Chayanonboo

Category: Education

  • Summary 4 Parts from SCBx Next Tech StackZero Meetup

    Summary 4 Parts from SCBx Next Tech StackZero Meetup

    เนื่องจากได้โอกาสไปงาน SCBx Next Tech StackZero Meetup จึงได้มีโอกาสฟังงาน SCBx Next Tech StackZero Meetup จึงจดความรู้มาเผื่อเพื่อนๆที่ไม่ไปงานด้วยครับ

    บทความนี้ขอสปอยเนื้อหาเบื้องต้นก่อน

    Part ที่ 1 การสร้างกระบวนการคิดผ่านหนังสือ Life’s missing manual ผ่าน Framework Thinking → AI → productivity

    Part ที่ 2 AI Skill ที่ควรมีไว้เพื่อสมัครงาน 4 ด้าน Resilience, Storytelling, Coaching และ AI Skill

    Part ที่ 3 แนะนำ Microsoft Agent Framework ซึ่งเป็นเฟรมเวิร์กใหม่ที่ช่วยให้นักพัฒนาใช้งาน AI และ LLMs เข้ากับแอป พร้อมสร้าง จัดการ และสเกลระบบแบบ Multi-agent

    Part ที่ 4 สำรวจแนวทางปฏิบัติที่ดีที่สุดสำหรับการสร้างระบบ Graph-based RAG

    บทความนี้เกี่ยวกับการเรียนรู้ AI Skills สำหรับการพัฒนา Software และ Soft Skills ที่ใช้การทำงานร่วมกันของโดยหัวข้อและผู้พูดดังนี้ครับ

    1. แนะนำคู่มือการใช้ชีวิตที่หายไปที่ตกผลึกจากการใช้ชีวิตและประสบการณ์ทำงาน 15 ปีของคุณทอย กษิดิศ สตางค์มงคล (DataRockie)
    2. เสริมสร้างทักษะด้าน AI ที่จำเป็นต่อการหาและสมัครงานต่าง ๆ กับคุณแทน ธีรกร อานันโทไทย (The Moment)
    3. แนะนำ Microsoft Agent Framework ซึ่งเป็นเฟรมเวิร์กใหม่ที่ช่วยให้นักพัฒนาใช้งาน AI และ LLMs เข้ากับแอป พร้อมสร้าง จัดการ และสเกลระบบแบบ Multi-agent ได้อย่างรวดเร็วและง่ายดายใน Azure AI Foundry โดยคุณพล ธีรเศรษฐ์ จิรภัทร์ชาญเดช (Microsoft MVP และ Next Flow)
    4. สำรวจแนวทางปฏิบัติที่ดีที่สุดสำหรับการสร้างระบบ Graph-based RAG จาก Documents โดยใช้ Python กับคุณโร่ วิธวินท์ ศรีเพียรพล (Chula AI และ HowKnow IKnow)

    SCBx Next Tech StackZero Meetup

    1. Life’s Missing Manual
      1. Duration
      2. Purpose
      3. Description
      4. The 5 types of wealth
        1. Time
        2. Social and Relationship
        3. Thinking
        4. Health
        5. Finance
      5. AI and Productivity
        1. Thinking
        2. AI
        3. Productivity
        4. Slow Productivity
      6. Agency is Skill
    2. AI Skills for jobs
      1. Resilience
        1. Roots
        2. Heads
        3. Fruits
      2. Storytelling
        1. Context
        2. Challenge
        3. Action
        4. Result
        5. Impact
      3. Coaching
      4. AI Skills
        1. The 6 Most Common AI Usage Categories
          1. Personal & Professional Support
          2. Content Creation & Editing
          3. Learning & Education
          4. Technical & Know-How Assistance
          5. Creativity & Recreation
          6. Research & Analysis
    3. Building AI Agents with Microsoft Agent Framework
      1. Stack App
        1. AI App
        2. Model
        3. Azure AI Foundry
      2. Framework of Azure AI Foundry
        1. Retrieval Pattern
        2. Task Pattern
          1. Process of Task Pattern
        3. Autonomous Pattern
          1. Process of Autonomous Pattern
    4. Building Graph-Baesd RAG from documents with python
      1. What is RAG?
        1. Add Knowledge
        2. Query
        3. Choose the best Doc
        4. Generate Answer
      2. From Document to Vector
        1. Chunking
        2. Embedding
        3. Indexing
      3. Knowledge graph
      4. How we combine Graph & RAG

    Life’s Missing Manual

    Life’s Missing Manual

    Duration

    โดยหนังสือเล่มนี้เป็นหนังสือที่ โค้ชหนุ่ม Money Coach ชวนแอดทอยเขียนเป็นเวลา 7 เดือน

    Purpose

    • โดยหนังสือเล่มนี้ เขียนเพื่อให้ลูกชายแอดทอยอ่านในตอนที่โตแล้ว

    Description

    1. ใช้เวลา 80 ปีที่มีชีวิตอยู่ให้มีความหมายที่สุด โดยเป็นตัวเองใน Version ที่ดีที่สุด
    2. Eudaimonia คือแก่นกลางของปรัชญาจริยศาสตร์ของ อริสโตเติล (Aristotle) ซึ่งมองว่าเป็น เป้าหมายสูงสุดของชีวิตมนุษย์
    3. โดยสิ่งที่สำคัญคือการชีวิตอยู่กับครอบครัวให้มากที่สุด ต้องมีชีวิตให้สมดุลกับครอบครัวและเงินที่หาได้

    The 5 types of wealth

    The 5 types of wealth

    สมการความมั่งคั่งมีอยู่ 5 ข้อ

    ความมั่งคั่ง = เวลา * สังคม * ความคิด * สุขภาพ * การเงิน

    Time

    โดยเวลาคือเรื่องที่สำคัญที่สุด เพราะสามารถสร้าง สังคม + ความคิด + สุขภาพ + การเงิน

    Social and Relationship

    Social and Relationship
    1. เพราะสามารถสร้างความสัมพันธ์ที่ดีในสังคม
    2. เปิดโอกาสเจอสังคมใหม่ๆ

    Thinking

    1. มีเวลาสร้างแนวคิดที่ดี
    2. ไม่เสพ Social Media ด้านลบเยอะ

    Health

    1. รู้จักออกกำลังกาย
    2. นอนหลับพักผ่อนให้เพียงพอ

    Finance

    1. รู้จักการหารายได้เพิ่ม
    2. ลดรายจ่ายที่ไม่จำเป็น
    3. นำเงินออมไปลงทุนในสินทรัพย์ที่มีความรู้

    AI and Productivity

    AI and Productivity
    1. Thinking
    2. AI
    3. Productivity

    Thinking → AI → Productivity

    Thinking

    • ต้องพยายามคิดให้แตกต่างจากคนทั่วไปในทางที่ดี

    Thinking principle คือ ถ้าเขียน Content ด้วยตัวเองได้ไม่ดี AI ก็จะไม่สามารถทำสิ่งเหล่านี้ได้ดีด้วย

    • ตัวอย่างของกระบวนการคิด เด็กเล็กสามารถเลือกเส้นทางได้ด้วยตัวเอง สำหรับเด็ก 1 ปี อยากจะเดินไปในก็ได้ แต่พอโตโดนหลากอย่างปิดกั้นทางเลือกตัวเองมากกว่า
    • เด็กเล็กถึงจะล้มก็สามารถลุกขึ้นมาใหม่ได้ มนุษย์แม้จะล้มเหลวแต่สามารถลุกขึ้นมาใหม่ได้เช่นกัน

    พยายามศึกษาทุกอย่างและเพิ่มความขีดความสามารถให้ตัวเอง

    George Bernand Shaw คนที่พูดถึงเรื่อง thinking บ่อยๆ

    Type of PersonDefinition
    คนส่วนใหญ่คิดแบบจริงจังแค่ 2-3 ครั้งต่อปี
    คนส่วนน้อยคิดแบบจริงจัง 2-3 ครั้งต่อสัปดาห์ จะช่วยให้การดำเนินชีวิตดีขึ้น

    Clear Thinking Book

    • คนส่วนใหญ่เมื่ออายุเกิน 45 ปี ถ้าโดนไล่ออกจากงาน จะไม่ค่อยมีทางเลือกในการหางานใหม่และไม่รู้ว่าตัวเองควรเรียนเสริมอะไรถึงจะอยู่รอดได้
    • คนเราควรเรียนรู้เพื่อประโยชน์ในอนาคตและพยายามคิดและเรียนรู้ Skill ใหม่ไปเรื่อยๆ

    ดังนั้นคนเราควรพยายามคิดแบบ deep thinking ให้เยอะ เพื่อเพิ่มโอกาสในการอยู่รอดในอนาคตได้

    AI

    • Social Media มีทั้งดีและไม่ดี ขึ้นอยู่กับคนใช้ว่าใช้ได้ถูกวิธีหรือเปล่า
    • เราต้องใช้ AI เพื่อเป็นคนสร้าง Content, Writing and Creator ให้เยอะ

    AI เมื่อถึงจุดหนึ่งจะสามารถเก่งกว่าคนทั่วไป 99%

    Productivity

    Productivity

    Productivity คือ ความสามารถในการสร้างผลลัพธ์ ที่มีคุณค่า โดยใช้ทรัพยากร อย่างคุ้มค่าที่สุด

    ActivityProcess WorkDefintion
    ทำงาน 9 ชม.100%ทำงานใช้เวลาเยอะกว่า งานไม่มีประสิทธิภาพ
    ทำงาน 1 ชม.100%ทำงานใช้เวลาน้อยกว่า งานมีประสิทธิภาพ
    1. แสดงว่าคนใช้เวลาทำงานน้อยกว่า มีประสิทธิภาพกว่า
    2. งานที่เราทำปัจจุบัน ถ้าเราทำ 10% AI ทำ 90% แสดงว่า เราไม่มี Productivity หรือเปล่า เพราะ AI ทำเป็นส่วนใหญ่

    การที่เราเข้าถึง productivity ต้องเข้าใจการ Thinking

    Slow Productivity

    • AI พอถึงจุดหนึ่งจะเก่งกว่าคนทั่วไป 99% ได้เลย ถ้าพัฒนาตัวเองสม่ำเสมอแล้วจะเป็นคนสุดท้ายที่โดนแทนที่

    3 method of Slow Productivity

    1. Do Fewer Things เช่น Sean D’souza เขียนบทความที่ดี 1 สัปดาห์ ผ่านไป 20 ปีเขียน 45 นาทีต่อ 1 บทความ
    2. Work at a Natural Paces ถ้าเก่งมากขึ้นก็จะยิ่งทำงานได้เร็วขึ้น
    3. Obess over quality ทำงานเน้นคุณภาพ
    • คำถามที่ควรมีในใจ คือ ทำงานในตอนนี้ให้ดีขึ้นได้ยังไงบ้าง

    Agency is Skill

    • เป็น Skill ที่มนุษย์คนๆนึงควรจะมี
    • เราควรจะคิดและทำสิ่งต่างๆ ที่จะทำได้ด้วยตัวเอง เช่น เลือกจะตื่นเช้า เพื่อทำสิ่งที่มีความหมาย
    • คนส่วนใหญ่กลัวความล้มเหลว ปัญหาที่ยาก แต่คนที่รับมือปัญหาที่เพื่อจะเก่งขึ้นได้

    เรียนรู้สิ่งใหม่ๆ โดยการเรียนรู้จากพื้นฐาน → จากเรื่องง่ายไปยังเรื่องที่ยากขึ้นเรื่อยๆ

    AI Skills for jobs

    4 ทักษะที่จำเป็นสำหรับโลก AI ควรเลือกที่จะเรียนทักษะอะไรถึงจะดีที่จำเป็นต่อการหาและสมัครงานต่าง ๆ

    1. Resilience
    2. Storytelling
    3. Coaching
    4. AI Skills

    → การเปลี่ยนแปลง ความไม่แน่นอน คือ ความแน่นอน มนุษย์ต้องรู้จักปรับตัว

    IT Departments are becoming the HR of AI Agents

    Resilience

    Resilience skill คือ กระบวนการที่เป็นส่วนช่วยในการปรับตัวและทำให้เราสามารถรับมือกับเหตุการณ์ต่าง ๆ ที่เกิดขึ้นได้ในชีวิต

    • การที่ล้มได้ ลุกไว สามารถเรียนรู้และเติบโตต่อไปได้จากความผิดพลาด
    • ต้องรอด → ต่อยอด → สุดยอด

    มีแบ่งออกเป็น 3 ขั้น

    Roots

    • มีกำลังใจดีๆในชีวิตของคุณ เช่น ครอบครัว เพื่อน ศาสนา ศิลปะ หรืออื่นๆ

    ตัวอย่าง : การตระหนักถึงความสามารถและข้อดีของตนเอง (Self-Worth)

    Heads

    • เชื่อมั่นใน จุดแข็ง (Strength) หรือ ทักษะความสามารถ (Skills & Ability)

    ตัวอย่าง : Head IT บางคนไม่ได้เขียน Code เก่งที่สุด แต่เป็นคนเห็นอกเห็นใจผู้อื่นก็เป็นดาวเด่นได้ตลอด

    Fruits

    • หมายถึง ผลลัพธ์ (result) หรือความสำเร็จ (Success) ที่คุณภูมิใจ
    • การตัดสินใจที่จะลงมือทำเพื่อปรับปรุงสถานการณ์ให้ดีขึ้น แทนที่จะรอให้สิ่งภายนอกมาแก้ไขให้

    ตัวอย่าง : คนเราต้องภูมิใจระหว่างทาง หรือ เขียนการ์ดขอบคุณใก้คนที่เรารัก

    Storytelling

    Storytelling
    • มีทักษะเล่าเรื่องให้น่าสนใจ โน้มน้าวน่าจดจำ
    • ไม่ว่าคุณจะมีผลไม้แห่งความสำเร็จมากมาย แต่ถ้าเล่าเรื่องไม่น่าสนใจคนก็ไม่อินด้วย

    โดยสิ่งเหล่านี้จะมีพื้นฐาน 5 อย่าง

    Context

    บริบท คือ สร้างสถานการณ์ตั้งต้น โดยบอกว่า “เกิดอะไรขึ้นที่ไหน เมื่อไหร่ และทำไม” เพื่อให้ผู้ฟังเข้าใจสภาพแวดล้อมก่อนการเริ่มต้นของปัญหาหรือโครงการ

    Challenge

    เจอปัญหาที่ค้นพบ คือ ระบุปัญหาหลัก อุปสรรค ความขัดแย้ง หรือเป้าหมายที่ต้องการบรรลุ บอกว่า “ปัญหาคืออะไร และมันส่งผลกระทบอย่างไร” นี่คือจุดที่เรื่องราวน่าสนใจขึ้น

    Action

    สิ่งที่ทำ คือ อธิบายถึงขั้นตอนหรือการกระทำที่เราได้ทำลงไปเพื่อแก้ไขปัญหาหรือตอบสนองต่อความท้าทาย เน้นย้ำถึง “บทบาทของเรา” และความพยายามที่ใช้

    Result

    ผลลัพธ์ คือ สรุปผลที่ได้จากการดำเนินการของเรา เน้นผลลัพธ์ที่ วัดผลได้ และมีความชัดเจน (เช่น ตัวเลข, เปอร์เซ็นต์, การประหยัดเวลา/ต้นทุน)

    Impact

    ผลกระทบ คือ อธิบายถึงผลลัพธ์นั้นส่งผลต่อภาพรวมขององค์กร ลูกค้า หรือสถานการณ์ในระยะยาวอย่างไรบ้าง เช่น “ความเปลี่ยนแปลงที่ยิ่งใหญ่กว่าคืออะไร?” นี่คือส่วนที่สร้างความประทับใจและความหมายให้กับเรื่องเล่า

    Coaching

    • การตั้งคำถามเชิง Coaching
    • คนถามคำถามเก่งจะถามได้ดีแบบ Google

    เลือกทางที่ใช่ → เลือกทางที่ดีที่สุด

    GoalRealityOptionWay Forward
    ต้องการเดินทางไปไหนอยู่ที่ไหนช่วยหาเส้นทางที่เหมาะสมคุณตัดสินใจจะทำอะไรเป็นขั้นตอนต่อไป

    → จงเป็น Google map ให้คนรอบข้างที่ดี

    AI Skills

    • AI Skill การใช้งานที่ถูกวิธี
    • ความสามารถ AI ในช่วงเวลานี้คือ Amazing Intern จบมาจากมหาลัยชั้นนำในต่างประเทศโดยที่ต้อง Prompt และตรวจสอบทุกครั้ง

    ไม่ว่าจะอายุเท่าไร อาชีพอะไร ก็สามารถสร้างทักษะใหม่ๆได้

    The 6 Most Common AI Usage Categories

    AI ที่ปัจจุบันคนนิยมใช้มีดังนี้

    Personal & Professional Support

    • การสนับสนุนส่วนบุคคลและอาชีพ มีอัตราส่วน 31%
    • ใช้เพื่อเสริมทักษะ Soft Skills เช่น การให้คำปรึกษาเรื่องส่วนตัว เช่น ดูดวง, การพัฒนาส่วนบุคคล
    • AI : Chatgpt Copilot gemini
    • TIPS : Prompts บอก AI ให้ GROW Model ในการ Coach ของคุณ

    Content Creation & Editing

    • การสร้างและแก้ไขเนื้อหา มีอัตราส่วน 18%
    • การผลิตเนื้อหา เช่น การเขียน, การออกแบบ, การทำสื่อการสอน, หรือการตลาดเนื้อหา (Content Marketing)
    • AI : Gemini Pro

    Learning & Education

    • การเรียนรู้และการให้ความรู้ อัตราส่วน 16%
    • เรียนรู้สิ่งใหม่ตลอดเวลา หรือ สอนความรู้ให้อื่น
    • AI : Deep Research

    Technical & Know-How Assistance

    • ความช่วยเหลือด้านเทคนิคและความรู้เฉพาะทาง มีอัตราส่วน 15%
    • ใช้เพื่อเสริมทักษะ Hard Skills เช่น แก้ปัญหาทางเทคนิคการเขียน coding เชิงลึก
    • AI : Claude

    Creativity & Recreation

    1. ความคิดสร้างสรรค์และสันทนาการ มีอัตราส่วน 11%
    2. สร้างงานที่มีความคิดสร้างสรรค์ต่างๆ เช่น รูปภาพ และ วิดีโอ
    3. AI : Gemini banana

    Research & Analysis

    1. การวิจัยและการวิเคราะห์ มีอัตราส่วน 9%
    2. เป็นการค้นคว้าข้อมูลเพื่อสนับสนุนงานต่างๆ เช่น การหาข้อมูลเพื่อสร้างเนื้อหาในการเขียน content
    3. AI : Claude

    Building AI Agents with Microsoft Agent Framework

    Framework สำหรับ Building AI Agents คือการสร้างสิ่งที่ไม่เคยมีมาก่อน ให้เกิดขึ้นมาโดยที่เส้นทางเหล่านั้นสะดวกกับการใช้งาน เพื่อสร้างสิ่งต่างๆได้อย่างใจคิด

    Stack App

    Stack App คือ Framework ที่ใช้สำหรับสำรวจการทำงานของ AI

    AI App -> Model -> Azure AI Foundry

    AI App

    AI App คือ แอปพลิเคชันที่ผู้ใช้งานอย่างเราโต้ตอบด้วย

    • เป็นสิ่งที่เราเห็นและสัมผัส เช่น ที่สามารถพิมพ์ถามได้ (แบบ ChatGPT), แอปแต่งรูป AI (banana), หรือโปรแกรมแปลภาษา (gemini pro)

    Model

    Model เป็น อัลกอริทึมที่ถูกฝึกฝนด้วยข้อมูลมหาศาลเพื่อให้มีความสามารถเฉพาะทาง (เช่น เข้าใจภาษา, สร้างภาพ, วิเคราะห์ข้อมูล)

    • โดยที่ Model พวกนี้คือจุดเริ่มต้นที่เลียนแบบเทคโนโลยีมาใช้ โดยที่จริงแล้ว AI ไม่ฉลาด แต่เลียนแบบมนุษย์ได้ เพื่อโต้ตอบของมนุษย์ได้ โดยการเลียนแบบวิธีการสังเคราะห์ ให้แต่งประโยคได้เหมือนมนุษย์ที่เป็นอุปกรณ์ชื่อ Azure AI Foundry

    Azure AI Foundry

    เป็น “Catelog” ที่ Microsoft รวบรวมสุดยอด AI Model เก่งๆ จากหลายค่าย (เช่น claude, gemini, OpenAI และของ Microsoft เอง) มาไว้ในที่เดียว เช่น

    • มี AI Agent ที่สามารถสร้าง Agent เป็น Booking Assistant, เป็น HR Position, เป็น Marketing Position และ brief งาานได้นำมา เพื่อประยุกต์ใช้ในงานต่างๆได้ มอบหมายหน้าที่ได้รับมอบหมาย

    Framework of Azure AI Foundry

    Framework of Azure AI Foundry

    มี 3 รูปแบบ (Patterns) หลักในการสร้างแอปพลิเคชัน Generative AI ซึ่งเป็นแนวคิดพื้นฐานที่เครื่องมืออย่าง Azure AI Foundry ถูกสร้างขึ้นมาเพื่อรองรับครับ โดยมี 3 ระดับของ ความฉลาด และ ความเป็นอิสระ ของ AI จากง่ายไปยาก

    Retrieval Pattern

    • รูปแบบการดึงข้อมูล เป็นการตอบโดยให้ AI ไปค้นหาคำตอบจากหนังสือหรือแหล่งที่มาอื่นๆ
    • เพื่อให้ได้คำตอบที่ ถูกต้อง แม่นยำ และอ้างอิงได้ จากข้อมูลเฉพาะของคุณ เช่น เอาข้อมูลวันลาของพนักงานได้
    • AI : RAG, Azure AI Search

    Task Pattern

    • รูปแบบการทำงานเฉพาะอย่าง
    • งานเดี่ยว (Single Task): สั่งให้ “สรุป” บทความ
    • งานต่อเนื่อง (Task Chaining): สร้างลำดับงานที่ตายตัว

    Process of Task Pattern

    1. รับไฟล์เสียง (Input)
    2. ใช้ AI ถอดเสียง เป็นข้อความ (Task 1)
    3. ใช้ AI แปล ข้อความเป็นภาษาอังกฤษ (Task 2)
    4. ใช้ AI สรุป ใจความสำคัญ (Task 3) รวมทั้งหมดเป็น Automate workflow

    Autonomous Pattern

    • มี AI Agent เป็นผู้ช่วยส่วนตัว
    • plan ตั้งเงื่อนไขไว้ว่า Chatgpt จะทำงานเมื่อไร สามารถใส่ AI Agent ได้มากกว่า 1 ตัวมากกว่า 1 Application ด้วย code 3 บรรทัด สามารถเชื่อมกับการ deploy ผ่าน Azure AI Foundry
    • สามารถเรียนรู้เพิ่มเติมผ่าน Website นี้

    https://learn.microsoft.com/en-us/azure/ai-foundry/what-is-azure-ai-foundry

    Process of Autonomous Pattern

    1. ผู้ใช้ตั้ง “เป้าหมาย” (เช่น “วางแผนทริปเที่ยวญี่ปุ่นให้ 5 วัน งบ 50,000 บาท”)
    2. AI “คิดวิเคราะห์” (Reasoning) ว่าต้องทำอะไรบ้าง (1. หาเที่ยวบิน 2. หาโรงแรม 3. วางแผนการเดินทาง 4. คุมงบ)
    3. AI “เลือกใช้เครื่องมือ” (Tool Use) ที่จำเป็น เช่น เรียก API ของเว็บจองตั๋ว, ค้นหาเว็บรีวิว, ใช้เครื่องคิดเลข
    4. AI ทำงานเป็น “วงจร” (Loop) จนกว่าเป้าหมายจะสำเร็จ และอาจ “แก้ไข” แผนของตัวเองได้ถ้าระหว่างทางเจอปัญหา

    ถ้าหากลองให้ Azure AI Foundry ทำงานดู ก็จะรู้ได้ว่า AI ทำงานผิดพลาดและ AI กำลังเติบโตไปพร้อมๆกับเรา เหมือนกับที่เราผ่าน Computer, Smartphone เพราะปัจจุบันคนต้องการคนที่สร้างและสอน AI อีกมาก

    Building Graph-Baesd RAG from documents with python

    • โดยความเป็นจริงแล้วเบื้องหลังการทำ AI คือไปทำ Search ว่า AI สามารถค้นข้อมูลได้ยังไง
    What is RAG?

    What is RAG?

    Retrieval-Augmented Generation (RAG) เป็น Framework ที่ออกแบบมาเพื่อเพิ่มขีดความสามารถของโมเดลภาษาขนาดใหญ่ (LLMs) โดยการผสานการค้นคืนข้อมูลจากแหล่งภายนอกเข้ากับกระบวนการสร้างคำตอบ แม้ว่า LLMs แบบดั้งเดิมจะมีประสิทธิภาพสูง แต่ก็มีข้อจำกัดที่ข้อมูลที่ใช้ในการฝึกฝน ซึ่งอาจล้าสมัยหรือขาดความรู้เฉพาะทางอย่างรวดเร็ว RAG แก้ไขข้อจำกัดเหล่านี้โดยการนำข้อมูลที่ทันสมัยและเฉพาะทางจากแหล่งภายนอกมาใช้ ทำให้โมเดลสามารถสร้างคำตอบที่ทั้งทันสมัยและตรงกับบริบทได้

    Add Knowledge

    • ระบุ AI ที่ต้องการให้ความรู้ไปก่อน โดยเรานำเอกสาร (หนังสือ) ไปให้ AI เรียนรู้และจัดเก็บใน “ฐานข้อมูลความรู้ AI”

    Query

    • ให้ AI หาหนังสือจาก ฐานข้อมูลความรู้ AI

    Choose the best Doc

    • หาหนังสือที่ดี

    Generate Answer

    • ตอบคำถามให้กับเรา

    From Document to Vector

    From Document to Vector

    Chunking

    1. Chunking คือ การแบ่งเอกสาร
    2. จากหนังสือ เราไม่สามารถนำหนังสือทั้งเล่มและป้อนให้ AI ตรงๆ ได้ เพราะมันใหญ่เกินไป
    3. เราจึงต้อง “หั่น” (Chunk) หนังสือนั้นให้เป็น “เอกสาร” ชิ้นเล็กๆ เช่น ทีละย่อหน้า หรือทีละ 1,000 ตัวอักษร
    4. (เป็น: เอกสาร) เราจะได้เอกสารชิ้นเล็กๆ หลายพันชิ้น

    Embedding

    • การแปลงเป็น Vector
    • จากเอกสาร เรานำเอกสารชิ้นเล็กๆ แต่ละชิ้น ป้อนเข้า “Embedding Model“ (นี่คือ AI อีกตัวที่ทำหน้าที่ “แปลง” โดยเฉพาะ)
    • (เป็น: Vector) Model นี้จะ “อ่าน” เอกสารแต่ละชิ้น แล้ว “สร้าง” Vector (ชุดตัวเลข) ที่แทนความหมายของชิ้นนั้นๆ ออกมา
    • ผลลัพธ์: เราจะได้ Vector หลายพันชุด ที่คู่กับเอกสารต้นฉบับของมัน

    Indexing

    • การจัดเก็บ
    • เรานำ Vector ทั้งหมดนี้ไปเก็บใน “Vector Database” (ฐานข้อมูลเวกเตอร์)
    • ฐานข้อมูลนี้เปรียบเหมือน “คลังความรู้” (Knowledge Base) หรือ “ห้องสมุด” ที่จัดเรียงหนังสือตาม “พิกัดความหมาย” ทำให้ค้นหาได้เร็วมาก

    Knowledge graph

    การสร้างกราฟความรู้ (Knowledge Graph) จากเอกสารโดยอัตโนมัติ โดยใช้ LLM (Large Language Model) คือกระบวนการ เปลี่ยนข้อความ ให้กลายเป็น “ฐานข้อมูลเชิงสัมพันธ์” (Graph Database) ที่แสดงว่าอะไรเชื่อมโยงกับอะไรบ้าง

    Build Knowledge Graph
    1. Doc (เอกสาร): คือเอกสารต้นฉบับของคุณ (เช่น หนังสือ, บทความวิจัย, เอกสารนโยบาย) ซึ่งเป็นข้อมูลที่ยังไม่มีโครงสร้าง (Unstructured Data)
    2. Chunk (ส่วนย่อย): เอกสารถูกแบ่งออกเป็นชิ้นเล็กๆ (เหมือนในระบบ RAG) เพื่อให้ LLM สามารถประมวลผลได้ง่ายขึ้น
    3. LLM (สมอง): นี่คือส่วนที่ฉลาดที่สุด LLM จะ “อ่าน” ข้อความในแต่ละ Chunk และ “สกัด” (Extract) ความสัมพันธ์ที่ซ่อนอยู่ออกมา
    4. Edge List (รายการเส้นเชื่อม):
      1. Edge List คือผลลัพธ์ ที่ LLM สกัดออกมา
      2. มันคือรายการของ Triplets (ชุดข้อมูล 3 ส่วน) ที่อยู่ในรูปแบบ (Subject, Predicate, Object) หรือ (สิ่งหนึ่ง, ความสัมพันธ์, อีกสิ่งหนึ่ง)
      3. จากตัวอย่างในภาพ:
        • (Paper_A, Method_A, use) หมายความว่า Paper_A ใช้ Method_A
        • (Method_A, Method_B, relate_to) หมายความว่า “Method_A เกี่ยวข้องกับ Method_B”
        • (Method_A, Value_1, result) หมายความว่า “Method_A มีผลลัพธ์เป็น Value_1″
    5. Knowledge Graph (กราฟความรู้):
      • คือการที่เรานำ Edge List ทั้งหมดมาประกอบร่างสร้างเป็นเครือข่าย
      • Nodes (โหนด): คือ “สิ่งของ” หรือ “แนวคิด” (วงกลมสีต่างๆ เช่น Paper_A, Method_A)
      • Edges (เส้นเชื่อม): คือ “ความสัมพันธ์” ที่เชื่อมโยงโหนดเข้าด้วยกัน (ลูกศรที่มีป้ายกำกับ เช่น use, relate)

