Claude AI for Data Analyst

อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง รูปแบบบรรยายพร้อมปฏิบัติจริง (Hands-on Workshop) และ Capstone Project ระดับ Intermediate ไม่จำเป็นต้องมีพื้นฐานการเขียนโปรแกรม เนื้อหาสอนผ่านชุดข้อมูลตัวอย่างเสมือนจริง (ยอดขาย ลูกค้า ปฏิบัติการ และการเงิน) ผู้เรียนจะได้ Prompt Library, Claude Skill, Template รายงานผู้บริหาร, Dashboard Wireframe และ Checklist ด้าน Data Governance และ PDPA กลับไปใช้งานจริง

Day 1: จากข้อมูลดิบสู่การวิเคราะห์ที่เชื่อถือได้

Section 1: Claude AI as Your Data Analyst Assistant

• ภาพรวม Generative AI กับงาน Data Analytics การเลือก Model ให้เหมาะกับงาน (คิดเชิงลึก วิเคราะห์ปริมาณมาก เขียนรายงาน สร้างไฟล์) และการเข้าใจ Context Window สำหรับข้อมูลขนาดใหญ่
• การ Upload และทำงานกับไฟล์หลายรูปแบบ (CSV, Excel, PDF, JSON, รูปภาพ) และการใช้ Project และ Project Knowledge เพื่อเก็บบริบทองค์กรไว้ใช้ซ้ำ
• ข้อจำกัดของ AI กับงานตัวเลข (Hallucination, การคำนวณผิด, การอ่านตารางผิด) และ Verification Mindset ก่อนนำตัวเลขไปใช้จริง
• Workshop: อัปโหลดชุดข้อมูลยอดขายตัวอย่าง แล้วให้ Claude สรุปภาพรวมพร้อมตรวจสอบตัวเลขย้อนกลับ

Section 2: Prompt Engineering สำหรับ Data Analyst

• โครงสร้าง Prompt ที่ดีสำหรับงานข้อมูล (Role, Context, Data, Task, Format, Constraint) และความแตกต่างจาก Prompt ทั่วไป
• Prompt Pattern สำคัญ 5 แบบ: Ask, Analyze, Validate, Visualize และ Recommend พร้อมเทคนิค Chain of Thought และ Few-shot Example
• การสร้าง Prompt Library ส่วนตัวสำหรับงานที่ทำซ้ำทุกเดือน
• Workshop: ออกแบบ Prompt ชุดหนึ่งสำหรับงานรายงานที่ผู้เรียนทำอยู่จริง แล้วทดสอบและปรับปรุง

Section 3: Data Thinking with GQM Framework

• หลักคิด Data Analytics ที่เริ่มจากคำถามไม่ใช่เริ่มจากข้อมูล และระดับการวิเคราะห์ Descriptive, Diagnostic, Predictive และ Prescriptive
• GQM Framework แปลงเป้าหมายธุรกิจเป็น KPI ที่วัดได้จริง ความแตกต่างของ KPI, Metric และ Dimension และ Leading กับ Lagging Indicator
• การเลือก Metric ที่ไม่หลอกตัวเอง: Vanity Metric, Survivorship Bias และ Simpson Paradox
• Workshop: สร้าง GQM Canvas ของหน่วยงานตนเอง พร้อมให้ Claude ช่วยตรวจสอบความสมเหตุสมผลของ KPI

Section 4: Data Cleansing และ Data Preparation ด้วย Claude

• การให้ Claude ทำ Data Profiling และตรวจหาปัญหาข้อมูล: Missing Values, Duplicate, Outlier, Inconsistent Format และ Data Type ผิดประเภท
• ปัญหาเฉพาะของข้อมูลภาษาไทย (วันที่แบบ พ.ศ. และ ค.ศ., เลขไทย, ช่องว่างเกิน, การสะกดชื่อไม่ตรงกัน) และการสร้าง Data Cleaning Plan ที่บันทึกได้ว่าแก้อะไรไปบ้าง
• การทำ Lookup, Merge, Join, Grouping และ Calculated Column ด้วยคำสั่งภาษาธรรมชาติ พร้อมการจัดการ Data Dictionary
• Workshop: ทำความสะอาดชุดข้อมูลลูกค้าที่มีปัญหาจริง ตั้งแต่ตรวจสอบจนได้ไฟล์พร้อมวิเคราะห์

