แผนการเรียนรู้
/

สัปดาห์ที่ 5: การรวบรวมความต้องการ
และแพ็กเกจข้อมูล

การเปลี่ยนปัญหาทางธุรกิจให้เป็นโครงสร้างข้อมูลเพื่อการวิเคราะห์เชิงกลยุทธ์

หัวใจสำคัญของสัปดาห์นี้

"คลังข้อมูลไม่ใช่เรื่องของเทคโนโลยี แต่เป็นเรื่องของการแก้ปัญหาให้ผู้ใช้"

Phase 1: Requirements Analysis

ผลลัพธ์การเรียนรู้

1
อธิบายความแตกต่างระหว่างความต้องการของระบบ OLTP และ Data Warehouse ได้
2
ระบุ **หัวเรื่อง (Subject Areas)** ที่สำคัญจากกระบวนการทางธุรกิจได้
3
ออกแบบ **Information Package Diagram** เพื่อระบุ Dimensions และ Facts ได้
4
ประยุกต์ใช้เทคนิค **Agentic AI** ในการปรับจูนและวิเคราะห์ความต้องการอัตโนมัติได้

การจัดระเบียบตามหัวเรื่อง (Subject-Oriented)

คลังข้อมูลไม่ได้เก็บตามแอปพลิเคชัน (เช่น ระบบบัญชี) แต่เก็บตาม "สิ่งที่ธุรกิจสนใจ"

Operational (App-Based)

  • • ระบบรับคำสั่งซื้อ (Order Entry)
  • • ระบบควบคุมคลังสินค้า (Inventory System)
  • • ระบบจัดการข้อร้องเรียน (Claims)

Data Warehouse (Subject-Based)

  • • การวิเคราะห์การขาย (Sales Analysis)
  • • พฤติกรรมลูกค้า (Customer Behavior)
  • • ประสิทธิภาพผลิตภัณฑ์ (Product Performance)

อ้างอิง: Subject Area Reporting

กิจกรรมกลุ่ม (15 นาที)

ภารกิจ: ค้นหา Subject Areas

สถานการณ์: ธนาคารท้องถิ่น (Local Community Bank)

จงระบุหัวเรื่อง (Subject Areas) ที่สำคัญอย่างน้อย 3 หัวเรื่อง เพื่อใช้ในคลังข้อมูลของธนาคารนี้

Subject 1: ?
Subject 2: ?
Subject 3: ?

ใบ้คำ: ลองดูตัวอย่างบริษัทประกันภัยและสายการบินในแหล่งข้อมูล

เฉลยขั้นตอนที่ 1: การกำหนด Subject Areas

ตัวอย่าง Subject Areas สำหรับธนาคาร:

1. ลูกค้า (Customer)

เพื่อวิเคราะห์ข้อมูลประชากร, ความเสี่ยงเครดิต และความภักดีของลูกค้า

2. บัญชี (Account)

เพื่อวิเคราะห์ยอดเงินคงเหลือ, การทำรายการ (Transactions) และประเภทของบัญชี

3. สินเชื่อ (Loan)

เพื่อติดตามการชำระคืน, อัตราดอกเบี้ย และหนี้เสีย (NPL)

**ทำไมไม่ใช่ "ระบบลงทะเบียน"?** เพราะเราไม่ได้ต้องการเก็บแค่ข้อมูลที่ลูกค้ากรอก แต่เราต้องการ "หัวข้อ" เพื่อวิเคราะห์ประสิทธิภาพธุรกิจ

แนวคิด "Information Packages"

คือ "พิมพ์เขียว" ที่ใช้ระบุความต้องการข้อมูลสำหรับแต่ละ Subject Area

Dimensions (คอลัมน์)
Hierarchies (ลำดับชั้น)
Facts (แถวล่าง)

ช่วยให้นักออกแบบรู้ว่าต้องดึงข้อมูลอะไร (What) และวิเคราะห์ตามมุมมองใด (How)

