ระดับการวัดความสามารถในการนำ Big Data ไปใช้ในองค์กร

 

ผมเห็นว่าวันนี้ทุกคนต่างก็พูดเรื่อง Big Data ตั้งแต่คนไอทีไปจนถึงนายกรัฐมนตรี ต่างก็บอกว่าจะเอา Big Data  มาใช้ในองค์กร บ้างก็บอกว่าทำแล้วบ้างก็บอกว่ากำลังทำ บางคนทำรายงานอะไรเล็กน้อยก็บอกว่าทำ Big Data อยู่ ซึ่งผมก็ไม่แน่ใจว่าแต่ละคนเข้าใจความหมายของ Big Data แค่ไหน แต่ไม่ว่าจะมองนิยาม  Big Data อย่างไรก็ตามผมมองว่า Big Data มีเป้าหมายสำหรับองค์กรในสามประเด็นดังนี้

  1. การนำข้อมูลขนาดใหญ่มาช่วยในการตัดสินใจได้ดีขึ้น เช่นสามารถตอบได้ว่าเราควรจะทำอะไร นำสินค้าใดมาขาย ลูกค้าเราอยู่ที่ใด จะใช้จ่ายงบประมาณอย่างไร
  2. การนำข้อมูลขนาดใหญ่มาช่วยให้การทำงานดีขึ้น เช่นทราบข้อมูลโดยทันทีว่าลูกค้าต้องการอะไร ทราบตำแหน่งของลูกค้าเป้าหมาย หรือช่วยเพิ่มยอดขาย จะใช้งบประมาณให้มีประสิทธิภาพอย่างไร
  3. การทำให้ข้อมูลเป็นทรัพย์สินขององค์กร และทำให้เกิด Business Transformation เช่นการนำข้อมูลที่มีอยู่ไปต่อยอดร่วมกับคู่ค้ารายอื่นๆเพื่อสร้างสินค้าใหม่ๆ

การทำ  Big Data ไม่ใข่แค่เรื่องของการทำ  Data Cleansing, Data Warehouse, Business Intelligence หรื่อเรื่องของเทคโนโลยี องค์กรที่จะทำ Big Data อาจต้องเปลี่ยนทัศนคติในรูปแบบเดิมๆอยู่หลายเรื่อง ซึ่งผมมักจะยกคำพูดสั้นมา 3-4  ประโยคเกี่ยวกับ Big Data  ดังนี้

  • Don’t think technology, think business transformation.
  • Don’t think data warehouse, think data lake.
  • Don’t think business intelligence, think data science.
  • Don’t think “what happened”, think “what will happen”.

สุดท้ายต้องทำความเข้าใจเรื่องระดับความสามารถของการนำ Big Data ไปใช้ในองค์กร (Big Data Matuarity Model)  ว่ามีอยู่ 5 ระดับดังรูปนี้ ซึ่งจะบอกได้ว่าองค์กรของเราอยู่ในระดับใด

Screenshot 2017-09-01 11.46.57

รูปที่ 1 Big Data Business Model Maturity Index, จาก Big Data MBA, Bernard Marr

  1. Business Monitoring ในขั้นตอนนี้องค์กรยังเพียงแค่ทำ Business Intelligence หรือยังทำ Data Warehouse ซึ่งเป็นขั้นตอนที่เราจะแสดงข้อมูลหรือทำรายงานต่างๆขององค์กรในลักษณะของ Descriptive Analytic ที่เราจะดูข้อมูลในอดีตเพื่อให้ทราบว่า What happened?
  2. Business Insights  ในขั้นตอนนี้จะเป็นการเริ่มต้นทำ Big Data Project ที่มีการทำ  Data Lake เพื่อรวบรวมข้อมูลจากทั้งภายในและภายนอกองค์กรทั้งข้อมูลที่เป็น structure, unstructure  หรือ semi-structure เพื่อทำ Predictive Analytic  เพื่อให้ทราบว่า What will happen?
  3. Business Optimization ในขั้นตอนนี้จะเริ่มเห็นความคุ้มค่าของการลงทุนทำ Big Data Project โดยจะเป็นการทำ Prescriptive Analytic เพื่อให้ทราบว่า How should we make in happen?
  4. Data Monetization ในขั้นตอนนี้จะเป็นการขยายผลเพื่อนำ Data ที่จะเป็นทรัพยากรขององค์กรไปใช้เป็นสินทรัพย์ในการทำงานร่วมกับคู่ค้าหรือองค์กรอื่นๆ
  5. Business Metamorphosis ในขั้นตอนนี้จะเป็นขั้นสูงสุดของการทำ Big Data ที่จะเห็นเรื่องของ Business Transformation  ในองค์กรซึ่งอาจเห็นรูปแบบการทำงานใหม่ๆ ธุรกิจใหม่ หรื่อผลิตภัณฑ์ใหม่ๆขององค์กร

จากที่กล่าวมาทั้งหมดนี้จะเห็นได้ว่า การทำ Big Data Project  ไม่ใช่เรื่องง่ายๆอย่างที่เข้าใจ จำเป็นต้องปรับวิธีคิดในองค์กรอย่างมาก และต้องเข้าใจเป้าหมายและระดับขั้นของการทำ Big Data ในองค์กร

ธนชาติ นุ่มนนท์

IMC Institute

พฤศจิกายน 2560

Big Data เพื่อสร้าง Digital Disruption ในองค์กร (ตอนที่ 2)

ผมเขียนบทความนี้ตอนที่ 1 ไว้นานมากแล้ว (Big Data เพื่อสร้าง Digital Disruption ในองค์กร (ตอนที่ 1)) เพิ่งมีเวลาเขียนตอนที่สองในวันนี้ ซึ่งในตอนนี้จะกล่าวถึงประเด็นที่ควรทำในเรื่องของการทำ Big Data ต่างๆดังนี้

