Life is in the little things because one day you’ll look back and realize that those were the big things.
Read the whole comic here: http://www.storypick.com/
วันพฤหัสบดีที่ 29 ตุลาคม พ.ศ. 2558
What Is The Meaning Of Life?
What Is The Meaning Of Life?
Life is in the little things because one day you’ll look back and realize that those were the big things.
Read the whole comic here: http://www.storypick.com/
Life is in the little things because one day you’ll look back and realize that those were the big things.
Read the whole comic here: http://www.storypick.com/
แบบตัวอักษรใหม่ ฟอนต์สำหรับใครก็ได้ที่อยากอ่าน'ญี่ปุ่น'ออก
Johnson Banks เป็นชื่อ บริษัทออกแบบแห่งหนึ่งในสหราชอาณาจักร พวกเขาได้ออกแบบฟอนต์ตัวอักษร'คะตะกะนะ'ของญี่ปุ่นเสียใหม่ โดยสร้างให้แต่ละตัวอักษรคะตะกะนะมีคำอ่านเป็นภาษาอังกฤษประกอบอยู่ด้วย พวกเขาตั้งชื่อฟอนต์นี้ว่า "Phonetikana" (Phonetic แปลว่า การอ่านออกเสียง ส่วน kana ก็มาจากสองพยางค์สุดท้ายของคำว่า 'คะตะกะนะ' นั่นแหละ - เป็นการตั้งชื่อแบบกำปั้นทุบดินที่ฟังดูดี)
รูปประกอบ: ตัวอย่างตัอักษร"Phonetikana"
หลังจากที่สร้าง font เสร็จแล้ว บริษัท Johnson Banks ก็ได้สร้างภาพประกอบสวยๆมาเพื่อสื่อความหายให้ทุกคนเห็นว่าคำแต่ละคำออกเสียงแบบไหน ไอ้เดียเก๋ๆขนาดนี้จึงไม่แปลกใจที่เว็บไซต์ออกแบบชื่อดัง DesignBoom จะนำมาเสนอให้ได้เห็นกัน
โดยเริ่มจากคำง่ายๆ
โท-เม-โท = มะเขือเทศ
ซู-ปา-ฮี-โระ = ซุปเปอร์ฮีโร
บี-กู-เอ-พู-รู = บิ๊ก แอปเปิ้ล
มู-มู, บา-บา = เสียงร้องของวัวกับแพะ ที่บ้านเรานิยมออกเสียงว่า มอมอ, แบะแบะ
ชี-ซู = ชีสสสส หรือ ยิ้มมมม เวลาถ่ายรูปนั่นแหละ
ไปถึงคำที่ยากขึ้นอีกนิดหน่อย
บี-กู-อี-น-จี-ยา-ปา-น = big in Japan (ซึ่งถ้าให้ชาวญี่ปุ่นอ่านคำว่า big in Japan ก็ได้ออกเสียงประมาณนี้)
ยู-นี-คู-โระ = ร้านเสื้อผ้าชื่อดัง UNIQLO
โทะ-ปู-บา-นา-นา หรือ top banana (เป็นคำแสลงภาษาอังกฤษ แปลว่า หัวหน้ากลุ่ม หรือ ผู้นำโปรเจ็คต์)
แม้ว่าPhonetikana อาจจะมีข้อจำกัดเรื่องขนาดของ font เวลานำไปใช้จริงประกอบงานพิมพ์หรืองานเขียน แต่นี่คือตัวอย่างไอเดียเยี่ยมๆ ที่ช่วยให้เราเรียนรู้ภาษาญี่ปุ่นได้ง่ายๆในชีวิตประจำวัน
Credit: johnsonbanks.co.uk
http://minimore.com/f/johnson-banks-phonetikana-218
ทำไมราคา iphone 6s 16GB Vs 64 GB ถึงต่างกัน 4 พันบาท
เป็นสิ่งที่ผมสงสัยมาพักใหญ่, ยิ่งเมื่อมองดู MicroSD ของมือถือกลุ่ม Non iPhone ที่ราคาลดลงทุกวัน…
จนปัจจุบัน, เราสามารถหาซื้อ MicroSD เกรดดีๆ ได้ที่ราคา 600 – 700 บาทสำหรับความจุ 64GB
และเมื่อวานนี้, Apple ก็เปิดราคา iPhone 6S 16GB เครื่องศูนย์ไทยที่ 26900 บาท [ซึ่งส่วนตัวผมก็คิดว่า “แพงมาก” แล้วสำหรับ “มือถือ” หนึ่งเครื่องแม้ผมจะใช้มันอยู่ก็ตาม] แต่ถ้าใครอยากได้ iPhone 6S 64GB ละก็…
จะต้องเพิ่มเงินอีก 4000 บาท, เป็น 30900 บาทไทย !