    How we combine Graph & RAG

    How we combine Graph & RAG
    1. User (ผู้ใช้): ผู้ใช้ถามคำถามที่ซับซ้อน เช่น Method_A ให้อะไร และมันเกี่ยวกับอะไรบ้าง?
    2. LLM (สมองตัวที่ 1 – ตัววางแผน): LLM วิเคราะห์คำถาม แล้วคิดว่า “ฉันต้องไปหาข้อมูลเกี่ยวกับ Method_A
    3. VectorDB (ตัวค้นหา): LLM ส่งคำค้นหาไปที่ VectorDB (ซึ่ง VectorDB นี้ อาจเก็บ Vector ของ “โหนด” ต่างๆ ในกราฟ) เพื่อค้นหาว่า “โหนด” ไหนใน Knowledge Graph ที่ “เกี่ยวข้อง” กับคำถามมากที่สุด
    4. Knowledge Graph (ดึงข้อมูล):
      1. VectorDB “ชี้เป้า” ไปที่โหนด Method_A
      2. ระบบจึงทำการ “ดึง” (Retrieve) “กราฟย่อย” (Sub-Graph) ที่อยู่รอบๆ Method_A ออกมา (ส่วนที่อยู่ใน กรอบสีเขียว)
      3. นี่คือหัวใจสำคัญ: แทนที่เราจะได้ “ข้อความ” (Text) เรากลับได้ “ข้อมูลเชิงโครงสร้าง” (Structured Data) ที่บอกว่า:
        • Method_A ถูกใช้ (use) โดย Paper_A และ Paper_B
        • Method_A เกี่ยวข้อง (relate) กับ Method_B
        • Method_A มีผลลัพธ์ (result) เป็น … (วงกลมสีชมพู)
    5. LLM (สมองตัวที่ 2 – ตัวสร้างคำตอบ): LLM (ตัวเดิมหรือตัวใหม่ก็ได้) รับ “กราฟย่อย” ที่แม่นยำนี้มาเป็น “บริบท” (Context)
    6. Answer (คำตอบ): LLM สร้างคำตอบที่ถูกต้องและครบถ้วนโดย “อ่าน” จากความสัมพันธ์ในกราฟนั้น เช่น Method_A ถูกใช้ใน Paper_A และ B, มีความเกี่ยวข้องกับ Method_B และให้ผลลัพธ์ที่ต้องการ

    โดยสรุปบทความนี้ชี้ให้เห็นว่าการจะประสบความสำเร็จในยุค AI นั้น ต้องเริ่มต้นจากการปรับ กระบวนการคิด และพัฒนา ทักษะ 4 ด้านที่จำเป็น (Resilience, Storytelling, Coaching, AI Skill) ในขณะเดียวกัน ฝั่ง นักพัฒนา ก็ต้องอัปเดตเครื่องมือใหม่ๆ อย่าง Microsoft Agent Framework เพื่อสร้างระบบ Multi-agent และเรียนรู้เทคนิคขั้นสูงอย่าง Graph-based RAG เพื่อสร้าง AI ที่ชาญฉลาดและตอบโจทย์ได้แม่นยำที่สุด หวังว่าบทความนี้จะเป็นประโยชน์กับทุกท่านครับ

    ขอบคุณ SCBxtech Next Tech StackZero Meetup ที่จัดกิจกรรมดีๆให้ครับ

  • 10 Topics of Data analysis of the UCI Machine Learning Repository’s Online Retail dataset using R

    10 Topics of Data analysis of the UCI Machine Learning Repository’s Online Retail dataset using R

    เป็นบทความสำหรับการวิเคราะห์ข้อมูลโดยโปรแกรม R เพื่อที่จะหากลุ่มลูกค้าที่จะเก็บข้อมูลมาว่าลูกค้ากลุ่มไหน ควรออกแบบ Campaign อะไรที่จะสามารถตอบโจทย์และบอกได้ว่าลูกค้ากลุ่มไหนควรแนะนำให้เพิ่มบริการหรือลดบริการ

    เนื่องจากปัจจุบันการสูญเสียลูกค้ากันเยอะขึ้น ในหลายๆ รูปแบบจึงอยากหาสาเหตุว่าลูกค้ากลุ่มไหนควรที่จะทำ Campaign อะไรให้เพื่อฟื้นฟูความสัมพันธ์กับลูกค้าเหล่านั้น โดยการสร้าง RFM Feature Engineering ขึ้นมาจากข้อมูลที่มี

    RFM Feature Engineering คือมันคือการแปลงประวัติการซื้อของลูกค้า (ที่เป็นข้อมูลดิบ) ให้กลายเป็น 3 คำดังนี้ Recency, Frequency and Monetary เพื่อนำไปใช้สำหรับการวิเคราะห์การตลาด จากข้อมูลดิบของการซื้อขายครับ คือ การเปลี่ยนข้อมูล Transaction ที่เข้าใจยาก ให้กลายเป็น 3 คอลัมน์ใหม่ที่เข้าใจง่าย เพื่อใช้วิเคราะห์พฤติกรรมลูกค้าครับ

    โดย 3 Features ที่เราสร้างขึ้นมานั้นย่อมาจาก:

    1. R = Recency (ความสดใหม่): ลูกค้าซื้อครั้งล่าสุดเมื่อไหร่? (เช่น 10 วันที่แล้ว)
    2. F = Frequency (ความถี่): ลูกค้าซื้อบ่อยแค่ไหน? (เช่น 5 ครั้ง)
    3. M = Monetary (มูลค่าการใช้จ่าย): ลูกค้าใช้เงินไปทั้งหมดเท่าไหร่? (เช่น 8,000 บาท)

    Data Analyst with R

    1. Install Library
      1. Install readxl
      2. Install tidyverse
    2. Read data
      1. Read excel
      2. Head data
      3. Glimpse
    3. Definition of Column
      1. InvoiceNo
      2. StockCode
      3. Description
      4. Quantity
      5. InvoiceDate
      6. UnitPrice
      7. CustomerID
      8. Country
    4. Data Cleaning
      1. Clean missing CustomerID value
      2. Cancel transaction that have C before Invoice NO.
      3. Manage Quantity and UnitPrice
      4. Create Column TotalPrice
      5. Change InvoiceDate into Date/time
      6. Summary Data
    5. Create RFM Feature Engineering
      1. Snapshot Date
      2. calculate RFM
    6. K-Means (Customer Segmentation)
      1. K-Means
      2. Prepare Data for K-Means (choose specific column R, F, M)
      3. Manage with Outlier
      4. Standardize
      5. Elbow method
        1. WSS
      6. Create dataframe for plot graph and plot graph with ggplot
      7. K-Means clustering
    7. Segment Profiling
      1. Calculate average of R, F, M with Cluster
    8. Storytelling and Visualization
      1. Analyst from four cluster
        1. Cluster 1
        2. Cluster 2
        3. Cluster 3
        4. Cluster 4
    9. Recommended Campaign
    10. Export Data for search cluster in excel

    Install Library

    ก่อนที่จะเริ่มต้นวิเคราะห์ข้อมูล ก็เริ่มต้นด้วยการ Download Library เพื่อที่จะสามารถใช้ Function ต่างๆได้หลากหลายขึ้น เช่น tidyverse และ readxl ก่อน

    Install readxl

    • install.packages(“readxl”) download มาเพื่อสามารถอ่านข้อมูลจากไฟล์ Excel ได้
    • library(readxl)
    install.packages("readxl")
library(readxl)

    Install tidyverse

    • install.packages(“tidyverse”) Download มาเพื่อสามารถวิเคราะห์ข้อมูลทั้งหมดได้ ไม่ว่าจะ dplyr และ ggplot
    • library(tidyverse)
    install.packages("tidyverse")
library(tidyverse)
    • หลังจาก run code จะสามารถดึงอุปกรณ์ในการช่วยวิเคราะห์ข้อมูลได้ตามรูปด้านล่าง
    install (tidyverse)

    Read data

    Read excel

    • สามารถอ่าน File Excel ชื่อ Online Retail.xlsx แล้วเลือก Sheet ที่ต้องการวิเคราะห์ข้อมูล ซึ่งก็คือ Sheet ที่ 1 ของไฟล์นี้
    ## read file from excel
retail_data <- read_excel("Online Retail.xlsx", sheet = 1)
View(retail_data)
    image.png
    read file from excel

    Head data

    • เลือก head มาเพื่อที่จะดูข้อมูล Column ของมีข้อมูลแถวบนเป็นยังไงบ้าง
    ## show head data
print("Example:")
print(head(retail_data))
    head data

    Glimpse

    glimpse จะแสดงโครงสร้างข้อมูลของ data frame จะสามารถรู้ได้ว่ามีคอลัมน์อะไรบ้าง, แต่ละคอลัมน์มีชนิดข้อมูล (Data Type) อะไร, และมีข้อมูลตัวอย่างหน้าตาเป็นอย่างไร ดังรูป

    ## show data structure
print("data structure:")
glimpse(retail_data)
    Glimpse

    Definition of Column

    เราเริ่มจากการดูข้อมูลเบื้องต้นก่อนว่า แต่ละ Column คืออะไรบ้าง

    InvoiceNo

    • InvoiceNo คือ (เลขที่ใบแจ้งหนี้)
    • เป็นรหัสที่ใช้ “จัดกลุ่ม” สินค้าที่ถูกซื้อในธุรกรรม (Transaction) เดียวกัน
    • จากตัวอย่าง InvoiceNo “536365” มีหลายแถว หมายความว่า ลูกค้าคนนี้สั่งสินค้าหลายอย่างในใบเสร็จใบเดียวกัน

    StockCode

    • StockCode คือ รหัสสินค้า
    • รหัสเฉพาะของสินค้าแต่ละชิ้น (คล้ายกับ SKU)

    Description

    • Description คือ รายละเอียดสินค้า
    • ชื่อหรือคำอธิบายของสินค้า (เช่น “WHITE HANGING HEART T-LIGHT HOLDER”)

    Quantity

    • Quantity คือ จำนวนสินค้า
    • จำนวนสินค้า ชิ้นนั้น ที่ถูกสั่งซื้อในใบเสร็จนี้
    • ข้อควรระวัง: ในข้อมูลชุดนี้ บางครั้งค่า Quantity อาจ ติดลบ ซึ่งหมายถึงการยกเลิก (Cancellation) หรือการคืนสินค้า (Return)

    InvoiceDate

    • InvoiceDate คือ วันที่สั่งซื้อ
    • วันที่และเวลาที่ธุรกรรมนั้นเกิดขึ้น (เช่น 2010-12-01 08:26:00)

    UnitPrice

    • UnitPrice คือ ราคาต่อหน่วย
    • ราคาของสินค้าชิ้นนั้น 1 หน่วย (เช่น 2.55)

    CustomerID

    • CustomerID คือ รหัสลูกค้า
    • รหัสประจำตัวของลูกค้าที่ทำการสั่งซื้อ (เช่น 17850)
    • ข้อควรระวัง: ในข้อมูลชุดนี้ บางแถวอาจไม่มี CustomerID (เป็นค่าว่าง หรือ NA) ซึ่งหมายถึงการซื้อแบบที่ไม่ได้ล็อกอิน (Guest)

    Country

    • Country คือ ประเทศ
    • ประเทศที่ลูกค้าคนนั้นอาศัยอยู่

    Data Cleaning

    Clean missing CustomerID value

    • หลังจากสำรวจข้อมูลแล้วเห็นว่าข้อมูล CustomerID บาง Column ข้อมูลไม่ครบ จึงทำลบแถวที่ข้อมูลไม่ครบของ CustomerID จาก Rows 541,909 เหลือ 406,829 = 133,820 Rows
    • ใช้ Code นี้เพื่อที่จะสามารถข้อมูลที่ยังไม่สมบูรณ์ เช่น ที่ Column Customer ID ออกโดยใช้ filter(!is.na(CustomerID)) คือ ใช้ column CustomerID ‘ไม่’ ( ! ) ‘เป็นค่าว่าง’ ( is.na )”
    ## Clean missing data
retail_data_cleaned <- retail_data %>%
  filter(!is.na(CustomerID))
glimpse(retail_data_cleaned)
    Clean missing data

    Cancel transaction that have C before Invoice NO.

    • หลังจากสำรวจข้อมูลใน Column Invoice NO. แล้วพบว่า Column ที่ Invoice NO. ถูก Cancel จะมีตัว C อยู่ข้างหน้า Invoice เหล่านั้น
    • เราจึงต้องกรอง Invoice ที่ขึ้นต้นด้วย C และ c ออกไปเพื่อเหลือแค่ลูกค้าที่สั่ง Order กับเราจริงๆ โดยไม่ยกเลิก Order
    ## Cancel transaction that have C before Invoice NO.
retail_data_cleaned <- retail_data_cleaned %>%
  filter(!startsWith(as.character(InvoiceNo), "C") & !startsWith(as.character(InvoiceNo), "c"))
glimpse(retail_data_cleaned)
    Cancel transaction that have C before Invoice NO.

    Manage Quantity and UnitPrice

    • กรองค่าที่ Quantity และ UnitPrice ที่น้อยกว่า 0 ออกเพื่อให้ข้อมูลถูกต้อง
    ## manage Quantity and UnitPrice
retail_data_cleaned <- retail_data_cleaned %>%
  filter(Quantity > 0 & UnitPrice > 0)
glimpse(retail_data_cleaned)
    Manage Quantity and UnitPrice

    Create Column TotalPrice

    • เพิ่ม Column TotalPrice เพื่อคำนวณราคาของ Quantity * Unitprice จะได้รู้ปริมาณ * ราคาของสินค้าทั้งแถว
    • แล้วจะมี Column ชื่อ Total Price ตามรูปด้านล่าง
    ## Create Column Totalprice
retail_data_cleaned <- retail_data_cleaned %>%
  mutate(TotalPrice = Quantity * UnitPrice)
retail_data_cleaned
glimpse(retail_data_cleaned)
    Create Column TotalPrice

    Change InvoiceDate into Date/time

    • เปลี่ยนวันที่ในข้อมูลให้กลายเป็นวันที่สามารถบอกเวลาได้ ให้เป็นรูปแบบเดียวกัน
    ## Change InvoiceDate into Date/time
retail_data_cleaned <- retail_data_cleaned %>%
  mutate(InvoiceDate = ymd_hms(InvoiceDate))
glimpse(retail_data_cleaned)
    Change InvoiceDate into Date/time

    Summary Data

    • สรุปข้อมูลออกมาได้ดังนี้
    • Summary ได้เฉพาะ Column ที่เป็นปริมาณ
    Summary Data

    Create RFM Feature Engineering

    Snapshot Date

    • หาวันที่ max ที่สุดของ data นี้ด้วยตัวแปร Snapshot
    ## snapshot Date
## use next date for last day from data
snapshot_date <- max(retail_data_cleaned$InvoiceDate) + days(1)
snapshot_date
    Snapshot Date

    calculate RFM

    • สร้างแถว Recency, Frequency and Monetary

    เพื่อจะได้รับตัวแปรช่วยให้รู้ได้ว่าลูกค้ากลุ่มไหนซื้อสินค้าเรา วันล่าสุดเท่าไร ความถี่เท่าไร และค่าใช้จ่ายเท่าไร

    1. Monetary (M): ยอดใช้จ่ายทั้งหมด
    2. Recency (R): จำนวนวันที่ผ่านไปนับจากการซื้อครั้งล่าสุด
    3. Frequency (F): จำนวนธุรกรรมทั้งหมด
    ## create new rfm_data with Recency, Frequency and Monetary
rfm_data <- retail_data_cleaned %>%
  group_by(CustomerID) %>%
  summarise(
    Recency = as.numeric(difftime(snapshot_date, max(InvoiceDate), units = "days")),
    Frequency = n_distinct(InvoiceNo),
    Monetary = sum(TotalPrice)
  )
print("Example RFM:")
print(head(rfm_data))
View(rfm_data)
    calculate RFM

    K-Means (Customer Segmentation)

    K-Means

    K-Means คือการแบ่งฐานลูกค้าทั้งหมดของคุณออกเป็นกลุ่มย่อยๆ (Segments) โดยที่คนในกลุ่มเดียวกันจะมีพฤติกรรมหรือคุณลักษณะที่คล้ายกัน แต่จะแตกต่างจากคนในกลุ่มอื่นอย่างชัดเจน

    ตัวอย่างผลลัพธ์ที่คาดว่าจะได้รับมีดังนี้

    เมื่อใช้อัลกอริทึม K-Means (สมมติว่าเราตั้งค่า $K=4$) เราอาจจะได้กลุ่มลูกค้า 4 กลุ่ม เช่น:

    1. กลุ่มลูกค้าชั้นดี (High-Value): ซื้อบ่อย (F สูง), ยอดซื้อสูง (M สูง), และเพิ่งซื้อไปไม่นาน (R ต่ำ)
    2. กลุ่มลูกค้าที่กำลังจะหาย (At-Risk): เคยซื้อเยอะและบ่อย (F, M สูง) แต่ไม่กลับมาซื้อนานแล้ว (R สูง)
    3. กลุ่มลูกใหม่ (New Customers): เพิ่งซื้อครั้งแรก (F, M ต่ำ) และซื้อล่าสุด (R ต่ำ)
    4. กลุ่มลูกค้าทั่วไป (Standard): ซื้อประปราย ยอดซื้อปานกลาง

    Prepare Data for K-Means (choose specific column R, F, M)

    • เลือกเฉพาะ Column R, F และ M จาก ตัวแปร rfm_data มาอยู่ในตัวแปร rfm_for_clustering เพื่อที่จะสามารถศึกษาข้อมูลต่อได้
    ## Prepare data for K-Means (Choose specially R, F, M )
rfm_for_clustering <- rfm_data %>%
  select(Recency, Frequency, Monetary)
rfm_for_clustering
View(rfm_for_clustering)
    choose specific column R, F, M

    Manage with Outlier

    • เนื่องจาก Frequency and Monetary มีการเบ้ขวาของข้อมูล จึงใส่ค่า log เพื่อลดการคลาดเคลื่อนของข้อมูล (Outlier)
    • การเบ้ขวาของข้อมูล คือ ข้อมูลส่วนใหญ่กระจุกตัวอยู่ที่ฝั่งค่าน้อยกว่า
    ## manage with Outliers 
## column Frequency and Monetary have right skewed
## Log Transformation to reduce Outlier
rfm_log <- rfm_for_clustering %>%
  mutate(
    Recency_log = log(Recency + 1), # +1 เพื่อหลีกเลี่ยง log(0)
    Frequency_log = log(Frequency + 1),
    Monetary_log = log(Monetary + 1)
  ) %>%
  select(Recency_log, Frequency_log, Monetary_log)
glimpse(rfm_log)
    Manage with Outlier

    Standardize

    • Scale( ) ใน R เป็นเครื่องมือที่สำคัญมากสำหรับการ “Standardization” หรือ “การปรับสเกลข้อมูล” ครับ
    1. Centering (การปรับศูนย์): มันจะนำค่าในคอลัมน์นั้นไป ลบด้วยค่าเฉลี่ย (Mean) ของคอลัมน์ ผลลัพธ์คือ คอลัมน์ใหม่นี้จะมี ค่าเฉลี่ย = 0
    2. Scaling (การปรับสเกล): จากนั้น มันจะนำค่าที่ถูก Centered แล้ว ไป หารด้วยส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation – SD) ของคอลัมน์นั้น ผลลัพธ์คือ คอลัมน์ใหม่นี้จะมี Standard Deviation = 1
    ## Standardize
## make average to be 0 and S.e. to be 1
rfm_scaled <- scale(rfm_log)
print("Adapt with propotion:")
print(head(rfm_scaled))

View(rfm_scaled)
    Standardize

    Elbow method

    • Elbow Method คือเทคนิคที่นิยมใช้เพื่อช่วยตัดสินใจว่า “จำนวนกลุ่ม (K) ที่เหมาะสมที่สุด” ควรจะเป็นเท่าไหร่ สำหรับการทำ Clustering, โดยเฉพาะกับ K-Means
    ## Elbow method to find K that fit to data
wss <- (nrow(rfm_scaled)-1) * sum(apply(rfm_scaled, 2, var))
for (i in 2:10) { # ทดสอบ k ตั้งแต่ 2 ถึง 10
  wss[i] <- sum(kmeans(rfm_scaled, centers = i)$withinss)
}
wss

    WSS

    wss คือ มันคือการคำนวณว่าข้อมูลทั้งหมดในกลุ่มนั้นๆ อยู่ “กระจัดกระจาย” หรือ “เกาะกันแน่น” แค่ไหน โดยวัดจากจุดศูนย์กลาง (Centroid) ของกลุ่ม

    ค่า WSS ต่ำ = ดีมาก

    1. หมายความว่า จุดข้อมูลต่างๆ อยู่ “ใกล้” กับจุดศูนย์กลางของกลุ่มมันมาก
    2. แปลว่ากลุ่มนั้น “เกาะกันแน่น” (Dense) และมีความแปรปรวนภายในกลุ่มต่ำ

    ค่า WSS สูง = ไม่ดี

    1. หมายความว่า จุดข้อมูลต่างๆ อยู่ “ไกล” จากจุดศูนย์กลางกลุ่ม
    2. แปลว่ากลุ่มนั้น “กระจัดกระจาย” (Sparse) และมีความแปรปรวนภายในกลุ่มสูง
    ## Calculate Within-Cluster Sum of Squares (WSS)
wss <- (nrow(rfm_scaled)-1) * sum(apply(rfm_scaled, 2, var))
for (i in 2:10) { # ทดสอบ k ตั้งแต่ 2 ถึง 10
  wss[i] <- sum(kmeans(rfm_scaled, centers = i)$withinss)
}
wss
    WSS

    วิธีดู “Elbow method” คือการดูว่า WSS “ลดลง” ไปเท่าไหร่ในแต่ละก้าว และมองหาจุดที่ “อัตราการลดลง” มันเริ่มน้อยลง (กราฟเริ่มแบน)

    1. K=1 -> 2: ลดลง 13011.0 – 6472.9 = 6538.1 (ลดลงเยอะมาก)
    2. K=2 -> 3: ลดลง 6472.9 – 4855.5 = 1617.4 (ยังลดลงเยอะ)
    3. K=3 -> 4: ลดลง 4855.5 – 3923.4 = 932.1 (เริ่มลดน้อยลง อย่างชัดเจน)
    4. K=4 -> 5: ลดลง 3923.4 – 3267.4 = 656.0
    5. K=5 -> 6: ลดลง 3267.4 – 2840.2 = 427.2
    6. K=6 -> 7: ลดลง 2840.2 – 2533.5 = 306.7 (หลังจากนี้คือลดลงน้อยมาก)
    7. K=7 -> 8: ลดลง 2533.5 – 2330.2 = 203.3
    8. K=8 -> 9: ลดลง 2330.2 – 2162.1 = 168.1
    9. K=9 -> 10: ลดลง 2162.1 – 1997.5 = 164.6

    จึงใช้ k = 4

    K=3 -> 4: ลดลง 4855.5 – 3923.4 = 932.1 (เริ่มลดน้อยลง อย่างชัดเจน)

    Create dataframe for plot graph and plot graph with ggplot

    • สร้างกราฟเพื่อดูว่าข้อมูลไหนห่างกันน้อยที่เมื่อเทียบกับด้านคือ K = 4
    ## create dataframe for plot graph
elbow_data <- data.frame(k = 1:10, wss = wss)

## plot graph with ggplot
print(
  ggplot(elbow_data, aes(x = 4, y = wss)) +
    geom_line() +
    geom_point() +
    scale_x_continuous(breaks = 1:10) +
    labs(title = "Elbow Method for Optimal 4",
         x = "Amount (4)",
         y = "Within-Cluster Sum of Squares (WSS)")
)
    graph with ggplot

    K-Means clustering

    ## K-Means clustering
set.seed(42) # make result same
k_optimal <- 4 
kmeans_result <- kmeans(rfm_scaled, centers = k_optimal, nstart = 25)
    1. set.seed(42) เพื่อให้ข้อมูลคงค่าเดิมเสมอทุกครั้งที่ Run model
    2. centers = k_optimal: บอก K-Means ว่า “ให้แบ่งกลุ่มข้อมูลนี้ออกเป็น 4 กลุ่มนะ” (โดยอ้างอิงค่าจากตัวแปร k_optimal ที่เราตั้งไว้)
    3. nstart = 25: บอก K-Means ว่า “ให้ลองสุ่มจุดเริ่มต้น 25 ครั้ง แล้วเลือกเอาครั้งที่ได้ผลลัพธ์ดีที่สุด (คือได้ค่า WSS ต่ำที่สุด)” มาเป็นคำตอบสุดท้าย (ช่วยให้ได้ผลลัพธ์ที่ดีและเสถียรขึ้น)

    Segment Profiling

    Calculate average of R, F, M with Cluster

    • คำนวณค่าเฉลี่ยตามกลุ่ม Cluster เรียงตามค่าใช้จ่ายจากน้อยไปมาก
    ## Calculate average of R, F, M with Cluster
segment_profile <- rfm_data %>%
  group_by(Cluster) %>%
  summarise(
    Avg_Recency = mean(Recency),
    Avg_Frequency = mean(Frequency),
    Avg_Monetary = mean(Monetary),
    Count = n() # Number of Customers
  ) %>%
  arrange(Avg_Monetary) # arrange with expense

print("Profie seperate of group R, F, M:")
print(segment_profile)

    Storytelling and Visualization

    1. Bar charts to compare average R, F, M of each segment
    ## Bar charts to compare average R, F, M of each segment

segment_profile_long <- segment_profile %>%
  select(Cluster, Avg_Recency, Avg_Frequency, Avg_Monetary) %>%
  gather(key = "Metric", value = "Value", -Cluster)

print(
  ggplot(segment_profile_long, aes(x = Cluster, y = Value, fill = Metric)) +
    geom_bar(stat = "identity", position = "dodge") +
    facet_wrap(~ Metric, scales = "free_y") +
    labs(title = "Segment Profiles (Average RFM Values)",
         x = "Cluster",
         y = "Average Value") +
    theme_minimal()
)
    R, F, M of each segment

    Analyst from four cluster

    Cluster 1

    Cluster 1: ลูกค้าทั่วไป (กำลังจะห่าง)

    1. Frequency (ความถี่): ปานกลาง (Avg. ~4)
    2. Monetary (ยอดใช้จ่าย): ปานกลาง (Avg. ~1900)
    3. Recency (ซื้อล่าสุด): ค่อนข้างนาน (Avg. ~70 วัน)
    4. สรุป: กลุ่มนี้เคยซื้อค่อนข้างดี แต่เริ่มหายไปนานแล้ว (70 วัน) อาจต้องการการกระตุ้นเตือนให้กลับมา

    Cluster 2

    Cluster 2: 🏆 ลูกค้าชั้นดี (Best Customers / VIP)

    1. Frequency (ความถี่): สูงที่สุด (Avg. ~14)
    2. Monetary (ยอดใช้จ่าย): สูงที่สุด (Avg. ~8000)
    3. Recency (ซื้อล่าสุด): ต่ำที่สุด (Avg. ~10 วัน)
    4. สรุป: นี่คือกลุ่มที่ดีที่สุดของคุณ ซื้อบ่อย, จ่ายหนัก, และเพิ่งซื้อไปไม่นาน กลุ่มนี้คือกลุ่มที่ต้องรักษาไว้ให้ดีที่สุด (Loyalty Program, สิทธิพิเศษ)

    Cluster 3

    Cluster 3: 😥 ลูกค้าที่หายไปแล้ว (Lost Customers)

    1. Frequency (ความถี่): ต่ำ (Avg. ~1.5)
    2. Monetary (ยอดใช้จ่าย): ต่ำที่สุด (Avg. ~300)
    3. Recency (ซื้อล่าสุด): สูงที่สุด (Avg. ~180 วัน)
    4. สรุป: กลุ่มนี้ซื้อน้อย จ่ายน้อย และที่สำคัญคือ ไม่กลับมาซื้อนานมากแล้ว (เกือบ 180 วัน) การดึงลูกค้ากลุ่มนี้กลับมาอาจต้องใช้โปรโมชั่นที่แรงมาก (Win-back campaign)

    Cluster 4

    Cluster 4: ✨ ลูกค้าใหม่ (New Customers)

    1. Frequency (ความถี่): ต่ำ (Avg. ~2)
    2. Monetary (ยอดใช้จ่าย): ต่ำ (Avg. ~600)
    3. Recency (ซื้อล่าสุด): ต่ำ (Avg. ~20 วัน)
    4. สรุป: กลุ่มนี้เพิ่งเข้ามาซื้อได้ไม่นาน (Recency ต่ำ) แต่ยังซื้อไม่บ่อยและยังจ่ายไม่เยอะ (F, M ต่ำ) เป้าหมายคือต้องกระตุ้น (Nurture) ให้พวกเขากลายเป็น Cluster 2 ในอนาคต

    Recommended Campaign

    ClusterSegmentจำนวนลูกค้ากลยุทธ์ที่แนะนำ
    1At-Risk1158ดึงกลับ ส่งแคปเปญ We miss you
    2Champions723รักษา มอบรางวัล loyalty ให้สิทธิ์ VIP
    3Lost1579ไม่ต้องโฟกัส
    4Potential878พัฒนา กระตุ้นการซื้อถัดไป

    Export Data for search cluster in excel

    install.packages("writexl")
library(writexl)
write_xlsx(rfm_data, "rfm_data_export.xlsx")
    • install package write excel เพื่อที่จะสามารถนำไปดูต่อใน Excel ได้ว่า Customer ID ควรสร้าง Campaign อะไร
    • Loyalty for VIP, We miss you สำหรับลูกค้าที่จะหายไป, Potential ที่พัฒนาการกระตุ้นซื้อครั้งถัดไป, Lost ไม่ต้องโฟกัสเยอะ แล้วให้ไปโฟกัสลูกค้ากลุ่มอื่นๆ
    rfm_data_exportDownload

    Github :

    ดูตัวอย่าง code ทั้งหมดได้ที่ https://github.com/Chayanonboo/code-for-articles/blob/main/code_R/Online_Retail_Data_Set_from_UCI_ML_repo30_10_2025.ipynb

    Reference :

    https://www.kaggle.com/datasets/jihyeseo/online-retail-data-set-from-uci-ml-repo

  • 20 Topics from Meeting with Ad Toy and Sean D’ Souza

    20 Topics from Meeting with Ad Toy and Sean D’ Souza

    เริ่มต้นจากการได้ฟัง Ad Toy พูดถึง Productivity และฟัง Sean พูดถึงเรื่อง Problem, Solution and Target Profile แล้วตื่นเต้นมาก เพราะไม่ค่อยได้ฟัง Marketing เท่าไร เพราะ Marketing สมัยนี้มักจะพยายามโตด้วยการยิงโฆษณาเยอะ แต่พอได้ฟัง Sean พูดการสร้างเป้าหมายลูกค้าแล้วรู้สึกขนลุกในวิสัยทัศน์ ดังนั้นจึงอยากจะแบ่งปันความรู้ที่ไปฟังที่ งาน Sean & Ad Toy ที่ Co-Working พระราม 9 วันที่ 2 สิงหาคม พ.ศ. 2568

    Intro to The Brain Audit

    1. Productize Yourself
    2. Expand Your Circle of Competence
    3. First Principles Thinking
      1. Case Study : Jeff Bezos Amazon
    4. What about Life?
    5. Creative Artifact
    6. Suddenly Talent
      1. Case Study 1 : Scot Adam
      2. Case Study 2 : Dan Koe
      3. Case Study 3 : Sean D’Souza
    7. Discipline
    8. Benefits of Brain
    9. The Entrepreneur’s Choice
    10. Introduction From Sean D’Souza
    11. How to get Attention
    12. Problem
    13. Target Profile
    14. The Trigger
      1. Case Study 1 : Anti-theft alarm
    15. The Important of Language
    16. Questions and Answers No 1. with Sean
    17. Questions and Answers No 2. with Sean
    18. Questions and Answers No 3. with Sean
    19. Questions and Answers No 4. with Sean
    20. Questions and Answers No 5. with Sean

    AD Toy Part

    มาถึงปุ๊บ แอดทอยเริ่มพูด Part การเป็นตัวเองในเวอร์ชันที่ดีที่สุดก่อนเลย

    Productize Yourself

    • โดยที่มนุษย์เราอย่างน้อยที่สุดต้องพยายามทำให้ตัวเรากลายเป็น Product ที่เก่งที่สุด

    Make Yourself better is the goal (You) —>Money

    How to ask good questions.

