ป้ายกำกับ: weomni

ปฏิเสธไม่ได้ว่าเดี๋ยวนี้ Data (ข้อมูล) อยู่รายล้อมตัวไปในทุกบริบท ตั้งแต่เราตื่นจนนอนหลับ และสำคัญมากขึ้นในบริบททางธุรกิจ ที่ตัวแปรในการขาดทุนหรือกำไร มีผลจากการนำข้อมูลต่างๆ มาใช้ในการตัดสินใจและดำเนินการ ดูอย่างธุรกิจ eCommerce ได้ที่มีข้อมูลหลากรูปแบบให้เป็นตัวแปรคำนวณ ในสาย Tech Industry จึงมีกลุ่มสายงานที่ดีลกับด้านนี้โดยเฉพาะ อย่าง Data Analytics

WeOmni ได้มีโอกาสสัมภาษณ์ทีมที่ดูแลด้าน Data ให้กับลูกค้าใน WeOmni นั่นคือ Ascend Commerce Data โดยในบทความนี้ เราจะมาสอบถามกันว่า งานสาย Data อย่าง Data Analytics ทำอะไร และสำคัญอย่างไรต่อธุรกิจกัน

Data Analytics คืออะไร ?

Data Analytics ก็คือคล้ายกับ Data Analysis ที่มุ่งเน้นงานวิเคราะห์ข้อมูลด้วยเครื่องมือเชิงสถิติ, รวบรวมข้อมูล, ประมวล, จัดระเบียบข้อมูล, จัดประเภทข้อมูล, ตีความข้อมูล, มองหารูปแบบที่มีความหมายที่ซ่อนอยู่ในข้อมูล, เพื่อตีความและนำไปใช้ประโยชน์ในการตัดสินใจ เพียงแต่ว่า Data Analysis จะเน้นทำงานกับสิ่งที่เกิดในอดีตที่ผ่านมาเพื่อตอบโจทย์ปัญหาเป็นหลัก แต่ Data Analytics หรือบางทีก็เรียก Advanced Analytics จะซับซ้อนยิ่งกว่า เพราะเป็นการนำข้อมูลทั้งอดีตและปัจจุบันมาต่อยอดตอบโจทย์ธุรกิจในปัจจุบัน จนไปถึงการทำนายอนาคต ซึ่งจะครอบคลุมไปถึง 

• Machine Learning -การเรียนรู้ด้วยคอมพิวเตอร์
• Predictive Modeling -การสร้างตัวแบบทำนาย
• Text Analytics -การวิเคราะห์เนื้อหาข้อความ
• Prescriptive Analytics -การวิเคราะห์เพื่อหาข้อแนะนำ 
• ฯลฯ

สายอาชีพทางด้าน Data Analytics อาจจะแบ่งกว้างๆ เป็นสองกลุ่มคือ Business Analyst ซึ่งทำงานด้าน Data Analysis และ Data Scientist ซึ่งทำงานด้าน Advanced Analytics

ในทีม Ascend Commerce Data นอกจากสมาชิก Data Analyst และ Data Scientist แล้ว เรายังมีสมาชิก Data Engineer ซึ่งออกแบบ, จัดสร้างและดูแลโครงสร้างพื้นฐาน เพื่อรองรับกิจกรรมด้าน Data Analytics ให้ดำเนินไปอย่างราบรื่นมีประสิทธิภาพด้วย

Data Analytics มีความสำคัญอย่างไร ?

Data Analytics ช่วยให้ผู้บริหารและผู้ปฏิบัติงานในทุกระดับชั้นขององค์กร ใช้ความเข้าใจข้อมูลธุรกิจที่ลึกซึ้งมากขึ้น สนับสนุนการตัดสินใจได้ถูกต้องแม่นยำ สามารถปรับปรุงกระบวนการและประสิทธิภาพการดำเนินธุรกิจ และสร้างความได้เปรียบการแข่งขันกับองค์กรอื่นๆ ซึ่งทั้งหมดนี้สำคัญมากต่อการปรับตัว เติบโต หรือแม้แต่การอยู่รอดขององค์กร ในโลกธุรกิจที่มีความเปลี่ยนแปลงที่รวดเร็วและรุนแรงมากขึ้นเรื่อยๆ

ขั้นตอนเบื้องต้นการนำ Data Analytics มาใช้ในองค์กร ? 

