Shi no Shigoto

Author: Shinin Varongchayakul

  • สรุป 2 ประเด็นจาก StoryBrand Webinar ของ Donald Miller “How to Sell Anything With StoryBrand Soundbites” — ทำไมลูกค้าถึงไม่ซื้อ และทำยังไงให้ลูกค้าซื้อ

    สรุป 2 ประเด็นจาก StoryBrand Webinar ของ Donald Miller “How to Sell Anything With StoryBrand Soundbites” — ทำไมลูกค้าถึงไม่ซื้อ และทำยังไงให้ลูกค้าซื้อ

    ในบทความนี้ ผมจะมาสรุป 2 ประเด็นจาก webinar ของ Donald Miller “How to Sell Anything With StoryBrand Soundbites” ซึ่งจัดขึ้นในวันที่ 18 พ.ย. ที่ผ่านมา:

    1. Why your message fails? ทำไม marketing message ถึงไม่ทำให้ลูกค้าซื้อ
    2. The five soundbites: soundbites ที่จะช่วยทำให้ลูกค้าซื้อ

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 😭 Why Your Message Fails?
      1. 🧐 Don’t Be Smart, Be Clear
      2. ☕ Example
    2. 😎 The Five Soundbites
      1. 🗣️ What Is a Soundbite?
      2. 🕊️ PEACE Framework
      3. 💵 Example #1. Money App
      4. 📕 Example #2. Book
      5. 🏠 Example #3. Airbnb.org
    3. 💪 Summary
    4. 🍩 Bonus: Your Sales Pitch
    5. 📼 Webinar Videos

    😭 Why Your Message Fails?

    .

    🧐 Don’t Be Smart, Be Clear

    เหตุผลหลักที่ลูกค้าไม่ซื้อของกับเราก็เพราะ marketing message ของเราขาดความชัดเจน และทำให้ลูกค้าต้องคิด

    ถ้าเรามีป้ายโฆษณาบนทางด่วน และข้อความของเราไม่เคลียร์ ลูกค้าก็คงจะไม่จอดรถเพื่อครุ่นคิดว่าสิ่งที่เราต้องการจะสื่อคืออะไร แต่เขาจะขับรถผ่านป้ายและลืมเราไป

    Message ที่ดีไม่จำเป็นต้องดูดี แต่ต้องทำให้ลูกค้าเข้าใจได้ในทันทีว่าเรากำลังสื่ออะไร

    .

    ☕ Example

    ยกตัวอย่างเช่น message ของคอร์สสอนทำร้านกาแฟ:

    Drowning in coffee shop chaos? Stop doing everything yourself.

    แม้ว่าการใช้คำอาจจะดูดี แต่คนอ่านจะมีคำถามในใจ เช่น:

    • “Coffee shop chaos” คืออะไร? เป็นความวุ่นวายแบบไหน? ถ้าเราเป็นร้านกาแฟที่มีลูกค้าเยอะจนเสิร์ฟไม่ทัน นับเป็น coffee shop chaos ไหม?
    • “Do everything” ที่ว่าคืออะไรบ้าง? การทำบัญชีร้านรวมด้วยไหม?

    เราสามารถปรับ message ให้ชัดเจนขึ้นได้แบบนี้:

    Losing baristas faster than you can hire? It doesn’t have to be this way.

    จะเห็นว่า message ใหม่ทำให้เราเห็นภาพชัดมากขึ้นว่า เรากำลังพูดถึงปัญหา turnover ของ barista และคอร์สนี้มีทางออกให้

    ถ้าเรากำลังมีปัญหา barista ลาออกเร็วจนหาคนแทนไม่ทัน เราจะรู้ในทันทีว่าคอร์สนี้อาจจะหมาะกับเรา

    เมื่อเราทำให้ message ชัดเจนขึ้น ยอดขายของเราก็จะเพิ่มขึ้นตามมา อย่างในตัวอย่างคอร์สทำร้านกาแฟ message แรก ได้ยอดคลิก 18 ครั้งใน 48 ชั่วโมง ในขณะที่ message ใหม่ได้ยอดคลิกสูงถึง 125 ครั้งใน 48 ชั่วโมง

    Source: StoryBrand’s webinar “How to Sell Anything With StoryBrand Soundbites” (2025).

    😎 The Five Soundbites

    .

    🗣️ What Is a Soundbite?

    นอกจากความชัดเจนแล้ว message ของเราควรสื่อสารผ่าน soundbite หรือวลี/ประโยคสั้น ๆ ที่เราสามารถพูดทวนและช่วยทำให้ลูกค้าจำเราได้ขึ้นใจ เช่น:

    • “Just do it.”
    • “Because you’re worth it.”
    • “Melts in your mouth, not in your hands.”

    .

    🕊️ PEACE Framework

    Soundbites ที่ดีจะเชื่อมโยงปัญหาของลูกค้าที่เราสามารถแก้ได้ เข้ากับ product/service ที่เรามี เพื่อช่วยให้ลูกค้านึกถึงเราเวลาเขามีปัญหา

    เราสามารถสร้าง soundbites ที่มีประสิทธิภาพได้โดยใช้ 5-soundbite framework หรือ PEACE framework ซึ่งประกอบด้วย:

    1. Problem: ปัญหาที่ลูกค้ามีและเราสามารถแก้ได้
    2. Empathy: แสดงความเข้าใจในความรู้สึกของลูกค้าต่อปัญหาที่มี
    3. Answer: นำเสนอทางออกของปัญหา (product/service ของเรา)
    4. Change: การเปลี่ยนแปลงที่จะเกิดขึ้นเมื่อลูกค้าได้ใช้ product/service ของเรา
    5. End result: ผลลัพธ์ที่ลูกค้าจะได้รับเมื่อใช้ product/service ของเราแล้ว
    Source: StoryBrand’s webinar “How to Sell Anything With StoryBrand Soundbites” (2025).

    .

    💵 Example #1. Money App

    PEACE เป็นเหมือนบันไดหน้าบ้านที่เราชวนให้ลูกค้าเข้าก้าวขึ้นมาเพื่อทำความรู้จักเรามากขึ้นและซื้อของกับเราในที่สุด

    เราสามารถใช้ PEACE เพื่อสื่อสารกับลูกค้าได้แบบนี้ เช่น message ของ YNAB ที่เป็นแอปจัดการการเงิน:

    1. Problem: Has there ever been a time when you’ve worried about money?
    2. Empathy: We know how that feels.
    3. Answer: Download the YNAB app …
    4. Change: … and get good with money.
    5. End result: So that you never worry about money again.
    Source: StoryBrand’s webinar “How to Sell Anything With StoryBrand Soundbites” (2025).

    .

    📕 Example #2. Book

    ตัวอย่าง message ของหนังสือการสร้างธุรกิจ:

    1. Problem: You want to know the principles that allow you to build an enduring business.
    2. Empathy: It’s hard to build a business that lasts.
    3. Answer: There are 41 principles it takes to build an enduring business.
    4. Change: You will become a principle driven leader.
    5. End result: You will build a business that can endure anything.
    Source: StoryBrand’s webinar “How to Sell Anything With StoryBrand Soundbites” (2025).

    .

    🏠 Example #3. Airbnb.org

    ตัวอย่าง message ของ Airbnb.org องค์กรที่จัดตั้งขึ้นเพื่อหาที่พักชั่วคราวให้กับผู้ประสบภัยไฟป่าในอเมริกา:

    1. Problem: When disaster strikes, many families end up in a shelter.
    2. Empathy: Airbnb.org believes families in need deserve a safe place to stay.
    3. Answer: Airbnb already has millions of homes around the world.
    4. Change: Making it unnecessary for a family to have to stay in a shelter.
    5. End result: Families can be together, safe and in a home after a disaster.
    Source: StoryBrand’s webinar “How to Sell Anything With StoryBrand Soundbites” (2025).

    💪 Summary

    ลูกค้าจะไม่ซื้อถ้า marketing message ของเราไม่ชัดเจนและทำให้ลูกค้าต้องคิด

    Message ที่ดีจะต้องชัดเจนและทำให้ลูกค้าเข้าใจได้ในทันทีว่า เรากำลังสื่ออะไร

    เราสามารถสื่อสารกับลูกค้าผ่าน 5 soundbites หรือวลี/ประโยคสั้น ๆ ที่จะช่วยให้ลูกค้านึกถึงเราเมื่อเขามีปัญหาได้:

    1. Problem: ปัญหาที่ลูกค้ามีและเราสามารถแก้ได้
    2. Empathy: ความเข้าใจในความรู้สึกของลูกค้า
    3. Answer: product/service ของเราที่จะช่วยลูกค้าแก้ปัญหาได้
    4. Change: การเปลี่ยนแปลงที่จะเกิดขึ้น
    5. End result: ผลลัพธ์ที่ลูกค้าจะได้รับ

    🍩 Bonus: Your Sales Pitch

    ในบางครั้ง ลูกค้าอยากจะซื้อของกับเราอยู่แล้ว แต่เขาจะยังไม่ซื้อจนกว่าเราจะถาม ซึ่งเราสามารถใช้ pattern การถามได้แบบนี้

    If you are struggling with [problem], here’s [product/service] to solve it. It’s [amount] dollars. Would you like to buy?

    📼 Webinar Videos

  • สรุป 5 Work Mental Models ที่ผมได้เรียนรู้จากการทำงานในปี 2021–2025: Modular Thinking, Input-Process-Output, Triple Constraints, Pareto Principle, และ Usage

    สรุป 5 Work Mental Models ที่ผมได้เรียนรู้จากการทำงานในปี 2021–2025: Modular Thinking, Input-Process-Output, Triple Constraints, Pareto Principle, และ Usage

    ในบทความนี้ ผมจะมาสรุป 5 mental models ที่ผมเรียนรู้จากการทำงานในปี 2021–2025:

    1. Modular thinking
    2. Input-process-output (IPO)
    3. Triple Constraints
    4. Pareto principle
    5. Usage

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 🤏 Model #1. Modular Thinking
    2. ➡️ Model #2. Input-Process-Output (IPO)
    3. 📐 Model #3. Triple Constraints: Time, Resource, Quality
    4. 💪 Model #4. Pareto Principle
    5. ✂️ Model #5. Usage
    6. 📄 References

    🤏 Model #1. Modular Thinking

    Mental model แรกที่ผมเรียนรู้ คือ modular thinking: ถ้าเราแตกงานเป็นส่วนย่อย ๆ เราก็จะทำงานได้ง่ายขึ้น

    ยกตัวอย่างเช่น การเขียนรายงานส่งลูกค้า แทนที่เราจะบอกว่า “เขียนรายงาน” เราสามารถแยกงานออกเป็นส่วน ๆ ได้แบบนี้:

    1. รวบรวมข้อมูลที่จะเป็นเนื้อหาในรายงาน
    2. ขึ้นโครงรายงาน (เช่น บทนำ, บทที่ 1, บทที่ 2, …)
    3. ร่างรายงาน
    4. ปรับแต่ง
    5. ตรวจทาน
    6. แก้ไข
    7. พิมพ์รูปเล่ม
    8. ส่งรายงาน

    เมื่อเราแบ่งงานเป็นแบบนี้ เราจะเห็นว่างานจัดการได้ง่ายขึ้น เพราะเราจะมองเห็นงานไหนที่เราสามารถทำได้เลยหรือทำขนานกันได้ (เช่น รวบรวมข้อมูลและขึ้นโครง) และงานไหนที่เราต้องรอให้งานอื่นเสร็จก่อน (เช่น ร่างรายงาน เพราะต้องรอให้มีข้อมูลและโครงก่อน)

    นอกจากการจัดการงาน modular thinking ยังช่วยในการแก้ปัญหาอีกด้วย

    อย่างในตัวอย่างการเขียนรายงาน ถ้าเราเห็นว่างานกำลังล่าช้า เราสามารถไล่งานย่อย ๆ ได้ว่ามีความคืบหน้าไปถึงไหน และเราอาจจะพบว่า เรายังรวบรวมข้อมูลไม่ครบ ซึ่งทำให้ไปขั้นต่อไปไม่ได้ และแสดงว่า ถ้าเราจะทำรายงานให้เสร็จ เราต้องหาข้อมูลมาให้ครบก่อน

    ➡️ Model #2. Input-Process-Output (IPO)

    อีก mental model ที่ผมเรียนรู้ตั้งแต่เริ่มทำงานใหม่ ๆ คือ input-process-output หรือ IPO

    เช่นเดียวกับ modular thinking, IPO เป็น model ที่ช่วยให้เราจัดการงานและแก้ปัญหาในการทำงานได้

    IPO มองงานต่าง ๆ เป็น 3 ส่วน ได้แก่:

    1. Input: ข้อมูลหรือวัตถุดิบตั้งต้น
    2. Process: ขั้นตอนหรือกระบวนการที่จะแปลง input ให้เป็น output
    3. Output: ผลลัพธ์หรือผลิตภัณฑ์ที่เราจะได้รับ

    เราสามารถใช้ IPO เพื่อจัดงานที่ได้รับมอบหมายได้

    ยกตัวอย่างการเขียนรายงาน ซึ่งเราแบ่งเป็น 3 ส่วนนี้ได้แบบนี้:

    1. Input: ข้อมูล, โครงร่าง
    2. Process: การร่าง, การขัดเกลา, การตรวจทาน, การแก้ไข
    3. Output: รูปเล่มรายงานที่ส่งมอบให้ลูกค้า

    เมื่อเรามองงานเป็น 3 ส่วนแบบนี้ เราจะมองเห็นว่า ถ้างานเราจะทำงานสำเร็จ (output) เราจะเตรียมอะไรบ้าง (input) และต้องทำอะไรบ้าง (process)

    ในลักษณะเดียวกัน ถ้างานมีปัญหา เราสามารถใช้ IPO เพื่อหาสาเหตุได้ เช่น ลูกค้าตรวจรายงานและไม่ผ่านอาจเกิดจาก:

    • Input ไม่ครบ เช่น ขาดข้อมูล หรือยังไม่มีโครงร่าง
    • Process ไม่เพียงพอ เช่น ขาดการตรวจทานและแก้ไข ทำให้รายงานมีคำผิดเยอะ

    ทั้งนี้ เราสามารถใช้ modular thinking คู่กับ IPO ได้:

    1. Modular thinking: แยกงานเป็นส่วน ๆ (เช่น รวบรวมข้อมูล)
    2. IPO: ดูว่า ถ้าแต่ละงานจะสำเร็จได้ จะต้องมี input, process, output อะไรบ้าง (เช่น ข้อมูล → นำข้อมูลมาจัดเก็บ → ได้ข้อมูลพร้อมใช้งาน)

    📐 Model #3. Triple Constraints: Time, Resource, Quality

    เมื่อพูดถึงความสำเร็จในการทำงาน เราจะต้องพูดถึง Triple Constraints หรือ 3 ปัจจัยที่ส่งผลต่อการทำงาน ได้แก่:

    1. Time: ระยะเวลา
    2. Resource: งบประมาณ แรงงาน และเครื่องมือ/วัสดุ
    3. Quality: คุณภาพหรือขอบเขตงาน

    ทุกการทำงานจะขึ้นอยู่กับ Triple Constraints ยกตัวอย่างเช่น ถ้าเราอยากทำ presentation ให้ดูดีและสื่อสารได้อย่างมีประสิทธิภาพ (quality) เราอาจจะต้องใช้เวลา 2 วัน (time) ถ้าเราทำคนเดียว (resource)

    ถ้าเรามีเวลาน้อยลง เช่น เหลือ 1 วัน (time) เราอาจจะต้องหาคนมาช่วย (resource) หรือยอมลดความสวยงามของ presentation ลง (quality)

    จะเห็นได้ว่า ทั้ง 3 ปัจจัยใน Triple Constraints จะต้องมีสมดุลซึ่งกันและกัน ถ้าเราเพิ่มอย่างใดอย่างหนึ่ง เราจะต้องเพิ่มปัจจัยอื่น ๆ หรือถ้าเราลดปัจจัยหนึ่ง เราก็จะต้องยอมลดอีก 2 ปัจจัยที่เหลือด้วย

    ในการทำงาน ถ้าเราสามารถหาสมดุลระหว่าง Triple Constraints ได้ เราก็จะทำงานได้อย่างมีประสิทธิภาพมากขึ้น

    💪 Model #4. Pareto Principle

    ในการทำงาน เราไม่จำเป็นต้องทำงานเต็ม 100% เพื่อให้ได้ผลลัพธ์ที่ต้องการ

    ถ้าเราอยาก work smart, not hard เราจะต้องเลือกทำแค่ 20% ที่ส่งผลต่อ 80% ของงาน ซึ่งก็คือแก่นหลักของ Pareto principle

    Pareto principle มีที่มาจากข้อสังเกตของนักเศรษฐศาสตร์ชาวอิตาลี Vilfredo Pareto ว่า ที่ดิน 80% ถูกครอบครองด้วยกลุ่มคนแค่ 20% ของประชากรทั้งหมด

    Pareto principle ที่ปรับใช้กับการทำงานตั้งอยู่บนแนวคิดที่ว่า แต่ละงานมีคุณค่าไม่เท่ากัน โดยที่บางงานมี impact สูงกว่างานอื่น และถ้าเราสามารถหาและทำงานนี้ให้สำเร็จได้ งานของเราก็จะคืบหน้าไปกว่าครึ่งโดยที่เราออกแรงแค่นิดเดียว

    นั่นคือ มองหา 20% ของงานที่จะส่งผลต่อ 80% ของผลลัพธ์

    ยกตัวอย่างเช่น เรามี issue log ที่เก็บ bug บนระบบเอาไว้:

    • Bug ส่วนใหญ่ (80%) อาจจัดได้เป็น low ถึง medium priority เพราะมีผลกระทบต่อระบบน้อย (เช่น แสดงคำผิดบนระบบ; ส่งผลต่อการใช้งานระบบ 20%)
    • และมี bug ส่วนน้อย (20%) ที่จัดเป็น high priority เพราะส่งผลกระทบต่อระบบมาก (เช่น ทำให้ผู้ใช้งานเข้าสู่ระบบไม่ได้; ส่งผลต่อการใช้งานระบบ 80%)

    ถ้าเราเลือกแก้ bug กลุ่มแรกก่อน แม้ว่าเราจะทำงานหนัก (แก้ bug ถึง 80%) แต่ระบบอาจจะใช้งานไม่ได้เหมือนเดิม เพราะ bug ส่วนนี้ส่งผลต่อระบบแค่ 20%

    ในทางกลับกัน ถ้าเราแก้ high-priority bug ที่เป็นส่วนน้อยก่อน (20%) เราจะทำให้ระบบใช้งานได้ปกติ เพราะ bug ส่วนนี้ส่งผลต่อการใช้งานถึง 80%

    ดังนั้น ในการทำงานตาม Pareto principle เราจะต้องหาให้เจอว่า งานอะไรที่มี impact มากที่สุด และทุ่มเทไปกับงานส่วนนั้น เพื่อให้เราประสบความสำเร็จได้อย่างมีประสิทธิภาพมากขึ้น

    ✂️ Model #5. Usage

    Usage เป็น mental model จากแนวคิดการออกแบบ product ของ ดร.ไปรมา อิศรเสนา ณ อยุธยา อาจารย์คณะสถาปัตยกรรม จุฬาลงกรณ์มหาวิทยาลัย

    Usage หรือการใช้งาน เป็นตัวเชื่อมระหว่าง value หรือคุณค่าที่เราต้องการส่งมอบ และ solution หรือผลิตภัณฑ์/feature ที่เราใช้ส่งมอบ value

    ยกตัวอย่างเช่น เครื่องซักผ้า ซึ่งมี value, usages, และ solutions ดังนี้:

    Usage สามารถปรับใช้กับการออกแบบอื่น ๆ ได้เช่น ออกแบบนโยบายสุขภาพให้กับพนักงาน:

    ถ้าทีมงานต้องการส่งมอบ value คือ “สุขภาพที่ดี” usage ที่ถอดออกมาได้อาจเป็น “เอื้อให้พนักงานได้ออกกำลังกาย” ซึ่งภายใต้ usage เราสามารถ brainstorm เพื่อหากิจกรรมที่จะช่วยให้พนักงานมีสุขภาพที่ดีขึ้นได้ เช่น:

    • แข่งเก็บระยะวิ่ง
    • มีสวัสดิการให้เบิกเงินซื้ออุปกรณ์กีฬา
    • จัดตั้งชมรมกีฬา
    • จัดแข่งกีฬาระหว่างแผนก

    นอกจากนี้ เรายังสามารถใช้ usage ในการทำงานในแต่ละวันได้อีกด้วย เช่น หัวหน้าขอให้ส่งงานเป็น PDF แต่เรามีปัญหาในการสร้างไฟล์ PDF ถ้าเรารู้ว่า หัวหน้าต้องการ PDF เพราะหัวหน้าชอบ comment งานบนไฟล์ (usage คือ “เอื้อให้เขียน comment ลงในงานได้”) เราอาจจะขอหัวหน้าส่งงานเป็นรูป ซึ่งหัวหน้าสามารถ comment ผ่าน LINE ได้เช่นกัน

    จะเห็นได้ว่า usage ไม่เพียงแต่ช่วยในการออกแบบ product และงาน แต่ยังช่วยให้เราแก้ปัญหาในการทำงานได้อย่างมีประสิทธิภาพอีกด้วย

    📄 References

    Modular thinking:

    IPO:

    Pareto Principle:

    Usage:

  • สรุป 3 ประเด็นหลัก จาก 2 sessions ในงาน WebPresso (รอบเดือนธันวาคม 2025): How to Survive, Future Trends, และ What We Need for a Successful Business

    สรุป 3 ประเด็นหลัก จาก 2 sessions ในงาน WebPresso (รอบเดือนธันวาคม 2025): How to Survive, Future Trends, และ What We Need for a Successful Business

    ในบทความนี้ ผมจะมาสรุป 3 ประเด็นจาก 2 sessions ในงาน WebPresso (รอบเดือนธันวาคม 2025) ได้แก่:

    1. Web Is the Way โดย คุณทอย กษิดิศ สตางค์มงคล (แอดทอย) กรรมการสมาคมผู้ดูแลเว็บไซต์และสื่อออนไลน์ไทย และผู้เชี่ยวชาญด้าน Data เจ้าของเพจและเว็บไซต์การศึกษา DataRockie
    2. The System Behind Successful Lone Creators โดย คุณพลอย อนัญญา สหัสสะรังษี (พลอย – Anunya พา Learn)

    โดยเนื้อหาทั้ง 3 ประเด็นได้แก่:

    1. How to survive: วิธีทำให้เว็บไซต์ของเรารอดในยุคของ AI
    2. Future trends: trends ของเว็บไซต์ในโลกอนาคต
    3. What we need for a successful business: สิ่งที่เราต้องการเพื่อทำธุรกิจให้ประสบความสำเร็จ

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 🌐 How to Survive
      1. 1️⃣ Quality Content
      2. 2️⃣ Information Gain
      3. 3️⃣ Structure
      4. 4️⃣ llms.txt
      5. 5️⃣ JSON-LD
      6. 6️⃣ Trust
    2. 🔮 Future Trends
      1. 1️⃣ Cozy Web
      2. 2️⃣ Headless CMS
      3. 3️⃣ Zero UI
      4. 4️⃣ Query Fanout
    3. 🚀 What We Need for a Successful Business
      1. 💫 What We Need Is Systems
      2. 🤖 Examples
    4. 📄 References

    🌐 How to Survive

    .

