Data Driven Business by Coraline

Data Driven Business by Coraline

ตำแหน่งใกล้เคียง วณิชย์

The Marcom Pro Co., Ltd
The Marcom Pro Co., Ltd
Sinn Sathorn Tower, 31st floor, 77/131 Krungthonburi Road, Klongtonsai, Klongsarn
Whatnot Startup Studio
Whatnot Startup Studio
110/1 Thanon Krung Thon Buri, Khwaeng Bang Lamphu Lang
Jacob Jensen Design l KMUTT Bangkok
Jacob Jensen Design l KMUTT Bangkok
Knowledge Exchange, 15th Floor, Krung Thonburi Road,, Banglamphulang, Klongsan
Affinity Solution
Affinity Solution
126/31 ThaiSri Tower, 8th Fl., Krungthonburi Rd., Banglampoolang, Klongsan,
KX Knowledge Xchange
KX Knowledge Xchange
110/1, Krung Thonburi Road Banglamphulang, Khlongsan
FabLab Bangkok
FabLab Bangkok
KX (KNOWLEDGE EXCHANGE) 110/1 Krung Thonburi Road, Banglamphulang, Khlongsan
Ong Coffee Service ซ่อมเครื่องชงกาแฟ
Ong Coffee Service ซ่อมเครื่องชงกาแฟ
936 เจริญนคร 14 คลองต้นไทร คลองสาน
Visa.Au.Help วีซ่าออสเตรเลีย เราช่วย
Visa.Au.Help วีซ่าออสเตรเลีย เราช่วย
96 Krungthonburi, Banglamphulang, Khlong San
Comet Office - Serviced Office / Meeting Room / Seminar Service
Comet Office - Serviced Office / Meeting Room / Seminar Service
Thonburi Road (Close to BTS Wongwien Yai)
TP-Link Biz
TP-Link Biz
77/114-115 ชั้น 27 อาคารสินสาธร Thanon Krung Thon Buri, Khlong Ton Sai, Khlong San
GLASSGIO
GLASSGIO
21/24-25 Sathon Business Park, Krung Thonburi Road, Klong Tonsai, Klongsan (3.43 km) 10600 Bangkok, Thailand
บริษัท พีโอพี บิสสิเนส จำกัด
บริษัท พีโอพี บิสสิเนส จำกัด
กรุงธนบุรี 4
Laser Gallery studio 2017 ผลิตรองเท้า กระเป๋
Laser Gallery studio 2017 ผลิตรองเท้า กระเป๋
เลขที่ 31 ซอยแสงเมือง ซอยเจริญรัถ1 ถนนเจริญรัถ แขวงคลองต้นไทร เขตคลองสาน
มงคล ตั้งมั่นในกิจ Allianz Ayudhya
มงคล ตั้งมั่นในกิจ Allianz Ayudhya
200 ถนนลาดหญ้า แขวงสมเด็จเจ้าพระยา เขตคลองสาน
ARDI
ARDI
27 Charoen Nakorn 14, Klongtonsai, Klongsan

ความคิดเห็น

🗞 วิเคราะห์ข่าว “The Importance Of A Data Governance Framework” by Forbes

จากการปฏิวัติอุตสาหกรรมครั้งที่ 4 ที่กำลังก่อตัว ด้วยพลังการประมวลผล, Internet, เทคโนโลยีอัตโนมัติ และองค์ความรู้นวัตกรรมใหม่ที่เพิ่มขึ้นอย่างรวดเร็ว ส่งผลให้องค์กรต่างๆพยายามเปลี่ยนรูปแบบการดำเนินงาน, Business model และ customer experience ที่เกี่ยวข้องกับข้อมูลเพื่อเพิ่มมูลค่าให้กับธุรกิจ

โดยองค์กรต่างสร้าง Insight ที่มีความแตกต่างเพื่อเป็นแนวทางในการตัดสินใจ แต่ความท้าทายคือการเติบโตของข้อมูลในปัจจุบันที่มีการสร้าง Digital data ประมาณ 2.5 Quintillion bytes ในแต่ละวัน และคาดการณ์ว่าปริมาณข้อมูลจะเพิ่มขึ้นเป็น 10 เท่า ภายใน 2025 จึงเป็นที่มาว่าทำไม Data security จึงมีความสำคัญ

นอกจากนี้ความท้าทายอื่นที่สำคัญ ได้แก่ Data quality, Data transparency, Data accessibility, Data integration, Data sharing และการใช้ข้อมูล เนื่องจากข้อมูลที่ไม่ถูกต้องจะส่งผลเสียต่อการตัดสินใจในทางธุรกิจ หรือ Data integration ที่ไม่มีประสิทธิภาพจะขัดขวางการพัฒนา Business model ใหม่ๆ อีกทั้งข้อมูลที่ไม่สามารถเข้าถึงได้จะทำให้เกิดความล่าช้าในการทำงานในองค์กรด้วย

การแก้ไขความท้าทายเหล่านี้จำเป็นต้องมีโครงสร้าง หรือ กรอบการกำกับดูแลข้อมูล (Data governance framework) ที่เป็นกฎในการควบคุม Data development, Data integration และ Data management ที่ชัดเจน เพื่อขจัดความไม่สอดคล้องกันของข้อมูลในระหว่างการปฏิบัติงานภายในองค์กร

กล่าวคือการทำ Digital transformation จำเป็นต้องมี Data governance framework โดย Framework สามารถพิจารณาได้จาก People, Policy และ Technology ทั้งนี้ผู้บริหารควรให้ความสำคัญกับการดำเนินการเป็นหลัก รวมถึงสร้างหน่วยงานกำกับดูแลข้อมูล ที่มี่ฝ่าย IT และ ผู้เชี่ยวชาญในด้านธุรกิจ, สนับสนุนการฝึกอบรม และการศึกษาเพิ่มเติมที่เหมาะสม เพื่อเพิ่มทักษะ ความเข้าใจ และการทำงานร่วมกันของคนในองค์กรให้กับพนักงาน ที่สำคัญผู้บริหารควรกำหนดกรอบระยะเวลาของการ Transform องค์กรให้เหมาะสมเพื่อให้แน่ใจว่าการริเริ่มโครงการจะไม่กระทบต่อการทำ Data management

ตัวอย่าง การสร้าง Data governance framework ที่มีประสิทธิภาพ หลายโครงการเริ่มต้นด้วย Pilot project ขนาดเล็ก, หรือโครงการที่เกี่ยวข้องเฉพาะหน่วยงาน หรือแผนกเท่านั้น หลังจากนั้นจึงกำหนดข้อมูลที่มีความสำคัญกับธุรกิจมากที่สุด แล้วจึงระบุแหล่งข้อมูล พร้อมทั้งคิดว่าจะเข้าถึง, Integrate และรักษาความปลอดภัยของข้อมูลนี้ไว้ได้อย่างไรค่ะ

