What do you think?
Rate this book
Big Data Series #3
Big Data Series 3 : Big Data in Real Cases
เรียนรู้การทำโครงการ Big Data จากกรณีศึกษาในธุรกิจประเภทต่าง ๆ ที่ดำเนินการได้อย่างสำเร็จ!
โครงการ Big Data แม้จะเป็นโครงการที่ต้องใช้ข้อมูลขนาดใหญ่ แต่เป็นโครงการที่ต้องเร่งให้เกิดขึ้นอย่างสำเร็จโดยเร็ว เพราะ Data คือวัตถุดิบสำหรับการวิเคราะห์ ต่อยอด รวมไปถึงเป็นต้นกำเนิดของการสร้าง AI หนังสือเล่มนี้ได้นำเสนอ 17 กรณีตัวอย่างในธุรกิจต่างๆ และอีก 4 กรณีศึกษาใกล้ตัว แม้ว่าแต่ละกรณีจะมีโจทย์ที่ต่างกัน แต่ทุกกรณีมีเป้าหมายเดียวกัน คือ ต้องการใช้ประโยชน์จากข้อมูลให้ได้มากที่สุด... ว่ากันว่า Data คือแหล่งขุมทรัพย์ ความเป็นจริงแล้ว Data ที่นำมาใช้ต่างหาก ที่เป็นขุมทรัพย์ที่มีคุณค่าอย่างแท้จริง
โครงการ Big Data แม้จะเป็นโครงการที่ต้องใช้ข้อมูลขนาดใหญ่ แต่เป็นโครงการที่ต้องเร่งให้เกิดขึ้นอย่างสำเร็จโดยเร็ว เพราะ Data คือวัตถุดิบสำหรับการวิเคราะห์ ต่อยอด รวมไปถึงเป็นต้นกำเนิดของการสร้าง AI หนังสือเล่มนี้ได้นำเสนอ 17 กรณีตัวอย่างในธุรกิจต่างๆ และอีก 4 กรณีศึกษาใกล้ตัว แม้ว่าแต่ละกรณีจะมีโจทย์ที่ต่างกัน แต่ทุกกรณีมีเป้าหมายเดียวกัน คือ ต้องการใช้ประโยชน์จากข้อมูลให้ได้มากที่สุด... ว่ากันว่า Data คือแหล่งขุมทรัพย์ ความเป็นจริงแล้ว Data ที่นำมาใช้ต่างหาก ที่เป็นขุมทรัพย์ที่มีคุณค่าอย่างแท้จริง
302 pages, Paperback
Published March 1, 2019
20 people want to read
Ratings & Reviews
Friends & Following
Create a free account to discover what your friends think of this book!
Community Reviews
Displaying 1 - 2 of 2 reviews
February 27, 2020
ได้ไอเดียพอเอาไปต่อยอดเยอะมาก
อยากให้ลงเรื่องการทำ unstructured data มากกว่านี้
อยากให้ลงเรื่องการทำ unstructured data มากกว่านี้
October 14, 2019
😎 Big Data กับการเอาไปใช้งาน
- หลักการสำคัญ
ทุกโครงการที่มีการนำ big data มาใช้คือ
"ระบุปัญหาให้ชัด และ ตั้งเป้าหมายให้ชัด" ในการพัฒนาต่อยอดธุรกิจ (แล้วนำกระบวนการ data-driven มา sync)
- ขั้นตอนหลัก
1. การเชื่อมโยงข้อมูล
2. การวิเคราะห์ข้อมูล
3. การนำข้อมูลย้อนกลับมาพัฒนาธุรกิจ
- การใช้งานข้อมูล
1. Descriptive นำเสนอข้อมูลออกมาให้เข้าใจง่าย
เช่น สถิติ, dashboard, diagram flow, power BI
2. Predictive นำข้อมูลมาสร้างความสัมพันธ์ เพื่อทำนายผลลัพธ์ใหม่ เช่น regression, forecast
3. Prescriptive สร้างสมมติฐานจาก model เพื่อหาผลลัพธ์ใหม่ที่ไม่เคยมีในอดีตมาก่อน เชาน. Optimization
- สเต็ปการเริ่มโครงการ big data
1. BUSINESS UNDERSTANDING
ทำความเข้าใจ รู้ปัญหา สถานการณ์ปัจจุบัน ข้อจำกัด และวางเป้าหมายโครงการ ผลลัพธ์ที่คาดหวัง
2. DATA UNDERSTANDING
ศึกษาแนวทางการได้มาของข้อมูล
เลือกปัจจัยที่จะมีส่วนในการประมวลผล
3. DATA PREPARATION
- เตรียมข้อมูลให้พร้อมใช้งาน (clean data)
