บทเรียนความสำเร็จด้าน Digital Transformation ของ NFL

nfl-logoNFL หรือ National Football League เป็นอีกหนึ่งธุรกิจที่สามารถพลิกฟื้นปรับตัวเองได้อย่างยอดเยี่ยม รับยุค Digital Transformation ได้เป็นอย่างดี ทั้งๆ ที่ประสบปัญหาความท้าทายหลายอย่าง บทเรียนของ NFL เป็นกรณีศึกษาที่น่าสนใจสำหรับองค์กรที่อยากปรับตัวในยุคดิจิทัล

Read more

OneBridge ใช้ Machine Learning ในการพยากรณ์ความเสียหายของท่อส่งพลังงาน

11-05-2016-PipeLineOneBridge Solutions  เป็นบริษัท startup ที่เข้าร่วมโครงการ Microsoft Accelerator โดยมีเป้าหมายเพื่อสร้างบริการ “พยากรณ์” ความเสียหายของท่อส่งพลังงาน (ทั้งก๊าซและน้ำมัน) โดยใช้ Machine Learning และ Predictive Analytics มาวิเคราะห์ข้อมูลสภาพท่อส่ง เพื่อหาจุดที่มีความเสี่ยงที่ท่อจะเกิดความเสียหายได้

 

ประเด็นที่น่าสนใจสำหรับ pitch นี้ประกอบด้วย

  • เปิดประเด็นด้วย story ของการระเบิดของท่อในปี 2010 ทำให้เข้าใจปัญหาได้ง่ายขึ้นมาก
  • ตามด้วยการอธิบายสถานภาพปัจจุบันของการทำงานในขั้นตอนการตรวจสอบและรายงานจุดเสียหายของท่อ เห็นความท้าทายในการจัดการข้อมูลซึ่งมีลักษณะ “งมเข็มในมหาสมุทร” หรือ Finding needle in a haystack ได้เป็นอย่างดี
  • เห็นวิสัยทัศน์ขั้นต่อไป คือการนำ Hololens มาใช้ร่วมด้วย
  • ทีมงาน ที่ดูเหมือนจะเน้นผู้มีประสบการณ์ในธุรกิจนั้นเป็นหลัก และมีการลงมือทำงานไปแล้วและติดต่อลูกค้าไปบ้างแล้ว

 

ตัวอย่างการใช้ ML, AI และ Visualization แก้ปัญหาในอันตระประเทศ อินเดีย

M_Id_483189_Satya_Nadella

 

ไมโครซอฟต์เซ็น MOU กับแคว้นอันตระประเทศ ซึ่งเพิ่งแยกตัวออกมาเป็นแคว้นอิสระทางตอนใต้ของอินเดีย เพื่อนำเทคโนโลยี Machine Learning, Cloud Computing และ Artificial Intelligence ผ่านบริการ Azure มาใช้ในหน่วยงานราชการ เพื่อช่วยแก้ปัญหาสำคัญของแคว้นหลายประการ

 

ตัวอย่างแรกเป็นการใช้ Azure Machine Learning เพื่อพยากรณ์นักเรียนออกกลางคัน (school dropout) โดยใช้ข้อมูลทั้งผลการเรียน โครงสร้างพื้นฐานของโรงเรียน และทักษะความชำนาญของครู มาเป็นข้อมูลศึกษาหารูปแบบของการลาออกกลางคัน เพื่อที่จะได้ปรับเปลี่ยนกลยุทธ์ และแนวทางการจัดสรรงบประมาณได้ถูกต้อง ปัจจุบันมีโรงเรียนกว่า 10,000 แห่งในแคว้น เริ่มใช้โซลูชั่นนี้แล้ว

 

ตัวอย่างที่สองเป็นการใช้ Machine Learning ในการวิเคราะห์อัตราความสำเร็จของการผ่าตัดดวงตา โดยไมโครซอฟต์ร่วมมือกับโรงพยาบาลตา LV Prasad Eye Institute (LVPEI) ในเมืองไฮเดอราบาด ในการเก็บข้อมูลผู้ป่วยที่เป็นโรคเกี่ยวกับตา ทั้งสถานที่ที่เข้ารักษาและรายละเอียดเกี่ยวกับผู้ป่วย คณะแพทย์จาก LVPEI ได้ร่วมกับไมโครซอฟต์ในการสร้างโมเดลพยากรณ์ดัชนีที่เรียกว่า “eye number” (Uncorrected Visual Acuity หรือ UCVA) ที่จะเป็นไปได้หลังการผ่าตัด โซลูชั่นนี้นอกจากจะช่วยแพทย์ให้ตัดสินใจแนะนำการผ่าตัดได้ง่ายขึ้นแล้ว ยังช่วยลดค่าใช้จ่ายและความเจ็บปวดของผู้ป่วยด้วย

