WK Data Analyst

Category: Data Analytics

  • Cell Sites (สถานีฐาน) / Antennas & Azimuths (เสาอากาศและมุมแอซิมัท)

    Cell Sites (สถานีฐาน) / Antennas & Azimuths (เสาอากาศและมุมแอซิมัท)

    วันนี้ได้มีโอกาส นั่งศึกษาหนังสือเกี่ยวกับการวิเคราะห์ Cell Site Analysis เลยอยากมากเขียนอธิบายเกี่ยวกับเรื่อง “สถานีฐาน” (Cell Sites) ในระบบโทรศัพท์มือถือ จะพยายามอธิบายให้เข้าใจง่ายนะครับ ไม่รู้จริงไม่..😊🤣

    Cell Sites (สถานีฐาน)

    Cell Sites (สถานีฐาน) หรือที่เรียกว่า “cell towers” (เสาสัญญาณโทรศัพท์มือถือ) คืออะไร?
    สถานีฐานหรือที่เราเห็นเป็นเสาสัญญาณโทรศัพท์มือถือ เป็นจุดที่ช่วยให้โทรศัพท์มือถือของเราสามารถติดต่อกับเครือข่ายได้ เปรียบเหมือนสะพานที่เชื่อมระหว่างมือถือกับระบบเครือข่ายหลัก

    สถานีฐานประกอบด้วยอะไรบ้าง?

    1. Base Station (สถานีฐาน) อุปกรณ์ควบคุมการสื่อสาร
    2. Radio Antennas (เสาอากาศวิทยุ) เสาอากาศสำหรับรับ-ส่งสัญญาณ
    3. Infrastructure (โครงสร้างพื้นฐาน) อุปกรณ์พื้นฐานต่างๆ เช่น ระบบไฟฟ้า และโครงสร้างสำหรับติดตั้ง

    แล้วสถานีฐานมีกี่แบบ? 🤣

    1. Omnidirectional Site แบบส่งสัญญาณรอบทิศทาง ส่งสัญญาณครอบคลุมรอบตัวเสา 360 องศา
    2. Sectorised Site แบบแบ่งโซน ส่งสัญญาณเฉพาะพื้นที่ที่กำหนด ทำให้สัญญาณแรงขึ้นและมีสัญญาณรบกวนน้อยลง
    3. Hybrid Site แบบผสม รวมข้อดีของทั้งสองแบบเข้าด้วยกัน

    ขนาดพื้นที่ให้บริการของสถานีฐาน

    • ขนาดใหญ่ ครอบคลุม 1-20 กิโลเมตร มักติดตั้งบนที่สูง
    • ขนาดกลาง ครอบคลุม 100 เมตร – 1 กิโลเมตร ใช้ในพื้นที่ที่มีผู้ใช้งานหนาแน่น
    • ขนาดเล็ก ครอบคลุม 20-500 เมตร ใช้ในอาคารหรือห้างสรรพสินค้า
    • ขนาดเล็กมาก ครอบคลุม 10-20 เมตร ใช้ในบ้านหรือสำนักงาน

    การระบุตำแหน่งสถานีฐาน
    สถานีฐานแต่ละแห่งจะมีรหัสประจำตัว 2 แบบ:

    1. รหัสระยะใกล้: ใช้ระบุสถานีฐานในบริเวณใกล้เคียง
    2. รหัสสากล: ใช้ระบุสถานีฐานทั่วโลกโดยไม่ซ้ำกัน

    ความสามารถในการรองรับผู้ใช้งาน
    ขึ้นอยู่กับจำนวนช่องสัญญาณที่มี โดยจะระบุเป็นตัวเลข เช่น:

    • 1+1+1 หมายถึง สถานีฐานที่แบ่งเป็น 3 โซน โซนละ 1 ช่องสัญญาณ
    • 2+2+2 หมายถึง สถานีฐานที่แบ่งเป็น 3 โซน โซนละ 2 ช่องสัญญาณ

    การวิเคราะห์ Cell Site (สถานีฐาน)

    คือการติดตามตำแหน่งของโทรศัพท์มือถือ โดยดูจากประวัติการใช้งานและความแรงของสัญญาณ

    Antennas & Azimuths (เสาอากาศและมุมแอซิมัท)

    Antennas เสาอากาศในระบบมือถือคืออะไร? 😗

    เสาอากาศเป็นอุปกรณ์สำคัญที่ช่วยรับ-ส่งสัญญาณระหว่างเสาสัญญาณกับโทรศัพท์มือถือ โดยจะมีตัวรับ-ส่งสัญญาณหลายตัววางซ้อนกันในแนวตั้ง เพื่อส่งสัญญาณไปในทิศทางที่ต้องการ

