Collect Google Analytics data in real-time with Microsoft Azure – Part 2
จากบทความตอนที่ 1 ได้แนะนำสถาปัตยกรรมพื้นฐานที่จำเป็นสำหรับการพัฒนากระบวนการบันทึกข้อมูลการเข้าชมเว็บไซต์โดยใช้ Google Tag Manager (GTM) และ Azure ในต้นทุนที่ต่ำและรองรับ Pipeline แบบ Real-time บทความนี้ เรานำท่านมาค้นพบวิธีเริ่มใช้งานในระดับเทคนิค ซึ่งครอบคุมถึงการกำหนดค่า Google Tag Manager อีกทั้งการจัดเตรียมและการกำหนดค่าทรัพยากร Azure ที่จำเป็น โดยกระบวนการนี้จะเพิ่มขีดความสามารถให้ระบบคุณดังนี้1) ความสามารถในการเริ่มจัดเก็บข้อมูลการเข้าชมเว็บของคุณ เพื่อใช้ในการวิเคราะห์ข้อมูลเพิ่มเติมโดยสร้างและบันทึกประวัติการเข้าชมเว็บของคุณ2) เพื่อเพิ่มขีดความสามารถของโซลูชันนี้สำหรับการจัดทำรายงานและแดชบอร์ดแบบเรียลไทม์ โดยจะมี 4 ขั้นตอนหลัก ดังนี้: ซึ่งในสถานการณ์นี้ สมมติว่าคุณมีการสมัครใช้งาน Azure โดยดำเนินการการติดตาม Google Analytics บนเว็บไซต์ของคุณ และมีบัญชี Google Tag Manager พร้อมคอนเทนเนอร์ (Container) รวมถึงได้กำหนดค่าแท็กและตัวแปรต่างๆแล้ว เป็นต้นแล้ว 1 – จัดเตรียมและกำหนดค่าบน Event Hub เข้าสู่ระบบการสมัครใช้งาน Azure ของคุณไปที่ Event Hub blade แล้วคลิก Create ใส่ข้อมูลรายละเอียดที่จำเป็น ในกรณีนี้ เราเลือกรูปแบบการใช้งานเป็น standard pricing tier เพื่อกำหนดคุณลักษณะ Event Hub […]
Transform to Industry 4.0 Part 3
กรอบกระบวนการเพื่อนำเทคโนโลยีมาปรับปรุงองค์กรและสร้างความสำเร็จในการเปลี่ยนแปลงไปสู่ Industry 4.0 ในบทความนี้จะกล่าวถึงขั้นตอนและบุคลากรที่เกี่ยวข้องในกิจกรรมต่างๆ 1. การประเมินและกำหนดขอบเขต (Assessment and scoping) ดำเนินการตรวจสอบสิ่งที่มีอยู่โดยอ้างอิงจากความก้าวหน้าในการทำ Digitization และ Digitalization ในปัจจุบันไม่ว่าจะเป็น เครื่องมือ, กระบวนการ และความพร้อมของบุคลากร โดยต้องแยกกันตรวจสอบตามกิจกรรมทางธุรกิจต่างๆ ขององค์กรเนื่องจากแต่ละกิจกรรมอาจมีความพร้อมในการทำ Transformation ไม่เท่ากัน รวมถึงแผนกเทคโนโลยีต้องมีส่วนร่วมในการสนับสนุนให้ข้อมูลแผนกต่างๆ ถึงเครื่องมือหรือเทคโนโลยีที่อยู่เนื่องจากอาจพบได้ว่ามีเครื่องมืออยู่แต่ไม่ถูกใช้งาน โดยการสร้างแบบสำรวจความพร้อม (Readiness checklist) และนำข้อมูลที่ได้มากำหนดเป้าหมายและขอบเขตระยะสั้นหรือยาวก็สามารถทำได้โดยคำนึงความเป็นไปได้และสอดคล้องกับความพร้อมองค์กรเป็นสำคัญ บุคลากรที่เกี่ยวข้อง 2. การจัดเตรียมและวางแผน (Prepare and Planning) นำเป้าหมายและผลการตรวจความพร้อมมาเปรียบเทียบเพื่อหาส่วนที่ขาด (Gap) และแบ่งออกเตามกลุ่มเพื่อง่ายต่อการบริหารจัดการและวางแผนพัฒนาต่อไป เช่น โดยเราสามารถจัดเตรียมและวางแผนการพัฒนาโดยเลือกบางส่วนที่สำคัญมาดำเนินการก่อนหรือหลังตามความเหมาะสมหรือเลือกตัดบางส่วนออกจากแผนการพัฒนาในกรณีที่อาจไม่คุ้มค่าหรือไม่ตอบโจทย์ความต้องการของธุรกิจในขณะนั้น บุคลากรที่เกี่ยวข้อง 3. การสร้างต้นแบบและโครงการ (Prototyping and Project) ทบทวนรายละเอียดแผนและความพร้อมในปัจจุบันที่สามารถที่มีแนวโน้มหรือความจำเป็นในการดำเนินการก่อน ซึ่งสามารถนำมาดำเนินการได้ 2 รูปแบบ บุคลากรที่เกี่ยวข้อง 4. ทบทวนและปรับปรุง (Review and Improving) ติดตามและทบทวนผลลัพธ์ของโครงการต่างๆ ว่าสามารถตอบโจทย์และเป็นไปตามวัตถุประสงค์ที่ได้กำหนดไว้ตามแผนหรือไม่ รวมถึงศึกษาปัญหาและจุดที่สามารถปรับปรุงได้ เพื่อนำไปพัฒนาโครงการเดิมให้มีประสิทธิภาพมากยิ่งขึ้นหรือใช้เป็นรากฐานในขั้นตอนต่อไปสำหรับต่อยอดโครงการใหม่เพื่อสร้างจุดเริ่มต้นที่ดีกว่า […]
Collect Google Analytics data in real-time with Microsoft Azure
Google Analytics เป็นหนึ่งในบริการของ Google สำหรับเก็บสถิติผู้ใช้บนเว็บไซต์ของเราและวิเคราะห์เพื่อวัดจุดคุ้มทุนการโฆษณาตลอดจนติดตามพฤติกรรมผู้เยี่ยมชม แหล่งที่มาของผู้เข้าชม และกิจกรรมเครือข่ายสังคม (social media) ดังนั้นจากบทความชุดนี้ เราจะสำรวจวิธีรวบรวมข้อมูลกิจกรรมที่เกิดขึ้นบนเว็บไซต์ของคุณจาก Google Analytics แบบกึ่งเรียลไทม์ ด้วยวิธีที่ค่อนข้างง่ายในราคาประหยัด โดยใช้ประโยชน์จากบริการฟรีที่มีอยู่ของ Google และบริการคลาวด์แบบจ่ายตามการใช้งานของ Microsoft Azure และเริ่มได้รับสิทธิ์ประโยชน์จากข้อมูลที่คุณเป็นเจ้าของ Background Google Analytics เป็นที่นิยมอย่างมากและสามารถใช้งานได้ฟรี ซึ่งตามมาด้วยข้อจำกัดบางประการ โดยเฉพาะอย่างยิ่งเมื่อเว็บไซต์หรือระบบอีคอมเมิร์ซของคุณรองรับผู้เข้าชมจำนวนมากทุกวัน ข้อจำกัดหลักคือปริมาณการสุ่มตัวอย่างข้อมูล และอีกข้อจำกัดที่พบอยู่ที่รูปแบบรายงานมาตรฐานมีจำกัดและไม่สามารถรวมเข้ากับข้อมูลอื่นๆ ในองค์กรของคุณได้โดยง่าย ซึ่งสามารถลดข้อจำกับดังกล่าวด้วยทางเลือกหนึ่งคือการอัปเกรดเป็น Google Analytics เป็นวอร์ชันชำระเงิน (GA360) และส่งข้อมูลออกไปยัง Google Big Query อย่างไรก็ตาม องค์กรส่วนใหญ่พบว่าเป็นเรื่องยากที่จะระบุต้นทุนการใช้งาน อีกทางเลือกหนึ่งคือการพัฒนาชุดคำสั่งสำหรับติดตามด้วยตนเองจากชุดคำสั่งบนเว็บไซต์และติดตามความเคลื่อนไหวของข้อมูล (Data pipeline) ซึ่งอาจทำให้เกิดใช้จ่ายและเวลาในการพัฒนาสูงอย่างมีนัยยะ อีกทางเลือกหนึ่งที่เราพูดถึงในบทความนี้คือการทำซ้ำเหตุการณ์จากเว็บไซต์ที่ส่งไปยัง Google Analytics โดยใช้ Google Tag Manager (GTM) และส่งไปยัง Azure Event Hub ทำให้คุณมีความยืดหยุ่นในการเก็บข้อมูลดิบของการรับส่งข้อมูล (Raw traffic data) และกระบวนการจัดการข้อมูล (Data pipeline) เพิ่มเติม สำหรับการวิเคราะห์/การแสดงภาพแบบกึ่งเรียลไทม์ หรือประยุกต์ใช้งานร่วมกับแพลตฟอร์ม/คลังข้อมูลที่มีอยู่ของคุณ Solution ในการเปิดใช้งาน มีเพียงไม่กี่องค์ประกอบที่จำเป็นในการเริ่มต้น: […]
Transform to Industry 4.0 Part 2
การได้มาซึ่งการเปลี่ยนแปลงเพื่อให้ได้ผลลัพธ์ของอุตสาหกรรม 4.0 ต้องดำเนินการปรับปรุงและเปลี่ยนแปลงอย่างเป็นรูปธรรมทั้งในเชิงบริหารและปฏิบัติเพื่อสร้างองค์กรที่สามารถผสานรวมเครื่องมือและเทคโนโลยีมาประสานในกระบวนสร้างผลประโยชน์ทางธุรกิจได้จริงและสร้างผลลัพธ์ที่มีประสิทธิผล ซึงมีกรณีศึกษาจากจำนวนมากพบว่าการนำเทคโนโลยีสมัยใหม่เข้าไปใช้ในโรงงานอุตสาหกรรมอาจไม่บรรลุผลตามที่ต้องการหรืออาจสร้างอุปสรรค เนื่องจากจากเปลี่ยนแปลง (Transformation) ไม่ได้ดำเนินการตามขั้นตอนที่เหมาสม เช่น ระบบต้องการเพิ่มประสิทธิ์ภาพการผลิตแต่ยังไม่มีระบบบันทึกประวัติการผลิตและจัดเก็บข้อมูลอย่างเหมาะสม หรือ กระบวนการไม่พร้อมต่อการรองรับการใช้งานเทคโนโลยี เช่น ต้องการสร้างระบบอัตโนมัติ แต่ขั้นตอนส่วนมากยังใช้วิธีการจดบันทึกลงกระดาษ รวมถึงระบบดังกล่าวไม่ถูกนำไปใช้งานในกิจกรรมทางธุรกิจจริงเนื่องจากเครื่องมือ/เทคโนโลยีถูกยอมรับและเห็นประโยชน์เพียงจากบางส่วนงานไม่ถูกนำไปใช้งานอย่างต่อเนื่อง ซึ่งนำไปสู่การล้มเหลวในท้ายที่สุด ดังนั้นในบทความนี้จะกล่าวถึงกิจกรรมที่นำไปสู่การเปลี่ยนแปลงของอุตสาหกรรม 4.0 บนกระบวนการ Digitization, Digitalization และ Digital Transformation What (คืออะไร) and Why (ทำใมต้องทำ) 1. Digitization (Data/Information transformation) คือ การแปลงข้อมูลหรือข่าวสารที่เกิดขึ้นในกิจกรรมหรือขั้นตอนใดๆ ทางธุรกิจจาก Analog เป็น Digital ทั้งข้อมูลขาเข้า (Input) หรือ ข้อมูลขาออก (Output) ซึ่งสามารถเกิดขึ้นจากการใช้เทคโนโลยีหรือกระบวนการก็ได้ รวมไปถึงการออกแบบวิธีการจัดเก็บข้อมูลเพื่อให้สามารถนำไปใช้งานต่อยอดในการทำ Digitalization ต่อไป เช่น ข้อมูลเป็นจุดเริ่มต้นและส่วนสำคัญของการสร้าง Digital Transformation เนื่องจากหากคุณต้องการสร้างกระบวนการวิเคราะห์รายละเอียดกิจกรรมทางธุรกิจ การพยากรณ์ในแง่มุมต่างๆ หรือ การสร้างระบบอัตโนมัติล้วนต้องการข้อมูลที่เหมาะสมในการดำเนินกระบวนการทั้งสิ้น […]