    AI content มีเพิ่มมากขึ้นเรื่อย ๆ ในอินเทอร์เน็ต แต่การสร้างเว็บไซต์เป็นของตัวเองก็ยังเป็นสิ่งสำคัญ เพราะมีการเว็บไซต์จะช่วยสร้างตัวตนบนอินเทอร์เน็ตที่จะทำให้คนรู้จักเรามากขึ้น

    ถ้าเว็บไซต์เราจะอยู่รอด เราจะต้องทำเว็บไซต์ที่ตอบโจทย์ทั้ง 2 ส่วน คือ:

    1. Human: คนอ่าน content
    2. Machine: bot และ AI ที่เข้าถึงเว็บไซต์ของเรา

    ซึ่งเราทำได้ 6 วิธี ดังนี้:

    1. Quality content
    2. Information gain
    3. Structure
    4. llms.txt
    5. JSON-LD
    6. Trust

    .

    1️⃣ Quality Content

    เราจะต้องสร้าง content ที่มีคุณภาพ ซึ่งมีลักษณะ 4 อย่าง ได้แก่:

    1. Experience: เขียน/สร้างจากประสบการณ์ตรง
    2. Expert: เขียน/สร้างจากความเชี่ยวชาญ
    3. Authority: แสดงความเป็นผู้เชี่ยวชาญในหัวข้อนั้น ๆ
    4. Trustworthiness: มีความน่าเชื่อถือ (ไม่ใช่ click bait)

    .

    2️⃣ Information Gain

    Content ของเราจะต้องให้ข้อมูลใหม่/เพิ่มเติมจากสิ่งที่มีอยู่

    ยกตัวอย่างเช่น:

    • สิ่งที่ไม่ควรเขียน: What is data science?
    • สิ่งที่ควรเขียน: How I apply data science in my job as a data analyst at Samsung

    เราไม่ควรเขียน “What is data science?” เพราะเป็น content ที่มีอยู่มากมายบนอินเทอร์เน็ตแล้ว และไม่ช่วยเพิ่มข้อมูลให้กับคนอ่าน

    ในทางกลับกัน “How I apply data science in my job as a data analyst at Samsung” เป็น topic ที่อาจจะยังไม่เคยมีใครเขียนมาก่อน และทำให้คนอื่นได้ข้อมูลที่แปลกใหม่ไปจากเดิม ดังนั้น เราควรจะเขียนหัวข้อนี้มากกว่า “What is data science?”

    .

    3️⃣ Structure

    เราควรออกแบบโครงสร้าง content (เช่น บทความ) ให้ดี:

    1. Atomic content: แบ่ง content เป็นส่วน ๆ เช่น แบ่งเป็น 3 ส่วน แต่ละส่วนตอบคำถาม 1 ข้อ
    2. เขียน content เช่น “10 ที่เที่ยวแนะนำในกรุงเทพฯ”, “5 คำแนะนำสำหรับคนหางานใหม่”, หรือ “7 นิสัยที่คนรุ่นใหม่ควรมี”
    3. เขียน content แบบเปรียบเทียบ เช่น “เปรียบเทียบกล้อง Samsung Galaxy S25 และ iPhone 17”

    .

    4️⃣ llms.txt

    llms.txt เป็นไฟล์บนเว็บไซต์ของเรา ซึ่งจะบอก AI ที่วิ่งเข้ามาหาเว็บไซต์ว่า เว็บไซต์ของเราเกี่ยวกับอะไร มีโครงสร้างเว็บไซต์ยังไงบ้าง

    เราควรปรับไฟล์นี้เพื่อช่วยให้ AI เข้าใจเว็บไซต์ของเราได้มากขึ้น และนำเนื้อหาของเว็บไซต์ไปสู่ target audience ของเรา

    ตัวอย่าง llms.txt:

    .

    5️⃣ JSON-LD

    JSON-LD (LD คือ linked data) เป็นไฟล์ที่ช่วยบอก AI ว่า เรามี asset อะไรบ้าง เช่น บอกว่า:

    • YouTube ของเราชื่ออะไร
    • Instagram ชื่ออะไร
    • Facebook page ชื่ออะไร

    JSON-LD ช่วยให้ AI เข้าใจ online profile ของเรามากขึ้น

    ตัวอย่าง JSON-LD:

    .

    6️⃣ Trust

    สุดท้าย สิ่งที่ขาดไม่ได้ คือ trust เพราะ human เป็นคนที่จะเข้าถึงเว็บไซต์ของเรา และคนอื่นจะไม่เข้ามาดู content บนเว็บไซต์ของเราถ้าเราไม่สามารถสร้างความไว้ใจให้กับเขาได้

    .

    1️⃣ Cozy Web

    เว็บไซต์จะเปลี่ยนจาก public space ที่ทุกคนสามารถเข้าถึงและใช้งานได้ มาเป็น community-based หรือเว็บไซต์ที่เป็นแหล่งรวมของคนที่มีความสนใจเหมือนกันมากขึ้น

    ตัวอย่าง cozy web เช่น:

    • WhatsApp
    • Discord
    • Snapchat

    .

    2️⃣ Headless CMS

    เว็บไซต์จะแยกส่วนระหว่าง:

    1. ส่วนจัดเก็บข้อมูล (database)
    2. ส่วนการแสดงผล (UI หรือ head ของเว็บไซต์)

    การแยก 2 ส่วนนี้ออกจากกัน จะทำให้เราสามารถปรับเปลี่ยนการแสดงผลให้เหมาะกับ user ได้ง่ายมากขึ้น นั่นคือ แทนที่ user ทุกคนจะเห็น content บนเว็บไซต์ที่หน้าตาเหมือนกัน user จะเห็น content เดียวกันบนเว็บไซต์ที่แตกต่างกันไปแต่ละคน

    .

    3️⃣ Zero UI

    Zero UI เป็นแนวคิดการออกแบบ user interface (UI) ให้ seamless สำหรับ user โดยแทนที่จะมีกล่องและปุ่ม user อาจสั่งการผ่านเสียงหรือพิมพ์ natural language ลงไปเพื่อใช้งานเว็บไซต์ได้

    ด้วยความสามารถในการเขียน code ของ AI เราสามารถออกแบบเว็บไซต์ที่แตกต่างและเหมาะสมกับ target audience และเข้าใกล้ zero UI ได้มากขึ้น

    .

    4️⃣ Query Fanout

    การค้นหาจะเปลี่ยนจาก search engine อย่าง Google มาเป็น AI search ซึ่งใช้การค้นหาแบบ query fanout หรือการแยกหัวข้อจากคำค้นหาของ user มากขึ้นเรื่อย ๆ

    เราสามารถดูตัวอย่าง query fanout ได้ใน ChatGPT โดยทำตามวิดีโอด้านล่าง:

    หรือใช้เครื่องมืออย่าง Query Fanout Analysis Tool

    เมื่อเรารู้ว่า AI จะแตกหัวข้อออกมาเป็นอะไรบ้าง เราสามารถสร้าง content ที่ตอบโจทย์หัวข้อเหล่านี้ เพื่อทำให้ content เรามีโอกาสติดอันดับของ AI search มากขึ้น

    🚀 What We Need for a Successful Business

    .

    💫 What We Need Is Systems

    จากประสบการณ์ของคุณพลอย เราไม่จำเป็นต้องใช้คนจำนวนมาก หรือ business model ที่ใช่ เพื่อทำให้ธุรกิจประสบความสำเร็จ:

    สิ่งที่เราต้องการ คือ system ที่ดี

    With great systems and the right tools, we can all scale. — Anunya Pa Learn

    .

    🤖 Examples

    ในปัจจุบัน เรามีเครื่องมือต่าง ๆ มากมายที่ช่วยให้เราสร้างระบบการทำงานที่ดีได้

    ยกตัวอย่างเช่น:

    ตัวอย่างที่ 1. Matt Gray ที่ออกแบบ content โดย:

    1. แบ่ง 1 long content เป็น 3 โพสต์ย่อย เพื่อสามารถโพสต์บน platform ต่าง ๆ ได้
    2. มี template สำหรับสร้าง content และโพสต์บนที่ต่าง ๆ เพื่อให้ทุกโพสต์มี mood and tone เดียวกัน
    3. วางระบบ automated DM เพื่อตอบรับและเก็บข้อมูล lead ผ่านทาง social media โดยอัตโนมัติ

    ตัวอย่างที่ 2. Payper ที่เป็น AI ที่คุณพลอยพัฒนาขึ้นมา เพื่อแก้ pain point การจัดเก็บใบเสร็จสำหรับทำบัญชี ซึ่งทำงานใน 3 ขั้นตอน:

    1. เก็บข้อมูลใบเสร็จที่อัปโหลดลงใน LINE ไว้ใน Google Sheet
    2. สร้าง Google Drive folder เพื่อเก็บรูปใบเสร็จ
    3. ค้นหาและเก็บข้อมูลใบเสร็จที่อยู่ในอีเมล
    4. ออกใบแทนใบเสร็จในกรณีที่ใบเสร็จไม่มีหัวบิล

    สำหรับคนที่สนใจทดลองใช้งาน Payper สามารถติดต่อได้ตามรูปด้านล่าง:

    📄 References

    EEAT:

    Cozy web:

    Headless CMS:

    Zero UI:

    Query fanout:

  • สรุป 10 วิธีในการทำงานกับ data frame ในภาษา R: creating, indexing, subsetting, filtering, sorting, และอื่น ๆ — ตัวอย่างการทำงานกับ Jujutsu Kaisen data frame

    สรุป 10 วิธีในการทำงานกับ data frame ในภาษา R: creating, indexing, subsetting, filtering, sorting, และอื่น ๆ — ตัวอย่างการทำงานกับ Jujutsu Kaisen data frame

    Data frame เป็นหนึ่งใน data structure ที่พบบ่อยที่สุดในการทำงานกับข้อมูล

    Data frame เก็บข้อมูลในรูปแบบตาราง โดย:

    • 1 row = 1 รายการ (เช่น ข้อมูลของ John)
    • 1 column = 1 ประเภทข้อมูล (เช่น อายุ)

    ตัวอย่าง data frame:

    ในบทความนี้ เราจะมาสรุป 10 วิธีในการทำงานกับ data frame กัน:

    1. Creating: การสร้าง data frame
    2. Previewing: การดูข้อมูล data frame
    3. Indexing: การเลือก columns ที่ต้องการ
    4. Subsetting: การเลือก rows และ columns ที่ต้องการ
    5. Filtering: การกรองข้อมูล
    6. Sorting: การจัดลำดับข้อมูล
    7. Aggregating: การสรุปข้อมูล
    8. Adding columns: การเพิ่ม columns ใหม่
    9. Removing columns: การลบ columns
    10. Binding: การเชื่อมข้อมูลใหม่เข้ากับ data frame

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 1️⃣ Creating
    2. 2️⃣ Previewing
      1. 👀 View()
      2. 🙊 head()
      3. 🐒 tail()
      4. 🏗️ str()
      5. 🧮 summary()
      6. 💠 dim()
      7. 🚣 nrow()
      8. 🏦 ncol()
    3. 3️⃣ Indexing
      1. 💰 Using $
      2. 🔳 Using [[]]
    4. 4️⃣ Subsetting
      1. 🍽️ df[rows, cols]
      2. 🔪 subset()
    5. 5️⃣ Filtering
      1. 🍽️ df[rows, cols]
      2. 🔪 subset()
    6. 6️⃣ Sorting
      1. ⬇️ Ascending
      2. ⬆️ Descending
      3. ↔️ Sort by Multiple Columns
    7. 7️⃣ Aggregating
    8. 8️⃣ Adding Columns
    9. 9️⃣ Removing Columns
    10. 🔟 Binding
      1. 🤝 rbind()
      2. 🤲 cbind()
    11. 😺 GitHub
    12. 📃 References
    13. ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    1️⃣ Creating

    เราสามารถสร้าง data frame ด้วย data.frame() ซึ่งต้องการ ชื่อ column และ vector ที่เก็บข้อมูลของ column นั้น ๆ:

    # Create a data frame
jjk_df <- data.frame(
  ID = 1:10,
  Name = c("Yuji Itadori", "Megumi Fushiguro", "Nobara Kugisaki", "Satoru Gojo",
           "Maki Zenin", "Toge Inumaki", "Panda", "Kento Nanami", "Yuta Okkotsu", "Suguru Geto"),
  Age = c(15, 16, 16, 28, 17, 17, 18, 27, 17, 27),
  Grade = c("1st Year", "1st Year", "1st Year", "Special", "2nd Year",
            "2nd Year", "2nd Year", "Special", "Special", "Special"),
  CursedEnergy = c(80, 95, 70, 999, 60, 85, 75, 200, 300, 400),
  Technique = c("Divergent Fist", "Ten Shadows", "Straw Doll", "Limitless",
                "Heavenly Restriction", "Cursed Speech", "Gorilla Mode",
                "Ratio Technique", "Rika", "Cursed Spirit Manipulation"),
  Missions = c(25, 30, 20, 120, 35, 28, 40, 90, 55, 80)
)

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
4   4      Satoru Gojo  28  Special          999                  Limitless      120
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80

    2️⃣ Previewing

    เรามี 8 functions สำหรับดูข้อมูล data frame:

    No.FunctionFor
    1View()ดูข้อมูลทั้งหมด
    2head()ดูข้อมูล 6 rows แรก
    3tail()ดูข้อมูล 6 rows สุดท้าย
    4str()ดูโครงสร้างข้อมูล
    5summary()ดูสถิติข้อมูล
    6dim()ดูจำนวน rows และ columns
    7nrow()ดูจำนวน rows
    8ncol()ดูจำนวน columns

    เราไปดูตัวอย่างทั้ง 8 functions กัน

    .

    👀 View()

    View() ใช้ดูข้อมูลทั้งหมดใน data frame:

    # View the whole data frame
View(jjk_df)

    เราจะเห็นผลลัพธ์ในหน้าต่างใหม่:

    Note: เนื่องจาก View() แสดงข้อมูลทั้งหมด จึงเหมาะกับการใช้งานกับ data frame ขนาดเล็ก

    .

    head() ใช้ดูข้อมูล 6 rows แรกใน data frame:

    # View the first 6 rows
head(jjk_df)

    ผลลัพธ์:

      ID             Name Age    Grade CursedEnergy            Technique Missions
1  1     Yuji Itadori  15 1st Year           80       Divergent Fist       25
2  2 Megumi Fushiguro  16 1st Year           95          Ten Shadows       30
3  3  Nobara Kugisaki  16 1st Year           70           Straw Doll       20
4  4      Satoru Gojo  28  Special          999            Limitless      120
5  5       Maki Zenin  17 2nd Year           60 Heavenly Restriction       35
6  6     Toge Inumaki  17 2nd Year           85        Cursed Speech       28

    .

    🐒 tail()

    tail() ใช้ดูข้อมูล 6 rows สุดท้ายใน data frame:

    # View the last 6 rows
tail(jjk_df)

    ผลลัพธ์:

       ID         Name Age    Grade CursedEnergy                  Technique Missions
5   5   Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
6   6 Toge Inumaki  17 2nd Year           85              Cursed Speech       28
7   7        Panda  18 2nd Year           75               Gorilla Mode       40
8   8 Kento Nanami  27  Special          200            Ratio Technique       90
9   9 Yuta Okkotsu  17  Special          300                       Rika       55
10 10  Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80

    .

    🏗️ str()

    str() ใช้ดูโครงสร้างข้อมูลของ data frame:

    # View the data frame structure
str(jjk_df)

    ผลลัพธ์:

    'data.frame':	10 obs. of  7 variables:
 $ ID          : int  1 2 3 4 5 6 7 8 9 10
 $ Name        : chr  "Yuji Itadori" "Megumi Fushiguro" "Nobara Kugisaki" "Satoru Gojo" ...
 $ Age         : num  15 16 16 28 17 17 18 27 17 27
 $ Grade       : chr  "1st Year" "1st Year" "1st Year" "Special" ...
 $ CursedEnergy: num  80 95 70 999 60 85 75 200 300 400
 $ Technique   : chr  "Divergent Fist" "Ten Shadows" "Straw Doll" "Limitless" ...
 $ Missions    : num  25 30 20 120 35 28 40 90 55 80

    จากผลลัพธ์ เราจะเห็นข้อมูล 5 อย่าง ได้แก่:

    1. จำนวน rows (obs.)
    2. จำนวน columns (variables)
    3. ชื่อ columns (เช่น ID)
    4. ประเภทข้อมูลของแต่ละ column (เช่น int)
    5. ตัวอย่างข้อมูลของแต่ละ column (เช่น 1 2 3 4 5 6 7 8 9 10)

    .

    🧮 summary()

    summary() ใช้สรุปข้อมูลใน data frame เช่น:

    • ค่าเฉลี่ย (Mean)
    • จำนวนข้อมูล (Length)
    # View the summary
summary(jjk_df)

    ผลลัพธ์:

           ID            Name                Age           Grade            CursedEnergy     Technique            Missions     
 Min.   : 1.00   Length:10          Min.   :15.00   Length:10          Min.   : 60.00   Length:10          Min.   : 20.00  
 1st Qu.: 3.25   Class :character   1st Qu.:16.25   Class :character   1st Qu.: 76.25   Class :character   1st Qu.: 28.50  
 Median : 5.50   Mode  :character   Median :17.00   Mode  :character   Median : 90.00   Mode  :character   Median : 37.50  
 Mean   : 5.50                      Mean   :19.80                      Mean   :236.40                      Mean   : 52.30  
 3rd Qu.: 7.75                      3rd Qu.:24.75                      3rd Qu.:275.00                      3rd Qu.: 73.75  
 Max.   :10.00                      Max.   :28.00                      Max.   :999.00                      Max.   :120.00

    .

    💠 dim()

    dim() ใช้แสดงจำนวน rows และ columns ใน data frame:

    # View the dimensions
dim(jjk_df)

    ผลลัพธ์:

    [1] 10  7

    .

    🚣 nrow()

    nrow() ใช้แสดงจำนวน rows ใน data frame:

    # Get the number of rows
nrow(jjk_df)

    ผลลัพธ์:

    [1] 10

    .

    🏦 ncol()

    ncol() ใช้แสดงจำนวน columns ใน data frame:

    # Get the number of columns
ncol(jjk_df)

    ผลลัพธ์:

    [1] 7

    3️⃣ Indexing

    Indexing หมายถึง การเลือก columns ที่ต้องการ ซึ่งเราทำได้ 2 วิธี:

    1. ใช้ $ (นิยมใช้)
    2. ใช้ [[]]

    💰 Using $

    เราสามารถใช้ $ ได้แบบนี้:

    df$col

    ยกตัวอย่างเช่น เลือก column Name:

    # Index with $
jjk_df$Name

    ผลลัพธ์:

     [1] "Yuji Itadori"     "Megumi Fushiguro" "Nobara Kugisaki"  "Satoru Gojo"      "Maki Zenin"      
 [6] "Toge Inumaki"     "Panda"            "Kento Nanami"     "Yuta Okkotsu"     "Suguru Geto"

    .

