Data in space ความสามารถใหม่ของ Power BI ในการแสดงข้อมูลของคุณบนโลกความเป็นจริง
เมื่อวันที่ 6 กรกฎาคม 2565 ที่ผ่านทาง Microsoft ได้ประกาศความสามารถใหม่ของ Power BI ภาตใตชื่อ Data in space โดยมีความสามารถในการใช้อุปกรณ์สมาร์ทโฟนดูรายงานเสมือนจาก Power BI ประกอบภาพสถานที่จริงเมื่อส่องกล้องยังสถานที่หรือตำแหน่งที่กำหนดไว้ หากคุณลองจินตนาการว่าคุณสามารถไปตรวจสอบคลังสินค้าและเมื่อนำมือถือส่องไปยังพื้นที่จัดเก็บต่างๆ ก็จะมีข้อมูลรายละเอียดสินค้าคงคลังตามพื้นที่นั้นๆ รวมถึงแสดงข้อมูลสำคัญที่คุณต้องการทราบสอดคล้องกับสถานที่ทำงานจริงทางกายภาพ หรือ เช่น การแสดงผลข้อมูลสุขภาพของผู้ป่วยอ้างอิงจากห้องพัก เตียงของผู้ป่วยได้เหมือนอยู่ในหนัง Sci-fi ล้ำยุค เพื่อเราสามารถตรวจสอบข้อมูลรายงานงานสิ่งของต่างๆ ร่วมกับพื้นที่หรือสิ่งของทางกายภาพ ซึ่งความสามารถนี้เกิดจากการทำงานร่วมระหว่าง Power BI กับ Azure Spatial Anchors ในการสร้างประสบการณ์ผสมผสานโลกเสมือนและโลกแห่งความจริงผ่านอุปกรณ์มือถือ (iOS, Android และ HoloLens) บนเทคโนโลยี Augmented Reality Augmented Reality AR เป็นเทคโนโลยีที่ผสานโลกความเป็นจริง (Real) เข้ากับโลกเสมือน (Virtual) ผ่านการทำงานร่วมกันระหว่างฮาร์ดแวร์รวมกับการใช้ซอฟต์แวร์ ทำให้สามารถมองเห็นภาพที่มีลักษณะเป็นวัตถุเสมือน (Virtual Object) แสดงผลในจอภาพในรูปแบบวัตถุ 3 มิติ ลอยอยู่เหนือพื้นผิวจริงที่บนถ่ายมาจากกล้องวิดีโอ […]
Transform to Industry 4.0 Part 6
ตัวอย่างตัวชี้วัดประสิทธิภาพสำหรับอุตสาหกรรมการผลิตพร้อมรายละเอียด นิยาม วิธีการใช้งาน รวมถึงมาตรวัดที่เหมาะกับการนำไปปรับใช้งาน หนึ่งปัจจัยที่น่าสนใจหลังคุณสามารถปรับปรุงธุรกิจของคุณเข้าสู่อุตสาหกรรม 4.0 คือการนำข้อมูลต่างๆ ที่ถูกสร้างขึ้นจากการพัฒนากระบวนการมาใช้การวิเคราะห์และตัดสินใจ เพื่อสร้างกระบวนการชับเคลื่อนหรือปรับปรุงธุรกิจของคุณให้มีประสิทธิภาพมากยิ่งขึ้นโดยใช้พื้นฐานจากข้อมูล (Data driven) โดยหากพิจารณาจากข้อมูลที่มีอยู่มากมายในธุรกิจอุตสาหกรรม ทาง BizOne ขอนำเสนอดัชนีชี้วัดประสิทธิภาพ (KPIs) ที่มีความน่าสนใจรวมถึงประโยชน์ในแต่ละรายการ 1. ปริมาณการผลิต (Production Volume) : ติดตามประเมินปริมาณการผลิตของคุณตามช่วงเวลาที่สนใจ ทุกโรงงานต้องการทราบภาพรวมของกำลังการผลิตภายใต้ช่วงเวลาที่สนใจ เช่น รายเดือน รายปี รายวัน หรือแม้กระทั้ง แบบ Realtime ซึ่งจะเป็นประโยชน์ในการสร้างขีดความสามารถในการสร้างรายได้ขององค์กรและใช้เป็นตัวบ่งชี้ถึงการความก้าวหน้า ถดถอย หรือทราบถึงความผิดปกติที่อาจเกิดขึ้นเมื่อนำข้อมูลมาเปรียบเทียบและวิเคราะห์ในแต่ละช่วงเวลา ตัวอย่างมาตราวัดที่ใช้งาน 2. การหยุดทำงานของสายการผลิต (Production Downtime): ติดตามปัญหาและพฤติกรรมการหยุดทำงานของสายการผลิต