    การตั้งคำถามที่ดี : ควรตั้งคำถามว่า ทำอย่างไรถึงได้สร้างรายได้ ไม่ใช่ ต้องมีเงินเยอะ เพราะกระบวนการคิดที่จะทำให้ตัวเราดีขึ้นในทุกวัน สามารถสร้างโอกาสในการหารายได้มากขึ้น

    Expand Your Circle of Competence

    Expand Your Circle of Competence

    ยิ่งเราขยาย Circle of Competence จะยิ่งสามารถ ขยายกรอบความสามารถมากขึ้น แล้วจะยิ่งสามารถมีอิสระมากยิ่งขึ้น โดยควรขยายความสามารถในการทำสิ่งใดสิ่งหนึ่งได้ดี เช่น ความรู้ ทักษะ ให้มายิ่งขึ้น

    First Principles Thinking

    First principles แบบวิธีคิดโดยการแยกแยะปัญหา เพื่อให้เรื่องที่เป็นพื้นฐานที่สุด แล้วทำการวิเคราะห์และสร้างทางออกใหม่จากพื้นฐานนั้น

    • ควรรู้จักพัฒนาทักษะความคิดและกระบวนการคิดเพื่อให้สามารถคิดในแง่ดี และ แนวทางใหม่ในการใช้ชีวิต

    Creative Thinking คือ การใช้กระบวนการคิดที่เน้นไปที่การสร้างสรรค์หรือความคิดพิเศษ เพื่อสร้างความคิดหรือแนวคิดใหม่ ๆ ที่มีค่าหรือมีประโยชน์ต่อตัวเองหรือสังคม

    Creative Thinking

    Case Study : Jeff Bezos Amazon

    Jeff Bezos ของ Amazon เคยกล่าวไว้ การซื้อขาย Online ใน 10 ปีข้างหน้าจะเปลี่ยน

    แต่ในการทำธุรกิจจะมี 3 อย่างที่ไม่เปลี่ยน

    1. สินค้าหรือบริการราคาถูก
    2. สินค้าหรือบริการคุณภาพดี
    3. สินค้าหรือบริการขนส่งรวดเร็ว

    What about Life?

    • สิ่งที่เราต้องมีคือ Your —> Your Ideal Self ต้องเป็นตัวเองใน Version ที่ดีที่สุด

    Make yourself better is the goal —>Eudaimonia มีจิตวิญญาณที่อยู่อย่างสุขสบาย

    โดยหน้าที่ของธุรกิจคือ สร้าง Product , Service ที่ดี และมีลูกค้าที่ดี แล้วเงินจะตามมาเอง

    Creative Artifact

    Mind → Creative Artifacts → Value ← Money

    • Mind กระบวนการคิดเป็นจุดเริ่มต้นของการใช้ชีวิตที่ดี
    • Create value that the market wants to pay
    • สร้าง Value ที่สังคมเห็นค่าแล้ว เงินจะตามมาเอง

    Suddenly Talent

    ทำให้ได้ระดับ 7/10 แต่ทำได้หลาย Skill พร้อมกัน ก็สามารถประสบความสำเร็จในหน้าที่การงานได้

    Suddenly Talent

    Case Study 1 : Scot Adam

    มี Skill ดังนี้

    1. Cartoon
    2. Business
    3. Sense of Humor

    และสร้างหนังสือที่มีชื่อเสียงเช่น How to fail at the most everything and still big win

    Case Study 2 : Dan Koe

    มี Skill ดังนี้

    1. Writing
    2. Philosophy
    3. Business

    และสร้างหนังสือที่มีชื่อเสียงเช่น The Art of Focus

    Case Study 3 : Sean D’Souza

    มี Skill ดังนี้

    1. Cartoon
    2. Marketing
    3. Writing

    และสร้างหนังสือที่มีชื่อเสียงเช่น The Brain Audit

    สามารถทำธุรกิจได้โดยไม่มีการทำออนไลน์มาก โดยเน้นแต่ Website ส่วนตัว

    Discipline

    Discipline

    สิ่งสำคัญที่ควรในปัจจัยที่อาจช่วยให้ประสบความสำเร็จได้โดยมี Discipline ดังนี้

    1. Wake Up Early
    2. Don’t Use Tiktok
    3. Do Good Thing
    4. Say Thank More Often

    Benefits of Brain

    TypeDefinition
    Brain sees chargeสมองรับรู้ปัญหา
    Brain recognizes severity of problemสมองตระหนักถึงความรุนแรงของปัญหา
    Brain saves your buttสมองช่วยให้คุณรอดตัว
    • ถ้าสมองเรารู้สึกว่ามีปัญหา สิ่งเหล่านั้นก็จะกลายเป็นปัญหา
    • แต่ถ้าเรามองปัญหาเป็นโอกาส ก็จะมีโอกาสรอเราอยู่มากมาย

    The Entrepreneur’s Choice

    • สร้าง Product ที่ตอบโจทย์คนต่างๆในสังคม
    • ไม่เกิน 5 ปี เจ้าของธุรกิจต้องเลือกระหว่างคน กับ AI
    • โดยที่ AI จะราคาถูกลง โดยที่เราเริ่ม Skill ในวันนี้เพื่อให้รอด โดยต้องสร้าง Product or Service ได้
    • Earn with your mind not your time.
    • Ad is a scaling systems ใช้โฆษณาเพื่อหาตลาดใหม่

    Sean D’Souza Part

    Introduction From Sean D’Souza

    • ต้องหาเหตุผลว่าทำไมลูกค้าซื้อขายสินค้านั้นๆ เช่น เก้าอี้
    • เพราะเก้าอิ้แข็งแรง สามารถใช้นั่งได้
    Chair

    โดย Sean D’Souza แนะนำหนังสือ The Brain Audit โดยมี 3 ข้อดังนี้

    1. Problem
    2. Solution
    3. Target Profile

    โดยที่หากมี 3 ข้อนี้ จะมีลูกค้าสนใจ Product or Service

    ถ้าอยากให้ธุรกิจ work ได้จำเป็นต้อง 3 ข้อนี้

    1. How to get attention
    2. How to triggers work
    3. The importance of Language

    How to get Attention

    โดยสามารถสร้างความสนใจได้ โดยการเริ่มรู้ปัญหา

    • เราต้องการมีข้อมูลมากพอที่จะให้ลูกค้าตัดสินใจ

    Problem

    • สมองคนเรามักจะตอบสนองต่อปัญหา
    • โดยตัวอย่างที่ Sean ยกตัวอย่าง เช่น เวลาคนเราเดินบนพื้นถนนปกติ ก็จะไม่รู้สึกถึงปัญหา แต่หากมีขี้หมาอยู่บนถนน เราก็จะรู้สึกถึงปัญหาทันที โดยพยายามจะเดินเพื่อหลีกเลี่ยงขี้หมาให้มากที่สุด
    Dogs

    Benefit เป็นหนทางของ Problem โดยสร้าง Solution ในการหาหนทางในการแก้ปัญหา

    • โดยบางทีคนเรามักจะอ่าน Magazine จนมัวแต่ Focus กับ Problem จนไม่ยอมสร้าง Solution

    ต้องสร้างแก้ปัญหา เช่น เวลาเจอหมาขี้ ก็แค่นำที่ตักขึ้หมาออกมาใช้บนถนนออกไป จะสามารถแก้ปัญหาได้แล้ว

    ปัญหา คือ การเรียนรู้ปัญหาต่างๆ

    Target Profile

    Target Profile แต่ละคนไม่เหมือนกัน

    Target Profile
    TypeDefinition
    Person“บุคคล” ในความหมายทั่วไป
    Real Person“บุคคลจริง” ที่มีตัวตนอยู่จริงและมีคุณสมบัติเฉพาะ

    Real Person สามารถสร้างลักษณะนิสัยที่กำหนดขึ้นให้ตอบโจทย์ตลาดที่เราต้องการศึกษา

    One Person → Isolating one Person

    โดยต้องหากลุ่มเป้าหมายที่ชัดเจนเหมือนกัน เพื่อตอบโจทย์คนๆนั้น แต่ถ้ามีบุคลิกที่แตกต่างกันก็จะกำหนดบุคลิกเฉพาะ

    • โดยถ้าจะดีคือต้องมีลูกค้ากลุ่มแรกที่มีปัญหาเหมือนกัน เจอก่อนแล้วก็จะเจอกลุ่มลูกค้ากลุ่มต่อไปเรื่อยๆ

    The Trigger

    The Trigger = Problem + Solution + Target Profile

    • ถ้าจะให้ดี ควรจะรู้ว่าเราสามารถกระตุ้น 3 ขั้นตอน
    • Take the guesswork out of new product launches : เปิดตัวสินค้าใหม่แบบไม่ต้องเดาสุ่ม

    Case Study 1 : Anti-theft alarm

    Anti-theft alarm

    การมีสัญญาณกันขโมย ช่วยสร้าง Solution ได้ กรณีที่ไม่อยู่บ้าน เพราะสัญญาณจะร้อง ทำให้เราสามารถเรียกตำรวจมาช่วยตรวจสอบ กรณีมีขโมยเข้ามา

    The Important of Language

    • Language of the brain ภาษาของสมอง การเรียนรู้ภาษาใหม่ๆ จะช่วยเปลี่ยนแปลงร่างกายของสมองและเพิ่มความสามารถในการรับรู้
    • ต้องสามารถ Communicate ได้ หากธุรกิจประเภทหนึ่งมี Product และ Service ดี แต่ Communicate ไม่ได้ก็จบ

    เช่น ตัวอย่างในหนังสือเรื่องได้ตั๋วไปเที่ยวฟรี แต่ไม่สามารถพุดภาษาประเทศนั้นก็ไม่มีประโยชน์

    Questions and Answers No 1-5 with Sean

    Questions and Answers No 1. with Sean

    1. AI จะช่วยแก้ปัญหา Problem หรือ Solution ได้มั้ย
    1. AI ที่ดี ช่วยแก้ปัญหาคนไม่เก่งได้ ให้สามารถพัฒนาด้านที่ตัวเองไม่เก่ง เพื่อที่จะสามารถเก่งขึ้นได้
    2. แต่ AI จะไม่เก่ง และ ไม่ช่วยแก้ปัญหาสำหรับคนที่เก่ง เพราะคนที่เก่งอยู่แล้วสามารถแก้ได้ดีกว่า เพราะ ประสบการณ์ + ความรู้
    3. กระเป๋า 7 ใบ เมื่อสร้างจาก Problem แล้วค่อยใช้ Solution ในการแก้ปัญหา
    4. เวลาลูกค้าซื้อของ มีคำถาม ถ้าสามารถตอบคำถามได้ ลูกค้าก็ทำการขายสินค้าหรือบริการได้

    Questions and Answers No 2. with Sean

    2. How to start doing business in 2025 ? One Person Fans vs 1,000 Fans

    One Person Fans

    1. Use Offline ด้วยคนๆเดียวก่อน เพราะว่าต้องการคนในแบบเดียวที่ปัญหาเหมือนกัน ที่เป็นจุดเริ่มต้นของคนที่มีปัญหาในรุปแบบเดียวกัน
    2. ข้อดีของธุรกิจ Offline จะโอาสรอดได้มากกว่า เพราะบางทีคนยังรู้ไม่เยอะ เช่น บางความรู้แต่ในอินเตอร์เน็ต

    การจะเริ่มสิ่งไหนควรเริ่มต้นที่ 1 คนก่อนแล้วถึงจะมี 1000 คนได้

    Questions and Answers No 3. with Sean

    3. สกิลที่จะทำให้เราสามารถอยู่รอดใน 10 ปี

    สำหรับ market → มี 2 Thing ก็พอ

    1. คนเรามักต้องมี Solution —>ต้องมี Mission แล้วหาวิธีแก้ปัญหาให้คนได้
    2. ไม่ต้องมีธุรกิจใหญ่ก็ได้ ขอแค่สร้างสินค้าหรือบริการให้ตอบโจทย์ลูกค้าและได้ผลลัพธ์

    แม้ว่า AI จะสามารถให้ข้อมูลได้ แต่ก็ไม่สามารถแก้ปัญหาให้เราได้หมด

    ลูกค้ากลับมาซื้อสินค้าหรือบริการซ้ำได้ เป็นสิ่งสำคัญที่สุด (Loyalty : Marketing Funnel)

    Questions and Answers No 4. with Sean

    4. Why writing help you?

    1. ทำให้เราสามารถอ่านข้อมูลได้ง่าย และได้กลั่นกรองในทุกครั้งของการเขียน
    2. การเขียนทุกวันจะช่วยให้เราคิดและตกผลึกความรู้ใหม่ๆได้ทุกวัน

    Questions and Answers No 5. with Sean

    Sean D’Souza เจอหนังสือผิดลิขสิทธิ์ มีวิธีแก้ปัญหายังไงบ้าง

    1. ปัญหาคือ Sean ไป Check หลังบ้านแล้วพบว่า ประเทศที่ Load bit ของ หนังสือ The Brain Audit เยอะที่สุด คือ ประเทศ Netherland
    2. ดังนั้น จึงแก้ปัญหาโดยการบินไปประเทศ Netherland แล้วเปิด Workshop ที่ประเทศนั้นๆ เลย

    แถม สำหรับก่อนจากบทความนี้ครับ

    ถ้าอยากเก่งเร็ว จะต้อง Error ให้เยอะ

    Type of ErrorSolution
    1. Error ไม่รุ้ว่าตัวเองทำอะไรผิดต้องพยายามนั่งทบทวนให้ได้ว่าเราผิด
    2. Error ไม่รู้ว่าจะแก้ไขยังไงต้องพยายามวิธีการแก้ไข
    3. Error แล้วได้รู้ว่ามีวิธีแก้ปัญหายังไงบ้างลงมือปฏิบัติ

    ขอบคุณสำหรับโอกาสดีๆที่แอดทอยและลายเซ็นที่แอดทอยมอบให้และบัตรแล้วทำให้มีโอกาสได้ฟังอะไรดีๆ เสมอมาครับ หวังว่าทุกคนจะได้ประโยชน์จากบทความนี้ครับ

  • 5 Sample Case For Intro to Data Science

    5 Sample Case For Intro to Data Science

    เป็นบทความที่เขียนเพื่อที่จะช่วยให้สามารถเข้าใจตัวอย่างสำหรับข้อมูลที่มีในปัจจุบันว่าจะมีประโยชน์สำหรับนำไปประยุกต์กับธุรกิจในชีวิตจริงได้ในรูปแบบต่างๆ ตามที่เคสตัวอย่างที่จะนำมาเล่าสู่การฟังดังนี้

    Intro to Data Science for 5 Case

    1. Case Study 1 – Target
      1. Case 1 : Check Pregnant Girl
        1. Threshold Criteria
        2. Confusion Matrix
      2. Case 2 : A person infected with COVID-19
      3. Case 3 : Churn Prediction
    2. Case Study 2 – Tesco
      1. Case 1 : Tesco/ Sainsbury’s
        1. Evina Dunn and Clive Humby
      2. Case 2 : Loyalty Program 7-11
    3. Case Study3 : Netflix
      1. Case 1 : CEO Netflix
        1. Rule of Reed Hastings
      2. Problem Netflix Case
    4. Case Study 4 : Cambridge Analytica
      1. Case 1 : Brexit
    5. Case Study 5 : Moneyball
      1. Case 1 : Coach and Economist

    Case Study 1 – Target

    Pregnancy prediction การที่จะสามารถทำนายผู้หญิงคนไหนท้อง หรือ ไม่ท้อง สามารถดูได้จากการซื้อสินค้าของผู้หญิง

    • โดยมี 3 พฤติกรรมหลักที่ผู้หญิงเปลี่ยนดังนี้
    1. การกิน
    2. การซื้อของ
    3. การดูแลตัวเอง
    Pregnant
    • จากข้อมูลที่ถูกเก็บทำให้สามารถบอกได้ผู้หญิงคนน่าจะท้องจึงทำให้มีส่ง Coupon ส่วนลดสินค้าสำหรับคนท้องไปให้เป็นเรื่องเวลา 9 เดือน เพื่อเพิ่มโอกาสที่ลูกค้าอยากจะซื้อสินค้าของแบรนด์

    ทำให้มีเรื่องกับครอบครัวบางครอบครัวเพราะไม่รู้ว่าลูกผุ้หญิงที่บ้านตัวเองท้อง ส่ง coupon ไปหาเด็กมัธยมผู้หญิง

    Target รู้ได้ว่าผู้หญิงคนนี้ท้องก่อนคุณพ่ออีก

    1. เพราะดูจาก Pattern การซื้อสินค้าของเด็กคนนั้น
    2. 3 เดือนแรกเมื่อผู้หญิงรู้ว่าตัวเองท้อง จะเปลี่ยนไปใช้แชมพูที่ไม่มีกลิ่น เริ่มซื้อ calcium สารอาหารดีๆ
    3. 6 เดือนซื้อครีมทากันท้องลางมาเพิ่ม
    4. 9 เดือนซื้อ big cotton สำลี big pack
    Check Pregnant Girl

    Case 1 : Check Pregnant Girl

    • ถ้าอยากรู้ผู้หญิงคนไหน ท้องบ้าง ไปตั้ง boot หน้า Target คือ baby shower boot

    ให้ลูกค้ากรอกชื่อและนามสกุล เบอร์โทรที่อยู่จะให้ Coupon discount 20-30%

    ColumnData
    Column A-Eข้อมูลใน database ในบริษัท with binary data (0,1) ทำนาย Column G
    Column Gข้อมูลใน baby shower booth
    Pattern Coupon
    • set threshold = 0.5 default to predict that women get pregnant.
    • ทีมการตลาดจะตัดสินใจส่ง decision ให้ทีมการตลาด

    การใช้ Threshold แบบไหนถึงจะดี

    Threshold Criteria

    Quality of ThresholdResult
    Threshold สูงSite ของ Audience น้อยลง
    Threshold ต่ำSite ของ Audience มากขึ้น
    • ต้องตรวจสอบต้นทุนการส่ง Coupon ไปที่บ้านประกอบการพิจารณาเนื่องจากมีต้นทุน

    Trade off ความคุ้มค่าระหว่าง แจกคูปองเยอะกับคูปองน้อย แล้วลูกค้าซื้อกลับเยอะหรือไม่

    Confusion Matrix

    Confusion Matrix คือตารางที่ใช้ในการประเมินโมเดล(Classification Model) สำหรับผลลัพธ์จริง (Actual Values) และผลลัพธ์ที่โมเดลทำนาย (Predicted Values) แล้วนำมาเปรียบเทียบกัน

    1. True Positive (TP): ค่าบวกจริง
    • คือ กรณีที่โมเดล ทำนายว่าเป็นบวก (ท้อง) และ ความเป็นจริงก็เป็นบวก (ท้องจริง)

    2. True Negative (TN): ค่าลบจริง

    • คือ กรณีที่โมเดล ทำนายว่าเป็นลบ (ไม่ท้อง) และ ความเป็นจริงก็เป็นลบ (ไม่ท้อง)

    3. False Positive (FP): ค่าบวกเท็จ Type I Error

    • คือ กรณีที่โมเดล ทำนายว่าเป็นบวก (ท้อง) แต่ ความเป็นจริงเป็นลบ (ไม่ท้อง)

    4. False Negative (FN): ค่าลบเท็จ Type II Error

    • คือ กรณีที่โมเดล ทำนายว่าเป็นลบ (ไม่ท้อง) แต่ ความเป็นจริงเป็นบวก (ท้อง)
    Prediction vs Actual

    Case 2 : A person infected with COVID-19

    • ช่วงโควิด ระบาดใหม่ ปลายปี 2019 คนป่วยไปโรงพยาบาลเป็น 100 คน ตรวจแล้วควรใช้ threshold ต่ำหรือสูงดีกว่า ?
    • ควรใช้ต่ำ เพราะโรงพยาบาลต้องการให้คนอยู่โรงพยาบาลมาก threshold 30% ก็ควรให้อยู่โรงพยาบาลเยอะกรณีผู้ป่วยโควิดยังน้อย
    • ถ้าเกิดเตียงเริ่มเต็ม ต้องตั้ง threshold 70% เพื่อให้คนอยู่โรงพยาบาลน้อยๆ ในกรณีโควิดระบาดมาก

    threshold สูงต่ำ ไม่ได้อยู่ที่ model แต่อยู่ที่สถานการณ์ประกอบด้วย

    Case 3 : Churn Prediction

    Churn Prediction
    • หาว่าใครมีแนวโน้มจะเลิกใช้แบรนด์หรือไม่ ?
    • ถ้ารู้ว่าลูกค้าที่มีแนวโน้มจะยกเลิกใช้บริการ Dtac จะแก้ไขยังไง
    • โทรหา offer promotion, โปรลับเพื่อไม่ให้คนเลิกใช้บริการ
    • prescriptive analytic
    • เก็บ data เดือน 1 – เดือน 3 ทดลอง เดือน 4 deploy model เดือน 5-7 แล้วทำนาย model ไปเรื่อยๆ

    Case Study 2 – Tesco

    Case Study : Tesco
    • TESCO เป็น Target ของ (Retail คือ การขายสินค้าหรือบริการโดยตรงให้กับผู้บริโภคคนสุดท้าย)
    • สมัย Tesco เมื่อ 30 ปีที่แล้ว 1990 Tesco ยังไม่ใช่เจ้าตลาด ณ ปัจจุบัน
    • Brand เบอร์หนึ่งตอนนั้นคือ Sainsbury’s (เซนส์เบอรีส์)

    Case 1 : Tesco/ Sainsbury’s

    • สมัยก่อน ที่ Sainsbury สามารถใช้เงินซื้อ 5 ปอนด์ ซื้ออาหารกล่องและ Spaghetti ที่กินได้ถึง 3 มื้อเลยครับ อยู่ได้ 2 วัน ปี 1990
    • TESCO จึงพยายามจะแซงหน้า Sainsbury’s (เซนส์เบอรีส์) ทำไงก็แซงหน้าไม่ได้
    • TESCO เลยไปหา 2 สามี ภรรยาจากรูปด้านบนนี้มาเพื่อคิดกลยุทธ์ใหม่ๆ ชื่อ Evina Dunn and Clift Country

    Evina Dunn and Clive Humby

    • รวมชื่อกัน เป็น Dunnhumby เสนอ Campaign เข้าไปทำกับ Tesco โดยสร้างเป็น Loyalty Campaign เพื่อให้ user มาสมัครได้แล้วใช้ Loyalty Club Card แล้วเก็บสะสมแต้มได้
    • พอทำงานได้ 3-4 เดือน เอาข้อมูลไปที่เก็บได้จากลูกค้าให้ผู้บริหารฟัง จึงได้ข้อมูล 5 part นี้ที่ควรจะพัฒนา
    5 Part

    วิเคราะห์ข้อมูลแบบนี้ ทำอะไรได้บ้าง

    • สกิลการตั้งคำถามคือ การที่จะสามารถทำให้รู้แนวทางในการวิเคราะห์ข้อมูลต่อได้
    1. จงหาว่า สาขาไหนขายปริมาณเยอะสุด
    2. จงหาว่าลูกค้า Top 10 ที่ซื้อสินค้าเยอะสุด คือใครบ้าง สาขาไหน ซื้อเยอะ ช่วงเวลาในการซื้อ
    3. วันที่สามารถทำให้เรารู้ได้ วันที่ที่ลูกค้ากลับมาซื้ออีกครั้ง เพื่อดูความถี่ในการซื้อของลูกค้า

    Case 2 : Loyalty Program 7-11

    • ยิ่งลูกค้าคนไหน ซื้อของให้เยอะก็จะยิ่งส่ง Coupon Size ใหญ่ไปให้ลูกค้าเหล่านั้นได้เลย
    • ลูกค้าแต่ละคน สร้าง Value ให้โทรศัพท์ไม่เท่ากัน ก็ควรจะให้ Offer ต่อลูกค้าที่ไม่เหมือนกัน
    • High Value Receive Good offer, Low Value Receive Bad offer

    Personalization คือ กระบวนการปรับเปลี่ยนประสบการณ์, เนื้อหา, ผลิตภัณฑ์, หรือบริการ ให้มีความเหมาะสมและตรงกับความต้องการ, ความสนใจ, ลักษณะเฉพาะของแต่ละลูกค้า

    Case Study3 : Netflix

    Netflix
    • เคสนี้เป็น Case ที่ไม่ประสบความสำเร็จ
    • ไม่ใช่ทุก Project ที่เราทำขึ้นมาจะได้อยู่ใน Production ก็มีหลาย Project ที่ Fail ไปเหมือนกัน

    Case 1 : CEO Netflix

    • CEO Netflix เคยเปิดการแข่งขันทั่วโลก ใครก็ตาม Build model แนะนำหนัง Recommendation ได้ดีกว่า Netflix 10% ขึ้นไป เอาเงินไปเลย 1 ล้านเหรียญ
    CEO Netflix
    • คล้ายกับการแข่ง hackathon เป็นการแข่งเพื่อหา Idea ใหม่ๆ
    • Netflix ทำ Website แล้ว Summit คะแนนเลย หนังแต่ละอันที่ถูกผลิตขึ้นมาได้คะแนนเท่าไรบ้าง
    • เวลาแนะนำหนังไป โชว์หนังเรื่องนึงแล้วมีคนกดเข้าไปดู แสดงว่าหนังเรื่องนั้นดีแล้วได้ Accuracy 100%
    • แต่ถ้าโชว์หนัง 100 เรื่องแล้วคนดู 50 เรื่อง แสดงว่า Accuracy 50/100 = 50%

    Rule of Reed Hastings

    • ใครที่สามารถ Build Algorithm ที่ทำงานได้ดีกว่า Data Scientist Netflix 10% จะเอาเงินไป 1 ล้าน
    • ผ่านไป 3-4 ปี ทีมที่ 1-5 ที่ทำแข่งได้ใกล้มารวมตัวกันแล้วตั้งทีมแล้วทีมทำนายสำเร็จ

    ทำให้ Model สามารถชนะ Netflix แต่ไม่สามารถเอาไปใช้จริงได้

    Problem Netflix Case

    Failed Netflix
    • Business Outcome กับ Model Output แต่ไม่สอดคล้องกัน จึงไม่สามารถใช้จริงได้
    • ต้นทุนของ Model ที่จะใช้เปลี่ยนโครงสร้างหลังบ้านใช้เยอะเงินมาก จึงไม่คุ้มกับรายได้ที่ได้รับ
    • ระยะเวลาที่ใช้ในการเปลี่ยนนานเกินไป จึงไม่คุ้มค่า
    Benefits < Engineer Cost

    Concept เรื่องความเร็วใน Deliver service ผ่าน Application แล้วส่งผล predict ขึ้นไปบนโทรศัพท์มือถือลูกค้า

    • เช่น Netflix มี Model แนะนำหนังให้ลูกค้า SLA (Service Level Agreement หรือ ข้อตกลงระดับการให้บริการ) ใช้เวลา 3 วินาที
    • เวลาลูกค้า summit service level ที่ 3 วินาที ให้กลายเป็น 1 วินาที แล้วลดความเร็วจะได้มั้ย
    • แต่ต้นทุนทำคอมพิวเตอร์เราส่งข้อมูลมา 50 ล้านก็รายได้กลับมาที่ 10 ล้าน

    Case Study 4 : Cambridge Analytica

    Cambridge Analytica
    • เป็น Case Study เรื่อง Project Almo
    • เป็น project Alamo ที่ Donald Trump ทำไว้เทื่อ 8 ปีที่แล้ว
    • ใช้ต้นแบบจาก Obama เลยว่า พื้นที่ไหนควรใช้ในการหาเสียงแล้วสามารถทำคะแนนได้

    Project Almo เป็นการสร้างฐานข้อมูลผู้มีสิทธิ์เลือกตั้งที่สร้างขึ้นสำหรับแคมเปญหาเสียงเลือกตั้งประธานาธิบดีของโดนัลด์ ทรัมป์ ในปี พ.ศ. 2559

    ทำหนังใน Netflix ขึ้นมาเรื่อง The Great Hack

    • โดย Database จะมีชื่อ เบอร์โทร นามสกุลแล้วก็ที่อยู่ และพรรคการเมืองที่ชอบของคนอเมริกาหลุดออกมา

    จากการดึง API จาก facebook โดยที่ Facebook สั่งให้ลบ แต่ Cambridge ไม่ลบ

    Case 1 : Brexit

    • Carole Cadwalladr เคยไปทำข่าวสอบถามว่าชาว Wale ที่ Ebbe vale ว่า ให้อังกฤษและสหราชจักรเยอะมากว่าควรออกจาก Brexit มั้ย
    • Brexit คือการโหวตอังกฤษออกจาก EU
    • เพื่อให้คนอยากออกจาก Brexit แต่เมือง Ebbe vale ได้เงินสนับสนุนจาก EU เยอะมาก แต่คนโหวตออกเยอะ จึงรู้สึกแปลกใจ
    • เลยเดินไปถามร้านค้าทั่วไปทำไมถึงอยากออก เพราะโดน Immigrant แย่งงานเยอะมาก แต่พอไปดูข้อมูลจริง มีคนต่างชาติมาแย่งงานน้อยมาก

    คนส่วนใหญ่เห็นข้อมูลนี้มาจาก Facebook

    Case Study 5 : Moneyball

    Money Ball
    • Billy Bean เป็นผู้จัดการทีมของทีมท้ายตารางของ Baseball

    ทีมไม่มีเงินแล้วไม่รู้ทำยังไง จึงเอาเงินมาจ้างนักเศรษฐศาสตร์

    Case 1 : Coach and Economist

    Coach and Economist
    • สร้างค่า Regression เพื่อรู้ว่าทำไง ถึงสามารถตัวแปรไหนสามารถข่วยให้ชนะได้
    • โดยนำตัวแปรที่วิเคราะห์ออกมาว่าไปหานักกีฬาที่มี 5 Skill นี้ดี แต่ค่าตัว under value player

