พื้นฐานข้อมูลและระบบ
I. พื้นฐานข้อมูลและระบบ

🧠 การวิเคราะห์ข้อมูลลูกค้าCustomer Data Analytics

เมื่อทีมพูดว่า “ข้อมูลลูกค้าเรามีทั้งใน POS, LINE OA, Shopee, TikTok Shop แต่พอถามว่าลูกค้าคนไหนมีค่าที่สุด หรือไลฟ์เมื่อวานได้ลูกค้าใหม่กี่คน ไม่มีใครตอบได้ตรงกัน”

Customer Data Analytics คือการรวมข้อมูลลูกค้าจากทุกช่องทางให้เป็นภาพเดียว แล้ววิเคราะห์ว่าใครมีค่า ใครกำลังจะหาย และควรทำอะไรต่อ ปี 2026 เรื่องนี้สำคัญขึ้นอีก เพราะยอดขายย้ายไปอยู่บน Shopee, TikTok Shop และไลฟ์ที่ให้ข้อมูลลูกค้าน้อย และ AI agent จะตอบถูกก็ต่อเมื่อข้อมูลสะอาดและนิยามตรงกัน

ปรับปรุงล่าสุด ต.ค. 2026

เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt

ข้อมูลเก็บไว้ในเบราว์เซอร์นี้เท่านั้น ไม่ได้ส่งไปที่ใด ช่องว่างที่ตรงกับข้อมูลนี้จะถูกเติมให้ทุก prompt ส่วนช่องอื่นกด "เติมช่องว่าง" ที่ prompt นั้น

Q1ควรเก็บข้อมูลลูกค้าอะไรบ้าง เก็บทุกอย่างเลยดีไหม

ไม่ควรเก็บทุกอย่าง เพราะเปลืองและเสี่ยง PDPA ซึ่งให้ใช้ข้อมูลตามวัตถุประสงค์ที่แจ้งไว้เท่านั้น

ให้เริ่มจากคำถามธุรกิจ แล้วย้อนดูว่าต้องใช้ข้อมูลอะไร ส่วนใหญ่แบ่งได้ 6 ชั้น:

  • ตัวตน: เลขสมาชิก เบอร์โทร อีเมล LINE UID
  • โปรไฟล์: อายุ พื้นที่ ประเภทลูกค้า
  • การซื้อ: คำสั่งซื้อ สินค้า ยอด ช่องทาง (หน้าร้าน, Shopee, TikTok Shop, ไลฟ์)
  • พฤติกรรม: คลิก ใช้คูปอง เข้าแอป ดูไลฟ์
  • บริการ: แชต เคสร้องเรียน คะแนนความพึงพอใจ
  • Consent: ยินยอมอะไร ช่องทางไหน เมื่อไร

Consent ต้องเป็นคอลัมน์ในตารางหลัก ไม่ใช่ไฟล์ PDF แยก ข้อมูลที่ไม่มีใครใช้มา 12 เดือน ควรทบทวนว่าจะเก็บต่อหรือไม่

Prompt ต่อยอด
ฉันทำ [ประเภทธุรกิจ เช่น ร้านอาหาร 10 สาขา] และอยากตอบ 3 คำถามนี้: [คำถามธุรกิจ] ช่วยทำตารางข้อมูลขั้นต่ำที่ต้องเก็บ แยกเป็นชั้น ตัวตน/โปรไฟล์/การซื้อ/พฤติกรรม/บริการ/Consent พร้อมแหล่งข้อมูล ความถี่อัปเดต และติดธงรายการที่เสี่ยง PDPA
Q2CRM, CDP กับ Lakehouse ต่างกันอย่างไร ต้องมีครบทั้งสามไหม

ไม่ต้องมีครบทั้งสาม ให้ดูที่หน้าที่ของแต่ละระบบ

  • CRM: ระบบที่ทีมขายและบริการใช้ทุกวัน เก็บประวัติติดต่อ ดีล และเคส
  • Lakehouse/Warehouse (เช่น Databricks, Snowflake): ที่รวมข้อมูลทุกระบบเพื่อวิเคราะห์และทำโมเดล
  • CDP: ชั้นที่รวมโปรไฟล์ สร้าง segment แล้วส่งไปยังเครื่องมือการตลาด