ซึ่งในมุมกลับกันปัจจัยสำคัญซึ่งอาจทำให้โรงงานสูญเสียรายได้หรือลูกค้าจากการหยุดทำงานของสายการผลิตด้วยปัจจัยต่างๆ การทราบถึงปัญหาและพฤติกรรมการหยุดทำงานจึงเป็นข้อมูลสำคัญเพื่อใช้ในการวิเคราะห์และวางแนวทางการแก้ไขในการลดเวลาหยุดทำงานให้เหลือน้อยที่สุดเพื่อหลีกเลี่ยงการสูญเสียผลกำไร ตัวอย่างมาตราวัดที่ใช้งาน 3. ต้นทุนการผลิต (Production Costs): ตรวจสอบต้นทุนค่าใช้จ่ายต่อการผลิต การติดตามต้นทุนการผลิตโดยวิเคราะห์แตกย่อยรายละเอียดลงถึงระดับผลิตภัณฑ์ต่อประเภทของต้นทุนการผลิต เพื่อใช้เป็นข้อมูลในการปริหารจัดการต้นทุนหรือผลิตภัณฑ์ รวมถึงใช้เป็นตัวชี้วัดประสิทธิภาพหากมีกระบวนเปลี่ยนแปลงต้นทุนเพื่อวิเคราะห์ถึงประโยชน์หรือผลกระทบที่เกิดขึ้นได้ละเอียด ตัวอย่างมาตราวัดที่ใช้งาน 4. ปริมาณงาน […]
ทำไม BizOne ถึงเลือกใช้ Databricks
BizOne เราได้ใช้เวลาหลายพันชั่วโมงในการสร้างโซลูชันวิเคราะห์ข้อมูลบนแพลตฟอร์ม Databricks และ Databricks ยังถูกเลือกเป็นเครื่องมือหลักที่เราใช้ในการพัฒนา Modern Data Lake Solution จากความเชี่ยวชาญในการใช้งานเครื่องมือตลอดหลายปีที่ผ่านมาและจากประสบการณ์กว่า 20 ปี ในเทคโนโลยีด้านข้อมูลเราได้พัฒนาเฟรมเวิร์ก (Framework) ของตนเองภายใต้ชื่อ Velocity ซึ่งไม่เพียงแต่ใช้ประโยชน์จากความสามารถของ Databricks เท่านั้น แต่ผนวกการสร้างกระบวนที่สามารถช่วยเร่งการพัฒนาด้วยการจัดหาส่วนประกอบที่นำกลับมาใช้ใหม่ได้ ซึ่งส่งผลต่อการลดต้นทุนกสนพัฒนาและลดค่าใช้จ่ายในการบำรุงรักษา . ในบทความนี้ เราจะอธิบายรายละเอียดว่า Databricks คืออะไร และเหตุใดเราจึงเลือก Databricks เป็นเครื่องมือหลักสำหรับพัฒนาโซลูชันการวิเคราะห์ข้อมูลของเรา Databricks คืออะไร? Databricks ได้รับการพัฒนาโดยผู้สร้าง Apache Spark ซึ่งก่อนที่เราจะเจาะลึกในรายละเอียดของ Databricks สิ่งสำคัญที่ขาดไม่ได้ที่ต้องการถึงคือ Apache Spark Apache Spark เป็นเฟรมเวิร์กการประมวลผลข้อมูล (data processing framework) ที่สามารถดำเนินการประมวลผลบนชุดข้อมูลขนาดใหญ่ได้อย่างรวดเร็ว และยังสามารถกระจายงานการประมวลผลข้อมูลไปยังคอมพิวเตอร์หลายเครื่องได้ ไม่ว่าจะทำงานด้วยตัวเองเพียงเครื่องเดียวหรือทำงานร่วมกันแบบคู่ขนาน คุณสมบัติทั้งสองนี้ทำให้เป็นรากฐานที่สำคัญของการจัดการข้อมูลบน Big Data และกระบวนการ Machine […]
Advanced Analytics – Part 3
เส้นทางโครงการ Data Analytics Platform บนแนวทางปฏิบัติ 5 ขั้นตอน ในบทความนี้จะเป็นประโยชน์กับคนหรือองค์กรที่ต้องการเริ่มการนำระบบวิเคราะห์ข้อมูลมาใช้งานในองค์กร ที่อาจมีคำถามว่าควรเริ่มต้นลักษณะใดและมีขั้นตอนปฏิบัติที่เหมาะสมอย่างไรบ้าง โดยมีใจความสำคัญในการวางแนวทางการวางแผน เตรียมพร้อม พัฒนา และตั้งเป้าหมายอย่างเหมาะสมและเพียงพอต่อการประยุกต์หรือการนำเทคโนโลยีการวิเคราะห์ข้อมูลมาปรับใช้งาในองค์กรภายใต้แนวทางปฏิบัติ 5 ขั้นตอนเพื่อเส้นทางโครงการ Data