อย่างแรกเลยคือตั้งกำหนดเป้าหมาย/วัตถุประสงค์ของ Data Analytics อย่างชัดเจน ปัญหาธุรกิจหรือความท้าทายที่ต้องการรับมือคืออะไร กำหนดผลลัพธ์ที่ต้องการให้เป็นทางการ และกำหนด KPI ที่จะใช้วัดความคืบหน้าโครงการ

จากนั้นจึงประเมิน Data Landscape ปัจจุบัน ว่ามีโครงสร้างพื้นฐานด้านข้อมูลอะไรบ้าง คุณภาพข้อมูล และนโยบายการกำกับดูแลข้อมูล เป็นอย่างไร มีฐานข้อมูลกระจัดกระจายอยู่ที่ไหนบ้าง

ต่อจากนั้นจึงเริ่มวางกลยุทธ์ข้อมูล ให้สอดคล้องกับกลยุทธ์ธุรกิจในภาพรวม กลยุทธ์ข้อมูลจะครอบคลุมนโยบายเกี่ยวกับ การรวบรวมข้อมูล จัดเก็บข้อมูล ประมวลผลข้อมูล วิเคราะห์ข้อมูล กำกับดูแล และการรักษาความปลอดภัย

จากนั้น Data Engineer จะออกแบบและจัดสร้างโครงสร้างพื้นฐานข้อมูล ให้สอดคล้องกับกลยุทธ์ข้อมูลในขั้นตอนก่อนหน้า เพื่อรองรับกิจกรรมด้าน Data Analytics

ส่วนในฝั่ง Data Analyst และ Data Scientist จะเข้ามาใช้ประโยชน์จากข้อมูลดิบ ภายใต้นโยบายการกำกับดูแลและสิทธิ์การเข้าถึงเท่าที่จำเป็น ดำเนินกิจกรรม Data Analytics เพื่อสนับสนุนให้ผู้บริหารและผู้ปฏิบัติงานบรรลุเป้าหมายผลการดำเนินงานขององค์กร

ในช่วงเริ่มต้นของการนำ Data Analytics มาใช้ประโยชน์ ฝั่ง Data Analyst และ Data Scientist จะเป็นกำลังหลักในการขับเคลื่อนการใช้ประโยชน์ก่อน เมื่อผู้บริหารและผู้ปฏิบัติงานเริ่มมีความเข้าใจการใช้ประโยชน์สารสนเทศที่ลึกซึ้งขึ้น มีทักษะมากขึ้น บทบาทของ Data Analyst อาจจะเพิ่มน้ำหนักไปทาง Data Enabler สนับสนุนให้ผู้บริหารและผู้ปฏิบัติงาน สามารถตอบคำถามด้านข้อมูลได้ด้วยตัวเอง หรือสร้างรายงานและแดชบอร์ด เพื่อใช้งานส่วนตัวได้อย่างคล่องแคล่ว โดยไม่ต้องพึ่งพา Data Analyst อีกต่อไป และนี่คือสิ่งที่เราเรียกว่า Data Democratization

ทักษะสำคัญที่ Data Analytics ต้องมี ?

การจะเป็น Data Analytics ต้องสามารถเข้าใจโมเดลธุรกิจ โครงสร้างองค์กร กระบวนการดำเนินงาน และเป้าหมายผลการดำเนินธุรกิจขององค์กร และใช้วิจารณญาณในการคัดสรรตัวชี้วัดธุรกิจต่างๆ ที่มีความสำคัญกับการดำเนินธุรกิจ แล้วจึงออกแบบจัดวางตัวชี้วัดเหล่านั้น มาแสดงผลบนรายงานและแดชบอร์ดในรูปแบบที่ผู้ใช้ที่เป็นบุคคลทั่วไปสามารถเข้าใจง่าย และให้ตัวชี้วัดบนรายงานและแดชบอร์ดมีความถูกต้องแม่นยำ ใหม่ล่าสุด และทันต่อเหตุการณ์ปัจุบันอยู่เสมอ

Culture การทำงานของทีม Ascend Commerce Data เป็นยังไง ?