    🔳 Using [[]]

    เราสามารถใช้ [[]] ได้แบบนี้:

    df[["col"]]

    ยกตัวอย่างเช่น เลือก column Name:

    # Index with [[]]
jjk_df[["Name"]]

    ผลลัพธ์:

     [1] "Yuji Itadori"     "Megumi Fushiguro" "Nobara Kugisaki"  "Satoru Gojo"      "Maki Zenin"      
 [6] "Toge Inumaki"     "Panda"            "Kento Nanami"     "Yuta Okkotsu"     "Suguru Geto"

    4️⃣ Subsetting

    Subsetting คือ การเลือก rows และ columns จาก data frame ซึ่งเราทำได้ 2 วิธี:

    1. ใช้ df[rows, cols] syntax
    2. ใช้ subset()

    .

    🍽️ df[rows, cols]

    เราสามารถใช้ df[rows, cols] ได้ 3 แบบ:

    1. เลือก rows
    2. เลือก columns
    3. เลือก rows และ columns

    แบบที่ 1. เลือก rows อย่างเดียว:

    # Subset rows only
jjk_df[1:5, ]

    ผลลัพธ์:

      ID             Name Age    Grade CursedEnergy            Technique Missions
1  1     Yuji Itadori  15 1st Year           80       Divergent Fist       25
2  2 Megumi Fushiguro  16 1st Year           95          Ten Shadows       30
3  3  Nobara Kugisaki  16 1st Year           70           Straw Doll       20
4  4      Satoru Gojo  28  Special          999            Limitless      120
5  5       Maki Zenin  17 2nd Year           60 Heavenly Restriction       35

    แบบที่ 2. เลือก columns อย่างเดียว:

    # Subset columns only
jjk_df[, "Name"]

    ผลลัพธ์:

     [1] "Yuji Itadori"     "Megumi Fushiguro" "Nobara Kugisaki"  "Satoru Gojo"      "Maki Zenin"      
 [6] "Toge Inumaki"     "Panda"            "Kento Nanami"     "Yuta Okkotsu"     "Suguru Geto"

    แบบที่ 3. เลือก rows และ columns:

    # Subset rows and columns
jjk_df[1:5, c("Name", "Technique")]

    ผลลัพธ์:

                  Name            Technique
1     Yuji Itadori       Divergent Fist
2 Megumi Fushiguro          Ten Shadows
3  Nobara Kugisaki           Straw Doll
4      Satoru Gojo            Limitless
5       Maki Zenin Heavenly Restriction

    .

    🔪 subset()

    เราสามารถ subset ข้อมูลได้ด้วย subset() ซึ่งต้องการ 2 arguemnts:

    subset(x, select)
    1. x = data frame
    2. select = columns ที่ต้องการเลือก
    # Subset using susbet() - select conlumns only
subset(jjk_df, select = c("Name", "Technique"))

    ผลลัพธ์:

                   Name                  Technique
1      Yuji Itadori             Divergent Fist
2  Megumi Fushiguro                Ten Shadows
3   Nobara Kugisaki                 Straw Doll
4       Satoru Gojo                  Limitless
5        Maki Zenin       Heavenly Restriction
6      Toge Inumaki              Cursed Speech
7             Panda               Gorilla Mode
8      Kento Nanami            Ratio Technique
9      Yuta Okkotsu                       Rika
10      Suguru Geto Cursed Spirit Manipulation

    ในกรณีที่เราต้องการเลือก rows ด้วย เราจะต้องกำหนด rows ใน x:

    # Subset using susbet() - select both rows and columns
subset(jjk_df[1:5, ], select = c("Name", "Technique"))

    ผลลัพธ์:

                  Name            Technique
1     Yuji Itadori       Divergent Fist
2 Megumi Fushiguro          Ten Shadows
3  Nobara Kugisaki           Straw Doll
4      Satoru Gojo            Limitless
5       Maki Zenin Heavenly Restriction

    5️⃣ Filtering

    เราสามารถกรองข้อมูลใน data frame ได้ 2 วิธี:

    1. ใช้ df[rows, cols] syntax
    2. ใช้ subset()

    .

    🍽️ df[rows, cols]

    เราสามารถกรองข้อมูลด้วย df[rows, cols] โดยกำหนดเงื่อนไขการกรองใน rows

    เช่น กรองข้อมูลตัวละครที่อยู่ปี 1:

    # Filter using df[rows, cols] - 1 condition
jjk_df[jjk_df$Grade == "1st Year", ]

    ผลลัพธ์:

      ID             Name Age    Grade CursedEnergy      Technique Missions
1  1     Yuji Itadori  15 1st Year           80 Divergent Fist       25
2  2 Megumi Fushiguro  16 1st Year           95    Ten Shadows       30
3  3  Nobara Kugisaki  16 1st Year           70     Straw Doll       20

    ในกรณีที่เรามีมากกว่า 1 เงื่อนไข เราสามารถใช้ logical operators ช่วยได้:

    OperatorMeaning
    &AND
    |OR
    !NOT

    ยกตัวอย่างเช่น กรองข้อมูลตัวละครที่อยู่ปี 1 และมีอายุ 15 ปี:

    # Filter using df[rows, cols] - multiple conditions
jjk_df[jjk_df$Grade == "1st Year" & jjk_df$Age == 15, ]

    ผลลัพธ์:

      ID         Name Age    Grade CursedEnergy      Technique Missions
1  1 Yuji Itadori  15 1st Year           80 Divergent Fist       25

    .

    🔪 subset()

    เราสามารถใช้ subset() เพื่อกรองข้อมูลได้แบบนี้:

    # Filter using sbuset() - 1 condition
subset(jjk_df, Grade == "1st Year")

    ผลลัพธ์:

      ID             Name Age    Grade CursedEnergy      Technique Missions
1  1     Yuji Itadori  15 1st Year           80 Divergent Fist       25
2  2 Megumi Fushiguro  16 1st Year           95    Ten Shadows       30
3  3  Nobara Kugisaki  16 1st Year           70     Straw Doll       20

    เราสามารถเพิ่มเงื่อนไขการกรองได้ด้วย logical operator เช่น:

    # Filter using sbuset() - multiple conditions
subset(jjk_df, Grade == "1st Year" & Age == 15)

    ผลลัพธ์:

      ID         Name Age    Grade CursedEnergy      Technique Missions
1  1 Yuji Itadori  15 1st Year           80 Divergent Fist       25

    6️⃣ Sorting

    สำหรับการเรียงข้อมูล เราจะใช้ order() ซึ่งเพื่อเรียงข้อมูลได้ 3 แบบ:

    1. Ascending (A–Z)
    2. Descending (Z–A)
    3. Sort by multiple columns: จัดเรียงด้วยหลาย columns

    .

    ⬇️ Ascending

    ยกตัวอย่างเช่น เรียงลำดับตามจำนวนภารกิจ (Missions):

    # Sort ascending (default)
jjk_df[order(jjk_df$Missions), ]

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
4   4      Satoru Gojo  28  Special          999                  Limitless      120

    .

    ⬆️ Descending

    เราสามารถเรียงข้อมูลแบบ descending ได้ 2 วิธี:

    1. ใช้ decreasing
    2. ใช้ -

    วิธีที่ 1. ใช้ decreasing:

    # Sort descending with decreasing
jjk_df[order(jjk_df$Missions, decreasing = TRUE), ]

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
4   4      Satoru Gojo  28  Special          999                  Limitless      120
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20

    วิธีที่ 2. ใช้ -:

    # Sort descending with -
jjk_df[order(-jjk_df$Missions), ]

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
4   4      Satoru Gojo  28  Special          999                  Limitless      120
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20

    .

    ↔️ Sort by Multiple Columns

    เราสามารถจัดเรียงข้อมูลได้มากกว่า 1 column ด้วยการเลือก columns ที่ต้องการจัดเรียงเพิ่ม

    เช่น จัดเรียงด้วย:

    • Grade
    • จำนวนภารกิจ (Missions)
    # Sort by mulitple columns
jjk_df[order(jjk_df$Grade, jjk_df$Missions), ]

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
4   4      Satoru Gojo  28  Special          999                  Limitless      120

    7️⃣ Aggregating

    เราสามารถสรุปข้อมูลโดยใช้ statistics functions เช่น:

    FunctionFor
    mean()หาค่าเฉลี่ย
    median()หาค่ามัธยฐาน
    min()หาค่าต่ำสุด
    max()หาค่าสูงสุด
    sd()หาค่า standard deviation

    ยกตัวอย่างเช่น หาค่าเฉลี่ย Cursed Energy (CursedEnergy):

    # Find average Cursed Energy
mean(jjk_df$CursedEnergy)

    ผลลัพธ์:

    [1] 236.4

    8️⃣ Adding Columns

    เราสามารถเพิ่ม columns ใหม่ได้ด้วยแบบนี้:

    df$new_col <- value

    ยกตัวอย่างเช่น เพิ่ม column Ranking:

    # Add a column
jjk_df$Ranking <- ifelse(jjk_df$CursedEnergy > 100, "High", "Low")

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions Ranking
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25     Low
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30     Low
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20     Low
4   4      Satoru Gojo  28  Special          999                  Limitless      120    High
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35     Low
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28     Low
7   7            Panda  18 2nd Year           75               Gorilla Mode       40     Low
8   8     Kento Nanami  27  Special          200            Ratio Technique       90    High
9   9     Yuta Okkotsu  17  Special          300                       Rika       55    High
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80    High

    9️⃣ Removing Columns

    เราสามารถลบ columns ได้ด้วยวิธีเดียวกันกับการเพิ่ม columns:

    df$col <- NULL

    ยกตัวอย่างเช่น ลบ column Ranking:

    # Remove a column
jjk_df$Ranking <- NULL

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
4   4      Satoru Gojo  28  Special          999                  Limitless      120
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80

    🔟 Binding

    เราสามารถเชื่อม data frame ได้ 2 แบบ:

    1. rbind(): เชื่อม row
    2. cbind(): เชื่อม column

    .

    🤝 rbind()

    rbind() ใช้เชื่อม data frame กับ row ใหม่ และต้องการ 2 arguments:

    rbind(df1, df2)
    1. df1 = data frame ที่ 1
    2. df2 = data frame ที่ 2

    ยกตัวอย่างเช่น เพิ่มชื่อตัวละครใหม่ (Hajime Kashimo):

    # Create a new data frame
new_sorcerer <- data.frame(
  ID = 11,
  Name = "Hajime Kashimo",
  Age = 25,
  Grade = "Special",
  CursedEnergy = 500,
  Technique = "Lightning",
  Missions = 60
)

# Bind the data frames by rows
jjk_df <- rbind(jjk_df, new_sorcerer)

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
4   4      Satoru Gojo  28  Special          999                  Limitless      120
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
11 11   Hajime Kashimo  25  Special          500                  Lightning       60

    .

    🤲 cbind()

    cbind() ใช้เชื่อม data frame กับ column ใหม่ และต้องการ 2 arguments ได้แก่:

    cbind(df, vector)
    1. df = data frame
    2. vector = vector ที่เก็บข้อมูลของ column ใหม่

    ยกตัวอย่างเช่น เพิ่ม column ที่บอกว่าตัวละครเป็นครูหรือไม่ (IsTeacher):

    # Bind a column
jjk_df <- cbind(
  jjk_df,
  IsTeacher = c(FALSE, FALSE, FALSE, TRUE, FALSE,
                FALSE, FALSE, TRUE, FALSE, TRUE, FALSE)
)

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions IsTeacher
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25     FALSE
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30     FALSE
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20     FALSE
4   4      Satoru Gojo  28  Special          999                  Limitless      120      TRUE
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35     FALSE
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28     FALSE
7   7            Panda  18 2nd Year           75               Gorilla Mode       40     FALSE
8   8     Kento Nanami  27  Special          200            Ratio Technique       90      TRUE
9   9     Yuta Okkotsu  17  Special          300                       Rika       55     FALSE
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80      TRUE
11 11   Hajime Kashimo  25  Special          500                  Lightning       60     FALSE

    😺 GitHub

    ดูตัวอย่าง code ทั้งหมดได้ที่ GitHub

    📃 References

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists
  • Machine Learning in R: รวบรวม 13 บทความสอนสร้าง Machine Learning ในภาษา R

    Machine Learning in R: รวบรวม 13 บทความสอนสร้าง Machine Learning ในภาษา R

    ภาษา R มี packages จำนวนมาก สำหรับสร้าง machine learning models

    ในบทความนี้ ผมรวบรวม 13 บทความสอนทำ machine learning ซึ่งแบ่งได้เป็น 4 กลุ่ม ดังนี้:

    1. Supervised learning models หรือการ train models แบบมีเฉลย
    2. Tree-based models หรือการสร้าง model ที่ใช้ decision trees
    3. Unsupervised learning models หรือการ train models แบบไม่มีเฉลย
    4. All-in-one packages หรือ packages สำหรับทำ machine learning แบบครบครัน ตั้งแต่การเตรียมข้อมูลไปจนถึงการประเมินประสิทธิภาพ รวมทั้งใช้ model ได้ตามต้องการ

    กลุ่มที่ 1. Supervised learning models (4 บทความ):

    1. KNN
    2. Naïve Bayes
    3. Linear regression
    4. Logistic regression
    5. Generalised linear models

    กลุ่มที่ 2. Tree-based models (3 บทความ):

    1. ภาค 1: Single tree และ random forest 1
    2. ภาค 2: Random forest 2
    3. ภาค 3: Boosted trees

    กลุ่มที่ 3. Unsupervised learning models (3 บทความ):

    1. k-means
    2. Hierarchical clustering analysis (HCA)
    3. Principal component analysis (PCA)

    กลุ่มที่ 4. All-in-one packages (2 บทความ):

    1. caret (เป็น package ที่เก่ากว่า)
    2. tidymodels (เป็น package ที่ใหม่กว่า)
  • สรุป 3-Phase Marketing ที่จะทำให้ลูกค้าซื้อ จาก Webinar ของ Donald Miller: “The 5 Simple Soundbites That Will Grow Your Business”

    สรุป 3-Phase Marketing ที่จะทำให้ลูกค้าซื้อ จาก Webinar ของ Donald Miller: “The 5 Simple Soundbites That Will Grow Your Business”

    ในวันก่อน ผมมีโอกาสได้เข้าร่วม webinar “The 5 Simple Soundbites That Will Grow Your Business” ของ Donald Miller เจ้าของ Business Made Simple ธุรกิจที่คนทั่วไปเข้าถึงความรู้ทางธุรกิจได้มากขึ้น และช่วยให้ธุรกิจอื่นเติบโต

    ในบทความนี้ ผมจะมาสรุปเนื้อหาของ webinar ซึ่งพูดถึงแนวคิดและเครื่องมือ marketing ที่แบ่งเป็น 3 ส่วน ซึ่งจะทำให้ลูกค้าหันมาสนใจและทำธุรกิจกับเรา

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 😘 Three Phases of a Relationship
    2. 🏡 House Analogy
      1. 🪜 Front Steps: Curiosity
      2. 🪑 Front Porch: Enlightenment
      3. 🚪 Front Door: Commitment
    3. 💪 Summary
    4. 📄 References

    😘 Three Phases of a Relationship

    Marketing เป็นการสร้างความสัมพันธ์ระหว่างเรา (ธุรกิจ) และลูกค้า

    ความสัมพันธ์ในโลกนี้ประกอบด้วย 3 phases ได้แก่:

    1. Curiosity
    2. Enlightenment
    3. Commitment

    ยกตัวอย่างทั้ง 3 phases ในความสัมพันธ์แบบคู่รักและ marketing:

    PhaseLoveMarketing
    Curiosityสนใจในตัวอีกฝ่ายสนใจในสินค้า/บริการ
    Enlightenmentออกเดททำความรู้จักกันศึกษาเพิ่มเติม (เช่น อ่านรีวิว)
    Commitmentขอแต่งงานกดสั่งสินค้า/บริการ
    Source: The 5 Simple Soundbites That Will Grow Your Business webinar by Donald Miller (2025)

    ทุกความสัมพันธ์จะต้องก้าวข้ามแต่ละ phase ตามลำดับ เช่น ถ้าเราอยากจะแต่งงาน เราจะขอแต่งงาน (commitment) เลยไม่ได้ แต่ต้องทำให้อีกฝ่ายสนใจ (curiosity) และทำความรู้จักกัน (enlightenment) ก่อน

    Marketing ก็เช่นกัน ถ้าเราอยากให้ลูกค้าซื้อ เราจะขอให้ลูกค้าซื้อของเลยไม่ได้ แต่เราจะต้องค่อย ๆ พาลูกค้าผ่านทีละ phase: ทำให้ลูกค้าสนใจเรา, ช่วยให้ลูกค้ารู้จักเรามากขึ้น, และขอให้ลูกค้าทำธุรกิจกับเรา

    ถ้าเราอยากให้ลูกค้าซื้อของกับเรา ในขั้นแรก เราจะต้องทำให้ลูกค้าสนใจเราให้ได้ก่อน

    🏡 House Analogy

    ความสัมพันธ์เปรียบเหมือนบ้านที่เราต้องการชวนให้ลูกค้าเข้ามาอยู่ด้วย

    นั่นคือ ลูกค้าจะเข้าบ้านได้ (เข้ามาอยู่ในความสัมพันธ์กับเรา) จะต้องก้าวผ่าน 3 ส่วนของบ้าน:

    1. บันไดหน้าบ้าน (curiosity)
    2. ระเบียงหน้าบ้าน (enlightenment)
    3. ประตูหน้าบ้าน (commitment)
    Source: The 5 Simple Soundbites That Will Grow Your Business webinar by Donald Miller (2025)

    บ้าน (marketing) ที่ดีควรจะมีทั้ง 3 ส่วน เพื่อทำให้ลูกค้าเข้าถึงบ้านได้ง่าย

    ถ้าขาดส่วนใดส่วนหนึ่งไป ไม่ได้หมายความว่า ลูกค้าจะไม่ซื้อของกับเรา แต่ลูกค้าจะซื้อของกับเราได้ยากขึ้น (ลูกค้าต้องปีนขึ้นระเบียงบ้านโดยไม่มีบันได)

    (Note: การที่เรามี marketing ไม่ครบ 3 ส่วน แต่ยังมีลูกค้า ก็แสดงว่า สินค้า/บริการของเราเป็นที่ต้องการของตลาด จนขนาดลูกค้ายอมก้าวข้ามความยากลำบากในการซื้อสินค้า/บริการได้)

    .

    🪜 Front Steps: Curiosity

    ถ้าเราอยากจะปิดการขาย เราจะต้องเริ่มจากทำให้ลูกค้าหันมาสนใจและก้าวขึ้นบันไดหน้าบ้านให้ได้ก่อน

    Marketing ที่จะทำให้ลูกค้าหันมาสนใจได้ คือ ทำให้ลูกค้ารู้ว่าสินค้า/บริการจะทำให้เขาอยู่รอด (survive) ได้ยังไง

    ในขั้นนี้ ลูกค้ายังไม่ต้องการรู้ว่า สินค้าเรามี features อะไรบ้าง หรือบริการของเราทำอะไรได้บ้าง เขาแค่ต้องการรู้ว่า เราจะช่วยให้มีชีวิตที่ดีขึ้นได้ยังไง เช่น:

    • ช่วยสร้างรายได้เพิ่มไหม?
    • ช่วยลดรายจ่ายหรือเปล่า?
    • ช่วยรักษาสุขภาพไหม?
    • ช่วยให้มีชื่อเสียงมากขึ้นหรือเปล่า?

    ถ้าเราสามารถทำให้ลูกค้าเห็นใจความหลักนี้ได้ เขาก็จะหันมาสนใจเรา

    เราสามารถสื่อสารใจความนี้ผ่าน 5 survival soundbites หรือข้อความสั้น ๆ ที่เราสามารถพูดทวนซ้ำ ๆ เพื่อให้ลูกค้าจำขึ้นใจได้ ซึ่งย่อได้สั้น ๆ ว่า PEACE ดังนี้:

    1. P: problem – ปัญหาที่ลูกค้ามี (และเราสามารถแก้ได้)
    2. E: empathy – ความเข้าใจในความรู้สึกของลูกค้า
    3. A: answer – คำตอบของปัญหา (นั่นคือ สินค้า/บริการของเรา)
    4. C: change – การเปลี่ยนแปลงที่จะเกิดขึ้น
    5. E: end result – ผลลัพธ์ที่ลูกค้าจะได้รับ

    ยกตัวอย่างบริษัทขายแว่นแฟชั่นราคาถูกเพื่อตอบโจทย์แว่นแฟชั่นราคาแพง:

    Source: The 5 Simple Soundbites That Will Grow Your Business webinar by Donald Miller (2025)
    1. Problem: Designer eyewear is outrageously expensive.
    2. Empathy: We know how painful it is to spend $300-500 for a pair of glasses.
    3. Answer: Get high-quality, affordable glasses delivered to your home, risk-free.
    4. Change: Don’t be one of the fools who pays too much for a pair of glasses.
    5. End result: Look great in your new glasses and still have plenty of money in the bank.

