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!
---