Database And Business Intelligence
database-design-development_zps719d9f3b.jpg

Database หรือ ฐานข้อมูล คือ กลุ่มของข้อมูลที่ถูกเก็บรวบรวมไว้ โดยมีความสัมพันธ์ซึ่งกันและกัน โดยไม่ได้บังคับว่าข้อมูลทั้งหมดนี้จะต้องเก็บไว้ในแฟ้มข้อมูลเดียวกันหรือแยกเก็บหลาย ๆ แฟ้มข้อมูลซึ่งประกอบไปด้วยแฟ้มข้อมูล (File) ระเบียน (Record) และ เขตข้อมูล (Field) และถูกจัดการด้วยระบบเดียวกัน โปรแกรมคอมพิวเตอร์จะเข้าไปดึงข้อมูลที่ต้องการได้ อย่างรวดเร็ว ซึ่งอาจเปรียบ Database เสมือนเป็น electronic filing system
การเข้าถึงข้อมูลในฐานข้อมูลจำเป็นต้องมีระบบการจัดการฐานข้อมูลมาช่วยเรียกว่า database management system (DBMS) ซึ่งจะช่วยให้ผู้ใช้สามารถจัดการกับข้อมูล ตามความต้องการได้ ในหน่วยงานใหญ่ๆอาจมีฐานข้อมูลมากกว่า 1 ฐานข้อมูลเช่น ฐานข้อมูลบุคลากร ฐานข้อมูลลูกค้า ฐานข้อมูลสินค้า เป็นต้น

ประโยชน์ของDatabase
1. ลดการเก็บข้อมูลที่ซ้ำซ้อน ข้อมูลบางชุดที่อยู่ในรูปของแฟ้มข้อมูลอาจมีปรากฏอยู่หลาย ๆ แห่ง เพราะมีผู้ใช้ข้อมูลชุดนี้หลายคน เมื่อใช้ระบบฐานข้อมูลแล้วจะช่วยให้ความซ้ำซ้อนของข้อมูลลดน้อยลง
2. รักษาความถูกต้องของข้อมูล เนื่องจากฐานข้อมูลมีเพียงฐานข้อมูลเดียว ในกรณีที่มีข้อมูลชุดเดียวกันปรากฏอยู่หลายแห่งในฐานข้อมูล ข้อมูลเหล่านี้จะต้องตรงกัน ถ้ามีการแก้ไขข้อมูลนี้ทุก ๆ แห่งที่ข้อมูลปรากฏอยู่จะแก้ไขให้ถูกต้องตามกันหมดโดยอัตโนมัติด้วยระบบจัดการฐานข้อมูล
3. การป้องกันและรักษาความปลอดภัยให้กับข้อมูลทำได้อย่างสะดวก การป้องกันและรักษาความปลอดภัยกับข้อมูลระบบฐานข้อมูลจะให้เฉพาะผู้ที่เกี่ยวข้องเท่านั้นซึ่งก่อให้เกิดความปลอดภัย(security) ของ__ข้อมูลด้วย

Database Management System(DBMS)

_link_dbms_zpsb10f7d55.gif

DBMS คือ ระบบการจัดการฐานข้อมูล หรือซอฟต์แวร์ที่ดูแลจัดการเกี่ยวกับฐานข้อมูล โดยอำนวยความสะดวกให้แก่ผู้ใช้ทั้งในด้านการสร้าง การปรับปรุงแก้ไข ระบบจัดการฐานข้อมูลที่นิยมใช้กันในปัจจุบันเช่น Oracle,IBM DB2,Microsoft SQL Server, Sybase, Cache, PostgreSQL, Progress, MySQL,Interbase, Firebird, Pervasive SQL, SAP DB, Microsoft Office Access, Lotus, Paradox
Data management subsystem (ระบบย่อยในการจัดการข้อมูล) ประกอบด้วยฐานข้อมูลระบบจัดการฐานข้อมูล ส่วนสอบถามข้อมูล ส่วนการดึงข้อมูล และข้อมูลที่ได้รับจากแหล่งต่าง ๆทั้งจากภายในและภายนอก เพื่อดึงหรือกรองข้อมูล ที่เกี่ยวข้องกับสถานการณ์ในการตัดสินใจมาใช้ และถูกจัดการโดยซอฟต์แวร์ที่เรียกว่า ระบบจัดการฐานข้อมูล (Database Management Systems : DBMS)
หน้าที่ของ DBMS
1.ทำหน้าที่แปลงคำสั่งที่ใช้จัดการกับข้อมูลภายในฐานข้อมูลให้อยู่ในรูปแบบที่ข้อมูลเข้าใจ
2.ทำหน้าที่ในการนำคำสั่งต่างๆ ซึ่งได้รับการแปลแล้วไปสั่งให้ฐานข้อมูลทำงาน เช่น การเรียกใช้ข้อมูล (Retrieve) การจัดเก็บข้อมูล (Update) การลบข้อมูล (Delete) หรือ การเพิ่มข้อมูลเป็นต้น (Add) ฯลฯ
3.ทำหน้าที่ป้องกันความเสียหายที่จะเกิดขึ้นกับข้อมูลภายในฐานข้อมูล โดยจะคอยตรวจสอบว่าคำสั่งใดที่สามารถทำงานได้และคำสั่งใดที่ไม่สามารถทำได้
4.ทำหน้าที่รักษาความสัมพันธ์ของข้อมูลภายในฐานข้อมูลให้มีความถูกต้องอยู่เสมอ
5.ทำหน้าที่เก็บรายละเอียดต่าง ๆ ที่เกี่ยวข้องกับข้อมูลภายในฐานข้อมูลไว้ใน data dictionary ซึ่งรายละเอียดเหล่านี้มักจะถูกเรียกว่า "ข้อมูลของข้อมูล" (Meta Data)
6.ทำหน้าที่ควบคุมให้ฐานข้อมูลทำงานได้อย่างถูกต้องและมีประสิทธิภาพ