ผมลอง Googling จาก Web มือถือเมืองนอกดู, ปรากฏว่ามีฝรั่งสงสัยเหมือนผมไม่น้อยเลยทีเดียว
ต้นทุนจริงของหน่วยความจำใน iPhone 6S ?
20 USD สำหรับ Memory ความจุ 64GB, หรือก็คือ 707 บาทไทย
ส่วน Memory ความจุ 16GB อยู่ที่ 15 USD,
คิดเป็นเงินไทยก็ 530 บาท…
แต่ Apple Inc ขาย iPhone 6S 64GB แพงกว่า 16GB ถึง 4000 บาท !
[The 64GB Module of Flash in the iPhone 6S costs 20 USD, Significantly less than the 100 USD of Extra Cash Apple is Charging Buyers who aren’t Happy with the Basic iPhone 6S 16GB Option]
และ Apple Inc ไม่มีต้นทุนใดเพิ่มเติมในการประกอบหน่วยความจำ, จาก 16GB เป็น 64GB แม้แต่นิดเดียว…
ทำไมหน่วยความจำของ iPhone 6S จึงแพงมาก ?
ทางเมืองนอกให้เหตุผลหลักๆ ไว้ 2 ข้อด้วยกัน
1. เพราะ Apple Inc เลือกใช้ Memory เกรดดีที่สุด, แม้จะเขียนทับเท่าไรหรือรัน App พร้อมกันมากแค่ไหนก็ไม่มีปัญหา [แน่นอนว่าส่วนหนึ่งเพราะ iOS ออกแบบมา Stable กว่า Android มากด้วย] และการอ่านข้อมูลก็ยังไวกว่าคู่แข่ง
รวมไปถึงความทนทานและอายุการใช้งานที่นาน, เพราะเราถอดเปลี่ยนเองแบบพวก Non iPhone ไม่ได้
2. เพราะ Apple รู้ว่าคนต้องการ…
“Tim Cook ไม่ได้ตั้งราคา iPhone 6S โดยคิดจากต้นทุน”
แต่คิดจากความต้องการจ่ายของลูกค้า [How Much Buyers Willing to Pay for the iPhone 6S]
iPhone 6S’ Price Differentiation : Because Apple Can
Trick การตั้งราคาของ Apple Inc และ iPhone 6S นั้นเฉียบขาดมาก, มันข้ามกฏเกณฑ์แห่งโลก IT ไปโดยสิ้นเชิงจนไม่มีลูกค้าคนไหนบ่นว่า “iPhone 6S แพงทั้งที่ต้นทุนเชิง Hardware ราคาถูกลงทุกวัน !” แบบฝั่ง Non iPhone
iPhone 6S 64GB เพิ่มสิ่งที่เรียกว่า “ความพอใจ” และ “ความสะดวกสบาย”
ส่วน iPhone 6S 16GB เน้น “พื้นฐานครบเพียงพอ”
[เช่นคนที่ซื้อ BMW 323i ทั้งที่ 318i ก็ได้ Body เหมือนกัน 99%, จ่ายแพงขึ้นและกินน้ำมันขึ้นแต่รู้สึกดี]
การตั้งราคาหน่วยความจำของ Apple Inc ได้ทำลาย “วิธีคิด” ในวงการ Technology ลง
เมืองไทยก็เช่นกัน, อย่างคุณเพื่อนผมเองก็สั่งซื้อ iPhone 6S 64GB โดยที่ไม่คิดสงสัยอะไรในมุมนี้เลย
ดังนั้น iPhone 6S จึงเริ่มต้นที่ 16GB และไม่มี 32GB
เคยม User ฝั่ง Non iPhone บอกผมว่า “Tim Cook พลาดแล้วที่ยกเลิกรุ่น 32GB”
แต่ผมคิดตรงข้าม…
การที่ iPhone 6S มีรุ่น 16GB แล้วข้ามไป 64GB, ทำให้คนรู้สึก “คุ้ม” ที่จะจ่ายเพื่อ Upgrade หน่วยความจำ
[และ Apple Inc ก็เพิ่มต้นทุนแค่ 160 บาทเพื่อที่จะฟันกำไรหนักๆ 4 พันถ้วนๆ]
และถ้ามี iPhone 6S 32GB, คนอาจซื้อมันแทนที่จะเป็น 64GB [ซึ่ง Apple Inc อาจบวกกำไรได้แค่ 50 USD]
ส่วนเหตุผลที่ iPhone 6S 16GB ยังต้องมีอยู่ก็เพราะลูกค้าหลายคนยังชอบ [เช่นผม], ถ้า Tim Cook ออกรุ่นต่ำสุดเป็น 32GB ก็อาจทำให้คนกลุ่มนี้ไม่ซื้อ iPhone 6S ไปเลยเพราะ “เกินจำเป็น” และยังจะชนกับกลุ่มคนทีอยากได้ 64GB