4. MODELING
- เลือก model ที่จะนำมาใช้ประมวลผลข้อมูล ให้เหมาะ
4.1 propability model
4.2 statistical model
4.3 optimization model : linear/integer/EOQ
4.4 machine leaening model : classification/regression/ clustering/ co-occurance grouping/ similarity natching
5. EVALUATION
- ประเมินผลที่ได้จากการรันโมเดล และหาทางปรับให้ตอบโจทย์การใช้งานของ business analyst ให้มากที่สุด
6. DEPLOYMENT
- นำโมเดลไปใช้งานจริง และมีการพัฒนาตลอดทางเป็นระยะๆเพื่อให้ตามทันการเปลี่ยนแปลงของพฤติกรรมหลักของลูกค้า (master data/transaction data/external data)
- สิ่งที่ได้จากการทำ big data
1 เพิ่มประสิทธิภาพในการดำเนินงาน
2 เพิ่มรายได้ ลดต้นทุนระยะยาว
3 ทำให้ทุกๆการตัดสินใจมีข้อมูลช่วย back-up และคาดการณ์ผลลัพธ์ได้คร่าวๆ ทำให้ระหว่างการทำโครงการเราสามารถติดตามผลระหว่างทางได้
- หลักการสำคัญ
ทุกโครงการที่มีการนำ big data มาใช้คือ
"ระบุปัญหาให้ชัด และ ตั้งเป้าหมายให้ชัด" ในการพัฒนาต่อยอดธุรกิจ (แล้วนำกระบวนการ data-driven มา sync)
- ขั้นตอนหลัก
1. การเชื่อมโยงข้อมูล
2. การวิเคราะห์ข้อมูล
3. การนำข้อมูลย้อนกลับมาพัฒนาธุรกิจ
- การใช้งานข้อมูล
1. Descriptive นำเสนอข้อมูลออกมาให้เข้าใจง่าย
เช่น สถิติ, dashboard, diagram flow, power BI
2. Predictive นำข้อมูลมาสร้างความสัมพันธ์ เพื่อทำนายผลลัพธ์ใหม่ เช่น regression, forecast
3. Prescriptive สร้างสมมติฐานจาก model เพื่อหาผลลัพธ์ใหม่ที่ไม่เคยมีในอดีตมาก่อน เชาน. Optimization
- สเต็ปการเริ่มโครงการ big data
1. BUSINESS UNDERSTANDING
ทำความเข้าใจ รู้ปัญหา สถานการณ์ปัจจุบัน ข้อจำกัด และวางเป้าหมายโครงการ ผลลัพธ์ที่คาดหวัง
2. DATA UNDERSTANDING
ศึกษาแนวทางการได้มาของข้อมูล
เลือกปัจจัยที่จะมีส่วนในการประมวลผล
3. DATA PREPARATION
- เตรียมข้อมูลให้พร้อมใช้งาน (clean data)
4. MODELING
- เลือก model ที่จะนำมาใช้ประมวลผลข้อมูล ให้เหมาะ
4.1 propability model
4.2 statistical model
4.3 optimization model : linear/integer/EOQ
4.4 machine leaening model : classification/regression/ clustering/ co-occurance grouping/ similarity natching
5. EVALUATION
- ประเมินผลที่ได้จากการรันโมเดล และหาทางปรับให้ตอบโจทย์การใช้งานของ business analyst ให้มากที่สุด
6. DEPLOYMENT
- นำโมเดลไปใช้งานจริง และมีการพัฒนาตลอดทางเป็นระยะๆเพื่อให้ตามทันการเปลี่ยนแปลงของพฤติกรรมหลักของลูกค้า (master data/transaction data/external data)
- สิ่งที่ได้จากการทำ big data
1 เพิ่มประสิทธิภาพในการดำเนินงาน
2 เพิ่มรายได้ ลดต้นทุนระยะยาว
3 ทำให้ทุกๆการตัดสินใจมีข้อมูลช่วย back-up และคาดการณ์ผลลัพธ์ได้คร่าวๆ ทำให้ระหว่างการทำโครงการเราสามารถติดตามผลระหว่างทางได้
This entire review has been hidden because of spoilers.
Displaying 1 - 2 of 2 reviews