Name: ระดับกลาง: ประยุกต์ AI ในสายงานและต่อเวิร์กโฟลว์ · หลักสูตร AI for Business อย่างมืออาชีพ
Author: จักริน นพรุจนธาดา

2.1

โมดูล 2.1

AI สำหรับการตลาดและ SEO

ผลิตคอนเทนต์ได้เยอะขึ้นหลายเท่าโดยไม่ต้องเพิ่มคน (scale) แถมคอยดูว่าแบรนด์เราไปโผล่ในคำตอบของ AI มากแค่ไหน (AI visibility)

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนคุณมีทีมนักเขียนโฆษณาและคนทำป้ายร้านที่ทำงานได้ตลอด 24 ชั่วโมง แถมยังคอยส่องว่าร้านเราไปโผล่บนกูเกิลหรือในคำตอบของ AI มากแค่ไหน แล้วบอกวิธีให้เราเด่นขึ้น

🎯

ทำไมต้องรู้: ยุคนี้คนหาของไม่ได้พิมพ์กูเกิลอย่างเดียวแล้ว แต่ถาม AI ด้วย ถ้าแบรนด์เราไม่ถูก AI พูดถึง ลูกค้าก็มองไม่เห็นเรา เครื่องมือพวกนี้ช่วยให้เราผลิตคอนเทนต์ได้เร็วและถูกที่ถูกทาง

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใช้ Surfer SEO/Frase/Jasper เข้ามาช่วยในขั้นตอนการผลิตคอนเทนต์
ต่อขั้นตอนงานให้ไหลลื่น (workflow): วางโครง → ให้ AI ร่าง → ปรับให้ดีขึ้น → คนเกลาปิดท้าย
เข้าใจของใหม่ที่เพิ่งมา อย่างการวัดว่าแบรนด์เราดังแค่ไหนในโลก AI (AI visibility) ผ่าน Ahrefs Brand Radar, Semrush One

เนื้อหา

เครื่องมือด้านการตลาดและ SEO ที่ใช้กันช่วงปี 2025-26 ก็เช่น Surfer SEO (ตัวช่วยปรับบทความให้กูเกิลชอบ หรือ content optimization ราว ~$49/mo), Jasper (เน้นงานแบรนด์และแคมเปญ ตัว Pro ราว ~$69/seat/mo), Frase (ครบวงจร เหมาะกับทีมเล็ก ราว ~$49/mo), Clearscope (~$129/mo), Semrush One (~$199/mo) และ Ahrefs Brand Radar (คอยดูว่าแบรนด์เราไปโผล่ในคำตอบ AI มากแค่ไหน ราว ~$398/mo). ของใหม่ที่มาแรงในปี 2025 คือเรื่องความดังในโลก AI (AI visibility) เพราะเดี๋ยวนี้คนจะซื้อของไม่ได้พิมพ์แต่ Google แล้ว แต่ไปถาม ChatGPT/Perplexity/Google AI Overviews ด้วย เราจึงต้องคอยดูว่าแบรนด์เราไปโผล่ในเครื่องมือที่ตอบคำถามด้วย AI พวกนี้ (AI answer engines) หรือเปล่า. วิธีทำงานที่นิยมกันเป็นแบบนี้: ให้ Surfer/Frase ช่วยวางโครงบทความจากคำค้น (keyword) ก่อน → ให้ ChatGPT/Claude ร่างเนื้อหา → เอากลับมาให้ Surfer ให้คะแนนและปรับให้ดีขึ้น → สุดท้ายคนเข้าไปเกลาให้ตรงกับโทนของแบรนด์ (brand voice). มีตัวอย่างจริงให้เห็น: Newman's Own (พนักงาน 50 คน) ทำแคมเปญต่อเดือนได้เพิ่มขึ้นเป็น 3 เท่า และลดเวลาวางโครงบทความจาก 3 ชม. เหลือ 30-60 นาที ส่วน Publicis ร่างงานครีเอทีฟรอบแรกได้เร็วขึ้นราว ~40%.

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

SEOการทำให้เว็บหรือคอนเทนต์เราขึ้นไปอยู่หน้าแรก ๆ ของกูเกิล เวลาคนค้นหา จะได้ถูกเจอง่าย

Scaleการเพิ่มปริมาณงานได้มาก ๆ โดยไม่ต้องเพิ่มคนหรือแรงมากขึ้นตาม เช่น เขียนบทความได้เป็นร้อยชิ้นด้วยคนเท่าเดิม

AI visibilityการวัดว่าแบรนด์เราถูกพูดถึงหรือถูกแนะนำในคำตอบของ AI (เช่น ChatGPT) มากแค่ไหน เป็นเหมือนคะแนนความดังในโลก AI

Content optimizationการปรับแต่งบทความให้ทั้งกูเกิลชอบและคนอ่านชอบ เช่น ใส่คำที่คนค้นหาให้ครบ จัดหัวข้อให้ดี

/mo (per month)ค่าบริการต่อเดือน เช่น ~$49/mo คือจ่ายราวเดือนละ 49 ดอลลาร์

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

เวิร์กโฟลว์ SEO content จาก keyword

ขั้นที่ 1 (Surfer/Frase): ป้อน keyword 'ระบบ POS ร้านอาหาร' → สร้าง outline + รายการ entity ที่ควรครอบคลุม. ขั้นที่ 2 (Claude): ร่างบทความทีละหัวข้อตาม outline โทนมืออาชีพ ผู้อ่านคือเจ้าของร้านอาหาร SME. ขั้นที่ 3 (Surfer): วางบทความเพื่อให้ได้ content score ≥ 70. ขั้นที่ 4: fact-check และปรับ brand voice ก่อน publish