 

ตัวอย่างที่สาม เป็นการประยุกต์ใช้ Azure Machine Learning กับ Power BI ในด้านเกษตรกรรม ศูนย์วิจัย International Crops Research Institute for Semi-Arid Tropics (ICRISAT) ได้สร้างโซลูชั่นที่ประกอบไปด้วย mobile app สำหรับเกษตรกรและ dashboard ประจำหมู่บ้านผ่าน Power BI แอพมือถือจะใช้ข้อมูลพยากรณ์อากาศ ประวัติปริมาณน้ำฝน และปริมาณผลผลิตในอดีต แล้วส่งไปให้โปรแกรมที่ใช้อัลกอริทึม machine learning ในการวิเคราะห์และพยากรณ์ “สัปดาห์” ที่ควรจะทำการเพาะหว่าน เพื่อให้ได้ผลผลิตสูงสุดสำหรับเกษตรกร

Village-Advisory-Dashboard-1200x956
ในส่วนของ dashboard ประจำหมู่บ้าน จะให้ข้อมูลสภาพแวดล้อมในหลายปัจจัยที่จะมีผลต่อผลผลิตทางการเกษตร อาทิเช่น ความอุดมสมบูรณ์ของดิน ข้อแนะนำการใช้ปุ๋ย และพยากรณ์อากาศล่วงหน้า 7 วัน นอกจากนั้นแล้ว ยังทำการส่งข้อมูลสำคัญไปให้กับมือถือของเกษตรกรผ่าน SMS เป็นภาษาท้องถิ่นด้วย

ที่มา : How Microsoft Is Making Big Impact With Machine Learning

Disney จดสิทธิบัตร Foot Recognition

 

Disneyland Logo 4เอกสารการจดสิทธิบัตร ระบุว่า Disney ได้ยื่นการจดสิทธิบัตรการสแกนและจดจำ “เท้า” หรือ Foot Recognition โดยการถ่ายภาพเท้าของผู้เข้าชมสวนสนุก แล้วใช้เป็นเครื่องมือในการติดตามความเคลื่อนไหวในระหว่างอยู่ในสวน รวมถึงการเข้าใช้เครื่องเล่นต่างๆ ด้วย โดยระบุวัตถุประสงค์ว่า เพื่อสร้างประสบการณ์แบบพิเศษเฉพาะตัวให้แก่ผู้เข้าชม

disney_foot_recognition_patent

ยังไม่มีรายละเอียดว่าเทคโนโลยีนี้จะถูกนำมาใช้เมื่อไหร่
ที่มา Disney issues foot recognition patent to create ‘customized guest experience’

ตัวอย่างการใช้ Machine Learning มาเพื่อปรับ business process อัตโนมัติ

jun16-27-124625723

บทความจาก HBR เล่าถึงตัวอย่างการนำอัลกอริทึม Machine Learning มาใช้ในการปรับปรุงกระบวนการผลิต ทั้งแบบ Self-Adapting และ Self-Repairing หรือรวมกันทั้งสองแบบ ตัวอย่างแรกเป็นผู้ผลิตรถยนต์ในเยอรมันที่ใช้ ML มาใส่ในไลน์ประกอบรถยนต์ ทำให้สามารถ customize รถยนต์แต่ละรุ่นได้เป็นล้านรูปแบบ ตามความต้องการของลูกค้าได้โดยอัตโนมัติ

ตัวอย่างที่สองเป็นการปรับปรุงสายการผลิตอะไหล่รถยนต์ ที่ใช้ซอฟต์แวร์วิเคราะห์จุดเสี่ยงในกระบวนการผลิต แล้วปรับเปลี่ยนเพื่อลดปริมาณอะไหล่ที่ผลิตไม่ได้คุณภาพโดยอัตโนมัติ