  1. Big Data คือหลักการของ Data Lake องค์กรที่คิดว่าจะนำ Big Data มาสร้างความเปลี่ยนแปลงองค์กร จำเป็นต้องรวบรวม Data ต่างๆที่มีอยู่ทั้งภายในและภายนอกในลักษณะข้อมูลดิบ (Raw Data)  มาเก็บไว้ใน Data Lake เพื่อที่นำข้อมูลต่างๆมาใช้ในการวิเคราะห์และประมวลต่อไป กล่าวคือ Big Data จะเริ่มต้นด้วยการเก็บรวบรวมข้อมูลแล้วค่อยตั้งคำถามต่างๆในอนาคต
  2. Big Data ไม่ใช่เริ่มด้วยการทำ Data Warehouse  หรือการทำ Business Intelligence (BI) แบบเดิม แต่ Data Warehouse และ BI  คือส่วนหนึ่งของ Big Data ทั้งนี้การทำ Data Warehouse จะคำนึงถึงการทำ  Data Cleansing  และการทำรายงานเป็นครั้งๆไป ซึ่งการทำ  Data Cleansing และ Load Data เข้าสู่ Data Warehouse จะทำให้ Information หลายๆอย่างในข้อมูลดิบ จำนวนมากถูกลดทอนไปเพื่อทำรายงาน และเมื่อต้องการทำรายงานใหม่ๆ ก็อาจจะทำการ Load Data ชุดใหม่เข้ามาทำให้เสียเวลาในการทำงาน
  3. องค์กรจะต้องมีการลงทุนโครงสร้างพื้นฐานสำหรับ Big Data ซึ่งควรจะเป็นการลงทุนด้าน Data Lake เช่นการจัดหา Hadoop มาใช้ในองค์กร ดังแสดงในรูปที่ 1  และไม่ควรที่จะต้องลงทุนไปกับ Data Warehouse ด้วยอุปกรณ์หรือซอฟต์แวร์ที่ราคาสูงเกินไป เพราะ Data Lake จะมีราคาที่ถูกกว่า และสามารถ  Offload  ข้อมูลจาก Data Warehouse ลงมาได้ ดังนั้นการทำ Big Data Project  คือการเริ่มต้นจากการทำ Data Lake
  4. องค์กรที่สามารถใช้ Public Cloud ได้ อาจพิจารณาการทำ  Big Data  โดยใช้  Big Data as a Service  ที่อยู่บน Platform ต่างๆเช่น AWS, Google Cloud หรือ Microsoft Azure  ซึ่งจะมีบริการอย่าง  Cloud Storage  หรือ Hadoop as a Service
  5. คุณค่าของ Big Data ทีสำคัญเป็นเรื่องของการทำ Predictive Analytics ซึ่งต้องการทีมงานที่มีความรู้ทาง Data Science ที่มีความรู้และแนวคิดที่แตกต่างจากกลุ่มคนที่ทำ Data Warehouse และ BI องค์กรควรจะสร้างทีมขึ้นมาใหม่ที่มีความรู้ด้าน  Data Science แยกออกมาจากกลุ่มคนเดิม ทีมงาน  Data Science  จำเป็นอย่างยิ่งที่ต้องมีคนที่เข้าใจธุรกิจขององค์กร ดังนั้นบางครั้งการสร้างทีมจากภายในจะเป็นเรื่องที่ดีกว่า โดยอาจผสมผสานกับคนใหม่ที่มาจากภายนอก ทั้งนี้การเลือกคนมาทำต้องเน้นคนที่มีความเข้าใจเรื่อง คณิตศาสตร์และสถิติ มากกว่าคนไอทีที่เน้นการพัฒนาโปรแกรม
  6. องค์กรควรจะมีการพัฒนาบุคลากรในทุกระดับให้เข้าใจหลักการของ Big Data และประโยชน์ที่จะได้รับ ให้เข้าใจว่า  Big Data จะมา  Disrupt ธุรกิจอย่างไร
  7. การทำ  Big Data Analytics แต่ละเรื่องจำเป็นต้องใช้เวลาในการศึกษาข้อมูล หา Algorithm  ที่เหมาะสม ผู้บริหารไม่ควรที่จะคาดหวังว่าจะได้ผลลัพธ์ภายในระยะเวลาอันสั้น ซึ่งแตกต่างจากการขอรายงานที่ได้จาก BI ที่พนักงานสามารถจะหารายงานได้รวดเร็วกว่ามาก
  8. อย่าเริ่มต้นการทำ  Big Data ด้วยการลงทุนขนาดใหญ่ และโครงการ Big Data  ที่ดีไม่ควรเริ่มจากฝ่ายไอทีตามลำพัง

datalake21

รูปที่ 1 ตัวอย่างของ Data Lake Architecture  โดยใช้  Hadoop

ทั้งหมดนี้คือข้อคิดสั้นๆที่ผมอยากแนะนำต่อ เพื่อให้องค์กรเริ่มทำโครงการ Big Data ในแนวทางที่เหมาะสม

ธนชาติ นุ่มนนท์

IMC Institute

กรกฎาคม 2560

 

Big Data เพื่อสร้าง Digital Disruption ในองค์กร (ตอนที่ 1)

 

การใช้ชีวิตประจำวันของผู้คนทั้งเรื่องการทำงานและเรื่องส่วนตัวล้วนแล้วแต่เป็นการสร้างข้อมูลใหม่ขึ้นมา ตั้งแต่เราตื่นนอนก็อาจมีเวลาที่เราตื่น การทานอาหารที่ใด ไปที่ไหน การทำงานก็มีข้อมูลตลอดว่าเราทำอะไร ส่งเอกสารหาใคร เขียนข้อความอะไร  หน่วยงานทุกแห่งล้วนมีข้อมูลจำนวนมากจากการทำงาน การติดต่อลูกค้า และการทำธุรกรรมต่างๆแต่ในอดีตข้อมูลเหล่านี้ไม่ถูกบันทึกในรูปแบบของดิจิทัลทั้งหมดทั้งนี้เพราะมีข้อจำกัดในเรื่องเทคโนโลยี

การเข้ามาของเทคโนโลยีใหม่อย่าง Internet of Things หรืออุปกรณ์ต่างๆ ประกอบกับการเปลี่ยนของเทคโนโลยีในการเก็บข้อมูล ที่รูปแบบข้อมูลเปลี่ยนไป และราคาที่ถูกลง รวมถึงการที่คอมพิวเตอร์มีประสิทธิภาพสูงขึ้น ทำให้เราสามารถบันทึกข้อมูลต่างๆในการทำงาน การใช้ชีวิตประจำ ลงไปได้มากขึ้น และเก็บรวบรวมเป็นข้อมูลขนาดใหญ่  (Big Data) ที่แตกต่างจากการเก็บข้อมูลเพียงแค่ในฐานข้อมูลแบบเดิมที่เป็น Database หรือ Datawarehouse ในอดีตที่จะต้องเลือกเก็บข้อมูลบางอย่าง ไม่ใช่ Big Data ที่ควรจะเป็น