ขอบคุณบทความดีๆ จาก Forbes ค่ะ

Reference:
https://www.forbes.com/sites/forbestechcouncil/2019/05/22/the-importance-of-a-data-governance-framework/?sh=739003d33ee8

#DataScience
#Optimization
#ProductivityImprovement
#DigitalTransformation
#MachineLearning
#ArtificialIntelligence
#DataManagement
#DataGovernance
#DataQuality
#DeepLearning

#Coraline ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ

Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltd
📰 วิเคราะห์ข่าว “5 best practices for creating a data-driven supply chain” by Techtarget

บทความนี้ได้กล่าวถึงแนวปฏิบัติ 5 ข้อในการนำข้อมูลมาใช้ในการปรับปรุงระบบบริหารจัดการ Supply chain ดังนี้ค่ะ

1️⃣ Improve internal data use

การจะนำข้อมูลมาใช้เพื่อปรับปรุงระบบบริหารจัดการ Supply chain ขององค์กร อันดับแรกควรเริ่มต้นจากการใช้ประโยชน์ของข้อมูลที่มีอยู่แล้วในองค์กรทั้งข้อมูลของฝั่ง Supply chain และการขอข้อมูลจากแผนกอื่นที่เกี่ยวข้อง ซึ่งปกติองค์กรมักเริ่มต้นด้วยการมองหาข้อมูลภายนอกก่อนเนื่องจากส่วนใหญ่ไม่ทราบถึงข้อมูลภายใน จึงไม่ได้นำออกมาใช้ให้เกิดประโยชน์

2️⃣ Incorporate external data

หลังจากมีการปรับปรุงเรื่องการใช้ข้อมูลภายในแล้ว ลำดับถัดมาคือการนำเข้าข้อมูลจากภายนอก เช่น ข้อมูลพฤติกรรมการซื้อของผู้บริโภค เนื่องจากหลังการระบาด Covid-19 พฤติกรรมของผู้บริโภคที่เติบโตขึ้นอย่างมากทำให้การวางแผนในเรื่อง Demand มีความยากขึ้น รวมถึงการนำ AI มาใช้ในการตรวจจับความต้องการ, วิเคราะห์ข้อมูลแบบ Real-time และนำมาปรับปรุงการคาดการณ์ความต้องการของลูกค้า รวมถึงแนะนำการวางแผนเกี่ยวกับสินค้าคงคลังได้

3️⃣ Automate data capture, but focus on meaning

ระบบบันทึกข้อมูลอัตโนมัติสามารถช่วยระบุข้อมูลทั้งหมดที่มีส่วนช่วยในการตัดสินใจเกี่ยวกับ Supply chain เอาไว้ได้ แต่ในส่วนของการหา Insight องค์กรอาจจำเป็นต้องหา Tool อื่น กล่าวคือ Toolๆหนึ่งที่สามารถป้อนข้อมูลลงใน Cloud data warehouse ได้ แต่การดึงความหมายจากข้อมูลออกมานั้นยากกว่ามาก เนื่องจากการตัดสินใจว่าข้อมูลใดมีความสำคัญ ต้องมีความเข้าใจถึงความเป็นเหตุเป็นผลของ Data sources กับ Correlation เช่น supply chain bottleneck ทำให้การสร้างผลิตเกิดความล่าช้า เป็นต้น

4️⃣ Improve understanding of unstructured data

Structured data คือ ข้อมูลที่รวบรวมอยู่ใน Database ซึ่ง User สามารถได้รับ Insight ได้จากข้อมูลนี้ ในขณะที่ Unstructured data User จะไม่สามารถใส่ Unstructured data ลงใน Database ปกติได้ เนื่องจากไม่สอดคล้องกับ Data model ดังนั้นจึงควรสร้าง Data foundation ที่สามารถจัดการกับ Unstructured data นี้ได้ขึ้นมา

5️⃣ Implement AI/ML models

AI/ML models สามารถค้นหา Data pattern แล้วคาดการณ์ผลลัพธ์ของฝั่ง Supply chain ที่เป็นไปได้ รวมถึงบอกแนวโน้มของการคาดการณ์นั้นได้อีกด้วย

ขอบคุณบทความดีๆ จาก Techtarget ค่ะ

Reference:
https://www.techtarget.com/searcherp/feature/Best-practices-for-creating-a-data-driven-supply-chain

#DataScience
#Optimization
#ProductivityImprovement
#DigitalTransformation
#MachineLearning
#ArtificialIntelligence
#DataManagement
#DataGovernance
#DataQuality
#DeepLearning

#Coraline ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ

Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltd
🥳 April Job Opening

เราคือผู้นำในด้าน Big Data, Machine Learning และ AI ที่มีทีมงานผู้เชี่ยวชาญและมีประสบการณ์ในการทำงานจริงจากหลายโครงการพร้อมให้คำปรึกษาในการพัฒนาธุรกิจ

ตลอดหลายปีที่ผ่านมาคอราไลน์ได้เติบโตขึ้นอย่างมั่นคงและต้องการขยายทีมเพื่อรองรับกับโครงการต่างๆขององค์กรชั้นนำทั้งภาครัฐและเอกชนที่เข้ามาอย่างต่อเนื่อง
เรากำลังมองหาผู้ที่สนใจในสายงาน Big Data ที่อยากเรียนรู้และพัฒนาไปด้วยกันและหากคุณทำงานที่คอราไลน์ คุณจะได้รับสิ่งเหล่านี้
🔹ประสบการณ์ทำงานอย่างแท้จริงในด้าน Big Data
🔹ได้ทำงานภายใต้วัฒนธรรมองค์กรแบบทีมเวิร์ค
🔹เวลาการทำงานแบบยืดหยุ่นที่ไม่ยึดติดกับเวลา
🔹แชร์ประสบการณ์ต่างๆร่วมกัน
🔹และอื่นๆอีกมากมายที่รอให้คุณเข้ามาค้นหา

คลิกเพื่อดูรายละเอียด : https://www.coraline.co.th/careers

📲 Line ID : career.coraline

#มาก้าวสู่ยุคดิจิตอลไปด้วยกันกับCoraline
#ร่วมงานกับคอราไลน์
#Coraline
#Careers
#Jobs
#Recruitment
#Recruit
📰วิเคราะห์ข่าว “Data Architect vs. Data Engineer: An Overview of Two In-Demand Roles” by Striim

บทความนี้ได้นำเสนอบทบาท หน้าที่ความรับผิดชอบ และความแตกต่างของ Data Architect และ Data Engineer ดังนี้ค่ะ

