Data Warehouse

Data Warehouse คืออะไร

Data Warehouse (คลังข้อมูล) คือระบบจัดเก็บข้อมูลแบบรวมศูนย์ ที่ดึงข้อมูลจากหลายแหล่ง () มาหลอมรวมเป็นโครงสร้างเดียว เพื่อรองรับการวิเคราะห์ ทำรายงาน และตัดสินใจเชิงธุรกิจ

พูดแบบคนไทยทำร้านออนไลน์: คุณขายผ่าน Shopee, Lazada, TikTok Shop, LINE OA, เว็บไซต์ตัวเอง และหน้าร้าน — ข้อมูลลูกค้าอยู่กระจัดกระจาย 10 ที่ พอจะดูว่า "เดือนนี้กำไรจริงเท่าไหร่" ต้อง export Excel 7 ไฟล์มา merge กันจนตาลาย Data Warehouse คือการเอาทุกอย่างมารวมไว้ที่เดียว แล้วให้ระบบจัดการแทนคุณ

หัวใจสำคัญคือ ETL/ELT — Extract (ดึง) → Transform (แปลง/ทำความสะอาด) → Load (โหลดเข้า) ข้อมูลจะถูกจัดระเบียบแบบ columnar หรือ dimensional model (Star Schema / Snowflake Schema) เพื่อให้ query เร็วแม้ข้อมูลระดับสิบล้านแถว

เปรียบเทียบให้เห็นภาพ

คิดว่าคุณเป็นเจ้าของแบรนด์สกินแคร์

- Operational Database (เช่น MySQL ของเว็บ) = พนักงานเก็บเงินหน้าร้าน บันทึกทีละออเดอร์ รวดเร็ว แต่ถามยอดขาย 3 ปีแยกตามจังหวัดไม่ได้

- Data Warehouse = ผู้จัดการคลังสินค้าส่วนกลาง ที่รวบรวมใบเสร็จทุกสาขา ทุกแพลตฟอร์ม มาจัดเรียงตามหมวด ตามเวลา ตามลูกค้า พร้อมตอบคำถามเชิงกลยุทธ์ได้ทันที

- Data Lake = โกดังขนาดยักษ์ที่เก็บทุกอย่างดิบ ๆ ทั้งรูป วิดีโอ log ยังไม่ได้จัดระเบียบ

- Data Mart = ชั้นวางเฉพาะแผนก เช่น วางเฉพาะข้อมูลการตลาด

สูตรและตัวเลขที่ต้องรู้

1) Data Freshness (ความสดของข้อมูล)

Freshness = เวลาที่ query ล่าสุด − เวลาที่ข้อมูลถูกโหลดเข้า Warehouse

ถ้าโหลดทุกวัน 02:00 น. และคุณ query ตอน 14:00 น. → Freshness = 12 ชั่วโมง

2) Cost per Query (ต้นทุนต่อการ query)

Cost = (ปริมาณข้อมูลที่สแกนเป็น TB) × (ราคาต่อ TB)

ตัวอย่าง BigQuery: สแกน 2 TB × $6.25/TB = $12.50 ต่อ query — ถ้า dashboard refresh ทุก 5 นาที = 288 ครั้ง/วัน = $3,600/เดือน แค่ค่า query!

3) ROI ของการมี Warehouse

ROI = (เวลาที่ประหยัดได้ × ค่าแรงต่อชั่วโมง) ÷ ต้นทุนระบบ

ทีม analyst 5 คน เดิมใช้เวลา 3 ชม./วัน รวมข้อมูล → ลดเหลือ 30 นาที ประหยัด 12.5 ชม./วัน × ฿500/ชม. = ฿6,250/วัน ≈ ฿187,500/เดือน เทียบกับค่า warehouse ~฿40,000/เดือน → ROI ประมาณ 4.7 เท่า

4) Conversion Rate ที่วิเคราะห์จาก Warehouse

CVR = (จำนวนออเดอร์ ÷ จำนวน session) × 100

ถ้า session 250,000 และออเดอร์ 5,000 → CVR = 2.0% (ค่ามาตรฐาน e-commerce ไทยอยู่ที่ 1.5–2.5%)

ตารางเปรียบเทียบระบบ

Use Case จริงในธุรกิจ DTC ไทย

1. รวมยอดขายหลายแพลตฟอร์ม

ร้านขายเสื้อผ้าออนไลน์ขายผ่าน 5 ช่องทาง ข้อมูลแต่ละที่มี SKU ไม่ตรงกัน ต้อง map SKU ก่อนโหลดเข้า warehouse แล้วสร้าง view เดียวชื่อ fact_sales ที่รวมทุกอย่าง จากนั้นดูยอดขายรวมแบบ real-time ได้