เมื่อหน่วยงานมี Big Data ที่สามารถรวบรวมข้อมูลจำนวนมากลงมาในรูปแบบของ Data Lake ก็เกิดความท้าทายขึ้นมาว่า แล้วเราจะนำข้อมูลเรานั้นมาวิเคราะห์ให้เกิดประโยชน์อย่างไร กล่าวคือการทำ Big Data Analytics หลายๆหน่วยงานเข้าใจแต่เพียงว่าคือการนำมาสร้างรายงานให้เห็นข้อมูลต่างๆในรูปแบบของ Business Intelligence และไปเข้าใจว่าการทำ Digital Transformation ของหน่วยงานคือการนำเทคโนโลยีดิจิทัลมาใช้ แล้วนำรายงานที่ได้จาก Big Data มาใช้ประโยชน์

Screenshot 2017-04-22 16.33.53

จริงๆทุกวันนี้เราพูดถึงคำว่า  Digital Disruption  เราพูดคำว่า Industry 4.0 แล้วก็บอกว่า  Robot หรือ Artificial Intelligent / Machine Learning  กำลังเข้ามา เราเห็นธุรกิจหลายอย่างกำลังเปลี่ยนแปลงไป แต่เราไปคิดว่ามันก็คือแค่การใช้ดิจิทัล การหาซอฟต์แวร์เข้ามาใช้งาน หลายหน่วยงานก็พยายามจะปรับหน่วยงานไอทีในองค์กร หานักพัฒนาซอฟต์แวร์ ลงทุนฮาร์ดแวร์เพิ่มด้วยความเข้าใจว่า เราต้องทำ Digital Transformation หรือพยายามเต้นตามกระแส Industria; 4.0/ Thailand 4.0 อย่างไม่เข้าใจ

แต่จริงๆแล้วธุรกิจหลายๆอย่างที่กำลังทำให้เกิด Digital Disruption อย่าง  Amazon.com, Alibaba, Uber, AirBnb, eBay หรือ Facebook  ล้วนแต่เกิดการจากการนำ Big Data องค์กรที่ได้จากการบันทึกข้อมูลจากการทำงานมาใช้เช่นข้อมูลการทำธุรกรรมของลูกค้าในการทำธุรกรรมมาวิเคราะห์ หน่วยงานเหล่านี้ต่างมีทีมงาน  Data Scientist  จำนวนมาก มีแผนก  Data Science ที่คอยคิดวิเคราะห์ว่าจะนำ Big Data มาเปลี่ยนแปลงธุรกิจได้อย่างไร จะนำมาสร้างรูปแบบธุรกิจใหม่ๆได้อย่างไร และก็มีผลทำให้โลกเกิดการเปลี่ยนแปลงอย่างมาก ทำให้รุกคืบเข้าไปเปลี่ยนธุรกิจต่างๆ ทำให้ธุรกิจที่ไม่มีการวิเคราะห์ข้อมูลแข่งขันไม่ได้

ดังนั้นการรู้จักนำ Big Data  มาใช้ในองค์กร ที่สำคัญคือการรู้จักใช้หลักการของ Data Science มาเพื่อทำการคาดการณ์ธุรกิจ ซึ่งนอกเหนือจากจะทำให้เป็นการเพิ่มประสิทธิภาพในการทำงานแล้ว ที่สำคัญคือ Big Data อาจทำให้เกิด  Digital Disruption  อาจทำให้เห็นโอกาสทางธุรกิจใหม่ๆที่เกิดขึ้นจากการวิเคราะห์ โดยใช้หลักการของ Machine Learning หรือการนำข้อมูลมาใช้โดยทีมงาน Data Scientist แล้วอาจทำให้โอกาสใหม่ๆดังเช่นบริษัทที่กล่าวข้างต้น และก็จะทำให้หน่วยงานสามารถแข่งขันกับคู่แข่งได้

แต่ Big Data ไม่ใช่แค่เรื่องของ Business Intelligence  ไม่ใช่งานแบบเดิมๆของหน่วยงานอย่าง Datawarehouse ไม่ใช่แค่ใช้ทักษะของนักพัฒนาโปรแกรม หรือคนดูแลฐานข้อมูล แต่เป็นงานของคุนกลุ่มใหม่ที่องค์กรจะต้องกล้าและต้องสร้างทีมใหม่ขึ้นมา  ข้อสำคัญBig Data ไม่ใช่ Quick win ไม่ใช่โปรเจ็คระยะสั้น แต่มันคือการลงทุนเพื่ออนาคต ลงทุนคน ลงทุนเทคโนโลยีใหม่ แล้วต้องหวังผลระยะยาว มันคือคำถามที่ว่าผู้บริหารระดับสูงจะกล้าเสี่ยงไหม เพื่อเห็น  Digital Disruption ขององค์กร

วันนี้ผมขอเริ่มต้นแค่นี้ก่อน แล้วจะมาต่อเป็นประเด็นต่างๆทีควรทำในครั้งหน้า

ธนชาติ นุ่มนนท์

IMC Institute

เมษายน 2560

Big Data School: การอบรม On the Job Training สำหรับนักศึกษารุ่นที่สอง

 

ปีที่ผ่านมาทาง  IMC Institute  ได้เปิดอบรมหลักสูตรทางด้าน Emerging Technology ต่างๆเป็นจำนวนมาก โดยเฉพาะทางด้าน Big Data  ได้เปิดหลักสูตรต่างๆทั้งทางด้าน Hadoop, Apache Spark, Business Intellegence, Data Science, Data Visualisation, R Programming และ Machine Learning โดยอบรมคนไปร่วม 1,600  คน นอกจากนี้ก็ยังมีโครงการต่างๆทั้ง การจัดฟรีสัมมนา Big Data User Group การจัดงาน Big Data Challenge ร่วมกับสำนักงานรัฐบาลอิเล็กทรอนิกส์ (องค์การมหาชน) และการจัดอบรม Train the trainer : Big Data Analytics & Machine Learning ให้กับอาจารย์มหาวิทยาลัยต่างๆจำนวน  30 คนในช่วงเดือนกรกฎาคม