    แปลไทย:

    1. Problem: แว่นแฟชั่นมีราคาแพงเว่อร์
    2. Empathy: เรารู้ว่า มันน่าเจ็บใจขนาดไหนที่ต้องจ่ายเงิน $300-500 เพื่อแว่นอันเดียว
    3. Answer: ซื้อแว่นคุณภาพ ราคาถูก จัดส่งแบบไร้ความเสี่ยงถึงหน้าบ้าน
    4. Change: ไม่ต้องเป็นคนโง่ที่หลงจ่ายเงินซื้อแว่นราคาแพง
    5. End result: เปลี่ยน look ให้ดูดีกับแว่นใหม่ และยังมีเงินเก็บในธนาคารอีกเพียบ

    จะสังเกตว่า ทั้ง 5 soundbites ร้อยเรียงเป็นเรื่องราวที่ชวนให้ลูกค้าหันมาสนใจได้ โดย:

    1. Problem เปิดเรื่องให้ลูกค้าอยากรู้อยากเห็น
    2. Empathy ทำให้ลูกค้ารู้ว่าเราเข้าใจปัญหาของเขา
    3. Answer ชี้ทางสว่างให้กับลูกค้า (เชื่อมโยงสินค้าเข้ากับปัญหาที่ลูกค้าต้องการแก้)
    4. Change ชวนมองสิ่งที่จะเปลี่ยนแปลงไปในทางที่ดีขึ้น
    5. End result วาดภาพชีวิตที่ดีขึ้นให้ลูกค้าเห็น

    เมื่อเราใช้ทั้ง 5 soundbites สำเร็จ ลูกค้าก็เหมือนก้าวขึ้นมาตามขั้นบันไดทั้ง 5 ขึ้นมายืนบนระเบียงหน้าบ้านของเรา

    .

    🪑 Front Porch: Enlightenment

    ถ้าลูกค้ามาอยู่บนระเบียงหน้าบ้านแล้ว แสดงว่า เขาอยากทำความรู้จักสินค้า/บริการของเราเพิ่มเติม

    หน้าที่ของเราใน phase นี้ คือ ให้ข้อมูลที่เพียงพอต่อการตัดสินใจของลูกค้า ซึ่งเราสามารถทำได้ผ่าน due diligence documents หรือเอกสาร marketing ที่เราส่งให้กับลูกค้า เช่น:

    • Lead generator: PDF ให้ความรู้ที่เปิดให้โหลดได้ฟรี
    • Social campaign: campaign ที่ชวนให้ลูกค้าโพสต์รูปสินค้า และติด hashtags ลงใน Instagram
    • Educational content: อีเมลหรือบทความให้ความรู้เกี่ยวกับปัญหาที่ลูกค้ามีและทางแก้ปัญหา

    หลังจากได้รับข้อมูลแล้ว และลูกค้ารู้สึกว่าสินค้า/บริการตอบโจทย์ เขาก็พร้อมที่จะก้าวผ่านประตูหน้าบ้าน

    .

    🚪 Front Door: Commitment

    ในจุดนี้ เราจะไม่ปล่อยให้ลูกค้าเดินเข้าบ้านเอง แต่จะต้องเชิญชวนให้ลูกค้าอยากก้าวเข้าไปด้วย

    การที่เราไม่มีประตูบ้าน ก็เหมือนร้านค้าที่ไม่มี cashier เก็บเงิน ลูกค้าอาจจะหยิบสินค้าใส่ตะกร้าแล้ว แต่ถ้าไม่มี cashier ลูกค้าก็จ่ายเงินซื้อของไม่ได้ และเราจะปิดการขายไม่ได้

    Marketing ที่เราจะต้องทำในจุดนี้ คือ call to action

    เหมือนกับการแต่งงาน เราจะแต่งงานกับคนที่เรารักไม่ได้ถ้าไม่ขอแต่งงานกัน การขายก็เช่นกัน ถ้าเราไม่ขอให้ลูกค้าซื้อ เขาก็อาจจะไม่ซื้อของกับเรา

    ตัวอย่าง call to action ที่เราสามารถทำได้ เช่น:

    • ปุ่มสั่งซื้อบนหน้าเว็บ: “Buy now”, “Get one today”
    • ข้อความตอนหน้าสั่งซื้อ: “ส่งฟรี”, “ไม่พอใจ ยินดีคืนเงิน”
    • Time-sensitive offer: โปรโมชั่นลดเวลาในช่วงเวลาที่กำหนด

    ถ้า call to action ของเราได้ผล ลูกค้าก็จะก้าวเข้ามาในบ้านของเรา ซึ่งหมายถึงเราได้พาลูกค้าผ่านมาทั้ง 3 phases ได้สำเร็จ

    ถ้าเราทำ marketing ได้ครบทั้ง 3 phases เราก็จะเห็นจำนวนลูกค้าและยอดขายที่เพิ่มมากขึ้น เพราะเราทำให้ลูกค้าเข้ามาหาเราได้ง่ายขึ้น

    💪 Summary

    Marketing เป็นการสร้างความสัมพันธ์ระหว่างเรา (ธุรกิจ) และลูกค้า และประกอบด้วย 3 phases ซึ่งเปรียบได้เหมือนหน้าบ้านของเรา:

    1. Curiosity – บันไดหน้าบ้าน
    2. Enlightenment – ระเบียงหน้าบ้าน
    3. Commitment – ประตูหน้า

    ถ้าเราต้องการปิดการขาย เราจะต้องพาลูกค้าผ่านทั้ง 3 phases โดยใช้เครื่องมือเหล่านี้:

    1. Curiosity – 5 survival soundbites หรือ 5 ข้อความสั้น ๆ ที่เชื่อมสินค้า/บริการเข้ากับปัญหาที่ลูกค้าต้องการแก้
    2. Enlightenment – due diligence documents เช่น PDF ให้ความรู้
    3. Commitment – call to action เช่น โปรโมชั่นลดราคาในเวลาจำกัด

    เมื่อเราทำ marketing ตามกรอบแนวคิดนี้แล้ว เราจะเห็นลูกค้าและยอดขายที่เพิ่มขึ้น เพราะลูกค้าสังเกตเห็น ทำความรู้จัก และตอบรับสินค้า/บริการของเราได้ง่ายขึ้น

    📄 References

  • สรุป 7 ประเด็น AI Transformation จาก 7 Speakers ในงาน DigiTech ASEAN Thailand 2025

    สรุป 7 ประเด็น AI Transformation จาก 7 Speakers ในงาน DigiTech ASEAN Thailand 2025

    ในบทความนี้ ผมจะมาสรุป 7 ประเด็น AI transformation จาก 7 speakers บนเวที Global Tech Conference ในงาน DigiTech ASEAN Thailand 2025 เมื่อวันที่ 19 พ.ย. ที่ผ่านมา:

    1. Future trends: แนวโน้ม AI ในโลกอนาคต
    2. How to AI transformation: แนวคิดในการทำ AI transformation ในองค์กร
    3. Factors to consider: ปัจจัยที่ควรพิจารณาในการทำ AI transformation
    4. People management: การบริหารพนักงานในองค์กรในยุคของ AI
    5. Risks to consider: ความเสี่ยงในการทำ AI transformation
    6. AI solution showcases: ตัวอย่าง AI solutions จาก SCBX และ KBTG
    7. Surviving in the age of AI: แนวคิดในการเอาตัวรอดในยุค AI

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 🚀 Topic 1. Future Trends
      1. 🤖 AI Is Here to Stay.
      2. 😎 AI, More Agentic
      3. 🤝 Human-AI Collaboration
    2. 👷 Topic 2. How to AI Transformation
      1. 🫨 Pain Points
      2. 💪 Prioritise, Relentlessly
      3. ⛰️ Set Goal & Plan
      4. 👄 Communicate
      5. 📋 Track Success
    3. ☝️ Topic 3. Factors to Consider
    4. 🤠 Topic 4. People Management
      1. ♥️ Mindset
      2. 😈 Building Culture
      3. 👶 Generation Gap
    5. 🚨 Topic 5. Risks to Consider
    6. 👾 Topic 6. AI Solution Showcases: SCBX & KBTG
      1. 🟣 SCBX
    7. 🟢 KBTG
    8. 💡 Topic 7. Surviving in the Age of AI
    9. 🎤 List of Sessions
    10. 🔗 Related Links

    ประเด็นในเรื่อง future trends มีอยู่ 3 เรื่อง ได้แก่:

    1. AI is here to stay
    2. AI, more agentic
    3. Human-AI collaboration

    .

    🤖 AI Is Here to Stay.

    AI ก็เหมือนกับคอมพิวเตอร์ในยุคก่อน เราไม่มีทางที่จะย้อนกลับไปในยุคที่ไม่มี AI อีกแล้ว และเราต้องเรียนรู้ที่จะอยู่ร่วมกับ AI

    .

    😎 AI, More Agentic

    การใช้งาน AI เปลี่ยนจากการใช้ GenAI มาเป็น agentic AI มากขึ้นเรื่อย ๆ (สอดคล้องกับเวทีในปีก่อนที่บอกว่า การใช้ AI ในปี 2025 จะกลายมาเป็น agentic AI)

    .

    🤝 Human-AI Collaboration

    มนุษย์จะยังคงเป็นส่วนสำคัญในโลก แต่บทบาทของมนุษย์จะเปลี่ยนแปลงไป แต่เปลี่ยนแปลงไปยังไง ยังไม่มีใครรู้แน่ชัด

    👷 Topic 2. How to AI Transformation

    แนวคิดในการทำ AI transformation ในองค์กรมีอยู่ 5 ขั้นตอน ได้แก่:

    1. Pain points
    2. Prioritise, relentlessly
    3. Set goal and plan
    4. Communicate
    5. Track success

    .

    🫨 Pain Points

    เราไม่ควร transform เพียงเพราะองค์กรอื่นทำได้ เพราะแต่ละองค์กรมีบริบทที่แตกต่างกัน การที่ Amazon ทำได้ ไม่ได้หมายความว่า Google หรือเราจะทำได้ด้วยวิธีการเดียวกัน

    AI transformation ไม่มี one-size-fits-all และสิ่งที่เราต้องการหา pain point ให้เจอ: อะไรคือปัญหาที่เราต้องการแก้ในองค์กรของเรา?

    วิธีหนึ่งที่ช่วยให้เรามองเห็นปัญหาได้ คือ การลงไปดูหน้างานจริง

    ยกตัวอย่าง Makro ที่พบว่า พนักงานมีปัญหาในการยกถุงผงซักฟองลงจากชั้นวาง เพราะพนักงานส่วนใหญ่เป็นผู้หญิงและถุงผงซักฟองมีน้ำหนักมาก Makro จะไม่เห็นปัญหานี้เลยถ้าผู้จัดการนั่งอยู่แต่ในออฟฟิศ เพราะบนรายงานการขาย เราจะเห็นแค่ว่าผงซักฟองเป็นสินค้าขายดี

    .

    💪 Prioritise, Relentlessly

    ในองค์กร เราอาจจะมีปัญหามากมายที่เราต้องการแก้ไข:

    • เพิ่ม productivity
    • พัฒนา product ใหม่
    • เพิ่ม engagement กับลูกค้า

    แต่ด้วยเวลาและงบประมาณ เราจะต้องเลือกว่าจะจัดการปัญหาไหนก่อน

    เราจะต้องคอยจัดลำดับความสำคัญอย่างไม่ลดละเพื่อไม่ให้เราหลงทางในยุคที่การเปลี่ยนแปลงและปัญหาเกิดขึ้นอย่างรวดเร็ว

    เรามี 3 frameworks ที่ช่วยเราได้:

    Framework #1. Impact: ดูว่า AI solution ที่เราจะทำ สามารถใช้ได้ทั้งในระดับกลุ่ม (group level) และบริษัท (company level) ไหม

    Framework #2. Priority: ดูความเป็นไปได้ในการประยุกต์ใช้ (feasibility) และคุณค่าทางธุรกิจ (business value) ที่เราจะได้รับ

    Framework #3. Innovation: ดูว่า AI solution ที่เราต้องการมีคนทำอยู่แล้วไหม (off-the-shelf solution) และระดับความต้องการของเรา (need)

    .

    ⛰️ Set Goal & Plan

    เมื่อเราได้ปัญหาที่เราต้องการแก้ไขแล้ว สิ่งต่อไปที่เราต้องทำ คือ กำหนดเป้าหมายและวางแผน

    เราอาจจะวางแผน 1 ปี, 3 ปี, 5 ปี ซึ่งยิ่งแผนระยะยาวเท่าไร ก็ยิ่งมีโอกาสจะเปลี่ยนได้ง่าย เพราะเทคโนโลยีมีการเปลี่ยนแปลงอย่างรวดเร็ว อย่างแผน 5 ปีในปีนี้อาจแตกต่างกันอย่างสิ้นเชิงกับแผน 5 ปีในปีหน้า

    แต่มีแผนดีกว่าไม่มีแผน เพราะอย่างน้อย เราจะรู้ว่าเราจะต้องทำอะไร และแม้แผนจะเปลี่ยน แต่เป้าหมายเรายังเหมือนเดิม

    .

    👄 Communicate

    การตั้งเป้าหมายไม่พอ เรายังต้องสื่อสารและทำให้แน่ใจว่า ทุกคนเห็นและเข้าใจเป้าหมายเดียวกัน

    ถ้าเราทำให้ทุกคนเห็นเป้าหมายเดียวกันได้ แม้ต่างคนต่างจะมี job to be done ที่แตกต่างกัน แต่ทุกคนก็จะยังเดินไปในทิศทางเดียวกัน

    .

    📋 Track Success

    สุดท้าย เราจะต้องคอยติดตามผลความคืบหน้า เพื่อให้เราปรับเปลี่ยนวิธีการตามหน้างาน และทำให้แน่ใจว่า เรายังมุ่งหน้าไปในทิศที่เราต้องการอยู่

    ☝️ Topic 3. Factors to Consider

    เรามีปัจจัยที่ต้องพิจารณาในการทำ AI transformation มีอยู่ 4 อย่าง ได้แก่:

    1. People: พนักงานและลูกค้าของเรา
    2. Culture: วัฒนธรรมขององค์กร
    3. Systems/tools/tech: ระบบ เครื่องมือ และเทคโนโลยี
    4. Finance: เงิน (เพราะองค์กรอยู่ได้ด้วยเงินทุน)

    People เป็นสิ่งที่เราต้องให้ความสำคัญเป็นอันดับแรก เพราะถ้าเราโฟกัสที่ technology แต่พนักงานหรือลูกค้าไม่พร้อมที่จะใช้เครื่องมือใหม่ เราอาจจะได้ AI solution ที่ไม่มีใครใช้

    🤠 Topic 4. People Management

    การบริหารพนักงานในยุคของ AI มีอยู่ 3 หัวข้อ ได้แก่:

    1. Mindset
    2. Building culture
    3. Generation gap

    .

    ♥️ Mindset

    สิ่งที่เราต้องการในพนักงาน คือ mindset เพราะถ้าขาด mindset ที่เหมาะสม ไม่ว่าเราจะทำ AI transformation ดีขนาดไหน ก็อาจจะไม่สำเร็จ

    Mindset อาจจะเริ่มที่ตัวเราก่อน เช่น ถ้าเราอยากทำ AI transformation แต่เราไม่ชอบ AI เราต้องหันกลับมามองว่า ถ้า AI เป็นสิ่งที่หลีกเลี่ยงไม่ได้ เป็นเราหรือเปล่าที่จะต้องเปลี่ยน

    ถ้าเราไม่เปลี่ยน โลกก็จะเคลื่อนไปข้างหน้าโดยไม่มีเรา

    .

    😈 Building Culture

    สิ่งที่เราต้องการในองค์กร คือ diversity

    เราไม่ต้องการพนักงานที่มีลักษณะนิสัยเหมือนกันหมด เพราะ culture ที่มีคนแบบเดียวกัน คือ culture ที่จะหยุดนิ่ง เปลี่ยนแปลงได้ยาก

    ในการคัดเลือกพนักงาน เราไม่ควรปล่อยให้หัวหน้างานเลือกพนักงานเอง แต่ควรมีกระบวนการที่จะช่วยให้เราคัดเลือกพนักงานอย่างไม่ลำเอียงได้ เช่น มีการสัมภาษณ์หลายครั้งเพื่อให้ได้ความเห็นจากหลายมุมมอง

    นอกจากนี้ เราควรบอกว่า คนที่เป็น “ขบถ” หรือแตกต่าง มากกว่ามองหา “ขนมเปี๊ยะ” หรือคนที่ดูภายนอกหน้าตาเหมือนกันไปหมด

    .

    👶 Generation Gap

    Generation gap เป็นสิ่งที่หลีกเลี่ยงได้ยาก โดยเฉพาะในองค์กรขนาดใหญ่

    แต่ละ generation มีมุมมอง จุดแข็งและจุดอ่อนที่แตกต่างกันไป ซึ่งบางทีก็ทำให้เกิด conflict ระหว่างพนักงานได้

    ถ้าเราอยากทำให้เกิด collaboration แทน เราจะต้องโฟกัสไปที่จุดแข็งของแต่ละ generation เช่น:

    • Generation ที่อายุมากกว่า อาจจะไม่เชี่ยวชาญเทคโนโลยีเท่ากับรุ่นใหม่ แต่มีประสบการณ์และความเชี่ยวชาญมากกว่า
    • Generation ที่อายุน้อยกว่า แม้จะไม่มีประสบการณ์เท่ากับคนรุ่นก่อน แต่ก็มีความเชี่ยวชาญและคุ้นชินกับเทคโนโลยีใหม่ ๆ มากกว่า

    ถ้าเราสามารถดึงจุดแข็งของแต่ละรุ่นขึ้นมา เราก็จะทำให้เกิด collaboration ระหว่างพนักงานในองค์กรได้

    🚨 Topic 5. Risks to Consider

    ความเสี่ยงในการทำ AI transformation มีอยู่ 8 ข้อ ได้แก่:

    1. Cybersecurity threat: ความปลอดภัยของระบบ
    2. Employee resistance: การต่อต้านของพนักงาน
    3. Cost overrun: ใช้งบประมาณเกินกำหนด
    4. Data loss: การสูญเสียข้อมูล โดยเฉพาะข้อมูลที่สำคัญต่อองค์กร
    5. Vendor lock-in: การพึ่งพา vendor แค่เจ้าเดียว
    6. Compliance issues: ปัญหาการปฏิบัติตามกฎ ระเบียบ และข้อบังคับต่าง ๆ
    7. System downtime: ระบบหยุดทำงานและส่งผลต่อการทำงานของพนักงาน
    8. Integration challenges: ความท้าทายในการเชื่อมต่อกับระบบอื่น ๆ

    👾 Topic 6. AI Solution Showcases: SCBX & KBTG

    .

    🟣 SCBX

    SCBX นำเสนอ 2 ตัวอย่างการใช้ AI เพื่อแก้ปัญหาในองค์กร ได้แก่:

    1. ARIS (Advanced Reputation Intelligence System)
    2. PITAG (Predictive Intelligence for Tactical Anti-fraud Guardian)

    Case 1. ARIS เป็นระบบตรวจจับ incident หรือเหตุการณ์ที่อาจสร้างความเสียหายต่อชื่อเสียงขององค์กร ซึ่งช่วยให้ SCBX สามารถรับรู้และรับมือ incident ต่าง ๆ (เช่น ข่าวว่าแอป SCB ถูกแฮ็ก) ได้อย่างทันท่วงที

    ARIS มีการทำงาน 4 ขั้นตอน:

    1. Data pruning: คัดกรอง content บนอินเทอร์เน็ตที่เกี่ยวข้องกับ SCBX (เช่น แอป SCB)
    2. Sentiment analysis: แยกประเภท content เป็นเขียว เหลือง และแดง พร้อมจับกลุ่ม content ที่อยู่ในหัวข้อเดียวกัน (เช่น แอป SCB ขัดข้อง)
    3. Incident detection: ประเมินว่า แต่ละหัวข้อ (แอป SCB ขัดข้อง) เป็น incident ไหม และถ้าใช่ เป็น incident ระดับไหน
    4. Real-time dashboard: แสดงผลบนหน้าจอ เพื่อให้พนักงานรับรู้ถึง incident ได้แบบ real-time

    Case 2. PITAG เป็น agentic AI สำหรับตรวจจับ fraud และแบ่งการทำงานเป็น 4 ขั้นตอน:

    1. Data collector agent: รวบรวมข้อมูลเกี่ยวกับลูกค้า ทั้งข้อมูลบนระบบ และข้อมูลจากแหล่งอื่น ๆ (เช่น หน่วยงานทางการเงินที่เกี่ยวข้อง)
    2. Investigator agent: ตรวจสอบข้อมูลและประเมินแนวโน้มที่จะเป็น fraud
    3. Executor agent: จัดการกับเคสความเสี่ยง (เช่น โทรขอข้อมูลเพิ่มเติมจากลูกค้า หรือจำกัดวงเงินในการใช้งาน)
    4. Governance agent: กำกับการทำงานของ agents ให้เป็นไปตามกฎระเบียบข้อบังคับ

    .