    แล้วพา Oakland Athletics สร้างประวัติศาสตร์ชนะ 20 เกมในประวัติศาสตร์ Baseball America

    ข้อมูลเป็นสิ่งที่สำคัญในโลกอนาคตมากดังนั้นจากเคสตัวอย่างทั้ง 5 เคส แสดงเห็นว่าปัจจุบันใครยิ่งรับรู้ข้อมูลได้มากและถูกจะยิ่งประสบความสำเร็จในชีวิตได้มากขึ้น

    ขอบคุณคอร์ส Graduation Day จาก Data Science Bootcamp 11 DataRockie : https://data-science-bootcamp1.teachable.com/courses/enrolled/2684443

  • Create Resume With Economics and Psychology

    Create Resume With Economics and Psychology

    เป็นบทความที่เขียนเพื่อแนะนำวิธีการเขียน resume โดยใช้หลัก Economics and Psychology ในการช่วยเขียนเพื่อให้มีโอกาสที่จะถูกเรียกในสัมภาษณ์ได้มากขึ้น พร้อมกับ การแนะนำลำดับการเขียน Contact, Career Objective, Experience, Education, Skills + Certification, Portfolio / Project เพื่อให้ HR อ่านเข้าใจง่ายแล้วเรียกสัมภาษณ์ง่ายขึ้นครับ

    Create Resume

    1. The Market View
    2. Labour market
      1. A change in supply
      2. Short term
    3. Relevance AI
      1. Define Role and Objective
      2. Analyze Our Profile
    4. Low Elastic vs High Elastic
    5. Low Elastic demand vs High Elastic Demand
    6. How to find work easy
    7. Asymmetric Information
      1. Signaling vs Screening
      2. Case 1 : Lemon Market
      3. Case 2 : Interview
    8. The Psychology Resume
      1. 4 Trick for good Resume
      2. How to choose word
      3. Be careful writing your resume
    9. DA Resume Evaluator
      1. Purpose and Goals:
      2. Behaviors and Rules:
      3. Scoring
      4. Justification:
    10. Section Resume
      1. Contact
      2. Career Objective
      3. Experience
      4. Education
      5. Skills + Certification
      6. Portfolio / Project

    The Market View

    The Market

    ในมุมการตลาดยุคปัจจุบัน ทุกคนรู้สึกว่างานยากขึ้น

    • จริงๆ แล้วปัจจุบันงานไม่ได้หางานยากเลย งานหาง่ายเพราะมีช่องทางเปิดให้สมัครงาน ตามอินเตอร์เน็ตได้เยอะและส่งใบสมัครกันได้รวดเร็วยิ่งขึ้น
    • ถ้าทุกคนอยากทำจะมีงานให้ทำเลย ถ้าเข้าใจ The market

    The Market คือ ตลาดที่เกิดการแลกเปลี่ยนหรือซื้อ-ขาย กันทั้งใน Real or Online World

    โดยผู้สมัครงาน สามารถหางานได้ทั้ง Platform Online หรือ Offline โดยที่เรามี Skill ที่เหมาะสมกับงานเหล่านั้น เช่น E-Commerce ตลาดนัด และ Shopping Mall

    Labour market

    • ตลาดแรงงานเป็นตลาดพิเศษ โดยที่สินค้าที่เราขายตอนนี้ คือ ตัวเราที่ขายเวลาของเราในแต่ละวัน เพื่อที่จะได้ไปทำงานในหน่วยงานหนึ่งๆ หรือ พนักงานออฟฟิศ
    TypeDefinitionExample
    Supplyอุปสงค์แรงงานคนสมัครงานตามบริษัท
    Demandอุปทานแรงงานบริษัทที่พร้อมจ้างงานเรา

    Equilibrium จุดตัดที่ Supply กับ Demand ตัดกัน

    A change in supply

    • สิ่งที่กำลังเกิดขึ้นในตอนนี้คือ ผู้สมัครงานมีจำนวนมากขึ้น
    A change the supply
    • แปลว่า ปัจจุบันมีแรงงานทำงานมากยิ่งขึ้น
    • โดย แรงงานปัจจุบัน ไม่เหมือนกับเมื่อ 3 ปีที่แล้ว เนื่อง AI
    LabourDefinition
    Past 3 YearPeople
    NowBot + People

    โดย Supply ในหลายๆ ตลาดเพิ่มขึ้น เพราะ ในปัจจุบันมี Concept AI Agent ที่สามารถช่วยทำงานให้เราได้มากยิ่งขึ้น

    Short term

    W1 จะเกิด Supply > Demand

    • ตลาดแรงงานจะก็ต้องปรับตัวด้วยการดันราคาตลาดลงมา เพราะคนอยากทำงานมากกว่าความต้องการตลาดจะเกิด Oversupply สิ่งที่ตลาดจะทำคือปรับเงินเดือนต่ำลง เพื่อให้ Demand สูงขึ้น แล้วมา Match ที่จุดดุลยภาพจุด W2 ใหม่

    พอมี Robot เข้ามาจะทำให้หลายองค์กรไม่อยากจ่ายเงินเดือนสูงแล้ว เพราะสามารถจ้าง Robot ได้

    Relevance AI

    เช่น Website Relevance(AI) : https://relevanceai.com/

    Define Role and Objective

    1. สามารถใช้ Agentic Chatbot สำหรับวิเคราะห์เกี่ยวกับ Data Analyst ได้
    2. สามารถสร้าง Chatbot แล้วกำหนดคุณสมบัติ Chatbot ให้เราได้ดังนี้เลย
    Analyze Our Resume

    Analyze Our Profile

    1. รู้ข้อมูลเกี่ยวกับเราหมดเลย เช่น Analyzed your LinkedIn Profile (nice W3Schools certification)
    2. หลังสมัคร Program Relevance AI Bot ก็ไปดึงข้อมูลจาก Profile เราแล้วแจ้งข้อมูลมาดังนี้
    Analyze Our Profile

    Low Elastic vs High Elastic

    Low Elastic vs High Elastic
    1. ความยืดหยุ่นน้อย คือ Demand กราฟชันมากจะยืดหยุ่นน้อย
    2. ความยืดหยุ่นมาก คือ Demand กราฟชันน้อยจะยืนหยุ่นมาก

    Low Elastic demand vs High Elastic Demand

    Low Elastic demand vs High Elastic Demand
    MarketJob
    Low Elastic DemandCall center, Porter
    High Elastic DemandData
    • เราควรเป็นเหมือนตลาดด้านขวา เพราะ W2 ลดลงน้อยกว่า เพราะหากเราทำงานได้หลาย Skill คนจะชอบจ้างมากกว่า คนที่ทำงานได้แค่ Skill เดียว
    • บางที นายจ้างไปใช้ AI แทน จึงต้องลดเงินเดือนพนักงานลงมา

    เงินเดือนเราจะถูกกระทบจาก AI หรือเปล่าขึ้นอยู่กับว่าเราอยู่ในตลาดไหน

    • เราควรอยู่ในตลาดที่ 4-5 ปีจะมีคนมาแทนเรายาก และ เทคโนโลยีไม่สามารถแทนที่เราได้ ใน ตลาดยืนหยุ่นสูง

    How to find work easy

    • งานหาง่าย ถ้าเราายอมลดเงินเดือนตัวเองลงมา เช่น ถ้างานในตลาด 5 หมื่น เรายอมที่จะรับ 3 หมื่น จะทำให้เราได้งานง่ายขึ้น
    Find Work Easy
    • งานจะหายากเลย ถ้าเกิดเราอยากได้งานที่ราคาเกินตลาด เพราะการแข่งขันสูง

    ต้องหาวิธีทำยังไงดี ให้บริษัทอยากเรียกเราไป สัมภาษณ์มากขึ้น และได้เงินเยอะขึ้นด้วย

    • ในฐานะ แรงงานคนนึง ควรจะเป็นคนที่ยืดหยุ่นสูง เพราะจะสามารถ Switch งานไปทำอีกสายหนึ่งได้ง่ายขึ้น

    Asymmetric Information

    Asymmetric Information เป็นแนวคิดทางเศรษฐศาสตร์ที่เกิดขึ้นเมื่อ ฝ่ายใดฝ่ายหนึ่งในการทำธุรกรรมหรือข้อตกลง มีข้อมูลที่มากกว่าหรือดีกว่าอีกฝ่ายหนึ่งอย่างมีนัยสำคัญ ทำให้เกิดความไม่เท่าเทียมกันในด้านข้อมูล เช่น โดยที่มีคนที่รู้ข้อมูลมากกว่ากับคนที่รู้ข้อมูลน้อยกว่า

    – George Akerlof เป็นคนคิดทฤษฎีนี้ขึ้นมา

    George Akerlof

    คนที่มี Insider ข้อมูลก็มีโอกาสเข้าใจได้ดีกว่า คนที่ไม่มีความรู้เกี่ยวกับตลาดหุ้นเลย โดยจะมีการพูดถึงว่า คนที่รู้น้อยกว่า จะมีเทคนิคยังไงได้บ้างที่จะทำให้คนเหล่านั้นรู้มากขึ้นได้ กับ คนที่รู้มากกว่า จะมีเทคนิคยังไงได้บ้างที่จะทำให้คนเหล่านั้นรู้น้อยขึ้นได้รับข้อมูลจากคนที่รู้ได้มากขึ้น

    Signaling vs Screening

    Signaling vs Screening

    วิธีส่งข้อมูลมี 2 แบบ

    1. ถ้ารู้มากกว่าให้ใช้การ Signaling ข้อมูล

    ผู้มีข้อมูลมากกว่า พยายามกระทำการบางอย่างเพื่อ ส่งสัญญาณ หรือแสดงให้ผู้มีข้อมูลน้อยกว่า

    2. ถ้ารู้น้อยกว่าให้ใช้การ Screening ข้อมูล

    ผู้มีข้อมูลน้อยกว่า สร้างกลไกหรือเงื่อนไขบางอย่างขึ้นมาเพื่อ คัดกรอง หรือทำให้ผู้มีข้อมูลมากกว่า เปิดเผยข้อมูลส่วนตัวของตนเองออกมา

    Candidate signaling, Company Screening
    1. Screening เช่น หน้าที่บริษัทคือการ Screening Resume จาก 100 คนเหลือ 10 คน
    2. Signaling เช่น ผู้สัมภาษณ์ส่งข้อมูลเพื่อให้บริษัทรู้เกี่ยวกับประวัติผู้สัมภาษณ์งานมากที่สุด เพื่อที่จะมีโอกาสได้รับการจ้างงานมากขึ้น
    Resume signal Quality

    Resume คือเครื่องมือที่ใช้ในการส่งสัญญาณให้ผู้สัมภาษณ์รู้ว่าเรามีความสามารถ

    Resume ควรเลือก Certification ที่เหมาะกับแต่ละบริษัทที่เราสมัครไปด้วย

    Case 1 : Lemon Market

    • พูดถึงตลาดรถยนต์ มือสอง Lemon ผู้ขายมีความรู้หรือข้อมูลเกี่ยวกับคุณภาพของสินค้ามากกว่าผู้ซื้อ
    Lemon
    • เจ้าของเต้นท์ (ผู้ขาย) รถยนต์จะรู้เรื่องข้อมูลมากกว่าลูกค้า (ผู้ซื้อ)
    Seller vs Buyer
    1. ปัญหา ผู้ซื้อจะโดนโก่งราคา เช่น ผู้ซื้อมาที่ราคา 300,000 บาท ทั้งที่ราคาจริงคือ 150,000 บาท
    2. ผู้ขายอาจจะมีเทคนิคในการดันราคารถขึ้นมาเพื่อให้ขายได้กำไรเยอะสุด
    3. คนซื้ออยากโดยที่จ่ายเงินน้อยที่สุด
    4. Fight between Supply and Demand

    “โดนคนที่รู้มากกว่าจะมีความได้เปรียบกว่า” George A. Akerlof

    Case 2 : Interview

    • นึกถึงเวลาที่ไปสัมภาษณ์งาน
    • ระหว่าง เรา กับ บริษัท ใครจะรู้ได้มากกว่ากันว่า ใครสามารถทำงานได้
    Interview
    • ต้องมี Job Description ถึงจะรู้ว่า เราเหมาะหรือไม่เหมาะที่จะทำงานเหล่านั้น
    • Candidate ควรที่จะรู้ตัวมากกว่าว่าเหมาะกับงานนั้นๆ ถึงไปสมัคร
    Candidate vs Company
    • เรารู้ว่า เราใช้ SQL ระดับไหน ทำ Google sheet ได้ระดับไหน ถึงสมัครบริษัทเหล่านั้นไป
    • แต่ถ้าเราอยากได้งานนี้ แต่บริษัทรู้น้อยกว่าเรา

    Solution : ทำยังไงก็ได้ ให้บริษัทรู้เท่าเรา และรู้ว่าเราเก่ง บริษัทถึงรับเราเข้าทำงาน

    The Psychology Resume

    Psychology : Google Docs + Gemini

    4 Trick for good Resume

    1. การเรียงลำดับหัวข้อใน Resume ก็เป็นเรื่องสำคัญเช่นกัน ควรเรียงหัวข้อแบบไหน ถึงจะดี
    2. ไม่ควรที่จะมี 1 Resume สมัคร 100 งาน ควรที่จะ Customize Resume ให้เหมาะกับงาน
    3. Ikea Effect คนเรามักจะให้คุณค่ากับสิ่งของที่ตนเองได้ลงแรงสร้าง ประกอบ หรือมีส่วนร่วมในการทำขึ้นมา มากกว่าสิ่งของที่สำเร็จรูปแล้ว โดยคนที่พิธีพิถันในการส่ง Resume ไปทีละจะได้รับความนิยมมากกว่า
    4. บริษัทแต่ละบริษัท มีวิธี Screen ไม่เหมือนกัน จึงทำให้ออกแบบให้เหมาะสมกับบริษัทนั้นๆ

    How to choose word

    1. Power Verb คำกริยาที่แสดงถึงชัดเจน และสื่อถึงผลลัพธ์ ช่วยให้ประโยคมีความกระชับ น่าสนใจ และแสดงถึงความสามารถหรือสิ่งที่ผู้กระทำได้ทำให้เกิดขึ้นจริงๆ มักใช้เพื่อทำให้ Resume, Cover Letter
    2. Primacy Effect แนวโน้มที่คนเรามักจะจดจำข้อมูลหรือสิ่งที่ได้รับรู้ ในตอนแรกๆ หรือส่วนต้น ได้ดีกว่าส่วนกลาง

    Be careful writing your resume

    • AI เวลาเขียนอะไรเรามักเขียนแบบกลาง ขาดความใส่อารมณ์ให้เรา
    • ทีมงานสัมภาาณ์เวลาหาคนก็มักจะหวังว่า คนที่ไปสัมภาษณ์เหล่านั้น สามารถหาคนเพื่อลดความตึงเครียดในงานนั้นๆได้
    • ควรเขียนเป็นภาษาอังกฤษดีกว่า

    DA Resume Evaluator

    1. ลองให้ AI ประเมินผลตนเองเพื่อให้วัดประสิทธิภาพของตัวเราเอง
    2. สามารถให้ AI ช่วย Guide ได้เลยว่า Resume ที่ดีหน้าตาเป็นไงยังไง

    Purpose and Goals:

    • Evaluate candidate resumes and profiles for a junior data analyst role based ont he require skills.
    • Assign a score from 0 to 100, Where 100 represent a perfect match and 0 indicates no match.
    • Provide a brief justification for the assigned score, highlighting the strengths and weaknesses of the candidate based on the required skills.
    • Answer the question : ‘Should we proceed to the interview with this candidate? with a ‘yes’ or ‘no’ based on the evaluation

    Behaviors and Rules:

    a) Carefully review the candidate’s resume and/or professional profile (e.g., Linkedin).

    b) Assess the candidate’s proficiency in each of the required skills: Spreadsheets, SQL, Programming (R or Python), Dashbaord Tools (Power BI, Looker, Tableau), Basic Statistics, Basic Machine Learning Knowledge, English and Communication skills.

    c) Look for specific examples and quantifiable achievements that demonstarte these skills

    Scoring

    a) Assign a score out of 100 based on the overall alignment of the candidate’s skills and experience with the required skills.

    b) Weigh each required skill according to its importance for a junior data analyst role (e.g. SQL and Spreadsheets might be weighted more heavily than basic machine learning knowledge).

    c) Consider the level of proficiency demonstrated for each skill.

    Justification:

    a) Provide a concise explanation of the assigned score.

    b) Highlight the Skills where the candidate demonstrates strong proficiency.

    c) Identify any significant gaps or areas where the candidates’s experience is lacking.

    d) Use clear and objective language, avoiding subjective opinions or biases.

    Overall Tone:

    • Maintain a professional and objective tone.
    • Provide constructive feedback
    • Be concise and to the point in your evaluation

    Section Resume

    Section นี้ควร 6 Part หลักๆ ดังนี้

    โดยมีไฟล์ตัวอย่าง Resume ให้ลองอ่านวิธีการเขียน Resume หรือสร้าง Link Website เพื่อให้ผู้สัมภาาณ์งานสามารถกด link เหล่านั้นได้ ตามแต่ part ได้เลยครับ

    Chayanon_Boonthanom_ResumeDownload

    Contact

    1. LinkedIN : Platform ที่ช่วยในการเชื่อมต่อหาเพื่อนแล้วสามารถสมัครงานใน platform นั้นได้เลย
    2. Personal Website : Platform ที่ไว้แสดงผลงานส่วนตัว เช่น Project ต่างๆ
    3. Resume : เอกสารที่ช่วยสรุปให้ผู้ถูกสัมภาษณ์รู้จักผู้สัมภาษณ์มากยิ่งขึ้น

    ถ้ายังไม่มี Contact ทั้ง 3 อย่าง ยังไม่ควรจะสมัครงาน

    Career Objective

    1. สามารถให้ AI ช่วยเขียนปรับปรุง Grammar ได้แต่ควรเริ่มเขียนด้วยตัวเอง
    2. เราเป็นใคร เราทำงานอะไรมา เรามีความฝันว่าอะไร อยากจะประสบความสำเร็จอะไรมา พยายามเป็นตัวเราเอง
    3. ใน Resume ควรจะใช้คำศัพท์ที่มันอ่านเข้าใจง่าย

    Experience

    1. ถ้าทำงานมา 5 ที่ แล้ว 2 ที่ไม่เกี่ยวกับเรื่อง data ก็ไม่จำเป็นต้องใส่
    2. ควรใส่สิ่งที่ทำให้เราภูมิใจกับการที่ได้ทำงานที่บริษัทเหล่านั้น ว่าช่วยสร้างประโยชน์อะไรให้องค์กรได้บ้าง
    3. ควรใช้ Action Verbs ที่นิยมใช้ใน Resume เพื่อเพิ่มโอกาสในการได้สัมภาษณ์งานดังนี้
    WordDefinition
    Managedบริหารจัดการ
    Developedพัฒนา
    Createdสร้างสรรค์
    Analyzedวิเคราะห์
    Ledนำ
    Achievedบรรลุผล

    4. เราทำสิ่งนี้แล้วบริษัทได้อะไร Qualifiable โดนมีตัวเลขที่จับต้องได้

    Template : Contributed to a [quantifiable achievement]% increase in [specific metric] by implementing [specific action based on data analysis].

    Education

    1. Coursework พยายามจะใส่ว่าที่เคยเรียนมาเกี่ยวกับเรื่องอะไรบ้าง
    2. พยายามใส่ Project ที่เคยทำในมหาวิทยาลัยด้วยเพื่อเพิ่มโอกาสในการสัมภาษณ์งาน

    Skills + Certification

    1. ใบ Certification ควรมาจากสถาบันที่คนรุ้จักเยอะก็ดีมาก
    2. ควรเขียนสกิลที่เกี่ยวกับข้องกับบริษัทที่เราอยากสมัครงาน

    Portfolio / Project

    1. ทำ Project ที่คนทำงานมาแล้ว 1 ปี สามารถทำได้
    2. ควรต้องเลือก Project ที่เหมาะสมกับบริษัทนั้นๆถ้าอยากย้ายงาน
    3. ทุกอย่างที่ควรใส่ใน resume ควร signaling เรารู้มากกว่า ควรบอกคนที่สัมภาาณ์รู้ว่า สิ่งเหล่านั้นเราสามารถทำได้เหมือนกัน
    4. หากมีอะไรอยากเพิ่มให้ลด Font โดยรวม เพื่อให้ทั้งหมดอยู่ในหน้าเดียว

    ขอบคุณเนื้อหาดีๆจาก DataRockie : https://www.youtube.com/watch?v=nt60qyaqNbI

  • 10 Ideas From Business Foundation 101

    10 Ideas From Business Foundation 101

    สำหรับการที่สามารถเข้าใจธุรกิจอย่างถ่องแท้ ของ Business Foundation โดย มี 3 แบบ การออกไอเดียในธุรกิจที่แปลกใหม่ การบริหารธุรกิจให้อยู่รอดจนถึงปัจจุบัน และการขายสินค้าที่มีอยู่ให้ดีขึ้นกว่าเดิมจึงเป็นเรื่องสำคัญ ดังนั้นการเข้าใจแนวทางขั้นพื้นฐานสำหรับทุกธุรกิจจึงเป็นเรื่องที่สำคัญมาก

    Business Foundation 101

    1. Business Foundation
    2. The Core Models
    3. Model 1 : Million Dollar Weekend
      1. Find a Problem
      2. Create a Solution
      3. Spend $0 validate your ideas
      4. Case 1 : What You Create vs What Customers Want
        1. picture 1 : Two Non-Overlapping Circles
        2. picture 2 : Two Little Intersect Circles
        3. picture 3 : Overlapping Circles
      5. Case 2 : Iphone
    4. How to validate Idea? (Pre-Selling)
      1. Case : Pre-selling Surfboard
    5. Scarce Resource
    6. Marketing Funnel
      1. Calculation of Awareness , Consideration and Conversion
    7. How to increase the Conversion Rate?
    8. Model 2 : Small Business Flight Plan
      1. Business Operates
      2. Process of Airplane
    9. Model 3 : The Brain Audit
      1. Problem
      2. Solution
      3. Target profile
      4. Objection
      5. Testimonials
      6. Risk Reversal
        1. Case 1 : Mini Bootcamp
        2. Case 2 : Ikea
      7. Uniqueness
        1. Case : DataRockie
    10. The Key Message

    Business Foundation

    สำหรับการเข้าใจธุรกิจอย่างถ่องแท้จำเป็นที่ต้องรู้ Learning Model จากบทความ https://chayanonboo.com/2025/04/07/5-methods-of-learning-model-101/ เพื่อที่มีจะ Requirement ในการเรียนรู้พื้นฐานของการสร้างธุรกิจ

    “There is no skilled “Business”

    A Business
    1. ธุรกิจของจริงในการทำงานจริงเกี่ยวกับ 8 Skills นี้ดังรูป ด้านบน
    2. การที่สามารถรันธุรกิจได้ดี ต้องมี Back End เป็นแผนก IT จะช่วยได้เยอะ
    3. ถ้าเปิดร้านขายของ ข้างหน้าร้านต้องมี Point of Sale จุดที่จะชำระเงิน
    4. ถ้าสร้าง Digital Product ควรมี Website

    ถ้าอยากจะทำ One Person Business ควรสามารถรวมหลายสกิลเพื่อธุรกิจที่ประสบความสำเร็จในปัจจุบัน

    The Core Models

    The Core Models

    3 Model นี้จะช่วยเปิดทางการทำ Business ให้กับทุกๆคนได้

    CreatorMethod
    Noah Kaganuse for create business
    Donald Milleruse for business administration
    Sean D’Souzasell product better than before
    • การที่จะเริ่มทำ Business อะไร ก็ควร Update องค์ความรู้ให้ทันต่อยุคสมัยด้วย
    • เช่น สิ่งที่คนอื่นเคยมาสอนทุกคนว่าเคยทำอะไรมาบ้าง แต่สิ่งเหล่านั้นเป็นสิ่งที่เกิดขึ้นในอดีต แต่สิ่งที่ทำในอดีตไม่การันตีว่าทำในปัจจุบันแล้วจะ Work ในอนาคต
    10 Years AgoNow
    No AIAI
    Blackberry ที่หลายปุ่มIphone ที่มีปุ่มกดบนหน้าจอน้อยมาก

    Model 1 : Million Dollar Weekend

    Million Dollar Weekend

    ข้อวคามสำคัญจากหนังสือ Million Dollar Weekend

    • สำหรับ Highlight สำหรับหนังสือเล่มนี้ที่ Noah Kagan เคยบอกไว้ว่า “วันเสาร์ – อาทิตย์ที่เป็นเวลาว่างคนเราสามารถเงิน 1 ล้านได้เลย”
    • เสาร์-อาทิตย์ มี 52 สัปดาห์ ถ้าสามารถคิดไอเดียที่ดีจาก 52 สัปดาห์ไปทำประโยชน์ได้ จะมีโอกาสสร้างธุรกิจล้านเหรียญมาแล้ว ประมาณ 8 ธุรกิจสำเร็จมาแล้วของ Noah Kagan

    Framework ของหนังสือ Million Dollar Weekend มีอยู่ 3 Steps

    Framework of Million Dollar Weekend

    Find a Problem

    ส่วนใหญ่หลาย Business ต้องเริ่มมาจากการรู้จักปัญหาเราอยากจะแก้ให้เจอ

    • แล้วหลังจากนั้นก็ไปเรียนรู้ Skill ต่างๆเพื่อที่จะแก้ปัญหาเหล่านั้น
    • โดยที่ปัญหานั้นต้องใหญ่พอแล้วมีคนที่มีปัญหาเหล่านั้นเยอะพอ แล้วมีคนที่ยังหาทางแก้ปัญหานั้นไม่เจอ

    Create a Solution

    • นำปัญหาที่คนเหล่านั้นเจอ มาวิเคราะห์แล้วหาทางที่ช่วยแก้ปัญหาให้คนเหล่านั้นให้ได้
    • ไม่ควรเป็นปัญหาที่มีคนเคยแก้ปัญหาเหล่านั้นได้มาก่อน

    Spend $0 validate your ideas

    • การไม่ใช้เงินในการสร้างธุรกิจถือเป็นการทดสอบ Ideas ว่า Problem กับ Solution ที่เราคิดออกมามันดีและเหมาะสมมั้ย
    • ถ้า Problem กับ Solution เหล่านั้นดีต่อลูกค้าแล้วลูกค้าสนใจให้เงินกับสินค้าหรือบริการ คือ Pre-selling

    Case 1 : What You Create vs What Customers Want

    What You Create vs What Customers Want
    CircleDefinition
    Blueสินค้าหรือบริการที่เราผลิตขึ้นมา
    Whiteสิ่งที่ลูกค้าอยากได้

    picture 1 : Two Non-Overlapping Circles

    โดยรูปซ้ายสุดจากรูป What You Create vs What Customers Want ที่คนหลายคนเจอ คือ เราสร้างผลิตภัณฑ์หรือบริการบางอย่างแล้วไม่มีคนอยากได้

    สิ่งที่ไม่ควรทำ

    • การซื้อโฆษณา facebook เยอะมาก เพื่อที่หาคนที่อยากซื้อผลิตภัณฑ์หรือบริการเรา ซึ่งบางทีคนหาที่อยากซื้อผลิตภัณฑ์หรือบริการไม่ได้
    • ค่า Ad facebook เราก็แพง เพราะ facebook บอกว่า หาคนที่อยากซื้อของไม่เจอเหมือนกัน ไม่มีใคร Engagement กับโฆษณาที่เรายิงไป

    picture 2 : Two Little Intersect Circles

    • โดยรูปกลางจากรูป What You Create vs What Customers Want เริ่มมีการ overlap กัน มีลูกค้าอยากได้สินค้า แต่ไม่เยอะพอที่จะทำให้เราอยู่รอดในธุรกิจนั้นๆ

    picture 3 : Overlapping Circles

    • สินค้าหรือบริการที่สร้างขึ้นมาตอนนี้มีคนรออยากได้เยอะมากจนสามารถสร้างธุรกิจให้เราได้
    • ต้องให้สินค้าหรือบริการที่สร้างขึ้นมาแล้วตอบโจทย์กับที่เราอยากผลิตและลูกค้าอยากได้จะต้อง Overlap กัน

    Case 2 : Iphone

    Case Iphone
    TypeQuantity
    Your Offer (Price)300
    Customers1,000
    Potential Revenue300,000

    เราจะรู้ได้ไงว่า คนทั้ง 1,000 คนจะซื้อของเราจริงๆ ต้องทำการ pre-selling ถึงจะรู้

    How to validate Idea? (Pre-Selling)

    Pre-Selling

    วิธีการที่เราจะสร้าง Idea ที่ถูกต้องให้เรา คือ การขอให้คนจ่ายเงินให้เรา

    1. เช่น เรามีหนังสือเล่มใหม่ แต่ข้างในยังไม่มีเนื้อหา แล้วสร้างหนังสือจำลอง หนังสือเล่มนี้จะสอน mental model ทุกคน
    2. สร้างหนังสือจำลอง Pre-selling เล่มละ 300 บาท ได้ 100 คนโดยขายราคาถูกกว่า แล้วหลังจากเขียนหนังสือออกมาขายอีกทีก็เพิ่มเป็น 400 บาท
    3. เมื่อได้เงินแล้ว จะบังคับให้เราเขียนและออกหนังสือเป็นเล่ม

    Pre-Selling เป็นการสร้างความสนใจและความต้องการในสินค้าหรือบริการที่จะเปิดตัวในอนาคต

    People WantSample
    Highเราก็อาจจะนำมาขายในครั้งต่อๆ ไป
    Lowเปิดขายแค่รอบเดียว รอบต่อไปอาจจะไม่มีแล้ว

    Case : Pre-selling Surfboard

    Pre-selling Surfboard
    • สมมุติเราสร้าง Surfboard 3 เดือน ข้อดี โต้คลื่นได้ น้ำหนักเบา เท้าไม่ลอยน้ำ
    • มี 100 Surfboard แล้วขายที่ชายหาดแล้วจะขาย Surfboard แล้วไม่มีลูกค้าที่รอเล่น Surfboard เลย ก็ขาย Surfboard ไม่ได้
    IdeasDefinition
    Goodถ้ามีคนเล่น Surfboard แสดงว่าไอเดียนี้ดี
    Badหาก Surfboard ขายไม่ได้ ธุรกิจไปไม่รอด ก็ต้องล้มไอเดียนี้ แล้วหาไอเดียใหม่ๆ

    Scarce Resource

    Scarce Resource
    • Resource และ Community ที่ขาดแคลนที่สุดในช่วงนี้ คือ Attention
    • หากอยากขายของได้จำเป็นต้องมี Attention จากคนก่อน เพราะถ้าไม่มีคนสนใจก็จะไม่มีคนซื้อ
    • วิธีที่จะทำให้ลูกค้าสนใจเราคือ ต้องสร้าง Marketing Funnel

    Marketing Funnel

    Marketing Funnel คือ โมเดลที่แสดงถึงขั้นตอนการเดินทางของลูกค้าตั้งแต่เริ่มรับรู้แบรนด์ (Awareness) ไปจนถึงตัดสินใจซื้อสินค้าหรือบริการ (Consideration/Conversion)

    Marketing FunnelDefinition
    Awarenessการทำให้ 100 คนในกลุ่มเป้าหมาย รับรู้ของแบรนด์
    Considerationมี 40 คนเริ่ม พิจารณาแบรนด์หรือกำลังสนใจแบรนด์
    Conversionมี 5 คนเริ่มโอนเงินเข้ามา เพราะอยากซื้อสินค้าแบรนด์

    Awareness ต้องมี Content เพิ่งดึงดูดให้คนรู้จักเราด้วย

    Calculation of Awareness , Consideration and Conversion

    Calculation
    RateCalculation
    View Rate40/100 = 40%
    Consideration for Conversion Rate5/40 = 12.5%
    Conversion Rate5/100 = 5%

    Definition สำหรับอัตราส่วนของเกณฑ์ด้านบน

    1. View Rate คือ มีคนมาดูแบรนด์ 40%
    2. Consideration for Conversion Rate คือ จากคนที่ดู live ทั้งหมด 40 คนมีซื้อ 5 คน เราจึงได้คนซื้อเทียบคนดู live ได้ 12.5%
    3. Conversion Rate คือ 5% ใน 100 คนเห็นมีแค่ 5 คนที่ซื้อสินค้า = 5%

    How to increase the Conversion Rate?