✅ ผลลัพธ์ที่ได้

ได้บทความ SEO ที่คะแนนความสมบูรณ์ (content score) ผ่าน ≥70 มีคำและหัวข้อสำคัญ (entity) ครบ ใช้เวลารวมน้อยกว่านั่งเขียนเองมาก แถมมีคนช่วยตรวจข้อเท็จจริงและปรับให้ตรงโทนแบรนด์ก่อนเผยแพร่

💡 จุดสอน

อยากให้เห็นว่า AI เป็นแค่ขั้นตอนหนึ่งในสายงานที่ต่อกันเป็นทอด ๆ ไม่ใช่กดปุ่มเดียวจบ และคนยังต้องเข้าไปเกลางานเสมอ

สร้าง ad copy หลายเวอร์ชันสำหรับ A/B test

สร้าง headline 10 แบบและ description 10 แบบสำหรับโฆษณา Facebook ของบริการ POS ร้านอาหาร โดยยึด brand voice: กระชับ เป็นมิตร เน้นประโยชน์ด้านลดเวลาและเพิ่มยอดขาย แต่ละ headline ไม่เกิน 40 ตัวอักษร จัดกลุ่มตาม angle (ราคา/ความง่าย/ความเร็ว)

✅ ผลลัพธ์ที่ได้

ได้พาดหัว (headline) และคำโปรย (description) 10-20 แบบ จัดกลุ่มตามมุมที่จะขาย (angle) พร้อมเอาไปลองสลับกันดูว่าแบบไหนได้ผลกว่า (A/B test) บนหน้าโฆษณาได้ทันที ทำให้ผลิตงานครีเอทีฟได้เยอะขึ้น

💡 จุดสอน

ให้เห็นว่า Jasper/ChatGPT ช่วยให้เราลองไอเดียครีเอทีฟได้เยอะขึ้น แต่เราต้องกำหนดกติกาโทนแบรนด์ (brand voice) ให้ชัดก่อน

แบบฝึกหัดท้ายโมดูล

ลองทำตามขั้นตอน 4 ข้อ สร้างบทความ SEO จากคำค้นที่เกี่ยวกับธุรกิจตัวเอง ให้ได้คะแนนความสมบูรณ์ (content score) ≥70
ลองถาม ChatGPT/Perplexity ดูว่ามันพูดถึงแบรนด์เรายังไงบ้าง แล้วจดว่ายังขาดเนื้อหาตรงไหนอยู่ (content gap) มา 3 ข้อ

2.2

โมดูล 2.2

AI สำหรับงานขาย

ทักหาลูกค้าแบบเหมือนเขียนถึงทีละคน แต่ส่งได้ทีละเยอะ (scale) ฟังเทปการโทรแล้ววิเคราะห์ให้ และช่วยร่างข้อเสนอ

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนมีผู้ช่วยเซลส์ที่ไปค้นประวัติลูกค้าแต่ละคนมาให้ครบ แล้วช่วยเขียนข้อความทักทายที่เหมือนเราตั้งใจเขียนถึงเขาคนเดียว ทั้งที่จริงส่งทีเดียวเป็นพัน แถมยังฟังเทปการโทรแล้วบอกว่าดีลไหนน่าจะปิดได้

🎯

ทำไมต้องรู้: งานขายกินเวลาไปกับการหาข้อมูลลูกค้าและพิมพ์อีเมลซ้ำ ๆ เครื่องมือพวกนี้ทำแทนให้ เราจึงคุยกับลูกค้าได้มากขึ้นและตรงใจขึ้น ปิดการขายง่ายขึ้น

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใช้ Clay + Apollo ทักหาลูกค้าแบบเจาะเฉพาะคน (personalized outreach) แต่ทำได้ทีละมาก ๆ
ใช้ Gong ฟังและวิเคราะห์สายการโทร แล้วเอามาสอนทีมขาย (coaching)
ต่อขั้นตอนงานเป็นทอด ๆ: เติมข้อมูลลูกค้า (enrichment) → เขียนข้อความให้ตรงตัว (personalization) → ตั้งลำดับติดตามอัตโนมัติ (sequencing)