Data Warehouse

imagesCAISP6YR_zpsfe68802c.jpg

Data Warehouse คือ คลังของข้อมูลที่ผ่านกระบวนการสารสนเทศแล้ว และได้รับการออกแบบมาเพื่อจัดเก็บข้อมูลที่ปริมาณมาก เป็นฐานข้อมูลขนาดใหญ่ที่เก็บรวบรวมข้อมูลจากหลายแหล่งขององค์กรทั้งหมด ตั้งแต่อดีตจนถึงปัจจุบันโดยข้อมูลที่เก็บจะต้องเป็นข้อมูลสารสนเทศ (Data Information)
ประโยชน์ของ Data Warehouse
1. ช่วยเสริมสร้างความรู้ของบุคลากรในองค์กร
2. ช่วยสนับสนุนการตัดสินใจให้เกิดประสิทธิภาพ
3. สามารถเข้าถึงข้อมูลที่สำคัญได้อย่างสะดวกและรวดเร็ว
4. แยกฐานข้อมูลที่ใช้ปฏิบัติงานออกจากฐานข้อมูลที่ใช้วิเคราะห์
5. ให้ข้อมูลสรุปในมุมมองระดับสูง
6. สามารถเจาะลึกลงไปได้
7. สร้างความได้เปรียบในการแข่งขัน
8. ยกระดับการบริการลูกค้าที่ดีขึ้น สร้างความพึงพอใจให้กับลูกค้า
9. มีความยืดหยุ่นในการปรับใช้ข้อมูลกับการตัดสินใจ
10. ช่วยปรับปรุงกระบวนการทางธุรกิจให้มีความรวดเร็ว

Components of a Data Warehouse
กระบวนการของ data warehouse ที่ประกอบด้วย การคัดแยก (extraction) (เช่น การอ่านข้อมูลจากฐานข้อมูล) การเปลี่ยนรูปแบบ (transformation) (เช่น การเปลี่ยนข้อมูลที่ถูกคัดแยกจากรูปแบบเดิมไปเป็นรูปแบบที่ต้องการเพื่อสามารถวางลงใน data warehouse ได้ หรือ ฐานข้อมูลอื่นได้) และ การโหลด (load) (เช่น การวางข้อมูลลงใน data warehouse)

Untitled-2_zpsecd17adb.jpg

Data Warehouse(คลังข้อมูล) แตกต่างจาก Data base(ฐานข้อมูล) อย่างไร?
โดยปกติแล้ว ฐานข้อมูลในองค์กรทั่วไปจะมีลักษณะที่ค่อนข้างทันต่อเหตุการณ์ เช่น ฐานข้อมูลพนักงานก็จะเก็บเฉพาะพนักงานในปัจจุบัน จะไม่สนใจข้อมูลพนักงานเก่า ๆ ในอดีต ซึ่งอาจจะมีข้อมูลอะไรบางอย่าง ที่มีประโยชน์สำหรับผู้บริหาร ในการวิเคราะห์ประสิทธิภาพและคุณลักษณะต่าง ๆ ขององค์กร. นอกจากนี้ ฐานข้อมูลแต่ละอันมักถูกออกแบบมาใช้เก็บข้อมูลเฉพาะด้าน จึงมีข้อมูลเฉพาะบางส่วนขององค์กรเท่านั้น ฉะนั้นคลังข้อมูลจึงถูกออกแบบมา เพื่อรวบรวมข้อมูลในทุกส่วนของทั้งบริษัท ทั้งเก่าและใหม่ไว้ด้วยกัน ไม่มีการลบทิ้งข้อมูลเก่า ๆ ที่ไม่จริงในปัจจุบัน
โดยสรุปคือ Data Warehouse (คลังข้อมูล) ใช้เพื่อการวิเคราะห์ (ข้อมูลทั้งอดีตและปัจจุบัน) Database (ฐานข้อมูล) ใช้เพื่อทำการประมวลผล (เฉพาะข้อมูลปัจจุบัน)
ถ้าองค์กรมีคลังข้อมูลหลาย ๆ อันเพื่อใช้ในการวิเคราะห์ต่าง ๆ แตกต่างกันไป เช่น คลังข้อมูลด้านการเงิน และ คลังข้อมูลด้านทรัพยากรมนุษย์ เรามักเรียกคลังข้อมูลเฉพาะด้านเหล่านี้ว่า data marts

Data Mart

200304_030_2_zps73a357d3.gif

Data Mart คือ คลังข้อมูลที่มีขนาดเล็กถูกออกแบบมาเพื่อใช้ในหน่วย ธุรกิจเชิงกลยุทธ์ (strategic business unit, SBU) หรือในแผนกหนึ่ง ๆ เป็นส่วนย่อยของ Data Warehouse เปรียบเสมือนคลังข้อมูลขนาดเล็กที่มีลักษณะเฉพาะ มีขนาดของข้อมูลและค่าใช้จ่ายต่ำ
Data Mart เป็น subset ของ Data warehouse ซึ่งมีลักษณะเป็นคลังข้อมูลขนาดเล็กที่เก็บข้อมูลในลักษณะที่เฉพาะเจาะจงของแต่ละเรื่อง/หัวข้อ หรือความเคลื่อนไหวทางธุรกิจ ทำให้การจัดการข้อมูลการนำเอาข้อมูลไปสร้างความสัมพันธ์และวิเคราะห์ต่อได้ง่ายขึ้น และสามารถใช้เป็นยุทธวิธีเพื่อแก้ปัญหาทางธุรกิจในทันทีทันใด
ประโยชน์ของ Data Mart
- การจัดทำคลังข้อมูลใช้เวลาสั้น การนำไปประยุกต์ใช้ในการตัดสินใจก็สะดวกกว่าการใช้คลังข้อมูลกลางขององค์การ
- การติดตั้งใช้งานจะใช้เวลาน้อยกว่ามาก (มักจะน้อยกว่า 90 วัน) เป็นแบบ local แทนที่จะเป็นแบบควบคุมจากศูนย์กลาง (central control) (เมื่อเปรียบเทียบในเชิง ความสามารถการใช้งานของกลุ่ม)
- การตอบสนองทำได้เร็ว ง่ายต่อการทำความเข้าใจ และเรียนรู้ได้ง่ายกว่าคลังข้อมูลที่ใช้ทั่ว ทั้งองค์กร (enterprise wide data warehouse )
Data mart มี 2 ประเภท
1. Replicated (dependent) data marts คือกลุ่มย่อยขนาดเล็ก(small subset)หลาย ๆ กลุ่มของคลังข้อมูล ซึ่งก็คือการคัดลอกกลุ่มย่อยบางกลุ่มในคลังข้อมูล มาไว้ใน ตลาดข้อมูลเล็กๆ หลายๆ อัน แต่ละอันจะใช้เฉพาะ functional area ที่แน่นอน หนึ่ง ๆ เท่านั้น
2. Stand-alone data marts บริษัทสามารถมีตลาดข้อมูลเพียงหนึ่งหรือมากกว่าก็ได้ และเป็นอิสระจากกันโดยไม่จำเป็นต้องมีคลังข้อมูล การใช้ data mart ส่วนมาก ได้แก่ ฝ่ายการตลาด ฝ่ายบัญชี ฝ่ายที่ประยุกต์ใช้ในงานวิศวกรรม