แนวโน้มปี 2025–2026 คือ CDP ย้ายเข้าไปอยู่ใน Lakehouse เดือน มิ.ย. 2026 Databricks เปิดตัว CustomerLake ซึ่งเป็น CDP ที่ใช้ AI agent ทำ Identity Resolution และสร้างแคมเปญบนข้อมูลชุดเดิม โดยไม่ต้องคัดลอกข้อมูล (ยังเป็น Private Preview)

ถ้าทีมข้อมูลแข็งแรงอยู่แล้ว แบบ Composable คุมข้อมูลและ PDPA ได้ดีกว่า แต่ถ้าทีมเล็กและต้องการเริ่มเร็ว CDP สำเร็จรูปหรือเครื่องมือใน LINE OA อาจเหมาะกว่าในปีแรก

Prompt ต่อยอด
ช่วยเปรียบเทียบ 3 ทางเลือกสำหรับ [ชื่อธุรกิจ] ที่มีข้อมูลใน [POS, CRM, LINE OA, Shopee, TikTok Shop]: (ก) ซื้อ CDP สำเร็จรูป (ข) Composable CDP บน [Databricks/Snowflake] (ค) ใช้ CRM เป็นศูนย์กลาง ทำเป็นตาราง ต้นทุน เวลาเริ่มใช้ ความเร็วข้อมูล การคุม PDPA และทักษะทีมที่ต้องมี แล้วแนะนำทางที่เหมาะกับทีมข้อมูล [จำนวน] คน
Q3Customer 360 ฟังดูง่าย ทำไมทำจริงแล้วยาก

ส่วนที่ยากคือการรู้ว่าใครเป็นคนเดียวกัน ไม่ใช่การรวมตาราง ลูกค้าคนเดียวอาจเป็นเลขสมาชิกใน POS เบอร์โทรใน CRM และ LINE UID ใน OA โดยไม่มีคีย์ร่วมกันเลย

วิธีที่ใช้ได้จริง:

  1. จับคู่ด้วยคีย์แน่นอนก่อน เช่น เบอร์โทรที่จัดรูปแบบแล้ว เลขสมาชิก
  2. ใช้คะแนนความน่าจะเป็นเสริม เช่น ชื่อ ที่อยู่ และตั้งเกณฑ์อย่างระมัดระวัง
  3. เก็บที่มาของการจับคู่ (lineage) เพื่อแยกออกได้เมื่อจับผิด และเพื่อลบข้อมูลได้ครบเมื่อลูกค้าขอตาม PDPA
  4. มีกฎเลือกค่าที่ถูกต้อง เมื่อข้อมูลขัดกัน เช่น ใช้ที่อยู่ล่าสุด

อีกอุปสรรคคือแต่ละฝ่ายหวงข้อมูล จึงต้องมีผู้บริหารสนับสนุน และตกลงนิยามกลาง เช่น "ลูกค้า active" ให้ทุกทีมใช้เหมือนกัน

Prompt ต่อยอด
ช่วยออกแบบกฎ Identity Resolution สำหรับ [ชื่อธุรกิจ] ที่มีแหล่งข้อมูล [ระบบและคีย์ เช่น POS=เลขสมาชิก, LINE OA=LINE UID, เว็บ=อีเมล] ระบุลำดับการจับคู่ เกณฑ์การให้คะแนน กฎเลือกค่าเมื่อข้อมูลขัดกัน และตาราง lineage ที่ต้องเก็บ ตอบเป็นตาราง
Q4ขายบน Shopee, TikTok Shop และไลฟ์ แต่ไม่รู้ว่าผู้ซื้อเป็นใคร จะวิเคราะห์ลูกค้าได้อย่างไร