Analytics ของคุณเอง ดังนี้ 1. กำหนดโครงสร้างและกรอบโครงการ Data Analytics ของคุณ การดำเนินการโครงการที่ดีต้องเริ่มจากรากฐานที่แข็งแรงโดยในขั้นตอนนี้ควรดำเนินการจากการกำหนดโครงสร้างและทิศทางของโครงการ Data Analytics ของคุณในภาพรวมตามองค์ประกอบสำคัญ ดังนี้ วัตถุประสงค์ในการสนับสนุนธุรกิจในลักษณะใด 2. ระบุความต้องการ ผลลัพธ์ และแนวทางการดำเนินโครงการภายใต้ขอบเขตโครงการ 2.1. วิเคราะห์และกำหนดความต้องการโดยใช้วิธีการสอบถามผู้ได้รับประโยชน์/ผู้ใช้งานใน 3 แนวคิด มุ่งเน้นการสอบถามปัญหาที่พบในการทำงานและสอบถามถึงวิธีการแก้ไขที่ผู้ได้รับประโยชน์/ผู้ใช้งานดำเนินการอยู่ในปัจจุบันเพื่อเพื่อทำความเข้าใจต้นตอของปัญหาและผลลัพธ์ที่ต้องการได้ชัดเจนยิ่งขึ้น หมายเหตุ ในหลายกรณีเมื่อพูดถึงกรอบความต้องการมักเป็นการยากในการแยกสิ่งที่จำเป็นกับอุดมคติเนื่องจากในมุมมองเจ้าของกระบวนการแล้วต้องการเพิ่มประสิทธิภาพหรือลดปัญหาในการทำงานให้ได้มากที่สุด แต่หากพิจารณาในมุมมองของขอบเขตโครงการแล้วการจัดลำดับความสำคัญของสิ่งที่ต้องมีหรือพิจารณาประโยชน์ของความต้องการในอุดมคติเป็นส่วนสำคัญในการวางแผน จัดลำดับ หรือ แบ่งเป็นระยะโครงการเป็นลำดับขั้น เพื่อให้เกิดประโยชน์และคุ้มค่าสูงสุดต่อองค์กร 2.2. ระบุผลลัพธ์ที่ต้องการและตั้งเป้าหมาย โดยการนำสิ่งที่สำรวจมาหารือและตกลงร่วมกับคณะทำงานและผู้บริหารเพื่อกำหนดเป้าหมายโครงการ โดยแนะนำให้ตั้งเป้าหมายองค์กรในภาพรวมก่อนเพื่อกำหนดทิศทางในการออกแบบและเลือกเทคโนโลยีหรือเครื่องมือที่ควรนำมาใช้งานเพื่อป้องกันปัญหาเรื่องข้อจำกัดในการพัฒนาในอนาคต และดำเนินการกำหนดผลลัพธ์และเป้าหมายแบ่งย่อยออกเป็นโครงการหลายๆ ระยะ (Project Phase) เพื่อให้ง่ายต่อการพัฒนา วัดผล […]
Advanced Analytics – Part 2
จากบทความต่างที่ทาง BizOne ได้นำเสนอประโยชน์ของ Analytics Business Intelligence (BI) solution คาดว่าหลายองค์คงเห็นประโยชน์และมีความสนใจนำไปปรับใช้กับองค์กรของท่าน ซึ่งบทความนี้จะเป็นประโยชน์ต่อความเข้าใจหรือการเฝ้าระวังปัจจัยที่อาจนำไปสู่ความล้มเหลวหรือลดทอนความสำเร็จของผลลัพธ์ต่อเป้าหมายองค์กรในการพัฒนา Data Analytics solution 1. ขาดการสนับสนุนและทิศทางของผู้บริหาร เพื่อให้โครงการวิเคราะห์ประสบความสำเร็จ ไม่เพียงต้องมีการลงนามในงบประมาณและไฟเขียวจากฝ่ายบริหารเท่านั้น แต่ยังต้องการส่วนร่วมในการกำหนดวัตถุประสงค์ที่สอดคล้องกับกลยุทธ์ทางธุรกิจด้วย โดยฝ่ายบริหารควรเข้าใจทิศทางของโครงการและทราบถึงประโยชน์ทุกด้านที่สามารถเกิดขึ้นต่อองค์กรได้ หากไม่ได้รับการสนับสนุนนี้ โครงการก็อาจไม่สามารถเริ่มดำเนินการได้หรืออาจสูญเสียแรงพลักดัน เบี่ยงออกนอกทิศทางที่วางแผนไว้ นอกจากนี้ การมีผู้จัดการโครงการที่ดีเป็นตัวแทนในการบบริหารโครงการจะช่วยสนับสนุนให้ทีมผู้บริหารทราบความคืบหน้าและเกิดการดำเนินโครงการที่ราบรื่น 