HierachyOf Data

hdata_zps525036be.jpg

• Bitย่อมาจาก Binary Digit ข้อมูลในคอมพิวเตอร์ 1 บิต จะแสดงได้ 2 สถานะคือ 0
หรือ 1 การเก็บข้อมูลต่าง ๆ ได้จะต้องนำ บิต หลาย ๆ บิต มาเรียงต่อกัน
• Byte คือการนำข้อมูลจากบิตมาเรียงต่อกัน การนำ 8บิต มาเรียงเป็น 1 ชุด เรียกว่า 1ไบต์ เช่น
10100001 หมายถึง ก ,10100010 หมายถึง ข
• Field เกิดจากการนำไบต์ หลาย ๆ ไบต์ มาเรียงต่อกัน เรียกว่า เขตข้อมูล (field) เช่น Name
ใช้เก็บชื่อ Last Name ใช้เก็บนามสกุล เป็นต้น
• Record เมื่อนำเขตข้อมูล หลาย ๆ เขตข้อมูล มาเรียงต่อกัน เรียกว่า ระเบียน (record) เช่น
ระเบียน ที่ 1 เก็บ ชื่อ นามสกุล วันเดือนปีเกิด ของ นักเรียนคนที่ 1 เป็นต้น
• File การเก็บระเบียนหลาย ๆ ระเบียน รวมกัน เรียกว่า แฟ้มข้อมูล (File) เช่น แฟ้มข้อมูล
นักเรียน จะเก็บ ชื่อ นามสกุล วันเดือนปีเกิด ของนักเรียน จำนวน 500 คน เป็นต้น
• Database การจัดเก็บ แฟ้มข้อมูล หลาย ๆ แฟ้มข้อมูล ไว้ภายใต้ระบบเดียวกัน เรียกว่า ฐานข้อมูล
หรือ Database เช่น เก็บ แฟ้มข้อมูล นักเรียน อาจารย์ วิชาที่เปิดสอน เป็นต้น

Element of Database
องค์ประกอบหลักของ Database ประกอบด้วย 3 ฟังก์ชั่นหลักๆ
• data definitionเป็นภาษาที่ใช้กำหนดโครงสร้างข้อมูลหรือนิยามข้อมูลของฐานข้อมูล (Database Schema) ซึ่งโครงสร้างข้อมูลหรือนิยามข้อมูลสามารถเรียกได้อีกอย่างว่า สกีมา (Schema) การกำหนดโครงสร้างข้อมูลหรือนิยามข้อมูลเช่นการกำหนดว่าฐานข้อมูลที่สร้างมีชื่อว่าอะไร มีโครงสร้างประกอบด้วยตาราง (table) ชื่ออะไรบ้าง แต่ละตาราง (table) ประกอบด้วย เขตข้อมูลใดบ้าง เขตข้อมูล แต่ละตัวมีประเภทของข้อมูลเป็นอะไร ความกว้างของข้อมูลเท่าใด แต่ละตารางมีอินเด็กซ์ (index) ช่วยในการค้นหาข้อมูลหรือไม่ ถ้ามีจะใช้เขตข้อมูลใดบ้างเป็นคีย์ เป็นต้น
• ภาษาที่ใช้จัดการข้อมูล (Data Manipulation Language : DML) การจัดการข้อมูลหมายถึง การเพิ่มข้อมูลใหม่ลงในฐานข้อมูล, การลบข้อมูลที่มีอยู่ในฐานข้อมูล, การเปลี่ยนแปลงแก้ไขข้อมูลในฐานข้อมูล และการค้นคืนข้อมูลจากฐานข้อมูล
• ภาษาที่ใช้ในการควบคุมข้อมูล (Data Control Language) เป็นภาษาที่ใช้สำหรับควบคุมความถูกต้องและความปลอดภัยของข้อมูล ภาษาในส่วนนี้จะทำหน้าที่ป้องกันการเกิดเหตุการณ์ภาวะพร้อมกันจากการใช้ข้อมูลในฐานข้อมูลของผู้ใช้หลาย ๆ คน โดยจะควบคุมความถูกต้องของการใช้ข้อมูลรวมถึงการจัดลำดับการใช้ข้อมูลของผู้ใช้แต่ละคนและตรวจสอบสิทธิ์ในการใช้ข้อมูลนั้นๆ

Entity Relationship Diagram(ER Diagram)
โมเดลข้อมูลเชิงสัมพันธ์ (Entity Relationship Model) หรือ E-R Model ถูกนำเสนอโดย Chen (1976) และได้รับการพัฒนาจะสมบูรณ์ในปี 1979 เพื่อใช้ในการอธิบายฐานข้อมูลในรูปแบบแผนภาพเรียกว่า E-R diagram นั้นคือมนุษย์พยายามเขียนสร้างที่เป็นจินตภาพ (ในที่นี้คือ มุมมองที่เขามองฐานข้อมูล)ให้เป็นกายภาพในรูปแผนภาพ แผนภาพ ER ดังกล่าวใช้พื้นฐานของโมเดลข้อมูลเชิงตรรกะ (Logical Data Model) ของ Fleming ที่เสนอไว้ในปี 1989
เป็นวิธีการแสดงความต้องการสารสนเทศในระบบธุรกิจให้เป็นแผนภาพในขั้นตอนการวิเคราะห์และออกแบบระบบฐานข้อมูลเน้นตัวข้อมูลที่มีอยู่จริงโดยไม่คำนึงถึงรายละเอียดในการ ติดตั้ง, ความต้องการพิเศษอื่นในแง่การใช้งาน และความเร็วในการสืบค้นข้อมูลหรืออาจกล่าวอีกนัยหนึ่งว่าโมเดลข้อมูลเชิงตรรกะเป็นการสร้างโครงร่างวิวของผู้ใช้ (Skeletal User View) จะแสดงข้อมูลในขอบเขตที่ผู้ออกแบบสนใจโดยมีสิ่งที่ต้องกำหนดเป็นพื้นฐานได้แก่เอนทิตี้, รีเลชั่นชิป, แอททริบิวต์ ในแง่ของ ER-Diagram ประกอบด้วย
1.เอนทิตี้ (Entity)
ส่วนที่ใช้สำหรับเก็บข้อมูลแต่ละรายการภายในระบบที่เราจัดทำอยู่หรือแทนสิ่งที่เราสนใจ ในระบบงานนั้นๆ
ตัวอย่าง แสดง Entity ในการเก็บข้อมูลของการลงทะเบียนเรียน ประกอบไปด้วย student cousesและ professors