Section 5: การวิเคราะห์ที่ตรวจสอบย้อนกลับได้ ด้วย Claude Code และ Python/Pandas

• ปัญหาของการวิเคราะห์ในหน้าแชท (ผลลัพธ์ไม่คงที่ ตรวจสอบย้อนกลับได้ยาก) และแนวคิด Reproducible Analysis
• ให้ Claude เขียนสคริปต์ Python และ Pandas สำหรับงาน Cleansing และ Aggregation และสร้าง ETL Pipeline ขนาดเล็กที่รันซ้ำได้ทุกเดือน
• การเขียน Data Validation Check เพื่อจับความผิดปกติอัตโนมัติ และการส่งออกผลลัพธ์เป็นไฟล์ Excel ที่มีสูตรคำนวณจริง
• Workshop: สร้างสคริปต์วิเคราะห์ยอดขายรายเดือนที่รับไฟล์ใหม่แล้วออกรายงานได้ทันที

Section 6: สรุปวันที่ 1 และ Workshop ทบทวน

• ทบทวนกระบวนการทำงาน: ตั้งโจทย์ เตรียมข้อมูล วิเคราะห์ และตรวจสอบ พร้อมข้อผิดพลาดที่พบบ่อยในวันแรกและวิธีหลีกเลี่ยง
• Workshop: นำชุดข้อมูลที่ทำความสะอาดแล้วมาตอบคำถามธุรกิจ 3 ข้อจาก GQM Canvas ของตนเอง และแนะนำสิ่งที่ควรเตรียมสำหรับวันที่ 2

Day 2: จาก Insight สู่ Dashboard, Report และ Automation

Section 7: Dashboard Design และ Insight Generation

• หลักการออกแบบ Dashboard สำหรับผู้บริหาร: Dashboard ต้องตอบคำถามไม่ใช่แค่แสดงกราฟ และประเภท Strategic, Operational และ Analytical
• การเลือก Chart ให้ตรงกับคำถาม หลักการ Visual Hierarchy การใช้สีอย่างมีความหมาย และกับดักการนำเสนอที่ทำให้ตีความผิด
• การให้ Claude ช่วยค้นหา Insight, Anomaly, Trend และ Correlation พร้อมแยกแยะระหว่าง Correlation กับ Causation
• Workshop: ออกแบบ Dashboard Wireframe สำหรับผู้บริหารจากชุดข้อมูลของวันที่ 1

Section 8: Claude Artifact และ Interactive Dashboard Prototype

• การสร้าง Interactive Dashboard Prototype ด้วย Artifact โดยไม่ต้องเขียนโค้ดเอง เพิ่ม Filter, Drill Down, การเรียงลำดับและการค้นหา
• การสร้าง HTML Report และ Live Artifact ที่ดึงข้อมูลสดจาก Data Source และกด Refresh ได้ พร้อมปรับ Design System ให้ตรง Brand องค์กร
• ขอบเขตที่ Artifact เหมาะสม และจุดที่ควรย้ายไปใช้ Power BI หรือเครื่องมือ BI เต็มรูปแบบ
• Workshop: สร้าง Interactive Dashboard จาก Wireframe ที่ออกแบบไว้ พร้อมทดสอบการใช้งานจริง

