพันธ์ระหว่าง Data Management (การบริหารจัดการข้อมูล) และ Data Governance (การกำกับดูแลข้อมูล) Data Management Components: เรียนรู้ส่วนประกอบสำคัญของการบริหารจัดการข้อมูล Data Governance Program: ทำความเข้าใจแนวคิดและโครงสร้างของโปรแกรมการกำกับดูแลข้อมูล
9.30 – 9.45Module 2: Data Management OrganizationExample of Data Governance Structure: ศึกษาตัวอย่างโครงสร้างของ Data Governance ในองค์กรต่างๆ Types of Data Stewards: รู้จักประเภทและบทบาทของ Data Stewards ที่แตกต่างกัน
9.45 – 10.30Module 3
Data Management Functions		Data Quality: หลักการและแนวปฏิบัติในการรักษาคุณภาพของข้อมูลให้ถูกต้องและน่าเชื่อถือ Master Data and Reference Data: ความสำคัญและการจัดการข้อมูลหลักและข้อมูลอ้างอิง Data Modeling & Design: เรียนรู้หลักการออกแบบและสร้างแบบจำลองข้อมูล Data Warehousing and BI: บทบาทของ Data Warehouse และ Business Intelligence ในการวิเคราะห์ข้อมูล Data Security: หลักการและมาตรการในการปกป้องข้อมูลให้ปลอดภัย
10.30 – 10.45Break
10.45 – 11.15Module 3
Data Management Functions (Cont.)		Metadata Management: การจัดการ Metadata เพื่อความเข้าใจและการค้นหาข้อมูลที่ดีขึ้น Data Architecture and Enterprise Architecture: ความสัมพันธ์และการจัดวาง Data Architecture ภายใน Enterprise Architecture Data Storage & Operations: แนวทางการจัดการการจัดเก็บข้อมูลและการดำเนินงานที่เกี่ยวข้อง Documents and Contents Management: การจัดการเอกสารและเนื้อหาต่างๆ ในองค์กร Data Integration and Interoperability: แนวคิดและวิธีการรวมข้อมูลจากแหล่งต่างๆ และการทำให้ระบบข้อมูลสามารถทำงานร่วมกันได้
11.15 – 12.00Module 4: Data Management Maturity Model– DMBoK Model – DGA Model – DCAM Model

ติดต่อสอบถามเพิ่มเติม
อีเมล: Admin@datalentteam.co
โทร: 085-913-6975 (คุณมายด์)
ติดตามข่าวสารได้ทางเว็บไซต์และเพจของเรา

#Introduction Data Management #based on DMBOK #คอร์สเรียน2568 #ITMMahidol #MUEG

Read more

AI Governance for Management รุ่นที่ 2

วันที่ 07 กุมภาพันธ์ พ.ศ.2569 | เวลา 09.00 – 16.00 น.

ราคา 8,900 บาท บาท ลงทะเบียนก่อน 14 วันลด 10 % เหลือเพียง 8,010 บาท

ณ Avani Ratchada Bangkok Hotel (MRT พระราม9)

วิทยากร : ผศ.ดร. โษฑศ์รัตต ธรรมบุษดี
ผู้ช่วยคณบดีฝ่ายการเปลี่ยนแปลงทางดิจิทัลขององค์กร,อาจารย์ประจำกลุ่มสาขาวิชา IT Management
คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล , ผู้เชี่ยวชาญด้าน Data Governance, PDPA, Data Science

หลักการและเหตุผล

ปัจจุบันปัญญาประดิษฐ์ (AI) ได้เข้ามามีบทบาทสำคัญในการขับเคลื่อนองค์กรและเพิ่มขีดความสามารถในการแข่งขัน อย่างไรก็ตาม การนำ AI มาใช้ยังคงต้องคำนึงถึงความเสี่ยงที่อาจเกิดขึ้น ไม่ว่าจะเป็นด้านจริยธรรม กฎหมาย ความปลอดภัยของข้อมูล และความน่าเชื่อถือ เพื่อให้การใช้งาน AI เป็นไปอย่างมีประสิทธิภาพและยั่งยืน จึงจำเป็นต้องมีแนวทางการกำกับดูแล AI ที่เหมาะสม องค์กรจึงมีความต้องการบุคลากรที่มีความรู้ความเข้าใจเกี่ยวกับการกำกับดูแล AI เพื่อวางกรอบนโยบายและบริหารจัดการความเสี่ยงได้อย่างเป็นรูปธรรม หลักสูตรนี้จึงถูกออกแบบมาเพื่อให้ผู้บริหารและผู้ที่มีส่วนเกี่ยวข้องกับการวางนโยบาย AI ได้เรียนรู้แนวทางปฏิบัติและมาตรฐานสากลด้าน AI Governance เพื่อนำไปปรับใช้ในองค์กรได้อย่างมีประสิทธิภาพ