en1_zps6f4bb101.jpg

2.แอททริบิวต์ (Attribute)
คือคุณสมบัติต่างๆ ของเอนทิตี้ ซึ่งในแต่ละเอนทิตี้ สามารถมี คุณสมบัติต่างๆ ได้มากมาย ขึ้นอยู่กับว่าเราต้องการจัดเก็บข้อมูลอะไรบ้าง เช่น คุณสมบัติของพนักงาน คือ จะมีรหัสพนักงาน ชื่อ-นามสกุล ที่อยู่ เงินเดือน ฯลฯ เป็นต้น
ตัวอย่างแสดง Attribute ในการเก็บข้อมูลของการลงทะเบียนเรียน

en2_zpsf29c128a.jpg

3.ความสัมพันธ์ (Relationship)
ความสัมพันธ์ของเอนทิตี้คือการอธิบายความสัมพันธ์ระหว่างเอนทิตี้ ว่ามีความสัมพันธ์ของ ข้อมูลกันอย่างไร ใช้สัญลักษณ์สี่เหลี่ยมข้าวหลามตัด และมีเส้นโยง ความสัมพันธ์ระหว่างเอนทิตี้ แบ่งได้เป็น 3 ลักษณะดังต่อไปนี้
1.ความสัมพันธ์แบบหนึ่งต่อหนึ่ง(One to One Relationship)
เป็นความสัมพันธ์ของข้อมูลใน 1 เรคอร์ดในตารางหนึ่งมีความสัมพันธ์กับข้อมูลอย่างมากหนึ่งข้อมูลกับอีกเรคอร์ดในอีกตารางหนึ่งเท่านั้นในลักษณะที่เป็นหนึ่งต่อหนึ่ง

1_1_zpsb0b81745.png

2.ความสัมพันธ์แบบหนึ่งต่อกลุ่ม(One to Many Relationship)
เป็นความสัมพันธ์ของข้อมูลใน 1 เรคอร์ดในตารางหนึ่งมีความสัมพันธ์กับข้อมูลมากกว่าหนึ่งข้อมูลกับอีกเรคอร์ดในอีกตารางหนึ่งเท่านั้นในลักษณะที่เป็นหนึ่งต่อหนึ่ง

1_m_zps7b7f3e71.png

3.ความสัมพันธ์แบบกลุ่มต่อกลุ่ม(Many to Many Relationship)
เป็นความสัมพันธ์ของข้อมูลในเรคอร์ดใดๆ ของตารางหนึ่งมีค่าตรงกับข้อมูลของหลายๆ เรคอร์ดในตารางอื่นๆ

m_n_zps6d72d511.png

Database Model
1.The Hierarchical Database Model(ฐานข้อมูลแบบลำดับชั้น)
มีลักษณะเป็นแผนภูมิต้นไม้ (Tree) ความสัมพันธ์เป็นแบบพ่อกับลูก (Parent/Child Relation) ลูกค้าแต่ละคนจะไม่สามารถได้รับบริการจากพนักงานขายมากกว่าหนึ่งคนได้ สินค้าแต่ละชนิดก็จะถูกซื้อ โดยลูกค้าเพียงคนเดียวเท่านั้น ลักษณะของฐานข้อมูลแบบลำดับชั้นมีความสัมพันธ์แบบหนึ่งต่อหนึ่ง (one-to-one) และหนึ่งต่อกลุ่ม (one-to-many) แต่ไม่มีความสัมพันธ์แบบกลุ่มต่อกลุ่ม (many-to-many)

hr1_zpsd804d7e1.jpg

2.The Network Database Model(ฐานข้อมูลแบบเครือข่าย)
โดยโครงสร้างของฐานข้อมูลแบบเครือข่ายก็เป็น Tree เช่นเดียวกับฐานข้อมูลแบบลำดับชั้น แต่จะเป็น Tree ที่ดูซับซ้อนมากขึ้นเพื่อรองรับความสัมพันธ์แบบกลุ่มต่อกลุ่มนั่นเอง

hr2_zpsa82564d3.jpg

3.The Relational Database Model(ฐานข้อมูลเชิงสัมพันธ์)
ใช้แสดงความสัมพันธ์ของข้อมูลนั้นเป็นตารางซึ่งเก็บข้อมูลที่มีลักษณะเหมือนกันไว้

hr3_zpsaf7e0914.jpg

4.TheObject-Oriented Database Model(ฐานข้อมูลเชิงวัตถุ)
ฐานข้อมูลแบบลำดับชั้น แบบเครือข่าย และฐานข้อมูลเชิงสัมพันธ์ ล้วนจัดเก็บเฉพาะข้อมูล ไว้ในฐานข้อมูล ส่วนชุดคำสั่งที่ใช้ในการดำเนินการกับฐานข้อมูลจะจัดเก็บไว้ในซอฟแวร์ระบบจัดการฐานข้อมูลแยกต่างหาก แต่ฐานข้อมูลเชิงวัตถุ จัดเก็บทั้งข้อมูลและชุดคำสั่งไว้ด้วยกัน จึงสามารถใช้งานร่วมกันได้โดยอัตโนมัติ ทำให้ฐานข้อมูลชนิดนี้มีประสิทธิภาพในการจัดเก็บและจัดการ แต่มีการนำมาใช้งานน้อยกว่าฐานข้อมูลเชิงสัมพันธ์ เนื่องจากมีความยุ่งยากซับซ้อนมากกว่า

hr4_zpsa042e3bd.jpg

5. Multidimensional Database(ฐานข้อมูลแบบหลายมิติ)
การวิเคราะห์ข้อมูลในตารางข้อมูลนั้นทำได้ยาก เช่น ต้องการหายอดรวมในฤดูหนาวทุกสายการผลิตและทุกภูมิภาคจากตารางข้อมูลข้างต้น จะทำได้ยากมาก จึงต้องมีการจัดเก็บข้อมูลที่มากกว่า 1 มิติ