Transform to Industry 4.0 Part 1
กลุ่มอุตสาหกรรมการผลิตเป็นกลุ่มแรกของภาคธุรกิจที่ริเริ่มนำเทคโนโลยีมาใช้งานในกระบวนการทางธุรกิจอย่างเต็มรูปแบบ ซึ่งเทคโนโลยีดังกล่าวถูกหลอมรวมกับธุรกิจทำให้สามารถบอกได้ว่าประสิทธิภาพของเทคโนโลยีที่ใช้งานสะท้อนถึงขีดความสามารถในการแข่งขันในธุรกิจของอุตสาหกรรมการนั้น จึงทำให้การเลือกเทคโนโลยีตั้งแต่การลงทุนออกแบบและคัดเลือกเครื่องจักรอุปกรณ์มีความสำคัญและใช้เงินจำนวนมาก แต่ด้วยเหตุผลดังกล่าวทำให้เกิดข้อจำกัดในการปรับปรุงหรือเปลี่ยนแปลงเทคโนโลยีที่ใช้อยู่ในปัจจุบัน แต่การแข่งขันในตลาดปัจจุบันเทคโนโลยีที่มีอยู่อาจไม่เพียงพอเนื่องจากกระบวนการซื้อขายที่เปลี่ยนไป อีกทั้งข้อมูลเป็นส่วนสำคัญที่สามารถนำมาใช้ประโยชน์ต่อธรุกิจได้มากขึ้น และการแข่งขันทางด้านประสิทธิภาพ/ราคาที่สูงขึ้น จึงเลี่ยงไม่ได้ที่จะต้องปรับปรุงเทคโนโลยีที่ใช้งานให้เหมาสมกับตามแนวทางของอุตสาหกรรม 4.0 Transform to Industry 4.0 – Pain & Gain Pain Gain ข้อจำกัดเรื่องความยืดหยุ่นและการแข่งขันการตัดสินใจทำได้ยากเนื่องจากความกังวลว่าข้อมูลที่มีอยู่ไม่เพียงพอหรือไม่ถูกต้องค่าใช้จ่ายในการวัดประสิทธิภาพของกระบวนการ กิจกรรม และอุปกรณ์ในองค์กรอาจเป็นเรื่องยากและใช้เวลานานการรวมข้อมูลทางธุรกิจอาจไม่สมบูรณ์ เนื่องจากข้อมูลมาจากหลายหลากแผนกบนระบบที่แตกต่างกัน เพิ่มความสามารถมองเห็นข้อมูลเพื่อสร้างความยืดหยุ่นในการปรับตัวและแข่งขันอย่างมีประสิทธิภาพสามารถกำหนดรูปแบบและวิธีการใช้งานข้อมูลได้ตามความต้องการทางธุรกิจสร้างกระบวนการวัดผลที่มีประสิทธิภาพโดยอิงจากข้อมูลจริงและทำให้การวัดประสิทธิภาพเป็นรูปธรรมมากขึ้นสามารถสร้างความสัมพันธ์ของข้อมูลได้โดยไม่มีข้อจำกัดของแหล่งที่มาของข้อมูล เช่น การเพิ่มประสิทธิภาพการผลิตโดยใช้ข้อมูลกิจกรรมการขาย การซื้อ และการจัดเก็บ เพื่อให้การวิเคราะห์สถานการณ์ทางธุรกิจจริง ปัญหาเกี่ยวกับการจัดการข้อมูลปริมาณงานที่เพิ่มขึ้นเนื่องจากกระบวนการบันทึกข้อมูลโดยมนุษย์ และอาจพบปัญหาเรื่องความสมบูรณ์ของข้อมูลหรือความไม่ครบถ้วนในรายละเอียดด้านการจัดเก็บและค้นหาข้อมูลในรูปแบบเอกสารเรื่องความถูกต้องและความพร้อมของข้อมูลเมื่อต้องการใช้งาน การรวบรวม โครงสร้าง และกระบวนการจัดเก็บข้อมูลอัตโนมัติรวบรวมข้อมูลผ่านเซ็นเซอร์หรือนำเข้าข้อมูลเข้าสู่ระบบด้วยโปรแกรมทั้งในแบบเรียลไทม์หรือตามช่วงเวลาที่สนใจข้อมูลถูกเก็บไว้ในโครงสร้างที่เข้าถึงได้ง่ายผ่านแพลตฟอร์มการวิเคราะห์ที่ทันสมัยสามารถกำหนดการตั้งค่าการจัดเก็บข้อมูล กระบวนการตรวจสอบความถูกต้อง