เนื้อหา

เครื่องมือสำหรับงานขายช่วงปี 2025-26 เช่น Clay (เติมข้อมูลและเขียนข้อความเจาะตัวลูกค้าได้ทีละมาก ๆ), Apollo.io (มีฐานรายชื่อกว่า 275 ล้านราย พร้อมตั้งลำดับติดตามให้), ZoomInfo, Gong (AI ที่ฟังบทสนทนาการขายแล้ววิเคราะห์ให้ หรือ conversation intelligence โดยพยากรณ์ยอดได้แม่นราว ~81%) และ HubSpot Breeze agents (มีผู้ช่วยแยกงานหาลูกค้า/ดูแลลูกค้า/ทำคอนเทนต์/ทำโซเชียล). วิธีทำงานที่นิยมกันคือ: ให้ Clay ไปเติมข้อมูลของลูกค้าเป้าหมาย (prospect) แต่ละราย → เขียนประโยคทักที่ตรงกับตัวเขา → แล้วให้ Apollo ตั้งลำดับส่งออกไป. ส่วน Gong จะถอดเสียงและให้คะแนนการโทร ชี้ให้เห็นว่าลูกค้าติดขัดตรงไหนและควรทำอะไรต่อ ช่วยให้พนักงานขายมือใหม่เก่งเร็วขึ้น. HubSpot Prospecting Agent จะไปหาข้อมูลบริษัทและคนที่มีอำนาจตัดสินใจ แล้วสรุปให้อ่านก่อนโทรทุกครั้ง. แค่ให้ระบบสรุปสายโทร/อีเมลลงระบบเก็บข้อมูลลูกค้า (CRM) ให้อัตโนมัติ ก็ช่วยประหยัดไปได้ราว ~45 นาที/ประชุม (ตัวอย่างจาก Quilter).

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

Outreachการยื่นมือไปทักหาลูกค้าใหม่ก่อน เช่น ส่งอีเมลหรือข้อความไปแนะนำตัวและเสนอขาย

Enrichmentการเติมข้อมูลของลูกค้าให้ครบขึ้น เช่น รู้แค่ชื่อ ก็ไปหาต่อว่าเขาทำบริษัทอะไร ตำแหน่งอะไร อีเมลอะไร

Personalizationการปรับข้อความให้เข้ากับลูกค้าแต่ละคน ไม่ใช่ข้อความสำเร็จรูปเหมือนกันหมด

Sequencingการตั้งลำดับการติดตามลูกค้าอัตโนมัติ เช่น วันนี้ส่งอีเมล ไม่ตอบ อีก 3 วันส่งซ้ำ แล้วค่อยโทร

Conversation intelligenceAI ที่ฟัง/อ่านบทสนทนาการขาย แล้ววิเคราะห์ให้ว่าลูกค้าสนใจไหม ควรพูดอะไรต่อ

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

personalization line สำหรับ cold email

จากข้อมูลบริษัทที่ Clay enrich มา (อุตสาหกรรม, ข่าวล่าสุด, เทคโนโลยีที่ใช้) ให้เขียนประโยคเปิด personalization 1 บรรทัดต่อ prospect ที่อ้างอิงบริบทเฉพาะของเขา ห้ามใช้ประโยคทั่วไป โทนมืออาชีพแต่ไม่แข็ง สำหรับส่งผ่าน Apollo sequence

✅ ผลลัพธ์ที่ได้

ได้ประโยคเปิดที่เจาะเฉพาะแต่ละคน อ้างอิงข่าวหรือเรื่องจริงของลูกค้ารายนั้น ๆ พร้อมป้อนเข้า Apollo เพื่อส่งอัตโนมัติ ทำให้ข้อความตรงใจขึ้นและลูกค้าตอบกลับมากขึ้น (reply rate)

💡 จุดสอน

สอนวิธีต่อเครื่องมือจาก Clay ไป Apollo และย้ำว่าการเขียนให้ตรงตัวลูกค้าที่ได้ผลจริงต้องมาจากข้อมูลที่ไปเติมมา ไม่ใช่ข้อความสำเร็จรูปที่แกล้งทำเป็นเจาะจง

แบบฝึกหัดท้ายโมดูล

ออกแบบขั้นตอนงานต่อเครื่องมือ Clay→Apollo สำหรับกลุ่มลูกค้าเป้าหมาย (segment) ของตัวเอง ระบุด้วยว่าแต่ละขั้นเราต้องป้อนอะไรเข้าไปและได้อะไรออกมา
เอาบทถอดเสียง (transcript) สายขายจำลองมาให้ AI ช่วยสรุปว่าลูกค้าติดขัดหรือคัดค้านตรงไหน 3 ข้อ และควรทำอะไรต่อ แล้วเขียนโน้ตสอนงานทีมขาย 1 ย่อหน้า

2.3

โมดูล 2.3

AI สำหรับงาน HR และการสรรหา

เขียนประกาศรับสมัครงาน (JD) คัดกรองใบสมัคร และมีผู้ช่วยต้อนรับพนักงานใหม่ (onboarding) พร้อมข้อควรระวังเรื่องอคติ (bias)

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนมีผู้ช่วยฝ่ายบุคคลที่ช่วยร่างประกาศรับสมัครงาน อ่านใบสมัครกองโตแทนเราแล้วคัดคนที่ใกล้เคียงที่สุดขึ้นมาให้ และคอยต้อนรับพนักงานใหม่ แต่เราต้องคอยดูไม่ให้มันเผลอลำเอียง

🎯

ทำไมต้องรู้: การอ่านเรซูเม่เป็นร้อยใบและตอบคำถามผู้สมัครกินเวลามหาศาล AI ช่วยย่นเวลาให้เหลือไม่กี่วินาที แต่ต้องระวังเรื่องอคติ เพราะมันอาจตัดคนดี ๆ ออกโดยไม่ตั้งใจ

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใช้ AI เขียนประกาศรับสมัครงาน และตรวจให้ใช้ภาษาที่เปิดกว้าง ไม่กีดกันใคร (inclusive language)
เข้าใจการให้ระบบจัดการใบสมัคร (ATS) ที่มี AI ช่วยคัดกรองและจัดอันดับใบสมัคร พร้อมข้อควรระวังเรื่องอคติ
สร้างผู้ช่วยตอบคำถามพนักงานใหม่และคำถามเรื่องนโยบายบริษัท ด้วย RAG หรือ Notion AI

