การสร้างคลังข้อมูล

Table 5 กำหนดการวิชาการสร้างคลังข้อมูลและโครงการประกอบการเรียน

สัปดาห์ที่	หัวข้อและรายละเอียดกิจกรรม	กิจกรรมโครงการ (Project Phase)	แหล่งข้อมูลและลิงก์
1 slides	บทนำสู่ DW/BI และทบทวนฐานข้อมูล ภารกิจของคลังข้อมูลเพื่อการตัดสินใจ และรูปแบบปกติที่ 3 (3NF)	Phase 1: กำหนดขอบเขตธุรกิจและรวบรวมความต้องการสำหรับ "แพลตฟอร์มอีคอมเมิร์ซอัจฉริยะ"	History of Data Warehousing
2	ระเบียบวิธีออกแบบ: การเปรียบเทียบแนวทางของ Inmon (Top-down) และ Kimball (Bottom-up)	วิเคราะห์ระบบต้นทาง (Source Systems) และเลือกวิธีออกแบบที่เหมาะสมกับโครงการ	Kimball vs Inmon Models
3	Dimensional Modeling I: การสร้าง Star Schema, ตารางข้อเท็จจริง (Fact) และตารางมิติ (Dimension)	ออกแบบ Star Schema เบื้องต้นสำหรับยอดขาย (Sales Analysis)	Principles of Dimensional Modeling
4	Dimensional Modeling II: การจัดการมิติที่เปลี่ยนแปลงช้า (SCD) และ Junk Dimensions	Phase 1 (ต่อ): ออกแบบ SCD Type 2 เพื่อติดตามประวัติลูกค้าในโครงการ	SCD Management Techniques
5	การรวบรวมความต้องการ: การใช้ Information Packages เพื่อกำหนดตัวชี้วัดและลำดับชั้น (Hierarchies)	สรุปแผนภาพ Information Package สำหรับโครงการส่งอาจารย์	The Data Warehouse Lifecycle
6	วิวัฒนาการสู่คลาวด์: การแยกส่วน Storage และ Compute บนแพลตฟอร์มอย่าง Snowflake หรือ BigQuery	Phase 2: เริ่มต้นตั้งค่าสภาพแวดล้อมบนคลาวด์เพื่อเตรียมรับข้อมูลโครงการ	Cloud DW For Dummies
7	Data Lakehouse: การใช้ Medallion Architecture (Bronze, Silver, Gold Layers)	ออกแบบการจัดเก็บข้อมูลโครงการตามเลเยอร์ Medallion	Medallion Architecture Guide
8	การออกแบบทางกายภาพ: กลยุทธ์การทำ Indexing และ Partitioning รวมถึงการสอบกลางภาค	ปรับแต่งประสิทธิภาพ (Physical Tuning) ของตารางในโครงการ	Physical Design Process
9	ท่อส่งข้อมูล (ETL vs. ELT): การเปลี่ยนผ่านสู่ ELT และการใช้ Change Data Capture (CDC)	Phase 3: สร้างท่อส่งข้อมูลจากไฟล์ Raw (Bronze) ไปยังตาราง Silver	ETL vs ELT Shift
10	คุณภาพและธรรมาภิบาล: การทำ Data Profiling และ Master Data Management (MDM)	สร้างการตรวจสอบคุณภาพข้อมูล (Data Quality Checks) อัตโนมัติในท่อส่งข้อมูล	OpenMetadata Context Layer
11	เลเยอร์ความหมาย (Semantic Layer): การรวมตรรกะธุรกิจเพื่อให้ AI และผู้ใช้เห็นข้อมูลตรงกัน	พัฒนา Semantic Layer (เช่น dbt หรือ Looker) สำหรับโครงการ	Semantic Layer Architecture
12	การวิเคราะห์หลายมิติ (OLAP): การทำ Slicing, Dicing และ Drilling down บนชุดข้อมูล	สร้างแดชบอร์ดเบื้องต้นเพื่อทดสอบการวิเคราะห์แบบ OLAP	ClickHouse Developer Course
13	การเพิ่มประสิทธิภาพด้วย AI: การใช้ ML สำหรับ Query Optimization และพยากรณ์ปริมาณงาน	Phase 4: นำผลพยากรณ์จาก ML มาช่วยปรับขนาดทรัพยากรคลาวด์ในโครงการ	AI-Driven DW Innovations
14	AI เอเจนต์ในวิศวกรรมข้อมูล: การสร้างท่อส่งข้อมูลที่เยียวยาตัวเองได้ (Self-healing Pipelines)	พัฒนา AI เอเจนต์พื้นฐานเพื่อตรวจจับข้อผิดพลาดใน Pipeline ของโครงการ	Agentic AI for Data Engineering
15	เวิร์กโฟลว์ AI ระดับการผลิต: การใช้ Agentic Views และการนำเสนอโครงการสุดท้าย	นำเสนอ "The Agentic E-Commerce Platform" ที่สามารถตอบคำถามภาษาธรรมชาติได้	AV-SQL: Agentic Views