สมาชิกทุกคนในทีม Ascend Commerce Data ต้องมี growth mindset และถูกคาดหวังให้ทำงานด้วย peak performance ในทุกโครงการ โดยในโครงการที่ผ่านมาเราออกแบบและจัดสร้างได้อย่างดีตามที่วางแผนไว้ และยังไม่เคยมี major incidents / major delays และยังมีหลายโครงการที่เสร็จก่อนกำหนดด้วย เราแบ่งสมาชิกทีมเป็น 3 บทบาท

Data Engineer ออกแบบ จัดสร้างและบริหารโครงสร้างพื้นฐานข้อมูล การรวบรวมข้อมูล การจัดเก็บข้อมูล การส่งมอบข้อมูลในรูปแบบที่พร้อมใช้งานสำหรับ Data Analyst และ Data Scientist

Data Analyst  ทำความเข้าใจโมเดลธุรกิจ โครงสร้างองค์กร กระบวนการดำเนินงาน และเป้าหมายผลการดำเนินธุรกิจขององค์กร คัดสรรตัวชี้วัดธุรกิจ แล้วออกแบบรายงานและแดชบอร์ด แสดงตัวชี้วัดธุรกิจในรูปแบบที่เข้าใจง่าย และมีความถูกต้องแม่นยำทันสมัย เพื่อสนับสนุนให้ผู้บริหารและผู้ปฏิบัติงานบรรลุเป้าหมายผลการดำเนินธุรกิจขององค์กร 

Data Scientist ก็ต้องมีความเข้าใจธุรกิจขององค์กรอย่างลึกซึ้งเช่นเดียวกับ Data Analyst เพื่อจะคัดสรรและนำเสนอการประยุกต์ใช้งานเคส Advanced Analytics เฉพาะทาง ที่ช่วยกำหนดทิศทางการบริหารธุรกิจขององค์กร

แต่ละบทบาทจะมีขอบเขตความรับผิดชอบของตัวเองชัดเจน มีอิสระในการทำงานตามสมควร

แต่อย่างไรก็ตาม ทุกบทบาทต้องทำงานประสานกัน เพื่อให้ได้ระบบที่ตอบโจทย์ความต้องการลูกค้าได้อย่างแม่นยำ รวดเร็ว และคุ้มค่า เพราะสุดท้ายแล้ว ลูกค้าคือเหตุผลในการมีอยู่ของทีม Ascend Commerce Data 

Challenge ที่เจอในการทำงานสาย Data Analytics ใน Ascend Commerce ?

ในบางโครงการ องค์กรของลูกค้าที่ทีม Ascend Commerce Data ได้ร่วมงานด้วยนั้นยังไม่คุ้นเคยในการตั้งหมายผลการดำเนินธุรกิจที่ชัดเจนมาก่อน ดังนั้นการคัดสรรตัวชี้วัดธุรกิจ ที่จะนำมาใช้ติดตามความคืบหน้าเป้าหมายผลการดำเนินธุรกิจ บนรายงานและแดชบอร์ด จึงกลายเป็นเรื่องยากและใช้เวลานานกว่าที่วางแผนไว้พอสมควร

จะเห็นได้ว่า Data Analytics นั้น มีความสำคัญต่อการชี้ทิศทางดำเนินธุรกิจในปัจจุบันอย่างแม่นยำ จากปัจจัยต่างๆ ที่เกิดขึ้นนั้นไม่ว่าจะเล็กน้อยแค่ไหน ก็ถือเป็น Data Point อย่างหนึ่งที่มีผลต่อการตัดสินใจอย่างมาก ถ้าธุรกิจสามารถเค้น Data จากหลากมุมจนกระทั่งได้กลวิธี วางกลยุทธ์ที่ช่วยการตัดสินใจอย่างแม่นยำจาก Data นำไปสู่การเติบโตขอธุรกิจต่อเนื่อง

ถ้าธุรกิจของท่านยังใหม่กับ Data Analytics หรือยังไม่เคยมี แล้วสนใจในการวางแผนนำ Data ต่อยอดทางธุรกิจ WeOmni ยินดีให้คำปรึกษาและช่วยธุรกิจของท่าน ปรึกษาฟรีได้ที่นี่

ติดตามข้อมูลข่าวสารและกิจกรรมของเราได้ที่ช่องทาง Facebook Fanpage, Linkedin หรือดูข้อมูลและติดต่อรับคำปรึกษาได้ที่เว็บไซต์ของเรา

จากบทความก่อน ที่เราพาท่านแนะนำให้รู้จักและลองใช้ Github Copilot ไป หากใครใช้งาน Copilot แล้วยังไม่ประทับใจเท่าไหร่ เราอยากให้มาลองใช้ Copilot Chat ดูก่อน 🙂 ต้องบอกเลยว่า อันนี้คือของจริง หลังจากที่ผู้เขียนได้ทดลองใช้ดูแล้วพบว่า นี่เป็นการเปิดประสบการณ์ใหม่อย่างแท้จริง ราวกับมีมิตรสหายที่คล่องแคล่วทางทฤษฏีเป็นอย่างมาก มานั่ง pair programming อยู่ข้างๆ คอยให้คำปรึกษาเราโดยไม่อิดออด

อะไรคือ GitHub Copilot Chat ?