    🟢 KBTG

    KBTG นำเสนอ 6 AI use cases ในองค์กร ได้แก่:

    1. Increase revenue: เพิ่มรายได้ให้กับองค์กร เช่น เพิ่มยอด sales leads, เพิ่มยอด conversion ผ่าน product และ promotion recommendation
    2. Reduce risk: ลดความเสี่ยงในการทำธุรกรรม เช่น การประเมิน credit score
    3. Streamline operation: ลดเวลาในการทำงาน เช่น ใช้ AI ช่วยประเมินความเสียหายของรถยนต์ และปรับแต่งรูปอสังหาริมทรัพย์เพื่อลงประกาศขาย
    4. Protect customers: รักษาความปลอดภัยให้กับลูกค้า เช่น AINU ระบบยืนยันตัวตนด้วย AI
    5. Improve productivity: เพิ่ม productivity เช่น ใช้ AI ช่วยเขียน code ซึ่งลดเวลาจากหลายชั่วโมงเหลือไม่กี่นาที
    6. New products/services: พัฒนา products ใหม่ ๆ เช่น แอปเหมียวจด และ Future You แอปสำหรับพัฒนาตัวเองผ่านการพูดคุยกับตัวเองในอนาคต

    💡 Topic 7. Surviving in the Age of AI

    ผมขอทิ้งท้ายบทความด้วย 10 ข้อคิดดี ๆ ในการเอาตัวรอดในยุค AI:

    1. Focus on one problem at a time. If you focus on many problems, a year from now you’ll still be where you are now.
    2. Break your goal into smaller ones. Get the small wins first.
    3. Don’t be afraid to fail; if you are, you’ve already failed.
    4. ผิดพลาดได้ แต่สิ่งที่สำคัญ คือ จะทำยังไงให้ไม่ผิดซ้ำ
    5. Be resilient, be persistent.
    6. เราไม่ต้องกลัว AI แทนที่เรา ถ้าเรายังพัฒนาตัวเองอยู่เสมอ
    7. คนที่จะมาแทนที่เราไม่ใช่ AI แค่คือคนที่ใช้ AI เก่งกว่าเรา
    8. สร้าง blue ocean ของตัวเอง ด้วยการทำสิ่งที่ไม่เหมือนใคร
    9. ทำงานเร็วจะต้องตั้งอยู่บนความเป็นจริงและตรงเป้าหมาย ไม่อย่างนั้น ก็จะเป็นความเร็วไร้ทิศทางที่ทำให้เราพังเร็วขึ้น
    10. ความเร็วไม่ใช่ทุกอย่าง แต่ละคนเก่งไม่เหมือนกัน เราจะต้องหาให้เจอว่า ใครทำอะไรได้ดีและหางานนั้นให้เขาทำ

    🎤 List of Sessions

    7 หัวข้อบนเวที Global Tech Conference:

    1. ดิจิทัลไม่ใช่แค่ฝ่าย IT แต่คือภารกิจของ CEO ในการขับเคลื่อนองค์กร โดย คุณสุธีรพันธุ์ สักรวัตร, ประธานเจ้าหน้าที่ฝ่ายการตลาด, SCBX
    2. จากวิสัยทัศน์สู่ความเร็ว: คู่มือทรานส์ฟอร์มองค์กรสู่ยุคเรียลไทม์ โดย ดร.ธีรเดช ดำรงค์พลาสิทธิ์, หัวหน้าคณะผู้บริหารด้านกลุ่มธุรกิจองค์กร, True Corporation
    3. Technology & Talent Transformation โดย คุณ Shaun Wong, Chief Corporate Planning Officer, CP Axtra
    4. พลิกมุมคิด ผู้นำ ธุรกิจยุคใหม่: ทรานส์ฟอร์มองค์กรอย่างไรให้รอดในปี 2030 โดย คุณกานติมา เลอเลิศยุติธรรม, รองประธานเจ้าหน้าที่บริหาร ด้านธุรธิจองค์กร, AIS
    5. Smart CEO in AI Era: ผู้นำองค์กรต้องปรับตัวอย่างไรในโลกที่ AI วิ่งเร็วกว่าเรา โดย ดร.ธรรม์ธีร์ สุกโชติรัตน์, CEO, JIB AI
    6. จากดิจิทัลสู่ความอัจฉริยะ: ก้าวต่อไปของเทคโนโลยีธุรกิจยุคใหม่ โดย ดร.ทัดพงศ์ พงศ์ถาวรกมล, กรรมการผู้จัดการ, KBTG
    7. The New Corporate DNA: สร้างองค์กรไว ปรับง่ายโตได้ทุกจังหวะ โดย คุณเปา พีรดนย์ เหมยากร, ประธานเจ้าหน้าที่บริหารและผู้ก่อตั้ง, iHAVECPU
  • สรุป 2 บทเรียนจาก workshop “Compassionate Leadership in the Age of AI” โดยคุณดามพ์ (มงคล หงษ์ชัย) ในงาน PMAT 60th: Compassion และ DEMO — 2 เครื่องมือเพื่อความสำเร็จในการพัฒนา AI solution ในองค์กร

    สรุป 2 บทเรียนจาก workshop “Compassionate Leadership in the Age of AI” โดยคุณดามพ์ (มงคล หงษ์ชัย) ในงาน PMAT 60th: Compassion และ DEMO — 2 เครื่องมือเพื่อความสำเร็จในการพัฒนา AI solution ในองค์กร

    ในบทความนี้ ผมจะมาสรุปเนื้อหาจาก workshop “Compassionate Leadership in the Age of AI” ของคุณดามพ์ (มงคล หงษ์ชัย) ผู้เชี่ยวชาญ agile leadership และ AI for future skills ในงาน PMAT 60th เมื่อวันที่ 12 พ.ย. ที่ผ่านมา

    โดยเนื้อหาจะแบ่งเป็น 3 ส่วน ได้แก่:

    1. Issues with AI adoption: ปัญหาการพัฒนา AI solution
    2. Compassion: เครื่องมือทำความเข้าใจคน
    3. DEMO: เครื่องมือทำความเข้าใจ process

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 😭 The Issue With AI Solutions
    2. 🫂 Compassion: Tool for Understanding the People
      1. ❤️ Empathy
      2. 🫂 Compassion
      3. 🧘 How to Develop Compassion
    3. 🦾 DEMO: Tool for Understanding Process
      1. 📊 Why DEMO?
      2. 👷 What Is DEMO?
      3. 🤖 DEMO & AI Solution
      4. 📋 How to DEMO
    4. 💪 Summary
    5. 📚 Further Reading

    😭 The Issue With AI Solutions

    95% ขององค์กรล้มเหลวในการสร้าง AI solution ที่สร้างกำไรได้จริง (The GenAI Divide: State of AI in Business 2025)

    สาเหตุหลักของความล้มเหลวมีอยู่ 2 ข้อ ได้แก่:

    1. People: ขาดความเข้าใจในผู้ที่เกี่ยวข้องกับการเปลี่ยนแปลง (เช่น พนักงานที่ต้องใช้ AI)
    2. Process: ขาดความเข้าใจใน process งานที่นำ AI มาประยุกต์ใช้

    ซึ่งทำให้ AI solution ที่ออกแบบไม่ตอบโจทย์คนใช้งานและไม่สามารถสร้างรายได้ให้กับองค์กรได้

    เราสามารถแก้ทั้ง 2 สาเหตุนี้ได้ด้วย 2 เครื่องมือนี้:

    1. Compassion: ช่วยทำความเข้าใจคน
    2. DEMO: ช่วยทำความเข้าใจ process

    🫂 Compassion: Tool for Understanding the People

    .

    ❤️ Empathy

    ถ้าเราจะเข้าใจคนอื่นได้ เราจะต้องมี empathy

    Empathy เป็นคำที่มีคนพูดถึงอยู่บ่อย ๆ โดยเฉพาะในองค์กรที่ทำงานกับ design thinking ซึ่งใช้ empathy เป็นเครื่องมือหลักในการทำความเข้าใจปัญหาของ user เพื่อออกแบบ solution ที่ตอบโจทย์ user อย่างแท้จริง

    Empathy ยังเป็น 1 ใน 4 ลักษณะสำคัญของ leader ในยุค VUCA (volatile, uncertain, complex, ambiguous) เคียงข้างกับ problem solving, relationship management, และ motivation อีกด้วย

    Empathy เป็นสิ่งจำเป็น เพราะทำให้เราเข้าใจความรู้สึกและมุมมองของคนอื่นได้ เพราะ leader ที่ไม่มี empathy จะไม่สามารถ engage คนอื่นได้ เพราะไม่สามารถสร้าง motivation ให้กับคนอื่นได้ (Connect with Empathy, But Lead with Compassion)

    แต่ empathy อย่างเดียวอาจไม่พอ และสิ่งที่เราต้องการจริง ๆ คือ compassion

    .

    🫂 Compassion

    ในขณะที่ empathy ช่วยให้เรารับรู้ความรู้สึกและมุมมองของคนอื่น compassion ไม่เพียงแต่ช่วยให้เราเข้าถึงความรู้สึกของคนอื่น แต่ยังรวมไปถึงความต้องการที่จะช่วยคนอื่นอีกด้วย

    Compassion แปลไทยได้ว่า “กรุณา” ซึ่งหมายถึง การช่วยให้คนอื่นพ้นทุกข์ และคำที่มักมาคู่กัน คือ “เมตตา” ซึ่งแปลว่า การทำให้คนอื่นมีความสุข (Buddhist beliefs – Edexcel)

    Empathy เป็นสิ่งจำเป็นที่จะช่วยให้เรา connect กับคนอื่นได้ แต่ถ้าเราจะเป็น leader ที่ดี เราจะต้องมี compassion ด้วย เพราะ empathy อย่างเดียวอาจทำให้เราตัดสินใจผิดพลาดได้ ตามคำของ Paul Polman อดีต CEO ของ Unilever:

    If I led with empathy, I would never be able to make a single decision. Why? Because with empathy, I mirror the emotions of others, which makes it impossible to consider the greater good.”

    แปล:

    ถ้าผมนำด้วย empathy ผมจะตัดสินใจไม่ได้สักอย่าง ทำไมหรอ? เพราะ empathy ทำให้ผมรู้สึกความรู้สึกของคนอื่น ซึ่งทำให้ผมคิดถึงประโยชน์ของส่วนรวมไม่ได้

    มีงานวิจัยที่แสดงให้เห็นถึงข้อเสียของ empathy

    ในงานวิจัย ผู้เข้าร่วมถูกขอให้เลือกว่า จะลัดคิวเด็กที่ป่วยหนักคนหนึ่งเพื่อให้ได้รับการรักษาก่อนคิวไหม โดยกลุ่มหนึ่งถูกขอให้ฟังและมีความรู้สึกร่วมในขณะที่เด็กเล่าถึงความเจ็บปวดจากโรค และอีกกลุ่มถูกขอให้ฟังโดยไม่ตัดสิน

    ผู้เข้าร่วมกลุ่มแรกเลือกที่จะลัดคิวให้เด็กมากกว่าผู้เข้าร่วมในกลุ่มหลัง แม้ว่าผู้เชี่ยวชาญด้านการแพทย์จะคัดค้าน แม้ว่าการตัดสินใจลัดคิวจะเป็นผลดีต่อเด็ก แต่ทำให้ผู้ป่วยอื่น ๆ ที่อาจต้องการการรักษามากกว่าอยู่ในอันตรายได้ (Connect with Empathy, But Lead with Compassion)

    ดังนั้น เราไม่ควรมีแต่ empathy แต่ควรมี compassion ด้วย

    .

    🧘 How to Develop Compassion

    เราสามารถพัฒนา compassion ได้ 2 วิธี:

    วิธีที่ 1. ฝึกอยู่กับปัจจุบันทั้งกายและใจ

    แม้ว่าเวลาคุยกับคนอื่น เราอาจจะคิดว่าเราฟังอยู่ แต่จริง ๆ แล้วใจเราอาจไปอยู่ที่อื่น หรือเสียงในหัวเราอาจจะดังกลบเสียงคนที่กำลังพูด

    เราสามารถฝึก compassion ได้โดยกลับมาอยู่กับสิ่งที่เกิดขึ้นในปัจจุบัน ซึ่งจะช่วยให้เราอยู่กับสิ่งที่คนอื่นกำลังพูดได้มากขึ้น

    เราสามารถฝึกอยู่กับปัจจุบันได้ผ่านการนั่งสมาธิ หรือง่ายกว่านั้น คือ การสังเกตสิ่งที่กำลังเกิดขึ้นรอบตัวเรา เช่น:

    • ลมหายใจเข้าออกของเรา
    • ผิวของเนื้อผ้าที่เราสวมใส่
    • แอร์หรือลมที่ตกกระทบผิวของเรา

    แค่เราฝึกสังเกตสิ่งที่เกิดขึ้นในแต่ละช่วงขณะ เราก็จะค่อย ๆ พัฒนา compassion ของเราขึ้นทีละนิด เพราะเราสามารถอยู่กับคนที่ต้องการความช่วยเหลือจากทั้งกายและใจ

    วิธีที่ 2. ให้ AI ช่วย

    เราสามารถให้ AI ช่วยพัฒนา compassion ได้ เช่น:

    • เล่าสถานการณ์ที่เราพูดคุยกับคนอื่นให้ AI ฟัง เพื่อให้ AI ให้มุมมองใหม่ ๆ กับเรา พร้อมแนะนำวิธีแสดง compassion เพิ่มเติมได้ (Using AI to Make You a More Compassionate Leader)
    • ให้ AI ช่วย role-play กับเรา ให้เราได้ฝึก compassion เหมือนในหน้างานจริง

    🦾 DEMO: Tool for Understanding Process

    .

    📊 Why DEMO?

    ทุกองค์กรมี chart มากมายสำหรับแสดงข้อมูลต่าง ๆ เช่น flow chart สำหรับแสดงขั้นตอนการทำงานในองค์กร และ organisation chart ที่แสดงผังองค์กร

    Chart เหล่านี้ล้วนแสดงข้อมูลเป็นท่อน ๆ นั่นคือ แสดงรายละเอียดภาพย่อย แต่ขาดความเชื่อมโยงระหว่างข้อมูลที่สำคัญต่อการตัดสินใจในระดับบริหาร

    ยกตัวอย่างเช่น flow chart แสดงการเบิกจ่ายค่าเดินทางให้พนักงาน:

    ในรูป เราจะรู้ว่ามีขั้นตอนอะไรบ้างที่จะเกิดขึ้นก่อนพนักงานจะได้รับเงินค่าเดินทาง แต่เราไม่รู้ว่าขั้นตอนเหล่านี้เกี่ยวข้องกับส่วนอื่น ๆ ขององค์กรยังไงบ้าง เช่น:

    • แต่ละขั้นตอนมีใครเกี่ยวข้องบ้าง
    • มีเอกสารอะไรที่ต้องการใช้บ้าง
    • แต่ละขั้นตอนใช้เวลาเท่าไร

    ถ้าเราต้องการเห็นภาพรวมของการทำงานในองค์กร เราจะใช้ DEMO

    .

    👷 What Is DEMO?

    DEMO (ย่อมาจาก Design & Engineering Methodology for Organisations) เป็นหลักการในการออกแบบองค์กร ซึ่งมีวิธีการเขียน process ในระดับ high level ที่ช่วยให้ทำความเข้าใจและตัดสินใจได้ง่าย

    ยกตัวอย่างการเขียน process การเบิกค่าเดินทางแบบ DEMO:

    DEMO แสดง process ในรูปแบบของ transaction หรือการแลกเปลี่ยนระหว่าง 2 ฝ่าย ได้แก่:

    1. Initiator: คนที่เริ่มการแลกเปลี่ยน (เช่น พนักงานที่ขอเบิกค่าเดินทาง)
    2. Executor: คนที่ทำให้เกิดผลลัพธ์บางอย่างในระบบ (เช่น ฝ่ายบัญชีที่อนุมัติจ่าย)

    ในแผนภาพแบบ DEMO (เรียกว่า OCD หรือ Organisation Construction Diagram) เราจะเห็นว่า:

    1. การเบิกจ่ายเงินมีกี่ transaction (ดูจาก T01, T02, …)
    2. แต่ละ transaction มีใครที่เกี่ยวข้องบ้าง
    3. แต่ละ transaction ใช้เวลาเท่าไร (ตัวเลขใต้ T0x เช่น T01 ใช้เวลา 1 วัน)

    OCD มาพร้อมกับตารางที่ให้ข้อมูลเพิ่มเติมเกี่ยวกับ transaction เช่น:

    TransactionDurationDocuments
    T01. ส่งเอกสาร1 วันฟอร์มเบิกค่าเดินทาง, หลักฐานการเดินทาง, สำเนาบัตรประชาชน
    T02. อนุมัติเบิก1 วันฟอร์มเบิกค่าเดินทาง, หลักฐานการเดินทาง
    T03. ส่งเรื่องเบิก2 วันฟอร์มเบิกค่าเดินทาง, หลักฐานการเดินทาง
    T04. เบิกจ่าย3 วันอีเมลแจ้งการเบิกจ่าย

    เมื่อเราดู OCD และตารางประกอบกัน เราจะสามารถระบุปัญหาและจุดที่ควรแก้ไขได้ในทันที เช่น:

    1. เราตัดขั้นตอน T03 ออกได้ไหม? ให้ฝ่ายบัญชีจ่ายตรงให้พนักงานเลย
    2. ทำไม T03 ใช้เวลานาน? ลดเหลือ 1 วันได้ไหม?
    3. T01 ต้องใช้เอกสาร 3 อย่างเลยหรอ? ตัดสำเนาบัตรประชาชนออกได้หรือเปล่า?

    ถ้าเรามองย้อนกลับไปที่ flow chart ก่อนหน้านี้ เราจะเห็นความแตกต่างอย่างชัดเจนว่า เราไม่สามารถตั้งคำถามเหล่านี้ได้ในทันที เพราะ flow chart ไม่ได้ให้ข้อมูลที่เพียงพอหรือจำเป็นต่อการตัดสินใจในการเปลี่ยนแปลง process งาน

    ในทางตรงกันข้าม OCD สามารถให้ข้อมูลที่ช่วยให้เราทำความเข้าใจ process และระบุปัญหาที่ควรแก้ไขได้ในทันที

    .

    🤖 DEMO & AI Solution

    เราสามารถนำ DEMO มาประยุกต์ใช้ในการออกแบบ AI solution ให้เหมาะกับองค์กรได้

    ยกตัวอย่างเช่น สำหรับการเบิกค่าเดินทาง เราอาจจะอยากพัฒนา AI ขึ้นมาช่วยพนักงานยื่นเอกสารเบิกจ่าย (T01) แต่จะเห็นได้ว่า ถ้าเราทุ่มงบประมาณไปกับการพัฒนา AI ในส่วนนี้ เราจะลดภาระงานไปเพียง 1 วันเท่านั้น

    แต่ถ้าเราพัฒนา AI เพื่อมาช่วยฝ่ายบัญชีส่งต่อเอกสารให้กับฝ่ายการเงิน (T03) หรือช่วยฝ่ายการเงินตั้งจ่ายและส่งอีเมลยืนยันการจ่าย (T04) เราจะสามารถลดเวลาได้มากขึ้น เพราะทั้ง 2 จุดนี้ใช้เวลามากที่สุดในขั้นตอนทั้งหมด ถ้าเราพัฒนา AI เพื่อช่วย T03 และ T04 แล้ว เราจะลดเวลาในการทำงานลงไปกว่าครึ่งของ process ทั้งหมด (5 จาก 7 วัน)

    .