hr5_zps0537ebb7.jpg

6. Database in the Cloud
Cloud Database คือ ฐานข้อมูลที่ทางานบนแพล็ตฟอร์มของคลาวด์คอมพิวติ้ง เช่น Amazon EC2 คลาวด์ดาต้าเบส มีสองวิธีในการดาเนินการดาต้าเบสบนคลาวด์ คือ แบบแรก Virtual Machine Image และแบบ Database as a Service

hr6_zps693e0df7.jpg

Database Design

hr7_zps34a0dc84.jpg

Database Design คือ กระบวนการหนึ่งที่ใช้ในการพัฒนาระบบฐานข้อมูล โดยจะออกแบบฐานข้อมูลเพื่อให้ทราบถึงลักษณะข้อมูลที่จัดเก็บในฐานข้อมูลและวิธีการจัดเก็บข้อมูลเหล่านั้น การออกแบบนี้จะได้มาจากความต้องการของผู้ใช้ระบบฐาน ข้อมูล
ความสำคัญของการออกแบบฐานข้อมูล
การออกแบบฐานข้อมูลเป็นสิ่งสำคัญที่สุดในการจัดทำระบบฐานข้อมูล เนื่องจากระบบ
ฐานข้อมูลเป็นกระบวนการรวบรวม บันทึก ประมวลผล จัดการและนำเสนอข้อมูล หากออกแบบ
ฐานข้อมูลได้ดีแล้ว จะสามารถใช้ระบบฐานข้อมูลได้อย่างเป็นประโยชน์ที่สุด เช่น ลดความ
ซับซ้อนของข้อมูล ทำให้ข้อมูลมีความถูกต้อง แม่นยำมากขึ้น ง่ายในการค้นหาและประมวลผล
ข้อมูล นอกจากนั้นยังทำให้สามารถสนองการใช้งานขององค์กรได้ในหลายรูปแบบ สามารถ
ประยุกต์ข้อมูลที่มีอยู่ให้รองรับความต้องการของผู้ใช้ได้ และหากต้องการแก้ไขฐานข้อมูลใน
ภายหลังยังทำให้การแก้ไขนั้นทำได้ง่ายและค่าใช้จ่ายในการแก้ไขต่ำอีกด้วย
การจัดเก็บข้อมูลในระบบฐานข้อมูล ซึ่งสามารถแบ่งได้ออกเป็น 3 ระดับที่สำคัญ ได้แก่ การออกแบบฐานข้อมูลในระดับภายนอกหรือระดับผู้ใช้ (External Database Design) การออกแบบฐานข้อมูลในระดับแนวคิด (Conceptual Database Design) และการออกแบบฐานข้อมูลในเชิงกายภาพ (Physical Database Design)
1. การออกแบบฐานข้อมูลในระดับภายนอกหรือระดับผู้ใช้ (External Database Design) เป็นการกล่าวถึงส่วนของฐานข้อมูลในมุมมองของผู้ใช้ระบบ หรือผู้ใช้โปรแกรมซึ่งผู้ใช้แต่ละคนจะมีมุมมองที่ต่างกันไป ผู้ใช้แต่ละคนไม่จำเป็นต้องรู้ข้อมูลทั้งหมดที่อยู่ในฐานข้อมูล การออกแบบในระดับนี้จะไม่ซับซ้อน ไม่ลงลึกถึงวิธีการจัดเก็บข้อมูลในฐานข้อมูล
2. การออกแบบฐานข้อมูลในระดับแนวคิด (Conceptual Database Design) เป็นการ
ออกแบบลักษณะของข้อมูลที่เก็บอยู่ในฐานข้อมูล ว่ามีข้อมูลอะไรบ้าง มีลักษณะประจำ (Attribute) ของข้อมูลอะไร และข้อมูลเหล่านั้นมีความสัมพันธ์กันอย่างไรบ้าง ซึ่งในการออกแบบฐานข้อมูลในระดับนี้ไม่จำเป็นต้องรู้ว่าข้อมูลต่าง ๆ มีวิธีการจัดเก็บอย่างไรในฮาร์ดดิสก์ โดยในระดับนี้จะมี Database Administrator เป็นผู้ออกแบบ
3. การออกแบบฐานข้อมูลในเชิงกายภาพ (Physical Database Design) เป็นการออกแบบที่เน้นในเรื่องของการจัดเก็บข้อมูลที่แท้จริงในฮาร์ดดิสก์ เช่นเก็บข้อมูลเป็นไบต์ (Byte) หรือ เรคคอร์ด (Record)

Business intelligence

Knowledge_2010_08_16_11_13_11_18795e3486e7080542d40e81b43f5482_resize_zpseffdfcdd.jpg

Business intelligence หรือ BI คือ ซอฟต์แวร์ที่นำข้อมูลที่มีอยู่เพื่อจัดทำรายงานในรูปแบบต่างๆ ที่เหมาะสมกับมุมมองในการวิเคราะห์ แสดงความสัมพันธ์ และทำนายผลลัพธ์ของแนวโน้มที่อาจเกิดขึ้นได้ ตรงตามความต้องการขององค์กร เพื่อประโยชน์ในการวางแผนกลยุทธด้านต่างๆ
องค์ประกอบของ Business Intelligence
จะประกอบไปด้วยระบบข้อมูล และโปรแกรมแอพพลิเคชั่น ด้านการวิเคราะห์ มากมายหลายระบบ ดังนี้
1. Data warehouse : เป็นแหล่งข้อมูล หรือฐานข้อมูลขนาดใหญ่ที่รวบรวมข้อมูลทั้งจากแหล่งข้อมูลภายในและ ภายนอกองค์กร โดยมีรูปแบบและวัตถุประสงค์ในการจัดเก็บข้อมูลซึ่งจำเป็นต้องมีการออกแบบฐาน ข้อมูลให้สอดคล้องกับการนำข้อมูลที่ต้องการนำมาใช้งาน
2. Business analytics : กลุ่มเครื่องมือที่ใช้ดำเนินการค้นหา (mining) และวิเคราะห์ข้อมูลใน data warehouse
3. Business performance management (BPM) : ทางการ monitor และวิเคราะห์ประสิทธิภาพการดำเนินงานนำมาใช้ในการวางแผนและดำเนินกลยุทธ์
4. User interface : ส่วนของผู้ใช้บริการ หรือการเชื่อมต่อกับผู้ใช้งาน เช่น การเขียนรายงาน , Dashboard ที่จะทำหน้าที่ รวบรวมและนำเสนอสารสนเทศในวิธีการที่ง่ายต่อการอ่าน

bi_zps9cab1815.jpg

ประโยชน์ของ BI

Knowledge_2010_08_16_11_13_11_4fb20b9478cefcdf768de51af1257e60_resize_zps44ff9b73.jpg