เนื้อหา

เครื่องมือด้าน HR ช่วงปี 2025-26 เช่น HireVue, Paradox (มีผู้ช่วยชื่อ 'Olivia'), TurboHire, Humanly, Talentpilot (คัดกรองจากเสียงและวิดีโอได้ 14 ภาษา ส่งรายงานให้คะแนนกลับมาในเวลาไม่ถึง 30 วินาที) และ OrangeHRM/Factorial. ทุกวันนี้การให้ AI อ่านเรซูเม่แล้วแยกข้อมูลออกมาให้ (resume parsing) กลายเป็นของมาตรฐานในระบบจัดการใบสมัคร (ATS) เกือบทุกเจ้าแล้ว ไม่ใช่ของเสริมที่ต้องจ่ายเพิ่มอีกต่อไป. งานหลัก ๆ ที่เอามาใช้ได้ก็เช่น เขียนประกาศรับสมัครงานจากชื่อตำแหน่งและคุณสมบัติที่ต้องมี พร้อมตรวจให้ภาษาเปิดกว้างไม่กีดกันใคร (ทำเสร็จในไม่กี่นาทีแทนที่จะเป็นชั่วโมง); คัดกรองและจัดอันดับใบสมัคร 250 ถึงกว่า 1,000 ใบต่อตำแหน่งภายใน 48 ชม. (ลดงานที่ต้องทำมือลงราว ~70%) — แต่ต้องเตือนเรื่องอคติและความเป็นธรรม และบังคับให้มีคนเข้ามาตรวจซ้ำเสมอ; รวมถึงทำผู้ช่วยตอบคำถามพนักงานใหม่และคำถามเรื่องนโยบาย ด้วย Notion AI หรือแชตบอตแบบ RAG ที่ดึงคำตอบจากคู่มือพนักงาน ช่วยลดคำถามซ้ำ ๆ ที่ต้องมาคอยตอบเอง.

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

JD (Job Description)ประกาศ/เอกสารบอกรายละเอียดของตำแหน่งงาน ว่าทำอะไร ต้องมีคุณสมบัติอะไรบ้าง

Resume parsingการให้คอมพิวเตอร์อ่านเรซูเม่แล้วแยกข้อมูลออกมาเป็นช่อง ๆ อัตโนมัติ เช่น ชื่อ ประสบการณ์ ทักษะ

ATSระบบจัดการใบสมัครงาน ที่บริษัทใช้เก็บและคัดกรองผู้สมัครทั้งหมดในที่เดียว

Bias (อคติ)การที่ระบบเอนเอียงตัดสินคนไม่เป็นธรรม เช่น ชอบเพศหนึ่งหรือกลุ่มหนึ่งมากกว่า โดยไม่ได้ดูที่ความสามารถจริง

Onboardingขั้นตอนต้อนรับและพาพนักงานใหม่เข้าทำงาน เช่น สอนงาน ทำเอกสาร แนะนำทีม

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

เขียน JD ที่ inclusive

เขียน job description ตำแหน่ง 'นักการตลาดดิจิทัล' จาก must-haves: ประสบการณ์ SEO 2 ปี, ใช้ Google Analytics ได้, สื่อสารภาษาอังกฤษดี. ตรวจให้ภาษา inclusive ไม่มีอคติเรื่องเพศ/อายุ ความยาว 1 หน้า มีหัวข้อ: ภาพรวมบทบาท, ความรับผิดชอบ, คุณสมบัติ, สิ่งที่บริษัทเสนอให้

✅ ผลลัพธ์ที่ได้

ได้ประกาศรับสมัครงาน 1 หน้าครบทุกหัวข้อ ใช้ภาษาเปิดกว้างสม่ำเสมอ ทำเสร็จในไม่กี่นาทีแทนที่จะเป็นหลายชั่วโมง และได้มาตรฐานเดียวกันทุกตำแหน่ง

💡 จุดสอน

ย้ำว่า AI ช่วยเรื่องความเร็วและความสม่ำเสมอ แต่พอเป็นการคัดกรองใบสมัคร ต้องมีคนเข้ามาตรวจซ้ำเสมอ เพื่อลดความเสี่ยงที่ระบบจะลำเอียง

แบบฝึกหัดท้ายโมดูล

เขียนประกาศรับสมัครงานสำหรับตำแหน่งจริงในองค์กร แล้วตรวจว่าภาษาเปิดกว้างไม่กีดกันใคร พร้อมระบุคำที่ปรับแก้
ออกแบบบอตตอบคำถามเรื่องนโยบายจากคู่มือพนักงาน: ระบุคำถามยอดฮิต 10 ข้อ และวิธีอ้างอิงคำตอบให้ยึดกับเอกสารจริง (ground) ไม่ให้บอตมั่วเอง

2.4

โมดูล 2.4

AI สำหรับการเงินและบัญชี

เทียบตัวเลขจริงกับแผน (variance analysis) พยากรณ์เงินสด และจับคู่ยอดให้ตรงกัน (reconciliation) ด้วยผู้ช่วย AI (agent)