    📋 How to DEMO

    การเขียน OCD มีอยู่ 3 ขั้นตอน ได้แก่:

    1. Gather data: เก็บข้อมูล process งานจากฝ่ายที่เกี่ยวข้อง (เช่น ฝ่ายบัญชี) โดยใช้ empathy และ compassion เพื่อช่วยให้เราเข้าใจและอยากช่วยเหลือ
    2. Categorise data: จัดกลุ่มข้อมูลได้เป็น 3 ส่วน ได้แก่:
      1. Forma: วิธีการสื่อสาร (เช่น อีเมล, แบบฟอร์ม)
      2. Informa: สิ่งที่ต้องการสื่อสาร (เช่น คำขออนุมัติเบิกค่าเดินทาง)
      3. Performa: สิ่งที่ทำให้เกิดผลลัพธ์ (เช่น การอนุมัติเบิก)
    3. Convert to transaction: เปลี่ยนข้อมูลให้เป็น transaction ที่มี 3 องค์ประกอบ ได้แก่:
      1. Actors: initiator และ executor
      2. Documents: เอกสารที่เกี่ยวข้อง (เช่น ฟอร์มเบิกค่าเดินทาง, ใบเสร็จ)
      3. Duration: ระยะเวลาที่ใช้สำหรับ transaction นั้น ๆ (เช่น 1 วัน)

    💪 Summary

    องค์กรส่วนใหญ่ล้มเหลวในการพัฒนา AI solution ให้ตอบโจทย์ เพราะขาดความเข้าใจ 2 อย่าง ได้แก่:

    1. People: ความเข้าใจในคนที่เกี่ยวข้อง
    2. Process: ความเข้าใจในกระบวนการทำงานที่จะเอา AI solution เข้าไปช่วย

    เราสามารถแก้ทั้ง 2 สาเหตุนี้ได้ โดยใช้:

    1. Compassion เพื่อทำความเข้าใจคน
    2. DEMO เพื่อทำความเข้าใจกระบวนการทำงาน

    📚 Further Reading

    สำหรับคนที่สนใจศึกษาเชิงลึกเกี่ยวกับหัวข้อในบทความนี้ สามารถอ่านเพิ่มเติมได้ตามนี้

    Compassion:

    DEMO:

    Bonus — สรุปงาน PMAT 60th:

  • สรุปความรู้จาก 4 Sessions ในงาน Work Life Festival 2025: การเอาตัวรอดในอนาคต, วิธีหาเงินโดยทำงานน้อยลง, เคล็ดลับการสร้างรายได้, และการลงทุน

    สรุปความรู้จาก 4 Sessions ในงาน Work Life Festival 2025: การเอาตัวรอดในอนาคต, วิธีหาเงินโดยทำงานน้อยลง, เคล็ดลับการสร้างรายได้, และการลงทุน

    Work Life Festival 2025 เป็น event ที่จัดขึ้นเมื่อวันที่ 7–8 พฤศจิกายนที่ผ่านมา โดยในงานมีเวทีนำเสนอในหลากหลายหัวข้อที่ตอบโจทย์วัยทำงาน เช่น:

    • การเงินการลงทุน
    • การทำธุรกิจ
    • การพัฒนาทักษะ
    • การใช้ชีวิต

    ในบทความนี้ ผมจะมาสรุปเนื้อหาจาก 4 sessions ที่น่าสนใจที่ผมมีโอกาสได้ไปร่วมฟัง:

    1. The Future of Work (กษิดิศ สตางค์มงคล): วิธีการเอาตัวรอดในโลกอนาคต
    2. Barista FIRE (วิฑูรย์ สูงกิจบูลย์): วิธีการเกษียณก่อนอายุ ทำยังไงให้ทำงานน้อยลงแต่มีรายได้และเวลาเพิ่มขึ้น?
    3. Income Maximisation Strategy (ศิวกร ปล้องใหม): วิธีเพิ่มรายได้ให้ถึงขีดสุด
    4. Purpose First, Market Later (ศรารัญย์ คาน): วิธีการลงทุนให้ตอบโจทย์ชีวิต

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 🦾 The Future of Work: Why Now Is the Best Time to Build One-Person Business
      1. 🧘 Mindsets for Survival
      2. 🤔 Future Jobs
      3. 🏦 First-Principles for One-Person Business
      4. 🧑‍💼 One-Person Business Philosophy
    2. 🧧 Barista FIRE: แผนที่สู่อิสระกึ่งเกษียณ ทำงานที่อยากทำ ไม่ใช่เพราะต้องทำ
      1. 📖 Backstory
      2. 🔥 FIRE & Barista FIRE
      3. 🪜 How to Barista FIRE
      4. ☕ Example
      5. 🙋 Start With This Question
    3. 💰 Income Maximisation Strategy: กลยุทธเรียบง่ายเพิ่มรายได้ให้ถึงขีดสุด
      1. 🚲 The Three Wheels of Income
      2. 🚴 How to Move the Wheel
      3. 🔥 Expand Existing Income
      4. ⌨️ Find Extra Income
    4. 📊 Purpose First, Market Later: The Three Pillars of Lifelong Investing
      1. 💸 Investing Not Required, Or Not?
      2. 💖 Put Purpose First
      3. 🪙 Compound Interest
      4. 📘 Free Investment Playbooks
    5. 📃 References

    🦾 The Future of Work: Why Now Is the Best Time to Build One-Person Business

    Speaker: กษิดิศ สตางค์มงคล (Digital Writer & Data Analyst, DataRockie)

    .

    🧘 Mindsets for Survival

    ไม่มีใครรู้ว่า จะเกิดอะไรขึ้นในอนาคต:

    • AI ฉลาดขึ้น
    • สิ่งแวดล้อมแย่ลง
    • วิกฤตเศรษฐกิจ
    • สงครามและความขัดแย้ง

    ถ้าจะอยู่รอด เราจะต้องมี mindset 2 ข้อ:

    1. Accept that everything/reality is just the way it is: ยอมรับในสิ่งที่เป็น ไม่ปฏิเสธหรือต่อต้าน
    2. No one is coming to save you: ไม่ใครจะช่วยเราได้ (นอกจากตัวเราเอง)

    .

    🤔 Future Jobs

    Job ในอนาคตจะเปลี่ยนจาก job แบบที่พ่อแม่เราทำ (หางานและอยู่กับมันไปนาน ๆ) ไปเป็น job ที่เราสร้างเอง นั่นคือ การสร้างธุรกิจเป็นของตัวเอง (one-person business)

    งาน office มีข้อเสียอยู่ 2 ข้อ:

    1. Less secure: แม้จะดูมั่นคง แต่ก็ไม่เสมอไป หลายองค์กร lay off พนักงาน ทั้งตอน COVID-19 และเมื่อ AI เริ่มเข้ามาแทนที่คน ไม่มีอะไรการันตีว่า เราจะอยู่กับงานที่ทำไปจนเกษียณ
    2. Effort ≠ reward: ไม่ว่าเราจะทุ่มเทให้กับงานขนาดไหน แต่ไม่มีอะไรการันตีว่า เงินเดือนของเราจะสูงขึ้นตามไป เช่น เราให้เวลากับงานในปีนี้เป็น 2 เท่า แต่ในปีหน้า เราอาจไม่ได้รับเงินเดือนเพราะเศรษฐกิจไม่ดี และเราจะโชคดีมากที่ไม่ถูก lay off

    ในทางกลับกัน การมีธุรกิจเป็นของตัวเองมีข้อดี 2 ข้อ:

    1. More secure: แม้จะไม่มั่นคง 100% แต่ตราบใดที่เรายังสามารถส่งมอบ value ให้กับโลกได้ เราจะสามารถสร้างรายได้อย่างต่อเนื่องและไม่ต้องกลัวตกงาน
    2. More control: เราควบคุมผลลัพธ์ได้มากกว่า เช่น สร้างรายได้เป็น 2 เท่าจากความพยายามที่เพิ่มขึ้น 2 เท่า

    .

    🏦 First-Principles for One-Person Business

    เรามีหลักคิด 5 ข้อในการสร้างธุรกิจเป็นของตัวเอง:

    1. Worthy goal: มองหาเป้าหมายที่คุ้มค่าที่จะลอง
    2. Work harder on yourself (than on your job): ทุ่มเทไปกับการพัฒนา/ดูแลตัวเอง มากกว่าทุ่มเทให้กับงานที่ทำ (แนวคิดจาก Jim Rohn นักธุรกิจและนักเขียนชาวอเมริกัน)
    3. Always read: จงอ่านอยู่เสมอ เพราะการเรียนคือชีวิต ไม่ใช่การเตรียมตัวเพื่อใช้ชีวิต (อิงจาก quote ของ John Dewey นักปรัชญาและนักจิตวิทยาชาวอเมริกัน)
    4. Focus on what you can control: โฟกัสกับสิ่งที่เราควบคุมได้ เพราะสิ่งเดียวที่ไม่มีใครเอาไปจากเราได้ คือ อิสระในการเลือกของเรา (แนวคิดจาก Viktor Frankl นักจิตวิทยาชาวออสเตรียและผุ้รอดชีวิตจากค่ายกักกันของนาซี)
    5. Relentless pursuit: ทำทุกวัน ทำอย่างสม่ำเสมอ ทำวันละเล็กละน้อยสะสมไป เช่น ถ้าเราอ่านหนังสือเดือนละเล่ม ใน 10 ปีข้างหน้า เราจะมีความรู้เพิ่มขึ้นขนาดไหน

    .

    🧑‍💼 One-Person Business Philosophy

    Key takeaway สำหรับการสร้างธุรกิจเป็นของตัวเอง คือ:

    Use your skills to build something of value and monetise it through the internet.

    🧧 Barista FIRE: แผนที่สู่อิสระกึ่งเกษียณ ทำงานที่อยากทำ ไม่ใช่เพราะต้องทำ

    Speaker: วิฑูรย์ สูงกิจบูลย์ (ผู้ก่อตั้งสำนักพิมพ์ spAcebook, เจ้าของเพจ สรุปให้)

    .

    📖 Backstory

    เมื่อ 10 ปีก่อน คุณวิฑูรย์เคยทำงานเป็นผู้บริหารเงินเดือน 6 หลักและมีชีวิตที่เพียบพร้อม ทั้งเงิน บ้าน รถ และครอบครัว

    แต่สิ่งที่ขาดไป คือ ความสุข

    คุณวิฑูรย์มีทุกอย่าง แต่ไม่มีเวลาให้กับครอบครัว คุณวิฑูรย์และภรรยาต่างก็เป็นผู้บริหารที่ทำงานหนักด้วยกันทั้งคู่ คุณวิฑูรย์ทำงานหนักจนกระทั่งว่า ลูกคนหนึ่งจะต้องไปอยู่กับยาย/ย่า เพราะทั้งคุณวิฑูรย์และภรรยาไม่มีที่เลี้ยงดูลูกได้อย่างเต็มที่

    ทางเลือกของคุณวิฑูรย์มีอยู่ 2 ทาง:

    1. มีทุกอย่าง แต่ไม่มีเวลาให้กับลูก
    2. ทำงานน้อยลง แต่มีเวลาให้กับลูก

    แน่นอนว่า คุณวิฑูรย์เลือกทางเลือกที่ 2

    คุณวิฑูรย์ไม่ได้ออกจากงานในทันที แต่ก็ไม่ได้แผนที่ชัดเจนตอนออกจากงาน

    14 งาน คือ งานที่คุณวิฑูรย์ทดลองทำหลังออกจากงาน ตั้งแต่งานแปลเอกสารไปจนถึงขายของในตลาดนัด

    ทางเดินของคุณวิฑูรย์ไม่ได้โรยด้วยกลีบกุหลาบ และในวันนี้ คุณวิฑูรย์จะมาแชร์แนวคิดการที่ช่วยให้ทุกคนสามารถทำงานน้อยลง แต่มีรายได้เท่าเดิมหรือมากขึ้น และมีเวลาให้กับชีวิตมากขึ้น

    .

    🔥 FIRE & Barista FIRE

    แนวคิดที่ว่า คือ FIRE (financial independence, retire early) ซึ่งเป็นวิธีสร้างอิสระทางการเงินด้วยการเก็บออมเงินในขณะที่ยังทำงานอยู่ เพื่อให้สามารถเกษียณตอนอายุยังน้อยและยังมีเงินใช้จ่ายโดยไม่ต้องทำงานอีก

    Barista FIRE เป็น FIRE ที่ลดความเข้มข้นในการเก็บออมลงมา โดยแทนที่เราจะออมให้ได้มากพอที่จะสำหรับค่าใช้จ่ายหลังเกษียณ เราจะเก็บเงินแค่ให้มากสำหรับใช้จ่ายบางส่วน และหารายได้เสริมเพื่อดูแลค่าใช้จ่ายที่เหลือ

    .

    🪜 How to Barista FIRE

    การออมแบบ barista FIRE มีอยู่ 3 ขั้นตอน ดังนี้:

    1. ออม: เก็บเงินในระหว่างที่ยังทำงานประจำอยู่
    2. ลงทุน: เอาเงินออมไปลงทุนให้ได้ port ขนาด 25 เท่าของค่าใช้จ่ายต่อปี เพื่อให้มี passive income 4% ของค่าใช้จ่ายหลังเกษียณ
    3. เกษียณ: ออกจากงาน ใช้งานด้วย passive income + ทำงานเสริม

    .

    ☕ Example

    ตัวอย่างการออมเงินให้พอสำหรับเกษียณ:

    ถ้าเรามีค่าใช้จ่าย 120,000 บาทต่อปี เราจะต้องสร้าง port ให้ได้ขนาด:

    12,000 * 25 = 3,000,000 บาท

    และเราต้องการทำ port ให้ได้ภายใน 5 ปี (60 เดือน) เราจะต้องเก็บเงินเดือนละ:

    3,000,000 / 60 = 50,000 บาท

    .

    🙋 Start With This Question

    Barista FIRE เป็นแนวทางที่จะช่วยให้เรามีอิสระในการใช้ชีวิตมากขึ้น ซึ่งเราสามารถเริ่มได้ด้วยการถามตัวเองว่า:

    เงินขั้นต่ำที่ทำให้เราอยู่ได้โดยไม่เดือดร้อน คือ เท่าไร?

    💰 Income Maximisation Strategy: กลยุทธเรียบง่ายเพิ่มรายได้ให้ถึงขีดสุด

    Speaker: ศิวกร ปล้องใหม (Founder of Nack Siwakorn)

    .

    🚲 The Three Wheels of Income

    รายได้มาจาก 3 ทาง:

    1. หาเงิน
    2. ออมเงิน
    3. ลงทุน

    แต่ละทางเป็นเหมือนล้อจักรยานที่เราต้องออกแรงปั่นเพื่อให้จักรยานเคลื่อนไปข้างหน้า ในช่วงแรก เราจะต้องออกเยอะหน่อย แต่เมื่อล้อหมุนเองได้แล้ว เราจะออกแรงน้อยลงและมีเวลาพักจากการปั่นจักรยานมากขึ้น

    .

    🚴 How to Move the Wheel

    ใน 3 ทางนี้ ทางที่สำคัญที่สุด คือ หาเงิน

    ถ้าเรามีเงินทุนเยอะ เราจะสามารถออมและลงทุนได้มากขึ้น นั่นคือ วงล้อการเงินของเราจะหมุนได้ง่ายขึ้น

    เราสามารถเพิ่มรายได้ด้วย 2 วิธี:

    1. เพิ่มรายได้ที่มีอยู่
    2. หารายได้เสริม

    .

    🔥 Expand Existing Income

    การหาเงินไม่มีอยู่จริง เราไม่สามารถมองหาเงินและเจอเงินล้านตกอยู่บนพื้นได้

    ถ้าเราต้องการหาเงิน สิ่งที่เราต้องมองหาไม่เงิน แต่คือปัญหา

    ถ้าเราสามารถแก้ปัญหาให้กับกลุ่มคนที่ต้องการทางออกได้ เราก็จะได้เงินที่เรามองหา

    การทำงานทุกอย่างคือการแก้ปัญหา เช่น การติว IELTS คือการแก้ปัญหาการสอบเข้ามหาวิทยาลัยให้กับนักเรียนม.ปลาย

    เราสามารถเพิ่มรายได้ที่มีอยู่ได้ 2 ทาง:

    1. แก้ปัญหาที่ใหญ่ขึ้น: เช่น สอน IELTS ให้พนักงานที่ต้องการทำงานในองค์กรต่างชาติ ซึ่งมีกำลังจ่ายมากกว่านักเรียนม.ปลาย
    2. แก้ปัญหาให้คนมากขึ้น: เช่น เปลี่ยนการสอนแบบตัวต่อตัว เป็นสอนแบบกลุ่ม

    .

    ⌨️ Find Extra Income

    อีกวิธีในการเพิ่มรายได้ คือ ทำงานเสริม

    งานเสริมที่เราสามารถทำได้ เช่น:

    • Video editor
    • Graphic designer
    • Content creator
    • Fitness coach
    • Financial advisor
    • Tutor
    • Consultant
    • Seller
    • อื่น ๆ

    หลายคนอาจมีคำถามเกี่ยวการเริ่มทำงานเสริม เช่น:

    1. ไม่รู้จะทำอะไร
    2. ทำไม่เป็น
    3. ไม่มีทุน
    4. ไม่มี passion

    แต่ทุกคำถามมีคำตอบ:

    1. ไม่รู้จะทำอะไร → ออกไปหา ไปทดลองเพื่อให้รู้ว่าอยากทำอะไร
    2. ทำไม่เป็น → เราแค่ต้องฝึกฝนเพิ่ม
    3. ไม่มีทุน → เราสามารถเก็บเงินเพื่อสร้างทุน หรือเริ่มทำในสิ่งที่ไม่ต้องใช้เงินก่อนได้
    4. ไม่มี passion → เราไม่มี passion เพราะเราทำได้ไม่ดี และเราทำได้ไม่ดีเพราะยังไม่ได้ลองทำ ดังนั้น ทางออกคือเริ่มลงมือทำ

    เราไม่จำเป็นต้องพร้อม 100% ก่อนจะเริ่ม เราสามารถเริ่มได้โดย focus ที่ 4 อย่างนี้:

    1. Now: ทำในสิ่งที่เราสามารถทำได้ทันที
    2. Doable: ทำสิ่งที่ฝึกฝนได้/มีคนทำอยู่จริง
    3. Not too demanding: ไม่ใช่สิ่งที่หนักเกินไป/เราแบ่งเวลาให้ได้
    4. All in later: ค่อย ๆ เริ่มทีละเล็กละน้อย และเมื่อเริ่มไปได้ดี ค่อยทุ่มเต็มที่ 100%

    เราจะเริ่มงานเสริมได้ แค่ต้องมี 3 สิ่งนี้:

    1. เครื่องมือ (เช่น แล็ปท็อป)
    2. ทักษะ
    3. แนวทาง (ถ้าเป็นสิ่งที่มีคนเคยทำแล้ว ให้เราเรียนรู้จากคนเหล่านี้)

    Pro tip: สิ่งที่สำคัญสำหรับคนที่เริ่มต้นใหม่ ๆ คือการบริหารเวลา ในช่วงแรกที่เรายังทำได้ไม่ดี/ไม่คล่อง เวลาส่วนตัวของเราอาจจะถูกรบกวนบ่อยครั้ง เราจะต้องจัดการเวลาให้ดี จนกว่าทุกอย่างจะเข้าที่เข้าทาง เพื่อให้เรายังมีคุณภาพชีวิตที่ดี

    📊 Purpose First, Market Later: The Three Pillars of Lifelong Investing

    Speaker: ศรารัญย์ คาน (Investor & Content Creator, Earthh Evans)

    .

    💸 Investing Not Required, Or Not?

    กรลงทุนเป็นแค่เครื่องมือ และเราไม่จำเป็นต้องลงทุนก็ได้ถ้า:

    • รับมือกับเงินเฟ้อที่เพิ่มขึ้นทุกปีได้
    • คิดว่าเราสามารถทำงานไปจนตายได้
    • มีเงินพอใช้หลังเกษียณ
    • คิดว่าการลงทุนมีความเสี่ยงเกินกว่าที่จะรับได้
    • คิดว่าการลงทุนเป็นเรื่องยาก
    • ไม่คิดจะมีลูก

    จะเห็นว่า หลาย ๆ ข้อเราอาจจะยอมรับ/จัดการไม่ได้ ซึ่งหมายความว่า การลงทุนเป็นสิ่งจำเป็นที่จะช่วยให้เราอยู่รอดได้

    .

    💖 Put Purpose First

    การตัดสินใจว่าจะลงทุนกับอะไร กับตลาดไหน และเท่าไร ขึ้นอยู่กับปัจจัย 3 อย่าง:

    1. Goal: ไม่ว่าจะเลือกว่าจะลงทุนในสินทรัพย์อะไร ไม่ว่าจะเป็นตลาดไทยหรือต่างประเทศ ทุกอย่างขึ้นกับเป้าหมายของแต่ละคนว่าต้องการมีเงินไปเพื่ออะไร
    2. Comfort: ความสบายใจต่อปัจจัยต่าง ๆ ที่เกี่ยวข้อง เช่น:
      1. ภาษีที่มากับการลงทุน
      2. ค่าธรรมเนียม
      3. ความผันผวนของค่าเงิน (เช่น อัตราแลกเปลี่ยน)
      4. ความต่างของเวลาตลาด
      5. ข่าวสารต่าง ๆ
    3. Understanding: ความเข้าใจในการลงทุน เช่น:
      1. ความเข้าใจในธุรกิจ
      2. ตัวขับเคลื่อนมูลค่า
      3. โครงสร้างอุตสาหกรรม
      4. ความเสี่ยงเฉพาะธุรกิจ

    .

    🪙 Compound Interest

    ในการลงทุน เราจะใช้ concept ที่เรียกว่า compound interest หรือดอกเบี้ยทบต้น เพื่อทำเงินให้เรา

    เพื่อจะทำให้เราได้ผลตอบแทนที่ดีที่สุดจาก compound interest เราจะต้องพิจารณา 3 อย่าง:

    1. Capital: เงินต้นที่มากพอ
    2. Time: เวลาที่มากพอ
    3. Interest: ผลตอบแทนที่มากพอ

    .