📌What Is a Data Architect? The Role and Its Responsibilities

Data Architect มีหน้าที่กำหนดกลยุทธ์ข้อมูลขององค์กร รวมถึงกำหนดมาตรฐานของ Data management และ Principle of Data ที่องค์กรกำลังดำเนินการอยู่ รวมถึงทำหน้าที่ในการออกแบบ Data blueprint หรือ พิมพ์เขียวข้อมูล เพื่อให้ Data consumer นำไปใช้งาน

นอกจากนี้ Data Architect ยังสร้าง Data asset ทั้งในเชิง Logical และ Physical พร้อมทั้งกำหนด Data policy ตามความต้องการขององค์กรอีกด้วย โดยส่วนมาก Data architect มักเป็นผู้เชี่ยวชาญในภาคอุตสาหกรรม และมีประสบการณ์ใน Data role และ การออกแบบ Solution ค่อนข้างมาก

📌Data architect responsibilities

ความรับผิดชอบหลักของ Data architect คือการใช้ความเชี่ยวชาญทางด้านเทคนิคเชิงลึกเพื่อ ออกแบบ สร้าง จัดการ และปรับใช้ Data system ขนาดใหญ่ในองค์กร

A data architect’s responsibilities include:

🔹Design, Develop, Implement และ Translate Business requirement และ Data strategy ขององค์กร รวมทั้ง Standard, Principles, Data sources, Storage, Pipelines, Data flow และ Data security policy ด้วย
🔹ร่วมมือกับ Data engineers, Data scientists, และ Stakeholder อื่นๆเพื่อดำเนินงานตาม Data strategy ขององค์กร
🔹สื่อสาร และกำหนดรูปแบบของ Data architecture ขององค์กร
🔹นำ Data team ในการพัฒนา Software และบริการ Big data and analytic ให้มีประสิทธิภาพ, มีความปลอดภัย และเชื่อถือได้

📌What Is a Data Engineer? The Role and Its Responsibilities

Data engineer มีหน้าที่ออกแบบ บำรุงรักษา และเพิ่มประสิทธิภาพให้กับโครงสร้างพื้นฐานของข้อมูลสำหรับ Data collection, Data management, Data transformation และ Data access รวมทั้งทำหน้าที่สร้าง Pipeline ที่ Convert ข้อมูลดิบให้เป็นข้อมูลที่อยู่ในรูปแบบที่ใช้งานได้เพื่อให้ Data scientists และ Data consumer อื่นๆนำไปใช้

📌What Is a Data Engineer? The Role and Its Responsibilities

ความรับผิดชอบหลักของ Data engineer คือการทำให้มั่นใจว่าข้อมูลพร้อมใช้งาน ปลอดภัย และเข้าถึงได้

A data engineer’s responsibilities typically include:

🔹สร้าง และบำรุงรักษา Data infrastructure เพื่อ Optimal extraction, Transformation และ Load ข้อมูลจาก Source ที่หลากหลาย เช่น Amazon Web Services (AWS) และ Google Cloud big data platforms
🔹สร้างความมั่นใจในการเข้าถึงข้อมูลตลอดเวลา และดำเนินงานตาม Data policy ขององค์กรที่เกี่ยวข้องกับความเป็นส่วนตัวและการรักษาความลับของข้อมูล
🔹Clean ข้อมูลจาก Source หลัก และ Source รองให้อยู่ในรูปแบบที่ Data scientists และ Data consumer อื่นๆสามารถนำไปใช้ได้อย่างมีประสิทธิภาพ
🔹ร่วมมือกับ Engineering team, Data scientists และ Stakeholder อื่นๆ เพื่อทำความเข้าใจว่าข้อมูลจะถูกนำไปใช้อย่างไร

📌Data Architect vs. Data Engineer: What Are the Differences?

🔹Data architect ออกแบบวิสัยทัศน์ และพิมพ์เขียวของ Data framework ขององค์กรในขณะที่ Data engineer มีหน้าที่รับผิดชอบในการสร้างวิสัยทัศน์นั้น
🔹Data architect มีความเชี่ยวชาญด้านเทคนิค และแนะนำ Data team ให้ทำความต้องการทางธุรกิจให้ประสบผลสำเร็จ ในขณะที่ Data engineer มีหน้าที่รับรองว่าข้อมูลจะพร้อมใช้งานเมื่อ Data scientists, data analyst ต้องการ
🔹Data architect มีประสบการณ์ใน Data modeling, Data integration และ Data design เพื่อสร้าง Solution ในภาพรวม ในขณะที่ Data engineer มีประสบการณ์ด้านการพัฒนา Data Platform ที่ Focus โครงสร้างเป็นหลัก
🔹Data architect และ Data engineer ทำงานร่วมกันเพื่อสร้าง Data system ขององค์กร

ขอบคุณบทความดีๆ จาก Striim ค่ะ

Reference: https://bit.ly/3KmJFzs

#DataScience
#Optimization
#ProductivityImprovement
#DigitalTransformation
#MachineLearning
#ArtificialIntelligence
#DataManagement
#DataGovernance
#DataQuality
#DeepLearning

#Coraline ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ

Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltd
คลิปแนะนำวันนี้ “What Is Real-Time Data Analytics (And Why It’s So Important)?” By Bernard Marr

คลิปวันนี้ได้นำเสนอความหมาย และประโยชน์ของ real-time Data analytics ไว้ดังนี้ค่ะ

ในปัจจุบัน real-time data มีความสำคัญมากขึ้นเรื่อยๆ โดยยิ่งสามารถใช้ข้อมูล และเปลี่ยนให้เป็นข้อมูลเชิงลึกมากเท่าไหร่ ก็ยิ่งมีประโยชน์ต่อองค์กรมากขึ้นเท่านั้น ดังนั้น real-time Data จึงเกี่ยวกับการใช้ และวิเคราะห์ข้อมูลนั้นทันทีที่มีข้อมูลเกิดขึ้น

ซึ่งประโยชน์ของ real-time data analysis จะทำให้สามารถตัดสินใจทางธุรกิจได้เร็ว และดีขึ้น รวมถึงยังสามารถสร้าง Product และ Service ที่ชาญฉลาดยิ่งขึ้นได้

ตัวอย่างการการใช้ประโยชน์ของ real-time Data analytics มีดังนี้ค่ะ

1. Detecting bank fraud
ธนาคารใช้ real-time data analytics ในการตรวจจับการฉ้อโกงที่อาจจะเกิดขึ้น โดยจะตรวจสอบจากการใช้จ่ายบัตรเครดิตของลูกค้า ซึ่งถ้าหากมีความผิดปกติเกิดขึ้น AI algorithm จะตรวจจับโดยอัตโนมัติว่าเป็นการฉ้อโกง