- วิเคราะห์การดำเนินงานของบริษัทฯ เพื่อการตัดสินใจด้านการลงทุนสำหรับผู้บริหาร

- วิเคราะห์และวางแผนการขาย / การตลาด เพื่อประเมินช่องทางการจำหน่าย ฯลฯ

- วิเคราะห์สินค้าที่ทำกำไร สูงสุด / ขาดทุนต่ำสุด เพื่อการวางแผนงานด้านการตลาด และการผลิต

- วิเคราะห์ปัจจัยที่มีผลกระทบต่อยอดขายของสินค้า ฯลฯ

- วิเคราะห์ข้อมูลเกี่ยวกับคู่แข่งขัน ฯลฯ

Data mining

Data-Mining-Process-small_zps68991274.jpg

ดาต้าไมนิ่ง (Data Mining) คือการค้นหาความสัมพันธ์และรูปแบบทั้งหมด ซึ่งมีอยู่จริงในฐานข้อมูลแต่ได้ถูกซ่อนไว้ภายในข้อมูลจำนวนมาก ดาต้าไมนิ่งจะทำการสำรวจและวิเคราะห์อย่างอัตโนมัติหรือกึ่งอัตโนมัติ ในปริมาณข้อมูลจำนวนมากให้อยู่ในรูปแบบที่เต็มไปด้วยความหมายและอยู่ในรูปของกฎ โดยความสัมพันธ์เหล่านี้แสดงให้เห็นถึงความรู้ต่าง ๆ ที่มีประโยชน์ในฐานข้อมูล
ในปัจจุบันองค์กรส่วนใหญ่จะเผชิญกับปัญหาของ “ข้อมูลดิบจำนวนมากแต่ข้อมูลที่ประยุกต์ใช้ได้นั้นมีน้อย” ดาต้าไมนิ่งจึงเป็นสาขาที่คาดว่าจะเป็นที่รู้จักและนำมาใช้ประยุกต์ได้อย่างแพร่หลายเนื่องจากดาต้าไมนิ่งสามารถดึงความรู้ออกมาจากข้อมูลจำนวนมากที่ถูกเก็บสะสมไว้
ในโลกของธุรกิจปัจจุบันบริษัทต่าง ๆ จะพยายามหาเทคนิคที่สามารถนำความสำเร็จมาสู่บริษัท เช่น ในโลกธุรกิจขนาดย่อมจะสร้างความสัมพันธ์กับลูกค้า โดยสังเกตจากความต้องการ ความชอบและความสนใจของลูกค้า และอาจมีการเรียนรู้ได้จากผลสะท้อนในอดีตว่าจะทำอย่างไรให้การบริการลูกค้ามีประสิทธิภาพดีขึ้นในอนาคต หรือ บริษัทที่เป็นผู้ออกบัตรเครดิตและธนาคารต่างๆ จะมีขบวนการที่ใช้ดาต้าไมนิ่งให้เป็นประโยชน์ในการตัดสินใจว่าลูกค้ากลุ่มใดเป็นกลุ่มที่ดี, ทำความเข้าใจลูกค้า, ช่วยในการแยกประเภทของลูกค้าและจะทำนายกลุ่มของประชากรที่คาดว่าจะมาเป็นลูกค้าในอนาคต เป็นต้น อย่างไรก็ตามการเรียนรู้นั้นต้องมากกว่าการเก็บสะสมข้อมูลอย่างตรงไปตรงมา ซึ่งจะทำให้การทำงานไม่เป็นประสิทธิภาพ

DM-process_zps6c96c638.jpg

ปัจจัยที่ทำให้ Data Mining เป็นที่ได้รับความนิยม
• จำนวนและขนาดข้อมูลขนาดใหญ่ถูกผลิตและขยายตัวอย่างรวดเร็ว การสืบค้นความรู้จะมีความหมายก็ต่อเมื่อฐานข้อมูลที่ใช้มีขนาดใหญ่มาก ปัจจุบันมีจำนวนและขนาดข้อมูลขนาดใหญ่ที่ขยายตัวอย่างรวดเร็ว โดยผ่านทาง Internet ดาวเทียม และแหล่งผลิตข้อมูล อื่น ๆ เช่น เครื่องอ่านบาร์โค้ด , เครดิตการ์ด , อีคอมเมิร์ซ

• ข้อมูลถูกจัดเก็บเพื่อนำไปสร้างระบบการสนับสนุนการตัดสินใจ ( Decision Support System) เพื่อเป็นการง่ายต่อการนำข้อมูลมาใช้ในการวิเคราะห์เพื่อการตัดสินใจ ส่วนมากข้อมูลจะถูกจัดเก็บแยกมาจากระบบปฏิบัติการ ( Operational System ) โดยจัดอยู่ในรูปของคลังหรือเหมืองข้อมูล ( Data Warehouse ) ซึ่งเป็นการง่ายต่อการนำเอาไปใช้ในการสืบค้นความรู้

• ระบบ computer สมรรถนะสูงมีราคาต่ำลง เทคนิค Data Mining ประกอบไปด้วย Algorithm ที่มีความซับซ้อนและความต้องการการคำนวณสูง จึงจำเป็นต้องใช้งานกับระบบ computer สมรรถนะสูง ปัจจุบันระบบ computer สมรรถนะสูงมีราคาต่ำลง พร้อมด้วยเริ่มมีเทคโนโลยีที่นำเครื่อง microcomputer จำนวนมากมาเชื่อมต่อกันโดยเครือข่ายความเร็วสูง ( PC Cluster ) ทำให้ได้ระบบ computer สมรรถนะสูงในราคาต่ำ

