Data Literacy, Quality and Governance

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

Day 1: Data Literacy และ Data Quality

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

Day 2: Data Governance และความพร้อมของข้อมูลสำหรับ AI

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