GitHub Copilot Chat คือส่วนเสริมของ Copilot เพิ่มเติมเป็นอีก Extension บน IDE ที่แยกออกมาจากส่วนหลักของ Github Copilot โดยสิ่งที่จะเพิ่มมาก็คือ chat interface ขนาบข้างให้เราพิมพ์คุยกับ Copilot ขณะเรา Coding โดยที่ยังตอบเป็นภาษามนุษย์ แล้วยังช่วยเราทั้ง syntax, programming concepts, test cases, debugging ฯลฯ ตามที่เราต้องการได้

ณ วันที่เขียนบทความ GitHub Copilot Chat อยู่ในสถานะ beta (ข้อมูลเพิ่มเติม คลิก)

ตัวอย่างหน้าตา GitHub Copilot Chat

USE CASE

เรียกได้ว่าน่าตื่นตาตื่นใจจริงๆ ที่เรามาถึงจุดที่สามารถให้ AI ช่วยบอกเราว่า ไฟล์ที่เราเปิดอยู่นั้นมันคืออะไร อยู่ใน layer ไหน design pattern มาอย่างไร หรืออยากลงลึกไปอีกหน่อย เราสามารถ highlight ลงไปในบาง function แล้วให้ AI สรุปให้ว่า function นี้ทำงานอย่างไร มี BigO notation เท่าไหร่ และยังช่วยวิจารณ์ Code ของเรา พร้อมให้คำแนะนำอย่างเป็นเหตุเป็นผลอีกด้วย ว่าแล้วก็ เราจะมาทดลองใช้ให้ดูกัน

Use case 1: what is this ?

ใน Case แรกนี้เราจะลองถามให้ Copilot อธิบายเราว่าไฟล์นี้ “มันคืออะไร” ลองถามน้อง Copilot ดูซิว่านี่คือไฟล์อะไรน้า พี่ๆ Senior บอกให้มาลองดูแถวๆ นี้ ยิ่งเป็นมือใหม่ไม่ค่อยรู้อะไรด้วยซิ

แล้วถ้าสงสัย function นี้มันทำอะไรนะ เจ้า Copilot จะช่วยบอกได้หรือเปล่านี่ … ก็พบว่าแจกแจงละเอียดเลยเชียว

Use case 2: Comment code

เราจะให้ Copilot ในการ Comment Code อันนี้ช่วยได้ทั้งการทำความเข้าใจ code ของคนอื่นแบบเป็นฉากๆ หรือช่วยย่นเวลาเราเขียน comment บน code ของเราเองอีกด้วย โอ้ดีจริงๆ

(ฝั่งซ้าย text สีเขียวคือสิ่งที่ copilot chat เติมมาให้ จาก code original ฝั่งขวา)

Use case 3: Review code

Code review ที่ทั้ง middle, senior และ Lead ยากที่จะหลีกเลี่ยงภาระหน้าที่นี้ copilot chat จะช่วยเหลือพวกเขาได้ไหมนะ … ก็พบว่าช่วยเราโดยกล่าวออกมาเป็นข้อๆ ชัดเจนเลยแหละ

Use case 4: improve code quality

ตรวจได้ รีวิวได้ไม่พอ Copilot chat ยังทำ improvement ให้เสร็จสรรพเลยอีกต่างหาก

Use case 5: ช่วย draft unit test

เรียกว่าแทบจะรับจบให้เราทั้งหมด Copilot chat ยังช่วยเขียน test อย่างไวๆ ให้ได้อีกด้วย

Use case 6: BigO Notation

และ Case สุดท้ายที่จะลองคือการหา BigO ของแต่ละ function ซึ่ง Copilot chat ก็บอกเราได้นะ