โครงสร้างภายในของ Information Package

Information Subject: Sales Analysis
Dimension: Time Dimension: Location Dimension: Product
Year (ปี) Region (ภูมิภาค) Category (หมวดหมู่)
Quarter (ไตรมาส) State (รัฐ/จังหวัด) Brand (ยี่ห้อ)
Facts/Metrics: ยอดขายพยากรณ์, ยอดขายจริง, กำไรขั้นต้น, จำนวนหน่วย

AI เอเจนต์กับการวิเคราะห์ความต้องการ

AI เอเจนต์สามารถช่วยแก้ปัญหาความไม่ชัดเจนในความต้องการ (Nebulous Requirements):

Agent 1
**Question Rewriting:** แปลงคำถามกว้างๆ ของผู้ใช้ให้เป็นความต้องการทางข้อมูลที่ชัดเจน
Agent 2
**Schema Mapping:** แนะนำตารางต้นทางที่อาจเกี่ยวข้องกับหัวเรื่องที่ต้องการ
"AI ช่วยลด Linguistic Ambiguity (ความคลุมเครือทางภาษา) ได้อย่างมาก"
เวิร์กชอป: สร้างพิมพ์เขียว (30 นาที)

การออกแบบ Information Package

โจทย์โครงการ: การวิเคราะห์ยอดขาย E-Commerce

**Step 1:** ระบุมาตรวัด (Facts) ที่ต้องการรู้เกี่ยวกับยอดขาย (มาอย่างน้อย 3 อย่าง)
**Step 2:** ระบุมิติการมอง (Dimensions) ที่สำคัญ (อย่างน้อย 3 มิติ)
**Step 3:** สร้างลำดับชั้น (Hierarchies) สำหรับมิติ "พื้นที่ (Location)"

เทคนิค: ใช้หลักการ Plan-Execute-Assess ในการเลือกข้อมูล

เฉลยขั้นตอนที่ 1: การกำหนด Facts

Facts ต้องเป็นตัวเลขเชิงปริมาณ (Quantitative) ที่ใช้ในการวัดความสำเร็จ:

1. ยอดขายรวม (Sales Amount)

มาตรวัดหลักของรายได้

2. กำไรสุทธิ (Net Profit)

ยอดขายหลังหักต้นทุนและค่าขนส่ง

3. จำนวนคำสั่งซื้อ (Order Count)

เพื่อวิเคราะห์ปริมาณงานและการเติบโต

4. อัตรากำไร (%)

Fact กึ่งรวม (Semi-additive)

เฉลยขั้นตอนที่ 2: การกำหนด Dimensions

Dimensions คือ "บริบท" ที่ใช้ตอบคำถามว่า ใคร, อะไร, ที่ไหน, เมื่อไหร่:

เมื่อไหร่

มิติเวลา (Time Dimension):

ขาดไม่ได้สำหรับคลังข้อมูล เพื่อดูแนวโน้ม (Time-variant)

อะไร

มิติสินค้า (Product Dimension):

เพื่อดูว่าสินค้ากลุ่มใดสร้างรายได้สูงสุด

ที่ไหน

มิติพื้นที่ (Location Dimension):

เพื่อหาตลาดที่ยังมีโอกาสเติบโต

เฉลยขั้นตอนที่ 3: การสร้าง Hierarchies

ตัวอย่างลำดับชั้นมิติพื้นที่ (Location Hierarchy):

ภูมิภาค (Region)
➞
จังหวัด (State)
➞
เมือง (City)
➞
รหัส (Zip)
"Hierarchies ช่วยให้ผู้ใช้สามารถทำกิจกรรม **Drill-Down** (เจาะลึกรายละเอียด) ได้ในเครื่องมือ BI"

บทสรุปสัปดาห์ที่ 5

1. การรวบรวมความต้องการต้องเน้นที่ **Subject areas** ไม่ใช่ระบบงาน (Operational Silos)
2. **Information Packages** คือพื้นฐานในการสร้าง Star Schema และการเชื่อมโยงข้อมูล
3. **Facts** ต้องสอดคล้องกับมิติ (Dimensions) ที่มีลำดับชั้น (Hierarchies) ชัดเจน
สัปดาห์หน้า: วิวัฒนาการสู่คลาวด์ (Cloud DW) และ Snowflake!
---