ตัวอย่างที่สามเป็นงานในด้านการก่อสร้างสะพานข้ามคลองในอัมสเตอร์ดัม ซึ่งก่อสร้างโดยการใช้เครื่องพิมพ์ 3 มิติพิมพ์สะพานมาจากทั้งสองฝั่ง เพื่อให้มาพบกันตรงกลาง โดยมีเซ็นเซอร์หลายตัวคอยส่งข้อมูลสภาพรอบด้านมาให้ เพื่อให้เครื่องพิมพ์สามารถปรับเปลี่ยนตัวเองได้กลางทาง เช่นในกรณีที่ตลิ่งฝากหนึ่งยุบมากกว่าที่คาดไว้ เป็นต้น (ตัวสะพานคาดว่าจะสร้างเสร็จในปี 2017)

ก้าวต่อไปที่จะเกิดขึ้นก็คงเป็น AI ที่บริหารโรงงานได้เอง และสายการผลิตหุ่นยนต์อัตโนมัติเต็มรูปแบบอย่างในหนัง

ที่มา : https://hbr.org/2016/06/business-processes-are-learning-to-hack-themselves

ตัวอย่างการปฏิวัติ Personal Healthcare ด้วยเทคโนโลยีข้อมูล

shutterstock_175646576หนึ่งในวงการที่คาดว่าจะถูกปฏิวัติอย่างขนานใหญ่จากเทคโนโลยีในยุคปฏิวัติอุตสาหกรรม 4.0 ก็คือด้านการดูแลสุขภาพ  ต้นทุนการดูแลสุขภาพจากภาครัฐสูงขึ้นเรื่อยๆ ในขณะที่หลายประเทศรวมถึงไทยก็เข้าสู่สังคมผู้สูงอายุเต็มตัวแล้ว แนวทางการให้บริการด้านสุขภาพจึงจำเป็นต้องปรับตัวอย่างขนานใหญ่

เราเห็นแนวคิดเรื่อง personalized healthcare กันมาพอสมควรแล้ว แต่วันนี้เริ่มมีตัวอย่างการใช้งานจริงมาให้เห็นแล้ว

ไมโครซอฟต์ร่วมมือกับศูนย์สุขภาพ Dartmouth Hitchcock ใน New Hampshire นำเทคโนโลยีหลายอย่างมาใช้ร่วมกันเพื่อสร้างบริการการดูแลสุขภาพที่เฉพาะตัวบุคคลมากยิ่งขึ้น เรียกว่าโครงการ ImagineCare  โดยใช้เทคโนโลยีอาทิเช่น

 

  • Dynamics CRM ใช้เก็บข้อมูลการปฏิสัมพันธ์ระหว่างแพทย์และผู้ป่วย
  • Cortana Intelligence Suite ใช้เพื่อวิเคราะห์และเรียกค้นข้อมูลโดยผู้ให้บริการ
  • Azure Machine Learning เพื่อทำการพยากรณ์โอกาสที่อาจเกิดอันตรายด้านสุขภาพได้
  • Power BI ใช้สร้าง Patient Dashboard ที่ทั้งแพทย์ ศูนย์บริการ และผู้ป่วยสามารถเข้าถึงได้ และรับรู้ข้อมูลที่เปลี่ยนแปลงไป
  • อุปกรณ์ตรวจวัดด้านสุขภาพที่ใช้ในบ้าน เช่น เครื่องชั่วน้ำหนัก ความดัน และเลือด สามารถวัดผลและส่งข้อมูลกลับไปที่ศูนย์ได้ทันที
  • ศูนย์บริการที่ทำงาน 24 ชม. คอยติดตามสุขภาพผู้ป่วย และแจ้งเตือนเมื่อเกิดความเสี่ยงขึ้น
  • Wearable Devices ใช้ส่ง alert จากศูนย์บริการสู่ผู้ป่วยและผู้ดูแล

ตัวอย่าง Patient Dashboard

imaginecare

การทำงานร่วมกันของเทคโนโลยีหลายๆ ส่วน เชื่อว่าจะสามารถส่งผลให้การดูแลสุขภาพที่ดีขึ้น และลดต้นทุนค่าใช้จ่ายโดยรวมลงได้

Dartmouth-Hitchcock revolutionizes the U.S. healthcare system

https://youtu.be/-wVeHZNn8aU

Data Storytelling – เล่าเรื่องด้วยข้อมูล

wordleการเล่าเรื่องด้วยข้อมูล หรือ data storytelling เป็นหนึ่งในองค์ประกอบสำคัญและปัจจัยแห่งความสำเร็จของการนำ Big Data Analytics ไปใช้

TEDx talk ความยาว 14 นาทีเรื่องนี้เป็นประสบการณ์ตรงของนักเล่าเรื่องด้วยข้อมูลคนหนึ่งในนิวยอร์ค ที่นำ open data ของนิวยอร์คมาวิเคราะห์แล้วเล่าเรื่องประกอบ มีประเด็นที่น่าสนใจหลายข้อประกอบด้วย

  • ความสำคัญของ Open Public Data
  • การผสมผสานระหว่าง data science ความรู้ในเรื่องนั้นๆ (domain expertise ในที่นี้คือ Urban Planning) และเทคนิคการเล่าเรื่อง (Improv Comedy)
  • เทคนิคสำคัญของ Data Story Telling – connect with people, one idea, keep it simple, things you know best
  • ผลลัพธ์ที่ได้น่าประทับใจ เขาสามารถสร้าง impact ได้หลายอย่าง เกิดการเปลี่ยนแปลงที่ดีขึ้นจากผู้ให้บริการ
  • ใครๆ ก็เป็น data story teller ได้ ไม่จำเป็นต้องเขียนโปรแกรมเป็น

Making data mean more through storytelling | Ben Wellington | TEDxBroadway

 

มาดูกันว่า Amazon ใช้ประโยชน์จาก Big Data อย่างไรบ้าง

A box from Amazon.com is pictured on the porch of a house in Golden, Colorado in this July 23, 2008, file photo. Amazon, through lower overhead, efficient inventory management, and better product selection and search, has dominated online purchases during the festive season. To match ANALYSIS AMAZON-HOLIDAY/ REUTERS/Rick Wilking/Files (UNITED STATES - Tags: BUSINESS)

Amazon ถือได้ว่าเป็นหนึ่งในบริษัทที่บุกเบิกการใช้งาน Big Data มาโดยตลอด Amazon.com เริ่มต้นด้วยการเป็นร้านหนังสือ online เปิดตัวครั้งแรกเมื่อปี 1994 และขยายตัวอย่างรวดเร็วเริ่มขายสินค้าอื่นๆ ด้วย ทั้งสินค้าทั่วไปและสินค้าสื่อดิจิตัล พอปี 2007 ก็เริ่มผลิตสินค้าอิเล็กทรอนิกส์ของตัวเองชิ้นแรกคือ Kindle ในขณะเดียวกันก็เปิดบริการ AWS ในปี 2006

จนถึงปัจจุบันปี 2015 Amazon กลายเป็นบริษัทค้าปลีกรายใหญ่ที่สุดในอเมริกา มีมูลค่าตลาดตามราคาหุ้นแซงหน้า Walmart ไปเรียบร้อยแล้ว ในขณะเดียวกันก็กลายเป็นผู้ให้บริการระบบ cloud infrastructure รายใหญ่ที่สุดด้วย

ระบบแนะนำและจัดส่งสินค้า

ตัวอย่างการใช้งาน Big Data Analytics ในยุคแรกๆ คือการที่ Amazon ใช้ข้อมูลประวัติการเลือกชมและเลือกซื้อสินค้าของลูกค้ากว่า 152 ล้าน account มาสร้างระบบแนะนำสินค้า โดยหาความสัมพันธ์ระหว่างสินค้าที่เกี่ยวข้องกัน หรือสินค้าที่มักมีผู้ซื้อร่วมกัน แล้วนำมาแนะนำให้กับลูกค้า ปรับแต่งตามประวัติพฤติกรรมการซื้อของลูกค้าแต่ละราย ผลลัพธ์ที่ได้ก็คือ ประสบการณ์ช็อปปิ้งออนไลน์ที่น่าประทับใจ

นั่นเป็นเรื่องเมื่อปี 2003 นะครับ ตอนนี้ร้านค้าออนไลน์ต่างก็ใช้วิธีนี้กันหมดแล้ว แต่ Amazon ก็ก้าวหน้าไปอีก ด้วยการจดสิทธิบัตรกระบวนการ “ส่งของก่อนสั่ง” หรือ Anticipatory Shipping ไว้ตั้งแต่ปี 2014 โดยวิเคราะห์ข้อมูลหลากหลายอย่างแล้ว “ทำนาย” ว่าลูกค้ากำลังจะสั่งสินค้าอะไร ทำการจัดส่งสินค้าไปรอที่ศูนย์กระจายสินค้าในเขตนั้น เพื่อที่จะสามารถส่งให้กับลูกค้าได้ในทันทีที่สั่งซื้อ คาดว่าบริการ same-day delivery หรือสั่งวันนี้ส่งวันนี้ที่เริ่มให้บริการในหลายๆ เมืองในสหรัฐ ใช้อัลกอริทึมนี้ในการทำนายความต้องการสินค้า