โครงการหนึ่งที่จัดให้กับนักศึกษามหาวิทยาลัยคือ Big Data School  โดยทาง IMC Institute จัดร่วมกับ ICE Solution และได้รับนักศึกษา 15 คนมาฝึกงานสองเดือนแบบ On the job training ในช่วงปิดเทอมในช่วงเดือน มิถุนายน จนถึง กรกฎาคม ปีที่ผ่านมา ซึ่งก็มีนักศึกษามาร่วมโครงการจากหลากหลายสถาบันทั้ง จุฬาลงกรณ์มหาวิทยาลัย ลาดกระบัง พระนครเหนือ มหาวิทยาลัยราชมงคลรัตนโกสินทร์ ธุรกิจบัณฑิต หรือมาไกลๆจาก มหาวิทยาลัยนครพนม มหาวิทยาลัยฟาฏอนี หรือนักศึกษาไทยในต่างประเทศอย่าง Wesleyan University

จริงๆโครงการนี้ได้แรงบันดาลใจมาจากรุ่นน้องคนหนึ่งที่เอารายการทีวีรื่อง “โรงเรียนฝึกคนหัวใจเพชร” ให้ดู ซึ่งเป็นโรงเรียนฝึกเด็กช่างไม้ในญี่ปุ่น สอนเด็กให้แกร่ง อดทน มีวินัยและใช้สมอง เห็นความยากลำบากในการเรียนกว่าจะออกมาเป็นช่างไม้ที่เก่งและมีคุณภาพ น้องเลยถามผมว่าเราทำโรงเรียนพัฒนาโปรแกรมเมอร์อย่างนี้ในเมืองไทยไหม  ผมก็เลยเริ่มคิดถึงการฝึกคน ผมอาจจะยังไม่สามารถทำโรงเรียนฝึกโปรแกรมเมอร์หัวใจเพชรได้ทันที แต่ก็นึกขึ้นมาว่าวันนี้อุตสาหกรรมไอทีในบ้านเราหาโปรแกรมเมอร์เก่งๆได้ยากโดยเฉพาะคนที่ซื่อสัตย์และตั้งใจทำงานให้กับหน่วยงาน ไม่ใช่แค่คิดหวังจะร่ำรวย นอกเหนือจากมีความรู้ ก็ต้องอดทนและมีจริยธรรมที่ดี เรามาฝึกงานเขาไหม? อาจเป็นช่วงเวลาสั้นๆ 2-3 เดือน พอฝึกงานเสร็จมาเขาจะกลับไปเรียนต่อหรือไปทำงานที่ไหนก็ตามอย่างน้อยเราก็ได้สร้างประโยชน์ให้กับสังคมบ้าง พอคิดได้อย่างนี้ก็เริ่มคุยกับเพื่อนและอาจารย์บางคนแล้วบอกว่า กลางเดือนปีที่ผ่านมาผมก็เริ่มทำ Big Data Intern School ฝึกงานนักศึกษา 15 คนให้ทำ Big Data แล้วก็กำหนดเป้าหมายสิ่งที่จะฝึกเขาดังนี้

  • ให้เรียนรู้หลักการของ Big Data และเทคโนโลยีต่างๆ
  • สามารถติดตั้งระบบ Big Data ได้ไม่ว่าจะเป็น Apache Hadoop, Cloudera, Hortonworks, Amazon EMR และ Microsoft Azure HDInsight
  • ให้ใช้ระบบ Cloud Computing อย่าง Amazon AWS และ Microsoft Azure ใที่ทางสถาบันจัดให้
  • สามารถติดตั้งระบบ NoSQL ต่างๆอย่าง Cassandra, NoSQL, MongoDB
  • เรียนรู้การประมวลข้อมูลขนาดใหญ่โดยใช้ Hive, Impala, Spark
  • สามารถที่จะดึงข้อมูลเข้าโดยใช้เทคโนโลยีอย่าง Sqoop, Flume, Kafka
  • เรียนรู้การทำ  Machine Learning โดยใช้ภาษา R, Spark MLLib หรือเครื่องมืออย่าง Azure Machine Learning
  • ทำโปรเจ็คด้าน Big Data กับบริษัท

13895023_683716961775647_7601004528023796116_n

ผมเองก็ได้อาจารย์ประจำสถาบันไอเอ็มซีหลายท่านเข้ามาช่วยอบรมนักศึกษาทั้ง 15 คน อาทิเช่น อ.โกเมษ จันทวิมล,อ.ธีรชัย หลาวทอง, อ.ชินวิทย์ ชลิดาพงศ์, อ. อารยา ฟลอเรนซ์และตัวผมเอง เข้ามาสอน  รวมถึงคุณดนุพล สยามวาลา และก็มีรุ่นพี่จาก Ice Solution สองคนเข้าช่วยเป็นพี่เลี่ยงตลอดทั้งสองเดือน นักศึกษาเองก็ได้เรียนรู้จากที่ทางอาจารย์สอนและฝึกหัดทำเรื่องต่างๆด้วยตัวเอง โดยการฝึกงานในช่วงต้นจะฝึกเน้นให้นักศึกษามีความเข้าใจเรื่องของ Big Data Technology  ต่างๆ และ Big Data Architecure จากนั้นก็จะเป็นการเน้นการใช้เทคโนโลยี Hadoop โดยให้นักศึกษาแบ่งกลุ่มกันติดตั้ง Hadoop Distribution ต่างๆทั้ง Cloudera, Hortoworks, MapR และ Pure Apache Hadoop แล้วทำการเปรียบเทียบกัน ซึ่งนักศึกษาก็สามารถทำได้เป็นอย่างดี โดยได้ลงมือติดตั้งบน Server cluster บน Cloud สุดท้ายก็ให้นักศึกษาได้เรียนรู้การทำ  Big Data Analytics และ Machine Learning Techniques  โดยใช้เครื่องมือต่างๆอย่าง  Apache Spark, Spark MLlib และ Azure Machine Learning

ตลอดเวลาสองเดือนนักศึกษาได้ฝึกทักษะด้าน Big Data เป็นอย่างดี ซึ่งนักศึกษาที่มาฝึกงานมีทั้งปี 2 ปี 3 รวมถึงนักศึกษาปีที่ 4  จบแล้ว 3-4 คนซึ่งยอมมาฝึกงานก่อนออกไปทำงาน ผลของการฝึกงานก็ทำให้นักศึกษาเหล่านี้สามารถลงมือทำการวิเคราะห์ข้อมูลขนาดใหญ่โดยใช้ Hadoop และเทคโนโลยีต่างๆได้ และทุกคนก็ได้ใช้ผลของการฝึกงานเข้าไปทำงานในบริษัทต่างๆได้ นักศึกษาที่ฝึกงานในโครงการนี้ก็ยังสามารถแสดงความสามารถไปชนะการประกวดด้าน Big Data Analytics ต่างๆ ทั้งงาน Big Data Challenge ของ IMC Institute เองที่ต้องแข่งกับผู้ใหญ่และนักพัฒนาที่ทำงานแล้ว และก็ไปได้รางวัลการประกวด  Data Science Contest ของสถาบันบัณฑิตพัฒนบริหารศาสตร์ (NIDA) ซึ่งผลของการฝึกงานทางสถาบันไอเอ็มซีก็ถือว่าเป็นความภาคภูมิใจอย่างหนึ่งที่เราได้ทำเพื่อพัฒนาบุคลากรเข้าสู่ภาคอุตสาหกรรม