2. RFM Segmentation

คำนวณ Recency, Frequency, Monetary จากข้อมูล 180 วัน ลูกค้า 120,000 คน แบ่งเป็น 8 กลุ่ม เช่น "VIP หายไป 60 วัน" → ยิงโปร win-back เฉพาะกลุ่มนี้ ลดงบโฆษณาได้ 30%

3. Cohort Retention

ดูว่าลูกค้าที่สมัครเดือน ม.ค. ยังซื้อซ้ำเดือนที่ 3 กี่ % ถ้าอยู่ที่ 22% แต่ค่าเฉลี่ยอุตสาหกรรมคือ 28% → ต้องปรับ onboarding

4. Attribution Modeling

รวมข้อมูลจาก Facebook Ads, Google Ads, TikTok Ads เข้า warehouse แล้วคำนวณ ROAS แบบ multi-touch แทน last-click ที่มักให้ภาพผิด

5. Inventory & Demand Forecast

join ข้อมูลสต็อกจาก ERP + ยอดขายย้อนหลัง 24 เดือน + ข้อมูลโปรโมชัน → ทำนายว่าต้องสั่งของล่วงหน้าเท่าไหร่ ลด stock ค้าง 15%

(ข้อเข้าใจผิดที่เจอบ่อย)

❌ "มี Data Warehouse แล้วไม่ต้องมี Data Lake"

จริง ๆ หลายบริษัทใช้ทั้งคู่ เรียกว่า Lakehouse Architecture — เก็บดิบใน Lake แล้ว transform เข้า Warehouse

❌ "โหลดข้อมูลทุกอย่างเข้าไปเลย"

จะทำให้ต้นทุนพุ่ง ควรคัดเฉพาะ field ที่ใช้จริง ถ้าต้องการ 20 column จาก 200 column ก็อย่าโหลดทั้ง 200

❌ "ทำเสร็จแล้วจบ"

Warehouse ต้องมี data quality monitoring, schema versioning, และ documentation ตลอด ไม่งั้น 6 เดือนต่อมาจะไม่มีใครเข้าใจว่าตาราง tbl_x_v3_final คืออะไร

❌ "ใช้ Excel แทนได้"

Excel รับได้ ~1 ล้านแถว แต่ธุรกิจ DTC ที่มีออเดอร์ 50,000/เดือน ภายใน 2 ปีจะแตะ 1.2 ล้านแถว → พังทันที

❌ "Real-time ดีที่สุด"

จริง ๆ batch รายวันเพียงพอสำหรับ 90% ของ use case DTC การทำ real-time มีต้นทุนสูงกว่ามาก ควรทำเฉพาะ use case เช่น fraud detection

คำศัพท์ที่เกี่ยวข้อง

- ETL / ELT — กระบวนการดึง แปลง โหลดข้อมูล

- Star Schema — โครงสร้างตาราง fact + dimension

- Data Mart — คลังข้อมูลย่อยเฉพาะแผนก

- Data Lake — ที่เก็บข้อมูลดิบทุกประเภท

- dbt (Data Build Tool) — เครื่องมือ transform ยอดนิยม

- OLAP vs OLTP — ระบบวิเคราะห์ vs ระบบ transactional

- Data Pipeline — ท่อส่งข้อมูลอัตโนมัติ

- BI Tool — เครื่องมือทำ dashboard เช่น Looker, Power BI, Metabase

- Cardinality — จำนวนค่าที่ไม่ซ้ำในคอลัมน์ มีผลต่อประสิทธิภาพ

- Partitioning — การแบ่งตารางตามวันที่ เพื่อลดข้อมูลที่สแกนและลดต้นทุน

สรุปสั้น ๆ: Data Warehouse คือสมองส่วนวิเคราะห์ของธุรกิจ DTC ถ้าคุณยังรวมข้อมูลด้วยมือ แปลว่าคุณกำลังจ่ายค่าโอกาสมหาศาล เริ่มจากแหล่งข้อมูล 2–3 แหล่งหลักก่อน แล้วค่อย ๆ ขยาย อย่ารอให้ข้อมูลเยอะจนยุ่งไปหมด เพราะยิ่งเริ่มช้า ค่า migration จะยิ่งแพงขึ้นแบบทวีคูณ