วัตถุประสงค์

  1. เพื่อให้ผู้เข้ารับการอบรมเข้าใจถึงแนวคิดพื้นฐาน นิยาม ขอบเขต และประเภทของ AI รวมถึง Generative AI และ Agentic AI
  2. เพื่อให้ผู้เข้ารับการอบรมทราบถึงกรอบกฎหมายด้าน AI ที่สำคัญ เช่น EU AI Act และแนวทางกฎหมาย AI ของประเทศไทย
  3. เพื่อให้ผู้เข้ารับการอบรมเข้าใจหลักจริยธรรม AI จากแนวทางสากล เช่น OECD และ UNESCO
  4. เพื่อให้ผู้เข้ารับการอบรมเข้าใจแนวคิด Trustworthiness AI และมาตรฐานที่เกี่ยวข้อง เช่น ISO/IEC TR 24028:2020
  5. เพื่อให้ผู้เข้ารับการอบรมเรียนรู้การบริหารจัดการความเสี่ยงด้าน AI ตามมาตรฐาน ISO/IEC 23894:2023
  6. เพื่อให้ผู้เข้ารับการอบรมเข้าใจกรอบการกำกับดูแล AI ของประเทศไทย โดยเฉพาะ ETDA AI Governance Framework
  7. เพื่อให้ผู้เข้ารับการอบรมเข้าใจแนวทางการกำกับดูแลการใช้ AI การจัดทำนโยบาย AI และโครงสร้างการกำกับดูแล AI ตามมาตรฐาน ISO/IEC 38507:2022
  8. เพื่อให้ผู้เข้ารับการอบรมเรียนรู้แนวทางการบริหารจัดการ AI ตามมาตรฐาน ISO/IEC 42001:2023 และการประเมินผลกระทบของระบบ AI ตาม ISO/IEC 42005:2025
  9. เพื่อให้ผู้เข้ารับการอบรมได้ศึกษาและวิเคราะห์กรณีศึกษาที่เกี่ยวข้องกับการกำกับดูแล AI

หลักสูตรนี้เหมาะกับใครบ้าง

  • ผู้บริหารด้านข้อมูล หรือผู้รับผิดชอบนโยบายการจัดการข้อมูลในองค์กร
  • เจ้าหน้าที่ PDPA หรือผู้ดูแลการปฏิบัติตามกฎหมายข้อมูลส่วนบุคคล
  • ผู้นำโครงการ AI หรือผู้มีหน้าที่กำกับดูแลการใช้ AI ภายในองค์กร
  • เจ้าของธุรกิจหรือผู้บริหารที่กำลังนำ AI ไปใช้เพื่อเพิ่มประสิทธิภาพ
  • ผู้ที่มีบทบาทในการกำกับดูแล IT หรือวางโครงสร้างองค์กรในยุคดิจิทัล

ความรู้พื้นฐาน

มีประสบการณ์การบริหารจัดการข้อมูล การกำกับดูแลข้อมูล การดำเนินงานตาม PDPA หรือเป็นผู้ที่มีความรับผิดชอบในการวางกรอบหรือนโยบายการใช้งาน AI ในองค์กร อย่างใดอย่างหนึ่ง

ลงทะเบียน

ได้ทันทีผ่าน QR Code หรือคลิก  [https://forms.gle/FVMr72uyaVKokRGx7]