สรุป

เป็นที่น่ายินดีแทน Devs ที่เติบโตมาในยุคนี้จริงๆ มีเครื่องไม้เครื่องมือที่เพรียบพร้อมในการช่วย Dev กันถึงขนาดนี้ เราสามารถเรียนรู้อะไรต่ออะไรจาก AI เหล่านี้ได้เป็นอย่างมาก ถึงแม้ในช่วงแรกนี้ มันจะมี ถูกบ้าง ไม่ถูกบ้าง แน่นอนว่าไม่ควรเชื่อถือไปเสียทั้งหมด แต่ปฏิเสธไม่ได้ว่า AI มัน learning เก่ง ฉลาด และแม่นยำขึ้นแทบในทุกๆ วัน หากเราไม่ได้อะไรจากมันทางผู้เขียนก็หวังว่าอย่างน้อย ก็ดูแบบอย่างของมันที่ไม่หยุดที่จะเรียนรู้ และพัฒนาตัวเอง และเรียนรู้ที่จะทำงานร่วมกับ AI เพื่อต่อยอดทางด้าน Dev ต่อไปก็แล้วกันครับ 🙂

ติดตามข้อมูลข่าวสารและกิจกรรมของเราได้ที่ช่องทาง Facebook Fanpage, Linkedin หรือดูข้อมูลและติดต่อรับคำปรึกษาได้ที่เว็บไซต์ของเรา

ในยุคที่เราทำงานกับเทคโนโลยีที่อยู่รอบตัว และเป็นเครื่องมือตัวกลางในการทำงานภายในทีม โดยเฉพาะในรูปแบบ Remote Work หรือ Work For Home การสื่อสารและการทำงานร่วมกันอย่างมีประสิทธิภาพ แม้ไม่ได้อยู่ในห้อง/อาคารเดียวกัน ไม่ว่าคุณจะทำงานกับโปรเจกต์ที่ซับซ้อน เฟ้นหาไอเดียใหม่ๆ โดยเฉพาะการประชุมออนไลน์ ถ้ามีเครื่องมือที่สนับสนุนการสื่อสารที่ดี ก็จะช่วยเพิ่ม Produtivity และความสำเร็จของธุรกิจ

ในบทความนี้เราจะมาสำรวจ 4 เครื่องมือที่ออกแบบมาเพื่อเสริมการทำงานเป็นทีม ให้การสื่อสารที่ราบรื่น มองเห็นภาพรวมชัดเจน และกระตุ้นความคิดสร้างสรรค์ได้อย่างดีกัน โดยแต่ละเครื่องมือจะมีจุดเด่นแตกต่างกันไป

1. Draw.io: ปลดล็อกความสร้างสรรค์ผ่านภาพ

Draw.io เป็นเครื่องมือทำแผนผังออนไลน์ (online diagramming tool) ที่สามารถสร้าง วาดแผนผังต่าง ๆ ด้วยหน้าจอของ App ที่ง่ายต่อการเข้าใจ และมีเครื่องมือที่เป็นประโยชน์มากมาย จึงทำให้การแปลงความคิดเป็นภาพด้วย draw.io ทำได้อย่างง่ายดาย

คุณสมบัติเด่นของ Draw.io:

• รองรับการทำงานหลายคนแบบเรียลไทม์: สมาชิกในทีมหลาย ๆ คนสามารถวาดภาพได้พร้อมกัน เสริมประสิทธิภาพด้านการสื่อสารเป็นทีม
• สามารถทำงานร่วมกับเครื่องมืออื่น: เชื่อมต่อการทำงานได้อย่างง่ายดายกับแพลตฟอร์มต่าง ๆ เช่น Google Drive, Confluence, Jira และอื่นๆ
• ตัวเลือก Export ไฟล์ที่หลากหลาย: สามารถสร้างไฟล์ได้หลากหลายประเภท เช่น PNG, SVG, PDF
• รูปแบบแผนผังที่ปรับแต่งเองได้: เลือกรูปแบบแผนผังจากแม่แบบ (Template) หลายๆ แบบ ทำให้ประหยัดเวลา หรือสร้างเองเป็นมาตรฐานสำหรับใช้ในทีมอย่างตรงจุดประสงค์

2. Miro: ยกระดับการทำงานเป็นทีมให้ไปอีกขั้น

Miro เป็นแพลตฟอร์มกระดานออนไลน์ที่รวมความสามารถตั้งแต่ขั้นตอนระดมความคิด วาดแผน วาดผังแผน และการวาดรูปอื่น ๆ พร้อมความสามารถในการวาดแผนงานและต่อยอดไอเดียได้เต็มที่ สามารถตอบโจทย์การนำเสนอความคิดสร้างสรรค์ได้อย่างไม่มีที่สิ้นสุด