    How to increase the Conversion Rate?

    ถ้าเราอยากหาเงินได้มากขึ้นจากแบรนด์ เราควรปรับจากส่วนไหนของ Marketing Funnel

    1. เราทำให้คน Attention ต่อแบรนด์ได้มากขึ้น ก็จะเพิ่ม Awareness ต่อแบรนด์เราได้ดีขึ้น
    2. Consideration พิจารณาแล้วว่าแบรนด์เราจะดีกว่าแบรนด์อื่นยังไง
    3. เพิ่ม Conversion โดยการเล่าเรื่องเพื่อให้สามารถขายสินค้าได้ หรือ ราคาสูงไปอาจจะต้องลดราคาสินค้าหรือเปล่า
    4. Awareness สามารถปรับได้ง่ายที่สุด

    Content หรือ Communication เป็น First principle ในการสร้างธุรกิจเพราะถ้าทุกคนให้คนสนใจแบรนด์ไม่ได้ก็ไม่มีใครรู้จักสินค้าของแบรนด์เหล่านั้น

    Model 2 : Small Business Flight Plan

    Small Business Flight Plan

    Small Business Flight Plan ในการทำธุรกิจแบบนี้ต้องเข้าใจว่าแต่ละระบบทำงานร่วมกันยังไง

    • โดยบอกว่า ธุรกิจสามารถทำงานเหมือนเครื่องบินเลย

    Business Operates

    Business Operates

    เปรียบเหมือนกับการนั่งเครื่องบิน เป้าหมายของเครื่องบินหลัก คือ นั่งเครื่องบินโดยไม่ตก

    เช่นเดียวกัน โดยทำธุรกิจให้ประสบความสำเร็จโดยจำเป็นมี 6 องค์ประกอบดังนี้

    PlaneBusiness
    CaptainLeadership
    BodyOverhead
    WingsProduct / Service
    Left EngineMarketing
    Right EngineSales
    FuelCash Flow

    Process of Airplane

    Process of Airplane
    1. Leadership กำหนดจุดมุ่งหมายของทิศทางและธุรกิจว่าไปทางไหนบ้าง
    2. Overhead ค่าจ้างพนักงาน ค่าเช่าสถานที่ ค่าใช้จ่ายในธุรกิจ
    3. Product/Service and Marketing and Sale ทำให้ธุรกิจสามารถมีแนวทางการพัฒนาขึ้นมาเรื่อยๆได้
    4. Cash Flow คือเงินที่อยู่ในธุรกิจ เก็บเงินสดเอาไว้ ครบมีไว้สำหรับ 1-2 ปี

    ไม่ว่าก็จะเป็นการขาย การทำ Product และออก Campaign ใหม่ๆ

    • แต่ถ้าปัจจุบัน หากยังไม่มีเงินพอ ความรู้ที่เรามีจะช่วยให้ทุกคนหาเงินได้มากขึ้นในอนาคต

    Model 3 : The Brain Audit

    The Brain Audit

    The Brain Audit เป็นการมุ่งเน้นไปที่การทำความเข้าใจกระบวนการตัดสินใจซื้อของลูกค้า

    โดย Sean D’Souza นำเสนอแนวคิดว่าลูกค้าจะ ซื้อ ก็ต่อเมื่อ กระเป๋า หรือปัจจัยสำคัญ 7 ประการในความคิดของพวกเขาได้รับการ ตรวจสอบ และ จัดการ อย่างเหมาะสม

    Seven Bags
    • เช่นเดินทางจากเที่ยวบิน แล้วรอรับกระเป๋าทั้งหมด 7 ใบ ถ้ากระเป๋ามาไม่ครบก็ต้องรอจนกว่าจะได้กระเป๋าครบ
    • Focus ที่ Marketing กับ Sales เลย ทำยังไงให้ลูกค้ามาซื้อของเรา

    ถ้าอยากทำ Marketing ได้ดี แล้วมีลูกค้ามาซื้อของเราเยอะๆ ต้อง 7 องค์ประกอบนี้

    The Brain Audit with 7 Element

    Problem

    ควรเริ่มต้นด้วยค้นหาปัญหา เพราะว่าสมองมนุษย์จะดึงดูดคำว่า ปัญหาก่อน เช่น ปัญหาผมหยิก

    Solution

    ตามมาด้วยวิธีการแก้ปัญหา เช่นควรมี Sunsilk ช่วย

    Target profile

    ต้องรู้ว่า เราสร้าง Solution ให้ กลุ่มเป้าหมายกลุ่มไหน ถึงจะเหมาะสมกับ Problem ที่มี ลูกค้า ถึงจะพอใจ

    Objection

    ต้องคิดมีปัจจัยอะไรบ้างที่จะทำให้ลูกค้ากลุ่มนี้มีข้อโต้แย้งกับเรา เช่น ยาสระผมมีใส่สารเคมีแปลกๆ กับมาเราหรือไม่

    • เช่น ตอบได้ว่ามาจากวัตถุดิบธรรมชาติ

    Testimonials

    • สามารถให้ลูกค้าทดลองใช้จริงว่า สินค้าเหล่านั้นดีมั้ย
    • มีตัวอย่างว่าคนใช้แล้ว Work มั้ย สามารถตอบตัวอย่าง Objection ได้
    • การให้ Testimonials (ลูกค้าทดลองใช้)ตอบจะดีกว่า เพราะเป็นตัวอย่างของผู้ใช้ โดยการหาลูกค้าจริงมาตอบจะได้ความน่าเชื่อถือสูงกว่า

    Risk Reversal

    Risk Reversal
    • คนส่วนใหญ่จะไม่ชอบความจริง พยายามหาอะไรที่การันตีความแน่นอน
    • จริงมีการการันตีโดยการให้ลองใช้ฟรีแบบ Free Trial
    • เช่น Youtube ให้ลองใช้ Youtube Premium ฟรี 14 วัน แล้วถ้าดีค่อยให้ใช้ต่อ

    Case 1 : Mini Bootcamp

    • คอร์สเรียนฟรีแบบ Mini Bootcamp เพื่อลดความเสี่ยงให้นักเรียนได้ โดยการให้นักเรียนประเมินครูสอนในช่วงเวลาที่เรียนว่าครูคนนั้นสอนดีหรือไม่ดี

    ข้อเสียคือถ้าอะไรได้มาฟรี คนก็ไม่ค่อยเห็น Value แล้วเรียนเช่น คอร์สเรียนนี้ มีคนติดตาม Facebook 100,000 คน แต่มีคนมาเรียนแค่ 1,000 คน

    Case 2 : Ikea

    Description of Product
    • Ikea จะมีข้อมูลให้อ่านว่า อุปกรณ์ที่ขายเหล่านี้มีความเสี่ยงอะไรบ้าง สามารถใช้ได้นานกี่ปี และสามารถขนส่งได้หลากหลายแบบ เพื่อลดความเสี่ยงให้ลูกค้าซื้อ
    • โดยสามารถจ่ายเงินเพิ่ม 7-10% เพื่อให้พนักงานไปต่ออุปกรณ์ให้ที่บ้าน

    การที่แบรนด์ขายอุปกรณ์มีการประกันภัยความเสี่ยงด้านของให้ลูกค้า จึงทำให้ลูกค้ารุ้สึกมั่นใจใน Ikea

    Uniqueness

    Uniqueness

    Uniqueness คือสิ่งที่เราสร้างขึ้นมา ไม่ใช่สิ่งที่เรามี

    เราควรรู้ว่าเราแตกต่างกับคนอื่นๆยังไงบ้าง มีไอเดียที่ไม่เหมือนใครแล้วต้องสร้างไอเดียนี้ขึ้นมาเอง

    Case : DataRockie

    • แอดทอยไม่เคยพูดเก่งแบบนี้ ก่อนจะมีเพจ DataRockie เมื่อ 10 ปีที่แล้ว แล้วก็ฝึกพูดเรื่อยๆ 10 ปีจนพูดได้คล่อง 2 ชม โดยไม่พัก
    • 10 ปีที่แล้วไม่มีความแตกต่าง ปัจจุบัน สบายๆ ย่อยเนื้อหาเก่ง พูดได้เข้าใจง่าย
    • การใส่หมวกจะเป็นจุดเด่น แม่แอดยศจำไม่ได้ว่าเป็นแอดทอยไปแต่งงานลูกตัวเองเพราะไม่ใส่หมวก
    • ความแตกต่าง แบบมีความหมาย เช่น ถ้าแอดทอยใส่หมวก แล้วนักเรียนไม่ให้คุณค่า สิ่งเหล่านั้นก็ไร้ความหมาย

    เช่น ถ้าใส่หมวกเหลืองแล้วพูดไม่รู้เรื่อง ความแตกต่างนี้ไม่มีความหมายเลย

    PrincipleAction
    First PrincipleTeach Understand
    Second PrincipleYellow Hat

    The Key Message

    The Key Message

    สิ่งที่สำคัญในการช่วยให้สามารถเรียนรู้แล้วเข้าใจธุรกิจได้ดีขึ้นมีดังนี้

    1. เรียนรู้วิธีการเรียนรู้ แล้วเรียนรู้สิ่งที่คุณต้องการ เช่นอย่างเรียนรู้อุตสาหกรรมย่อยของธุรกิจ ก็ศึกษาความรู้ของธุรกิจนั้นเพิ่ม
    2. ไม่มีทักษะที่เรียกว่า “ธุรกิจ” เพราะหลายๆทักษะมาประกอบรวมกันเป็นธุรกิจ เช่น Strategy, Marketing, Sales, Finance, People, Operation, Promotion, IT/Tech
    3. อัปเดตแผนที่ของคุณอย่างต่อเนื่อง หรืออัปเดตเพื่อเพิ่มเส้นทางชีวิตในการตัดสินใจทำธุรกิจให้ดีขึ้นจากข้อมูลที่ดีขึ้น
    4. การสะสมทักษะคือเคล็ดลับในการสร้างธุรกิจที่ประสบความสำเร็จ ช่วยให้เชื่อมโยงข้อมูลได้ดีขึ้น
    5. แสวงหาแบบจำลองทางความคิดจากผู้ยิ่งใหญ่ที่สุดในโลกนี้ โดยเรียนรู้จากคนที่ประสบความสำเร็จมาก่อน

    หากสนใจสามารถรับชมคลิปเพิ่มเติมได้ที่ Link นี้

    หวังว่าจะได้ไอเดียดีๆในการนำหลักการ Business Foundation ทั้ง 10 ข้อ เพื่อศึกษาหาไอเดียที่มีประโยชน์เต่อการการใช้ชีวิตประจำวัน เพื่อปรับปรุงเรียนรู้ธุรกิจได้เข้าใจอย่างถ่องแท้แล้วมีแนวทางใหม่ๆในปรับรูปแบบธุรกิจให้ดียิ่งขึ้น

  • 5 Methods of Learning Model 101

    5 Methods of Learning Model 101

    บทความเกี่ยวกับการที่เราสามารถเข้าใจเกี่ยวกับวิธีการเรียนรู้ขั้นพื้นฐานของ Learning Model ทั้ง 5 ข้อที่ทุกคนควรจะมีเพื่อเปิดโอกาสสร้างอนาคตและมีแนวทางในการเรียนที่ดีขึ้นครับ

    Learn Model 101

    1. First Principles Thinking : The More You Learn, The More You Earn
      1. Case : Reading vs Doing
    2. First Principles : It’s not what to learn , but HOW to learn effectively
      1. Case : Business Skill
    3. Learn Model 1 : Minimum Viable Skills
      1. Case : Language
      2. Problem of Minimum Viable Skills
    4. Learning Model 2 : Don’t Stop Until You are Competent
      1. Competency Level
    5. Learning Model 3 : Beware of Diminishing Return
      1. Why 80% not 90%
      2. Case : Poring
      3. Cost vs Benefit
    6. Learn model 4 : Skill Stacking
      1. Combine Skill
      2. Case Sample Book : How to be better at almost everything (2019)
      3. My Skill Stack
    7. Learn Model 5 : Expert in Learning Generalist in Skill
      1. How to Fail At Almost Everything and Still Win Big

    First Principles Thinking : The More You Learn, The More You Earn

    The More You Learn, The More You Earn

    การที่เราจะสามารถมีวิธีการเรียนรู้ที่ดีและมีไอเดียธุรกิจได้จะเริ่มต้นที่มีความเชื่อก่อน

    • ทุกคนควรมีความเชื่อมั่นในตัวเองว่า ยิ่งทุกคนเรียนรู้มากเท่าไหร่ ทุกคนสามารถเก่งได้มากเท่านั้น
    • ทุกคนไม่จำเป็นต้องกลัว เงินเฟ้อ ถ้าทุกคนมี Skill ที่หางานที่สร้างรายได้มากกว่า เงินเฟ้อ

    มี Inflation 3% ต่อปีแต่หากมี Skill ที่หางานได้เงิน 20% ต่อปีก็สามารถอยู่รอดได้

    Case : Reading vs Doing

    Reading vs Doing
    Slower ActionFaster Action
    ListeningReading
    WatchingDoing
    • ควรเปลี่ยนจากการฟัง –> การอ่านหนังสือ
    • ควรเปลี่ยนจากการดู –> การลงมือทำ

    ควรลองนำความรู้ที่ได้จากอ่านหรือฟัง podcast นำไปประยุกต์ใช้กับชีวิตจริงด้วย จะทำให้เราสามารถเก่งขึ้นได้

    First Principles : It’s not what to learn , but HOW to learn effectively

    It’s not what to learn , but HOW to learn effectively
    • กระบวนการเรียนรู้ของคนเราอาจสำคัญกว่าวิชาที่เราเรียนมา
    • เช่น ถ้าให้ทุกคนไปเรียน Marketing แต่คนที่รู้จักพลิกแพลงความรู้จะทำได้ดีกว่า ปัญหาอยู่ที่การเรียนวิชานั้นๆ ไม่รู้วิธีที่เรียนรู้แล้วเข้าใจอย่างแท้จริง

    Best skill : Learning How to Learn คือเรียนยังไงให้มีประสิทธิภาพ

    Case : Business Skill

    1. ในการสร้างธุรกิจต้องมีงานหลายส่วนประกอบด้วย – Marketing, Finance, HR, Sale and IT เรียกว่าการ Combine Skill สำหรับสร้าง Brand หนึ่งขึ้นมา
    2. One Person Business สร้างธุรกิจของตัวเองได้

    การที่เราจะสามารถเรียนรู้อะไรได้มีประสิทธิภาพดีขึ้น จำเป็นต้อง Learning Model ที่ดีในการเรียนรู้ 5 วิธี

    Learn Model 1 : Minimum Viable Skills

    Mental Model ที่ใช้ในการเรียนรู้สิ่งต่างๆเรียกว่า Minimum Viable Skills

    Minimum Viable Skills

    Minimum Viable Skills หมายถึงทักษะพื้นฐานที่ต้องมีเพื่อให้สามารถทำงานหรือทำสิ่งใดสิ่งหนึ่งได้

    Case : Language

    เพียงแค่รู้ศัพท์ภาษาอังกฤษเบื้องต้น 500-1000 คำ ก็สามารถพูดภาษาอังกฤษได้แล้ว เช่น Table , Desk , Water

    1,000 Common Words

    เรียนรู้เกี่ยวกับการใช้ program เช่น Spreadsheet, SQL, R, Python แค่พื้นฐานก็สามารถทำงานเป็น Junior Data Analyst

    เช่น เรียน Program R Tidyverse ก็สามารถทำงานได้

    Problem of Minimum Viable Skills

    การเรียนรู้แบบขั้นต่ำสามารถเอาตัวรอดได้ แต่ไม่สามารถพัฒนาขึ้นเป็นลำดับต้นๆได้ จึงต้องรู้จักขั้น Competency Level เพื่อเอาตัวรอด

    • สามารถสื่อสารและพูดคุยภาษาอังกฤษ
    • สามารถทำรายงานภาษาอังกฤษส่งอาจารย์ได้จนจบ
    • ขอแค่เรียนถึง 80% ก็เพียงพอแล้ว

    ต้องยกระดับการเรียนรู้จาก 25% เป็น 80% ให้ได้ เพื่อให้อยู่ในระดับ Competency Level

    จึงต้องไปเรียนรู้และรู้จัก Learning Model ข้อ 2

    Learning Model 2 : Don’t Stop Until You are Competent

    Don’t Stop Until You are Competent

    Don’t Stop Until You are Competent อย่าหยุด จนกว่าคุณจะเชี่ยวชาญด้านใดด้านหนึ่ง

    Competency Level

    Competency Level คือความสามารถหรือความเชี่ยวชาญของบุคคลในการทำงานอะไรอย่างใดอย่างหนึ่ง

    Competency Level

    ตามกฎ Pareto Rule คือ ใช้เวลาทำอะไรบางอย่าง 20% แต่ได้ผลลัพธ์กลับมา 80%

    • เช่นการเรียนรู้ 20% แต่สามารถทำความรู้เรียนรู้มาทำงานได้ 80%
    • กิจกรรมตอนช่วง 25%-80% คุ้มค่ากว่าตอนที่ทำกิจกรรม 80%-90% ซึ่งเรียกว่า Diminishing Return

    ถ้ากิจกรรมที่ทำอยู่ 80%-90% ควรระวังเรื่อง Diminishing Return จึงเป็นที่มาของ Learning Skill ข้อที่ 3

    Learning Model 3 : Beware of Diminishing Return

    Beware of Diminishing Return

    Beware of Diminishing Return ต้องมีการระวังเรื่อง Diminshing Return และเป็นสิ่งที่เกิดขึ้นจริง เวลาใส่ input เข้าไปมาก แล้วจะได้ผลตอบน้อยลงเรื่อยๆ

    Why 80% not 90%

    80% vs 90%

    เช่นการทำ Google Slide สมมุติทำได้ 80% จะคุ้มค่าหรือไม่ที่จะ Upgrade Skill Google Slide เป็น 90%

    PercentHours for Development
    25% → 80%30
    80% → 90%30

    แสดงว่า % ตอนที่ทำกิจกรรมตอนช่วง 25%–>80% คุ้มค่ากว่าตอนที่ทำกิจกรรม 80%–>90% ซึ่งเรียกว่า Diminishing Return

    Case : Poring

    • อย่างเช่นเวลาเล่นเกมเก็บ level เพื่อเลื่อน level ถัดไป

    ตอนเล่นเกม Rangnarok มี level 1-100

    1. เล่นจาก level 1 –> level 2 จะง่ายมาก ตี poring 3 ตัว
    2. เล่นจาก level 2 –> level 3 จะง่ายมาก ตี poring 10 ตัว
    3. เล่นจาก level 3 –> level 100 ต้องตี poring เยอะมาก
    • จึงแสดงว่า เวลาที่ใช้ในตี Poring จะไม่คุ้มค่าที่จะเล่นแล้ว

    “Poring” เป็นตัวละครมอนสเตอร์ที่รู้จักกันดีจากเกมออนไลน์ยอดนิยม “Ragnarok Online” โดยมีลักษณะเป็นสิ่งมีชีวิตคล้ายหยดน้ำสีชมพูน่ารัก

    Poring

    การที่เราตี Poring จาก Level 1 – Level 100 แล้วเริ่มเบื่อ เช่นกันเดียวกับการที่เราเรียนรู้อะไรบางอย่าง จำเป็นต้องเพิ่มความยากเข้าไปด้วย

    • ถ้าทุกคนเรียนแต่เรื่องเดิมๆ เรียนแต่เรื่องง่ายๆ ก็ไม่มีวันเก่งขึ้น ควรจะเรียนรู้เรื่องที่ยากขึ้น

    ถ้าสมองตึงๆ แสดงว่าสมองได้เรียนรู้อะไรเยอะขึ้น

    Cost vs Benefit

    เช่น การเรียนรู้ New Skill 1 ชม จะคุ้มค่ากว่าเวลาที่เราใช้ไป

    1. Cost < Benefit : ถ้าเรียนรู้ New Skill ไปเรื่อยๆ จนกลายเป็น Skill เดิม จะไม่ทำให้เราพัฒนาเช่น การขี่จักรยาน
    2. Cost > Benefit : หากพิจารณาแล้วว่าเรื่องใดไม่มีประโยชน์ ไม่คุ้มค่าที่จะเรียน —> ควรหยุดและเรียนรู้เรื่องอื่นๆแทน
    TypeDefinition
    Cost < Benefitควรเรียนรู้ Skill ใหม่ไปเรื่อยๆ
    Cost > Benefitไม่ควรทำ Skill เหล่านั้นต่อ

    Learn model 4 : Skill Stacking

    Skill Stacking

    Skill Stacking คือการเรียนรู้ Skill ใหม่มาได้หลาย Skill แล้วสามารถเรียกว่า Combine Skills

    Economics vs Data Analysis
    • 1 ชั่วโมงแรก เรียน Economics ถึงจุด Optimal ที่ไม่ควรเกิน 80% แล้วย้ายไปเรียน Skill อื่นๆ
    • ใช้เวลา 1 ชม ที่เหลือ แล้วไปเรียน Data Analysis ต่อแทน

    Best Learning Ad Toy : Economic → Data Analyst → Marketing → Website → WordPress → SEO → Content Writing

    Combine Skill

    • ถ้าอยากก้าวหน้าในชีวิตควรเรียน Skill Stacking
    Combine Skill
    • ยิ่งเรารวมพลังหลาย Skill เข้าด้วยกัน จะดีกว่า มี Skill เดียว
    • เช่นถ้าเล่นเกมแล้วอัพแต่ Attack Skill อย่างเดียว โดยไม่เคยอัพ Defense Skill เราสามารถโจมตีคนอื่นได้แรง แต่ก็จะถูกคนอื่นโจมตีได้ง่าย

    Case Sample Book : How to be better at almost everything (2019)

    Pat Flynn
    • เช่น มนุษย์คนนึง ถ้าเล่นกล้ามได้ ยกของหนักได้ เล่นเวทได้ แต่ร่างกายไม่สามารถวิ่งไกลได้ แสดงว่า ร่างกายไม่ได้แข็งแรงทุกส่วน
    • ควรจะต้องเล่น Weight ให้ครบทุกจุด ถึงจะดีกว่า และแบ่งเวลาไปออกกำลังกายด้วยวิธีอื่นดีกว่า

    คนเราสามารถเพิ่มความเข้าใจในหลายๆอย่างให้กลายเป็น Generalist และคนๆนั้นจะมีองค์ความรู้พอที่จะอยู่รอดได้ในอนาคต

    • Highlight ของหนังสือเล่มนี้คือ มนุษย์ทุกคนเกิดมาแล้วปรารถนาเป็นตัวเองในเวอร์ชั่นที่ดีที่สุด

    My Skill Stack

    My Skill Stack
    1. Skill Stack ที่แอดทอยคิดว่าตัวเองทำได้ดี
    2. หากแอดทอยไปใช้ Skill แต่ละด้านกับคนที่เชี่ยวชาญด้านนั้นก็สู้ได้ยาก
    3. จึงเลือกเก่งหลาย Skill เพื่อสามารถทำได้หลากหลาย

    5-6 Skill ที่สามารถช่วยให้อยู่รอดในยุคปัจจุบันได้ เช่น Reading, Writing, Economics, Marketing, Website and SEO

    Learn Model 5 : Expert in Learning Generalist in Skill

    Expert in Learning Generalist in Skill
    • ทุกคนควรจะเป็น Expert ในด้านการเรียนรู้

    How to Fail At Almost Everything and Still Win Big

    สำหรับหนังสือ How to Fail at Almost Everything and Still Win Big ของ Scot Adam

    • มีคนๆนึงวาดการ์ตูนที่เก่ง อีกคนเขียนหนังสือที่ดี อีกคนทำธุรกิจที่เก่ง อีกคนเล่นมุกเก่ง แต่ Scot Adam ทำ Skill เหล่านั้นได้ทั้งหมด
    • ความผิดพลาดหลายครั้งอาจนำไปสู่ความสำเร็จ

    ควรมีการให้คำนิยามคำว่า “งาน” ใหม่

    • หากคุณสามารถทำงานด้วย Learning Model 5 ข้อ คุณจะมีโอกาสในชีวิตที่ดีขึ้น

    หากสนใจสามารถรับชมคลิปเพิ่มเติมได้ที่ Link นี้

    สรุปแล้วความสามารถในการนำหลักการ Learning Model ทั้ง 5 ข้อไป เรียนรู้เพิ่มเติมกับการใช้ชีวิตประจำวัน เพื่อปรับปรุงในการใช้ชีวิตและสามารถเรียนรู้สิ่งต่างๆที่อย่างถูกวิธียิ่งขึ้น เพื่อหนทางที่ดีขึ้นในอนาคต

  • 15 Ideas From Economic Thinking 101

    15 Ideas From Economic Thinking 101

    หากต้องการเข้าใจความจริงของการคิดแบบเศรษฐศาสตร์มากขึ้น โดยที่จริงๆแล้ววิชาเศรษฐศาสตร์นั้นเกี่ยวกับข้องกับเศรษฐกิจ แต่ไม่ใช่วิชาเกี่ยวกับเศรษฐกิจอย่างเดียว หัวใจสำคัญของวิชาเศรษฐศาสตร์คือทำความเข้าใจกระบวนการตัดสินใจของมนุษย์ โดยพยายามรู้จักใช้ Attention กับกิจกกรมที่เหมาะสมกับตัวเองและผู้อื่นครับ

    Economic Thinking

    1. Model 1 : Scarcity
      1. Unlimited Want vs Limited Resource
      2. Case 1 : Luxury Brand Use Scarcity
      3. Sense of Urgency
      4. The Difference of Need, Want and Demand
    2. Model 2 : Opportunity Cost
      1. Case 1 : Watch Live of Economic Thinking Class
      2. Case 2 : Study Abroad
      3. Case 3 : Construction
    3. Model 3 : Production Possibility Frontier
      1. Resource
      2. Opportunity Cost is Everywhere
      3. Capital
    4. Model 4 : Specialization
      1. Case 1 : Pile casting
      2. Case 2 : Trade rice vs Technology computer
    5. Model 5 : Rationality
      1. Assumptions about Economic Decisions
      2. Case 1 : The Prospect Theory
      3. Value Function
    6. Model 6 : Marginal Analysis
      1. Case 1 : Hot Coffee vs Ice Cola
      2. Case 2 : Utility
      3. Case 3 : Cost > Utility of Hot Coffee, Ice Cola
      4. Case 4 : Water vs Diamond
    7. Model 7 : Demand vs. Supply
      1. Demand Graph
      2. Supply Graph
      3. Equilibrium
    8. Model 8 : Elasticity & Total Revenue
      1. Elasticity
      2. Total Revenue
      3. Elastic vs Inelastic
      4. Case 1 : Iphone
    9. Model 9 : Short vs. Long Run Thinking
      1. Case 1 : DTAC AIS TRUE
      2. Case 2 : Price War
    10. Model 10 : Free Lunch
      1. Case 1 : Live ad toy
    11. Model 11 : The Attention Economy
      1. Case 1 : A Wealth of information
      2. Case 2 : Attention From Social Media
      3. Case 3 : Facebook
      4. Case 4 : The Attention Economy
    12. Model 12 : Game Theory
      1. Element of the game
      2. The Prisoner’s Dilemma
      3. Nash Equilibrium
    13. Model 13 : GDP
      1. GDP vs GNP
      2. Process of GDP
      3. Real GDP
    14. Model 14 : Purchasing Power Parity
      1. Case Buy Online Course
    15. Micro vs Macro

    Model 1 : Scarcity

    Model 1 : Scarcity

    Scarcity คือ ความเป็นจริงพื้นฐานที่มนุษย์คนนึงตัดสินใจต่อเมื่อทรัพยากรมีจำกัด

    ต้องพยายามจัดสรรค์ทรัพยากรให้เรามีความสุข ครอบครัวมีความสุข

    Unlimited Want vs Limited Resource

    ทรัพยากรมนุษย์มีจำกัด → แต่ความต้องการมนุษย์มีไม่จำกัด

    Unlimited Want vs Limited Resource
    • ความสุขของมนุษย์จะเกิดขึ้น เมื่อเรารู้จักพอ
    • มหาเศรษฐีหากมีเงินเพิ่ม 1 ล้านแล้ว จะมีความสุขผลปรากฎว่า มีความสุขเท่าเดิม
    • เงินพอถึงจุดนึงไปแล้ว เมื่อมีเงินเหลือใช้แล้ว อาจจะไม่สำคัญเท่าเดิมแล้วก็ได้

    Case 1 : Luxury Brand Use Scarcity

    1. ปัจจุบัน หลาย Brand เพิ่มราคาของใช้เพื่อให้ของใช้มีราคาสูง
    2. Brand จะจำกัดสินค้าเหล่านั้น เพื่อเพิ่มราคา เช่น ถ้าไม่ซื้อ Brand ใดๆ ตอนนี้ ราคาที่ถูกจะหายไป
    Software Ending Soon
    1. เช่น Software Version นี้ ราคาถูกจำกัดแค่ 67 USD ตอนนี้ จะหายไปเลย
    2. ถ้าซื้อ Software ใช้ได้เฉพาะปีนี้ หลังจากปีนี้อาจจะไม่ Update Version นี้จริงๆ
    3. เป็นวิธีการหลอกคนสำหรับการใช้ Live Time Due เลย