    📘 Free Investment Playbooks

    สำหรับคนที่สนใจเริ่ทต้นลงทุน สามารถโหลด playbooks ความรู้ในการลงทุนได้ฟรีบนโพสต์ของ Earthh Evans

    📃 References

  • วิเคราะห์ resumes ใน 3 ขั้นตอน ด้วย Gemini ผ่าน OpenAI library ใน Python — ตัวอย่างการทำงานใน Google Colab

    วิเคราะห์ resumes ใน 3 ขั้นตอน ด้วย Gemini ผ่าน OpenAI library ใน Python — ตัวอย่างการทำงานใน Google Colab

    บทความนี้เหมาะสำหรับบริษัทหรือ HR ที่ต้องการใช้ AI ช่วยลดเวลาในการคัดกรองผู้สมัคร เพราะเราจะมาดูวิธีวิเคราะห์ resumes ด้วย Gemini ผ่าน OpenAI library ใน Python กัน

    บทความนี้แบ่งเป็น 3 ส่วนตามขั้นตอนการวิเคราะห์ ได้แก่:

    1. Install and load libraries
    2. Set input
    3. Analyse resumes

    โดยเราจะไปดูตัวอย่างโดยใช้ Google Colab กัน (ดู code ทั้งหมดได้ที่นี่)

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. ⬇️ 1. Install & Load Libraries
    2. 🔧 2. Set the Input
      1. 🧑‍💻 (1) Client
      2. 💼 (2) JD
      3. 📄 (3) Resumes
    3. ⚡ 3. Analyse the Resumes
      1. 🤖 (1) Function เรียกใช้งาน Gemini
      2. ➕ (2) Function ใส่ Input ใน Prompt
      3. 🤔 (3) วิเคราะห์ Resumes
      4. 👀 (4) Print ผลลัพธ์
    4. 😺 Code & Input Examples
    5. 📃 References

    ⬇️ 1. Install & Load Libraries

    ในขั้นแรก เราจะเรียกติดตั้งและโหลด libraries ที่จำเป็นดังนี้:

    • openai: สำหรับเรียกใช้ AI ผ่าน API
    • drive จาก google.colab: สำหรับเชื่อมต่อกับไฟล์ใน Google Drive
    • PyPDF2: สำหรับดึง text ออกจากไฟล์ PDF
    • textwrap: สำหรับลบย่อหน้าออกจาก string
    • Console จาก rich.console และ Markdown จาก rich.markdown: สำหรับ render การแสดงผล string ให้อ่านง่ายขึ้น

    ติดตั้ง:

    # Install libraries
!pip install PyPDF2

    Note: Google Colab มี libraries อื่น ๆ อยู่แล้ว ทำให้เราแค่ต้องติดตั้ง PyPDF2 อย่างเดียว

    โหลด:

    # Load libraries

# Connect to Gemini
from openai import OpenAI

# Connect to Google Drive
from google.colab import drive

# Extract text from PDF
import PyPDF2

# Dedent text
import textwrap

# Render markdown text
from rich.console import Console
from rich.markdown import Markdown

    🔧 2. Set the Input

    สำหรับการวิเคราะห์ resumes เราต้องการ input 3 อย่าง ได้แก่:

    1. Client: สำหรับเรียกใช้ Gemini API
    2. Job description (JD): รายละเอียดตำแหน่งงานที่กำลังต้องการพนักงาน
    3. Resumes: ข้อมูล resume ที่เราต้องการวิเคราะห์

    เราไปดูวิธีกำหนด input แต่ละตัวกัน

    .

    🧑‍💻 (1) Client

    เราสามารถกำหนด client ได้ด้วย OpenAI() ซึ่งต้องการ 2 arguments:

    1. api_key: API key สำหรับเชื่อมต่อ API
    2. base_url: base URL สำหรับเรียกใช้ AI service ซึ่งสำหรับ Gemini เราต้องกำหนดเป็น "<https://generativelanguage.googleapis.com/v1beta/openai/>"

    ในตัวอย่าง เราจะเรียกใช้ OpenAI() แบบนี้:

    # Create a client
client = OpenAI(api_key="YOUR_API_KEY", base_url="<https://generativelanguage.googleapis.com/v1beta/openai/>")

    Note: ในกรณีใช้งานจริง ให้แทนที่ "YOUR_API_KEY" ด้วย API key จริง (ดูวิธีสร้าง API key ฟรีได้ที่ Using Gemini API keys)

    .

    💼 (2) JD

    Input ที่ 2 สำหรับการวิเคราะห์ คือ JD ซึ่งเราสามารถกำหนดเป็น string ได้แบบนี้:

    # Set the job description (JD)
web_dev_jd = """
Senior Web Developer

We're looking for a Senior Web Developer with a strong background in front-end development and a passion for creating dynamic, intuitive web experiences. The ideal candidate will have extensive experience with the entire development lifecycle, from project conception to final deployment and quality assurance. This role requires a blend of technical skill, creative collaboration, and a commitment to solving complex programming challenges.

Responsibilities
* Cooperate with designers to create clean, responsive interfaces and intuitive user experiences.
* Develop and maintain project concepts, ensuring an optimal workflow throughout the development cycle.
* Work with a team to manage large, complex design projects for corporate clients.
* Complete detailed programming tasks for both front-end and back-end server code.
* Conduct quality assurance tests to discover errors and optimize usability for all projects.

Qualifications
* Bachelor's degree in Computer Information Systems or a related field.
* Proven experience in all stages of the development cycle for dynamic web projects.
* Expertise in programming languages including PHP OOP, HTML5, JavaScript, CSS, and MySQL.
* Familiarity with various PHP frameworks such as Zend, Codeigniter, and Symfony.
* A strong background in project management and customer relations.
"""

    Note: ในกรณีที่ JD เป็นไฟล์ PDF เราสามารถใช้วิธีดึงข้อมูลแบบเดียวกันกับ resumes ได้

    .

    📄 (3) Resumes

    Input สุดท้าย คือ resumes ที่เราต้องการวิเคราะห์

    ในตัวอย่าง เราจะดึงข้อมูล resumes จากไฟล์ PDF ใน Google Drive ใน 3 ขั้นตอน ได้แก่:

    ขั้นที่ 1. เชื่อมต่อ Google Drive ด้วย drive.mount():

    # Connect to Google Drive
drive.mount("/content/drive")

    Note: Google จะถามยืนยันการให้สิทธิ์เข้าถึงไฟล์ใน Drive ให้เรากดยืนยันเพื่อไปต่อ

    ขั้นที่ 2. กำหนด file path ของไฟล์ PDF ใน Google Drive:

    # Set resume file paths
rs_file_paths = {
    "George Evans": "/content/drive/My Drive/Resumes/cv_george_evans.pdf",
    "Robert Richardson": "/content/drive/My Drive/Resumes/cv_robert_richardson.pdf",
    "Christine Smith": "/content/drive/My Drive/Resumes/cv_christine_smith.pdf"
}

    Note: ในตัวอย่าง จะเห็นว่า เรามี resumes 3 ใบ (ดาวน์โหลด resumes ฟรีได้ที่ www.coolfreecv.com)

    ขั้นที่ 3. ดึง text ออกจาก resumes ด้วย for loop และ PyPDF2:

    # Extract resume texts

# Instantiate a collector
rs_texts = {}

# Loop through resume files to get text
for key in rs_file_paths:

    # Instantiate an empty string to store the extracted text
    rs_text = ""

    # Open the PDF file
    reader = PyPDF2.PdfReader(rs_file_paths[key])

    # Loop through the pages
    for i in range(len(reader.pages)):

        # Extract the text from the page
        text = reader.pages[i].extract_text()

        # Append the text to the string
        rs_text += text

    # Collect the extracted text
    rs_texts[key] = rs_text

    ตัวอย่าง PDF และข้อมูลที่ดึงจาก PDF:

    Source: www.coolfreecv.com
    Contact  
+1 (970) 343  888 999 
george.evans@gmail.com  
<https://www.coolfreecv.com>  
32 ELM STREET MADISON, SD 
57042  
 George  Evans  
PHP / OOP   
Zend Framework  Summary  
Senior Web Developer specializing in front end development . 
Experienced with all stages of the development cycle for dynamic 
web projects. Well -versed in numerous programming languages 
including HTML5, PHP OOP, JavaScript, CSS, MySQL. Strong 
background in project management and customer relations. 
Perceived as versatile, unconventional and committed, I am 
looking for new and interesting programming challenges.  
Experience  
Web Developer - 09/201 8 to 05/20 22 
Luna Web Design, New York  
• Cooperate with designers to create clean interfaces and 
simple, intuitive interactions and experiences.  
• Develop project concepts and maintain optimal workflow.  
• Work with senior developer to manage large, complex 
design projects for corporate clients.  
• Complete detailed programming and development tasks 
for front end public and internal websites as well as 
challenging back -end server code.  
• Carry out quality assurance tests to discover errors and 
optimize usability.  
Education  
Bachelor of Science: Computer Information Systems  - 2018  
Columbia University, NY  
 
Certifications  
PHP Framework (certificate): Zend, Codeigniter, Symfony. 
Programming Languages: JavaScript, HTML5, PHP OOP, CSS, SQL, 
MySQL.  
Reference  
Adam Smith - Luna Web Design  
adam.smith@luna.com  +1(970 )555 555  Skills   
JavaScript   Symfony Framework

    ⚡ 3. Analyse the Resumes

    ในขั้นสุดท้าย เราจะเปรียบเทียบความเหมาะสมของ resumes กับตำแหน่งงาน (JD) ใน 4 ขั้นตอน ดังนี้:

    1. สร้าง function เพื่อเรียกใช้ Gemini
    2. สร้าง function เพื่อใส่ input ใน prompt
    3. วิเคราะห์ resumes โดยใช้ for loop และ functions จากข้อ 1, 2
    4. Print ผลการวิเคราะห์

    .

    🤖 (1) Function เรียกใช้งาน Gemini

    ในขั้นแรก เราจะสร้าง function สำหรับเรียกใช้ Gemini เพื่อให้ง่ายในการใช้งาน AI

    ในตัวอย่าง เราจะกำหนด 3 arguments สำหรับ function:

    1. prompts: list เก็บ system prompt และ user prompt
    2. model: model ของ Gemini ที่เราจะเรียกใช้ (เช่น Gemini 2.5 Flash)
    3. temp: ระดับความคิดสร้างสรรค์ของ model โดยมีค่าระหว่าง 0 และ 2 โดย 0 จะทำให้ model ให้คำตอบเหมือนกันทุกครั้ง และ 2 คำตอบจะแตกต่างกันทุกครั้ง
    # Create a function to get a Gemini response
def get_gemini_response(prompts, model, temp):

    # Generate a response
    response = client.chat.completions.create(

        # Set the prompts
        messages=prompts,

        # Set the model
        model=model,

        # Set the temperature
        temperature=temp
    )

    # Return the response
    return response.choices[0].message.content

    .

    ➕ (2) Function ใส่ Input ใน Prompt

    ในขั้นที่ 2 เราจะสร้าง function เพื่อประกอบ input เข้ากับ prompt เพื่อพร้อมที่จะนำไปใช้ใน function ในขั้นที่ 1

    ในตัวอย่างเราจะสร้าง function แบบนี้:

    # Create a function to concatenate prompt + JD + resume
def concat_input(jd_text, rs_text):

    # Set the system prompt
    system_prompt = """
    # 1. Your Role
    You are an expert technical recruiter and resume analyst.
    """

    # Set the user prompt
    user_prompt = f"""
    # 2. Your Task
    Your task is to meticulously evaluate a candidate's resume against a specific job description (JD) and provide a detailed pre-screening report.

    Your analysis must be structured with the following sections and include specific, data-driven insights.

    ## 1. Strengths
    - Identify and elaborate on top three key strengths.
    - For each strength, briefly provide specific evidence from the resume (e.g., "The candidate's experience with Python and Django, as shown in their role at Acme Corp, directly addresses the JD's requirement for...") and explain how it directly fulfills a requirement in the JD.

    ## 2. Weaknesses
    - Identify top three areas where the candidate's experience or skills may not fully align with the JD's requirements.
    - For each point, briefly explain the potential concern and why it might be a risk for the role (e.g., "The JD requires experience with AWS, but the resume only mentions exposure to Azure. This could indicate a gap in cloud infrastructure expertise.").

    ## 3. Candidate Summary
    - Draft a concise summary of the candidate's professional background.
    - Emphasise their JD-relevant core responsibilities, key achievements, and career progression as evidenced in the resume.

    ## 4. Overall Fit Score
    - Provide a numerical score from 1 to 100, representing the overall alignment of the candidate's profile with the JD.
    - A higher score indicates a stronger match: 80-100 = best match; 60-80 = strong match; 0-40 = weak match.

    ## 5. Hiring Recommendation
    - Conclude with a clear, binary hiring recommendation: "🟢 Proceed to interview", "🟡 Add to waitlist", or "🔴 Do not proceed".
    - Justify this recommendation with a brief, objective explanation based on the analysis above.

    ---

    # 3. Your Output
    - Use a professional and objective tone.
    - Base your analysis solely on the provided resume and JD. Do not make assumptions.
    - Be concise and to the point; no more than 30 words per sentence; the hiring manager needs to quickly grasp the key findings.
    - Format your final report using markdown headings and bullet points for readability.

    Output template:
    '''
    # [candidate's name (Title Case)] ([fit score]/100)

    [recommendation]: [justification]

    ## Profile Summary:
    [summary]

    ## Strengths:
    - [strength 1]
    - [strength 2]
    - [strength 3]

    ## Weaknesses:
    - [weakness 1]
    - [weakness 2]
    - [weakness 3]
    '''

    ---

    # 4. Your Input
    **1. JD:**
    {jd_text}

    **2. Resume:**
    {rs_text}

    ---

    Generate the report.
    """

    # Collect prompts
    prompts = [
        {
            "role": "system",
            "content": textwrap.dedent(system_prompt)
        },
        {
            "role": "user",
            "content": textwrap.dedent(user_prompt)
        }
    ]

    # Return the prompts
    return prompts

    Note: เราใช้ textwrap.dedent() เพื่อลบย่อหน้าที่เกิดจาก indent ใน function ออกจาก prompt เพื่อป้องกันความผิดพลาดในการประมวลผลของ AI และประหยัด input token

    .

    🤔 (3) วิเคราะห์ Resumes

    ในขั้นที่ 3 ซึ่งเป็นขั้นที่สำคัญที่สุด เราจะวิเคราะห์ resumes โดย:

    • ใช้ functions จากขั้นที่ 1 และ 2 เพื่อสร้าง prompt และส่ง prompt ให้กับ Gemini
    • ใช้ for loop เพื่อส่ง resumes ให้กับ Gemini จนครบทุกใบ
    # Instantiate a response collector
results = {}

# Loop through the resumes
for rs_name, rs_text in rs_texts.items():

    # Create the prompts
    prompts = concat_input(web_dev_jd, rs_text)

    # Get the Gemini response
    response = get_gemini_response(prompts=prompts, model="gemini-2.5-flash", temp=0.5)

    # Collect the response
    results[rs_name] = response

    เมื่อรัน code นี้แล้ว เราจะได้ผลลัพธ์เก็บไว้ใน results

    .

    👀 (4) Print ผลลัพธ์

    สุดท้าย เราจะ print ผลการวิเคราะห์ออกมา โดย:

    • ใช้ for loop ช่วย print ผลจนครบ
    • ใช้ Console กับ Markdown เพื่อทำให้ข้อความอ่านง่ายขึ้น:
    # Instantiate a console
console = Console()

# Instantiate a counter
i = 1

# Print the results
for rs_name, analysis_result in results.items():

    # Print the resume name
    print(f"👇 {i}. {rs_name}:")

    # Print the response
    console.print(Markdown(analysis_result))

    # Add spacers and divider
    print("\\n")
    print("-----------------------------------------------------------")
    print("\\n")

    # Add a counter
    i += 1

    ตัวอย่างผลลัพธ์:

    ในตัวอย่าง จะเห็นได้ว่า George Evans เหมาะที่จะเป็น Senior Web Developer

    😺 Code & Input Examples

    • ดูตัวอย่าง code ได้ที่ Google Colab
    • ดูตัวอย่าง JD และ resumes ได้ที่ JD & Resumes

    📃 References

  • 4 ขั้นตอนในการใช้ google-genai library เพื่อทำงานกับ Gemini API — ตัวอย่างการสร้างสูตรอาหารที่ไม่เหมือนใคร

    4 ขั้นตอนในการใช้ google-genai library เพื่อทำงานกับ Gemini API — ตัวอย่างการสร้างสูตรอาหารที่ไม่เหมือนใคร

    ในบทความนี้ เราจะมาดู 4 ขั้นตอนในการใช้งาน google-genai ซึ่งเป็น official library สำหรับทำงานกับ Gemini API ผ่านตัวอย่างการสร้างสูตรอาหารใน Google Colab กัน:

    1. Import packages
    2. Create client
    3. Create function
    4. Generate response

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 📦 Import Packages
    2. 🧑‍💼 Create Client
    3. 📲 Create Function
    4. 📬 Generate Response
      1. 🤖 Set Model
      2. 🧑‍💻 Set User Prompt
      3. 🛠️ Set Configuration
      4. 📖 Generate Response
      5. 🖨️ Print Response
    5. 😺 Google Colab
    6. 📃 References

    📦 Import Packages

    เริ่มแรก เราจะ import 4 packages ที่จำเป็น ได้แก่:

    FromFunction/ClassFor
    googlegenaiทำงานกับ Gemini API
    google.genai.typesGenerateContentConfigตั้งค่า Gemini
    google.colabuserdataเรียก API key จากเมนู Secrets ใน Google Colab
    pydanticBaseModelกำหนดโครงสร้างของ response จาก Gemini
    # Import packages

# google-genai library
from google import genai
from google.genai.types import GenerateContentConfig

# Secret key
from google.colab import userdata

# pydantic
from pydantic import BaseModel

    🧑‍💼 Create Client

    ในขั้นที่ 2 เราจะสร้าง client สำหรับทำงานกับ Gemini API

    เพื่อความปลอดภัย เราจะเก็บ API key ไว้ในเมนู Secrets ของ Google Colab

    เราสามารถเพิ่ม API key ด้วยการ import ผ่านปุ่ม “Gemini API keys” หรือผ่านการเพิ่ม API key เองด้วยปุ่ม “Add new secret”:

    หลังสร้าง API key ใน Secrets แล้ว เราสามารถเรียกใช้ API key ได้ด้วย userdata.get() ซึ่งต้องการ 1 argument คือ ชื่อ secret:

    # Get API key
my_api = userdata.get("GOOGLE_API_KEY")

    จากนั้น เราจะสร้าง client ด้วย genai.Client() ซึ่งต้องการ 1 argument คือ API key:

    # Create client
client = genai.Client(api_key=my_api)

    Note:

    • ในกรณีที่เราไม่ห่วงความปลอดภัยของ API key เราสามารถใส่ API key ใน genai.Client() ได้โดยตรง เช่น genai.Client(api_key="g04821...")
    • เราสามารถสร้าง API key ได้ฟรี โดยไปที่ Google AI Studio และกด “Create API key”

    📲 Create Function

    ในขั้นที่ 3 เราจะสร้าง function สำหรับเรียกใช้ Gemini ซึ่งต้องการ 3 arguments:

    1. model: Gemini model ที่เราจะเรียกใช้
    2. user_prompt: กำหนด user prompt
    3. config: กำหนดการตั้งค่าต่าง ๆ ของ model

    โดยทั้ง 3 arguments จะอยู่ใน client.models.generate_content():

    # Create a function to get Gemini response
def get_response(model, user_prompt, config):

    # Get response
    response = client.models.generate_content(

        # Set model
        model=model,

        # Set user prompt
        contents=user_prompt,

        # Set config
        config=config
    )

    # Return response
    return response.text

    📬 Generate Response

    ในขั้นที่ 4 เราจะ get response จาก Gemini โดยใช้ function ที่เราสร้างในขั้นที่ 3

    เนื่องจาก function ต้องการ 3 arguments เราจะต้องกำหนด 3 สิ่งนี้ก่อนที่จะสร้าง response ได้:

    1. Model
    2. User prompt
    3. Configuration

    .

    🤖 Set Model

    ในตัวอย่างนี้ เราจะใช้ model เป็น Gemini 2.5 Flash ซึ่งเราสามารถกำหนดได้ดังนี้:

    # Set model
gemini_model = "gemini-2.5-flash"

    Note: ดูชื่อ model อื่น ๆ ได้ที่ Gemini Models

    .

    🧑‍💻 Set User Prompt

    สำหรับ user prompt เราสามารถกำหนดเป็น string ได้แบบนี้:

    # Set user prompt
gemini_user_prompt = """
Create a healthy Thai-inspired burger for one person.

Protein: chicken or tofu
Bun: whole-wheat if possible (or lettuce wrap)

Deliver (match field names exactly):
- `menu` (string)
- `ingredient` (list of items with name, description, amount, unit)
- `steps` (30-word strings)
- `calorie_kcal` (float, total for the dish)
"""

    .

    🛠️ Set Configuration

    สำหรับ configuration เราสามารถตั้งค่า model ได้หลายค่า

    ในตัวอย่างนี้ เราจะเลือกกำหนด 3 ค่า ได้แก่:

    1. System prompt
    2. Temperature
    3. Output type and structure

    ค่าที่ 1. System prompt คือ prompt ที่กำหนดพฤติกรรมของ Gemini ในการตอบสนองต่อ user prompt ของเรา

    เราสามารถกำหนด system prompt เป็น string ได้แบบนี้:

    # Set system prompt
system_prompt = """
You are a highly experienced home cook specialising in healthy Thai-style food.

Constraints:
- Single-serving
- Favour grilling/pan-searing over deep-frying
- Keep ingredients common in Thai kitchens
- Keep steps <=7
- Include an approximate total calories for the whole dish
- Keep language simple
- Return JSON only that matches the given schema exactly (no extra fields)
"""

    ค่าที่ 2. Temperature มีค่าระหว่าง 0 และ 2 โดย:

    • 0 จะทำให้ response ตายตัว (deterministic) มากขึ้น
    • 2 จะทำให้ response สร้างสรรค์ (creative) มากขึ้น

    Note: ค่า default ของ temperature อยู่ที่ 1 (Generate content with the Gemini API in Vertex AI)

    ในตัวอย่าง เราจะกำหนด temperature เป็น 2 เพื่อให้ response มีความสร้างสรรค์สูงสุด:

    # Set temperature
temp = 2

    ค่าที่ 3. สำหรับ output type และ structure เราจะกำหนดดังนี้:

    กำหนด type เป็น "application/json" เพื่อให้ response อยู่ในรูป JSON object:

    # Set output type
output_type = "application/json"

    Note: ดู type อื่น ๆ ได้ที่ Structured output

    กำหนดโครงสร้างของ JSON object ด้วย class และ BaseModel:

    # Set output structure
class Ingredient(BaseModel):
    name: str
    description: str
    amount: float
    unit: str

class OutputStructure(BaseModel):
    menu: str
    ingredient: list[Ingredient]
    steps: list[str]
    calorie_kcal: float

    Note: ดูวิธีใช้ BaseModel ได้ที่ JSON Schema

    หลังกำหนด system prompt, temperature, และ output type กับ structure แล้ว ให้เรารวมค่าทั้งหมดไว้ใน GenerateContentConfig() แบบนี้:

    # Set configuration
gemini_config = GenerateContentConfig(

    # Set system prompt
    system_instruction=system_prompt,

    # Set temperature
    temperature=temp,

    # Set response type
    response_mime_type=output_type,

    # Set response structure
    response_schema=OutputStructure
)

    Note: ดูค่าอื่น ๆ ที่เรากำหนดใน GenerateContentConfig() ได้ที่ Content generation parameters

    .