    ลักษณะการทำงานของเสาอากาศ

    1. Horizontal Coverage (การครอบคลุมในแนวนอน) ส่งสัญญาณในแนวนอนเป็นรูปคล้ายใบโคลเวอร์เมื่อมองจากด้านบน
    2. Horizontal Coverage Arc (ส่วนโค้งของการครอบคลุมในแนวนอน) ครอบคลุมพื้นที่ประมาณ 130 องศา (สำหรับเสาที่แบ่งเป็น 3 ส่วน)
    3. Vertical Beamwidth (ความกว้างของลำแสงในแนวตั้ง) ส่งสัญญาณในแนวนอนเป็นหลัก ส่งในแนวตั้งน้อยมาก

    ขนาดของเสาอากาศ

    • Low band แบบความถี่ต่ำ -> สูง 1-2 เมตร ใช้กับคลื่น 700-900 MHz
    • Mid-band แบบความถี่กลาง -> สูงไม่เกิน 1 เมตร ใช้กับคลื่น 1-6 GHz
    • High band แบบความถี่สูง -> สูง 30-50 ซม. ใช้กับคลื่น 5G ที่สูงกว่า 6 GHz

    Azimuths (มุมแอซิมัท) เรื่องมุมในการส่งสัญญาณ

    • มุมแอซิมัท คือมุมที่วัดจากทิศเหนือตามเข็มนาฬิกา
    • ทิศเหนือ = 0 องศา
    • ทิศตะวันออก = 90 องศา
    • ทิศใต้ = 180 องศา
    • ทิศตะวันตก = 270 องศา

    การใช้มุมในเสาสัญญาณ

    • เสาที่แบ่งเป็น 3 ส่วนมักจะตั้งมุมห่างกัน 120 องศา
    • เช่น ถ้าเสาแรกชี้ไปทิศเหนือ (0 องศา) เสาที่เหลือจะชี้ไปที่ 120 และ 240 องศา
    • ข้อมูลนี้ช่วยให้รู้ว่าโทรศัพท์อยู่ในบริเวณไหนของเสาสัญญาณ

    การเอียงของเสา

    1. Downtilt เอียงลง ทำให้สัญญาณพุ่งลงพื้น ครอบคลุมพื้นที่ใกล้เสา
    2. Uptilt เอียงขึ้น ทำให้สัญญาณพุ่งขึ้นฟ้า ครอบคลุมพื้นที่ไกลออกไป

    Centroids จุดศูนย์กลางของสัญญาณ
    ผู้ให้บริการบางรายจะคำนวณจุดที่น่าจะมีสัญญาณดีที่สุด และบอกรัศมีที่มีโอกาสพบโทรศัพท์ในแต่ละระยะทางจากจุดนั้น

  • Pipe Operator (%>%) ใน R: บทเรียนสำหรับผู้เริ่มต้น

    Pipe Operator (%>%) ใน R: บทเรียนสำหรับผู้เริ่มต้น

    บทความนี้เป็นบทความสำหรับผู้เริ่มต้นใช้งาน pipes ใน R เหตุผลในการใช้ pipe operator %>% Pipe operator ช่วยให้เขียนโค้ดได้กระชับและอ่านง่ายขึ้น โดยเชื่อมต่อการทำงานหลายขั้นตอนเข้าด้วยกัน และคำแนะนำเกี่ยวกับข้อควรระวังในการใช้ pipes และทางเลือกอื่นในการเขียนโค้ด บทสรุปเน้นย้ำถึงประโยชน์ของ pipes ในการปรับปรุงความสามารถในการอ่านและการเขียนโค้ด R.

    ไปป์ใน R หรือที่เรียกว่า R pipes เป็นเครื่องมือที่ช่วยให้คุณเชื่อมต่อการดำเนินการหลาย ๆ อย่างเข้าด้วยกันในลักษณะที่อ่านง่ายและเข้าใจได้ง่ายขึ้น

    ประเด็นสำคัญเกี่ยวกับ R pipes:

    แนวคิดของไปป์ไม่ได้เป็นเรื่องใหม่ในการเขียนโปรแกรม โดยมีพื้นฐานมาจากแนวคิดทางคณิตศาสตร์ของการเชื่อมฟังก์ชันและการใช้งานในภาษาอื่น ๆ เช่น Shell/Terminal และ F# ไปป์ตัวแรกใน R ปรากฏในแพ็คเกจ dplyr ในปี 2013 แต่ไปป์ที่ใช้กันอย่างแพร่หลายในปัจจุบันคือ %>% ซึ่งมาจากแพ็คเกจ magrittr