สำหรับในปีนี้ทางสถาบันไอเอ็มซีตั้งใจจะรับนักศึกษามาฝึกงานในโครงการ Big Data School รุ่นที่สอง โดยในปีนี้เน้นจะรับนักศึกษาปีที่ 4 ที่จบการศึกษาแล้วแต่ต้องการฝึกงานเพื่อเรียนรู้เพิ่มเติมอีกสองเดือนก่อนเข้าไปทำงานในภาคอุตสาหกรรม โดยทางสถาบันเองจะร่วมมือกับบริษัท  NetBay  และบริษัทสยามวาลา เพื่อร่วมกันพัฒนา Big Data Platform และให้นักศึกษาได้ทดลองฝึกงานกับโจทย์จริงในภาคอุตสาหกรรม นอกจากนี้ยังมุ่งเน้นให้นักศึกษาได้เรียนเพื่อที่จะสอบประกาศนียบัตรระดับสากลอย่าง CCA Spark and Hadoop Developer Exam (CCA175)  โดยทางสถาบันจะสนับสนุนค่าใช้จ่ายจำนวนหนึ่งให้กับนักศึกษาที่คาดว่าน่าจะสอบผ่าน

สำหรับกำหนดการ การฝึกงานในปีนี้จะมีโปรแกรมคร่าวๆดังนี้

29 พฤษภาคม วันแรกแรกการฝึกงาน จัดปฐมเทศ อบรมระเบียบวินัย ศึกษาแนวโน้มของเทคโนโลยี

30พฤษภาคม – 3 มิถุนายน เรียนรู้ระบบ Public Cloud ของค่ายต่างอาทิเช่น Google Cloud, Amazon Web Services, Microsoft Azure การใช้บริการต่างๆ อาทิเช่น Virtual Server, Cloud Storage, Auto-Scaling Servers, Application Development Servers รวมถึงศึกษาเรื่อง Docker

5 – 10 มิถุนายน เรียนรู้หลักการของ Big Data Architecture  การติดตั้ง Apache Hadoop การติดตั้ง Hadoop Cluster และการติดตั้ง Cloudera/Hortonworks Cluster รียนรู้ NoSQL และติดตั้งระบบต่างๆทั้ง Cassandra, MongoDB และ HBase ร่วมถึงระบบอย่าง ElasticSearch และ Solr

12-17 มิถุนายน  เรียนรู้บริการต่างๆของ Hadoop ต่อ การใช้บริการต่างๆทั้ง  Hive, Impala, Flume, Sqoop, Kafka, Cloudera Manager, Amabari และให้เขียนข้อสรุปเปรียบเทียบ Big Data ต่างๆ

19-24 มิถุนายน เรียนรู้ Apache Spark และการทำ Big Data Analytics โดยใช้ Spark Python, Spark Scala, Spark SQL และ Spark Streaming

26 มิถุนายน – 1 กรกฎาคม  เรียนรู้ Machine Learning การใช้เครื่องมือและภาษาต่างๆอาทิเช่น , MLLib และ Azure Machine Learning และติวการสอบ CCA Spark and Hadoop Developer Exam

3-27 กรกฎาคม ทำ Mini-Project

28 กรกฎาคม นำเสนอ Mini-Project และปิดการฝึกงาน

ทั้งนี้การอบรมเชิงฝึกงานครั้งนี้ไม่มีค่าใช้จ่ายใดๆ ซึ่งทางสถาบันคาดว่าผู้ที่ผ่านการอบรมจะเป็นผู้ที่เข้าใจหลักการและเทคโนโลยีด้าน Big Data  พร้อมทั้งสามารถทำด้าน Data Science ได้ โดยทางสถาบันจะมีการสอบและวัดผลสัมฤทธิ์ของการฝึกงาน และทางสถาบันจะออกใบรับรองว่าผ่านการฝึกงาน และผู้ที่ผ่านหากต้องการไปฝึกงานหรือทำสหกิจศึกษา การทำโครงการเพิ่มเติมระหว่างเรียน ทางสถาบันจะติดต่อและให้การรับรองให้ พร้อมกันนี้นักศึกษาที่ทำคะแนนสอบจากการทดลองสอบ CCA Spark and Hadoop Developer Exam สูงสุดสามอันดับแรกทางสถาบันจะออกค่าใช้จ่ายการสอบจริงให้มูลค่ารายละ $295 เพื่อให้ได้ประกาศนียบัตร ทั้งนี้ผู้เข้าอบรมไม่มีอะไรต้องผูกมัดกับทางสถาบัน และทางสถาบันยินดีประสานติดต่อกับบริษัทอื่นๆเพื่อไปทำงานด้าน Big Data ต่อไป

สำหรับคุณสมบัติผู้ที่จะเข้ารับการอบรมนี้มีดังนี้

  • กำลังศึกษาหรือสำเร็จการศึกษาในระดับปริญญาตรีสาขาวิศวกรรมคอมพิวเตอร์ วิทยากรคอมพิวเตอร์ หรือเทคโนโลยีสารสนเทศ [ถ้าเป็นนักศึกษาปี  4 ที่กำลังจบการศึกษาจะได้รับการพิจารณาก่อน]
  • มีความตั้งใจจะเข้าฝึกงานจริงจัง อาจเป็นส่วนหนึ่งของการจบการศึกษาหรือไม่ก็ได้
  • สามารถเข้าฝึกงานได้ตั้งแต่วันจันทร์-ศุกร์ เวลา เวลา 8.30 – 17.30 น.
  • ต้องเข้ามาฝึกงานทุกวันตามข้อตกลงและต้องมีเวลาเข้าฝึกงานไม่น้อยกว่า 95%