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนมีผู้ช่วยบัญชีในโปรแกรม Excel ที่คอยเทียบตัวเลขว่าเดือนนี้ต่างจากแผนตรงไหน เดาว่าเงินสดเดือนหน้าจะเหลือเท่าไร และจับคู่รายการเงินเข้า-ออกให้ตรงกันแทนเรา

🎯

ทำไมต้องรู้: งานการเงินต้องนั่งไล่ตัวเลขทีละบรรทัด เหนื่อยและพลาดง่าย AI ทำงานหนักพวกนี้แทนและยังช่วยเขียนคำอธิบายให้ผู้บริหารอ่านเข้าใจ ทำให้ตัดสินใจได้เร็วขึ้น

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใช้ผู้ช่วยการเงินใน M365 Copilot (finance agents) ทั้งตัวเทียบตัวเลข (Variance Analysis) และตัวจับคู่ยอด (Reconciliation)
เข้าใจแพลตฟอร์มวางแผนและวิเคราะห์การเงิน (FP&A) อย่าง Planful, Anaplan, Pigment, Vena
เอา AI ไปช่วยพยากรณ์ และจับความผิดปกติของตัวเลข (anomaly)

เนื้อหา

ในปี 2026 M365 Copilot เพิ่มผู้ช่วยการเงิน (finance agents) เข้ามาใน Excel ได้แก่ตัวเทียบตัวเลข (Variance Analysis), ตัวจับคู่ยอด (Reconciliation) และตัวช่วยตามเก็บหนี้ (Collections). ส่วนแพลตฟอร์มวางแผนและวิเคราะห์การเงิน (FP&A) ก็มี Planful, Anaplan, Pigment, Vena, Limelight (เน้นวางแผนและพยากรณ์) และ Stampli, Vic.ai, Trullion (เน้นงานเจ้าหนี้และงานให้เป็นไปตามกฎ). งานที่เอามาใช้ได้จริงก็เช่น เทียบตัวเลขจริงกับแผนแล้วเขียนคำอธิบายให้ผู้บริหารการเงิน (CFO) อ่าน (ใช้ตัว Variance Analysis คู่กับแพลตฟอร์ม FP&A ช่วยปิดงบได้เร็วขึ้น); พยากรณ์กระแสเงินสดโดยดูจากตัวขับเคลื่อนธุรกิจจริง ๆ (Drivetrain/Anaplan/Abacum โดย AI จะคอยสะกิดเตือนตัวเลขที่ผิดปกติ); จับคู่ยอดบัญชีและชี้จุดผิดปกติในบัญชีแยกประเภท (ใช้ตัว Reconciliation หรือ Vic.ai ช่วยลดความผิดพลาด); และทำงานเจ้าหนี้แบบอัตโนมัติ (Stampli ดึงข้อมูลจากใบแจ้งหนี้แล้วส่งต่อให้คนอนุมัติ). ข้อควรระวัง: ข้อมูลการเงินเป็นข้อมูลอ่อนไหว ต้องใช้แพ็กเกจระดับองค์กร (enterprise tier) และห้ามเอาไปป้อนในเครื่องมือเวอร์ชันทั่วไป (consumer).

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

Variance analysisการหาว่าตัวเลขจริงต่างจากที่วางแผนไว้เท่าไร และเพราะอะไร เช่น ทำไมค่าใช้จ่ายเกินงบ

Cash flow forecastการคาดการณ์ว่าเงินสดจะไหลเข้า-ออกและเหลือเท่าไรในอนาคต จะได้ไม่ให้เงินขาดมือ

Reconciliationการจับคู่ตัวเลขสองฝั่งให้ตรงกัน เช่น เทียบยอดในบัญชีบริษัทกับยอดในสมุดธนาคาร

FP&Aงานวางแผนและวิเคราะห์การเงินของบริษัท ทำงบประมาณ พยากรณ์ และดูผลประกอบการ

Agentผู้ช่วย AI ที่ทำงานหลายขั้นตอนให้เองอัตโนมัติ ไม่ใช่แค่ตอบคำถาม แต่ลงมือทำงานให้เสร็จ

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

สร้าง CFO narrative จาก variance

จากตาราง budget vs actual ไตรมาสนี้ใน Excel ให้วิเคราะห์ variance แยกเป็น price/volume/mix ในกลุ่มรายได้หลัก แล้วเขียนคำบรรยายสำหรับ CFO 3 ย่อหน้า: (1) ภาพรวม (2) ตัวขับเคลื่อนหลักของ variance (3) ข้อเสนอแนะ ระบุตัวเลขที่อ้างอิงทุกครั้ง

✅ ผลลัพธ์ที่ได้

ได้คำอธิบายสำหรับผู้บริหารการเงิน 3 ย่อหน้า ที่แยกให้เห็นว่าตัวเลขต่างจากแผนเพราะราคา ปริมาณ หรือส่วนผสมสินค้า (price/volume/mix) พร้อมอ้างอิงตัวเลขทุกจุด ช่วยลดเวลานักวิเคราะห์และเร่งการปิดงบ

💡 จุดสอน

ให้เห็นตัว Variance Analysis ใน Copilot ทำงานจริง และย้ำให้อ้างอิงตัวเลขทุกครั้งเพื่อไม่ให้ AI มั่วข้อมูล (hallucination) ในงานการเงิน

