ສະຖາບັນໄອທີຈີເນຍສ໌IT Genius Instituteหลักสูตร 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
ຂະນະນີ້ຍັງບໍ່ມີຮອບຝຶກອົບຮົມເປີດຮັບສະໝັກ ລົງຊື່ຈອງໄວ້ໄດ້ເລີຍ ທີມງານຈະຕິດຕໍ່ກັບເປັນກຸ່ມທຳອິດເມື່ອເປີດຮອບຕໍ່ໄປ ຫຼື ສອບຖາມທາງ LINE ຫຼື ໂທ 02-570-8449 ຫຼື 088-807-9770
เหมาะกับ Key Users และผู้จัดทำรายงานของแต่ละหน่วยงาน · ผู้ที่ได้รับมอบหมายหรือกำลังจะได้รับมอบหมายเป็น Data Owner หรือ Data Steward · วิศวกรและนักวิเคราะห์ที่ใช้ข้อมูลในการแก้ปัญหา พื้นฐานที่ผู้เรียนควรมี ใช้ Microsoft Excel ระดับกลางได้ เช่น สูตรพื้นฐาน, Filter และ PivotTable · เกี่ยวข้องกับการบันทึก จัดทำ หรือใช้ข้อมูลในงานของหน่วยงาน หากไม่แน่ใจว่าพื้นฐานพอหรือไม่ ปรึกษาทีมงานได้ฟรีทาง LINE @itgenius หรือโทร 02-570-8449
ราคาปกติ 7,900 บาท (โปรโมชันปัจจุบันเหลือ 7,110 บาท) ใช้เวลาอบรม 12 ชั่วโมง ราคานี้ยังไม่รวม VAT 7% (กรณีชำระในนามนิติบุคคล) ชำระค่าอบรมด้วยการโอนเข้าบัญชีบริษัท แล้วแจ้งชำระเงินผ่านหน้าแจ้งชำระเงินของเว็บไซต์ และขอใบเสร็จรับเงินหรือใบกำกับภาษีในนามบริษัทได้
ได้รับ ผู้ผ่านการอบรมทุกท่านจะได้รับใบประกาศนียบัตร (Certificate of Completion) จากสถาบันไอทีจีเนียส ใบประกาศแต่ละใบมีเลขที่ของตัวเอง ใครก็ตามที่มีเลขที่ใบประกาศตรวจสอบความถูกต้องออนไลน์ได้ที่หน้าตรวจสอบใบประกาศของสถาบัน จึงใช้แนบแฟ้มผลงานหรือส่งให้ฝ่ายบุคคลประกอบการพัฒนาบุคลากรได้
เรียนได้ทั้งแบบออนไซต์ที่สถาบันไอทีจีเนียส และนัดเรียนผ่านออนไลน์ และรับจัดอบรมเฉพาะทีม (In-house Training) ให้องค์กร สอบถามรอบและสถานที่ได้ที่ LINE @itgenius หรือโทร 02-570-8449
มี ผู้เรียนสามารถแจ้งขอเรียนซ้ำ (repeat) ในรอบถัดไปของหลักสูตรเดียวกันได้ฟรีตามเงื่อนไขของสถาบัน แจ้งชื่อหลักสูตรและรอบที่เคยเรียนกับทีมงาน แล้วทีมงานจะตรวจสอบและแจ้งรอบที่ยังมีที่นั่งว่างให้เลือก สอบถามได้ที่ LINE @itgenius หรือโทร 02-570-8449
สมัครออนไลน์ได้จากแบบฟอร์มลงทะเบียนบนหน้านี้ ลงทะเบียนผู้เข้าอบรมหลายคนได้ในครั้งเดียว และกรอกเลขประจำตัวผู้เสียภาษีกับที่อยู่สำหรับออกใบกำกับภาษีได้ในฟอร์ม หรือขอใบเสนอราคา (Quotation) ในนามนิติบุคคลได้ทันทีจากปุ่มขอใบเสนอราคา สอบถามเพิ่มเติมโทร 02-570-8449 หรือ LINE @itgenius
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…