    %>% คืออะไร

    ไปป์โอเปอเรเตอร์ %>% ทำหน้าที่เป็นตัวเชื่อมการดำเนินการ โดยส่งผลลัพธ์จากการดำเนินการทางด้านซ้ายไปยังฟังก์ชันทางด้านขวา คุณสามารถจินตนาการถึงมันเป็นการ “THEN” ในภาษาอังกฤษ ตัวอย่างเช่น iris %>% subset(Sepal.Length > 5) %>% aggregate(. ~ Species, ., mean) หมายถึง “นำข้อมูล Iris, THEN คัดเลือกข้อมูล (subset), THEN รวบรวมข้อมูล (aggregate)”

    ทำไมต้องใช้ R pipes

    • อ่านง่าย: ช่วยให้คุณจัดโครงสร้างลำดับของการดำเนินการจากซ้ายไปขวา
    • หลีกเลี่ยงฟังก์ชันที่ซ้อนกัน: ลดความจำเป็นในการเรียกใช้ฟังก์ชันที่ซับซ้อน
    • เพิ่มขั้นตอนได้ง่าย: ทำให้ง่ายต่อการเพิ่มขั้นตอนในการดำเนินการ

    วิธีการใช้ไปป์: มีกฎพื้นฐานบางประการสำหรับการใช้ไปป์

    • f(x) สามารถเขียนใหม่เป็น x %>% f()
    • f(x, y) สามารถเขียนใหม่เป็น x %>% f(y)
    • x %>% f %>% g %>% h สามารถเขียนใหม่เป็น h(g(f(x)))

    ข้อควรระวัง: มีบางกรณีที่ควรหลีกเลี่ยงการใช้ไปป์

    • เมื่อไปป์ยาวเกินไป (เช่น มากกว่า 10 ขั้นตอน)
    • เมื่อมีอินพุตหรือเอาต์พุตหลายรายการ
    • เมื่อมีการพึ่งพาที่ซับซ้อน
    • ในการพัฒนาแพ็กเกจภายใน

    โดยรวมแล้ว R pipes เป็นเครื่องมือที่มีประโยชน์สำหรับการเขียนโค้ด R ที่สะอาดตา อ่านง่าย และมีประสิทธิภาพ โดยเฉพาะอย่างยิ่งเมื่อใช้ร่วมกับแพ็คเกจ dplyr

  • นักสืบ กับ นักวิเคราะห์ข้อมูล

    นักสืบ กับ นักวิเคราะห์ข้อมูล

    จริง ๆ แล้ว Data Analyst ก็คือ นักสืบผู้ตามหา Insights ในข้อมูล มีหน้าที่ในการวิเคราะห์ข้อมูล และนำผลลัพธ์ที่ได้มาจัดทำรายงานสรุป โดยแสดงผลในรูปแบบต่างๆ ที่เข้าใจง่าย เช่น รูปแบบชาร์ต (Chart) หรือ แดชบอร์ด (Dashboard) เป็นต้น

    ทักษะที่สำคัญ คือ การใช้ซอฟต์แวร์ในการทำ Self-Service Analytic ได้เช่น Google Sheets, Excel, Power Query , Power BI, Tableau, ANB

    หน้าที่หลักของอาชีพ Data Analyst หรือ นักวิเคราะห์ข้อมูล คือ “เข้ามาทำความเข้าใจข้อมูลต่าง ๆ ในองค์กร แล้ววิเคราะห์ข้อมูลเพื่อหาสิ่งที่ซ่อนอยู่ในข้อมูล (Insights) จากนั้นมานำเสนอในรูปแบบที่สามารถสื่อสารให้ผู้ฟัง / ผู้อ่านได้เข้าใจ”

    Data Analyst ต้องมีความรู้พื้นฐานด้านไหน

    1) Analytical Thinking การคิดวิเคราะห์ ด้วยพื้นฐานสถิติ การคิดวิเคราะห์ที่ดี คือ การที่เราสามารถมองดูข้อมูล ทำความเข้าใจ และตั้งคำถามกับสิ่งต่าง ๆ ที่เราเห็นในข้อมูลได้