คุณสมบัติเด่นของ Miro:

• แม่แบบ(Template) สำเร็จรูปที่หลากหลาย: เข้าถึงแม่แบบที่ออกแบบมาสำหรับแต่ละธุรกิจและการใช้งานหลากหลายประเภท
• สติ๊กกี้โน้ตที่ใช้งาย: ตอบโจทย์การแบ่งปันไอเดียด้วยสติ๊กกี้โน้ตดิจิทัลที่สามารถจัดระเบียบและจัดลำดับได้
• การเชื่อมต่อที่ทรงประสิทธิภาพ: เชื่อมต่อไปยังเครื่องมือยอดนิยมอื่น ๆ เช่น Slack, Trello และ Jira เพื่อการทำงานที่ครบวงจร
• เครื่องมือสำหรับการประชุม: จัดการการประชุมเพื่อพูดคุย ออกแบบได้อย่างมีประสิทธิภาพด้วยเครื่องมือและแม่แบบที่ออกแบบมาสำหรับการประชุมโดยเฉพาะ

3. Excalidraw: น้อยแต่มาก

Excalidraw เป็นเครื่องมือวาดภาพที่ไม่ซับซ้อน แต่ทรงประสิทธิภาพ เน้นความกระชับและความง่ายในการใช้งาน ด้วยสาเหตุนี้จึงทำให้ Excalidraw เป็นทางเลือกที่ยอดเยี่ยมสำหรับการวาดที่ไม่ซับซ้อน การสร้าง wireframe หรือการประชุมไอเดียแบบไวๆ ภายในทีม

คุณสมบัติเด่นของ Excalidraw:

• พร้อมใช้ทันที: เริ่มวาดได้ทันทีโดยไม่จำเป็นต้องมีบัญชีหรือติดตั้ง App และแชร์ลิงก์ให้เพื่อนร่วมงานแจมได้
• องค์ประกอบที่ปรับแต่งได้: วาดรูป เพิ่มข้อความ และสร้างสรรค์ผลงานผ่านหน้าจอที่เรียบง่าย
• ส่งไฟล์เป็น SVG หรือ PNG: ดาวน์โหลดงานในไฟล์ฟอร์แมตที่พร้อมนำไปใช้งานได้กับเครื่องอื่นอื่น ๆ ทันที
• Open Source: ประโยชน์จากการเป็นซอฟต์แวร์แบบ Open Source ทำให้มีกลุ่มชุมชนผู้พัฒนาที่ใส่ใจ และพร้อมดูแลซอฟต์แวร์กันอย่างต่อเนื่องสม่ำเสมอ

4. Mermaid: เครื่องมือวาดแผนผังสำหรับ Markdown

Mermaid เป็นเครื่องมือวาดแผนผังที่ไม่เหมือนใคร ที่ถูกออกแบบมาเพื่อผู้ที่ทำงานกับ Markdown อยู่แล้ว โดย Mermaid ช่วยให้ผู้ใช้สามารถสร้างแผนผังและแผนการทำงานลงในเอกสาร Markdown ได้โดยตรง ทำให้การฝังภาพเข้ากับเอกสารและงานนำเสนอเป็นเรื่องง่าย

คุณสมบัติเด่นของ Mermaid:

• ความเข้ากันได้กับ Markdown: การเชื่อมต่อที่สมบูรณ์แบบกับการทำงานภายในเอกสาร Markdown ทำให้การเขียนเอกสารเชิงเทคนิคทำได้ง่าย สามารถจัดเก็บได้ใน code repository
• ประเภทของแผนผังที่หลากหลาย: สร้างแผนการทำงาน แผนภูมิ Gantt แผนภูมิลำดับ (sequence diagram) และอื่น ๆ ได้อย่างง่ายดาย
• เป็นมิตรกับระบบควบคุมเวอร์ชั่น (Version Control): สามารถใช้งานร่วมกับระบบควมคุมเวอร์ชั่น เช่น Git เพื่อให้ง่ายต่อการติดตามการเปลี่ยนแปลงในเอกสาร
• สไตล์ที่ปรับแต่งได้: ปรับแต่งลักษณะของแผนผังให้ตรงตามความต้องการและความชอบของคุณ

