มี AI แล้วไม่ได้แปลว่าเอาไปใส่ทุกขั้นตอนแล้วมันจะเวิร์ค
— อ.เวท ชไลเวท พิพัฒพรรณวงศ์, CEO 9Expert (Microsoft MVP สาย Data & AI)
ผมไปฟัง session "Vibe Analytics: From Raw Data to Insights" จากงาน Claude Thailand Community Meetup ครั้งที่ 2 มา
เหมาะมากสำหรับคนที่ต้องทำงานกับข้อมูล — export Excel มาทำรายงาน ทำ dashboard สรุปผล แล้วอยากเอา Claude มาช่วย แต่ไม่รู้จะใช้ตรงไหนถึงจะคุ้มและไม่เผา token ทิ้ง มาแชร์ให้ฟังครับ
1. Vibe Analytics คืออะไร
ล้อมาจากคำว่า Vibe Coding (คำที่ Andrej Karpathy บัญญัติต้นปี 2025 = เขียนโปรแกรมด้วยการคุยกับ AI ไม่ต้องพิมพ์โค้ดเอง) — อ.เวท เอามาปรับใช้กับสาย data คือคุยกับ AI ให้มันช่วยทำงานข้อมูลตั้งแต่ต้นจนจบ
2. งานสาย data มี 5 ขั้น และ AI ไม่ได้ควรอยู่ทุกขั้น
กระบวนการคือ ดึงข้อมูลเข้า (ingest) → ตรวจสอบ (audit) → ทำความสะอาด (cleansing/data prep) → วิเคราะห์ → ทำภาพ (visualization) AI แทรกได้ทุกขั้นก็จริง แต่ใส่ทุกขั้นแบบไม่คิดแล้วมันจะพังเอา — ต้องเลือกใช้เฉพาะขั้นที่จำเป็น
3. ความจริงที่เจ็บ: ข้อมูล 60-80% ไม่สะอาด
ใครทำงานกับ data น่าจะรู้ดี วันที่คนนึงกรอก พ.ศ. อีกคน ค.ศ. บางคนเลขไทยบางคนเลขอารบิก ตัวเลข "1,000 บาท" ที่ดันกลายเป็น text เอามารวมก็รวมไม่ได้ งานพวกนี้ AI ทำความสะอาดได้เก่งมาก
4. เทคนิคหัวใจ: อย่าเอา AI ไล่แปลงข้อมูลล้านแถวตรงๆ
ถ้าโยนข้อมูลล้านแถวให้ AI แปลงทุกเดือน มันจะช้า เผา token มหาศาล และได้บ้างไม่ได้บ้าง วิธีที่ถูกคือ ให้ AI "เขียนกฎ/เขียนโค้ด" การแปลงข้อมูลออกมาครั้งเดียว (กระบวนการนี้เรียกว่า ETL = Extract-Transform-Load ดึง-แปลง-โหลดข้อมูล) แล้วเอากฎนั้นไปรันในเครื่องมือที่แม่นยำแทน
5. ตัวเลขที่เห็นภาพ: จาก 4 นาที เหลือ 1 วินาที
อ.เวท เล่าเคสจริง — cleansing ด้วย AI ครั้งนึง (รวม Excel 4 ไฟล์ 36 ชีท) ใช้เวลา ~4 นาที เครดิตหมุนติ้ว (ที่ต้องรีเซ็ตทุก 5 ชั่วโมง) แต่พอเอากระบวนการไปทำเป็น Power Query (เครื่องมือ ETL ของ Microsoft ใน Excel/Power BI ที่บันทึกทุกขั้นเป็นสเต็ป กดรันซ้ำได้) เดือนถัดไปแค่กด refresh ใช้เวลา 1 วินาที และ 0 token
6. หลักคิด: AI build, deterministic run
ให้ AI เป็นตัวคิดและออกแบบกระบวนการ แต่ให้เครื่องมือที่แม่นยำชัดเจนเป็นตัวรันจริง ใช้ AI เฉพาะงานที่มันเก่ง — ข้อมูลมั่วๆ ไม่มีโครงสร้าง (unstructured) กฎที่ซับซ้อน หรือของที่เปลี่ยนรูปแบบบ่อย
7. เรื่อง cost ที่องค์กรเริ่มซีเรียส
อ.เวท เล่าว่าบางธนาคารเริ่มกำหนดแล้วว่าให้ใช้ได้แค่รุ่น Sonnet ไม่ให้ใช้ Opus เพราะคุมต้นทุน — แกเปรียบว่า "เลือกโมเดลเหมือนเลือกกระบี่ ไม่ต้องหรูหรา แต่ต้องต่อสู้ได้" คือเลือกรุ่นให้เหมาะกับงาน ไม่ใช่จัดตัวแพงสุดกับทุกงาน
8. AI ช่วย audit ข้อมูลได้ด้วย
ไม่ใช่แค่ clean — AI ไฮไลต์ให้ได้ว่าตรงไหนมีข้อมูลซ้ำ ตรงไหนน่าจะพิมพ์ผิด ตรงไหนเว้นวรรคเกิน (ไม่ได้ trim) ตัวเล็กตัวใหญ่ปนกัน อ.เวท บอกว่าลองกับ Sonnet เอาอยู่สบายๆ
9. ทำ dashboard ใน Claude ได้เลย
visualization ทำได้ทั้งใน Claude แชท, Claude Cowork (ตัว agentic ตัวใหม่ของ Anthropic ที่ทำงานบนไฟล์ในเครื่องเราได้) และ Claude Code เทคนิค prompt ที่แกแนะ: บอกว่า "คุณคือ Data Analyst และ UX/UI Designer" ใส่ไอเดีย slicer/สีที่อยากได้ แล้ว reference สkill/แบรนด์องค์กร (โลโก้ โทนสี) เข้าไป จะได้ dashboard มี animation กดดูได้ ว้าวกว่าสไลด์แห้งๆ ตอนพรีเซนผู้บริหารเยอะ
10. แต่ foundation ยังสำคัญเสมอ
อ.เวท ปิดว่า AI ทำให้เราทำอะไรว้าวๆ ได้ แต่พื้นฐานต้องแน่น — ต้องตอบให้ได้ว่ากราฟถูกไหม ตัวเลขนี้มาจากไหน ทำไม insight ถึงสรุปแบบนั้น ถ้าตอบไม่ได้ = ไม่เวิร์ค เพราะสุดท้ายคนที่ต้องรับผิดชอบผลคือเรา ไม่ใช่ AI
ยุคที่ AI ทำงานข้อมูลให้ได้เกือบหมด สิ่งที่แยกคนที่ใช้เป็นกับใช้ไม่เป็น ไม่ใช่ว่าใครสั่ง AI เก่งกว่า แต่คือใครรู้ว่าควรปล่อยให้ AI ทำตรงไหน และควรคุมด้วยกระบวนการที่แม่นยำตรงไหนครับ
ที่มา: YouTube – Claude Thailand Community Meetup ครั้งที่ 2 (Part 1) นาที 1:40:10
https://www.youtube.com/watch?v=FyEJnuvMzms&t=6010s
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac