หลักสูตร Data Literacy, Quality & Governance เป็นการอบรมการอ่านและตั้งคำถามกับข้อมูล วัดคุณภาพข้อมูล ทำ Data Cleansing ด้วย Power Query และ Copilot จนถึงวาง Data Governance ตาม DAMA-DMBOK และทำ Data Dictionary เพื่อเตรียมข้อมูลให้พร้อมสำหรับ AI เหมาะกับ Key Users ผู้จัดทำรายงาน Data Owner และทีม IT หรือ DX
AI จะฉลาดได้เท่ากับข้อมูลที่ป้อนให้ โครงการ AI หลายโครงการในองค์กรไม่สำเร็จไม่ใช่เพราะเทคโนโลยี แต่เพราะข้อมูลกระจัดกระจายอยู่หลายที่ รหัสสินค้าหรือรหัสผู้ขายไม่ตรงกันระหว่างระบบ ข้อมูลไม่ครบ หรือไม่มีใครเป็นเจ้าของข้อมูลอย่างชัดเจน ขณะเดียวกันพนักงานจำนวนมากยังไม่มั่นใจในการอ่านและตั้งคำถามกับข้อมูล การตัดสินใจจึงยังพึ่งความรู้สึกมากกว่าข้อเท็จจริง
หลักสูตรนี้วางรากฐานด้านข้อมูลให้องค์กรพร้อมสำหรับ AI ครบ 3 ด้าน ด้านแรกคือ Data Literacy ให้อ่าน ตีความ และสื่อสารด้วยข้อมูลได้อย่างมีวิจารณญาณ ด้านที่สองคือ Data Quality ให้วัดคุณภาพข้อมูลเป็นตัวเลขและปรับปรุงได้จริงด้วย Power Query แบบที่ทำซ้ำได้อัตโนมัติ ด้านที่สามคือ Data Governance ให้กำหนดบทบาท มาตรฐาน และกติกาการใช้ข้อมูลตามแนวทาง DAMA-DMBOK เชื่อมกับการจัดชั้นข้อมูลและ PDPA แล้วประเมินความพร้อมของข้อมูลก่อนเริ่มโครงการ AI
ผู้เรียนจะจบหลักสูตรพร้อม Data Governance Mini-kit ของ Data Domain ที่ตนรับผิดชอบ เนื้อหาเน้นหลักการที่ใช้ได้กับทุกระบบ ไม่ใช่การอบรมเครื่องมือ Data Governance เชิงพาณิชย์หรือระบบ ERP / MDM เฉพาะ (อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง ระดับ Beginner ถึง Intermediate)
รายละเอียดหลักสูตร
อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อมฝึกปฏิบัติกับชุดข้อมูลจำลอง Part Master บันทึกการผลิต และข้อมูลซัพพลายเออร์ ที่มีปัญหาคุณภาพแบบที่พบในงานจริง ระดับ Beginner ถึง Intermediate ฝึกปฏิบัติด้วย Microsoft Excel, Power Query และ Microsoft 365 Copilot อ้างอิงกรอบ DAMA-DMBOK และ พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 หลักสูตรนี้ไม่ใช่การอบรมเครื่องมือ Data Governance เชิงพาณิชย์ หรือระบบ ERP /
MDM เฉพาะ แต่เน้นหลักการและแนวปฏิบัติที่ใช้ได้กับทุกระบบ ผู้เรียนจะได้ไฟล์ Power Query สำหรับ Data Cleansing, Template Data Quality Scorecard, Data Governance Mini-kit (Data Dictionary, RACI, Data Quality Rules) และ Data Readiness for AI Checklist กลับไปใช้งานจริง มีแบบทดสอบก่อนและหลังเรียน 20 ข้อ พร้อมการประเมิน Data Quality Scorecard และ Mini-kit ที่ผู้เรียนจัดทำ และต่อยอดได้กับหลักสูตร AI Governance และ Responsible AI สำหรับองค์กร
Section 1: ข้อมูลกับ AI และการตัดสินใจ
หลัก Garbage In, Garbage Out และเหตุที่คุณภาพของ AI ขึ้นกับข้อมูลที่ป้อนให้
ข้อมูลในฐานะทรัพย์สินขององค์กรที่ต้องดูแลเหมือนทรัพย์สินอื่น
สาเหตุที่โครงการ AI ไม่สำเร็จ: ข้อมูลกระจัดกระจาย รหัสไม่ตรงกัน และไม่มีเจ้าของ
ตัวอย่างความเสียหายทางธุรกิจที่เกิดจากข้อมูลที่ผิดพลาด
การตัดสินใจบนข้อเท็จจริงแทนการพึ่งความรู้สึก
Section 2: พื้นฐาน Data Literacy
ข้อมูลแบบมีโครงสร้างและไม่มีโครงสร้าง พร้อมตัวอย่างในงานประจำวัน
ความต่างระหว่าง Master Data กับ Transaction Data
Metadata: ข้อมูลที่อธิบายข้อมูล และเหตุที่สำคัญต่อการใช้ข้อมูลร่วมกัน
ระดับการวิเคราะห์ Descriptive, Diagnostic, Predictive และ Prescriptive
Section 3: อ่านและตั้งคำถามกับข้อมูล
ค่าเฉลี่ย มัธยฐาน และการกระจายของข้อมูล
การสังเกตค่าผิดปกติและผลที่มีต่อข้อสรุป
ความสัมพันธ์กับเหตุและผล: กับดักที่ทำให้ตีความผิด
กราฟที่ชวนเข้าใจผิดและวิธีสังเกต
กิจกรรม: จับผิดรายงานที่ตีความข้อมูลคลาดเคลื่อน
Section 4: Data Visualization และ Data Storytelling
การเลือกกราฟให้เหมาะกับคำถามที่ต้องการตอบ
การจัดวางกราฟให้อ่านง่ายและเน้นประเด็นสำคัญ
การเล่าเรื่องจากข้อมูลให้ผู้บริหารเห็นประเด็นและตัดสินใจได้
การเรียงเนื้อหาจากข้อเท็จจริงไปสู่ข้อเสนอแนะ
Section 5: มิติคุณภาพข้อมูล
Accuracy และ Completeness: ข้อมูลถูกต้องและครบถ้วนหรือไม่
Consistency และ Timeliness: ข้อมูลตรงกันระหว่างระบบและทันเวลาหรือไม่
Validity และ Uniqueness: ข้อมูลอยู่ในรูปแบบที่กำหนดและไม่ซ้ำหรือไม่
วิธีวัดผลคุณภาพข้อมูลแต่ละมิติออกมาเป็นตัวเลข
Section 6: Data Profiling และ Cleansing ด้วย Power Query
การทำ Data Profiling เพื่อสำรวจปัญหาก่อนลงมือแก้
ตรวจหาข้อมูลซ้ำ แก้ชนิดข้อมูล และแยกหรือรวมคอลัมน์
ปรับรหัสให้เป็นมาตรฐานเดียวกัน และ Unpivot ข้อมูลให้พร้อมวิเคราะห์
รวมข้อมูลจากหลายแหล่งเข้าด้วยกันใน Power Query
สร้างขั้นตอนที่ทำซ้ำได้อัตโนมัติ ไม่ต้องแก้มือทุกเดือน
ใช้ Copilot ช่วยตรวจหาความผิดปกติในชุดข้อมูล
Section 7: Workshop: Data Quality Scorecard
โจทย์: ชุดข้อมูลจำลอง Part Master และบันทึกการผลิตที่มีปัญหาหลายรูปแบบ
วัดคะแนนคุณภาพข้อมูลก่อนทำความสะอาดตามมิติที่เรียนมา
ทำความสะอาดข้อมูลด้วย Power Query แล้ววัดคะแนนหลังปรับปรุง
วิเคราะห์สาเหตุต้นทางของปัญหาคุณภาพข้อมูลที่พบ
Workshop: สรุป Scorecard และสาเหตุต้นทางของปัญหาเพื่อใช้ต่อในวันที่ 2
Section 8: กรอบ Data Governance ตาม DAMA-DMBOK
ภาพรวม DAMA-DMBOK และขอบเขตของการบริหารจัดการข้อมูล
หลักการ นโยบาย และมาตรฐานที่เป็นแกนของ Data Governance
ตัวชี้วัดสำหรับติดตามผลการกำกับดูแลข้อมูล
การเริ่มต้นแบบค่อยเป็นค่อยไปสำหรับองค์กรการผลิต
Section 9: บทบาทและความรับผิดชอบด้านข้อมูล
Data Owner: ผู้ตัดสินใจและรับผิดชอบต่อข้อมูลของ Domain
Data Steward: ผู้ดูแลมาตรฐานและคุณภาพข้อมูลในทางปฏิบัติ
Data Custodian: ผู้ดูแลระบบและการจัดเก็บข้อมูลด้านเทคนิค
Data User: ผู้ใช้ข้อมูลและกติกาที่ต้องปฏิบัติตาม
การทำ RACI สำหรับกระบวนการข้อมูล
Section 10: Master Data และ Data Standard
ความสำคัญของ Master Data ที่ถูกต้องและใช้ร่วมกันทั้งองค์กร
มาตรฐานการตั้งรหัสและชื่อ เช่น Part Number, Supplier Code และ Machine ID
การจัดการ Reference Data ให้ทุกระบบใช้ค่าชุดเดียวกัน
การป้องกันรหัสไม่ตรงกันระหว่างระบบตั้งแต่ต้นทาง
Section 11: Metadata และ Data Catalog
Business Glossary: นิยามคำศัพท์ทางธุรกิจให้ทุกฝ่ายเข้าใจตรงกัน
Data Dictionary: รายละเอียดของแต่ละฟิลด์ ชนิดข้อมูล และความหมาย
Data Lineage: การติดตามที่มาและเส้นทางของข้อมูล
การรวบรวมเป็น Data Catalog ให้ค้นหาและใช้ข้อมูลได้ถูกต้อง
Section 12: การจัดชั้นข้อมูล ความปลอดภัย และ PDPA
การจัดชั้นข้อมูลและการเชื่อมโยงกับ ISMS ขององค์กร
การกำหนดสิทธิ์การเข้าถึงให้สอดคล้องกับระดับชั้นข้อมูล
การใช้ข้อมูลส่วนบุคคลให้ตรงวัตถุประสงค์ตาม พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562
การเตรียมข้อมูลก่อนนำเข้า AI ให้ปลอดภัยและถูกต้องตามกติกา
Section 13: Data Readiness for AI
Checklist ประเมินความพร้อมของข้อมูลก่อนเริ่มโครงการ AI
ความพร้อมใช้และคุณภาพของข้อมูลที่จะนำไปใช้
สิทธิ์การเข้าถึงข้อมูลที่ต้องจัดการให้ชัดเจน
การติดป้ายกำกับ (Labeling) และปริมาณข้อมูลที่เพียงพอ
การสรุปผลการประเมินเป็น AI Readiness Score
Section 14: Workshop: Data Governance Mini-kit
ต่อยอดจากสาเหตุต้นทางของปัญหาที่พบในวันที่ 1
เลือก 1 Data Domain จากงานของผู้เรียนเอง หรือกรณีศึกษาที่วิทยากรเตรียมให้
ตัวอย่าง Data Domain: Part Master, Production Record และ Supplier
จัดทำ Data Dictionary, RACI ของ Owner / Steward และ Data Quality Rules
Workshop: ประเมิน AI Readiness Score แล้วนำเสนอ Mini-kit ของ Domain
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
มิติที่ใช้กันทั่วไปได้แก่ ความครบถ้วน (Completeness) ความถูกต้อง (Accuracy) ความสอดคล้องกันระหว่างระบบ (Consistency) ความทันเวลา (Timeliness) ความถูกต้องตามรูปแบบและกฎ (Validity) และความไม่ซ้ำ (Uniqueness) แต่ละมิติวัดเป็นตัวเลขได้ เช่น ร้อยละของรหัสสินค้าที่ไม่มีหน่วยนับ แล้วรวมเป็น Scorecard เพื่อติดตามว่าคุณภาพดีขึ้นหรือแย่ลง