    2) Spreadsheet & SQL โปรแกรมคู่ใจ สำหรับดึง + วิเคราะห์ข้อมูลเบื้องต้น

    1. โปรแกรม Spreadsheet: Microsoft Excel & Google Sheets เครื่องมือยอดฮิตอันดับหนึ่ง คือ เครื่องมือสำหรับจัดการตารางข้อมูล (Spreadsheet) เช่น Microsoft Excel หรือ Google Sheets ที่เราเห็นกันบ่อย ๆ
    2. ภาษาสำหรับดึง & วิเคราะห์ข้อมูล: SQL หรือ Structured Query Language เป็นภาษาที่ได้รับความนิยมสูงสุดในการดึงข้อมูลจาก Database หรือ Data Warehouse มาใช้งานต่อ Data Analyst กับความรู้ SQL ถือเป็นของคู่กัน

      3) Data Storytelling การนำเสนอข้อมูล การนำเสนอที่ดี และการเล่าเรื่องได้น่าสนใจ จะทำให้ผู้ฟังเข้าถึง Insights ที่ Data Analyst หามา ได้ดียิ่งขึ้นเทคนิคในการเล่าเรื่องจากข้อมูล หรือ Data Storytelling จึงเป็นเทคนิคที่คนเป็น Data Analyst ต้องฝึกฝน

      Data is a new oil

      “เมื่อข้อมูลมีค่าดังน้ำมัน”

      ลักษณะของข้อมูล

      มาทำความรู้จักรูปแบบของข้อมูล รูปแบบข้อมูลแบ่งออกได้ เป็น 3 รูปแบบ

      • ข้อมูลแบบมีโครงสร้าง (Structured Data) เช่น ข้อมูลในตาราง

      • ข้อมูลแบบไม่มีโครงสร้าง (Unstructured Data) เช่น ข้อความ ภาพ
      • ข้อมูลแบบกึ่งโครงสร้าง (Semi-structured Data) เช่น ไฟล์ JSON , ไฟล์ XML

      ความแตกต่างระหว่าง Structured Data และ Unstructured Data

      • Structured data แสดงในรูปแบบของแถวกับคอลัมน์ หรือ Relational Database ได้ แต่ Unstructured data จะไม่สามารถแสดงในรูปแบบแถวกับคอลัมน์ได้
      • Structured data มีข้อมูลประเภทตัวเลข (Numbers) วันที่ (Dates) หรือข้อความสั้น (Strings) แต่ Unstructured data เป็นข้อมูลรูปภาพ วิดีโอ ไฟล์ข้อความต่างๆ
      • Structured data มีประมาณ 20% ของข้อมูลในองค์กร แต่ Unstructured data มีประมาณ 80% ของข้อมูลในองค์กร
      • Structured data ใช้พื้นที่จัดเก็บข้อมูลน้อยกว่า Unstructured data
      • Structured data สามารถจัดการได้ง่ายกว่า Unstructured data

      นอกจากนี้ แล้ว ในการวิเคราะห์ข้อมูล นักสืบ หรือนักวิเคราะห์ข้อมูลจะต้องทำความเข้าใจเรื่อง Data Types ว่ามีอะไรบ้าง

      Data Types

      • Numeric: 500, 25.5, 1002
      • String/Text: “Hello”, “Data Science”
      • Boolean: TRUE, FALSE
      • Date: 2024-01-15 (YYYY-MM-DD)
      • Geo (Location): Thailand, USA, Japan

      Level of Measurement

      • Nominal ข้อมูลที่แบ่งเป็นประเภทต่าง ๆ (category) เช่น ชื่อคน ชื่อสถานที่ เพศ
      • Ordinal ข้อมูลที่เรียงลำดับได้ เช่น ความชอบ วุฒิการศึกษา
      • Interval ข้อมูลที่เป็นตัวเลขที่สามารถบก ลบกันได้ เช่น อุณหภูมิ รายได้
      • Ratio ข้อมูลที่เป็นตัวเลขที่สามารถบวก ลบ คุณ หาร กันได้ เช่น ยอดขาย ระยะทาง

      Data analytics

      • Dimension : category
        • Nomianl
        • Ordinal
      • Measures : number
        • Interval
        • Ration