ท้ายที่สุดนี้ หวังว่าจะมีหนึ่งใน Collaborative Whiteboard ที่ตรงกับลักษณะงานของทีมท่านหรือตัวท่าน แม้เราอาจจะใช้เวลาเรียนรู้เครื่องมือกันบ้าง แต่ในยุคที่ดิจิตัลหมุนรอบตัว การนำเอาเครื่องมือเหล่านี้เข้ามาในทีม เป็นเรื่ององค์กรในยุคปัจจุบันควรพิจารณานำมาใช้ในการช่วยสื่อสารระหว่างเพื่อนร่วมงานให้มีประสิทธิภาพ ลดการเสียเวลาทำความเข้าใจในประเด็นต่างๆ และได้โฟกัสกับงานอย่างเต็มที่กันทุกฝ่ายนั่นเอง

ในโลกของการพัฒนาซอฟต์แวร์ที่เปลี่ยนแปลงอย่างตลอดเวลา ครั้งจะ Deploying หรือ Update อะไรใหม่ๆ โดยไม่ส่งผลกระทบต่อผู้ใช้งานเป็นสิ่งสำคัญอย่างมากยิ่งขึ้นเรื่อยๆ มีหลากหลายแนวทาง จนเกิดหลักการสำหรับการพัฒนาซอฟต์แวร์ที่ตอบโจทย์ในการไม่ต้องปิดให้บริการ (Downtime) และสามารถกู้คือระบบเดิม (Rollbacks) ลดความเสียหายในกรณีที่เกิดปัญหาขึ้นมา โดยหลักการที่ว่านั้นคือ Blue/Green Deployment โดยในบทความนี้เราจะมาเล่ากันว่า Blue/Green Deployment คืออะไร มีลักษณะแนวคิดที่ต่างกันยังไง และข้อดี ข้อเสีย ของแต่ละ Deployment กัน

อะไรคือ Blue/Green Deployment

Blue/Green Deployment คือกระบวนการ Deploy ซอฟต์แวร์ระบบ สู่ Prodution ที่มั่นใจว่ากระบวนการนั้นจะราบรื่นทั้งในขณะ Deploying หรือ Update และการ Rollback ที่มีผลกระทบน้อยที่สุด โดยมีการสร้าง Production Environment ที่มีสภาพแวดล้อมเหมือนกันเป็นสองก้อนอิสระกัน แยกกำกับเป็นสี “น้ำเงิน” (Blue) และสี “เขียว” (Green) โดยส่วนของสีเขียวจะใช้เป็นการทดสอบ Deploy ซอฟต์แวร์ชุดใหม่ว่ามีปัญหาหรือไม่ ราบรื่นดีมั้ย โดยอีกสภาพแวดล้อมหนึ่งซึ่งเป็นของเดิมจะถูกกำกับเป็นสีน้ำเงิน ซึ่งเป็นเวอร์ชั่นซอฟต์แวร์ที่จะใช้งานจริงอยู่ ทั้งสองสภาวะนี้จะคุมผ่าน Router ในการพาผู้ใช้ไปในสภาพแวดล้อมใดหนึ่ง โดยไม่ต้องมีการปิดปรับปรุงเลย เพื่อประสบการณ์ของผู้งานที่ราบรื่นที่สุด

จุดประสงค์ของการทำ Blue/Green Deployment

Blue/Green Deployment มีจุดประสงค์เพื่อช่วยการ Deploy ซอฟต์แวร์ล่าสุดในหลายด้าน ดังนี้