ยอมรับก่อนว่าข้อมูลมาร์เก็ตเพลสเป็นของแพลตฟอร์ม Shopee ปิดชื่อและเบอร์ผู้ซื้อจากคำสั่งซื้อ เหลือแค่ที่อยู่ไว้ส่งของ จึงรวมเข้ากับฐานสมาชิกโดยตรงไม่ได้

สิ่งที่ทำได้:

  • วิเคราะห์ระดับคำสั่งซื้อ แยกตามแพลตฟอร์ม ไลฟ์ และครีเอเตอร์ เช่น ยอดต่อไลฟ์ สินค้าที่ขายคู่กัน
  • สร้างสะพานให้ลูกค้าเลือกเชื่อมเอง เช่น QR ในกล่องให้ลงทะเบียนรับประกันหรือสมัครสมาชิกผ่าน LINE OA แล้วกรอกเลขคำสั่งซื้อ
  • ใช้ Brand Membership ในแพลตฟอร์ม ควบคู่ แม้ข้อมูลจะยังอยู่ในแพลตฟอร์ม
  • รวมแชตเข้ามาด้วย แชต LINE OA และ Messenger บอกได้ว่าลูกค้าถามอะไรก่อนซื้อ

วัดสัดส่วนยอดขายที่ระบุตัวลูกค้าได้ทุกเดือน ตัวเลขนี้ควรค่อย ๆ สูงขึ้น และทุกการเชื่อมต้องขอ consent ชัดเจน

Prompt ต่อยอด
ฉันขายผ่าน [Shopee/TikTok Shop/ไลฟ์/หน้าร้าน] แนบไฟล์ CSV คำสั่งซื้อจากแต่ละช่องทาง [ระบุคอลัมน์] ช่วย (1) เสนอวิธีเชื่อมผู้ซื้อมาร์เก็ตเพลสเข้าระบบสมาชิกแบบที่ลูกค้ายินยอมเอง (2) ออกแบบตาราง order_bridge ที่ใช้เลขคำสั่งซื้อเป็นตัวกลาง (3) KPI วัดความคืบหน้า และติดธงจุดที่อาจขัดเงื่อนไขแพลตฟอร์มหรือ PDPA
Q5RFM เริ่มทำอย่างไร ต้องแบ่งคะแนนกี่ระดับ

RFM เป็นจุดเริ่มที่ดีที่สุด เพราะใช้แค่ประวัติการซื้อที่ทุกธุรกิจมีอยู่แล้ว

ขั้นตอน:

  1. คำนวณต่อลูกค้า: ซื้อล่าสุดกี่วันก่อน (R) ซื้อกี่ครั้ง (F) ยอดรวม (M) ในช่วง 12–24 เดือน
  2. ให้คะแนน 1–3 หรือ 1–5 โดยแบ่งตามฐานลูกค้าของเราเอง
  3. จับคะแนนรวมเป็นกลุ่มที่มีชื่อและแผนชัด

ตัวอย่างจาก Klaviyo: Recency 3 = ซื้อภายใน 180 วัน, 2 = ภายใน 365 วัน, 1 = นานกว่านั้น ส่วน F และ M แบ่งเป็น 3 ส่วนเท่ากัน กลุ่ม Champions คือ 333, 332, 323

ธุรกิจที่รอบซื้อยาว เช่น เครื่องใช้ไฟฟ้า ต้องยืดเกณฑ์ Recency ออกไป และควรคำนวณใหม่ทุกเดือนเพื่อดูว่าลูกค้าย้ายกลุ่มอย่างไร

Prompt ต่อยอด
แนบไฟล์ orders.csv (customer_id, order_date, net_amount) ของ [ประเภทธุรกิจ] ช่วยคำนวณ RFM ช่วง [12] เดือน ให้คะแนน 1–5 แบ่งกลุ่ม Champions/Loyal/At risk/Lost แสดงผลเป็นตาราง และเขียน SQL (Databricks SQL) ที่ทีมข้อมูลเอาไปรันซ้ำได้ ถ้ารอบซื้อของเราคือ [รอบซื้อ] ควรปรับเกณฑ์อย่างไร
Q6Cohort Analysis อ่านอย่างไร บอกอะไรที่ RFM บอกไม่ได้