กำหนดการ

เวลา หัวข้อ เนื้อหา
9.00 – 9.30 แนะนำ AI– นิยามและขอบเขต:
ทำความเข้าใจความหมายและขอบเขตของปัญญาประดิษฐ์ในบริบทปัจจุบัน รวมถึงความสำคัญและผลกระทบต่อองค์กรและสังคม
– แนวคิดภาพรวมที่เกี่ยวข้อง:
เรียนรู้แนวคิดพื้นฐานและองค์ประกอบสำคัญที่เกี่ยวข้องกับ AI โดยรวม เช่น Machine Learning, Deep Learning, และ Data Science เพื่อให้เห็นภาพรวมของเทคโนโลยี
– วงจรชีวิตของ AI:
ทำความเข้าใจขั้นตอนต่างๆ ในการพัฒนาและการใช้งาน AI ตั้งแต่การเก็บรวบรวมข้อมูล, การสร้างโมเดล, การปรับใช้, การตรวจสอบ และการบำรุงรักษา
– ประเภทของ AI:
ศึกษาประเภทของ AI ที่หลากหลาย เช่น AI แบบแคบ (Narrow AI) ที่เชี่ยวชาญเฉพาะด้าน, AI ทั่วไป (General AI) ที่มีความสามารถใกล้เคียงมนุษย์, และ AI ขั้นสูง (Super AI) ซึ่งยังเป็นแนวคิดในอนาคต
– Generative AI และ Agentic AI:
เจาะลึกถึง AI ประเภท Generative AI ที่สามารถสร้างเนื้อหาใหม่ๆ ได้ เช่น ข้อความ รูปภาพ หรือวิดีโอ และ Agentic AI ที่สามารถตัดสินใจและดำเนินการได้ด้วยตนเองเพื่อบรรลุเป้าหมายที่กำหนด
9.30 – 10.00 กฎหมายด้าน AI– EU AI Act:
ศึกษาและทำความเข้าใจเกี่ยวกับกฎหมาย AI ของสหภาพยุโรป ซึ่งเป็นกฎหมายฉบับแรกของโลกที่ครอบคลุมการกำกับดูแล AI อย่างรอบด้าน โดยเน้นการจัดประเภทความเสี่ยงและการปฏิบัติตามข้อกำหนด
– แนวทางกฎหมาย AI ของประเทศไทย:
เรียนรู้แนวคิดและทิศทางการพัฒนากฎหมาย AI ของประเทศไทยในปัจจุบัน รวมถึงร่างกฎหมายหรือนโยบายที่อยู่ระหว่างการพิจารณา เพื่อเตรียมความพร้อมขององค์กร
10.00 – 10.30หลักจริยธรรม AI– AI Ethics principles:
ทำความเข้าใจหลักการสำคัญของจริยธรรม AI ทั่วไป เช่น ความโปร่งใส (Transparency), ความยุติธรรม (Fairness), ความรับผิดชอบ (Accountability), และความเป็นส่วนตัว (Privacy)
– AI Ethics: OECD:
ศึกษาหลักจริยธรรม AI ที่เสนอโดยองค์การเพื่อความร่วมมือและการพัฒนาทางเศรษฐกิจ (OECD) ซึ่งเน้นการพัฒนา AI ที่รับผิดชอบและน่าเชื่อถือ
– AI Ethics: UNESCO:
เรียนรู้หลักจริยธรรม AI ที่เสนอโดยองค์การการศึกษา วิทยาศาสตร์ และวัฒนธรรมแห่งสหประชาชาติ (UNESCO) ซึ่งครอบคลุมประเด็นด้านสิทธิมนุษยชนและศักดิ์ศรีความเป็นมนุษย์
10.30 – 10.45พักเบรกเช้า
10.45 – 11.15Trustworthiness AI– แนะนำมาตรฐาน ISO/IEC TR 24028:2020 Overview of trustworthiness in artificial intelligence:
ทำความเข้าใจแนวคิดความน่าเชื่อถือของ AI (Trustworthiness AI) ซึ่งเป็นสิ่งสำคัญในการสร้างความเชื่อมั่นให้กับผู้ใช้งานและสังคม โดยศึกษาภาพรวมของมาตรฐานสากล ISO/IEC TR 24028:2020 ที่เป็นแนวทางในการสร้างความน่าเชื่อถือในระบบ AI รวมถึงปัจจัยที่ส่งผลต่อความน่าเชื่อถือ เช่น ความถูกต้อง (Accuracy), ความปลอดภัย (Security), และความแข็งแกร่ง (Robustness)