2. website and apps
website และ apps ใช้ข้อมูลแบบ real-time เพื่อตรวจสอบและระบุว่าลูกค้าอยู่ที่ไหน เพื่อให้สามารถยิงโฆษณาได้ เช่น เมื่อพบว่าลูกค้าอยู่ที่สนามบิน ก็จะใช้ข้อมูลนี้ยิงโฆษณาประกันการเดินทาง เป็นต้น

3.automation
real-time data ช่วยให้การทำงานของสิ่งต่างๆเป็นไปอย่างอัตโนมัติ เช่น รถยนต์ที่ขับเคลื่อนด้วยตัวเอง, เครื่องบิน หรือเรือที่สามารถข้ามมหาสมุทรได้โดยอัตโนมัติ โดยกระบวนการนี้จะไม่สามารถทำงานได้หากไม่มี real-time analytics

ขอบคุณคลิปดีๆ จาก Bernard Marr ค่ะ

Reference: https://www.youtube.com/watch?v=PIRqXX-CL7k

สนใจปรึกษาผู้เชี่ยวชาญด้าน Data Science, Big Data, Data Governance, Data Management และ Digital Transformation ติดต่อ Coraline ได้ทุกช่องทางค่ะ
#DataScience
#Optimization
#ProductivityImprovement
#DigitalTransformation
#MachineLearning
#ArtificialIntelligence
#DataManagement
#DataGovernance
#DataQuality
#DeepLearning
#Coraline ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ
Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltdata

One stop service Big Data solution for your business. Turn your data into a booster of your growing business with Data Science, Machine Learning, and AI

บริษัทที่ปรึกษาและรับพัฒนาโครงการ Big Data ด้วย Data Science, Machine Learning, Ai เพื่อเชื่อมโยงข้อมูล สร้างแบบจำลองเหตุการณ์ต่างๆทางธุรกิจ เพื่อหาข้อมูลเชิงลึกหรือแนวโน้มเหตุการณ์ในอนาคต ที่จะช่วยสนับสนุนให้ธุรกิจของท่านเติบโตแบบก้าวกระโดด

เปิดเหมือนปกติ

Council Post: The Importance Of A Data Governance Framework 05/05/2022

Council Post: The Importance Of A Data Governance Framework

🗞 วิเคราะห์ข่าว “The Importance Of A Data Governance Framework” by Forbes

จากการปฏิวัติอุตสาหกรรมครั้งที่ 4 ที่กำลังก่อตัว ด้วยพลังการประมวลผล, Internet, เทคโนโลยีอัตโนมัติ และองค์ความรู้นวัตกรรมใหม่ที่เพิ่มขึ้นอย่างรวดเร็ว ส่งผลให้องค์กรต่างๆพยายามเปลี่ยนรูปแบบการดำเนินงาน, Business model และ customer experience ที่เกี่ยวข้องกับข้อมูลเพื่อเพิ่มมูลค่าให้กับธุรกิจ

โดยองค์กรต่างสร้าง Insight ที่มีความแตกต่างเพื่อเป็นแนวทางในการตัดสินใจ แต่ความท้าทายคือการเติบโตของข้อมูลในปัจจุบันที่มีการสร้าง Digital data ประมาณ 2.5 Quintillion bytes ในแต่ละวัน และคาดการณ์ว่าปริมาณข้อมูลจะเพิ่มขึ้นเป็น 10 เท่า ภายใน 2025 จึงเป็นที่มาว่าทำไม Data security จึงมีความสำคัญ

นอกจากนี้ความท้าทายอื่นที่สำคัญ ได้แก่ Data quality, Data transparency, Data accessibility, Data integration, Data sharing และการใช้ข้อมูล เนื่องจากข้อมูลที่ไม่ถูกต้องจะส่งผลเสียต่อการตัดสินใจในทางธุรกิจ หรือ Data integration ที่ไม่มีประสิทธิภาพจะขัดขวางการพัฒนา Business model ใหม่ๆ อีกทั้งข้อมูลที่ไม่สามารถเข้าถึงได้จะทำให้เกิดความล่าช้าในการทำงานในองค์กรด้วย

การแก้ไขความท้าทายเหล่านี้จำเป็นต้องมีโครงสร้าง หรือ กรอบการกำกับดูแลข้อมูล (Data governance framework) ที่เป็นกฎในการควบคุม Data development, Data integration และ Data management ที่ชัดเจน เพื่อขจัดความไม่สอดคล้องกันของข้อมูลในระหว่างการปฏิบัติงานภายในองค์กร

กล่าวคือการทำ Digital transformation จำเป็นต้องมี Data governance framework โดย Framework สามารถพิจารณาได้จาก People, Policy และ Technology ทั้งนี้ผู้บริหารควรให้ความสำคัญกับการดำเนินการเป็นหลัก รวมถึงสร้างหน่วยงานกำกับดูแลข้อมูล ที่มี่ฝ่าย IT และ ผู้เชี่ยวชาญในด้านธุรกิจ, สนับสนุนการฝึกอบรม และการศึกษาเพิ่มเติมที่เหมาะสม เพื่อเพิ่มทักษะ ความเข้าใจ และการทำงานร่วมกันของคนในองค์กรให้กับพนักงาน ที่สำคัญผู้บริหารควรกำหนดกรอบระยะเวลาของการ Transform องค์กรให้เหมาะสมเพื่อให้แน่ใจว่าการริเริ่มโครงการจะไม่กระทบต่อการทำ Data management

ตัวอย่าง การสร้าง Data governance framework ที่มีประสิทธิภาพ หลายโครงการเริ่มต้นด้วย Pilot project ขนาดเล็ก, หรือโครงการที่เกี่ยวข้องเฉพาะหน่วยงาน หรือแผนกเท่านั้น หลังจากนั้นจึงกำหนดข้อมูลที่มีความสำคัญกับธุรกิจมากที่สุด แล้วจึงระบุแหล่งข้อมูล พร้อมทั้งคิดว่าจะเข้าถึง, Integrate และรักษาความปลอดภัยของข้อมูลนี้ไว้ได้อย่างไรค่ะ

ขอบคุณบทความดีๆ จาก Forbes ค่ะ

Reference:
https://www.forbes.com/sites/forbestechcouncil/2019/05/22/the-importance-of-a-data-governance-framework/?sh=739003d33ee8












ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ

Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltd

Council Post: The Importance Of A Data Governance Framework Think of this framework not as a scaffold but as an enduring architectural support system, one in which the rules governing the development, integration and management of data are clear.