แบบฝึกหัดท้ายโมดูล

ใช้ AI เทียบตัวเลขจริงกับแผน (budget vs actual) จากชุดข้อมูลตัวอย่าง แล้วเขียนคำอธิบาย 3 ย่อหน้า
ทำเช็กลิสต์สำหรับตรวจผลลัพธ์ที่ AI ให้มาในงานการเงิน ก่อนเอาไปเสนอผู้บริหาร (เน้นจุดที่ต้องเช็กตัวเลขให้แน่ใจก่อน)

2.5

โมดูล 2.5

AI สำหรับบริการลูกค้า

ให้บอตช่วยตอบและปิดเรื่องเอง (deflection) คัดแยกเรื่องด่วน (triage) และการจ่ายเงินตามผลที่ทำได้จริง (per-outcome pricing)

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนมีพนักงานตอบแชตหน้าร้านที่ตอบคำถามซ้ำ ๆ ของลูกค้าได้เองตลอดเวลา เรื่องไหนตอบไม่ไหวค่อยส่งต่อให้คนจริง แถมจ่ายเงินตามจำนวนเรื่องที่มันปิดจ๊อบได้จริง

🎯

ทำไมต้องรู้: คำถามลูกค้าส่วนใหญ่เป็นเรื่องเดิม ๆ ซ้ำ ๆ ถ้าให้ AI ตอบแทน ทีมคนจริงก็มีเวลาไปดูเรื่องยาก ๆ ลูกค้าได้คำตอบเร็วขึ้น และบริษัทประหยัดค่าใช้จ่าย

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใช้ Intercom Fin/Zendesk AI ให้บอตช่วยปิดคำถามด่านแรก (tier-1) และคัดแยกเรื่อง
เข้าใจการคิดเงินแบบจ่ายต่อ 1 เรื่องที่ปิดจบได้ (per-resolution pricing)
ออกแบบการส่งต่อเรื่องให้พนักงานจริง (escalate) พร้อมข้อมูลครบ ไม่ต้องให้ลูกค้าเล่าซ้ำ

เนื้อหา

เครื่องมือบริการลูกค้าช่วงปี 2025-26 เช่น Intercom Fin (คุยกับลูกค้าได้เป็นธรรมชาติที่สุด คิดเพิ่ม +$0.99 ต่อเรื่องที่ปิดจบ บนค่าที่นั่ง $29-$132), Zendesk AI (เก่งเรื่องคัดแยกและส่งเรื่องให้ถูกคน มีผู้ช่วยที่ทำงานเองได้), Help Scout AI Answers (+$0.75 ต่อเรื่องที่ปิดจบ) และ Twig (ปิดเรื่องเองได้ด้วยการดึงข้อมูลจากคลังความรู้แบบ RAG). งานที่เอามาใช้ได้ก็เช่น ให้บอตช่วยตอบคำถามด่านแรก (Fin/Zendesk ตอบคำถามซ้ำ ๆ โดยดึงจากคลังความรู้ พอเกินมือก็ส่งต่อพร้อมสรุปให้ครบ พนักงานจริงจึงรับงานต่อได้เลย ไม่ใช่ส่งต่อแบบไม่มีข้อมูลอะไร); คัดแยกและส่งเรื่องให้ถูกแผนก (Zendesk AI ดูจากว่าลูกค้าต้องการอะไรและอารมณ์เป็นยังไง ไม่ใช่ดูแค่คำเป๊ะ ๆ); และเขียนคลังความรู้ให้อัตโนมัติ (เครื่องมืออย่าง Helply ร่างบทความคู่มือจากรูปแบบคำถามที่เข้ามาบ่อย ๆ พร้อมชี้ว่ายังขาดเอกสารตรงไหน). เรื่องราคาที่ต้องระวัง: งานบริการลูกค้ามักคิดเงินสองต่อ คือค่าที่นั่งรายเดือน บวกกับค่าตามจำนวนเรื่องที่ปิดจบได้จริง (per-outcome/per-resolution) ต้องเผื่องบตรงนี้ไว้ด้วย.

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

Chatbotโปรแกรมแชตอัตโนมัติที่คุยกับลูกค้าแทนคน ตอบคำถามได้เองผ่านหน้าเว็บหรือแอป

Deflectionการที่บอทช่วยตอบและปิดเรื่องได้เอง จนไม่ต้องส่งต่อให้พนักงานคนจริง ช่วยลดภาระทีม

Triageการคัดแยกเรื่องของลูกค้าว่าเรื่องไหนด่วน เรื่องไหนควรส่งให้แผนกไหน เหมือนคัดกรองคนไข้ที่ห้องฉุกเฉิน

Per-outcome / per-resolution pricingการคิดเงินตามผลที่ทำได้จริง เช่น จ่ายต่อ 1 เรื่องที่บอทปิดจบได้ ไม่ใช่จ่ายเหมารายเดือน

RAGเทคนิคให้ AI ไปดึงข้อมูลจากคลังความรู้ของบริษัทมาตอบ จะได้ตอบตรงกับข้อมูลจริงของเรา ไม่มั่ว

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

ออกแบบ escalation ที่ส่งบริบทครบ

เมื่อ Fin ไม่สามารถแก้ปัญหาลูกค้าได้เอง ให้สร้างสรุปส่งต่อ human agent ประกอบด้วย: (1) ปัญหาที่ลูกค้ารายงาน (2) ขั้นตอนที่บอตลองแล้ว (3) ข้อมูลบัญชีที่เกี่ยวข้อง (4) sentiment ของลูกค้า เพื่อให้ agent ต่องานได้ทันทีโดยไม่ต้องถามซ้ำ