• การแข่งขันอย่างสูงในด้านอุตสาหกรรมและการค้า เนื่องจากปัจจุบันมีการแข่งขันอย่างสูงในด้านอุตสหกรรมและการค้า มีการผลิตข้อมูลไว้อย่างมากมายแต่ไม่ได้นำมาใช้ให้เกิดประโยชน์ จึงเป็นการจำเป็นอย่างยิ่งที่ต้องควบคุมและสืบค้นความรู้ที่ถูกซ่อนอยู่ในฐานข้อมูลความรู้ที่ได้รับสามารถนำไปวิเคราะห์เพื่อการตัดสินใจในการจัดการในระบบต่าง ๆ ซึ่งจะเห็นได้ว่าความรู้เหล่านี้ถือว่าเป็นผลิตผลอีกชิ้นหนึ่งเลยทีเดียว

ขั้นตอนการทำงานของดาต้าไมนิ่ง (Data Mining)
ขั้นตอนการทำงานของดาต้าไมนิ่งประกอบด้วย 4 ขั้นตอนหลัก ๆ ดังนี้
1. การระบุโอกาสทางธุรกิจหรือการระบุปัญหาที่เกิดขึ้นกับธุรกิจเป็นการระบุขอบเขตของข้อมูลที่จะนำมาทำการวิเคราะห์ เพื่อหาความได้เปรียบทางการตลาด หรือเพื่อนำมาทำการแก้ไขปัญหา
2. ส่วนของดาต้าไมนิ่งเป็นการนำเทคนิคของดาต้าไมนิ่ง ไปใช้ถ่ายทอดหรือทำการเปลี่ยนแปลงข้อมูลดิบให้อยู่ในรูปของข้อมูลที่จะนำไปใช้ได้จริงในทางธุรกิจ
3. การปฏิบัติตามข้อมูลคือการนำเอาข้อมูลที่เป็นผลลัพธ์ของส่วนดาต้าไมนิ่งมาลองปฏิบัติจริงกับธุรกิจ
4. การวัดประสิทธภาพจากผลลัพธ์ การวัดประสิทธิภาพของเทคนิคของดาต้าไมนิ่งที่จะนำมาใช้จากผลลัพธ์ ซึ่งสามารถตรวจสอบได้หลายทาง เช่น วัดจากส่วนแบ่งของตลาด, วัดจากปริมาณลูกค้า หรือวัดจากกำไรสุทธิ เป็นต้น
จากทั้ง 4 ขั้นตอนที่กล่าวมาข้างต้น คือ การนำเอาดาต้าไมนิ่งไปใช้กับระบบทางธุรกิจ โดยแต่ละขั้นตอนจะพึ่งพาอาศัยกัน ผลลัพธ์จากขั้นตอนหนึ่งจะกลายมาเป็น input จากอีกขึ้นตอนต่อไป ซึ่งดาต้าไมนิ่งจะเปลี่ยนข้อมูลดิบให้เป็นข้อมูลประยุกต์ ดังนั้นการระบุแหล่งข้อมูลที่ถูกต้องจึงเป็นสิ่งที่สำคัญอย่างยิ่งต่อผลลัพธ์ที่ได้จากการวิเคราะห์

Task of data mining

CRISP-DM_zps2b63ebd0.png

งานของดาต้าไมนิ่ง (Task of data mining)
ในทางปฎิบัติจริงดาต้าไมนิ่งจะประสบความสำเร็จกับงานบางกลุ่มเท่านั้น และต้องอยู่ภายใต้ภาวะที่จัดปัญหาเหมาะสมกับการใช้เทคนิคดาต้าไมนิ่งจะเป็นปัญหาที่ต้องใช้เหตุผลในการแก้, ปัญหาที่เกี่ยวข้องกับเศรษฐศาสตร์และการเงินและไม่มีเทคนิคหรือเครื่องมือเพียงชนิดเดียวของดาต้าไมนิ่งที่เหมาะสมกับงานทุกชนิด งานในแต่ชนิดก็จะมีเทคนิคของดาต้าไมนิ่งที่แตกต่างกันไปขึ้นอยู่กับชนิดของงาน ซึ่งจะสามารถจัดรูปแบบของธุรกิจให้อยู่รูปแบบของงานทั้ง 6 งานได้ ดังนี้
1. การจัดหมวดหมู่ (Classification)
การจัดหมวดหมู่ถือว่าเป็นงานธรรมดาทั่วไปของดาต้าไมนิ่ง เพราะการทำความเข้าใจและการติดต่อสื่อสารต่าง ๆ ก็เกี่ยวข้องกับการแบ่งเป็นหมวดหมู่, การจัดแยกประเภทและการแบ่งแยกชนิด
โดยการจัดหมวดหมู่ประกอบด้วยการสำรวจจุดเด่นของวัตถุที่ปรากฏออกมา และทำการกำหนดจุดเด่นนั้น ๆ เป็นตัวที่ใช้แบ่งหมวดหมู่งานในการแบ่งหมวดหมู่คือการบ่งบอกลักษณะ โดยการอธิบายจุดเด่นที่เป็นที่รู้จักดีในหมวดหมู่นั้น และเทรนนิ่งเซต(Training Set) ของตัวอย่างในแต่ละหมวดหมู่ ซึ่งมีภาระหน้าที่ในการสร้างโมเดลของบางชนิดที่ไม่สามารถจะจัดหมวดหมู่ของข้อมูลได้ ให้สามารถจัดเป็นหมวดหมู่ได้ ตัวอย่างของการจัดหมวดหมู่ เช่น การจัดหมวดหมู่ของผู้ยื่นขอเครดิต เป็นระดับต่ำ, ระดับกลาง และระดับสูง ของความเสี่ยงที่จะได้รับ เป็นต้น

2. การประเมินค่า (Estimation)
การประเมินค่าทางธุรกิจอย่างต่อเนื่องจะก่อให้เกิดผลลัพธ์ที่มีประโยชน์กับธุรกิจ การป้อนข้อมูลที่เรามีอยู่เข้าไป เพื่อใช้ในการประเมินสิ่งต่าง ๆ ที่จะก่อให้เกิดประโยชน์ หรือสำหรับตัวแปรที่เราไม่รู้ค่าแน่นอน เช่น รายได้จากการค้า, จุดสูงสุดทางธุรกิจ หรือดุลยภาพของบัตรเครดิต ในทางปฏิบัติการประเมินค่าจะถูกใช้ในการทำงานการจัดหมวดหมู่ ตัวอย่างของการประเมินค่าเช่น การประเมินรายได้รวมของครอบครัว หรือการประเมินจำนวนบุตรในครอบครัว