5 best practices for creating a data-driven supply chain 03/05/2022

5 best practices for creating a data-driven supply chain

📰 วิเคราะห์ข่าว “5 best practices for creating a data-driven supply chain” by Techtarget

บทความนี้ได้กล่าวถึงแนวปฏิบัติ 5 ข้อในการนำข้อมูลมาใช้ในการปรับปรุงระบบบริหารจัดการ Supply chain ดังนี้ค่ะ

1️⃣ Improve internal data use

การจะนำข้อมูลมาใช้เพื่อปรับปรุงระบบบริหารจัดการ Supply chain ขององค์กร อันดับแรกควรเริ่มต้นจากการใช้ประโยชน์ของข้อมูลที่มีอยู่แล้วในองค์กรทั้งข้อมูลของฝั่ง Supply chain และการขอข้อมูลจากแผนกอื่นที่เกี่ยวข้อง ซึ่งปกติองค์กรมักเริ่มต้นด้วยการมองหาข้อมูลภายนอกก่อนเนื่องจากส่วนใหญ่ไม่ทราบถึงข้อมูลภายใน จึงไม่ได้นำออกมาใช้ให้เกิดประโยชน์

2️⃣ Incorporate external data

หลังจากมีการปรับปรุงเรื่องการใช้ข้อมูลภายในแล้ว ลำดับถัดมาคือการนำเข้าข้อมูลจากภายนอก เช่น ข้อมูลพฤติกรรมการซื้อของผู้บริโภค เนื่องจากหลังการระบาด Covid-19 พฤติกรรมของผู้บริโภคที่เติบโตขึ้นอย่างมากทำให้การวางแผนในเรื่อง Demand มีความยากขึ้น รวมถึงการนำ AI มาใช้ในการตรวจจับความต้องการ, วิเคราะห์ข้อมูลแบบ Real-time และนำมาปรับปรุงการคาดการณ์ความต้องการของลูกค้า รวมถึงแนะนำการวางแผนเกี่ยวกับสินค้าคงคลังได้

3️⃣ Automate data capture, but focus on meaning

ระบบบันทึกข้อมูลอัตโนมัติสามารถช่วยระบุข้อมูลทั้งหมดที่มีส่วนช่วยในการตัดสินใจเกี่ยวกับ Supply chain เอาไว้ได้ แต่ในส่วนของการหา Insight องค์กรอาจจำเป็นต้องหา Tool อื่น กล่าวคือ Toolๆหนึ่งที่สามารถป้อนข้อมูลลงใน Cloud data warehouse ได้ แต่การดึงความหมายจากข้อมูลออกมานั้นยากกว่ามาก เนื่องจากการตัดสินใจว่าข้อมูลใดมีความสำคัญ ต้องมีความเข้าใจถึงความเป็นเหตุเป็นผลของ Data sources กับ Correlation เช่น supply chain bottleneck ทำให้การสร้างผลิตเกิดความล่าช้า เป็นต้น

4️⃣ Improve understanding of unstructured data

Structured data คือ ข้อมูลที่รวบรวมอยู่ใน Database ซึ่ง User สามารถได้รับ Insight ได้จากข้อมูลนี้ ในขณะที่ Unstructured data User จะไม่สามารถใส่ Unstructured data ลงใน Database ปกติได้ เนื่องจากไม่สอดคล้องกับ Data model ดังนั้นจึงควรสร้าง Data foundation ที่สามารถจัดการกับ Unstructured data นี้ได้ขึ้นมา

5️⃣ Implement AI/ML models

AI/ML models สามารถค้นหา Data pattern แล้วคาดการณ์ผลลัพธ์ของฝั่ง Supply chain ที่เป็นไปได้ รวมถึงบอกแนวโน้มของการคาดการณ์นั้นได้อีกด้วย

ขอบคุณบทความดีๆ จาก Techtarget ค่ะ

Reference:
https://www.techtarget.com/searcherp/feature/Best-practices-for-creating-a-data-driven-supply-chain












ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ

Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltd

5 best practices for creating a data-driven supply chain Learn how to create a data-driven supply chain using these five best practices.

Photos from Data Driven Business by Coraline's post 29/04/2022

🥳 April Job Opening

เราคือผู้นำในด้าน Big Data, Machine Learning และ AI ที่มีทีมงานผู้เชี่ยวชาญและมีประสบการณ์ในการทำงานจริงจากหลายโครงการพร้อมให้คำปรึกษาในการพัฒนาธุรกิจ

ตลอดหลายปีที่ผ่านมาคอราไลน์ได้เติบโตขึ้นอย่างมั่นคงและต้องการขยายทีมเพื่อรองรับกับโครงการต่างๆขององค์กรชั้นนำทั้งภาครัฐและเอกชนที่เข้ามาอย่างต่อเนื่อง
เรากำลังมองหาผู้ที่สนใจในสายงาน Big Data ที่อยากเรียนรู้และพัฒนาไปด้วยกันและหากคุณทำงานที่คอราไลน์ คุณจะได้รับสิ่งเหล่านี้
🔹ประสบการณ์ทำงานอย่างแท้จริงในด้าน Big Data
🔹ได้ทำงานภายใต้วัฒนธรรมองค์กรแบบทีมเวิร์ค
🔹เวลาการทำงานแบบยืดหยุ่นที่ไม่ยึดติดกับเวลา
🔹แชร์ประสบการณ์ต่างๆร่วมกัน
🔹และอื่นๆอีกมากมายที่รอให้คุณเข้ามาค้นหา

คลิกเพื่อดูรายละเอียด : https://www.coraline.co.th/careers

📲 Line ID : career.coraline

#มาก้าวสู่ยุคดิจิตอลไปด้วยกันกับCoraline
#ร่วมงานกับคอราไลน์




28/04/2022

📰วิเคราะห์ข่าว “Data Architect vs. Data Engineer: An Overview of Two In-Demand Roles” by Striim

บทความนี้ได้นำเสนอบทบาท หน้าที่ความรับผิดชอบ และความแตกต่างของ Data Architect และ Data Engineer ดังนี้ค่ะ

📌What Is a Data Architect? The Role and Its Responsibilities

Data Architect มีหน้าที่กำหนดกลยุทธ์ข้อมูลขององค์กร รวมถึงกำหนดมาตรฐานของ Data management และ Principle of Data ที่องค์กรกำลังดำเนินการอยู่ รวมถึงทำหน้าที่ในการออกแบบ Data blueprint หรือ พิมพ์เขียวข้อมูล เพื่อให้ Data consumer นำไปใช้งาน