ผู้ที่มีความสนใจการอบรมนี้สามารถดูรายละเอียดเพิ่มเติมได้ที่ http://www.imcinstitute.com/bigdataschool พร้อมทั้งส่งใบสมัครออนไลย์และติดต่อที่สถาบันไอเอ็มซี ก่อนวันที่  31 มีนาคม 2560

ธนชาติ นุ่มนนท์

IMC Institute

กุมภาพันธ์ 2560

Hortonworks เทียบกับ Hadoop Distribution อื่นๆ

ช่วงสองสัปดาห์ที่ผ่านมา ผมให้ทีมนักศึกษาฝึกงานของ IMC Institute  ในโครงการ Big Data School  ได้ทดลองติดตั้งและเปรียบเทียบ Hadoop Distribution ต่างๆ ซึ่งผมได้เคยเขียนเรื่อง การติดตั้ง Hadoop Distributions  พร้อมทั้งวิธีการติดตั้งไว้แล้ว ในบทความ “Big Data School กับการติดตั้ง Hadoop Distributions” ซึ่งในการเปรียบเทียบDistribution ต่างๆ ผมให้นักศึกษาทดลองติดตั้งสองแบบคือ

  • การติดตั้ง  Hadoop Cluster 4-5  เครื่องบน Amazon EC2 หรือ Microsoft Azure สำหรับที่จะใช้เป็น Production
  • การใช้ Hadoop Sandbox บนเครื่อง Server หรือเครื่อง PC หนึ่งเครื่อง สำหรับที่จะใช้เป็นเครื่องทดลองหรือทำ Development

ซึ่งนักศึกษาก็ได้แบ่งกลุ่มกันทำ  Hadoop Distribution  4 ชุดคือ

Screenshot 2016-06-28 12.20.25

และผมได้ให้พวกเขาสรุปเปรียบเทียบในประเด็นต่างๆเช่น ราคา, ความยากง่ายในการใช้งาน, ความยากง่ายในการติดตั้ง, Opensource Compatibity, คู่มือเอกสารต่างๆและชุมชน, การสนับสนุนจากผู้ผลิต  ซึ่งพอสรุปประเด็นต่างๆได้ดังนี้

  • ราคา: ในแง่ราคา Apache Hadoop เป็นฟรีซอฟต์แวร์แต่ก็ไม่มี support ใดๆ ซึ่งถ้าเปรียบเทียบกรณีนี้ Hortonworks จะดีสุดเพราะฟรีเช่นกันยกเว้นต้องการซื้อ  support ขณะที่ Cloudera จะหรีเฉพาะ  Express Version และ MapR จะฟรีเฉพาะเวอร์ชั่น M3  ซึ่งทั้งสองเวอร์ชั่นไม่ใช่ Full Feature ที่ทั้งสองรายมีให้
  • ความง่ายในการติดตั้ง Cluster: เมื่อพิจารณาจากประเด็นนี้  Cloudera จะติดตั้งง่ายสุดโดยผ่าน Cloudera Manager แต่จริงๆแล้วการติดตั้ง Hortonworks ก็ไม่ยากเกินไปถ้าติดตั้งผ่าน Public Cloud หรือ  Private Cloud ที่เป็น Openstack  โดยใช้ Cloudbreak ส่วน Apache Hadoop ติดตั้งค่อนข้างยากแต่อาจใช้ Ambari ได้
  • ความง่ายในการใช้งาน: Cloudera และ MapR  จะมีส่วนติดต่อผู้ใช้ที่เป็น Hue ที่ค่อนข้างง่ายต่อการใช้งาน ส่วนของ Hortonworks ใช้ Ambari ที่มี Feature เพียงบางส่วน ส่วนของ Apache Hadoop จะต้องติดตั้ง Hue เองซึ่งค่อนข้างยาก
  • Opensource Compatibility: กรณีนี้ Hortonworks จะดีกว่ารายอื่นมากเพราะจะสอดคล้องกับ Apache Hadoop ที่เป็น Opensource ขณะที่ Cloudera จะเป็น Vendor Lockin หลายตัว อาทิเช่น Cloudera Manager หรือ Impala เช่นเดียวกับ MapR ที่ Lockin ตั้งแต่ MapR-FS และ MapR Streaming
  • Sandbox: ถ้าต้องการหาตัวทดลองเล่น Cloudera มีจุดเด่นที่มี Docker Image ให้เลยสามารถเล่นกับเครื่องใดก็ได้ ขณะที่ Hortonworks จะเน้นให้เล่นกับ VMware/VirtualBox หรือจะรันผ่าน Microsoft Azure เท่านั้น ส่วน distributation อื่นๆ (MapR, Apache Hadoop) ก็ไม่มี Official Docker Image  เช่นกัน
  • คู่มือเอกสารต่างๆและ Community:  ในแง่นี้ทั้งสามรายที่เป็น  Commercial Distribution ต่างก็มีเอกสารพอๆกัน แต่ถ้าพูดถึง Community เราอาจเห็นจำนวนคนที่จะแชร์ข้อมูล Cloudera มากกว่า Hortonworks แต่ทั้งนี้เราสามารถใช้ Community กลุ่มเดียวกับ Pure Apache Hadoop เพราะ Hortonworks จะมีความ Opensource Compatibity ค่อนข้างสูงแต่สองรายใหญ่ต่างก็มีงานประจำปีหลายที่คือ Hadoop Summit ของ Hortonworks และ Hadoop World ของ  Cloudera ส่วน MapR จำนวน  Community น้อยสุด
  •  การสนับสนุนจากผู้ผลิต: ถ้ามองในแง่ประเทศไทย การสนับสนุนจากผู้ผลิตของ Cloudera ยังนำรายอื่นๆอยู่มาก ทำให้หน่วยงานในประเทศไทยรายแห่งสนใจใช้ Cloudera

ทั้งนี้เมื่อพิจารณาโดยรวมแล้ว เราสรุปกันว่า ถ้าจะทำ Product ที่มีราคาถูกสุดและสอดคล้องกับ Pure Apache Hadoop มากที่สุดควรเลือกใช้ Hortonworks ทั้งนี้เพราะ  Commercial Distribution จะมีค่าใช้จ่ายในแง่ License หรือ Subscribtion แต่ถ้ามีงบประมาณค่อนข้างเยอะก็อาจเลือกใช้ได้ แต่ไม่ควรใช้ Free Version ของสองรายดังกล่าว (Cloudera และ  MapR) ทั้งนี้เนื่องจากไม่ใช่ Full Features และบางอย่างขาดความเสถียร