และความยืดหยุ่นในการจัดการการควบคุมการเข้าถึงเพื่อรักษาความปลอดภัยข้อมูลอย่างมีประสิทธิภาพ ข้อจำกัดของการสื่อสารข้อมูลและการใช้งานข้อมูลความยากลำบากในการรวบรวมและวิเคราะห์ข้อมูลส่งผลให้มีความมั่นใจในการตัดสินใจต่ำการสื่อสารระหว่างคนกับอุปกรณ์เพื่อใช้งานข้อมูลมีความซับซ้อน ซึ่งอาจนำไปสู่การตอบสนองที่ล่าช้าหรือพลาดโอกาสในการค้นหาสาเหตุของปัญหาไม่เป็นระบบอัตโนมัติทั้งหมด เนื่องจากอุปกรณ์ไม่สามารถสื่อสารกันได้ และต้องการให้มนุษย์ช่วยควบคุมและสั่งการ ความสามารถในการสื่อสารและใช้ข้อมูลอย่างมีประสิทธิภาพรองรับการวิเคราะห์ในรูปแบบ Descriptive, Diagnostic, Predictive and Prescriptive analysis เพื่อใช้งานในมุมมองทางธุรกิจสามารถแสดงผลข้อมูลในรูปแบบภาพที่สามารถทำความเข้าใจได้ง่ายเพื่อค้นหาคำตอบของคำถามทางธุรกิจด้วยการรับข้อมูลแบบเรียลไทม์หรือใกล้เคียงเพิ่มความสามารถในการรวบรวมข้อมูลเพื่อให้สามารถตัดสินใจด้วย Machine learning และควบคุมกิจกรรมต่างๆ ด้วย AI เพื่อสร้างกระบวนการอัตโนมัติที่มีประสิทธิภาพ โดยอุตสาหกรรม […]
Modern Analytics Platform Part 1
ความท้ายทางในปัจจุบัน: ธุรกิจส่วนมากในปัจจุบันขับเคลื่อนและเพิ่มประสิทธิภาพโดยข้อมูลเป็นสำคัญ หมายความว่าคุณยิ่งใช้ประโยชน์จากข้อมูลที่ได้จำนวนมากเท่าไหร่ ยิ่งส่งผลในเชิงบวกต่อการตัดสินใจทางธุรกิจมากยิ่งขึ้นเท่านั้น ดังนั้นระบบวิเคราะห์ข้อมูลในปัจจุบัน (Traditional analytical platforms) อาจมีข้อจำกัดต่อการใช้งาน 20 ปีที่ผ่านมา Traditional analytical platforms โดยทั่วไปแล้วประสบความสำเร็จในการให้คำตอบแก่ผู้ใช้เพียง “เกิดอะไรขึ้น” และ “อย่างไร” โดยให้ผู้ใช้สามารถเข้าถึงข้อมูลจากรายงานบนประวัติข้อมูลที่มีหรือรายงานวิเคราะห์เฉพาะกิจ บนเครื่องมือ Business intelligence ที่สามารถใช้งานได้ง่าย แต่แพลตฟอร์มการวิเคราะห์แบบดั้งเดิมประสบปัญหาในการจัดการข้อมูลที่มีปริมาณมากหรือมีความหลากหลายในยุคดิจิทัลสมัยใหม่ และมีความยุ่งยากหากต้องการวิเคราะห์และใช้งานบนกรณีมีข้อมูลแบบเรียลไทม์ (Real time) รวมถึงความยุ่งยากในการพัฒนาที่ตายตัวและไม่ยืดหยุ่น ทำให้ยากต่อการปรับตัวให้เข้ากับการเปลี่ยนแปลงอย่างรวดเร็วตามความต้องการทางธุรกิจ ผลกระทบที่จะเกิดขึ้นในกรณีระบบวิเคราะห์ข้อมูลไม่รองรับข้อมูลและความต้องการในยุคดิจิตอล เช่น · การสูญเสียข้อมูลเชิงลึกทางธุรกิจที่นำไปสู่การตามหลังคู่แข่ง · การตัดสินใจทางธุรกิจที่ไม่มีประสิทธิภาพโดยอิงจากข้อมูลที่ล้าสมัยหรือไม่ถูกต้อง · ไม่สามารถระบุแนวโน้มทางธุรกิจในเวลาเหมาะสมเพื่อสร้างความได้เปรียบ · ไม่สามารถระบุและกำหนดเป้าหมายลูกค้าภายในและภายนอกได้อย่างถูกต้อง หมายความว่าการพัฒนาหรือส่งเสริมการขายอาจเป็นไปในทิศทางที่ไม่ถูกต้องหรือไม่มีประสิทธิผล ทำอย่างไรถึงสามารถปรับปรุงแพลตฟอร์มการวิเคราะห์ของคุณให้ทันสมัย แพลตฟอร์มการวิเคราะห์สมัยใหม่ (Modern analytics platform) เหมาะสมธุรกิจในยุคปัจจุบันที่ต้องการใช้งานข้อมูลโดยมีความยืดหยุ่น รองรับการเปลี่ยนแปลง และมีความคล่องตัว ซึ่งจากเดิมที่สามารถตอบได้เพียง “เกิดอะไรขึ้น” และ “อย่างไร” แพลตฟอร์มการวิเคราะห์สมัยใหม่พัฒนาคำตอบจากรากฐานดังกล่าวเพื่อนำไปสู่คำตอบถึง · “สิ่งที่กำลังจะเกิดขึ้น” จากความสามารถในการรับข้อมูลในแบบ(กึ่ง)เรียลไทม์ · […]
6 skäl till varför du bör flytta din analytiska lösning till Azure
Jag tror att vi alla kan vara överens om att data och analys är en viktig drivkraft i den pågående digitala transformationen. Det finns givetvis många utmaningar som måste lösas på vägen och ett av de första besluten som måste tas är om du ska gå i moln (eller inte). Vi listade våra främsta anledningar […]
6 reasons why you should move your analytical solution to Azure
I think we all can agree that Data and Analytics is a major driver in the current on going digital transformation. There is off course a lot of challenges that must be addressed along the way and one of the first decisions that needs to be made, is if you should go cloud (or not). We […]
Gör Azure Data Lake bättre med Databricks Delta Lake
Den här artikeln introducerar Azure Data Lake Storage och Databricks Delta Lake. Ett lager för datalagring med öppen källkod från Apache Spark som ger tillförlitlighet och förbättrar prestanda till datasjöar. Vad är Azure Data Lake Gen2?Data Lake Storage Gen2 gör Azure Storage till grunden för att bygga företagsdatasjöar på Azure. Data Lake Storage Gen2 är […]
Make Azure Data Lake better with Databricks Delta Lake
This article introduces Azure Data Lake Storage and Databricks Delta Lake. An open source data storage layer from Apache Spark that brings reliability and improve performance to data lakes. What is Azure Data Lake Gen2? Data Lake Storage Gen2 makes Azure Storage the foundation for building enterprise data lakes on Azure. Designed from the start to service multiple […]