นอกจากนี้ Data Architect ยังสร้าง Data asset ทั้งในเชิง Logical และ Physical พร้อมทั้งกำหนด Data policy ตามความต้องการขององค์กรอีกด้วย โดยส่วนมาก Data architect มักเป็นผู้เชี่ยวชาญในภาคอุตสาหกรรม และมีประสบการณ์ใน Data role และ การออกแบบ Solution ค่อนข้างมาก

📌Data architect responsibilities

ความรับผิดชอบหลักของ Data architect คือการใช้ความเชี่ยวชาญทางด้านเทคนิคเชิงลึกเพื่อ ออกแบบ สร้าง จัดการ และปรับใช้ Data system ขนาดใหญ่ในองค์กร

A data architect’s responsibilities include:

🔹Design, Develop, Implement และ Translate Business requirement และ Data strategy ขององค์กร รวมทั้ง Standard, Principles, Data sources, Storage, Pipelines, Data flow และ Data security policy ด้วย
🔹ร่วมมือกับ Data engineers, Data scientists, และ Stakeholder อื่นๆเพื่อดำเนินงานตาม Data strategy ขององค์กร
🔹สื่อสาร และกำหนดรูปแบบของ Data architecture ขององค์กร
🔹นำ Data team ในการพัฒนา Software และบริการ Big data and analytic ให้มีประสิทธิภาพ, มีความปลอดภัย และเชื่อถือได้

📌What Is a Data Engineer? The Role and Its Responsibilities

Data engineer มีหน้าที่ออกแบบ บำรุงรักษา และเพิ่มประสิทธิภาพให้กับโครงสร้างพื้นฐานของข้อมูลสำหรับ Data collection, Data management, Data transformation และ Data access รวมทั้งทำหน้าที่สร้าง Pipeline ที่ Convert ข้อมูลดิบให้เป็นข้อมูลที่อยู่ในรูปแบบที่ใช้งานได้เพื่อให้ Data scientists และ Data consumer อื่นๆนำไปใช้

📌What Is a Data Engineer? The Role and Its Responsibilities

ความรับผิดชอบหลักของ Data engineer คือการทำให้มั่นใจว่าข้อมูลพร้อมใช้งาน ปลอดภัย และเข้าถึงได้

A data engineer’s responsibilities typically include:

🔹สร้าง และบำรุงรักษา Data infrastructure เพื่อ Optimal extraction, Transformation และ Load ข้อมูลจาก Source ที่หลากหลาย เช่น Amazon Web Services (AWS) และ Google Cloud big data platforms
🔹สร้างความมั่นใจในการเข้าถึงข้อมูลตลอดเวลา และดำเนินงานตาม Data policy ขององค์กรที่เกี่ยวข้องกับความเป็นส่วนตัวและการรักษาความลับของข้อมูล
🔹Clean ข้อมูลจาก Source หลัก และ Source รองให้อยู่ในรูปแบบที่ Data scientists และ Data consumer อื่นๆสามารถนำไปใช้ได้อย่างมีประสิทธิภาพ
🔹ร่วมมือกับ Engineering team, Data scientists และ Stakeholder อื่นๆ เพื่อทำความเข้าใจว่าข้อมูลจะถูกนำไปใช้อย่างไร

📌Data Architect vs. Data Engineer: What Are the Differences?

🔹Data architect ออกแบบวิสัยทัศน์ และพิมพ์เขียวของ Data framework ขององค์กรในขณะที่ Data engineer มีหน้าที่รับผิดชอบในการสร้างวิสัยทัศน์นั้น
🔹Data architect มีความเชี่ยวชาญด้านเทคนิค และแนะนำ Data team ให้ทำความต้องการทางธุรกิจให้ประสบผลสำเร็จ ในขณะที่ Data engineer มีหน้าที่รับรองว่าข้อมูลจะพร้อมใช้งานเมื่อ Data scientists, data analyst ต้องการ
🔹Data architect มีประสบการณ์ใน Data modeling, Data integration และ Data design เพื่อสร้าง Solution ในภาพรวม ในขณะที่ Data engineer มีประสบการณ์ด้านการพัฒนา Data Platform ที่ Focus โครงสร้างเป็นหลัก
🔹Data architect และ Data engineer ทำงานร่วมกันเพื่อสร้าง Data system ขององค์กร

ขอบคุณบทความดีๆ จาก Striim ค่ะ

Reference: https://bit.ly/3KmJFzs












ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ

Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltd

What Is Real-Time Data Analytics (And Why It’s So Important)? 27/04/2022

What Is Real-Time Data Analytics (And Why It’s So Important)?

คลิปแนะนำวันนี้ “What Is Real-Time Data Analytics (And Why It’s So Important)?” By Bernard Marr

คลิปวันนี้ได้นำเสนอความหมาย และประโยชน์ของ real-time Data analytics ไว้ดังนี้ค่ะ

ในปัจจุบัน real-time data มีความสำคัญมากขึ้นเรื่อยๆ โดยยิ่งสามารถใช้ข้อมูล และเปลี่ยนให้เป็นข้อมูลเชิงลึกมากเท่าไหร่ ก็ยิ่งมีประโยชน์ต่อองค์กรมากขึ้นเท่านั้น ดังนั้น real-time Data จึงเกี่ยวกับการใช้ และวิเคราะห์ข้อมูลนั้นทันทีที่มีข้อมูลเกิดขึ้น

ซึ่งประโยชน์ของ real-time data analysis จะทำให้สามารถตัดสินใจทางธุรกิจได้เร็ว และดีขึ้น รวมถึงยังสามารถสร้าง Product และ Service ที่ชาญฉลาดยิ่งขึ้นได้

ตัวอย่างการการใช้ประโยชน์ของ real-time Data analytics มีดังนี้ค่ะ

1. Detecting bank fraud
ธนาคารใช้ real-time data analytics ในการตรวจจับการฉ้อโกงที่อาจจะเกิดขึ้น โดยจะตรวจสอบจากการใช้จ่ายบัตรเครดิตของลูกค้า ซึ่งถ้าหากมีความผิดปกติเกิดขึ้น AI algorithm จะตรวจจับโดยอัตโนมัติว่าเป็นการฉ้อโกง

2. website and apps
website และ apps ใช้ข้อมูลแบบ real-time เพื่อตรวจสอบและระบุว่าลูกค้าอยู่ที่ไหน เพื่อให้สามารถยิงโฆษณาได้ เช่น เมื่อพบว่าลูกค้าอยู่ที่สนามบิน ก็จะใช้ข้อมูลนี้ยิงโฆษณาประกันการเดินทาง เป็นต้น

3.automation
real-time data ช่วยให้การทำงานของสิ่งต่างๆเป็นไปอย่างอัตโนมัติ เช่น รถยนต์ที่ขับเคลื่อนด้วยตัวเอง, เครื่องบิน หรือเรือที่สามารถข้ามมหาสมุทรได้โดยอัตโนมัติ โดยกระบวนการนี้จะไม่สามารถทำงานได้หากไม่มี real-time analytics

ขอบคุณคลิปดีๆ จาก Bernard Marr ค่ะ

Reference: https://www.youtube.com/watch?v=PIRqXX-CL7k

สนใจปรึกษาผู้เชี่ยวชาญด้าน Data Science, Big Data, Data Governance, Data Management และ Digital Transformation ติดต่อ Coraline ได้ทุกช่องทางค่ะ










ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ
Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltdata

What Is Real-Time Data Analytics (And Why It’s So Important)? Real-time data analytics enables companies to see, understand, and work with data as soon as it comes in. Find out more about how real-time analytics can hel...