1. ไม่ต้องปิดระบบ (Zero Downtime): ถือเป็นธงหลักของหลักการนี้เลย นั่นคือทำอย่างไรให้ User ใช้งานต่อเนื่องตลอดการ Depoly ไม่รู้สึกถึงการเปลี่ยนแปลงในทางลบ เช่น งดให้บริการชั่วคราว ปิดปรับปรุงชั่วคราว 
2. กู้คืนระบบเดิมได้เร็ว: หากกรณีที่เวอร์ชั่นใหม่ที่ Deploy ไปพบปัญหา ก็สามารถย้อนกลับไปใช้ระบบเวอร์ชั่นก่อนหน้าได้ทันทีเพียง Route ผู้ใช้กลับสู่เวอร์ชั่นก่อนหน้า ลดความเสี่ยงระบบล่ม มีปัญหาได้อย่างทันท้วงที
   มั่นใจในคุณภาพของ
3. ซอฟต์แวร์มากขึ้น: เมื่อมี Production Environment เหมือนกันอีกก้อน ที่ไม่ถูก Live จึงสามารถใช้พื้นที่นั้นทดสอบฟีเจอร์ ทดสอบระบบ หรือตรวจสอบการอัปเดตในสภาพแวดล้อมคล้ายการใช้งานจริงยิ่งขึ้น ก่อนจะ Launch 
4. รีดทรัพยากรได้ดียิ่งขึ้น: เพราะโจทย์ที่ต้องมี Production Environment คู่ แม้ดูเหมือนจะใช้ทรัพยากรมากกว่า แต่ก็หลักการนี้ช่วยท้าทายให้รีดทรัพยากรสูงสุดโดยการจัดแบ่งการใช้งาน เช่น staging, testing, หรืองาน pre-production บางอย่าง ปล่อยให้เกิดสถานะ idle น้อยที่สุด
5. ลดความซับซ้อนในการพัฒนา: การมี Production Environment คู่ อาจฟังดูซับซ้อน แต่เพราะการทำซ้ำๆ กันนี้ ช่วยลดความซ้ำซ้อมในการพัฒนา คุมลักษณะที่คาดเดาได้ง่าย

กระบวนการคร่าวๆ ของ Blue/Green Deployment

1. ทำการ Deploy: Deploy ตัวแอปพลิเคชันใหม่ลงใน “Green” 
2. ตรวจสอบ (Validation): ทำการทดสอบระบบอย่างเข้มงวดใน “Green” เพื่อให้มั่นใจว่าไม่เจอข้อผิดพลาดใดๆ และใช้งานได้อย่างมีประสิทธิภาพสูง พร้อมสำหรับการนำไปใช้งานจริง
3. สลับ (Switch): เมื่อผ่านการตรวจสอบเรียนร้อยสมบูรณ User traffic จะถูกโยกจาก “Blue” ไปยัง “Green” 
4. ย้อนกลับ (Rollback): ถ้ากรณีพอใช้งานจริงแล้วพบปัญหาเข้า User traffic สามารถสลับฝั่งจาก “Green”  ไปยัง “Blue” ได้ทันที

จุดแข็ง

• ไม่ต้องปิดระบบ (Downtime): ข้อได้เปรียบหลักเลย ก็คือการไม่ต้องปิดระบบชั่วคราว สามารถส่งมอบอัปเดตและฟีเจอร์ใหม่ๆ ให้การบริการต่อเนื่องไม่มีสะดุด
• ลดความเสี่ยงเมื่อเกิดปัญหา:  สามารถกู้ระบบกลับได้อย่างทันที กรณีพบปัญหาในการอัปเดตหรือปล่อยเวอร์ชั่นใหม่
• แยกส่วนระหว่างกัน (Isolation): เมื่อต้องการจะส่งมอบฟีเจอร์ใหม่ ก็สามารถทดสอบในสภาพแวดล้อมจริงได้ก่อนจะนำขึ้นใช้งานจริง 

จุดอ่อน

• ใช้ทรัพยากรสูง (Resource Intensive): เพราะต้องวางระบบที่เป็น Production จริงถึง 2 ส่วน ส่งผลให้มีค่าใช้จ่ายเพิ่มเติมและการใช้ทรัพยากรเป็นสองเท่า
• ความซับซ้อนสูง: เพราะต้องจัดการระบบเพิ่ม ทำให้การจัดการซับซ้อนยิ่งขึ้น
• Data Synchronization: การทำระบบฐานข้อมูลให้สามารถ Synchronization ระหว่างสองสภาพแวดล้อมอาจเป็นเรื่องที่ท้าทาย

สรุป

การทำความเข้าใจใน Blue/Green Deployment ถือเป็นสิ่งสำคัญสำหรับองค์กรให้บริการในงานที่อ่อนไหวต่อการต้องปิดปรับปรุงชั่วคราว ไม่ว่าธุรกิจเพิ่งจะเริ่มนำกลยุทธ์นี้มาใช้ หรือต้องการปรับปรุงคุณภาพการให้บริการ เปลี่ยนผ่านจากระบบเดิม กระบวนการ Blue/Green Deployment จึงเป็นกระบวนการที่มีประสิทธิภาพสูงสุดที่น่าพิจารณาใช้ต่อไป