RFM บอกว่าตอนนี้ใครมีค่า ส่วน Cohort บอกว่าลูกค้าแต่ละรุ่นอยู่กับเรานานแค่ไหน

วิธีอ่าน: แต่ละแถวคือลูกค้าที่เริ่มซื้อเดือนเดียวกัน แต่ละคอลัมน์คือเดือนที่ 0, 1, 2 หลังเริ่ม ค่าในช่องคือ % ที่กลับมาซื้อ

  • อ่าน แนวนอน เพื่อดูว่ารุ่นนั้นหายไปเร็วแค่ไหน
  • อ่าน แนวตั้ง เพื่อเทียบรุ่นใหม่กับรุ่นเก่าที่เดือนเดียวกัน

ต้องตกลงให้ชัด (อ้างอิง Mixpanel):

  • เหตุการณ์เริ่ม (ซื้อครั้งแรก) และเหตุการณ์กลับมา (ซื้อซ้ำ)
  • นับแบบ "กลับมาในเดือนนั้นพอดี" หรือ "เดือนนั้นหรือหลังจากนั้น" ตัวเลขจะต่างกันมาก
  • ช่องที่เวลายังไม่ครบ ต้องทำเครื่องหมายและห้ามนำไปเทียบ

ใช้ได้ดีมากกับการวัดผลการเปลี่ยนแปลง เช่น ลูกค้าที่ได้มาจากไลฟ์กลับมาซื้อซ้ำน้อยกว่าลูกค้าหน้าร้านหรือไม่

Prompt ต่อยอด
แนบไฟล์ orders.csv ที่มีคอลัมน์ customer_id, order_date, channel (เช่น หน้าร้าน/Shopee/ไลฟ์) ช่วยสร้างตาราง Cohort retention รายเดือนแยกตาม channel นับแบบ "เดือนนั้นหรือหลังจากนั้น" ทำเครื่องหมายช่องที่ข้อมูลยังไม่ครบ แล้วสรุป 3 ข้อสังเกตเป็นภาษาง่าย
Q7CLV คำนวณอย่างไร สูตรง่าย ๆ พอไหม

เริ่มจากสูตรง่ายได้ แต่ต้องรู้ข้อจำกัด

สูตรง่าย: ยอดซื้อเฉลี่ยต่อครั้ง × จำนวนครั้งต่อปี × จำนวนปีที่คาดว่าจะอยู่ × อัตรากำไรขั้นต้น เหมาะกับการตั้งงบหาลูกค้าคร่าว ๆ แต่สมมติว่าลูกค้าทุกคนเหมือนกัน ซึ่งไม่จริง

แบบโมเดล: ตระกูล BTYD (Buy 'Til You Die) ใช้แค่ 4 ค่าต่อลูกค้า คือ ซื้อล่าสุด ความถี่ อายุลูกค้า และยอดเฉลี่ย ให้ผลเป็นมูลค่าที่คาดการณ์รายคน เหมาะกับค้าปลีก ร้านอาหาร และร้านออนไลน์ที่ลูกค้าไม่ได้บอกเลิกเหมือนสมาชิกรายเดือน ตัวที่นิยมคือ BG/NBD คู่กับ Gamma-Gamma

ทำไมต้องสนใจ: HBR (2014) อ้างงานของ Bain ว่าเพิ่ม Retention 5% เพิ่มกำไรได้ 25–95% ตัวเลขนี้เก่าและต่างกันตามอุตสาหกรรม แต่หลักคิดยังใช้ได้ คือ CLV บอกว่ากลุ่มไหนคุ้มที่จะลงทุนรักษา

Prompt ต่อยอด
คุณเป็น Data Scientist ช่วยอธิบายขั้นตอนทำโมเดล CLV แบบ BG/NBD + Gamma-Gamma บน [Databricks/Python] สำหรับ [ประเภทธุรกิจ] ที่มีข้อมูลย้อนหลัง [N] ปี ระบุการเตรียมตาราง (frequency, recency, T, monetary) วิธีทดสอบกับข้อมูลช่วงหลัง และวิธีเอาผลไปใช้เลือกกลุ่มทำแคมเปญ อธิบายให้ทีมการตลาดเข้าใจ
Q8ข้อมูลไม่สะอาดกระทบผลวิเคราะห์แค่ไหน จะรู้ได้อย่างไรว่าข้อมูลเริ่มเสีย