2. ระยะเวลาโครงการที่ยาวเกินไป และการได้มีส่วนร่วมของผู้ใช้งานน้อยเกินไป หลายองค์กรประสบปัญหาเรื่องความสมบูรณ์แบบในการเริ่มต้นสร้าง Data analytics หรือ BI solution เนื่องจากการตั้งเป้าหมายการพัฒนาให้ครอบครุมทุกอย่างเพื่อให้เกิดประโยชน์สูงสุดต่อองค์กร จึงทำให้ทำให้ขอบเขตการดำเนินการกว้างและมักนิยมใช้รูปแบบการพัฒนาแบบ Waterfall ส่งผลให้มีระยะเวลาโครงการยาวอีกทั้งต้องใช้เวลานานในการสร้างผลลัพธ์ รวมถึงต้องการเวลาของผู้เกี่ยวข้องในปริมาณมาก ซึ่งอาจจะเป็นการยากที่บุคลากรจะสามารถแบ่งเวลามาเข้าร่วมในระยะยาวได้รวมถึงการได้เห็นผลลัพธ์หรือผลสำเร็จที่ช้าทำให้เกิดการตอบสนองหรือรับรู้ประโยชน์ที่ต่ำเช่นกัน โดยจะเป็นการดีกว่าหากสามารถแบ่งขอบเขตการพัฒนาเป็นหลายระยะและกำหนดผลสำเร็จในแต่ละระยะให้ชัดเจนในรูปแบบการพัฒนาแบบ Agile จะสามารถเพิ่มประสิทธิภาพของการพัฒนาโครงการและสามารถรักษาการมีส่วนร่วมจากผู้เกี่ยวข้องตลอดวงจรการพัฒนา 3. Data Visualization โดยปราศจากทิศทาง, เรื่องราว หรือ การแก้ปัญหาที่ชัดเจน การนำมาแสดงผลในรูปแบบ Visualization ที่ดีในการบอกเล่าเรื่องราวจากข้อมูลของคุณ ควรสะท้อนถึงผลลัพธ์หรือปัญหาที่ต้องการวิเคราะห์ซึ่งสามารถแสดงเหตุการณ์ในอดีตจนถึงปัจจุบัน รวมถึงแสดงให้เห็นถึงปัจจัยต่างๆที่เกิดขึ้นระหว่างทาง เพื่อให้ผู้ใช้งานหรือนักวิเคราะห์สามารถนำมาประมวลผลทำความเข้าใจหรือนำข้อมูลต่อยอดได้ง่าย […]
Delta Lake – framtiden för Data Lakes
Datalagring är central när det kommer till att arbeta med data. Vi lagrar ofta data on-prem eller i molnet, och det är inte ovanligt att implementera hybridlösningar. De vanligaste datahanteringssystemen är Data Warehouses och Data Lakes. Delta Lake är en användbar förlängning av Data Lake. Data Lake-utmaningar Data Lakes kan hänvisas till som en pool […]
Delta Lake – the future of Data Lakes
Data storage is central when it comes to working with data. We often store data on-prem or in the cloud, and it is not unusual to implement hybrid solutions. The most common data management systems are Data Warehouses and Data Lakes. Delta Lake is a usable extension of the Data Lake. Data Lake challenges Data […]
Advanced Analytics– Part 1
การวิเคราะห์ข้อมูลชั้นสูง (Advanced Analytics) เพื่อสร้างคุณค่าให้แก่ธุรกิจ (Business Values) Modern Analytics MARCH 18, 2022 ปัจจุบันการเครื่องมือและกระบวนการวิเคราะห์ข้อมูลถูกนำมาใช้อย่างแพร่หลายโดยวัตถุประสงค์ในการสำรวจ จัดเก็บข้อมูลและนำมาวิเคราะห์เพื่อสร้างประโยชน์ต่อธุรกิจในมุมมองต่างๆ โดยผลลัพธ์ที่เห็นได้ชัดและประสบผลสำเร็จในหลายองค์กรคือ การสร้างรายงานผ่านเครื่องมือ Visualization เช่น Power BI, Tableau