11.00 – 12.00AI Risk Management– แนะนำมาตรฐาน ISO/IEC 23894:2023 AI Risk Management:
ทำความเข้าใจมาตรฐานสากล ISO/IEC 23894:2023 ที่ว่าด้วยการบริหารจัดการความเสี่ยงที่เกี่ยวข้องกับ AI ซึ่งเป็นกรอบการทำงานในการระบุ, วิเคราะห์, ประเมิน, บรรเทา และติดตามความเสี่ยงตลอดวงจรชีวิตของ AI
– แนวทางการบริหารจัดการความเสี่ยง:
เรียนรู้หลักการและวิธีการในการระบุประเภทของความเสี่ยงที่เกิดจากการใช้งาน AI (เช่น ความเสี่ยงด้านความเป็นส่วนตัว, ความเสี่ยงด้านความปลอดภัยทางไซเบอร์, ความเสี่ยงด้านจริยธรรม), การประเมินระดับความเสี่ยง, และการกำหนดมาตรการในการลดหรือควบคุมความเสี่ยงเหล่านั้นอย่างมีประสิทธิภาพ
12.00 – 13.00พักรับประทานอาหารกลางวัน
13.00 – 14.00Thailand AI Governance Framework– ETDA AI Governance Framework
– ETDA Generative AI Governance Framework
14.00 – 14.30การกำกับดูแลการใช้ AI– แนะนำมาตรฐาน ISO/IEC 38507:2022 Governance implications of the use of AI by organizations:
ทำความเข้าใจมาตรฐานสากล ISO/IEC 38507:2022 ที่เกี่ยวข้องกับผลกระทบด้านการกำกับดูแลจากการใช้งาน AI ในองค์กร ซึ่งเป็นแนวทางให้คณะกรรมการบริหารและผู้บริหารระดับสูงในการควบคุมดูแลการใช้ AI
– การจัดทำนโยบาย AI:
เรียนรู้ขั้นตอนและองค์ประกอบสำคัญในการจัดทำนโยบายการใช้งาน AI ภายในองค์กร เช่น วัตถุประสงค์ของการใช้งาน, ขอบเขตการใช้งาน, บทบาทหน้าที่ความรับผิดชอบ, และข้อจำกัด
– โครงสร้างการกำกับดูแล AI:
ทำความเข้าใจโครงสร้างและบทบาทหน้าที่ของหน่วยงานหรือบุคคลที่รับผิดชอบในการกำกับดูแล AI ภายในองค์กร รวมถึงการกำหนดคณะทำงานหรือคณะกรรมการด้าน AI Governance
14.30 – 14.45พักเบรกบ่าย
14.45 – 15.30การบริหารจัดการ AI– แนะนำ ISO/IEC 42001:2023 Artificial intelligence Management system:
ทำความเข้าใจมาตรฐานสากล ISO/IEC 42001:2023 ที่เป็นระบบการจัดการ AI ในองค์กร ซึ่งเป็นกรอบการทำงานสำหรับการสร้าง, ดำเนินการ, บำรุงรักษา, และปรับปรุงระบบการจัดการ AI
– แนะนำ ISO/IEC 42005:2025 – AI system impact assessment:
เรียนรู้เกี่ยวกับการประเมินผลกระทบของระบบ AI ตามมาตรฐาน ISO/IEC 42005:2025 ซึ่งเป็นแนวทางในการระบุและจัดการผลกระทบที่อาจเกิดขึ้นจากการใช้งาน AI ทั้งในเชิงบวกและเชิงลบต่อบุคคล, สังคม และสิ่งแวดล้อม
15.30 – 15.45Case Study– กรณีศึกษาคดีที่เกี่ยวข้อง
15.45 – 16.00Q/A
**กำหนดการอาจมีเปลี่ยนแปลงตามความเหมาะสม