กระทบตั้งแต่ต้นทาง เบอร์ซ้ำทำให้ลูกค้าคนเดียวกลายเป็นสามคน ตัวเลข Retention จึงต่ำกว่าจริง ส่วน consent ที่ไม่ซิงก์ทำให้ส่งข้อความหาคนที่ขอเลิกรับแล้ว ซึ่งเสี่ยงผิด PDPA

วัดคุณภาพด้วยตัวเลขที่ติดตามได้:

  • ครบ: % ลูกค้าที่มีเบอร์หรือ LINE UID ใช้งานได้
  • ไม่ซ้ำ: % เรคคอร์ดซ้ำ
  • ถูกรูปแบบ: % ค่าที่อยู่ในรูปแบบถูกต้อง
  • สดใหม่: ตารางอัปเดตล่าสุดเมื่อไร

บน Databricks ใช้ Data quality monitoring ได้ (เดิมชื่อ Lakehouse Monitoring) มี anomaly detection ที่เฝ้าทั้ง schema ว่าตารางมาช้าหรือแถวหายไหม และ data profiling ที่ดูการกระจายของคอลัมน์ วิธีที่ทำให้ธุรกิจเห็นภาพคือเทียบผลแคมเปญของกลุ่มที่ข้อมูลครบกับไม่ครบ

Prompt ต่อยอด
แนบตัวอย่างตาราง customer master [จำนวนแถว/คอลัมน์] ช่วยตรวจว่ามีปัญหาข้อมูลซ้ำ ข้อมูลขาด และรูปแบบผิดกี่ % สรุปเป็นตาราง แล้วเสนอกฎตรวจคุณภาพ 5 ข้อพร้อม SQL ที่ทีมข้อมูลตั้งเป็น alert ได้ (ห้ามแสดงเบอร์หรือชื่อจริงในคำตอบ)
Q9AI ช่วยงานวิเคราะห์ข้อมูลลูกค้าได้ตรงไหนบ้าง ที่ไม่ใช่แค่กระแส

AI ช่วยเร่งงาน แต่คนยังต้องตัดสินใจ จุดที่ใช้ได้จริงในปี 2026:

  1. แปลงข้อความเป็นตาราง AI Functions บน Databricks SQL เช่น ai_classify, ai_extract, ai_analyze_sentiment เปลี่ยนแชต LINE รีวิว Shopee หรือคอมเมนต์ไลฟ์ให้เป็นคอลัมน์หมวดปัญหาและอารมณ์
  2. ปิดข้อมูลส่วนตัวก่อนวิเคราะห์ ใช้ ai_mask ลบชื่อและเบอร์ออกจากข้อความ
  3. พยากรณ์และหาสาเหตุ ai_forecast พยากรณ์ยอดหรือจำนวนลูกค้า ส่วน ai_top_drivers (Beta) บอกว่ามิติไหนทำให้ตัวเลขเปลี่ยน
  4. ร่าง SQL และสรุปผล ให้ AI ร่าง query จากคำถามภาษาไทย แล้วให้คนตรวจ

ข้อควรระวัง: อย่าให้ AI แชตคำนวณตัวเลขเอง ให้มันเขียนโค้ดแล้วรันบนข้อมูลจริง ฟังก์ชันที่เรียกโมเดลภาษามีค่าใช้จ่ายแยกจาก compute จึงควรลองกับข้อมูลชุดเล็กก่อน