✅ ผลลัพธ์ที่ได้

ได้บทสรุปตอนส่งต่อครบทั้ง 4 ส่วน ทำให้พนักงานจริงรับงานต่อได้ทันที ลดเวลาและความหงุดหงิดของลูกค้าที่ต้องเล่าเรื่องซ้ำ

💡 จุดสอน

ย้ำว่าคุณค่าของ AI ในงานบริการลูกค้าไม่ได้อยู่แค่ที่บอตช่วยปิดเรื่องได้ แต่อยู่ที่การส่งต่อพร้อมข้อมูลครบ และอย่าลืมคิดค่าใช้จ่ายแบบจ่ายต่อเรื่องเข้าไปในงบด้วย

แบบฝึกหัดท้ายโมดูล

เอาคำถามลูกค้า 20 ข้อมาแยกว่าข้อไหนควรให้บอตตอบเองได้ และข้อไหนต้องส่งต่อให้คนจริงทันที
ลองคำนวณค่าใช้จ่ายแบบจ่ายต่อเรื่องต่อเดือน สมมติมี 2,000 บทสนทนา และบอตปิดจบได้เอง 40% ที่ราคา $0.99 ต่อเรื่อง

2.6

โมดูล 2.6

AI วิเคราะห์ข้อมูลและงานประชุม/ปฏิบัติการ

ถามข้อมูลในสเปรดชีตเป็นภาษาคน สร้างคู่มือขั้นตอนงาน (SOP) และสรุปประชุมเป็นรายการงานที่ต้องทำต่อ (action items)

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนมีนักวิเคราะห์ข้อมูลนั่งข้าง ๆ ที่เราถามเป็นภาษาคนธรรมดาว่า ยอดขายเดือนไหนดีสุด แล้วเขาทำกราฟพร้อมคำอธิบายให้ทันที และยังจดสรุปที่ประชุมพร้อมบอกว่าใครต้องไปทำอะไรต่อ

🎯

ทำไมต้องรู้: เมื่อก่อนต้องเป็นคนเก่ง Excel หรือเขียนโค้ดถึงจะดึงคำตอบจากข้อมูลได้ ตอนนี้แค่พิมพ์ถามก็ได้กราฟและข้อสรุปในไม่กี่นาที ทำให้ทุกคนตัดสินใจด้วยข้อมูลได้ ไม่ต้องรอคนอื่น

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใช้ ChatGPT Advanced Data Analysis วิเคราะห์ไฟล์ตาราง CSV/Excel
เปลี่ยนการประชุมให้กลายเป็นรายการงานที่ต้องทำต่อ ด้วย Fathom/Fireflies/Copilot
สร้างคู่มือขั้นตอนงานจากบทถอดเสียง (transcript) ด้วย Notion AI/Copilot

เนื้อหา

ด้านการวิเคราะห์ข้อมูล: ChatGPT Advanced Data Analysis จะรันโค้ด Python เบื้องหลังให้กับไฟล์ CSV/Excel/JSON หรือรูปภาพที่เราอัปโหลดขึ้นไป; ส่วน Julius AI, Claude, Gemini ใน Sheets/BigQuery ช่วยให้เราพิมพ์ถามเป็นภาษาคนแล้วมันแปลงเป็นคำสั่งค้นข้อมูลให้ (NL→SQL), Copilot ใน Excel/Power BI ช่วยเขียนสูตรคำนวณ (DAX) และทำหน้ารายงานให้ รวมถึง Formula Bot. คนที่ไม่ได้เป็นนักวิเคราะห์ก็ถามข้อมูลเป็นภาษาคนแล้วได้กราฟพร้อมคำอธิบายในไม่กี่นาที. ด้านจดบันทึกการประชุม: Fathom (ใช้ฟรีไม่จำกัดบน Zoom แม่นราว ~95% ได้คะแนน 5.0 บน G2), Fireflies (ต่อกับเครื่องมือขาย/CRM ได้ และต้นปี 2026 เพิ่มฟีเจอร์ 'Talk to Fireflies' ผ่าน Perplexity), Otter, Granola/Grain รวมถึง Copilot และ Gemini ที่มีมาให้ในตัวสำหรับ Meet. ด้านงานปฏิบัติการ: สร้างคู่มือขั้นตอนงาน (จากคลิป Loom หรือบทถอดเสียง แล้วให้ Notion AI/Copilot แปลงเป็น SOP ที่มีโครงสร้างชัดเจน); และเปลี่ยนบันทึกการประชุมให้เป็นรายการงานที่ต้องทำต่อ (Fathom/Fireflies/Copilot ถอดเสียง สรุป และมอบหมายงานเข้า Jira/Salesforce ให้ ช่วยประหยัดราว ~45 นาที/ประชุม).

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

Spreadsheet (สเปรดชีต)ตารางข้อมูลแบบ Excel หรือ Google Sheets ที่เก็บตัวเลขเป็นช่อง ๆ ไว้คำนวณ

NL→SQLการพิมพ์คำถามเป็นภาษาคนธรรมดา แล้ว AI แปลงเป็นคำสั่งค้นข้อมูลจากฐานข้อมูลให้เอง เราไม่ต้องเขียนโค้ดเป็น

SOPคู่มือขั้นตอนการทำงานมาตรฐาน บอกว่างานหนึ่ง ๆ ต้องทำทีละสเต็ปยังไง เพื่อให้ทุกคนทำเหมือนกัน

Action itemsรายการสิ่งที่ต้องไปทำต่อหลังประชุม พร้อมบอกว่าใครรับผิดชอบ

DAXภาษาสูตรที่ใช้ใน Power BI/Excel เพื่อคำนวณตัวเลขซับซ้อน ซึ่งตอนนี้ให้ AI ช่วยเขียนให้ได้

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

ถามสเปรดชีตยอดขายเป็นภาษาคน

อัปโหลดไฟล์ยอดขายรายเดือน 2 ปีนี้ แล้วถาม: เดือนใดยอดขายสูงสุดและต่ำสุด, แนวโน้มไตรมาสต่อไตรมาสเป็นอย่างไร, มีสินค้ากลุ่มใดที่ยอดตกผิดปกติ ให้สร้างกราฟเส้นและอธิบายเป็นภาษาไทยพร้อมตัวเลขประกอบ

✅ ผลลัพธ์ที่ได้

ได้กราฟเส้นยอดขายพร้อมคำอธิบายภาษาไทย บอกเดือนที่ยอดสูงสุด/ต่ำสุด แนวโน้มเทียบไตรมาสต่อไตรมาส (QoQ) และกลุ่มสินค้าที่ผิดปกติ ได้ข้อค้นพบ (insight) ในไม่กี่นาทีโดยไม่ต้องรอนักวิเคราะห์

💡 จุดสอน

ให้เห็นว่า Advanced Data Analysis รันโค้ด Python จริงเบื้องหลัง คนที่ไม่ได้เป็นนักวิเคราะห์จึงถามข้อมูลได้ แต่ตัวเลขสำคัญ ๆ ก็ยังต้องเช็กให้แน่ใจก่อน

แปลง transcript เป็น SOP

จาก transcript การอธิบายขั้นตอนปิดยอดขายรายวันนี้ ให้แปลงเป็น SOP มีโครงสร้าง: ชื่อกระบวนการ, ผู้รับผิดชอบ, ขั้นตอนเรียงลำดับเป็นตัวเลข, จุดตรวจสอบ, และสิ่งที่ต้องระวัง เขียนให้พนักงานใหม่ทำตามได้

✅ ผลลัพธ์ที่ได้

ได้คู่มือขั้นตอนงานที่มีโครงสร้างครบ พนักงานใหม่หยิบไปทำตามได้ทันที เปลี่ยนความรู้ที่อยู่แต่ในหัวคนบางคน (tribal knowledge) ให้เป็นเอกสารที่นำไปขยายใช้ต่อได้ และช่วยให้สอนงานคนใหม่ได้เร็วขึ้น

💡 จุดสอน

สอนว่าการเปลี่ยนบทถอดเสียงให้เป็นคู่มือขั้นตอนงาน คือการย้ายความรู้ให้อยู่ในรูปที่ทั้ง AI และคนเอาไปใช้ต่อได้ ซึ่งเป็นหัวใจของการออกแบบวิธีทำงานใหม่

แบบฝึกหัดท้ายโมดูล

อัปโหลดชุดข้อมูลจริงของตัวเองแล้วลองตั้งคำถาม 5 ข้อ พร้อมเช็กตัวเลขด้วยมือเองสัก 1 ข้อว่าตรงไหม
เอาบันทึกประชุมจริงมาให้ AI สรุปเป็นรายการงานที่ต้องทำต่อ ที่มีทั้งคนรับผิดชอบและกำหนดเวลา แล้วลองประเมินว่าถูกต้องแค่ไหน

🎯 Mini-project: ออกแบบขั้นตอนงานที่ใช้ AI ต่อกันเป็นทอด ๆ สำหรับสายงานของฉัน

เลือกงานจริงมา 1 อย่างในสายงานของตัวเอง (การตลาด/ขาย/HR/การเงิน/บริการลูกค้า/ปฏิบัติการ)
ออกแบบขั้นตอนงานที่ต่อเครื่องมืออย่างน้อย 2 ตัวเข้าด้วยกัน (เช่น Clay→Apollo, Surfer→Jasper, Fathom→Jira) พร้อมระบุว่าแต่ละขั้นต้องป้อนอะไรเข้าไปและได้อะไรออกมา
ระบุจุดที่จะให้ AI ยึดคำตอบกับข้อมูลจริงขององค์กร (เช่น เอกสารที่อัปโหลด/RAG/Copilot Graph) เพื่อไม่ให้มันมั่ว
กำหนดด่านที่ต้องให้คนเข้ามาตรวจก่อนผ่าน (human-review gate) และทำเช็กลิสต์สำหรับตรวจผลลัพธ์
ประเมินผลที่วัดได้ (เวลาที่ประหยัด/คุณภาพ) และต้นทุนเครื่องมือ รวมถึงค่าที่คิดตามผลที่ทำได้จริง (per-outcome fee) ถ้ามี

ก้าวต่อไป

ระดับสูง: ออกแบบขั้นตอนการทำงาน ทดลองใช้ผู้ช่วย AI (agents) และขยายให้ทั่วทั้งองค์กร (scale)

ไปต่อ →