ติดต่อสอบถามเพิ่มเติม
อีเมล: Admin@datalentteam.co
โทร: 085-913-6975 (คุณมายด์)
ติดตามข่าวสารได้ทางเว็บไซต์และเพจของเรา

#AIGovernance#AIforManagement#DataGovernance#คอร์สเรียน2569#ITMMahidol#MUEG

Read more

ทำไมผู้บริหาร ต้องเข้าใจ DATA GOVERNANCE

กุญแจสู่การตัดสินใจที่แม่นยำ ความเสี่ยงที่ลดลง และความสามารถในการแข่งขันที่ยั่งยืน

ในยุคที่ “ข้อมูล” กลายเป็นทรัพยากรสำคัญขององค์กร การมีข้อมูลจำนวนมากไม่ใช่ข้อได้เปรียบอีกต่อไป แต่ “การจัดการข้อมูลอย่างเป็นระบบ” ต่างหากที่ทำให้องค์กรขับเคลื่อนได้อย่างมั่นใจ และนี่คือเหตุผลว่าทำไมผู้บริหารจึงควรเข้าใจ Data Governance

1. เพื่อให้การตัดสินใจแม่นยำ และเชื่อถือได้

ผู้บริหารทุกระดับต้องอาศัยข้อมูลในการวิเคราะห์ วางกลยุทธ์ และประเมินผล แต่หากข้อมูลมีความผิดพลาด ซ้ำซ้อน ไม่อัปเดต หรือไม่รู้แหล่งที่มา การตัดสินใจก็อาจคลาดเคลื่อนได้
Data Governance ช่วยกำหนดมาตรฐานและความถูกต้องของข้อมูล ทำให้ผู้บริหารมั่นใจได้ว่าข้อมูลที่ใช้คือ “ข้อมูลจริง” ที่พร้อมสำหรับการใช้งานเชิงกลยุทธ์

2. ลดความเสี่ยงด้านกฎหมาย และการละเมิดข้อมูล

กฎหมายด้านข้อมูล เช่น PDPA, GDPR และนโยบายความปลอดภัยต่าง ๆ ทำให้องค์กรต้องระมัดระวังการใช้ข้อมูลมากขึ้น
หากไม่มีการกำกับดูแลข้อมูลอย่างเป็นระบบ องค์กรอาจเจอปัญหา เช่น

  • การใช้ข้อมูลส่วนบุคคลเกินความจำเป็น
  • การจัดเก็บไม่ปลอดภัย
  • ไม่มีการควบคุมสิทธิ์เข้าถึง
    ซึ่งนำไปสู่ความเสี่ยงทั้งด้านกฎหมาย ค่าปรับ และภาพลักษณ์องค์กร
    ผู้บริหารจึงต้องเข้าใจ Data Governance เพื่อกำหนดกรอบและทิศทางที่ปลอดภัยตั้งแต่ระดับนโยบาย

3. เพิ่มประสิทธิภาพการทำงาน ลดต้นทุนซ้ำซ้อน

หลายองค์กรเสียเวลาไปกับการค้นหา แก้ไข หรือรวมข้อมูลจากหลายแหล่ง ทำให้ต้นทุนสูงขึ้นอย่างไม่จำเป็น
การมี Data Governance ที่ดีช่วยให้

  • ข้อมูลมีที่มาและเจ้าของชัดเจน
  • ทีมงานรู้ว่าต้องใช้ข้อมูลจากที่ไหน
  • ลดงานซ้ำซ้อนจากหลายฝ่ายทำข้อมูลซ้ำกัน

ผลลัพธ์คือ ต้นทุนลดลง – ความคล่องตัวเพิ่มขึ้น

4. พร้อมสำหรับ AI และ Data Analytics

องค์กรจำนวนมากลงทุนด้าน AI และ Data Platform แต่ใช้งานจริงไม่ได้ เพราะข้อมูลไม่พร้อม
การจะไปสู่ขั้น AI-Driven Organization จำเป็นต้องมีฐานข้อมูลที่เป็นระบบก่อน ซึ่งเกิดจาก Data Governance โดยตรง เช่น

  • ความสะอาดของข้อมูล
  • ความครบถ้วน
  • การมี Metadata และ Data Owner
  • การกำหนดสิทธิ์และคุณภาพข้อมูล

ผู้บริหารที่เข้าใจ Data Governance จึงสามารถวางแผนลงทุนด้านเทคโนโลยีได้อย่างคุ้มค่าและได้ผลจริง

5. เสริมความเชื่อมั่นให้ลูกค้า คู่ค้า และผู้มีส่วนได้ส่วนเสีย

ในยุคที่ความโปร่งใสและความปลอดภัยของข้อมูลเป็นเรื่องสำคัญ องค์กรที่มีการบริหารจัดการข้อมูลที่ดีจะได้รับความไว้วางใจมากกว่า
การที่ผู้บริหารให้ความสำคัญกับ Data Governance จึงเป็นสัญญาณว่าองค์กรมีมาตรฐาน และรับผิดชอบต่อข้อมูลที่ถือครอง

สรุป

Data Governance ไม่ใช่เรื่องของฝ่ายไอที แต่เป็น กลยุทธ์ระดับองค์กร ที่ผู้บริหารต้องเข้าใจ เพื่อกำหนดทิศทางที่ถูกต้อง ป้องกันความเสี่ยง และสร้างความได้เปรียบในการแข่งขัน
องค์กรที่เริ่มจัดการข้อมูลวันนี้ คือองค์กรที่พร้อมแข่งขันในอนาคต

Read more

Data Governance คืออะไร?

