เป็น program upskill AI ของพนักงาน จุดประสงค์หลังจบ program จะแบ่งเป็น 4 Personas

• Process optimizer
• Data and Report automation
• Product designer
• Full stack – solution delivery

Day 1 เรียน 6 sections แต่มีเรื่อง data model น่าสนใจ งั้น recap ไว้หน่อย เสริมหน่อย อาจารย์เนยสอนสนุกมากกกก

1. Section 1 : Data driven organization and AI
2. Section 2 : Data Foundation and data modeling
3. Section 3 : Statistical thinking and EDA
4. Section 4 : Tidy data
5. Section 5 : Cleaning data
6. Section 6 : Feature engineering and relation between features

Outline and short note

Section 1 : Data driven organization and AI

อาจารย์ overview บริษัทที่ใช้ Data driven, Business cases เช่น up-sell (ขายของ 1 ชิ้นในราคาสูงขึ้น) เช่น iPhone 17 + pro ได้รายได้สูงกว่า iphone 17 เฉยๆ. cross-sell ขายหลายชิ้น เช่น หนังสือ A + B ในหมวดหมู่เดียวกันหรือนักเขียนคนเดียวกัน. คำถาม iPad + Apple pencil เป็น up หรือ cross sell ?

ตัวอย่างแต่ละ Sector ใช้ข้อมูลทำอะไรบ้าง

Bank

ใช้ credit score, risk management.

Production and manufacturing

ใช้ planning, forecast demand, transportation allocation.

Insurance

ใช้ consumer profiling, sentiment analysis

Retail and commercial

ใช้ geo-marketing, supply chain.

เวลาเจอ business objectives จะตอบได้จาก stage of data analytics.

• Desscriptive
• Diagnostic
• Predictive
• Prescriptive

ถ้าจะ Action business case (top pyramid) ได้ ต้องหา insight ให้เจอจาก data (base pyramid) // information // insight

แตะประเภทของ AI นิดหน่อย มี 2 แบบ

• Analytical AI eg. segment, sales forecast
• Generative AI eg. design concept, code generate, summarise data.

Section 2 : Data Foundation and data modeling

Relationship in data schema ตารางตรงกลางเรียก “Fact” รอบๆดาวเรียก “Dimension”

แต่ละ table จะมี primary key เป็น unqinue และใน fact table จะมี foreign key ใช้เป็น primary key ใน dimension table ตัวอย่าง FK ใน column “customer_id” ใน fact table “Orders” จะเป็น PK ของ dimension table “Customers”

ตัวอย่างเพิ่มเติม

Section 3 : Statistical thinking and EDA

EDA คือ Exploratory data analysis 3 keys aspect

• understanding data features
• cleaning data
• identifying data patterns ans relationship

อาจารย์บอกว่า EDA เป็น art & science ไม่มี standard อ้าวววว แต่มี tips and trick ให้ 2 ข้อ

• start with question : ช่วย scope down and focus ด้วยข้อมูล เป็นขั้นตอนที่สำคัญก่อนทำ EDA
• start from big picture : ถามคำถามง่ายๆแล้วค่อย drill down

Section 4 : Tidy data

คือการทำให้ข้อมูลเป็นระเบียบ เน้นที่ตัว raw data บางทีขอ้มูลมาในรูปแบบ report เหมือนที่เรา pivot มาแล้ว

3 rules of tidy data

• each variable / feature is a column
• each observation is a row
• every cell is a single value

ตัวอย่าง untidy data format

Section 5 : Cleaning data

ทั่วๆไป dirty data มี 6 แบบ

• outlier :
• missing :
• inconsistent : Bangkok, BKK, bkk, กรุงเทพ
• duplicate :
• wrong type : classic case คือ มอง date เป็น number
• inaccurate : เป็นค่า error เช่น body temperature sensor reading 30 degress celsius เป็นไปไม่ด้ายยยย

Section 6 : Feature engineering and relation between features

part นี้ เจ๋งดี เสียดายไม่ได้ลงรายละเอียดมากนัก เป็นการเอาข้อมูลมาสร้าง feature ใหม่ คนทำส่วนนี้ได้ต้องมี domain expert ด้วย

• convert distance and duration data of flights into velocity.
• extract transection data into customer behavior data.

หาความสัมพันธ์ของข้อมูลอาจจะใช้ correlation.