    Sense of Urgency

    Sense of Urgency

    Scarcity จะต้องเกี่ยวข้องกับ Urgent ด้วยว่าต้องสั่งภายในช่วงเวลาใดๆ เท่านั้น ถึงจะได้รับสิทธิประโยชน์พิเศษ รับประกันอะไรเพิ่ม เพื่อให้คนรู้สึกว่าขาดไม่ได้แล้ว ต้องซื้อเดี๋ยวนั้น

    • บางที Sense of Urgency ไม่ใช่เรื่องจริงด้วยซ้ำ หลอกเพื่อให้คนสนใจในสินค้าหรือบริการนั้นๆ
    • บางคอร์สเรียนใน Social Media ลดราคายับ เช่นซื้อ 1 ปี 4,000 บาท ซื้อ 2 ปี 4,500 บาท แล้วบอกเหลือแค่ 10 ที่นั่ง พอเปิดมาอีก 2 อาทิตย์เจอ โฆษณาตัวเดิม

    โฆษณาไม่ได้มีจำกัดจริง หลายๆ Brand มักปล่อยโฆษณาออกมาเรื่อยๆ

    The Difference of Need, Want and Demand

    Need vs Want vs Demand
    TypeDefinitionSample
    Needความต้องการขั้นพื้นฐานของคนปัจจัย 4
    Wantความต้องการที่ถูกปรุงแต่งด้วยวัฒนธรรม สังคมพิซซ่า, ขาหมู
    Demandwant ที่มี back up ด้วย moneyการซื้อพิซซ่าหน้าซีฟู้ด

    Want สำหรับการกินของคนแต่ละประเทศ

    TypeFood
    ThaiTom Yum Kung
    ChinaNoodle
    USAKFC Burger

    นักการตลาด Focus ที่ Want and Demand > Need เราไม่อยากขายของที่ทุกคนจำเป็นต้องใช้ แต่อยากขายของที่ทุกคนอยากใช้

    Model 2 : Opportunity Cost

    Opportunity Cost

    Opportunity Cost เรียกว่า ค่าเสียโอกาส

    Opportunity Cost Definition
    • มูลค่าของทางเลือกที่เราบางอย่างไม่ได้ทำ
    • เวลาที่เลือกทำอะไรซักอย่างนึง แล้วต้องเลือกทิ้งทางเลือกที่ดีที่สุด ทางเลือกที่ดีที่สุดที่ถูกทิ้งเรียกว่า Opportunity Cost

    Case 1 : Watch Live of Economic Thinking Class

    เช่น ถ้าทุกคนเลือกเข้า live Day 02 – Mini Bootcamp Economic Thinking Class

    • ต้นทุน คือ เวลาที่มาเข้าฟัง 1 ชมครึ่ง
    • ถ้าทุกคนไม่ได้มาเข้า live แอดทอย แล้วทุกคนจะทำอะไร ? สิ่งที่ทุกคนกำลังจะทำแทนที่จะเข้า live คือ Opportunity Cost

    Case 2 : Study Abroad

    อย่างเช่น ในการ Weight เงื่อนไขการเรียนต่อ เมืองนอก มีเงื่อนไขดังนี้

    Benefits vs Direct Cost vs Opportunity Cost
    Cost TypeDefinition
    Benefitsผลประโยชน์ที่ได้รับจากการเรียนต่อ
    Direct Costค่าใช้จ่ายโดยตรงสำหรับเรียนต่อ
    Opportunity Costค่าเสียโอกาสทางอ้อมจากการเรียนต่อ

    ต้องแยกระหว่าง 2 อย่างนี้ให้ได้ว่า Benefits and Cost อะไรคุ้มกว่ากัน

    Case 3 : Construction

    Construction
    • เช่น เวลาสร้างตึก จะมีแค่ใช้จ่ายอะไรอีกบ้างที่คนอื่นๆ มองไม่เห็น ผลกระทบ

    ผลกระทบต่อบ้านข้างๆ คือต้นทุนที่เกิดขึ้นมาจากการอยู่ Side ด้านข้างการก่อสร้าง

    TypeDefinition
    Positiveมาลงทำถนนใหม่ให้ดีขึ้น มีรถไฟฟ้า
    Negativeมีฝุ่น มีควัน ใกล้บ้าน

    Model 3 : Production Possibility Frontier

    Production Possibility Frontier

    Production Possibility Frontier (PPF) หรือ “เส้นขอบเขตความเป็นไปได้ในการผลิต” คือ เครื่องมือทางเศรษฐศาสตร์ที่แสดงให้เห็นถึง การผลิตสูงสุดที่เป็นไปได้, การแลกเปลี่ยน (Trade-off) และ ประสิทธิภาพการผลิต

    Banana vs Apple

    จุดบนเส้น PPF แสดงถึงการใช้ทรัพยากรอย่างมีประสิทธิภาพ ในขณะที่จุดที่อยู่ภายในเส้นแสดงถึงการใช้ทรัพยากรที่ไม่เต็มประสิทธิภาพ และจุดที่อยู่นอกเส้นแสดงถึงจุดที่ไม่สามารถผลิตได้ด้วยทรัพยากรและเทคโนโลยีที่มีอยู่ในปัจจุบัน

    ทุกจุดที่อยู่บนเส้น PPF คือจุดที่ผลิตตรงจุดไหนก็ได้เลย เป็นจุดรวมที่สามารถผลิต Banana + Apple ได้

    Resource

    Base on ทรัพยากรที่เรามีอยู่

    PPF Graph
    Type of PPFDefinition
    Aเส้นที่แสดงการใช้ทรัพยากรได้อย่างเต็มประสิทธิภาพ
    Bเส้นที่แสดงการใช้ทรัพยากรได้อย่างเต็มประสิทธิภาพ
    Cเส้นที่ผลิตสินค้าได้ แต่ยังเหลือทรัพยากร
    Dเป็นไปไม่ได้ เพราะใช้ทรัพยากรเกินกำหนด

    มนุษย์สามารถยก PPF ขึ้นไปด้านขวาได้หากเราเก่งขึ้น

    Opportunity Cost is Everywhere

    Opportunity Cost is Everywhere
    Type of goodQuantity AQuantity B
    Banana10020
    Apple0100

    เพราะทรัพยากรที่ใช้ในการปลูก Apple และ Banana มีการจำกัด เพราะต้องมีการ Trade off พื้นที่ในการปลูก

    • นักเศรษฐศาสตร์เลยบอกว่า เป้าหมายในเศรษฐศาสตร์ทำให้ประเทศไทยผลิตสินค้าได้เยอะมากกว่านี้ดังรูป ต้องมี Capital เพิ่มขึ้น
    Add Capital

    Capital

    • เราอยากจะขยาย PPF ให้สูงขึ้นได้ จำเป็นต้องมี Capital มากขึ้นมี 5 ประเภท ดังนี้
    Type of CapitalDefinition
    Natural Resourceที่ดิน น้ำ น้ำมัน ป่าไม้
    Physicalอาคาร เครื่องจักร เครื่องมือ
    Humanการศึกษา ความเป็นอยู่ที่ดี
    Financialหุ้น ทอง เงินสด
    Technologicalทรัพย์สินทางปัญญา องค์ความรู้

    ประเทศถ้าจะมีโอกาสเจริญได้ ต้องมี Capital ก่อน ถึงจะเจริญเติบโตได้ Economic Growth

    Model 4 : Specialization

    Specialization

    Specialization คือการที่คนเราเก่งด้านใดด้านนึง ก็ควรจะ focus ด้านนั้นเยอะๆ

    Case 1 : Pile casting

    • เช่น โรงงานผลิตเข็ม Step 1-3 ถ้าต้องทำหลายอย่างเกินไป จะทำให้คนสร้างเข็มคนนึงได้ไม่เยอะมาก

    วิธีการแก้ เราแบ่งพนักงานเป็น 3 หน่วยงาน

    1. หล่อ เข็ม
    2. ทำเข็มให้ดูดี
    3. ปรับเข็มให้สมบูรณ์มากขึ้น

    เพื่อให้พนักงานเหล่านั้นทำงานที่ถนัดอย่างเดียวเลย

    • เหมือนพนักงานบริษัท ที่ทำเฉพาะด้านที่ตัวเองถนัด ใช้ Concept ที่ Adam Smith คิดไวเรียกว่า Specialization (Division of Labor)

    Case 2 : Trade rice vs Technology computer

    Com vs Rice
    • เช่น การแลกเปลี่ยนระหว่าง Computer กับ Rice ไม่แฟร์เพราะว่า ราคาไม่เท่ากัน
    • โดยที่ช่วงหลัง ราคา Computer ราคาขึ้นเร็วกว่า ราคา Rice จึงทำไม่คุ้มที่จะแลกเปลี่ยน

    ประเทศแต่ละประเทศควรพึ่งพาตนเองด้วยเอง หากโดนตัดการแลกเปลี่ยนแล้วจะไม่แลกสินค้าที่ตัวเองไม่สามารถสร้างได้

    Model 5 : Rationality

    Rationality

    Rationality คือ ความคิดแบบที่มีเหตุมีผล

    1. Core Skill สำหรับวิชาเศรษฐศาสตร์เลย ถ้าเกิดมนุษย์ไม่ได้ประพฤติตัวโดยใช้หลักการแบบเหตุและผลในการคิด วิธีการคิดแบบเศรษฐศาสตร์จะไม่สามารถอยู่ได้เลย
    2. ถ้าทางธนาคารขึ้นอัตราดอกเบี้ยเช่นจาก 1% เป็น 5% แล้ว คนในประเทศจะเงินมาฝากเยอะขึ้น

    Assumptions about Economic Decisions

    • จริงๆแล้ว มนุษย์เราตัดสินใจแบบมีเหตุ มีผล
    • คนเรามีกระตุ้นจากตัวเอง เช่น หากทำธุรกิจก็ต้องการกำไร
    • มีประโยชน์สูงสุด โดยการสร้างความสุขเพิ่มขึ้นสูงสุด
    • มนุษย์ทุกคนมีแรงจูงใจให้ทำสิ่งใดสิ่งหนึ่ง

    Case 1 : The Prospect Theory

    The Prospect Theory
    • The Prospect Theory ผสมวิชาเศรษฐศาสตร์และจิตวิทยา

    Mini Quiz CASINO

    สำหรับเกณฑ์การให้คะแนนมี 2 ทาง

    กรณีได้เงิน 2 แบบ กรณีเสียเงิน 2 แบบ

    • Scenerio 1 คนจะเลือก Option A มากกว่าเพราะได้เงิน +500 ชัวๆ ในทางเศรษฐศาสตร์

    มนุษย์ไม่ค่อยชอบความเสี่ยงที่ไม่แน่นอน

    • Scenerio 2 คนละเลือก Option B มากกว่า เนื่องจาก ขอเสี่ยงเผื่อไม่เสียเงินได้บ้าง

    สิ่งที่อาจารย์ Kahneman ค้นพบคือ

    1. คนชอบอะไรที่ได้แน่นอน
    2. ถ้าต้องเสียอะไรสักอย่างคนมักจะไม่อยากเสีย แล้วพร้อมจะเสี่ยงเพื่อที่จะไม่เสีย
    Risk
    • คนอาจไม่ตัดสินใจแบบมีเหตุ มีผล ตลอดเวลา หากเจอความเสี่ยงและความไม่แน่นอนในการตัดสิน
    • คนส่วนใหญ่จะ Sensitive กับการเสียมากกว่าการได้

    Value Function

    Value Function
    • หากได้เงิน 100 เหรียญแล้วจะมีความพึงพอใจ
    • หากเสียเงิน 100 เหรียญเราจะมีความเสียใจเยอะมาก

    เช่น ถ้าเกิดกรณีถูก lottery 5 ล้าน เรา happy แล้วเพื่อนโทรมาบอกว่าบ้านโดนโจรขโมยเสีย 5 ล้าน เราเสียใจ ควรจะรู้สึกเท่าทุน

    นักการตลาดนำมาประยุกต์ใช้ดังนี้

    The Tactics
    • คนไม่ชอบเสียให้พูดข้อดี เช่น ให้ใช้ 90% Fat-Free แทน 10% Fat เพื่อให้คนรู้สึกดีกว่า (Inversion)
    • ถ้าซื้อสินค้านี้แล้ว จะเป็นประโยชน์ที่ไม่ควรเสียโอกาสในการต่อ Save Money ในอนาคต จะดีกว่า การบอกว่า Save money with our products.

    คนมักชอบ Free Trial ได้ทดลองสินค้าก่อนที่จะซื้อสินค้า

    Model 6 : Marginal Analysis

    Marginal Analysis
    • ณ ช่วงเวลาที่กำลังจะเลือกกินเครื่องดื่ม ณ บริบทนึง เครื่องดื่มถัดไปที่เราเลือกกิน จะให้ความพึงพอใจกลับมามากกว่ากัน เราก็จะเลือกกินเครื่องดื่มนั้นเลย
    • หลังจากดูไลฟ์ 4 ทุ่มครึ่ง ทุกคนจะทำอะไรต่อ เล่น Tik-tok ดู Netflix หรืออ่าน Content ใน Youtube

    อ่านหนังสือที่ชอบ หรือ นอน โดยกิจกรรมไหนที่ Return Value ให้เรามากสุด เลือกกิจกรรมนั้นๆ

    Case 1 : Hot Coffee vs Ice Cola

    Case Hot Coffee vs Ice Cola

    เช่น ถ้าไปเดินภูเขาที่ Switzerland แล้วอากาศหนาว -5 องศา

    แล้วเดินเข้าไปในร้านอาหารบนภูเขาแล้วดูเมนูน้ำมีอยู่ 2 เมนู Hot-Coffee หรือ Ice-Cola

    การตัดสินใจเลือกว่าอยากกิน เครื่องดื่มร้อน หรือเย็น ขึ้นอยู่กับ Context หรือบริบทตอนนั้น

    1. ต้องรู้ว่า คนๆนั้นอยู่ที่ไหน เกิดสถานการณ์อะไรอยู่
    2. คนมักเลือก Hot-Coffee มากกว่า

    Case 2 : Utility

    Utility คือการได้ประโยชน์จากกระทำในรูปแบบหนึ่ง

    • ราคา 3 เหรียญเท่ากัน แต่สิ่งที่วัดได้ออกมา ต่างกันเช่น ได้กิน Hot Coffee ในสถานการณ์เดินบนภูเขา อาจมีประโยชน์ 50 ซึ่งมากกว่าการกิน Ice Cola ซึ่งได้ประโยชน์ 30

    หากกินเยอะไปและเร็วไปแล้วกาแฟลวกปากได้ อาจจะทำให้ค่า Utility เหลือ -50 ได้

    Case 3 : Cost > Utility of Hot Coffee, Ice Cola

    Cost > Utility of Hot Coffee, Ice Cola

    จ่ายเงิน 3 เหรียญแล้วสินค้าที่ได้ มีความคุ้มค่าน้อยกว่า ราคาที่เราจ่ายไป ต้องหาทางเลือกใหม่

    Next Best Option : อาจจะดูเมนูใหม่ หรือ ไปกินน้ำเปล่าที่ตู้ หรือ ไม่กินเลย

    • แต่ราคาของจริงไม่เท่ากัน ดังนั้น การตัดสินใจของระหว่าง กาแฟ และ โค้ก จะยากขึ้นกว่าเดิม

    Case 4 : Water vs Diamond

    • Water ถ้าอยู่ในบริบทที่เราอยู่ในทะเลทรายจะมีแค่มากกว่า Diamond เพราะถ้าหากไม่ได้กิน Water จะตายก่อน
    • Diamond ถ้าอยู่ในบริบทปัจจุบัน จะมีราคามากกว่า Water แล้วสามารถซื้อ Water ได้ปริมาณมาก

    Next Best Option : Value is Relative ไม่สามารถวัด Value ได้จริงๆ วัดได้จากบริบทในช่วงนั้นๆ

    • เพชร มีค่าเพราะนักการตลาดไปให้ค่า จนเพชรมีมูลค่าสำหรับสังคมโลก

    Model 7 : Demand vs. Supply

    Demand vs. Supply
    TypeDefinition
    Demandความต้องการซื้อ
    Supplyความต้องการขาย

    Demand Graph

    Demand Graph
    • ถ้า สินค้า ราคาแพง คนไม่ค่อยอยากซื้อเท่าไร

    เส้น Demand จะ Represent ทางฝั่งผู้ซื้อ และมี Slope เป็นลบ สำหรับสินค้าทั่วไป

    PriceQuantity Demand
    HighLow
    LowHigh

    Supply Graph

    Supply Graph
    • ราคายิ่งสูง คนก็ยิ่งอยากขายสินค้ามากขึ้น
    PriceQuantity Supplied
    HighHigh
    LowLow

    เช่น สินค้าราคาเพิ่มจาก 100 เป็น 500 คนก็อยากผลิตสินค้าเพื่อออกมาขายเยอะขึ้น

    Equilibrium

    Equilibrium

    Equilibrium คือ Demand = Supply เป็นจุดที่ผู้ซื้อและผู้ขายตกลงราคากันได้

    • เช่นตกลงราคายอมซื้อสินค้าชนิดหนึ่ง 600 เหรียญ ในปริมาณ 8 ตัว

    Model 8 : Elasticity & Total Revenue

    Elasticity & Total Revenue

    Elasticity

    Elasticity คือ การวัดการเปลี่ยนแปลงของตัวแปรหนึ่งเมื่อตัวแปรอื่นเปลี่ยนแปลงไป

    • ถ้าเราเปลี่ยนราคาซื้อ/ขาย 1 บาท ปริมาณซื้อขายจะเปลี่ยนแปลงเท่าไร

    Total Revenue

    Total Revenue

    Total Revenue = Price * Quality

    รายได้รวม = ราคาขายต่อหน่วย x จำนวนหน่วยที่ขาย

    • จากรูป ถ้าอยากสร้างรายได้เพิ่ม ควรเพิ่มหรือลดราคา
    Increase Total Revenue
    • ควรลดราคาจากจุด p1 ไปจุด p2 แล้วจะสร้าง Total Revenue เพิ่มขึ้นได้โดยการลดราคาและเพิ่มปริมาณการผลิต
    decrease price from p1 to p2

    โดยที่ Addition Revenue ตรงระหว่าง Q1 และ Q2 มากกว่าตรงจุดสี่เหลี่ยมสีแดง P1 และ P2

    Addition Revenue
    • ถ้าพื้นที่สีเขียวมากกว่าพื้นที่สีแดง จะแสดงว่า รายได้เพิ่ม

    Elastic vs Inelastic

    Elastic vs Inelastic
    ElasticPrice
    HighDiscount Price
    LowAdd Price

    Case 1 : Iphone

    Case Iphone 16e

    Iphone 16e จัดเป็นสินค้าประเภท Elastic ต่ำถึงเพิ่มราคาแล้ว คนก็ยังซื้ออยู่ดี

    ElasticPriceIphone
    HighDiscount Priceคนก็ซื้ออยู่ดี เพราะเคยชินกับ Brand
    LowAdd Priceจะกำไรเยอะขึ้น เพราะคนจะแห่ไปซื้อ Iphone เยอะขึ้น

    Model 9 : Short vs. Long Run Thinking

    Short vs. Long Run Thinking
    • วิชา เศรษฐศาสตร์เริ่มยากด้วย 2 เหตุผล
    1. การตัดสินใจของมนุษย์เป็นเรื่องที่ซับซ้อนมาก
    2. ต้องใช้ Second Order thinking โดยคิดแบบระยะยาวมากขึ้น
    • โดยการดูว่า การตัดสินใจในระยะสั้น จะส่งผลในระยะยาวยังไงบ้าง

    Case 1 : DTAC AIS TRUE

    DTAC AIS TRUE

    DTAC AIS TRUE ในตลาด Oligopoly จะไม่สู้การขายด้วยราคา จะสู้กันด้วยเรื่องอื่นๆ

    • เช่น ถ้า Dtac ลดราคา Internet จาก 900 บาทต่อเหลือ 500 บาทต่อเดือน
    • ทำให้ให้ AIS กับ TRUE ปรับราคาไปเท่ากับ Dtac เพื่อให้ราคาสมดุล

    จะสนใจเรื่อง Quality ของสัญญาณมากกว่า, เบอร์โทร AIS TRUE สามารถแลกตั๋วหนังหรือสินค้าอย่างอื่นได้

    Case 2 : Price War

    Price War
    TypeResult
    Short Runมียอดขายในระยะสั้น
    Long Runการแข่งขันจะเหมือนเดิม ทุกรายจะรายได้ลดเพราะแข่งกันลดราคามากเกินไป

    Model 10 : Free Lunch

    No Free Lunch

    ข้าวเที่ยงไม่ได้กินฟรี แปลว่าทุกอย่างในโลกนี้ จะมีราคาและผลลัพธ์ที่ตามมาและต้องจ่ายหมด

    Case 1 : Live ad toy

    • เช่น เข้าเรียน live วันนี้มีราคาต้องจ่ายด้วย Attention, Time and Internet

    Model 11 : The Attention Economy

    • ปัจจุบัน เราอยู่ในยุคที่เรียกว่า Attention Economy
    The Attention Economy

    ไม่ใช่ Oil, Data, AI ที่มีมูลค่าแพง แต่เป็น Attention ที่เป็น Community ที่ราคาแพงที่สุดในโลก

    Case 1 : A Wealth of information

    1. ตอนนี้ข้อมูลเยอะเกินไป แล้ว Attention แย่ลงเพราะไม่รู้ว่าควรจะ Focus Attention ไปที่ จุด Focus ไหนถึงจะดี
    2. โดยที่ที่เราไปหาข้อมูลกลับกลายเป็นที่ดึง Attention ของเราไป
    3. ไม่รู้ว่า จะมานั่งฟัง live วันนี้ดี, อ่านหนังสือดี, หรือเล่น Social Media ดี

    Case 2 : Attention From Social Media

    Attention From Social Media
    • สิ่งที่นึกถึงที่ๆดึงดูด Attention เราไปมากที่สุด คือ Facebook, Tiktok

    Youtube กำลังช่วยให้เราสามารถหาข้อมูลต่างๆเพิ่มเติมจาก platform ได้ และดึงเวลาไปจากเราด้วย ดังนั้น

    Attention ที่กำลังขาดแคลน เป็นทรัพยากรที่มีค่าที่สุดบนโลก ยิ่งทำให้คนอยู่ใน Platform ได้นานเท่าไรก็ยิ่งหาเงินได้มากเท่านั้น

    Case 3 : Facebook

    Cost Per Mile on Facebook

    Cost Per Mile หมายถึงต้นทุนต่อการแสดงผลโฆษณา 1,000 ครั้งบน Facebook

    YearCPM
    2018$5.75
    2021$10.00
    • ผ่านไป 3 ปี facebook สามารถเก็บเงินได้จาก $5.75 เป็น $10.00 คิดเป็น 73.91%
    • แล้วมีแนวโน้มจะสูงขึ้นเรื่อยๆ
    • โดยปัจจุบันปี 2024 ราคาสูงถึง $13.57

    facebook พยายามอยากให้คนอยู่ใน platform จึงพยายามแสดงเพจ Entertain มากกว่า เพจ Education เพราะจะทำให้คนอยู่ใน platform ได้นานกว่า

    ทุก Platform พยายามจะ Consume Attention ของเราทุกคนเลย

    Case 4 : The Attention Economy

    Attention Economy คือการรับรู้ได้ความสนใจของคนเราต่อ platform ต่างๆ คือทรัพยากรที่ขาดแคลน และพัฒนารูปแบบของ platform นั้นๆ เพื่อให้คนอยู่ใน platform นั้นได้นานที่สุด

    Time, Attention, Your Life คือเรื่องเดียวกัน

    มนุษย์ไม่สามารถควบคุมเวลาได้ สิ่งเดียวที่มนุษย์สามารถควบคุมได้คือการจัดการเวลามากกว่า

    Protect Your Attention

    ใครก็ตามที่สามารถปกป้อง Attention ของตัวเองได้ คนๆนั้นจะรอดไป 5-10 ปีข้างหน้าได้เลย

    • คนส่วนใหญ่ไปไม่รอดเพราะโดนดึง Attention ไปง่ายมาก

    Model 12 : Game Theory

    Game Theory

    Game Theory คือการคิดในมุมของคู่แข่งเลย ว่า คู่แข่งกำลังจะทำอะไร แล้วสามารถรับมือกับคู่แข่งยังไงได้บ้าง และ การตัดสินใจเชิงลึก ที่เราคำนึงถึงและวิเคราะห์สถานการณ์จากคู่แข่งหรือผู้อื่น

    Element of the game

    สำหรับเกมหมากรุก

    1. Player มีอยู่ 2 คน
    2. Strategies ที่สามารถทำได้
    3. Payoff ตารางที่บอกว่า ถ้าคู่แข่งเดินตัวหมาก แล้วเราเดินตัวหมาก เราจะเดินอะไรจากการเดินหมากบ้าง
    4. Rationality ผู้เล่นอยากได้อะไรในการเล่นมากที่สุด แล้วเสียอะไรน้อยที่สุดจากการเล่นนั้นๆ
    5. Equilibrium หาจุดที่ทั้ง 2 ผู้เล่นอยากเดินหมากให้ความได้เปรียบเท่ากันในการเล่นนั้น

    The Prisoner’s Dilemma

    • เรามีผู้เล่นอยู่ 2 คน A กับ B และ 2 Action ยอมรับผิดหรือปิดปากเงียบ
    • 2 คนนี้ติดคุกอยู่คนละห้อง

    ตัวเลขซ้ายมือของ A ตัวเลขขวามือของ B เลขคือจำนวนปี

    ทั้งคู่เงียบแล้วจะมีการลงโทษ 1 ปี

    Player Good Choice
    • A ยอมรับก็จะติดคุก 5 ปี ไม่ยอมรับติด 10 ปี
    • สำหรับผู้เล่น A การสารภาพไว้จะดีที่สุด ถ้า A สารภาพ B เงียบติดคุก 0 ปี
    • สำหรับผู้เล่น B การสารภาพไว้จะดีที่สุด ถ้า B สารภาพ A เงียบติดคุก 0 ปี
    • ทางเลือกที่ดีที่สุดทั้งคู่คือ Confess

    Nash Equilibrium

    Nash Equilibrium ทุกคนจะเลือกสิ่งที่ดีที่สุดสำหรับตนเอง แต่ผลลัพธ์รวมอาจไม่ดีที่สุดสำหรับทุกคน

    Nash Equilibrium
    • เมื่อ Player A และ Player B เลือกสารภาพพร้อมกันคู่ไม่ได้เป็นทางเลือก แต่เงื่อนไขเดิมสำหรับคู่เหมือนกัน ใครสารภาพจะติดคุกน้อยกว่า
    • Confess -5 ปี กับ 0 ปี แต่ถ้า Remain Silent –10 ปี กับ -1 ปี
    • เว้นแต่จะ Remain Silent Both จะดีกว่ากับทั้งคู่

    แต่ชีวิตจริงทุกคนจะเลือกสารภาพทั้งคู่

    • สามารถประยุกต์ใช้กับการรวมตัวของบริษัท และเหตุดารณ์อื่นๆ

    Model 13 : GDP

    The GDP

    GDP มวลสินค้าที่เกิดขึ้นในประเทศไทยในปีหนึ่งๆ

    GDP vs GNP

    GDP vs GNP
    TypeDefinition
    GDPรายได้ในประเทศไทย
    GNP รายได้ในทุกประเทศ

    Process of GDP

    Simple GDP Formula

    GDP คือ ราคาของสินค้า * ปริมาณของสินค้า

    • ถ้าราคาไก่เพิ่ม GDP โตขึ้นมา 74%
    Chicken Price Rise

    Real GDP

    Real GDP
    • Real GDP ใช้ราคาสินค้าของปีฐานในการคำนวณ GDP แสดงว่า GDP ไม่ได้โตขึ้นเลย

    Real GDP คือการโตด้วยสินค้าของประเทศเรามีการผลิตมากขึ้น Quantity

    More Food is Better

    Model 14 : Purchasing Power Parity

    Purchasing Power Parity

    PPP ทฤษฎีทางเศรษฐศาสตร์และวิธีการที่ใช้ในการเปรียบเทียบอำนาจซื้อที่แท้จริงของสกุลเงินที่แตกต่างกัน

    โดยปรับความครองชีพให้สะท้อนเหมาะสมกับคนประเทศนั้นๆ

    PPP
    • เช่นน้ำในอเมริกาขาย 100 บาทในไทยขาย 30 บาท
    • มีความเท่าเทียมกันตามสภาพแวดล้อมของประเทศนั้นๆ

    Case Buy Online Course

    Purchasing Power Parity

    เช่นการซื้อคอร์สออนไลน์ ถ้าอยู่ประเทศไทยสามารถขอ Purchasing Power Parity ตามรูปด้านบนเพื่อลดราคาได้เหมาะกับราคาของคนในประเทศไทย

    Micro vs Macro

    Micro economics vs Macro economics
    1. Microeconomics คือ การศึกษาพฤติกรรมของหน่วยเศรษฐกิจรายย่อย
    2. Macroeconomics คือ ศึกษาเศรษฐกิจโดยรวมของประเทศ
    TypeMicroeconomicsMacroeconomics
    Emphasizeหน่วยย่อย (ครัวเรือน, ธุรกิจ)หน่วยใหญ่ (ระดับประเทศ)
    Scopeขนาดเล็กขนาดใหญ่
    Headlineอุปสงค์, อุปทาน, ราคา, ตลาด, การแข่งขันGDP, เงินเฟ้อ, การว่างงาน, การเติบโตทางเศรษฐกิจ
    Overviewมองจากล่างขึ้นบนมองจากบนลงล่าง

    สามารถรับชมคลิปเพิ่มเติมได้การจาก Link นี้

    โดยสามารถนำประยุกต์ใช้กับชีวิตจริงการใช้ Attention อย่างมีประโยชน์สำหรับทุกกิจกรรมไปปรับปรุงและนำหลักเศรษฐศาสตร์ไปใช้ตัดสินใจและเป็นไอเดียใหม่ๆ ในการตัดสินใจคิดเกี่ยวกับการบริหารเวลาในชีวิตเพิ่มเติมครับ

  • 10 Ideas from Mental Model 101

    10 Ideas from Mental Model 101

    หากต้องการเข้าใจความจริงเกี่ยวกับโลกมากขึ้น บทความเกี่ยวกับเรื่อง Mental Model คือการช่วยสร้างกรอบความคิดที่ช่วยให้เราเข้าใจโลกรอบตัวและตัดสินใจได้อย่างมีประสิทธิภาพมากขึ้น เป็นเครื่องมือที่ช่วยให้เรามองเห็นภาพรวมและเชื่อมโยงสิ่งต่างๆ เข้าด้วยกัน การเรียนรู้และประยุกต์ใช้ Mental Model ที่หลากหลายจะช่วยเพิ่มความสามารถในการแก้ปัญหาและรับมือกับสถานการณ์ต่างๆ ได้ดีขึ้น

    Mental Model

    1. Why do we need to learn about thinking?
      1. Thinking
      2. Thinking Method
      3. Sink a great ship
    2. Mental Model
    3. Model 1 : Map is not the Territory
      1. Each map has a specific purpose
      2. Case 1 : Driver vs Customer in Subway
      3. Case 2 : P/E Ratio
      4. Case 3 : Thinking Fast and Slow
    4. Model 2 : First Principles Thinking
      1. Case 1 : Real-Life Applications
      2. Case 2 : Money
      3. Case 3 : Think About Life
      4. Case 4 : Think About Learning
    5. Model 3 : Second-order Thinking
      1. Case 1 : Discount
      2. Case 2 : Junk Food
      3. Case 3 : Time Spent on Smartphone
    6. Model 4 : Probabilistic Thinking
      1. Case 1 : Probability
      2. Case 2 : Highlight Subjective belief
      3. Case 3 : Survival
    7. Model 5 : Inversion Thinking
      1. Case 1 : Make Decision
      2. Case 2 : Make Good health
      3. Case 3 : Think About Freedom
    8. Stoic Triangle
    9. Model 6 : Circle of Competence
      1. Case 1 : Expand Your Circle of Competence
      2. Case 2 : New Zealand
      3. Case 3 : Opinion
    10. Model 7 Statistics as Mental model
      1. Case 1 : Real life
      2. Case 2 : Relationship
      3. Case 3 : First Principles vs Statistics

    Why do we need to learn about thinking?