“ Data Governance” หรือ “ธรรมาภิบาลข้อมูล” คือการกำกับดูแล การกำหนดหน้าที่และความรับผิดชอบ และเกณฑ์การประเมินในการบริหารจัดการข้อมูลเพื่อให้การได้มาและนำข้อมูลไปใช้เป็นไปอย่างถูกต้อง ได้คุณภาพ มีความปลอดภัยและความเป็นส่วนตัว และป้องกันไม่ให้มีการละเมิดดข้อมูลส่วนบุคคลเกิดขึ้น

ในยุคที่ข้อมูลกลายเป็นทรัพยากรสำคัญขององค์กร การจัดการข้อมูลอย่างมีประสิทธิภาพจึงเป็นสิ่งจำเป็น Data Governance หรือ การกำกับดูแลข้อมูล จึงกลายเป็นกลไกสำคัญที่ช่วยให้องค์กรสามารถบริหารจัดการข้อมูลได้อย่างถูกต้อง ปลอดภัย และพร้อมใช้งานเพื่อสนับสนุนการตัดสินใจเชิงธุรกิจ Data Governance ไม่ใช่เรื่องของเทคโนโลยีเพียงอย่างเดียว แต่เกี่ยวข้องกับหลายมิติ ทั้ง Methods, People, Processes, Technology และ Culture

1. Methods (วิธีการ)

วิธีการใน Data Governance คือการกำหนดมาตรฐาน กระบวนการ และแนวทางปฏิบัติที่ชัดเจนสำหรับการจัดการข้อมูล เช่น การกำหนดมาตรฐานคุณภาพข้อมูล การบริหารสิทธิ์การเข้าถึงข้อมูล หรือการจัดทำ Data Catalog เพื่อให้ข้อมูลสามารถถูกค้นหาและใช้งานได้ง่าย

2. People (บุคลากร)

ข้อมูลไม่สามารถจัดการได้ด้วยเทคโนโลยีเพียงอย่างเดียว บุคลากรถือเป็นหัวใจสำคัญของ Data Governance ซึ่งรวมถึงบทบาทและความรับผิดชอบ เช่น

  • Data Owner: เจ้าของข้อมูล รับผิดชอบการกำหนดคุณภาพและความถูกต้องของข้อมูล
  • Data Steward: ผู้ดูแลและตรวจสอบข้อมูลให้เป็นไปตามมาตรฐาน
  • Data User: ผู้ใช้งานข้อมูลอย่างมีความรับผิดชอบ

3. Processes (กระบวนการ)

กระบวนการคือขั้นตอนการจัดการข้อมูลตั้งแต่การสร้าง การจัดเก็บ การใช้งาน ไปจนถึงการทำลายข้อมูลอย่างปลอดภัย ซึ่งรวมถึงการทำ Data Quality Checks, การสำรองข้อมูล, และการกำหนดมาตรการรักษาความปลอดภัยของข้อมูล

4. Technology (เทคโนโลยี)

เทคโนโลยีช่วยสนับสนุนการนำ Data Governance ไปปฏิบัติอย่างมีประสิทธิภาพ เช่น

  • ระบบจัดเก็บข้อมูล (Data Storage)
  • เครื่องมือจัดการคุณภาพข้อมูล (Data Quality Tools)
  • ระบบการเข้าถึงและควบคุมข้อมูล (Access Control & Security Tools)
  • Data Analytics & Reporting Tools เพื่อสนับสนุนการตัดสินใจ

5. Culture (วัฒนธรรมองค์กร)

สุดท้าย ความสำเร็จของ Data Governance ขึ้นอยู่กับ วัฒนธรรมองค์กร ที่ให้ความสำคัญกับข้อมูลอย่างจริงจัง องค์กรควรสร้างความตระหนักรู้และการมีส่วนร่วมของทุกคนในการใช้งานและรักษาข้อมูลให้ถูกต้องและปลอดภัย

สรุป
Data Governance คือกรอบการบริหารจัดการข้อมูลที่ครอบคลุมทั้ง วิธีการ บุคลากร กระบวนการ เทคโนโลยี และวัฒนธรรมองค์กร เพื่อให้ข้อมูลมีคุณภาพ ปลอดภัย และนำไปใช้ประโยชน์ได้อย่างสูงสุด