การให้บริการลูกค้า

การให้บริการลูกค้าเป็นอีกเรื่องที่ Amazon นำ Big Data มาช่วย มีการพูดถึงประสบการณ์ในการติดต่อฝ่ายบริการลูกค้า เมื่อสินค้า Kindle ที่ซื้อมามีปัญหา เพียงไม่ถึงนาทีหลังจากแจ้งปัญหาไปบนเว็บ เจ้าหน้าที่จาก Amazon โทรศัพท์มาหาลูกค้า ทักทายโดยการเรียกชื่อ และถามแค่ว่าคุณมีปัญหากับเครื่อง Kindle อย่างไรบ้าง ปัญหาถูกแก้ไขภายใน 2 นาที โดยไม่ต้องเสียเวลามานั่งสะกดชื่อ ที่อยู่หรือหมายเลขประจำเครื่อง

นั่นหมายถึงว่าเจ้าหน้าที่ Amazon รู้จักลูกค้า รู้ข้อมูลต่างๆ เกี่ยวกับลูกค้าเป็นอย่างดี และสามารถใช้ข้อมูลดังกล่าวสร้างความรู้สึก “เป็นคนพิเศษ” ให้กับลูกค้าได้

เมื่อ Amazon ประกาศขายแท็บเล็ต Fire HDX ในปี 2013 Mayday Button เป็นฟีเจอร์สำคัญ มันคือปุ่มขอความช่วยเหลือออนไลน์ผ่านหน้าจอตลอด 24 ชั่วโมง ผู้ใช้บริการจะได้รับการตอบสนองภายใน 9 วินาที และกลายเป็นช่องทางหลักที่ผู้ใช้ Fire HDX กว่า 75% ใช้ขอความช่วยเหลือในเรื่องต่างๆ รวมถึงเรื่องแปลกๆ อย่างเช่นสอนเล่น Angry Birds ผ่านด่านยากๆ หรือสอนวิธีทำอาหาร เป็นต้น

Amazon ได้รับการโหวตให้เป็นอันดับหนึ่งในด้านการให้บริการลูกค้าติดต่อกันหลายปีจากองค์กรด้านการค้าปลีกของอเมริกา

การจัดการคลังสินค้า

Amazon มีสินค้ากว่า 1.5 พันล้านชิ้น กระจายอยู่ตามศูนย์จัดส่งสินค้ากว่า 200 แห่งทั่วโลก การจัดการ ติดตาม และป้องกันการโจรกรรม สินค้าเหล่านี้ กลายเป็นงานที่ยากและท้าทาย Amazon ใช้บริการของตัวเองคือ S3 (Simple Storage Service) เก็บข้อมูลของสินค้าเหล่านั้นซึ่งมีการปรับปรุงกว่า 50 ล้านครั้งต่อสัปดาห์ และใช้ EMR (Elastic Map Reduce) ซึ่งเป็นบริการ Big Data Analytics ของตัวเอง ในการวิเคราะห์ข้อมูลสินค้าเหล่านี้ และส่งผลกลับไปยังศูนย์แต่ละแห่ง พร้อมผลการวิเคราะห์ว่าสินค้าใดบ้างที่มีความเสี่ยงต่อการถูกโจรกรรม

ขายข้อมูลให้นักโฆษณา

ในขณะที่ Google ขายข้อมูลพฤติกรรมการค้นหาข้อมูล แต่สิ่งที่นักโฆษณาอยากได้จริงๆ ก็คือ ข้อมูลพฤติกรรมในการซื้อสินค้า ซึ่ง Amazon มีข้อมูลเหล่านี้ และเริ่มหารายได้จากการขายข้อมูลเหล่านี้ให้นักโฆษณานำไปใช้ในการประกอบการตัดสินใจเลือกซื้อโฆษณาในช่องทางต่างๆ ธุรกิจส่วนนี้ยังคงมีรายได้น้อยเมื่อเทียบสัดส่วนรายได้ทั้งหมดของ Amazon แต่คาดว่าจะเติบโตขึ้นอีก และที่สำคัญ Amazon ไม่ได้เปิดให้นักโฆษณาเข้าถึงข้อมูลดิบโดยตรง แต่พัฒนาเทคโนโลยีแพลตฟอร์มขึ้นต่างหาก แล้วเปิดให้นักโฆษณาประมูลสล็อตโฆษณาแทน