แต่ถ้าต้องการทดลองหรือใช้เพื่อทำ Development โดยผ่าน Hadoop Sandbox ก็จะแนะนำให้ใช้  Cloudera Quickstart ซึ่งผมเองก็ใช้ตัวนี้ในการอบรม ดังตัวอย่างเอกสารอบรมของผมดังนี้ >> Big data processing using Cloudera Quickstart

สุดท้ายผมมี  Slide ทีนักฝึกงานของ IMC Institute ได้ทำขึ้นเพื่อเปรียบเทียบ Hadoop Distribution ต่างๆดังนี้

 

ธนชาติ นุ่มมนท์

IMC Institute

มิถุนายน 2559

Slide สำหรับการเรียนรู้ Big Data Hadoop ของ IMC Institute

 

IMC Institute จัดอบรม Big Data Hadoop มาหลายรุ่นและมีคนผ่านอบรมมาจำนวนมาก และเคยทำเอกสารประกอบการบรรยายหลายชุด วันนี้ผมเลยรวบรวม Slide  ต่างๆมาเพื่อให้ทุกท่านได้เรียนรู้ Apache Hadoop + Spark ที่มี Service ต่างๆมากมาย โดยได้เป็นแบบฝึกหัดที่ผู้อ่านสารมารถนำไปฝึกและทดลองใช้งานได้จริง ทั้งนี้ Slide  ต่างๆเหล่านี้จะอ้างอิงกับ Cloudera Quickstart ที่ใช้ Docker Image  ดังนั้นผู้ที่สนใจจะเรียนรู้จาก Slide ชุดนี้จะต้องมีเครื่องคอมพิวเตอร์หรือ Server ที่มี Docker Engine  อยู่ โดยสามารถไปดูขั้นตอนการติดตั้งได้ที่ >> https://docs.docker.com/engine/installation/

Screenshot 2016-06-23 16.23.06

รูปที่ 1  Hadoop Ecosystem

สำหรับ Service ต่างๆที่เคยทำเอกสารการสอนมาก็เป็นไปดังรูปที่ 1  โดยมีเอกสารดังนี้

Service  ด้านเก็บข้อมูล

Service ด้านการประมวลผล

Service ด้านการนำข้อมูลเข้า

Apache Spark

ธนชาติ นุ่มนนท์

IMC Institute

มิถุนายน 2559

Big Data กับการใช้งานในภาครัฐและอุตสาหกรรมอื่นๆ

การนำข้อมูลขนาดใหญ่ไปใช้งานจริงๆ ยังมีไม่มากนัก ทั้งนี้ด้วยข้อจำกัดในเรื่องของเทคโนโลยีและจำนวนบุคลากรที่มีความสามารถ ซึ่งทางสมาคม PIKOM ของมาเลเซียได้ทำรายงานเรื่อง Global Business Services Outlook Report 2015 ชี้ให้เห็นผลกระทบของเทคโนโลยีด้าน Big Data ในประเทศกลุ่ม APAC และอุตสาหกรรมต่างๆ โดยสรุปมาเป็นตารางดังนี้

ตารางที่ 1 ระดับผลกระทบของเทคโนโลยี Big Data [แหล่งข้อมูลจาก PIKOM]

Screenshot 2016-06-11 08.24.00

ซึ่งจะเห็นได้ว่ากลุ่มอุตสาหกรรมที่มีผลกระทบต่อการประยุกต์ใช้เทคโนโลยี Big Data อย่างมากคือ อุตสาหกรรมด้านการเงินการธนาคาร (BFSI) ด้านโทรคมนาคม ด้านค้าปลีกรวมถึงพาณิชย์อิเล็กทรอนิกส์ (E-commerce) และด้านสุขภาพ ส่วนกลุ่มภาครัฐบาลและกลุ่มอุตสาหกรรมการผลิตมีผลกระทบปานกลาง สำหรับประเทศที่มีการประยุกต์ใช้ Big Data อย่างมากคือสหรัฐอเมริกาและสหราชอาณาจักร โดยประเทศญี่ปุ่น สิงคโปร์ และออสเตรเลียมีผลกระทบการประยุกต์ใช้งานปานกลาง ส่วนประเทศไทยอยู่ในกลุ่มที่เหลือที่ยังมีการประยุกต์ใช้งานน้อย

สำหรับตัวอย่างของการนำเทคโนโลยี Big Data มาใช้งานในภาคอุตสาหกรรมต่างๆ มีดังนี้

  • อุตสาหกรรมค้าปลีก อาจนำมาเพื่อวิเคราะห์ความต้องการของลูกค้า เพื่อทำให้เห็นข้อมูลของลูกค้ารอบด้าน (Customer 360) หรือการแบ่งกลุ่มลูกค้า (Customer Segmentation)  นำมาจัดแผนการตลาด สร้างแคมเปญตอบสนองต่อพฤติกรรมการอุปโภค บริโภค ที่ปรับเปลี่ยนอยู่ตลอดเวลา ให้ดึงดูดลูกค้าเข้ามาจับจ่ายใช้สอยมากที่สุด ในสภาพการแข่งขันที่สูง และมีช่องทางอื่นๆ ใหม่ๆ เข้ามาเป็นทางเลือกมากขึ้น
  • อุตสาหกรรมโทรคมนาคม อาจนำเพื่อใช้ในการวิเคราะห์เครือข่ายโทรศัพท์เคลื่อนที่ วิเคราะห์การใช้งานของลูกค้า การวิเคราะห์แนวโน้มการย้ายค่ายของลูกค้า (Customer Churn) และนำเอาข้อมูลไปต่อยอดเพิ่มการให้บริการอีกมากมาย อีกทั้งยังสามารถนำข้อมูลมาวิเคราะห์ เรื่องความมั่นคงปลอดภัย ให้เป็นประโยชน์กับลูกค้าและเพื่อสาธารณะได้อีกด้วย
  • อุตสาหกรรมการเงิน อาจนำมาเพื่อวิเคราะห์การฉ้อโกงเงิน การคาดการณ์ความต้องการของลูกค้า การแบ่งกลุ่มลูกค้า และการวิเคราะห์ความเสี่ยงของลูกค้า
  • ด้านวิทยาศาสตร์และเทคโนโลยีเช่น การพยากรณ์อากาศ การคาดการณ์ข้อมูลน้ำ หรือการวิเคราะห์ข้อมูลจากเซ็นเซอร์ต่างๆ การใช้งานพลังงาน
  • งานด้านการตลาด อาจนำมาเพื่อวิเคราะห์ข้อมูลจากเครือข่ายสังคมออนไลน์ (Social Media) การวิเคราะห์ข้อมูลที่พูดถึงสินค้าหรือแบรนด์ของหน่วยงาน (Sentiment Analysis) การค้นหาลูกค้าใหม่ๆ บนโลกออนไลน์
  • งานด้านบันเทิง หรือการท่องเที่ยว เป็นการวิเคราะห์กระแส ความนิยม talk of the town ในแต่ละกลุ่มบริการซึ่งมีส่วนเกี่ยวโยงกับ ข้อมูล ความคิดเห็น ในโซเชียลมีเดีย เป็นส่วนใหญ่ เพื่อจัดโปรแกรมหรืองาน ที่สร้างความสนใจให้ได้ตรงกับความสนใจของตลาด ในแต่ละช่วง แต่ละเวลา กับกลุ่มเป้าหมายที่ต่างกันไป