เป็นต้น โดยแต่ละองค์กรมีการกำหนด KPIs แต่ที่แตกต่างขึ้นขึ้นอยู่กับเป้าหมายหรือภารกิจขององค์กรในขณะนั้นเช่น การวิเคราะห์ยอดขาย วิเคราะห์ต้นทุน วิเคราะห์โอกาศ และอื่นๆ ผ่านกระบวนการจัดเก็บข้อมูลที่มีอยู่จากระบบต่างๆ มารับปรุงให้อยู่ในรูปแบบเหมาะสมเพื่อนำเข้าสู่กระบวนการคำนวนและแสดงผลในรูปแบบที่ง่ายต่อการวิเคราะห์เชิงลึกโดยผู้เชี่ยวชาญเพื่อกำหนดกลยุทธ์และแนวทางปฏิบัติของธุรกิจต่อไป ซึ่งเป็นประโยชน์ต่อธุรกิจเป็นอย่างมาก เพียงแต่การวิเคราะห์ในรูปแบบนี้มีข้อกำจัดในการสะท้อนมุมมองเฉพาะกับสิ่งที่เกิดขึ้นแล้วหรือในกรณีมีการวิเคราะห์ข้อมูลแบบ Real time ก็ทราบเพียงสิ่งที่กำลังเกิดขึ้น แต่ไม่ได้ให้ข้อมูลเชิงลึกถึงเหตการณ์ที่อาจจะเกิดขึ้นในอนาคตและแนะนำถึงสิ่งที่เหมาะสมในการนำไปปฏิบัติเพื่อให้ได้บรรลุตามเป้าหมายที่องค์กรต้องการ รวมถึงการวางแนวทางป้องกันในทางตรงกันข้ามเพื่อให้ได้ผลลัพธ์ที่สามารถนำไปใช้งานกับธุรกิจทันทีหรือสามารถเร่งความเร็วในการวิเคราะห์จากผู้เชี่ยวชาญ ลดเวลาการตอบสนองจากองค์กร หรือสามารถตอบสนองต่อลูกค้า/ผู้ใช้บริการของเราได้โดยอัตโนมัติ ผ่านกระบวนการวิเคราะห์แบบพยากรณ์และกระบวนการวิเคราะห์แบบให้คำแนะนำ โดยในบทความนี้กล่างถึงภาพรวมของรูปแบบหรือประเภทของการวิเคราะห์ข้อมูลและตัวอย่างผลลัพธ์จากการวิเคราะห์ชองแต่ละประเภท 1. Descriptive Analytics (การวิเคราะห์แบบพื้นฐาน) เป็นการวิเคราะห์แบบพื้นฐานเพื่อสรุปผลลัพธ์ที่เกิดขึ้น โดยการนำข้อมูลในอดีตผ่านกระบวนการต่างๆ เพื่อสามารถตอบคำถามและบรรยายสิ่งที่เกิดขึ้นผ่านข้อมูล เช่น การวิเคราะห์แบบพื้นฐานเป็นก้าวแรกสู่การวิเคราะห์ข้อมูลเพื่อทำความเข้าใจสิ่งที่เกิดขึ้นในเหตุการณ์ที่เราสนใจเพื่อนำไปสู่การตั้งคำถามหรือวิเคราะห์เชิงลึกในลำดับถัดไป 2. Diagnostic Analytics (การวิเคราะห์แบบวินิจฉัย) เป็นการวิเคราะห์เพื่อหาเหตุผลของผลลัพธ์แบบเจาะจง […]
Automatisera din maskininlärning med AutoML
Alla som har ägnat tid åt att trimma maskininlärningsmodeller kommer att berätta att det är en iterativ och tråkig process som kräver många timmars försök och misstag. De mest tidskrävande delarna av maskininlärning är funktionsteknik och inställningsparametrar. Alla verktyg som tar bort det tråkiga med dessa element kommer att spara utvecklare många timmar av att […]
Automate your machine learning with AutoML
Anyone who has spent time tuning machine learning models will tell you that it is an iterative and tedious process that requires many hours of trial and error. The most time-consuming parts of machine learning are feature engineering and tuning parameters. Any tool that removes the tediousness of those elements is going to save developers […]