Prompt ต่อยอด
คุณเป็น Analytics Engineer บน Azure Databricks ช่วยออกแบบ pipeline ที่ใช้ ai_mask ปิดข้อมูลส่วนตัว แล้วใช้ ai_classify และ ai_analyze_sentiment จัดหมวด [แชต LINE OA/รีวิว Shopee/คอมเมนต์ไลฟ์] ของ [ธุรกิจ] เป็น [หมวดที่ต้องการ] ระบุตาราง Bronze/Silver/Gold ความถี่ job วิธีสุ่มตรวจความแม่นยำ และวิธีดูค่าใช้จ่ายจาก system.billing.usage
Q10ให้ AI agent ตอบคำถามข้อมูลลูกค้าแทนทีมข้อมูลได้เลยไหม

ได้บางส่วน แต่ต้องปูพื้นก่อน เครื่องมือปี 2026 เปิดให้ถามข้อมูลเป็นภาษาธรรมดาได้แล้ว เช่น Genie One และ Genie Agents บน Databricks หรือ MCP ของ Apache Superset 6.1 ที่ให้ผู้ช่วย AI สร้างชาร์ตและเรียก SQL Lab ได้

แต่ AI จะตอบถูกเมื่อ:

  • นิยามตัวเลขอยู่ที่เดียว เช่น ใส่ "ลูกค้า active" ไว้ใน metric view พร้อมคำพ้องภาษาไทย
  • ให้ AI เห็นเฉพาะตารางที่คัดแล้ว ไม่ใช่ตารางดิบทั้งหมด
  • มีชุดคำถามทดสอบ พร้อมคำตอบที่ถูก แล้ววัดว่า AI ตอบถูกกี่ %
  • สิทธิ์เหมือนคน AI ต้องเห็นข้อมูลไม่เกินสิทธิ์ของผู้ถาม

Gartner คาดว่าโครงการ AI ที่ข้อมูลไม่พร้อมจะถูกล้มเลิกราว 60% จนถึงปี 2026 จึงควรเริ่มจากคำถามที่ถามบ่อย 20 ข้อของทีม CRM

Prompt ต่อยอด
ช่วยวางแผนเปิดให้ทีม CRM ถามข้อมูลลูกค้าผ่าน AI ([Genie/เครื่องมือที่ใช้]) สำหรับ [ธุรกิจ] ระบุ (1) 20 คำถามที่ทีมถามบ่อย (2) ตารางและนิยามเมตริกที่ต้องมีก่อน (3) ชุดทดสอบความแม่นยำ (4) กฎสิทธิ์และการปิดข้อมูลส่วนตัว ตอบเป็นตารางพร้อมลำดับงาน 6 สัปดาห์
Q11ทำ Dashboard แล้วไม่มีใครเปิดดู ควรแก้อย่างไร

Dashboard ที่ไม่มีคนใช้ มักไม่ได้ผูกกับการตัดสินใจ สาเหตุอื่นคือตัวเลขไม่ตรงกับที่ทีมอื่นเห็น และโหลดช้า

วิธีแก้:

  • ผูกหนึ่งหน้ากับหนึ่งการตัดสินใจ เช่น หน้า RFM ใช้เลือกกลุ่มส่ง LINE ทุกวันจันทร์
  • ใช้นิยามเดียว ให้ทุกชาร์ตใน Superset ดึงจาก Gold table หรือ dataset ที่กำหนดเมตริกกลาง
  • ทำให้เร็ว คำนวณตารางสรุปล่วงหน้า ไม่ query ตาราง event ดิบตรง ๆ
  • ให้เห็นเฉพาะของตัวเอง ตั้ง row-level security ให้ผู้จัดการสาขาเห็นเฉพาะสาขาตัวเอง
  • ใช้ในประชุมจริง และลบชาร์ตที่ไม่มีคนดูทุกไตรมาส

วัดจำนวนคนเปิดและความถี่ เป็น KPI ของทีมข้อมูลด้วย

Prompt ต่อยอด
ช่วยออกแบบชุด Dashboard ลูกค้าใน [Superset/Power BI/Looker Studio] สำหรับ [ธุรกิจ] แต่ละหน้าระบุผู้ใช้ การตัดสินใจ เมตริก และตัวกรอง ครอบคลุมหน้า ภาพรวม, RFM, Cohort, ยอดตามช่องทาง (หน้าร้าน/Shopee/TikTok Shop/ไลฟ์), คุณภาพข้อมูล ตอบเป็นตาราง
Q12ได้ Insight แล้ว ทำอย่างไรให้กลายเป็นการกระทำ ไม่จบอยู่ในสไลด์