3. การทำนายล่วงหน้า (Prediction)
การทำนายล่วงหน้าก็เป็นงานที่มีลักษณะคล้ายกับการจัดหมวดหมู่หรือการประเมินค่า ยกเว้นเพียงแต่จะใช้สถิติการบันทึกของการจัดหมวดหมู่ในการทำนายอนาคตของพฤติกรรมหรือการประเมินค่าที่จะเกิดขึ้นในอนาคต ตัวอย่างของงานการทำนายล่วงหน้า เช่น การทำนายการเปลี่ยนแปลงพฤติกรรมของตลาด หรือการทำนายจำนวนลูกค้าที่จะออกจากธุรกิจของเราใน 6 เดือนข้างหน้า เป็นต้น

4. การจัดกลุ่มโดยอาศัยความใกล้ชิด(Affinity Group)
งานในการจัดกลุ่มหรือการวิเคราะห์ตลาด คือการตัดสินใจรวมสิ่งที่สามารถไปด้วยกันเข้าไว้ในกลุ่มเดียวกัน ตัวอย่างของการจัดกลุ่มโดยอาศัยความใกล้ชิดกันหรือการวิเคราะห์ของตลาด เช่นการตัดสินใจว่าสิ่งใดบ้างที่จะไปอยู่ด้วยกันอย่างสม่ำเสมอในรถเข็นในซุปเปอร์มาร์เกต

5. การรวมตัว(Clustering)
การรวมตัวคือ งานที่ทำการรวมส่วนต่าง ๆ ในแต่ละส่วนที่ต่างชนิดกันในอยู่ในรวมกันเป็นกลุ่มย่อย หรือคลัสเตอร์ โดยในแต่ละคลัสเตอร์อาจจะประกอบด้วยส่วนต่าง ๆ ที่ต่างชนิดกัน ซึ่งความแตกต่างของการรวมตัวจากการจัดหมวดหมู่คือ การรวมตัวจะไม่พึ่งพาอาศัยการกำหนดหมวดหมู่ล่วงหน้า และไม่ใช้ตัวอย่าง ข้อมูลจะรวมตัวกันบนพื้นฐานของความคล้ายในตัวเอง

6. การบรรยาย(Description)
ในบางครั้งวัตถุประสงค์ของดาต้าไมนิ่ง คือต้องการอธิบายความสับสนของฐานข้อมูลในทางที่จะเพิ่มความเข้าใจในส่วนของประชากร,ผลิตภัณฑ์, หรือขบวนการให้มากขึ้น

เทคนิคดาต้าไมนิ่งส่วนใหญ่ต้องการเทรนนิ่งข้อมูลจำนวนมากที่ประกอบด้วยหลาย ๆ ตัวอย่างเพื่อจะสร้างกฎที่ใช้ในการจัดหมวดหมู่,กฎของความสัมพันธ์,คลัสเตอร์,การทำนายล่วงหน้า ดังนั้นชุดของข้อมูลขนาดเล็กจะนำไปสู่ความไม่น่าไว้วางใจของผลสรุปที่ได้ ไม่มีเทคนิคใดเลยที่จะสามารถแก้ปัญหาของดาต้าไมนิ่งได้ทุกปัญหา ดังนั้นความหลากหลายของเทคนิคจึงเป็นสิ่งที่จำเป็นในการไปสู่การแก้ปัญหาของดาต้าไมนิ่งได้ดีที่สุด

การประยุกต์ใช้ Data Mining กับงานด้านธุรกิจ
สามารถนำเทคนิคของ Data Mining ไปวิเคราะห์ข้อมูลในฐานข้อมูล เพื่อนำข้อมูลที่ได้ไปใช้ประโยชน์
ในงานด้านต่าง ๆ ดังต่อไปนี้
1. งานด้านการตลาด (Marketing) เช่น การทำ Promotion ส่งเสริมการขาย
2. งานด้านธนาคารและการเงิน (Banking / Financial Analysis) เช่น ใช้ในการวิเคราะห์การให้สินเชื่อแก่ลูกค้า การจัดทำ Package ในการกู้ยืม การทำนายอัตราการจ่ายเงินกู้ การแบ่งกลุ่มลูกค้าเพื่อหาเป้ าหมายทางการตลาด (ลูกค้าชั้นดี)
3. งานด้านการขายปลีก (Retailing and sales) เป็นงานที่มีการเก็บข้อมูลจำนวนมาก ประยุกต์ใช้เพื่อหากลยุทธ์ ทำให้เกิดการได้เปรียบคู่แข่งทางการค้าในการหาลักษณะการซื้อของลูกค้า ความสัมพันธ์ของการซื้อกับช่วงเวลา ความสัมพันธ์ระหว่างตัวสินค้า และการวิเคราะห์ประสิทธิภาพของการโฆษณา เป็นต้น ช่วยให้สามารถหาวิธีการตอบสนองความต้องการของลูกค้าได้มากที่สุด และอาจหมายถึงส่วนแบ่งทางการตลาดที่เพิ่มขึ้นนั่นเอง
4. งานด้านการวางแผนในการผลิตสินค้า (Manufacturing and production) เช่น การพยาการณ์ยอดจำนวนการผลิตสินค้าเพื่อให้ได้กำไรมากสุด
5. งานด้านนายหน้าและความปลอดภัยด้านการค้า (Brokerage and securities trading) เช่น การพัฒนาวิธีการเพื่อสร้างความเชื่อมั่นในเรื่องความปลอดภัยของข้อมูล ในขณะที่มีการพัฒนาวิธีการเข้าถึงข้อมูล การและMining ให้สะดวกต่อการใช้งานมากขึ้น
6. งานด้านชีวการแพทย์และวิเคราะห์ DNA (Biomedical an DNA Analysis) เช่น การวิเคราะห์รูปแบบการจัดเรียงตัวของหน่วยพันธุกรรม เพื่อหาสาเหตุความผิดปกติที่ทำให้เกิดโรค รวมไปถึงด้านการวินิจฉัยโรคการป้องกัน และการรักษานอกจากที่กล่าวมา ยังนำไปประยุกใช้กับธุรกิจทางด้านประกันภัย (Insurance), Computer hardwareและ software, หน่วยงานรัฐบาลและกระทรวงกลาโหม (Government and defense), สายการบิน (Airlines), งานด้านสุขภาพ (Health care), งานด้านการข่าว (Broadcasting) และงานด้านกฎหมาย (Law enforcement) ได้อีกด้วย

Unless otherwise stated, the content of this page is licensed under Creative Commons Attribution-ShareAlike 3.0 License