การประยุกต์ใช้งาน Big Data ในภาครัฐ

สำหรับตัวอย่างการใช้ประยุกต์ใช้งาน Big Data ในภาครัฐสามารถนำมาใช้งานได้ในหลายๆ หน่วยงานเช่น ด้านสาธารณสุข ด้านวิทยาศาสตร์ ด้านความมั่นคง ด้านการเงิน ด้านการบริการประชาชน ด้านเกษตรกรรม ด้านสาธารณูปโภค หรือด้านคมนาคม อาทิเช่น

  • การใช้เพื่อวิเคราะห์ข้อมูลอุตุนิยมวิทยาในการพยากรณ์อากาศ
  • การใช้เพื่อวิเคราะห์ข้อมูลการจราจร
  • การวิเคราะห์ข้อมูลเพื่อลดปัญหาและป้องกันการเกิดอาชญากรรม
  • การวิเคราะห์ข้อมูลด้านสาธารณสุข เช่น แนวโน้มของผู้ป่วย การรักษาพยาบาล หรือการเกิดโรคระบาด
  • การวิเคราะห์ข้อมูลด้านน้ำ แหล่งน้ำ ปริมาณฝน และการใช้น้ำ
  • การวิเคราะห์ข้อมูลการใช้ไฟฟ้า ค่าการใช้พลังงาน
  • การวิเคราะห์ข้อมูลการทหารและความมั่นคงต่างๆ
  • การวิเคราะห์ข้อมูลเพื่อตรวจสอบการเสียภาษีของประชาชนหรือบริษัทห้างร้านต่างๆ

ข้อดีของการประยุกต์ใช้เทคโนโลยี Big Data ในภาครัฐสามารถสรุปได้ดังนี้

  1. การใช้เงินงบประมาณและเงินรายได้ต่างๆ ของภาครัฐจะมีประสิทธิภาพมากขึ้น เพราะ Big Data จะช่วยคาดการณ์และวิเคราะห์ได้แม่นยำมากขึ้น
  2. ภาครัฐสามารถที่จะตรวจสอบข้อมูลการใช้งบประมาณได้ดียิ่งขึ้น
  3. ภาครัฐจะมีรายได้มากขึ้นหากมีการนำ Big Data มาใช้วิเคราะห์ข้อมูลการเสียภาษีด้านต่างๆ ว่ามีความถูกต้องเพียงใด
  4. ประชาชนจะได้รับการบริการที่ดีขึ้น เช่นการนำมาแก้ปัญหาจราจร  การให้บริการสาธารณสุข การให้บริการสาธารณูปโภค
  5. ประชาชนจะมีคุณภาพชีวิตที่ดีขึ้น เช่นเพิ่มความปลอดภัยโดยการวิเคราะห์แนวโน้มอาชญากรรม การมีสุขภาพที่ดีขึ้นจากการวิเคราะห์ข้อมูลสาธารณสุข
  6. เกิดความร่วมมือกับภาคเอกชนมากขึ้น จากการนำข้อมูลไปใช้
  7. จะมีข้อมูลใหม่ๆ มากขึ้นจากประชาชน (Crowdsourcing) หรือข้อมูลจากอุปกรณ์  Internet of Things
  8. เป็นการสร้างทักษะและผู้เชี่ยวชาญด้านข้อมูลมากขึ้น

อย่างไรก็ตามความท้าทายของการประยุกต์ใช้เทคโนโลยี Big Data ยังอยู่ที่ความร่วมมือของหน่วยงานต่างๆ โดยอาจสรุปปัญหาต่างๆ ที่ควรแก้ไขดังนี้

  1. วัฒนธรรมของหน่วยงานจำนวนมากที่จะรู้สึกหรือคิดว่าข้อมูลเป็นของหน่วยงานตนเอง โดยไม่มีการแชร์ข้อมูลให้กับหน่วยงานภายนอกหรือหน่วยงานอื่นในองค์กรเดียวกัน
  2. คุณภาพของข้อมูลที่อาจไม่สมบูรณ์หรือขาดความถูกต้อง
  3. ปัญหาเรื่องข้อมูลที่เป็นสิทธิส่วนบุคคล หรือความเท่าเทียมกันของการเข้าถึงข้อมูลของภาคประชาชน
  4. การขาดบุคลากรที่มีความสามารถทางด้านเทคโนโลยี Big Data

ดังนั้นสิ่งที่ภาครัฐควรจะต้องเร่งทำเพื่อให้มีการประยุกต์ใช้ Big Data ในองค์กรคือ

  1. พัฒนาความรู้ความเข้าใจในการประยุกต์ใช้เทคโนโลยี Big Data  และสร้างวัฒนธรรมการร่วมมือการแชร์ข้อมูล
  2. ออกกฎหมายหรือกฎระเบียบเพื่อให้เกิดการเปิดข้อมูลของภาครัฐ (Open Data)
  3. พัฒนาทักษะบุคลากรให้มีความรู้ด้านเทคโนโลยี Big Data  
  4. มีหน่วยงานกลางที่ให้บริการเทคโนโลยี Big Data เพื่อไม่ให้เกิดการลงทุนซ้ำซ้อน และไม่ควรให้ทุกหน่วยงานลงทุนซื้อเทคโนโลยีมากเกินไป

ธนชาติ นุ่มนนท์

IMC Institute

มิถุนายน 2559