ทำ Insight ให้เป็นรายชื่อที่ระบบอื่นเอาไปใช้ได้ ไม่ใช่แค่กราฟ

  1. ทำเป็นตาราง เช่น รายชื่อลูกค้า At risk พร้อมคะแนนและเหตุผล
  2. ส่งไปยังระบบที่ทีมใช้ ผ่าน Reverse ETL ไป CRM, LINE OA หรือ Meta Ads ถ้าแอปหรือ LINE MINI App ต้องอ่านเร็ว ใช้ synced tables ไปที่ Lakebase (Postgres ของ Databricks) ได้
  3. ตั้ง alert ที่มีเจ้าของ เช่น Retention รุ่นใหม่ต่ำกว่ารุ่นก่อน 5 จุด แจ้งใครและต้องทำอะไร
  4. กัน control group ทุกครั้ง เพื่อพิสูจน์ว่าแคมเปญได้ผลจริง

เก็บ activation log ว่าส่ง segment ไหน ช่องทางไหน เมื่อไร ใช้ทั้งวัดผลย้อนหลัง และเป็นหลักฐานว่าใช้ข้อมูลตาม consent

Prompt ต่อยอด
ช่วยออกแบบ flow จาก Insight ถึงการกระทำสำหรับ [ธุรกิจ] จากตาราง segment บน [Databricks] ไปยัง [CRM/LINE OA/Meta Ads] ระบุ schema ตาราง segment และ activation log วิธีสุ่ม control group ความถี่ซิงก์ KPI ของแต่ละ segment และจุดที่ต้องเช็ก consent ก่อนส่ง
Q13ใช้ข้อมูลลูกค้าทำ Analytics และ AI ต้องระวังเรื่อง PDPA อย่างไร

การวิเคราะห์ก็คือการประมวลผลข้อมูลส่วนบุคคล จึงต้องมีฐานกฎหมายและใช้ตามวัตถุประสงค์ที่แจ้ง

ปี 2025 สคส. เริ่มปรับจริง 8 คำสั่งใน 5 คดี รวมราว 14.5 ล้านบาท และปรับทั้งเจ้าของข้อมูลและผู้รับจ้างประมวลผล เช่น บริษัทที่ทำระบบให้ ส่วนร่างแนวปฏิบัติด้านการตลาด (ก.ค. 2026 ยังเป็นร่าง) ขอให้มีมาตรการดูแลการทำโปรไฟล์และการตลาดด้วย AI

สิ่งที่ทีมข้อมูลควรทำ:

  • เก็บ consent เป็นข้อมูล และซิงก์การถอนความยินยอมเข้าทุกระบบ
  • ปิดตัวตนในชั้นวิเคราะห์ ใช้รหัสลูกค้าแทนเบอร์ และ mask คอลัมน์อ่อนไหว
  • ไม่ส่งข้อมูลดิบเข้า AI ภายนอก ปิดชื่อและเบอร์ก่อน
  • ลบได้ครบเมื่อลูกค้าขอ รวมถึงโปรไฟล์ที่รวมแล้ว
  • ตรวจ vendor ที่ประมวลผลแทนเรา
Prompt ต่อยอด
ช่วยตรวจแผนวิเคราะห์ข้อมูลลูกค้านี้ของ [ธุรกิจ]: [อธิบายข้อมูลที่ใช้ วัตถุประสงค์ เครื่องมือ AI และ vendor] ระบุความเสี่ยง PDPA เป็นตาราง (ความเสี่ยง, ระดับ, วิธีแก้) รวมถึงเรื่องการทำโปรไฟล์ด้วย AI ตามร่างแนวปฏิบัติด้านการตลาดของ สคส. และสิ่งที่ต้องถามฝ่ายกฎหมายต่อ