Digital Transformation ต้องมีวัฒนธรรมข้อมูลและการแบ่งปัน 26/04/2022

Digital Transformation ต้องมีวัฒนธรรมข้อมูลและการแบ่งปัน

📰วิเคราะห์ข่าว “Digital Transformation ต้องมีวัฒนธรรมข้อมูลและการแบ่งปัน” by MGRONLINE

ในยุคนี้ ไม่ว่าจะหน่วยราชการหรือเอกชน ต่างต้องการพัฒนาองค์กรของตนเองให้ทันสมัย บ้างก็พูดไปถึง Thailand 5.0 แล้ว ส่วนภาคเอกชนจำนวนหนึ่งสามารถปรับตัวมาเป็นเอกชน 5.0 แล้วก็มี ส่วนที่ยังเป็น 4.0 และ 3.0 ก็ยังคงมี เราเลยพูดกันว่าเราต้องทำ Digital transformation เพื่อให้องค์กรก้าวไปข้างหน้าได้

Digital transformation สำหรับระบบราชการยังใช้วิธีให้พิมพ์กระดาษออกมาเป็นแผ่นๆ ยังไม่ใช้ e-document ต้องอ่านกระดาษกันอยู่ สำหรับเอกชน/และราชการหลายแห่ง บ้างก็ซื้อ hardware/software โดยเฉพาะการซื้อ server และ software สำหรับทำฐานข้อมูลใหญ่รวมไปถึง software สำหรับ big data analytics โดยยังไม่เข้าใจโจทย์ว่าตัวเองจะทำอะไร เพื่ออะไร ต้องใช้อะไรเพื่อให้ทำได้อย่างที่ต้องการ

โดยส่วนใหญ่ปัญหาการ Transform องค์กรเกิดจาก

1️⃣Mindset ของผู้บริหาร ที่ไม่ได้ใช้ข้อมูลในการตัดสินใจ การวิเคราะห์ข้อมูลโดยเฉพาะข้อมูลเชิงบุกเบิก (Exploratory Data Analysis) นั้นช่วยให้เห็นในสิ่งที่ไม่เคยเห็น และไม่อาจจะเห็นด้วยวิธีอื่น และได้เห็นในสิ่งที่ไม่อยากเห็น ปัญหาคือเห็นผลแล้วควรเปิดใจรับฟังเพื่อเอาไปปรับปรุงใช้ประโยชน์ต่อไปได้จริง ซึ่งหากไม่เปิดใจ ไม่ยอมรับไม่ฟังข้อมูล ไม่มีวัฒนธรรมข้อมูล การตัดสินใจก็จะกลายเป็นทางด้านอารมณ์ ความรู้สึกแทน

2️⃣การหวงแหนข้อมูล ที่มีแทบทุกองค์กร หรืออาจจะเรียกว่า classic data silo problem เรื่องนี้ต้องแก้ไขให้ทำงานด้วยกันด้วยความรู้รักสามัคคี และต้องทำให้มีความศรัทธาแก่กันและกัน ต้องทำให้ไว้เนื้อเชื่อใจกันและกันให้ได้

3️⃣บุคลากรไร้ความสามารถด้านดิจิทัลและข้อมูล (Digital and data literacy) ในภาคเอกชน ณ ขณะนี้มีการแย่งตัว Data Scientist, Business Analyst, Data Engineer, Artificial Intelligence Engineer, Data Visualizer ด้วยค่าตัวที่สูง ส่วนในภาครัฐ การติดตามความรู้ใหม่ๆของนักวิชาการคอมพิวเตอร์ในภาครัฐยังค่อนข้างจำกัด วิธีแก้ปัญหาคือต้อง up skill และ reskill นักวิชาการคอมพิวเตอร์ภาครัฐ เช่นเดียวกันกับภาคเอกชนที่เริ่ม up-skill ด้าน data analytics และ data science อบรม เรียนรู้ สอบ กันอย่างจริงจัง

หากองค์กรสามารถแก้ไขปัญหาส่วนใหญ่ที่กล่าวมาข้างต้นได้ และทำ Digital Transformation ได้สำเร็จจะส่งผลให้เกิดการเปลี่ยนแปลงกระบวนการทำงานองค์กรไปในทิศทางที่ดีอย่างมาก คนในองค์กรจะทำงานได้ง่ายขึ้น ช่วยประหยัดเวลาการทำงานได้ จากเดิมที่การทำงานจะเป็น Manual เป็นส่วนใหญ่ทุกอย่างก็จะกลายเป็น Automate มากขึ้น, ผู้บริหารสามารถเห็นสิ่งที่อยากเห็นจากธุรกิจได้ ทางเราเชื่อว่าหากทุกคนในองค์กรเปิดใจรับการเปลี่ยนแปลงครั้งนี้จะล้วนเกิดผลดีกับองค์กรอย่างยิ่งค่ะ

ขอบคุณบทความดีๆ จาก MGRONLINE ค่ะ

Reference:
https://mgronline.com/daily/detail/9620000096130












ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ

Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltd

Digital Transformation ต้องมีวัฒนธรรมข้อมูลและการแบ่งปัน ในยุคนี้ ไม่ว่าจะหน่วยราชการหรือเอกชน ต่างต้องการพัฒนาหน่วยงานของตนเองให้ทันสมัย บ้างก็พูดไปถึง Thailand 5.0 แล....

Classification ต่างกับ Clustering อย่างไร? 25/04/2022

Classification ต่างกับ Clustering อย่างไร?

Classification ต่างกับ Clustering อย่างไร?