Read more

Building Data Quality Checks with Airflow ทำไมต้องตรวจสอบคุณภาพข้อมูล

ในยุคที่องค์กรขับเคลื่อนด้วยข้อมูล (Data-Driven Organization) การมีข้อมูลที่ ถูกต้อง ครบถ้วน และเชื่อถือได้ เป็นสิ่งสำคัญ เพราะข้อมูลที่มีคุณภาพต่ำอาจส่งผลต่อการตัดสินใจ ทำให้วิเคราะห์ผิดพลาด หรือเสียค่าใช้จ่ายในการแก้ไขภายหลัง

หนึ่งในเครื่องมือสำคัญในการดูแลคุณภาพข้อมูลคือ Data Quality Checks และเมื่อทำงานร่วมกับ Apache Airflow จะช่วยให้การตรวจสอบข้อมูลเป็นระบบ อัตโนมัติ และมีประสิทธิภาพมากขึ้นData Quality Checks คืออะไร

Data Quality Checks คือกระบวนการตรวจสอบว่าข้อมูลในระบบมีคุณภาพตามมาตรฐานที่องค์กรกำหนดหรือไม่
โดยทั่วไปจะตรวจสอบเรื่องต่าง ๆ เช่น:

  • ค่าที่ขาดหาย (Missing Values): ข้อมูลสำคัญหายไปหรือไม่ เช่น ช่องว่างในตารางข้อมูล
  • ข้อมูลซ้ำ (Duplicates): มีข้อมูลซ้ำซ้อนหรือไม่
  • ค่าที่ไม่ถูกต้อง (Valid Range): ข้อมูลอยู่ในช่วงที่สมเหตุสมผลหรือไม่ เช่น อายุไม่ควรเป็นค่าลบ
  • ความสัมพันธ์ระหว่างตาราง (Referential Integrity): ข้อมูลเชื่อมโยงระหว่างตารางยังถูกต้องอยู่ เช่น foreign key ต้องตรงกับ primary key

การตรวจสอบเหล่านี้ช่วยให้มั่นใจว่าข้อมูลที่นำไปใช้ในการวิเคราะห์หรือรายงานมีความน่าเชื่อถือ

ทำไมต้องใช้ Airflow มาช่วย

Apache Airflow เป็นเครื่องมือสำหรับจัดการ Data Pipeline หรือ Workflow ของข้อมูล จุดเด่นที่ทำให้ Airflow เหมาะกับงาน Data Quality Checks ได้แก่:

มีระบบบันทึกและแจ้งเตือน (Logging & Alerts): เมื่อข้อมูลไม่ผ่านเกณฑ์ คุณสามารถตั้งค่าให้ส่งอีเมลหรือแจ้งเตือนทีมงานทันที

ตั้งเวลาอัตโนมัติ (Scheduling): สามารถกำหนดให้ตรวจสอบข้อมูลเป็นประจำ เช่น ทุกวัน ทุกสัปดาห์ หรือทุกชั่วโมง

ควบคุมลำดับการทำงาน (DAG – Directed Acyclic Graph): กำหนดลำดับขั้นตอนการตรวจสอบได้ชัดเจน เช่น ตรวจสอบค่าที่ขาดหาย → ตรวจสอบค่าซ้ำ → ตรวจสอบช่วงค่า

นำ Workflow ไปใช้ซ้ำได้หลาย Pipeline: เขียนโค้ดตรวจสอบครั้งเดียว สามารถนำไปใช้กับหลายฐานข้อมูลหรือหลาย pipeline ได้

สรุป

การทำ Data Quality Checks เป็นสิ่งจำเป็นสำหรับทุกองค์กรที่ต้องการใช้ข้อมูลอย่างมีประสิทธิภาพ
เมื่อผสานกับ Airflow การตรวจสอบข้อมูลจะกลายเป็น อัตโนมัติ มีระบบ และตรวจสอบได้ต่อเนื่อง ช่วยลดความเสี่ยงจากข้อมูลผิดพลาด และสร้างความเชื่อมั่นในข้อมูลสำหรับการตัดสินใจขององค์กร

Read more

Data Quality Management Essentials + with Apache Airflow Workshop

ในยุคที่ข้อมูลกลายเป็นหัวใจสำคัญขององค์กร การจัดการข้อมูลให้มีคุณภาพและสามารถใช้งานได้อย่างมีประสิทธิภาพจึงเป็นสิ่งจำเป็น Data Quality Management กลายเป็นหนึ่งในหัวข้อสำคัญสำหรับทุกฝ่ายที่เกี่ยวข้องกับข้อมูล

หนึ่งในเครื่องมือที่ช่วยจัดการกระบวนการข้อมูลให้อัตโนมัติและตรวจสอบคุณภาพได้อย่างครอบคลุมคือ Apache Airflow

Apache Airflow คือ?