    Recommended Book : Think like a freak

    เพราะการที่เราคิดเยอะขึ้นจะส่งผลให้เรามี Idea และ Decision ที่ดีขึ้น

    Thinking

    George Bernand Shaw คนเคยพูดถึงเรื่อง Thinking ไว้ดังนี้

    Type of PersonDefinition
    คนส่วนมากคิดแบบจริงจังแค่ 2-3 ครั้งต่อปี
    คนส่วนน้อยคิดแบบจริงจัง 2-3 ครั้งต่อสัปดาห์ จะช่วยให้การดำเนินชีวิตดีขึ้น

    George Bernand Shaw เขียนบทวิจารณ์วรรณกรรมและสร้างโรงเรียนที่ School of economic

    หลังจากการศึกษาที่เรื่องการคิด ทำให้สามารถตกผลึกได้ว่ามีคำว่า Mental Model อยู่ด้วย

    Thinking Method

    Thinking Method

    Method

    1. การคิดที่ดีจะต้องทำให้เราตัดสินใจได้ดีขึ้น
    2. ยิ่งเราตัดสินใจแต่ละเหตุการณ์ย่อยได้ดีขึ้น ก็จะได้ชีวิตในแบบที่เราต้องการมากขึ้นเรื่อยๆ

    หากเข้าใจ Mental Model เพื่อให้เราเข้าใจเรื่อง Decision มากขึ้นแล้วสามารถไปอยู่ในจุด Life You Want มากขึ้น

    Sink a great ship

    Benjamin Franklin เคยกล่าวไว้ “แค่เรือมีรูรั่ว นิดเดียวสามารถทำให้เรือล่มได้เลย”

    Sink a Great Ship

    Sample Problem

    • การทำ Project อย่างนึง เวลาเราคิดงานบางอย่าง แล้วงานเหล่านั้นแสดงข้อผิดพลาดในกระบวนการคิด จะทำให้ Project ผิดพลาด

    ผลลัพธ์ที่มีโอกาสเกิดขึ้น

    1. มีโอกาสที่เราจะคิดพลาดแล้วเราไม่รู้ตัว จะทำให้เราเดินผิดทางได้เลย ถ้าเราไม่แก้ไข
    2. Mental Model จึงเกิดขึ้นเพื่อแก้ไขปัญหาในเรามักคิดผิดพลาดในชีวิต

    Mental Model

    Mental Model หรือ “แบบจำลองความคิด” คือ กรอบความคิดหรือวิธีการที่เราใช้ในการทำความเข้าใจและตีความโลกรอบตัวเรา มันคือภาพจำลองที่อยู่ในสมองของเรา ซึ่งช่วยให้เราคาดการณ์และตัดสินใจเกี่ยวกับสิ่งต่างๆ ได้อย่างรวดเร็วและมีประสิทธิภาพ

    • หนังสือหลายเล่มส่วนใหญ่มี Inspiration มาจาก Charlie Munger

    I believe in the discipline of mastering the best of what other people have figure out = เราสามารถศึกษาวิธีคิดจากคนที่ประสบความสำเร็จได้เลย

    Mental Model Book

    Mental Model คือกระบวนการคิดของเรื่องใดเรื่องหนึ่งให้เฉียบคมและดีขึ้น

    Model 1 : Map is not the Territory

    Map เป็นได้แค่ Representative ของ Territory เพราะ Map ไม่ได้สะท้อนโลกจริง เพราะ Map จะเป็นการสุ่มเพื่อแสดงส่วนที่สำคัญของแต่ละสถานที่จาก Territory เพื่อให้สามารถเดินทางไปได้ ส่วน Territory จะแสดงอาณาเขตทั้งหมดของโลก

    Map ใช้กระบวนการ Abstraction คือการตัดส่วนที่ไม่สำคัญออกจาก Territory

    Map is not the Territory
    TypeDefinition
    MapModel (Sample of The world)
    TerritoryReality (Population of The world)

    Each map has a specific purpose

    Map ที่เราสร้างขึ้นมาในหัว จะมีเป้าหมายไม่เหมือนกันด้วย

    Subway Train Operator Purpose

    1. คนขับรถไฟฟ้าใต้ดิน มีแผนที่ในการขับรถไฟฟ้าไม่เหมือนกับคนทั่วไปที่ดูแผนที่รถไฟฟ้า เพราะจุดประสงค์ในการใช้ต่างกัน
    2. คนขับรถไฟฟ้าดิน จะมีแผนที่เฉพาะทางเพื่อขับรถไฟฟ้า เพื่อดูว่า ต้องเลี้ยวโค้งตรงแยกไหน

    Customer Purpose

    คนนั่งรถไฟฟ้าดิน จะมีแผนที่เพื่อดูทาง การขึ้นรถไฟฟ้าจากสถานีนึงไปอีกสถานีนึง ต้องขึ้นรถไฟฟ้า สายไหนแล้วลงสถานีไหน มีส่วนเปลี่ยนสายที่ไหน เช่น สถานีบางซื่อ

    Case 1 : Driver vs Customer in Subway

    เนื่องจากจุดประสงค์การใช้ไม่เหมือนกัน แผนที่ของคนดูทั่วไปที่ใช้ดูสถานีของรถไฟฟ้าใต้ดิน หากให้คนขับรถไฟฟ้าใต้ดินเอามาใช้คงไม่เข้าใจ เพราะถูกตัดรายละเอียดสำคัญออกจึงไม่สามารถขับรถไฟฟ้าใต้ดินไปยังจุดหมายได้

    แผนที่ Represent Reality แต่ว่า Reality ก็เปลี่ยนแปลง ตลอดเวลา เช่น อาจมีเพิ่มสถานี แต่แผนที่ในรถไฟฟ้าใต้ดินยัง update รูปแผนที่ไม่เสร็จ แต่มีการแจ้งผู้โดยสารแล้ว

    แผนที่ในหัวของคนเรา ต้องการ Update ตลอดเวลา เพื่อที่จะมี Model ที่เข้าใกล้ความเป็นจริงยิ่งขึ้น

    Case 2 : P/E Ratio

    • ถ้าเราอยากเข้าใจ บริษัทนึง เพื่อซื้อหุ้น เราอาจต้องเข้าไปศึกษา Financial Statement ของบริษัทนั้นๆ ส่วนใหญ่ดูกันที่ตัวเลข P/E Ratio คือ อัตราส่วนราคาต่อกำไรต่อหุ้น
    P/E Ratio
    P/E Ratio QualityDefinition
    Highนักลงทุนคาดหวังว่าบริษัทจะเติบโตอย่างรวดเร็วในอนาคต (หุ้นนั้นมีราคาสูง)
    Lowนักลงทุนกังวลเกี่ยวกับอนาคตของบริษัท (หุ้นนั้นมีราคาถูก)
    1. เช่นรายได้ 1 เหรียญที่บริษัทหาได้ นักลงทุนยอมจ่าย 5 เหรียญ เพื่อซื้อหุ้นตัวนี้
    2. ดังนั้น P/E Ratio ก็เป็นเหมือน map ที่ Represent จากข้อมูลบริษัททั้งหมด ว่าหุ้นตัวนี้น่าซื้อมั้ย

    หากดู Financial Statement ทั้งหมดของบริษัทนึง อาจจะนานไป เผลอๆ อาจไม่ได้ซื้อหุ้นตัวนี้ด้วย เพราะ Data เยอะมาก

    Case 3 : Thinking Fast and Slow

    Thinking Fast and Slow
    BrainDefinitionSample
    First Brainระบบคิดเร็วซื้อหุ้นตัวนั้นเพราะชอบ
    Second Brainระบบคิดแบบวิเคราะห์วิเคราะห์ข้อมูลเพื่อดูว่าหุ้นน่าซื้อมั้ย

    การที่เราจะ Mental Model ที่ดี จะต้องมี Data เยอะเพื่อช่วยให้ตัดสินใจดีขึ้นในอนาคตได้

    Model 2 : First Principles Thinking

    First Principles Thinking

    First principles หรือหลักการคิดขั้นต้น แบบวิธีคิดโดยการแยกแยะปัญหาหรือโจทย์ที่ซับซ้อนให้กลายเป็นองค์ประกอบพื้นฐานที่สุด แล้วทำการวิเคราะห์และสร้างทางออกใหม่จากรากฐานนั้น

    • First Principle Thinking เกิดมาตั้งแต่ 2500 ปีที่แล้ว

    First Principle Thinking เป็นความรู้พื้นฐานบางอย่างที่เราเข้าใจสิ่งเหล่านี้แล้ว สามารถสร้างสรรค์สิ่งใหม่ได้

    • จะต้องมองไปยังสิ่งๆนั้นเลยว่ามีแก่นเป็นอะไร ที่เป็น Foundation พื้นฐานของมนุษย์

    Case 1 : Real-Life Applications

    Tesla ไม่ใช่บริษัท ผลิตรถยนต์ แต่เป็นบริษัทที่ผลิตเทคโนโลยี

    สมัยก่อน Battery แพง

    Battery

    จึงตั้งคำถาม First principle ว่า Battery ก้อนนี้ ประกอบไปด้วยอะไรบ้าง

    • เราต้องใช้วัตถุดิบอะไรบ้างเช่น Carbon, Cobalt, Nickel and another resource
    • Elon Musk เอาส่วนประกอบมาดูว่าวัตถุดิบที่มาประกอบราคาเท่าไร จากที่ขาย 600 USD
    • แล้ว Elon Musk สามารถลดราคาจาก 600 USD –> 80 USD สำหรับ Battery
    Reduce Cost

    สิ่งที่ Elon musk ต้องการพัฒนาต่อคือการลดราคา 80 USD —> 8 USD

    • สิ่งเหล่านี้คือตั้ง First principle thinking ว่าทำอย่างไรถึงพัฒนาสินค้าให้ราคาถูกกว่านี้ได้

    Case 2 : Money

    Alex Hormozi “First Principle Thinking” เคยพูดเรื่องเงินว่ามีกฎอยู่ 2 วิธี

    1. Live below your means
    • อย่าใช้เงินเกินตัวจากเงินที่ตัวเองมี
    • ถ้าใช้เงินเกินตัวจะมีโอกาสมีหนี้ ประเทศไทยมีหนี้ 80-90% ไม่รวมหนี้นอกระบบ

    2. Invest in yourself; increase your earning capacity

    • ลงทุนในตัวเอง ยิ่งเราเก่ง ปัจจัยภายนอกจะทำล้ายเราได้น้อยลง
    Earning Capacity

    มีเงิน 100 บาท ใช้ 80 บาท นำ 20 บาทที่เหลือไปลงทุนซื้อหนังสือเพิ่มความรู้หรือดู Youtube สรุปเพื่อเพิ่มความสามารถในการย้ายงานในอนาคตได้ 20 บาทที่ลงทุนให้เพิ่มเป็น 40 บาท

    เช่น จะเพิ่มเงินเดือนจาก 15,000 บาท เป็น 30,000 บาทได้ยังไง คือ การพึ่งพาและพัฒนาตัวเอง

    Alex Hormozi ลงเรียน Facebook Ad ด้วยตัวเอง เรียน 5-6 รอบแล้วไม่จำเป็นจ้าง Facebook Ad อีกเลย

    Case 3 : Think About Life

    • ถ้าความรู้บางอย่างมีมาแล้ว 2,000 ปีแล้ว ความรู้นั้นต้องมีอะไรดี ถึงสามารถอยู่รอดมาได้จนปัจจุบัน

    พูดเกี่ยวกับการชีวิตอย่างมีความสุขว่า

    • Focus เฉพาะสิ่งที่เราควบคุมได้ , ไม่ต้องสนใจสิ่งที่เราควบคุมไม่ได้
    TypeDefinition
    Focusทำในสิ่งที่เราควบคุมได้
    Not Controlสิ่งที่เราควบคุมไม่ได้
    What You Can Control

    What you can control

    1. Mental Model ควบคุมวิธีการคิดได้
    2. ควบคุมการกระทำของเราได้

    What you can’t control

    1. ไม่สามารถควบคุมดิน ฟ้า อากาศ
    2. ไม่สามารถควบคุมผู้อื่น โดย Focus ที่ตัวเราแล้วชีวิต Happy ขึ้น

    มนุษย์มีพลังเหนือความคิดตัวเอง วันที่เรารับรู้ควบคุมการคิดได้และการกระทำเราได้ แล้วจะค้นพบพลังที่แท้จริง

    Case 4 : Think About Learning

    Focus Skill ที่สำคัญสำหรับในการดำเนินชีวิต

    Learning how to learn

    Learning How to learn : ถ้าอยากรู้วิธีการที่จะเรียนรู้ดีที่สามารถเรียนได้ผ่าน link

    Focus Skill ที่สำคัญมี 5 Skill ดังนี้

    1. Reading อ่านเพื่อกลั่นกรองไอเดียสำคัญแล้วนำไป
    2. Writing เพื่อเขียนอธิบายให้คนอื่นเข้าใจได้ดีและทำให้ตัวเองได้ทวนความรู้
    3. Focus กับทรัพยากรที่มีค่าที่ตอนนี้คือ Attention โดยปัจจุบัน Social media แย่ Attention ไปจากผู้คนเยอะมาก
    4. Logic หลักเหตุผล ออกกำลังกาย วันละครึ่งชม สุขภาพจะแข็งแรง
    5. Faith ความเชื่อ เช่น Manifestation เชื่อว่าตัวเองอยากได้สิ่งไหน จได้สุดนั้น ต้องมองโลกแง่ดี

    Model 3 : Second-order Thinking

    Type of ThinkingDefinition
    First-Order Thinkingการกระทำโดยหวังผลระยะสั้น
    Second-Order Thinkingการกระทำที่หวังผลในระยะยาว

    Second-Order Thinking เป็นการคิดอะไรในระยะยาว

    การมองระยะยาวเป็นสิ่งที่คนไม่ค่อยสนใจเท่าไร เพราะคนชอบมองผลลัพธ์ในระยะสั้นมากกว่า

    ความรู้ที่แท้จริง คือ รู้ว่าถ้าทำสิ่งนี้ ผลลัพธ์ระยะยาวที่ทำไปได้ผลลัพธ์อะไรบ้าง

    Case 1 : Discount

    Discount
    Thinking TypeDefinition
    First-Orderการขายแบบลดราคาแล้วขายสินค้าได้เยอะในระยะสั้น
    Second-Orderการขายแบบลดราคาบ่อย จะไปสู้ด้วยราคายากขึ้นในระยะยาว

    เหมือนแจกเงินกระตุ้น ใช้เงินได้ 1 ปี หลังจากนั้นเศรษฐกิจไม่โต เพราะไม่แก้ปัญหาระยะยาว ทำให้คนมีรายได้เพิ่มขึ้น

    เศรษฐกิจดี —> เงินจะเฟ้อ

    Case 2 : Junk Food

    Junk Food
    Thinking TypeDefinition
    First-Orderกิน Junk food ได้ความสุขระยะสั้น
    Second-Orderกิน Junk food มีปัญหาสุขภาพระยะยาว

    ถ้ากินพิซซ่าทุกมื้อไป 5 ปีอาจมีปัญหาสุขภาพในระยะยาว เดินไม่ไหว ออกกำลังกายหนักไม่ได้เพราะอ้วนเกิน

    ถ้าคนเราไม่คิดถึงผลของการกระทำในระยะยาว ชีวิตจะแย่เลย

    Case 3 : Time Spent on Smartphone

    Time Spent on Smartphone
    • ถ้าใช้โทรศัพท์ Social Media เยอะจะเกิดอะไรขึ้น

    โดยคนไทย ใช้เวลาบน Social Media 5 ชั่วโมง สามารถทำให้ตัวเราแย่ลงได้

    เราสามารถนำเวลา 5 ชั่วโมง ต่อวัน หรือ 2.5 เดือนต่อปี ไปทำให้เราเก่งขึ้นได้ โดยการอ่านหนังสือและพัฒนาตัวเองแล้วชีวิตจะดีขึ้นได้

    Thinking Typeจ้องโทรศัพท์วันละ 5 ชมอ่านหนังสือและพัฒนาตัวเอง 5 ชั่วโมงต่อวัน
    Short-Termมีความสุขกับเสพสื่อออนไลน์อ่านหนังสือจะเหนื่อยในช่วงแรก
    Long-Termชีวิตไม่ดีขึ้นเพราะติด Social Mediaชีวิตดีขึ้นเพราะตัวเองพัฒนาขึ้น

    Model 4 : Probabilistic Thinking

    Probabilistic Thinking

    Probabilistic Thinking คือการมองโลกเท่าไม่ได้เป็นขาวกับดำ แต่เป็นการมองโลกแบบกลางๆ สีเทา

    Case 1 : Probability

    ความน่าจะเป็นที่คนส่วนใหญ่เข้าใจมี 2 แบบ

    Probabilistic Thinking

    Frequetist Belief เป็นความน่าจะเป็นที่อาศัยความถี่และสถิติความน่าจะเป็น

    1. ความน่าจะเป็นที่โยนเหรียญหัว ก้อย มีโอกาสออกได้เท่ากัน 50 : 50
    2. ความน่าจะเป็นที่โยนลูกเต้า 1 ลูก มีโอกาสเท่ากัน 1/6

    Subjective belief เป็นความเชื่อที่ตั้งอยู่บนความคิดเห็น ความรู้สึก หรือประสบการณ์ส่วนตัวของแต่ละบุคคล

    1. คิดว่า Donald Trump จะทำให้ America กลับมายิ่งใหญ่เหมือนเดิมได้อีกครั้งหรือเปล่า

    เนื่องจากมนุษย์มีความเชื่อ Mental Model ของแต่ละคนที่ไม่เหมือนกัน ความน่าจะเป็นในมุมมองแต่ละคนจึงไม่เท่ากัน

    Case 2 : Highlight Subjective belief

    Highlight Subjective belief

    โดยหากนำความเชื่อเดิม มา Update Data ใหม่ จะได้ความเชื่อใหม่ๆ ขึ้นมา

    Develop Country

    • ถ้าได้ข้อมูลใหม่มาว่า เป็นรัฐบาลที่ดี ทำเพื่อประชาชน ฉลาด มีจริยธรรม
    Current BeliefNew DataNew Belief
    0.24%0.64%0.88%

    หลังจากเพิ่มข้อมูลด้านดีของรัฐบาลทำให้ ความน่าจะเป็นเพิ่ม 0.64% ทำให้การคำถามที่ว่าในอีก 10 ปีข้างหน้ารัฐบาลไทย จะพัฒนาสูงขึ้นอีกเป็น 0.88%

    New Data

    Case 3 : Survival

    Survival

    ทุกคนจะรอดในปีหน้ามั้ย ? ให้เราพยายามทำสิ่งที่จะทำให้เราสามารถอยู่รอดได้ในยุคอนาคตเลย

    SurvivalDefinition
    0เล่น Social Media หรือ Tik Tok
    1อ่านหนังสือ สรุปบทความ ยิ่งเข้าใกล้ 1

    การเข้าฟัง Live Mental Model ก็จะเพิ่มโอกาสให้เราในปีหน้าด้วย

    Model 5 : Inversion Thinking

    Inversion Thinking

    Inversion Thinking คือ การคิดมุมกลับ สามารถแก้ได้โดยการเปลี่ยนปัญหาต่างๆ เป็นมุมมองใหม่

    Case 1 : Make Decision

    ถ้าอยากตัดสินใจให้ดีขึ้น ต้องพยายามตัดสินใจผิดพลาดให้น้อยลง แล้วจะได้ผลลัพธ์เดียวกัน

    ThinkingDefinition
    Forward Thinking (การคิดไปข้างหน้า)เป็นวิธีการคิดแบบดั้งเดิมที่มุ่งเน้นการวางแผนและดำเนินการเพื่อบรรลุเป้าหมายที่ต้องการ
    Inverse Thinking (การคิดแบบย้อนกลับ)เป็นวิธีการคิดที่เริ่มต้นด้วยการพิจารณาถึงสิ่งที่อาจทำให้ล้มเหลว จากนั้นจึงวางแผนเพื่อหลีกเลี่ยงสิ่งเหล่านั้น

    Case 2 : Make Good health

    Make Good health

    ถ้าอยากมีสุขภาพที่ดีขึ้น เรามักคิดว่าจะกินอาหารที่ดีต่อสุขภาพเพิ่มยังไง แต่สามารถคิดถึงมุมกลับว่า เราสามารถหลีกเลี่ยงการกินอาหาร Unhealthy food ได้ยังไง

    Case 3 : Think About Freedom

    Recommended Book : How to be better at almost everything

    อิสรภาพที่แท้จริงคือการทำอะไรก็ได้ จะทำให้เรามีความสุขจริงมั้ย?

    1. อิสรภาพที่แท้จริงของ Thomas Aquinas คือ Freedom of Excellence
    2. การใช้ชีวิตอยู่ในกรอบที่เราควรจะต้องทำในแต่ละวัน และพัฒนาตัวเองให้เป็น Version ที่ดีที่สุด ที่เราควรจะเป็น (การใช้ชีวิตอย่างมีข้อจำกัด)

    จริงๆ เราสามารถทำอะไรก็ได้ แต่จริงๆแล้ว เราควร Focus ในสิ่งที่เราควรทำ

    Freedom of Excellence

    Stoic Triangle

    Stoic Triangle

    Stoic Triangle คือปรัชญา Stoic

    1. Virtues คือ การใช้ชีวิตตามความดีงาม
    2. Nature คือ การใช้ชีวิตให้สอดคล้องกับธรรมชาติ เป็นตัวเอง Version ที่ดีที่สุด
    3. Control คือ แยกสิ่งที่เราสามารถควบคุมได้และควบคุมไม่ได้ให้ออก
    การกระทำควบคุมได้ควบคุมไม่ได้
    ถ้าไม่มีเงินพยายามทำตัวเองให้เก่งให้มีคุณค่ากับองค์กรโทษรัฐบาลและเศรษฐกิจ

    มนุษย์คนไหน ไม่ได้ชีวิตตามธรรมชาติ แสดงว่าไม่ได้เป็นตัวเองใน Version ที่ดีที่สุด

    Model 6 : Circle of Competence

    Circle of Competence

    Warren Buffet เคยบอกไว้ว่า ให้เราค้นหาแล้วสร้างวงกลม Circle of Competence ทำเท่าที่มีความสามารถในการทำสิ่งใดสิ่งหนึ่งได้ดี เช่น ความรู้ ทักษะ และประสบการณ์ที่มี

    Your Competence
    • ให้เราใช้ชีวิตตามที่เรามีความรู้ อย่าไปทำในสิ่งที่เราไม่เข้าใจ

    Case 1 : Expand Your Circle of Competence

    • หน้าที่ของคนเรา ควรขยายความสามารถในการทำสิ่งใดสิ่งหนึ่งได้ดี เช่น ความรู้ ทักษะ ให้มายิ่งขึ้น
    Expand Your Circle of Competence
    • เช่น การเข้า live วันนี้สามารถขยายกรอบของความรู้และความสามารถที่มี เพื่อที่ได้ Territory มากขึ้น
    • ถ้าเราออกไปในจุดที่เราเก่ง ชีวิตเราแย่ลงทัน
    • ดังนั้น ชีวิตเราไม่สามารถที่จะหยุดเรียนรู้ได้เลย เพราะต้องการ Update ความรู้ในหัวเราไปเรื่อยๆ

    Case 2 : New Zealand

    ถ้าอยากไปอยู่ New Zealand เราควรเข้าใจวัฒนธรรม ภาษา การหารายได้เพิ่มให้เราสามารถไปอยู่ที่ New Zealand ได้

    เหตุผลที่เราไม่สามารถย้ายไปอยู่ New Zealand ได้เพราะไม่เข้าใจว่า ประเทศ New Zealand มีวัฒนธรรมยังไง ความเป็นอยู่แบบไหน

    Case 3 : Opinion

    • เช่นมนุษย์ หลายคนมักมีความคิดเห็นเรื่องที่เรา ไม่รู้เรื่องอยู่ เช่นในเรื่อง Social Media
    • อย่าไปนำเสนอความคิดเห็นในเรื่องที่เราไม่เข้าใจ
    • จนกว่าจะเราจะเข้าใจมุมมองของทั้ง 2 ฝ่าย

    ปัจจุบันถ้าเรื่องไหน ไม่รู้ก็ไม่ควรแสดงความคิดเห็น

    Model 7 Statistics as Mental model

    Statistics as Mental model
    • เป็น Model ที่ทำให้เราสามารถเข้าใจ Mental Model ได้ดียิ่งขึ้น

    Case 1 : Real life

    Sampling Define Population
    • ในชีวิตจริงเรา สามารถเข้าถึงข้อมูลบางส่วนได้ โดยการ Sample Data ออกมา
    • Sample กระจาย Data หลายๆแหล่งข้อมูลแล้วเข้าใจ เหตุการณ์ต่างๆได้ดีขึ้นจนสรุปผลกับไปหาเหตุการณ์ที่เกิดขึ้นบนโลก แล้วเข้าใจเหตุการณ์เหล่านั้นได้ดียิ่งขึ้น

    Case 2 : Relationship

    • สมมุติผู้หญิงคนหนึ่งคุยกับผู้ชายคนหนึ่งอยู่จะรู้ได้ไงว่าผู้ชายที่คุยอยู่เป็นคนดีมั้ย
    • เราจะสามารถรู้ได้ไงว่าผู้ชายคนนี้จะดีมั้ย
    1. เริ่มถามเพื่อนของผู้ชายว่า ผู้ชายที่เรากำลังคุยอยู่โอเคมั้ย
    2. ผู้ชายคุยกับผู้หญิงหลายคน
    3. หน้าที่การงานของผู้้ชาย
    4. ผู้ชายกินเหล้าสูบบุหรี่

    สมมุติเก็บข้อมูลมา 3 เดือนจะสามารถสรุปได้ว่าคนนี้โอเคที่จะคบกันเป็นแฟนได้

    Case 3 : First Principles vs Statistics

    First Principles vs Statistics

    First principles

    Deductive Reasoning (การให้เหตุผลแบบนิรนัย)

    • เริ่มต้นจากข้อเท็จจริงทั่วไป (premises) เพื่อสรุปข้อเท็จจริงเฉพาะ (conclusion)
    • หากข้อเท็จจริงทั่วไปเป็นจริง ข้อสรุปที่ได้จะถูกต้องเสมอ

    ลักษณะ

    • มีความแน่นอน (certainty)
    • ใช้ในตรรกศาสตร์ คณิตศาสตร์ และวิทยาศาสตร์

    เป็นการมองจากภาพใหญ่ ไป ภาพเล็ก เช่น กฎแรงโน้มถ่วง อธิบายจากกฎเกณฑ์พื้นฐาน แนวคิดไปยังสิ่งที่อยู่ตรงหน้าเรา

    Statistics

    Inductive Reasoning (การให้เหตุผลแบบอุปนัย)

    • เริ่มต้นจากการสังเกตข้อเท็จจริงเฉพาะ (observations) เพื่อสรุปข้อเท็จจริงทั่วไป (generalization)
    • ข้อสรุปที่ได้มีความน่าจะเป็น (probability) แต่ไม่แน่นอนเสมอไป

    ลักษณะ

    • มีความน่าจะเป็น (probability)
    • ใช้ในการสังเกตการณ์วิทยาศาสตร์ การวิเคราะห์ข้อมูล และการตัดสินใจในชีวิตประจำวัน

    เรียนจาก Event ที่อยู่ตรงหน้าเรา แล้วสรุปผลกลับไปหาประชากรใหญ่ เป็นการมองจากภาพเล็ก ไปภาพใหญ่

    ควรใช้ความรู้ทั้ง 2 ด้าน ควบคู่กัน ถึงจะดี

    Summary with Good Decision

    ชีวิตคนเราไม่จำเป็นต้องมีข้อมูลที่ครบถ้วน ขอแค่เรามี 3 สิ่งนี้ ชีวิตก็สามารถตัดสินใจได้ดี

    1. Have Great mental model กรอบความคิดในการตัดสินใจที่ดีของเรา
    2. Relevant data / Information ใช้ข้อมูลที่เป็น New data เพื่อความเข้าใจต่อโลกของเรามากยิ่งขึ้น
    3. Your Ability to Reason คิดแบบมีตรรกะแล้วเปลี่ยนผลลัพธ์ให้ดีขึ้น

    นักปรัชญาเคยกล่าวไว้ว่า เวลาว่างมนุษย์ควรคิดวิเคราะห์และตกผลึกเพื่อยกระดับจิตวิญญาณเราให้สูง

    สามารถรับชมคลิปเพิ่มเติมได้การจาก Link นี้

  • 20 Ideas from Essential Statistics 101

    20 Ideas from Essential Statistics 101

    สถิติเป็นวิชาที่เกี่ยวกับการรวบรวม จัดระเบียบ วิเคราะห์ และตีความข้อมูล เพื่อนำไปสู่การตัดสินใจและสรุปผลที่มีหลักเกณฑ์ สถิติมีบทบาทสำคัญในการศึกษา วิจัย และการตัดสินใจในหลากหลายสาขา เช่น วิทยาศาสตร์ สังคมศาสตร์ ธุรกิจ การแพทย์และการตัดสินใจต่างในชีวิตประจำวัน การเรียนรู้สถิติจะช่วยให้เราเข้าใจโลกและตัดสินใจได้อย่างมีเหตุผลมากขึ้น

    Essential Statistics

    1. Why we start to learn statistics?
      1. Case analysis of listening to Lisa’s music
      2. Started Statistic
    2. Sample Statistical Case
      1. Case Cooking Food
      2. Case Stock
      3. Case Relationship
    3. Sampling
    4. Probability Sampling
    5. Simple Random Sampling
      1. Case Lottery
      2. Case Simple Random Sampling in Excel
    6. Systematic Random Sampling
    7. Cluster random Sampling
    8. Stratified Random Sampling
      1. Case Beer
      2. Case Population Census
    9. Non Probability Sampling
    10. Convenience Sampling
      1. Case Google Form
    11. Snowball Sampling
      1. Case Ivory
    12. Data Collection
      1. Sample Size
      2. Diminish Return
    13. Margin of Error vs Sample Size vs Budget
    14. Confidence Level vs Sample Size
    15. Descriptive Stat
    16. Central tendency
      1. Mean
      2. Median
      3. Mode
    17. Spread Tendency
    18. Position
    19. Process of Distribution
      1. Normal Distribution
      2. Skewed Left Distribution
      3. Skewed Right Distribution
    20. Outlier

    Why we start to learn statistics?