Classification และ Clustering เป็น Model ที่ใช้เพื่อจัดกลุ่มของข้อมูล แต่มีแนวทางในการใช้งาน และผลลัพธ์ที่แตกต่างกันอย่างสิ้นเชิง

โดย Classification เป็น Model ประเภท Supervised Model หมายถึง Model ที่ต้องมี Target หรือ ตัวแปรที่ใช้วัดเป้าหมาย เป็นตัวตั้งต้นให้เรียนรู้ ดังนั้น ในการประเมินผลลัพธ์ที่ได้จาก Classification Model จึงสามารถวัดค่าความแม่นยำ หรือ Accuracy ได้ ในขณะที่ Clustering Model เป็น Model ประเภท Unsupervised หมายถึง Model ที่ไม่มี Target เป็นตัวต้นแบบ ทำให้ไม่สามารถวัดผลในเชิง Accuracy ได้ เช่น ไม่เคยมีการจัดประเภทมาก่อนเลย แต่ต้องการให้ Model จัดกลุ่มให้ โดยใช้ Attribute หรือ คุณลักษณะ เป็นตัวแจกแจง เป็นต้น

อ่านความแตกต่างของ Classification กับ Clustering เพิ่มเติมได้ที่ : https://www.coraline.co.th/single-post/classification-vs-clustering-model

สนใจปรึกษาผู้เชี่ยวชาญด้าน Data Science, Big Data, Data Governance, Data Management และ Digital Transformation ติดต่อ Coraline ได้ทุกช่องทางค่ะ











ให้คำปรึกษา และรับพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ
Tel: 099-425-5398
Email: [email protected]
FB Page: @coralineltdata

Classification ต่างกับ Clustering อย่างไร? Classification และ Clustering เป็น Model ที่ใช้เพื่อจัดกลุ่มของข้อมูล แต่มีแนวทางในการใช้งาน และผลลัพธ์ที่แตกต่างกันอย่างสิ้...

Our Story

บริษัทที่ปรึกษา และรับพัฒนาโครงการ Big Data ซึ่งประกอบไปด้วย การเชื่อมโยงข้อมูล การสร้างโมเดล และการวิเคราะห์เชิงลึก ทีมงานของเราประกอบไปด้วย Data Engineer และ Data Scientist ที่มีประสบการณ์ เพื่อผลักดันให้เกิด Digital Transformation อย่างยั่งยืน

วิดีโอทั้งหมด (แสดงผลทั้งหมด)

Contact Coraline

เบอร์โทรศัพท์

เว็บไซต์

ที่อยู่


77/129, 30th Floor, Sinn Sathorn Tower, Thanon Krung Thon Buri, Khlong Ton Sai, Khlong San
Bangkok
10600

เวลาทำการ

จันทร์ 09:00 - 18:00
อังคาร 09:00 - 18:00
พุธ 09:00 - 18:00
พฤหัสบดี 09:00 - 18:00
ศุกร์ 09:00 - 18:00

ที่ปรึกษาทางธุรกิจ อื่นๆใน Bangkok (แสดงผลทั้งหมด)
Readyplanet Readyplanet
Readyplanet Public Company Limited 51 Major Tower Rama 9 - Ramkumhang 17th Floor Unit 1701 - 1706 Rama 9 Road, Huamak, Bangkapi, Bangkok 10240, Thailand
Bangkok, 10240

Readyplanet All-in-One Sales & Marketing Tech Provider

Dale Carnegie Thailand Dale Carnegie Thailand
888 Mahatun Plaza, Ground Floor
Bangkok, 10330

Dale Carnegie was founded in 1912, inspired by one man’s belief in the power of self-improvement. Since then, it’s evolved into a movement that’s crossed borders and generations to tap into the best parts of themselves to create positive transformat

FiF HOUSE FiF HOUSE
151 Ratchaphruek Rd., Taling Chan,
Bangkok, 10170

Design Firm: Packaging Design, Product Design, Branding Design

360 innovative co.,ltd 360 innovative co.,ltd
22/43 Lumpini Town Residence Ladprao Station
Bangkok, 10900

360 innovative services:- - Digital Creative & Production - Digital Marketing Solutions - Website/Campaign Dev. - AR Technology - Facebook Application - iPhone/iPad Application http://www.360innovative.com/

Kith & Kin Communication and Consultant Co., Ltd. Kith & Kin Communication and Consultant Co., Ltd.
238/3 Soi Sai Namthip 2, Sukhumvit 22, Klongtoey,
Bangkok, 10110

Fully-integrated communications and sustainability services consultancy

GM Website เปลี่ยนเว็บไซต์เป็นเครื GM Website เปลี่ยนเว็บไซต์เป็นเครื
บริษัท จีเอ็ม แอดวานซ์ มีเดีย จำกัด เลขที่ 61/174 ซ.ทวีมิตร7 ถ.พระราม9 แขวงห้วย
Bangkok, 10310

ศูนย์บริการเว็บไซต์เพื่อธุรกิจแบบมืออาชีพ ออกแบบ จัดทำเว็บไซต์ ดูแลเว็บ โปรโมทเว็บ

Chusak-Marketing Consultant Chusak-Marketing Consultant
49/527 ซอยนวมินทร์26 แขวงคลองกุ่ม เขตบึงกุ่ม
Bangkok, 10240

ที่ปรึกษาธุรกิจ แผนธุรกิจ แผนการตลาด www.marketingguru.co.th

ไทยแฟรนไชส์เซ็นเตอร์ ธุรกิจ ไทยแฟรนไชส์เซ็นเตอร์ ธุรกิจ
132/3-4 โครงการบี-อเวนิว ซ.พระรามที่ 2 ซอย50 ถ.พระราม2 แขวงแสมดำ เขตบางขุนเทียน
Bangkok, 10150

รวมธุรกิจแฟรนไชส์ใหญ่ที่สุดในไทย - SMEs - ทำเลค้าขาย - งานแสดงสินค้า - อบรมสัมมนา คลิก www.ThaiFranchiseCenter.com

ConsultThai ConsultThai
100/75 Wongwanij-B Building, Rama IX Rd.
Bangkok, 10310

เพจแลกเปลี่ยนความรู้การพัฒนาศักยภาพการทำงาน การบริหารคนและองค์กร

Business Events Thailand Business Events Thailand
Siam Piwat Tower, 25 & 26 Fl., 989 Rama 1 Road,Pathumwan,
Bangkok, 10330

Thailand Convention & Exhibition Bureau (TCEB) : The focal point of contact for all successful busin

A'alda Agency TH A'alda Agency TH
Ratchaphisek
Bangkok, 10110

A'alda Vet Thailand. We Providing 360° socialization pet services.

Foresight Business Solutions Co., Ltd Foresight Business Solutions Co., Ltd
101 12 Sukhumvit 101/1 Rd, Bang Chak, Phra Khanong
Bangkok, 10260

Are you generating a lot of revenue, Yet not much Profit? Helping Business owners deliver sustainable business results and improving total cost of ownership. Outsourced Procurement and Sourcing Services in Asia for Global organisations.