      กระบวนการวิเคราะห์ นำกระบวนการ CRIST-DM มาใช้ ในการวิเคราะห์

      • Business Understanding ทำความเข้าใจปัญหา ระบุ output หรือเป้าหมายที่ต้องการได้จากการวิเคราะห์ ทำการศึกษากำหนดว่าเราจะทำโปรเจคเกี่ยวกับเรื่องอะไร
      • Data Understanding ทำความเข้าใจข้อมูล มีข้อมูลอะไรบ้างในการแก้ปัญหา และ ตรวจสอบข้อมูล
      • Data Preparation เตรียมข้อมูล การแก้ไขข้อมูล สร้างตัวแปรใหม่จากตัวแปรเดิม
        • Data Selection ทำการคัดเลือกข้อมูล กำหนดเป้าหมายก่อนว่าเราจะทำการวิเคราะห์อะไร , เลือกใช้เฉพาะข้อมูลที่เกี่ยวข้อง
        • Data Cleaning ทำการกลั่นกรองข้อมูล ลบข้อมูลซ้ำซ้อน แก้ไขข้อมูลที่ผิดพลาด
        • Data Transformation แปลงรูปแบบของข้อมูล เตรียมข้อมูลให้อยู่ในรูปแบบที่พร้อมนำไปใช้ในการวิเคราะห์
      • Modeling วิเคราะห์ข้อมูล
        • Classification สร้างโมเดล เพื่อทำนายอนาคต
        • Clustering แบ่งข้อมูลหลาย ๆ กลุ่มตามความคล้ายคลึง
        • Association Analysis หาความสัมพันธ์ของข้อมูลที่เกิดร่วมกัน
      • Evaluation การวัดผล การประเมินผล
      • Deployment การวางแผนว่าจะเอาไปใช้งานอย่างไร

      Data storytelling

      Data storytelling เป็นกระบวนการที่เปลี่ยนข้อมูลที่เป็นตัวเลข หรือกราฟให้เข้ากับการสื่อสารของมนุษย์เพื่อสร้างเรื่องราวที่น่าสนใจ โดยใช้เทคนิคทาง Data visualization เพื่อสื่อความหมายของข้อมูลเชิงลึกในลักษณะที่น่าสนใจ และเกี่ยวข้องกับผู้มีอำนาจในการตัดสินใจ

      การเล่าเรื่องด้วยข้อมูลแบบหวังผล สามารถแบ่งออกเป็น 5 ขั้นตอน

      1. การเข้าใจความสำคัญของบริบท (The Importance of Context) ในการทำ Data visualization เป็นสิ่งสำคัญเพื่อตอบคำถาม “ใคร (Who)” และ “อะไร (What)” ให้ชัดเจนก่อนที่จะเริ่มสร้างการแสดงผลข้อมูล และต่อมาคือ การตอบคำถาม “วิธีการ” (How)
      2. การเลือกภาพที่หวังผลได้ มีประสิทธิภาพ (Choosing an Effective Visual) เพื่อการสื่อสารข้อมูลเป็นเรื่องท้าทาย
      3. การลดความยุ่งเหยิง (Clutter Is Your Enemy!) เป็นการลดปัญหาความซับซ้อนและรายละเอียดสิ่งที่ไม่จำเป็นในภาพ
      4. โฟกัสไปที่เรื่องที่อยากบอกผู้ชม (Focus Your Audience’s Attention) การโฟกัสไปที่เรื่องที่อยากบอกผู้ชมเป็นสิ่งสำคัญในการออกแบบการสื่อสารด้วยภาพ
      5. การคิดอย่างนักออกแบบ (Think Like A Designer) เป็นการเทียบเคียงแนวคิดการออกแบบผลิตภัณฑ์มาใช้อธิบายสื่อสารข้อมูล โดยคุณลักษณะของงานออกแบบที่ดีมี 3 อย่างคือ การมีปฏิสัมพันธ์อันดีระหว่างผู้ใช้กับสินค้า, ทุกคนสามารถเข้าถึงการใช้งานได้และสวยงามดูดี และเมื่อออกแบบ Data visualization ต้องคิดก่อนว่าต้องการให้ผู้ชมใช้ข้อมูลเพื่อประโยชน์อะไร
        • เทคนิค
          • ง่ายต่อการใช้งาน
          • ทุกคนใช้งานได้
          • สวยงามน่าใช้

      สรุปในยุค Digital Transformation นักสืบ หรือนักวิเคราะห์ข้อมูล จะต้องมีความรู้

      Knowledge Investigation

      • Domain Knowledge
      • Data for Investigation
      • Software for Investigation
      • Design for Analysis
      • Storytelling with Data

      Skill for Investigation Data analyst

      • Spreadsheets (Google Sheets / Excel)
      • Database (SQL)
      • Programming ( R & Python Programming)
      • i2 (ANB) and iBase
      • Dashboard (Power BI , Looker Studio, Tableau)
      • Storytelling with Data

      Reference – ขอบคุณข้อมูล และความรู้ดี ๆ จาก..อ.เอกสิทธิ์ฯ และ อ.ทอย

    1. Protected: การยืนยันตัวตนของมือถือ และ CDR

      Protected: การยืนยันตัวตนของมือถือ และ CDR

      Subscribe to continue reading

      Subscribe to get access to the rest of this post and other subscriber-only content.