    📖 Generate Response

    หลังจากกำหนด arguments แล้ว เราจะเรียกใช้ function เพื่อ get response แบบนี้:

    # Generate a recipe
recipe = get_response(

    # Set model
    model=gemini_model,

    # Set user prompt
    user_prompt=gemini_user_prompt,

    # Set configuration
    config=gemini_config
)

    .

    สุดท้าย เราจะดู response ด้วย print():

    # Print response
print(recipe)

    ผลลัพธ์:

    {
  "menu": "Thai Chicken Burger",
  "ingredient": [
    {
      "name": "Ground Chicken",
      "description": "Lean ground chicken",
      "amount": 150.0,
      "unit": "g"
    },
    {
      "name": "Whole-wheat Burger Bun",
      "description": "Standard size",
      "amount": 1.0,
      "unit": "unit"
    },
    {
      "name": "Lime Juice",
      "description": "Freshly squeezed",
      "amount": 1.0,
      "unit": "tablespoon"
    },
    {
      "name": "Fish Sauce",
      "description": "Thai fish sauce",
      "amount": 1.0,
      "unit": "tablespoon"
    },
    {
      "name": "Fresh Ginger",
      "description": "Grated",
      "amount": 1.0,
      "unit": "teaspoon"
    },
    {
      "name": "Garlic",
      "description": "Minced",
      "amount": 1.0,
      "unit": "clove"
    },
    {
      "name": "Cilantro",
      "description": "Fresh, chopped",
      "amount": 2.0,
      "unit": "tablespoons"
    },
    {
      "name": "Green Onion",
      "description": "Chopped",
      "amount": 1.0,
      "unit": "tablespoon"
    },
    {
      "name": "Red Chilli",
      "description": "Finely minced (optional)",
      "amount": 0.5,
      "unit": "teaspoon"
    },
    {
      "name": "Lettuce Leaf",
      "description": "Fresh, crisp",
      "amount": 1.0,
      "unit": "large"
    },
    {
      "name": "Cucumber",
      "description": "Sliced thinly",
      "amount": 3.0,
      "unit": "slices"
    },
    {
      "name": "Cooking Oil",
      "description": "Any neutral oil",
      "amount": 1.0,
      "unit": "teaspoon"
    }
  ],
  "steps": [
    "Combine ground chicken with fish sauce, lime juice, grated ginger, minced garlic, chopped cilantro, and green onion in a bowl. Mix thoroughly.",
    "Form the seasoned chicken mixture into a single, uniform burger patty. If using chilli, incorporate it now.",
    "Heat cooking oil in a non-stick pan over medium heat. Cook the chicken patty for 5-7 minutes per side, or until it is thoroughly cooked through.",
    "While the patty cooks, lightly toast the whole-wheat burger bun in a dry pan or toaster until golden brown.",
    "Assemble your burger: Place the cooked chicken patty on the bottom half of the toasted bun. Top with fresh lettuce and cucumber slices.",
    "Complete the burger with the top bun. Serve immediately and enjoy your healthy Thai-inspired meal."
  ],
  "calorie_kcal": 450.0
}

    เท่านี้ก็จบ flow การทำงานกับ Gemini API ด้วย google-genai library แล้ว

    😺 Google Colab

    ดูตัวอย่าง code ทั้งหมดได้ที่ Google Colab

    📃 References

  • วิธีใช้ 9 arguments ใน read_csv() จาก pandas library เพื่อโหลดข้อมูลใน Python — ตัวอย่างการโหลดข้อมูลการแข่งขันฟุตบอล

    วิธีใช้ 9 arguments ใน read_csv() จาก pandas library เพื่อโหลดข้อมูลใน Python — ตัวอย่างการโหลดข้อมูลการแข่งขันฟุตบอล

    pandas เป็น Python library สำหรับทำงานกับข้อมูลในรูปแบบตาราง (tabular data) และมี functions หลากหลายสำหรับโหลดข้อมูลเข้ามาใน Python

    โดยหนึ่งใน functions ที่นิยมใช้กันมากที่สุด ได้แก่ read_csv() ซึ่งใช้โหลดข้อมูล CSV (Comma-Separated Values) และมี arguments หลัก 9 อย่าง ได้แก่:

    1. filepath_or_buffer: file path, ชื่อไฟล์, หรือ URL ของไฟล์ที่ต้องการโหลด
    2. sep: กำหนด delimiter
    3. header: กำหนด row ที่เป็นหัวตาราง
    4. skiprows: กำหนด rows ที่ไม่ต้องการโหลด
    5. nrows: เลือกจำนวน rows ที่ต้องการโหลด
    6. usecols: กำหนด columns ที่ต้องการโหลด
    7. index_col: กำหนด column ที่จะเป็น index
    8. names: กำหนดชื่อของ columns
    9. dtype: กำหนดประเภทข้อมูล (data types) ของ columns

    ในบทความนี้ เราจะมาดูวิธีใช้ทั้ง 9 arguments ของ read_csv() เพื่อโหลดตัวอย่างข้อมูลการแข่งขันฟุตบอลในอังกฤษกัน

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1. 🏁 Getting Started
    2. 🗃️ Argument #1. filepath_or_buffer
    3. 🤺 Argument #2. sep
    4. 😶‍🌫️ Argument #3. header
    5. 🛑 Argument #4. skiprows
    6. 📋 Argument #5. nrows
    7. ☑️ Argument #6. usecols
    8. 🔢 Argument #7. index_col
    9. 🔠 Argument #8. names
    10. ⏹️ Argument #9. dtype
    11. ⚡ Summary
    12. 😺 GitHub
    13. 📃 References

    🏁 Getting Started

    ก่อนเริ่มใช้งาน read_csv() เราต้องติดตั้งและโหลด pandas ก่อน:

    # Install pandas
!pip install pandas

# Import pandas
import pandas as pd

    Note: ในกรณีที่เราเคยติดตั้ง pandas แล้วให้ใช้คำสั่ง import อย่างเดียว

    🗃️ Argument #1. filepath_or_buffer

    filepath_or_buffer เป็น argument หลักที่เราจะต้องกำหนดทุกครั้งที่เรียกใช้ read_csv()

    ยกตัวอย่างเช่น เรามีข้อมูลการแข่งขันฟุตบอล (matches_clean.csv):

    MatchID,HomeTeam,AwayTeam,HomeGoals,AwayGoals,MatchDate
M001,Manchester United,Chelsea,2,1,2024-08-14
M002,Liverpool,Arsenal,1,1,2024-08-20
M003,Tottenham,Everton,3,0,2024-09-02
M004,Man City,Aston Villa,4,2,2024-09-15
M005,Newcastle,West Ham,0,0,2024-09-22
M006,Brighton,Leeds,2,3,2024-09-29

    เราสามารถใช้ read_csv() ได้แบบนี้:

    # Load the dataset
df1 = pd.read_csv("matches_clean.csv")

# View the result
print(df1)

    ผลลัพธ์:

      MatchID           HomeTeam     AwayTeam  HomeGoals  AwayGoals   MatchDate
0    M001  Manchester United      Chelsea          2          1  2024-08-14
1    M002          Liverpool      Arsenal          1          1  2024-08-20
2    M003          Tottenham      Everton          3          0  2024-09-02
3    M004           Man City  Aston Villa          4          2  2024-09-15
4    M005          Newcastle     West Ham          0          0  2024-09-22
5    M006           Brighton        Leeds          2          3  2024-09-29

    🤺 Argument #2. sep

    sep ใช้กำหนด delimiter หรือเครื่องหมายในการแบ่ง columns โดย default ของ sep คือ "," ทำให้ปกติ เราไม่ต้องกำหนด sep เมื่อไฟล์เป็น CSV

    เราจะใช้ sep เมื่อข้อมูลมี delimiter อื่น เช่น ";" (matches_semicolon.txt):

    MatchID;HomeTeam;AwayTeam;HomeGoals;AwayGoals;MatchDate
M001;Manchester United;Chelsea;2;1;2024-08-14
M002;Liverpool;Arsenal;1;1;2024-08-20
M003;Tottenham;Everton;3;0;2024-09-02
M004;Man City;Aston Villa;4;2;2024-09-15
M005;Newcastle;West Ham;0;0;2024-09-22
M006;Brighton;Leeds;2;3;2024-09-29

    เราสามารถใช้ sep ได้แบบนี้:

    # Load the dataset with ";" as delim
df2 = pd.read_csv("matches_semicolon.csv", sep=";")

# View the result
print(df2)

    ผลลัพธ์:

      MatchID           HomeTeam     AwayTeam  HomeGoals  AwayGoals   MatchDate
0    M001  Manchester United      Chelsea          2          1  2024-08-14
1    M002          Liverpool      Arsenal          1          1  2024-08-20
2    M003          Tottenham      Everton          3          0  2024-09-02
3    M004           Man City  Aston Villa          4          2  2024-09-15
4    M005          Newcastle     West Ham          0          0  2024-09-22
5    M006           Brighton        Leeds          2          3  2024-09-29

    😶‍🌫️ Argument #3. header

    header ใช้กำหนด row ที่จะเป็นหัวตาราง

    เราจะใช้ header เมื่อ rows แรกของข้อมูลมีข้อมูลอื่น เช่น metadata (matches_with_metadata.txt):

    # UK Football Matches Data
# Created for practice with pd.read_csv()
MatchID,HomeTeam,AwayTeam,HomeGoals,AwayGoals,MatchDate
M001,Manchester United,Chelsea,2,1,2024-08-14
M002,Liverpool,Arsenal,1,1,2024-08-20
M003,Tottenham,Everton,3,0,2024-09-02
M004,Man City,Aston Villa,4,2,2024-09-15
M005,Newcastle,West Ham,0,0,2024-09-22
M006,Brighton,Leeds,2,3,2024-09-29

    เราสามารถใช้ header ได้แบบนี้:

    # Load the dataset where the header is the 3rd row
df3 = pd.read_csv("matches_with_metadata.txt", header=2)

# View the result
print(df3)

    ผลลัพธ์:

      MatchID           HomeTeam     AwayTeam  HomeGoals  AwayGoals   MatchDate
0    M001  Manchester United      Chelsea          2          1  2024-08-14
1    M002          Liverpool      Arsenal          1          1  2024-08-20
2    M003          Tottenham      Everton          3          0  2024-09-02
3    M004           Man City  Aston Villa          4          2  2024-09-15
4    M005          Newcastle     West Ham          0          0  2024-09-22
5    M006           Brighton        Leeds          2          3  2024-09-29

    จะสังเกตว่า metadata จะไม่ถูกโหลดเข้ามาด้วย

    Note: เราสามารถกำหนด header=None ในกรณีที่ข้อมูลไม่มีหัวตาราง เช่น matches_no_header.csv:

    M001,Manchester United,Chelsea,2,1,2024-08-14
M002,Liverpool,Arsenal,1,1,2024-08-20
M003,Tottenham,Everton,3,0,2024-09-02
M004,Man City,Aston Villa,4,2,2024-09-15
M005,Newcastle,West Ham,0,0,2024-09-22
M006,Brighton,Leeds,2,3,2024-09-29

    🛑 Argument #4. skiprows

    skiprows ใช้เลือก rows ที่เราไม่ต้องการโหลดเข้ามาใน Python ซึ่งเราสามารถกำหนดได้ 2 แบบ:

    1. กำหนดเป็น int (เช่น 2) ในกรณีที่ต้องการข้าม row เดียว
    2. กำหนดเป็น list (เช่น [0, 1, 2]) ในกรณีที่ต้องการข้ามมากกว่า 1 rows

    ยกตัวอย่างเช่น เราต้องการข้าม 2 บรรทัดแรกซึ่งเป็น metadata:

    # UK Football Matches Data
# Created for practice with pd.read_csv()
MatchID,HomeTeam,AwayTeam,HomeGoals,AwayGoals,MatchDate
M001,Manchester United,Chelsea,2,1,2024-08-14
M002,Liverpool,Arsenal,1,1,2024-08-20
M003,Tottenham,Everton,3,0,2024-09-02
M004,Man City,Aston Villa,4,2,2024-09-15
M005,Newcastle,West Ham,0,0,2024-09-22
M006,Brighton,Leeds,2,3,2024-09-29

    เราสามารถใช้ skiprows ได้แบบนี้:

    # Load the dataset, skipping the metadata
df4 = pd.read_csv("matches_with_metadata.txt", skiprows=[0, 1])

# View the result
print(df4)

    ผลลัพธ์:

      MatchID           HomeTeam     AwayTeam  HomeGoals  AwayGoals   MatchDate
0    M001  Manchester United      Chelsea          2          1  2024-08-14
1    M002          Liverpool      Arsenal          1          1  2024-08-20
2    M003          Tottenham      Everton          3          0  2024-09-02
3    M004           Man City  Aston Villa          4          2  2024-09-15
4    M005          Newcastle     West Ham          0          0  2024-09-22
5    M006           Brighton        Leeds          2          3  2024-09-29

    📋 Argument #5. nrows

    nrows ใช้เลือก rows ที่เราต้องการโหลดเข้ามาใน Python

    เช่น แทนที่จะโหลดข้อมูลทั้งหมด:

    MatchID,HomeTeam,AwayTeam,HomeGoals,AwayGoals,MatchDate
M001,Manchester United,Chelsea,2,1,2024-08-14
M002,Liverpool,Arsenal,1,1,2024-08-20
M003,Tottenham,Everton,3,0,2024-09-02
M004,Man City,Aston Villa,4,2,2024-09-15
M005,Newcastle,West Ham,0,0,2024-09-22
M006,Brighton,Leeds,2,3,2024-09-29

    เราจะโหลดข้อมูล 3 rows แรกด้วย nrows แบบนี้:

    # Load the first 3 rows
df5 = pd.read_csv("matches_clean.csv", nrows=3)

# View the result
print(df5)

    ผลลัพธ์:

      MatchID           HomeTeam AwayTeam  HomeGoals  AwayGoals   MatchDate
0    M001  Manchester United  Chelsea          2          1  2024-08-14
1    M002          Liverpool  Arsenal          1          1  2024-08-20
2    M003          Tottenham  Everton          3          0  2024-09-02

    ☑️ Argument #6. usecols

    usecols ใช้กำหนด columns ที่เราต้องการโหลดเข้ามาใน Python

    ยกตัวอย่างเช่น เลือกเฉพาะ HomeTeam และ HomeGoals จาก:

    MatchID,HomeTeam,AwayTeam,HomeGoals,AwayGoals,MatchDate
M001,Manchester United,Chelsea,2,1,2024-08-14
M002,Liverpool,Arsenal,1,1,2024-08-20
M003,Tottenham,Everton,3,0,2024-09-02
M004,Man City,Aston Villa,4,2,2024-09-15
M005,Newcastle,West Ham,0,0,2024-09-22
M006,Brighton,Leeds,2,3,2024-09-29

    เราสามารถใช้ usecols ได้แบบนี้:

    # Load only HomeTeam and HomeGoals
df6 = pd.read_csv("matches_clean.csv", usecols=["HomeTeam", "HomeGoals"])

# View the result
print(df6)

    ผลลัพธ์:

                HomeTeam  HomeGoals
0  Manchester United          2
1          Liverpool          1
2          Tottenham          3
3           Man City          4
4          Newcastle          0
5           Brighton          2

    🔢 Argument #7. index_col

    index_col ใช้กำหนด column ที่เป็น index ของข้อมูล เช่น MatchID:

    MatchID,HomeTeam,AwayTeam,HomeGoals,AwayGoals,MatchDate
M001,Manchester United,Chelsea,2,1,2024-08-14
M002,Liverpool,Arsenal,1,1,2024-08-20
M003,Tottenham,Everton,3,0,2024-09-02
M004,Man City,Aston Villa,4,2,2024-09-15
M005,Newcastle,West Ham,0,0,2024-09-22
M006,Brighton,Leeds,2,3,2024-09-29

    เราจะใช้ index_col แบบนี้:

    # Load the dataset with MatchID as index col
df7 = pd.read_csv("matches_clean.csv", index_col="MatchID")

# View the result
print(df7)

    ผลลัพธ์:

                      HomeTeam     AwayTeam  HomeGoals  AwayGoals   MatchDate
MatchID
M001     Manchester United      Chelsea          2          1  2024-08-14
M002             Liverpool      Arsenal          1          1  2024-08-20
M003             Tottenham      Everton          3          0  2024-09-02
M004              Man City  Aston Villa          4          2  2024-09-15
M005             Newcastle     West Ham          0          0  2024-09-22
M006              Brighton        Leeds          2          3  2024-09-29

    🔠 Argument #8. names

    names ใช้กำหนดชื่อ columns ซึ่งเราจะใช้เมื่อ:

    • ข้อมูลไม่มีหัวตาราง
    • ต้องการเปลี่ยนชื่อ columns

    ยกตัวอย่างเช่น ใส่ชื่อ columns ให้กับ matches_no_header.csv:

    M001,Manchester United,Chelsea,2,1,2024-08-14
M002,Liverpool,Arsenal,1,1,2024-08-20
M003,Tottenham,Everton,3,0,2024-09-02
M004,Man City,Aston Villa,4,2,2024-09-15
M005,Newcastle,West Ham,0,0,2024-09-22
M006,Brighton,Leeds,2,3,2024-09-29

    เราสามารถใช้ names ได้แบบนี้:

    # Set col names
col_names = [
    "id",
    "home",
    "away",
    "home_goals",
    "away_goals",
    "date"
]

# Load the dataset with custom col names
df8 = pd.read_csv("matches_no_header.csv", names=col_names)

# View the result
print(df8)

    ผลลัพธ์:

         id               home         away  home_goals  away_goals        date
0  M001  Manchester United      Chelsea           2           1  2024-08-14
1  M002          Liverpool      Arsenal           1           1  2024-08-20
2  M003          Tottenham      Everton           3           0  2024-09-02
3  M004           Man City  Aston Villa           4           2  2024-09-15
4  M005          Newcastle     West Ham           0           0  2024-09-22
5  M006           Brighton        Leeds           2           3  2024-09-29

    ⏹️ Argument #9. dtype

    dtype ใช้กำหนดประเภทข้อมูลของ columns

    ยกตัวอย่างเช่น กำหนด ประเภทข้อมูลของ MatchID, HomeGoals, และ AwayGoals จาก matches_clean.csv:

    MatchID,HomeTeam,AwayTeam,HomeGoals,AwayGoals,MatchDate
M001,Manchester United,Chelsea,2,1,2024-08-14
M002,Liverpool,Arsenal,1,1,2024-08-20
M003,Tottenham,Everton,3,0,2024-09-02
M004,Man City,Aston Villa,4,2,2024-09-15
M005,Newcastle,West Ham,0,0,2024-09-22
M006,Brighton,Leeds,2,3,2024-09-29

    เราสามารถใช้ dtype ได้แบบนี้:

    # Set col data types
col_dtypes = {
    "MatchID": str,
    "HomeGoals": "int32",
    "AwayGoals": "int32"
}

# Load the dataset, specifying data types for MatchID, HomeGoals, and AwayGoals
df9 = pd.read_csv("matches_clean.csv", dtype=col_dtypes)

# View the result
df9.info()

    ผลลัพธ์:

    <class 'pandas.core.frame.DataFrame'>
RangeIndex: 6 entries, 0 to 5
Data columns (total 6 columns):
 #   Column     Non-Null Count  Dtype
---  ------     --------------  -----
 0   MatchID    6 non-null      object
 1   HomeTeam   6 non-null      object
 2   AwayTeam   6 non-null      object
 3   HomeGoals  6 non-null      int32
 4   AwayGoals  6 non-null      int32
 5   MatchDate  6 non-null      object
dtypes: int32(2), object(4)
memory usage: 372.0+ bytes

    ⚡ Summary

    ในบทความนี้ เราได้ไปดูวิธีการใช้ 9 arguments ของ read_csv() จาก pandas เพื่อโหลดข้อมูลใน Python กัน:

    1. filepath_or_buffer: ไฟล์ที่ต้องการโหลด
    2. sep: delimiter ในไฟล์
    3. header: row ที่เป็นหัวตาราง
    4. skiprows: rows ที่ไม่ต้องการโหลด
    5. nrows: จำนวน rows ที่ต้องการโหลด
    6. usecols: columns ที่ต้องการโหลด
    7. index_col: column ที่จะเป็น index
    8. names: ชื่อของ columns
    9. dtype: ประเภทข้อมูล (data types) ของ columns

    😺 GitHub

    ดูตัวอย่าง code และ datasets ทั้งหมดได้ที่ GitHub

    📃 References