แพลตฟอร์มสำหรับจัดการและทำให้งาน Data Pipeline ทำงานแบบอัตโนมัติ (Workflow Orchestration Tool)

Apache Airflow คืออะไร?

Apache Airflow เป็น แพลตฟอร์มสำหรับจัดการและทำให้งาน Data Pipeline ทำงานแบบอัตโนมัติ หรือที่เรียกว่า Workflow Orchestration Tool
ด้วย Airflow ผู้ใช้งานสามารถสร้างขั้นตอนการประมวลผลข้อมูลทั้งหมด ตั้งแต่การดึงข้อมูล แปลงข้อมูล จนถึงโหลดเข้าฐานข้อมูลได้อย่างอัตโนมัติและมีระบบตรวจสอบสถานะของงานได้ชัดเจน

จุดเด่นของ Apache Airflow

  1. เขียน Workflow ด้วยโค้ด (Python-based)
    ทุกขั้นตอนของ Data Pipeline สามารถเขียนด้วยภาษา Python ทำให้มีความยืดหยุ่นสูง และควบคุมรายละเอียดของกระบวนการได้อย่างแม่นยำ เช่น ดึงข้อมูล → แปลงข้อมูล → โหลดเข้าฐาน
  2. มี UI สวย ใช้งานง่าย
    Airflow มาพร้อม Dashboard ที่ใช้งานง่าย สามารถดูได้ว่า pipeline ไหนรันสำเร็จ ล้มเหลว หรือใช้เวลานานแค่ไหน
  3. ตั้งเวลาอัตโนมัติได้ (Scheduling)
    ระบบ scheduling ของ Airflow คล้ายกับ cron job แต่ฉลาดกว่า สามารถตั้งให้รันรายวัน รายชั่วโมง หรือเมื่อเกิดเหตุการณ์บางอย่าง
  4. รองรับการขยาย (Scalable)
    Airflow สามารถทำงานได้ทั้งบนเครื่องเดียว หรือกระจายงานไปหลายเครื่องในระบบขนาดใหญ่
  5. เชื่อมต่อกับเครื่องมืออื่น ๆ ได้ง่าย
    รองรับการเชื่อมต่อกับเครื่องมือและระบบต่าง ๆ เช่น BigQuery, Spark, AWS, PostgreSQL, Slack และอื่น ๆ ผ่าน Operator ที่พร้อมใช้งาน

ใช้ Apache Airflow ทำอะไรได้บ้าง?

  • สร้าง ETL Pipeline (Extract – Transform – Load)
    ดึงข้อมูลจากแหล่งต่าง ๆ แปลงข้อมูลให้พร้อมใช้งาน และโหลดเข้าฐานข้อมูลอย่างอัตโนมัติ
  • ตรวจสอบคุณภาพข้อมูล (Data Quality Check)
    ตรวจสอบข้อมูล เช่น ความครบถ้วน ความถูกต้อง และความสอดคล้องของข้อมูลก่อนนำไปใช้
  • จัดการ Workflow ของ Machine Learning
    เช่น การฝึกโมเดล การประเมินผล และการนำโมเดลไปใช้งานอย่างเป็นระบบ
  • ประสานงานระหว่างระบบหลายส่วน
    สามารถเชื่อมต่อและควบคุมการทำงานระหว่าง API, Database, Storage และระบบอื่น ๆ

การใช้ Apache Airflow ทำให้การจัดการข้อมูลไม่ใช่เรื่องยุ่งยากอีกต่อไป และช่วยให้การตรวจสอบคุณภาพข้อมูลเป็นไปอย่างมีประสิทธิภาพ พร้อมรองรับการเติบโตขององค์กรที่ต้องใช้ข้อมูลอย่างต่อเนื่อง

หากคุณสนใจเรียนรู้การสร้าง Data Pipeline และตรวจสอบคุณภาพข้อมูลแบบมืออาชีพ Workshop “Data Quality Management Essentials + with Apache Airflow” คือจุดเริ่มต้นที่ดีที่สุด

Read more

Datalent Team

 

สาขาการจัดการเทคโนโลยีสารสนเทศ
คณะวิศวกรรมศาสตร์ ม.มหิดล

999 ถ.พุทธมณฑลสาย 4 ต.ศาลายา
อ.พุทธมณฑล จ.นครปฐม 73170

Datalent Team 2024 All Rights Reserved