เริ่มจากดึงข้อมูลเข้า Power Query แล้วเปิด Column Quality และ Column Distribution เพื่อดูค่าว่าง ค่าผิดพลาด และค่าซ้ำ จากนั้นตัดช่องว่างเกิน ปรับตัวพิมพ์ให้เหมือนกัน แปลงชนิดข้อมูลให้ถูก แทนค่าที่สะกดต่างกัน และลบแถวซ้ำ แล้วจึงโหลดผลกลับเข้า Excel ทุกขั้นถูกบันทึกเป็น Applied Steps จึงกด Refresh ทำซ้ำกับข้อมูลชุดใหม่ได้ทันที
Data Owner คือผู้บริหารหรือหัวหน้าที่รับผิดชอบข้อมูลชุดหนึ่งในเชิงธุรกิจ ตัดสินใจเรื่องนิยาม สิทธิ์การเข้าถึง และระดับคุณภาพที่ยอมรับได้ ส่วน Data Steward คือผู้ดูแลข้อมูลในงานประจำวัน คอยตรวจคุณภาพ แก้ข้อมูลผิด ดูแล Data Dictionary และให้ทุกคนใช้กฎเดียวกัน การกำหนดบทบาทนี้ด้วยตาราง RACI ช่วยให้ข้อมูลมีเจ้าของชัดเจน
เหมาะกับ Key Users และผู้จัดทำรายงานของแต่ละหน่วยงาน ผู้ที่ได้รับมอบหมายเป็น Data Owner หรือ Data Steward วิศวกรและนักวิเคราะห์ที่ใช้ข้อมูลแก้ปัญหา และทีม IT หรือ DX ที่ดูแลโครงการข้อมูลและ AI ควรใช้ Excel ระดับกลางได้ เช่น สูตรพื้นฐาน Filter และ PivotTable และเกี่ยวข้องกับการบันทึกหรือใช้ข้อมูลในงาน โดยไม่ต้องมีพื้นฐานการเขียนโปรแกรม ฐานข้อมูล หรือสถิติขั้นสูง
อ่านและตั้งคำถามกับข้อมูลอย่างมีวิจารณญาณ วัดคุณภาพข้อมูลเป็นตัวเลขด้วย Data Quality Scorecard ทำ Data Profiling และ Data Cleansing ด้วย Power Query ที่ทำซ้ำได้ จัดทำ Data Dictionary และ Data Quality Rules ของ Data Domain ตามกรอบ DAMA-DMBOK และประเมินความพร้อมของข้อมูลก่อนเริ่มโครงการ AI ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้
เตรียมโน้ตบุ๊ก Windows 10 หรือ 11 ที่ติดตั้ง Microsoft Excel เวอร์ชัน Microsoft 365 ซึ่งมี Power Query อยู่แล้ว การฝึกปฏิบัติใช้ชุดข้อมูลจำลอง เช่น Part Master บันทึกการผลิต และข้อมูลซัพพลายเออร์ที่มีปัญหาคุณภาพแบบที่พบในงานจริง หลักสูตรเน้นหลักการที่ใช้ได้กับทุกระบบ ไม่ใช่การสอนเครื่องมือ Data Governance เชิงพาณิชย์หรือระบบ ERP เฉพาะ
โรงงานและงานการผลิตเต็มไปด้วยเอกสาร ข้อมูล และงานประจำจำนวนมาก ทั้งการจัดทำและปรับปรุง SOP และ Work Instruction การบันทึกและวิเคราะห์ข้อมูลการผลิต การหาสาเหตุของเสียและ Downtime การจัดทำรายงานประจำกะและประจำเดือน งานซ่อมบำรุงและความปลอดภัย…
องค์กรส่วนใหญ่มีพนักงานใช้ AI กันแล้ว แต่ยังไม่มีนโยบายว่าใช้ได้แค่ไหน ข้อมูลอะไรห้ามป้อนเข้าไป ใครรับผิดชอบเมื่อ AI ให้ผลผิด และจะตอบผู้ตรวจสอบอย่างไรว่ามีการควบคุมอยู่จริง ช่องว่างนี้กลายเป็นความเสี่ยงทั้งด้านข้อมูลรั่วไหล ด้านกฎหมาย และด้านชื่อเสียง…
ธุรกิจการผลิตที่ความต้องการผันผวนตามฤดูกาลต้องวางแผนภายใต้ความไม่แน่นอนหลายชั้นพร้อมกัน ทั้งยอดขายที่ขึ้นลงตามช่วงเวลา ราคาวัตถุดิบ ระยะเวลาการจัดส่ง และความเสี่ยงของซัพพลายเออร์…