    • โดยวิชาสถิติเริ่มต้นมีมาตั้งแต่ 300-400 ปีที่แล้ว
    TypeDefinition
    Populationกลุ่มประชากรทั้งหมดที่เราสนใจศึกษา
    Sampleกลุ่มตัวอย่างที่สุ่มมาจากประชากร
    Samplingกระบวนการในการเลือกกลุ่มตัวอย่างจากประชากร
    Generalizationการนำผลที่ได้จากการศึกษากลุ่มตัวอย่าง ไปอ้างอิงถึงประชากร
    • โดย สถิติมักเริ่มจาก population หรือประชากรทั้งหมด

    Case analysis of listening to Lisa’s music

    โดยประมาณคนไทยว่ามี 70 ล้านคน ถ้าอยากรู้คนไทยฟังชอบเพลง lisa กี่คนต้องทำยังไงบ้าง

    1. การที่จะเข้าถึงคนไทย 70 ล้านคนเป็นไปไม่ได้เลย จึงสามารถวัดความชอบว่าคนไทยชอบเพลง lisa มั้ยสามารถวัดได้โดยสุ่มตัวอย่างขึ้นมา Sample และวิธีในการสุ่มตัวอย่างเรียกว่า Sampling
    2. หากสุ่มตัวอย่างมา 100 คน โดยหากต้องรู้ว่าการสุ่มแบบไหนสามารถ Represent ประชากรทั้งหมดได้จริง เรียกว่า Generalization

    สิ่งสำคัญที่สุดคือ วิธีการสุ่มตัวอย่าง แบบไหนถึงจะตัวอย่างที่ represent ประชากรที่ถูกกลุ่มและมีคุณภาพ

    Started Statistic

    Small Data —> Big Data

    เป็นศาสตร์การเรียนรู้ที่เกิดจากกลุ่มตัวอย่างที่ถูกสุ่มขึ้นมา เพราะทุกคนไม่มีใครสามารถเข้าถึงทุกข้อมูลในโลกใบนี้จึงมีการสุ่มตัวอย่างขึ้นมา

    Sample Statistical Case

    Case Cooking Food

    Method

    1. อย่างเช่นการทำกับข้าว โดยการตั้งคำถามเกี่ยวกับน้ำแกง สามารถถามอะไรได้บ้าง
    2. เช่นซุปเห็ด ทำยังไงให้รสชาติออกมาอร่อย
    3. ถ้าอยากรู้ว่าซุปเห็ดสับอร่อยโดยการใช้ช้อนในการชิมสุ่ม Sampling มาเพื่อชิมรสชาติ
    4. หากชิมแล้วอร่อย จะสามารถสรุปผลกลับไปยังทั้งหม้อได้เลยว่า ทั้งหม้ออร่อยด้วย
    Case Mushroom Soup

    Case Stock

    • หากมีหุ้นชนิดหนึ่งที่เราต้องการลงทุนซื้อ จำเป็นต้องศึกษาข้อมูลของบริษัทด้วย
    Case Stock
    1. เราสามารถรู้ว่าข้อมูลได้บางอย่างจากบริษัทเหล่านั้น ซึ่งเหล่านั้นมาจากข้อมูล Sample
    2. เราสามารถทำ Sampling กลับหาหุ้นได้เลยว่า หุ้นตัวนี้จะมีแนวโน้มที่ดีขึ้นจากข่าวอะไรได้บ้าง บริษัทมีผลประกอบการณ์เป็นอย่างไรบ้าง ส่งผลต่อหุ้นมั้ย

    Case Relationship

    • สมมุติผู้หญิงคนหนึ่งคุยกับผู้ชายคนหนึ่งอยู่จะรู้ได้ไงว่า ผู้ชายที่คุยอยู่เป็นคนดี มั้ย
    1. เริ่มถามเพื่อนของผู้ชายว่า ผู้ชายที่เรากำลังคุยอยู่โอเคมั้ย
    2. ผู้ชายคุยกับผู้หญิงหลายคน
    3. หน้าที่การงานของผู้ชาย
    4. ผู้ชายกินเหล้าสูบบุหรี่

    หากเก็บข้อมูลมา 3 เดือนจะสรุปได้ว่าคนนี้โอเคที่จะคบกันเป็นแฟนได้

    Case Relationship

    Things to watch out for in a relationship

    1. ตอนเก็บ Sampling ผู้ชายคนนี้ 3 เดือนแรกดีกับเราหมดเลย ซื้อ Chocolate ซื้อดอกไม้ ให้ของขวัญ ถูบ้าน ซักผ้าให้
    2. ช่วงหมดโปรผ่านไป 3 ปีอาจจะไม่เหมือนเดิม เพราะหมดช่วงโปรสิ่งเหล่านั้นจะน้อยลงด้วยเคยชิน
    3. โดยที่เราไม่รู้จักคนที่คุยด้วยดีพอจนกว่าจะต้องไปตื่นเจอกันทุกเช้าเพื่อที่จะสามารถรู้ว่า lifestyle เข้ากันได้หรือเปล่า
    4. อย่างเช่น ตอนนอนต่างคนต่างกรนจนรำคาญกัน

    คู่ชีวิตเรา มองข้อเสียของกันแล้วรับกันได้มั้ย แต่ที่มีคู่ชีวิตก็ดีสามารถเป็นกระจกเพื่อส่องข้อดี ข้อเสียของอีกฝ่ายได้

    Sampling

    Type of SamplingDefinition
    Probability Samplingการสุ่มแบบใช้ความน่าจะเป็น
    Non-Probability Samplingการสุ่มแบบไม่ใช้ความน่าจะเป็น

    ในชีวิตจริงเรามักใช้การสุ่มแบบใช้ความน่าจะเป็นมากกว่า

    Probability Sampling

    Simple Random Sampling

    การสุ่มตัวอย่างแบบง่าย คือ การสุ่มตัวอย่างที่สมาชิกทุกคนในประชากรมีโอกาสเท่าๆกัน ในการถูกเลือกเข้ามาเป็นกลุ่มตัวอย่าง

    Benefits of Probability Sampling

    1. หากจะใช้กระบวนการนี้ ต้องมีรายชื่อคนไทยทุกคนอยู่ใน program R หรือ Spreadsheet แล้วสุ่มตัวอย่างมา 400 คน
    2. Simple random Sampling ทำได้กับระบบปิดเท่านั้น คนใน Community Discord 400 คน โดยสุ่ม 40 คนเพื่อดู model ว่า แอดทอยสอน Data ใน Discord มั้ย

    Case Lottery

    1. เช่น สุ่มคง 100 คนจากคน 1 คน ทุกคนมีโอกาสถูกสุ่มเข้ามา 1%
    2. จับการรางวัล lottery โอกาสได้เบอร์ 0.1% เพราะมีเบอร์ 0-9
    Case Lottery

    Case Samsung

    Samsung ลดจากการ WFH 1 วันต่อสัปดาห์ —> WFH 1 วันต่อ 2 สัปดาห์ เพราะไม่ได้ติดโควิดเหมือนสมัยก่อน

    • ตัวอย่างเช่นนโยบาย ที่อยากให้ตรวจสอบว่าพนักงาน 3000 คนบริษัทอยาก WFH มั้ยจึงสุ่มสำรวจในแผนก 30 คนเพื่อ Refer ถึงพนักงานโดยรวมเพื่อทราบว่าพนักงานต้องการ WFH มากแค่ไหน

    Case Simple Random Sampling in Excel

    สมมุติการสุ่มแต่ละครั้งโดยเลือก 3 คนจาก 5 คใน Excel ดังนี้

    =RAND()
    Case Simple Random Sampling in Excel
    1. แต่ในความจริงถ้าจะทำสุ่มประชากรของประเทศไทย ต้องมีรายชื่อทั้งหมด 70 ล้านคนแล้วสุ่มจึงทำยาก
    2. Facebook สามารถทำ Random Sampling ได้เลยเนื่องจากมีข้อมูลลูกค้าที่อยู่ในประเทศนั้นๆ
    3. โดย Survey ที่ brand ในแต่ละประเทศได้รับจะโอเคเพราะมีข้อมูล User เยอะ

    Systematic Random Sampling

    • เป็นการสุ่มแบบมีระบบที่วางไว้หรือเป็น pattern ตั้งไว้ โดยเลือกสุ่ม 3 คน

    อยากสุ่มคนที่ 1 แล้ว เว้นการสุ่ม 2 คน หลังจากนั้นสุ่มคนที่ 4 ทำแบบนี้ไปเรื่อยๆ จนเป็นระบบดังรูปด้านล่าง

    =RAND()
    Case Systematic Random Sampling

    Cluster random Sampling

    1. เป็นการแบบสุ่มแบบแบ่งกลุ่มไว้ก่อน 3 กลุ่ม แล้วสุ่มตาม Cluster
    2. สุ่มเลข 1 ถึง 3 หากสุ่มได้ Cluster ไหนก็ให้เลือก Cluster ในการสุ่มตัวอย่างทำ Survey
    =RANDBETWEEN(1,3)
    Case Cluster random Sampling

    Stratified Random Sampling

    เป็นวิธีการสุ่มตัวอย่างที่แบ่งประชากรออกเป็นกลุ่มย่อยๆ (strata) ตามลักษณะที่สนใจ (เช่น เพศ อายุ ระดับการศึกษา) แล้วสุ่มตัวอย่างจากแต่ละกลุ่มย่อย โดยแต่ละกลุ่มย่อยจะมีสัดส่วนเท่ากับสัดส่วนในประชากร

    Stratified Random เป็นวิธีการที่มีใช้ในงาน Market & Research เยอะที่สุด

    Case Beer

    • อยากรู้ว่าคนไทยชอบ กินเบียร์ กี่คน ให้สุ่มจากคน 1,000 คน

    Sample size จะถูกจำกัดด้วย 2 เรื่องคือ Time and Budget

    Calculate Budget

    1. เช่นมีงบการเงิน 500,000 บาท
    2. Cost Per Interview = 500,000/1,000 = 500 บาทต่อคน แล้วคำนวณว่าเป็นไปได้มั้ย
    3. โดยที่เราจะต้องคำนวณ Margin ให้กำไร 40-50%
    4. เช่น CPI 500 บาทต่อคน ค่าทำ Survey ควรจะ 250 บาทต่อคน

    Cost Per Interview คือ ต้นทุนต่อการสัมภาษณ์หนึ่งครั้ง

    Method

    • แบ่งประเทศเป็น 5 ภาคดังนี้
    SectorPercentage
    Northern Region10%
    Northeastern Region35%
    Southern Region15%
    Central Region30%
    Bangkok and Metropolitan Area10%
    1. แล้วกลับไปเสนอลูกค้า 1000 คนไปเสนอตามสัดส่วนในที่แบ่งตามเขตไว้
    2. เก็บข้อมูลจากจังหวัดที่ลูกค้าเยอะๆ เช่น ภาคอีสาน เก็บข้อมูลจากจังหวัดขอนแก่น จังหวัดบุรีรัมย์ จังหวัดโคราช, ภาคเหนือ จังหวัดเชียงใหม่
    3. แล้วจะมีแผนที่ของแต่ละจังหวัดเป็นตาราง Grid ของจังหวัดบุรีรัมย์
    Case Grid

    4. ใช้โปรแกรม Computer สุ่มเลยว่าอยากไปเดินสุ่มที่ Block ไหนของตาราง Computer

    The reality of customer interactions

    • แต่เมื่อเอา plan ไปเสนอลูกค้าที่เป็นการสุ่มเลือกพื้นที่สีเหลือง ลูกค้าเลือกพื้นที่สีแดงเลย

    ที่โปรแกรม Computer ในการสุ่มเลือกพื้นที่ต่างๆ ต้องการลดการ bias ในการเลือกพื้นที่

    1. ลูกค้าอยากเลือกพื้นที่เองเพราะลูกค้า Brand Chang อยากเลือกพื้นที่ที่หนีพื้นที่สีเหลืองที่คู่แข่งเก่งเช่น Leo กับ Singha
    2. โดยทีม Research จะต้องพยายามเลือกทั้งจังหวัดที่ Brand Chang เก่งและจังหวัดที่เราไม่เก่งด้วย เพื่อสร้างสมดุลในการเลือก Sample Size
    3. เวลาที่เก็บข้อมูลจริง จะใช้หลักการ Left hand Rule เวลาสัมภาษณ์หลังที่ 1 แล้วก็กระโดดสัมภาษณ์ 4 หลังแล้วสัมภาษณ์ต่อดังรูปสีฟ้า

    Case Population Census

    เริ่มจากไป Search ในสำนักงานสถิติแห่งชาติ

    รัฐบาลจะทำ Survey ว่า

    1. คนไทยมีจำนวนกี่คน
    2. ผู้ชายกี่คน ผู้หญิงกี่คน
    3. คนไทยทำอาชีพอะไร
    4. คนไทยมีความสุขในการใช้ชีวิตมั้ย
    • 10 ปีจะทำ Survey ครั้งนึงโดยการทำถาม Survey ตามบ้าน โดยมีการทำสำมะโนประชากรครั้งล่าสุดปี 2553
    Case Population Census

    สิ่งที่น่าเศร้าคือหน่วยงานรัฐบาลไม่ทำแล้วให้หน่วยงานเอกชนเป็นคนทำแทน Survey 2568

    Non Probability Sampling

    Convenience Sampling

    • เป็นวิธีการสุ่มตัวอย่างที่ไม่ต้องอาศัยหลักการทางสถิติที่ซับซ้อน แต่เน้นความง่ายและความสะดวกในการเข้าถึงกลุ่มตัวอย่าง

    เช่น สร้าง Suvery เป็นแบบสอบถามให้คนกรอก google form

    Case Google Form

    Case Google Form
    • เป็น Case ที่เด็กปริญญาโทมักจะต้องเก็บข้อมูลเพื่อทำวิจัย Project ต่างๆ

    Method

    1. เก็บ Sample Size 400 คน เป็นคนกรุงเทพ
    2. อายุ 20-35 ที่ชอบซื้อออนไลน์
    3. ส่วนใหญ่มักมีการเก็บข้อมูลผ่านการส่งให้เก็บข้อมูลทาง line และ facebook

    ข้อควรระวัง : แต่ถ้าให้เก็บข้อมูลผ่านเพื่อนๆ เช่น เด็ก ผู้หญิง จบโรงเรียนหญิง คนทำแบบทดสอบที่มักจะมาจากผู้หญิง

    TypeMen PercentageWomen Percentage
    Population50%50%
    Sampling20%80%

    หากจะเลือก Sample Size สุ่มให้ดี ควรเลือกกลุ่มที่มีความใกล้เคียง Population เช่นเลือกคนที่เป็นคนตอบแบบสอบถามให้ใกล้เคียง Population เช่น Sampling ควรมีผู้หญิง และผู้ชายเท่ากับ Population

    Sampling ที่สุ่มมาได้ผู้ชาย 20% ซึ่งไม่ตรงกับ Population ซึ่งทำให้ใช้จริงได้ยาก

    Cautions

    1. ทำให้ Sample ไม่สามารถ Represent กับ Population ที่เกิดขึ้นจริงได้
    2. สาเหตุมาจากวิธีการสุ่มตัวอย่างที่เรียก Convenience Sampling เพราะสุ่มตามที่เราสะดวก

    Snowball Sampling

    การหากลุ่มตัวอย่างเริ่มต้นจำนวนเล็กน้อย จากนั้นให้กลุ่มตัวอย่างเหล่านั้นแนะนำสมาชิกคนอื่นๆ ในกลุ่มเป้าหมายเดียวกัน

    Case Ivory

    Case Ivory

    WWF เป็นองค์กรที่ปกป้องสัตว์ใกล้สูญพันธุ์

    ทำไมคนไทยถึงซื้องาช้าง?

    1. เพราะซื้อมาประดับบารมี
    2. ซื้อเพื่อโชว์ฐานะทางบ้าน
    3. ซื้อเพื่อความเชื่อบางอย่างและหน้าที่การเงิน

    เนื่องจากไม่รู้ว่าจะเก็บข้อมูลจากลูกค้ามาจากไหน เนื่องจากปกติไม่ค่อยมีกลุ่มลูกค้าที่ซื้องาช้าง

    Case Snowball Sampling

    Method

    1. ให้หาลูกค้า คนแรกที่ซื้องาช้าง ให้ได้ก่อน แล้วค่อยถามต่อไปเรื่อยๆ เป็น process
    2. แล้วทำ Survey ในประเทศไทย 200 คน
    3. ไปเก็บข้อมูล JJ market (Chatuchak) ที่ร้านขายงาช้าง แล้วสัมภาษณ์คนซื้องาช้างใน 1 ปีแล้วถาม ณ เวลานั้นเลย แล้วขอ Contact คนซื้องาช้างจากลูกค้าต่ออีกที เหมือนกับการโยนหิมะใส่กันไปเรื่อยๆจึงเรียก Snowball

    ได้กลุ่มตัวอย่างมา 200 คน แต่กลุ่มคน 200 คนนี้ความเห็นจะคล้ายๆกัน เพราะเป็นเพื่อนกันเลยขาดความหลากหลายของข้อมูล

    Data Collection

    1. เก็บ data ที่มีคุณภาพมาก่อนก็จะช่วยให้ได้การวิเคราะห์ข้อมูลที่มี make sense และถูกต้องมากยิ่งขึ้น
    2. คำถามแรกที่มักถูกถามคือ ข้อมูลมาจากไหน project data ที่เรามาจากไหน
    3. ถ้าลูกค้าไม่เชื่อกระบวนการเก็บ data ของเรา โอกาสที่ขายงานผ่านจะน้อยมาก
    4. ถ้าไม่เข้าใจวิธีการเก็บ data ที่ดีอาจจะทำให้การวิเคราะห์ data แบบ Regression ตั้งแต่แรกผิดไปเลยก็ได้
    5. ถ้า Sample ไม่ Represent Population ก็อาจจะไม่ต้องทำต่อเลยก็ได้

    Sample Size

    Sample Size

    Method

    1. สุ่มแบบที่ 3 n=300 คนจะได้ผลลัพธ์ที่ดีในการสุ่มแบบ Random Sampling
    2. ยิ่ง Sample Size เยอะ จะยิ่งได้ผลลัพธ์ดีขึ้นเท่านั้น
    3. n จำนวนเยอะ Quality ก็เยอะ ยิ่งเข้าใกล้ population

    สามารถคำนวน Sample Size ได้จาก Website นี้

    VariableDefinitionCalculate
    Population sizeจำนวนทั้งหมดของกลุ่มคนที่คุณสนใจศึกษา1000
    Confidence levelความน่าจะเป็นที่ผลการสำรวจของคุณจะสะท้อนความเป็นจริงของประชากรทั้งหมด95%
    Margin of errorช่วงความคลาดเคลื่อนที่ยอมรับได้ของผลการสำรวจ5
    Calculate sample size

    Confidence level ถ้าทำ Survey นี้ซ้ำ 100 ครั้ง จะมี 95 ครั้งได้ผลลัพธ์เหมือนเดิม เป็นระดับความเชื่อมั่นจากการทำซ้ำ

    • ยิ่งทำซ้ำเยอะๆ ก็ยิ่งได้ผลลัพธ์ที่มั่นใจขึ้นเรื่อยๆ

    Margin of error ค่าความคลาดเคลื่อนจากคนที่สุ่ม 278 อาจจะมีคนเห็นด้วย 70% ไม่เห็น 30% แล้วความคลาดเคลื่อนที่ขึ้นจาก 70% ที่ว่ามีคลาดเคลื่อน +-5% = [65%,75%] ได้เป็น lower bound และ upper bound

    ยิ่งความคลาดเคลื่อนของข้อมูลน้อยลง ก็จะสามารถได้ข้อมูลที่แม่นยำขึ้น

    Margin of Error vs Sample Size

    Margin of Error vs Sample Size

    Diminish Return

    Diminish Return

    Diminish Return สำหรับการเก็บข้อมูล ถ้ายิ่งเก็บ sample size เพิ่มทุกๆ 1 คน จะลด Error ในอัตราที่น้อยลงเรื่อยๆ

    เปรียบเสมือนกับ 1 ชั่วโมงแรกเราฝึกขี่จักรยานจะเก่งขึ้นก้าวกระโดดเพราะไม่เคยฝึก

    แต่ฝึกขี่จักรยานชั่วโมงที่ 2 จะเก่งขึ้นน้อยกว่าชั่วโมงแรก เพราะเรามีพื้นฐานขี่จักรยานเลยเก่งขึ้นน้อยลงกว่าตอนฝึกชั่วโมงแรก

    • นักสถิติคิดไว้แล้วว่าหยุดที่ Margin of Error 5% ที่เส้นสีแดงเพราะคุ้มค่าที่หยุดเก็บ Sample Size เพิ่มแล้ว

    ถ้าเราเก็บ n เยอะขึ้น ก้จะมีต้นทุนค่าใช้จ่ายเยอะขึ้น

    Margin of Error vs Sample Size vs Budget

    Margin of Error vs Sample Size vs Budget
    Margin of ErrorSample SizeBudget
    5%278278,000
    3%517517,000

    หากใช้ Margin of Error 5% – 3%=2% จะมีค่าใช้จ่ายเพิ่ม 517,000-278,000 = 239,000 บาท

    1. ในความจริงถ้าบอกลูกค้าว่าลด Error 2% มีค่าใช้จ่ายเพิ่ม 239,000 บาท แล้วแจ้งลูกค้าอาจจะไม่ยอมจ่าย เพราะราคาแพงเกินไป
    2. ความเป็นจริงลูกค้าเลือก Margin of Error 5%

    ค่า Margin of Error 5% ภาษาอังกฤษเรียก Arbitary ไม่ได้มีค่าตายตัว

    Confidence Level vs Sample Size

    Confidence Level vs Sample Size

    Confidence Level แปรผันตรงกับ Sample Size

    Sample size = data

    1. ถ้าอยากตัดสินใจได้ดีขึ้นเรื่อยๆ ก็ควรจะเก็บ Data เยอะขึ้นเรื่อยๆ
    2. ถ้าอยากมี Career ที่ดีก็ต้องเรียนรู้ไปเรื่อยๆเลย อนาคตถึงจะสดใส

    ใครที่มีความรู้ที่อยู่ในหัวเยอะและเป็นข้อมูลที่มีคุณภาพก็จะเติบโตไปข้างหน้าได้ดีกว่าคนอื่น

    Recommend Statistic book : Naked Statistics

    Descriptive Stat

    1. ใช้ในการอธิบายค่าต่างๆ ที่สุ่มขึ้นมาจาก Sample
    2. เช่นใช้ค่า Mean, Median, Mode ในการวัดค่ากลางของ Sample Size

    Central tendency

    • การวัดค่ากลางของข้อมูล ควรเริ่มจากการเรียงข้อมูลเพื่อหาค่าเหล่านั้นได้ถูกต้อง
    Central Tendency

    Mean

    ค่าผลรวมของเลขทั้งหมด/จำนวนของเลขทั้งหมด

    ค่าเฉลี่ย = (5+10+10+15+22)/5 = 12.4

    Median

    ค่าตรงกลางของข้อมูล เช่น 5 10 10 15 22 ค่าที่อยู่ตรงกลางสุดคือ 10 เลข 10 จึงกลายเป็น Median

    Mode

    ค่าซ้ำมากสุดของข้อมูล เช่น 5 10 10 15 22 ค่าที่ซ้ำมากสุดคือ 10 จึงกลายเป็น Mode

    หากตัวเลขซ้ำกันมากกว่า 1 ตัวเช่น 5 10 10 15 15 ค่าที่ซ้ำมากสุดคือ 10, 15 จะเรียกว่า Bimodal

    Case Study supermarket

    เช่นคนจะเข้าไปซื้อของกินที่ Supermarket กันในช่วงเวลา กลางวันและเย็นเยอะ จึงกลายเป็นช่วงที่โดดเด่นจึงเรียกว่า Bimodal

    Multimodal AI can process virtually any input, including text, images, and audio เนื่องจากสามารถ create 3 อย่างพร้อมกันได้จึงกลายเป็น Multimodal

    Spread Tendency

    • วัดการกระจายตัวของข้อมูล
    TypeDefinition
    SD (variance)การกระจายตัวของข้อมูล
    Rangemax – min = ค่ามากสุด – ค่าน้อยสุด (พิสัย)
    Standard Deviation Formula

    Position

    TypeDefinition
    Minค่าต่ำสุดของข้อมูล
    Maxค่าสูงสุดของข้อมูล
    Percentileค่าของข้อมูล ณ จุด 99 จุด ที่แบ่งข้อมูลซึ่งเรียงจากน้อยไปหามากออกเป็น 100 ส่วน โดยที่แต่ละส่วนมีจำนวนข้อมูลเท่า ๆ กัน

    ถ้าคุณสอบได้คะแนนอยู่ในเปอร์เซ็นไทล์ที่ 80 หมายความว่าคุณได้คะแนนสูงกว่า 80% ของผู้สอบคนอื่นๆ ทั้งหมด

    Process of Distribution

    process ที่นักสถิติมี 2 วิธี ใช้ตัวเลขและกราฟในการวิเคราะห์ข้อมูล

    1. Numerical ตัวเลข
    2. Graphical กราฟ
    Histogram Graph
    • หลังสุ่มตัวเลขมา 100 เลขแล้วสามารถสร้าง Histogram ได้ดังรูปครับ

    จะสามารถได้ผลลัพธ์ที่มีการแจกแจง 3 แบบดังนี้

    TypeGraphRelationSample
    Normal Distributionกราฟรูประฆังคว่ำ สมมาตรMean = Median = Modeคะแนนสอบที่มีการ
    กระจายตัวดี
    Skewed Left Distributionหางยาวไปทางซ้ายMean < Median < Modeคะแนนสอบที่นักเรียนส่วนใหญ่ได้คะแนนสูง
    Skewed Right DistributionหางยาวไปทางขวาMean > Median > Modeคะแนนสอบที่นักเรียนส่วนใหญ่ได้คะแนนต่ำ
    3 Distribution

    Technique หางของกราฟไปทางฝั่งไหน ให้เบ้ไปทางฝั่งนั้น

    • ถ้าข้อมูลมีการเบ้ เรามักจะใช้ค่า Median ในการวัดค่ากลาง

    Normal Distribution

    1. (Bell Shape Curve) การกระจายตัวปกติ
    2. โดยพื้นที่ใต้กราฟมีค่าเป็น 1
    Normal Distribution
    Area under the graphPercentage
    1 SD68.2%
    2 SD95%
    3 SD99.7%

    Skewed Left Distribution

    • อย่างเช่นมีการสอบแล้วนักเรียนลืมไปสอบ 5 คนทำให้คะแนนสอบลดลงไปเยอะ
    • หากมีนักเรียนไม่ได้สอบ 5 คนจะทำให้ค่า Mean ตกจาก 66 คะแนน เป็น 52 คะแนน
    Skewed Left Distribution

    Skewed Right Distribution

    คนรวยมีจำนวนน้อย คนจนมีจำนวนมาก จะเบ้ขวา

    สามารถเช็ค Thailand GDP per Capita ได้ที่ link

    • GDP = เอารายได้คนทั้งประเทศ / จำนวนคนทั้งหมด = mean

    Prepare Two Graph

    2020-2024 GDP
    2019-2024 GDP

    ถ้าดูแค่กราฟแรก รายได้เพิ่มมา 500 เหรียญในรอบ 5 ปี เพราะคนรวยในประเทศรายได้เพิ่ม

    หากนับปี 2019 ก่อนเกิดโควิดจะเห็นได้ว่ารายได้ในประเทศในรอบ 5 ปี ไม่เพิ่มเลย เราแค่มีรายได้กลับมาใกล้กับปีที่มี 2019

    Outlier

    Outlier

    Method

    1. ตอนแรกค่าเฉลี่ยคนในประเทศอยู่ 50,000 บาท 10 คน แต่มี Bill gate เพิ่มเข้ามาจะทำให้ค่าเฉลี่ยเพิ่มขึ้นจาก 50,000 บาท เป็น 9,136,634 บาท
    2. การเพิ่มเข้ามาของ Bill Gate เรียกว่า Outlier
    3. จึงเป็นสาเหตุให้รายได้ของประเทศมีการกระจายตัวเบ้ขวาเพราะคนรวยเพิ่มมาบางคนทำให้ค่าเฉลี่ยนในประเทศเปลี่ยนไปมาก

    Case Singapore GDP

    ที่ Singapore GDP สูงแต่คนในประเทศลำบากเช่นค่าน้ำ 60 บาท

    GDP per capital ไม่สื่อถึงการกระจายรายได้ แต่ยังใช้ค่าเฉลี่ยอยู่เพราะยังหาวิธีที่ดีกว่าไม่ได้

    GDP เท่าเดิม แต่คนในประเทศ 90% สามารถมีความสุขได้โดยการที่คนรายได้สูง 10% ของประเทศ ยอมจนลง 10% กระจายรายได้ของคนในประเทศนี้จะดีขึ้นได้ตามรูปด้านล่าง

    หาก bill gate แบ่งเงินรายได้ 10% คนในประเทศรายได้ขึ้นหลายเท่าได้เลย

    หาก Bill Gate แบ่งเงินรายได้ 10% คนในประเทศรายได้เพิ่มขึ้นหลายเท่าได้เลย

    หวังว่าการบทความสรุปเกี่ยวกับสถิติและเคสตัวอย่างที่ยกตัวอย่างไป จะสามารถนำไปประยุกต์ใช้ในชีวิตประจำวันแล้วทำให้ตัดสินใจดีขึ้นโดยอ้างอิงสถิติทางทฤษฎีไปสู่ชีวิตจริงครับ

    ขอบคุณคอร์ส Essential Statistic 1 จาก Data Science Bootcamp 11 DataRockie : https://data-science-bootcamp1.teachable.com/courses/enrolled/2684443