การทำ Data Science Project

1) Project Setup (เริ่มต้นโครงการ)

• กำหนด Use case ที่จะทำ Data Science 
• ร่วมกับผู้มีส่วนได้ส่วนเสีย (Stakeholders) ในการกำหนดเป้าหมายทางธุรกิจ เช่น ทีมการตลาดการขาย 
• ระบุประเภทของ Analytics เช่น Predictive Analytics 
• ระบุวิธีการในการวัดประสิทธิภาพของโมเดล

2) Data Collection (การรวบรวมข้อมูล)

• รวบรวมข้อมูลจากแหล่งข้อมูลต่างๆ ที่จำเป็นต้องใช้ 
• ระบุประเภทของข้อมูล เช่น 1st Party Data, ข้อมูลเป็นแบบ Structured Data
• ระบุคุณภาพของข้อมูล เช่น Accuracy, Completeness, Reliability, Relevant, Timeliness

3) Data Cleaning (การทำความสะอาดข้อมูล)

• จัดการกับข้อมูลที่ขาดหายไป (Missing value) เช่น การแทนที่ด้วยค่าเฉลี่ย
• จัดการกับข้อมูลที่เป็น Outliers

4) EDA: Exploratory Data Analysis (การวิเคราะห์ข้อมูลเชิงสำรวจ)

• เพื่อให้ได้ Insights ในเชิงธุรกิจ ทราบว่า Features ใด ที่ส่งผลกระทบต่อการทำนาย
• Feature Engineering สร้าง Features ใหม่ๆ ที่มีประโยชน์ในการทำนาย

5) Model Development (การพัฒนาโมเดล)

• การทำ Standardization หรือ Normalization
• การลดจำนวน Features
• การเลือก Features ที่สำคัญมาใช้งาน
• Algorithm Selection ทดลองกับหลายๆ Algorithms และเลือก Algorithm ที่ให้ผลลัพธ์ดีที่สุด
• Model Evaluation การประเมินประสิทธิภาพของโมเดล ที่ข้อมูล Test 

6) Model Deployment (การนำโมเดลไปใช้งานจริง)

• ติดตามและประเมินประสิทธิภาพโมเดลอย่างสม่ำเสมอ เพื่อให้แน่ใจว่าโมเดลยังใช้งานได้
• ปรับปรุงให้ดีขึ้น โดยนำข้อมูลล่าสุดเข้ามาเพื่อให้โมเดลเรียนรู้ แบ่งได้เป็น 2 ประเภทหลัก คือ On the fly Learning (เรียนรู้ทันทีเมื่อมีข้อมูลใหม่เข้ามา) และ Batch Learning (เรียนรู้เป็นรอบๆ เช่น รายเดือน)