Section 9: Executive Insight Report และ Research Workflow

• โครงสร้างรายงานที่ผู้บริหารอ่านแล้วตัดสินใจได้ภายใน 3 นาที ด้วย Narrative เกิดอะไรขึ้น เพราะอะไร ควรทำอะไรต่อ และหลัก Pyramid Principle
• การใช้ Claude Research และ Web Search เพื่อหาข้อมูลตลาดและคู่แข่ง พร้อมการอ้างอิงแหล่งข้อมูลและการตรวจสอบความน่าเชื่อถือ
• Workshop: เขียน Executive Insight Report ความยาว 1 หน้า จากผลวิเคราะห์ของตนเอง

Section 10: Automation, Claude Cowork และ MCP Connector

• การประเมินงานประจำว่างานใดควรทำอัตโนมัติ งานใดควรมีมนุษย์ตรวจสอบเสมอ และการใช้ Cowork จัดการไฟล์จำนวนมากบนเครื่องผู้ใช้
• ภาพรวม MCP (Model Context Protocol) และการเชื่อม Connector ที่ใช้บ่อย (Google Drive, Google Sheets, Gmail, MySQL, PostgreSQL)
• การสร้าง Morning Insight Brief และการตั้ง Scheduled Task สำหรับรายงานประจำวัน ประจำสัปดาห์ และประจำเดือน
• Workshop: ตั้งค่า Automation หนึ่งชุดสำหรับสรุปข้อมูลจากโฟลเดอร์ไฟล์รายงาน

Section 11: Claude Skills สำหรับงานรายงานประจำขององค์กร

• โครงสร้างของ Skill (SKILL.md, Description ที่ดี, ไฟล์ประกอบ) และการเขียน Description ให้ Skill ถูกเรียกใช้ได้ถูกจังหวะ
• การฝัง Template รายงาน มาตรฐานการคำนวณ และ Business Rule ขององค์กรลงใน Skill เพื่อให้รายงานยอดขายประจำเดือนได้ผลเหมือนกันทุกครั้ง
• การแบ่งปัน Skill ให้ทีมใช้ร่วมกัน และภาพรวม Claude Agent SDK สำหรับองค์กรที่ต้องการต่อยอดเป็นระบบอัตโนมัติเต็มรูปแบบ (Demo)
• Workshop: สร้าง Skill หนึ่งตัวสำหรับงานรายงานที่ผู้เรียนต้องทำซ้ำทุกเดือน

Section 12: Data Governance, Security และ PDPA

• การจำแนกระดับชั้นความลับของข้อมูล (Data Classification) ข้อมูลส่วนบุคคลตาม PDPA และสิ่งที่ห้ามนำเข้าระบบ AI โดยเด็ดขาด
• เทคนิคลดความเสี่ยง: Data Masking, Anonymization, Pseudonymization และการตัดคอลัมน์ที่ไม่จำเป็น
• การตั้งค่า Permission ของ Connector และ MCP ตามหลัก Least Privilege การวาง AI Usage Policy, Audit Trail และ Human in the Loop
• Workshop: ตรวจสอบชุดข้อมูลตัวอย่าง ระบุข้อมูลอ่อนไหว และจัดทำแนวปฏิบัติของหน่วยงานตนเอง

Section 13: Capstone Project และการนำไปใช้จริง

• โจทย์: สร้างชุดงานวิเคราะห์ครบวงจรจากชุดข้อมูลธุรกิจที่กำหนดให้หรือข้อมูลของหน่วยงานตนเอง ตั้งเป้าหมายและ KPI ด้วย GQM Framework
• ทำความสะอาดข้อมูลและวิเคราะห์เพื่อหา Insight สำคัญ 3 ประเด็น สร้าง Interactive Dashboard ด้วย Claude Artifact และเขียน Executive Insight Report พร้อมข้อเสนอแนะ
• นำเสนอผลงานและรับ Feedback แนวทางการเริ่มใช้งานจริงใน 30 วันแรก และเส้นทางต่อยอด (Power BI, SQL, Python for Data Analysis, AI Agent สำหรับองค์กร)