สรุป

Amazon ต้องถือได้ว่าเป็นผู้นำในการบุกเบิกนวัตกรรมการนำ Big Data มาใช้ในธุรกิจ การที่ Amazon มีธุรกิจค้าปลีกเองและมีความสามารถในการพัฒนาเทคโนโลยีต่างๆ เองด้วย ส่งผลให้มันอยู่ในสถานะที่ได้เปรียบธุรกิจอื่นโดยทั่วไป คงต้องรอดูต่อไปว่า จะมีนวัตกรรมอะไรดีๆ ออกมาอีก

 

ข้อมูลเพิ่มเติม

 

ถอดรหัสการใช้ข้อมูลเพื่อการป้องกันและปราบปรามอาชญกรรม

รายการเจาะข่าวเด่นเมื่อวันที่ 26 สิงหาคม 2558 ได้มีการสัมภาษณ์ ผช.ผบ.ตร. เกี่ยวกับความคืบหน้าระเบิดราชประสงค์และท่าเรือสาทร มีประเด็นที่น่าสนใจเกี่ยวกับการใช้เทคโนโลยีด้านข้อมูลในการสอบสวนดังนี้

  • มีการใช้ข้อมูลจากหลากหลายแหล่งร่วมกัน เช่น การสอบสวนพยานบุคคล ภาพจากกล้องวงจรปิด และการใช้โทรศัพท์มือถือ
  • มีข้อมูลเพิ่มเติมที่เก็บไว้แล้วจากคดีนี้ แต่จำเป็นต้องมีฐานข้อมูลเปรียบเทียบ เช่น DNA และลายนิ้วมือ
  • การใช้โทรศัพท์มือถือ พยายามตรวจดู call log ว่ามีรูปแบบการใช้ผิดปกติในจังหวะเวลานั้นหรือไม่ เช่นโทรเข้าหาให้ดัง 3-4 ครั้ง แล้ววางสาย ณ เวลานั้นพอดี (โดยมีสมมติฐานว่าการจุดระเบิดใช้โทรศัพท์มือถือ)
  • ประเทศไทยเรายังไม่มีฐานข้อมูล DNA (และน่าสงสัยว่าฐานข้อมูลลายนิ้วมือที่เรามีครบถ้วนครอบคลุมเพียงใด)
  • ทางตำรวจไม่มีกล้องวงจรปิดของตัวเอง จำเป็นต้องใช้จากหน่วยงานอื่น
  • ในงานตรวจคนเข้าเมือง เรายังใช้แค่ชื่อ หมายเลขพาสปอร์ตและรูปถ่าย (เข้าใจว่าใช้ดุลพินิจเจ้าหน้าที่ดู) ในการระบุผู้เข้าเมือง
  • ในอนาคตจะมีการใช้ Facial Identification ร่วมกับลายนิ้วมือ
  • มีการพูดถึงศักยภาพในการทำ data sharing ระหว่างหน่วยงาน ทั้งในระดับประเทศ และในระดับหน่วยงาน เพื่อป้องกันและปราบปรามอาชญากรรม

คงเห็นได้ว่าทั้งเทคโนโลยี Big Data และ Data Analytics มีบทบาทมากขึ้นในการป้องกันและปราบปรามอาชญากรรม และก็ดูเหมือนจะมีแผนงานหรือแนวทางกำหนดไว้แล้ว ก็ต้องรอดูกันต่อไปว่าจะสามารถนำมาปฎิบัติได้เร็วและมีประสิทธิภาพมากน้อยเพียงใด

ตัวอย่างการใช้งาน Big Data แบบไม่ธรรมดา

parking_lotเราอาจเคยอ่านบทความเกี่ยวกับการใช้งาน Big Data Analytics กันมาบ้างแล้วว่ามันทำอะไรได้บ้าง อย่างเช่น ใช้ทำความเข้าใจลูกค้ามากขึ้น ปรับปรุงแผนการตลาด หรือ ค้นหาและป้องกันการทุจริต ลองมาดูตัวอย่างการใช้งาน Big Data แบบไม่ธรรมดาเหล่านี้ดูบ้าง

Read more

1 2