ทั้งนี้ทั้งนั้นก็แล้วแต่งบประมาณในกระเป๋าเราเพราะ iPhone 6s มันเป็น Product ที่พิเศษกว่ามือถือรุ่นใดๆ, ทั้งในแง่ Design / Brand และคุณภาพชีวิต แต่ผมก็อยากให้มองว่า “ถ้าจริงๆ 16GB มันพอก็อย่าเสียเงินเพิ่มอีก 4 พันบาทเลย”
ต่อให้ผมขับ BMW 323i, บนถนนเมืองไทยก็วิ่งได้ไม่เกิน 20 Kmph อยู่ดีนี่แลฯ
http://www.cookiecoffee.com/news/79733/why-iphone-6s-16-gb-memory-uprade-cost-too-expensive-64-gb
วันพุธที่ 28 ตุลาคม พ.ศ. 2558
Warren Buffett and Bill Gates Agree—This Factor Was Most Important for their Success
Focus is one of the most important traits of successful people.
Warren Buffett, Steve Jobs, and Bill Gates have all attributed their success to one factor. In fact, this one trait is behind the success of all people that have performed massively better than the average person. Read on to find out what the trait is and how you can put it into practice in your own life and investing.
The most important factor for success
According to Alice Schroeder, in 1991 when Bill Gates’ dad asked Buffett and Gates what the most important factor for their success was, they both gave the same answer, “focus.”
Gates’ focus was illustrated in Walter Isaacson’s new book The Innovators,as well as Gates’ fellow Microsoft co-founder Paul Allen:
One trait that differentiated the two was focus. Allen’s mind would flit between many ideas and passions, but Gates was a serial obsessor.“Where I was curious to study everything in sight, Bill would focus on one task at a time with total discipline,” said Allen. “You could see it when he programmed. He would sit with a marker clenched in his mouth, tapping his feet and rocking; impervious to distraction.”
Steve Jobs was the same way; he was relentlessly focused on attacking problems searching for the best answer. Apple’s founding marketing philosophy had three main tenets the second of which is focus:
In order to do a good job of those things we decide to do we must eliminate all of the unimportant opportunities.
Focus was key for Buffett as well, Schroeder writes: “He ruled out paying attention to almost anything but business—art, literature, science, travel, architecture—so that he could focus on his passion.”
Why is this so important?
In life and investing, you need to be relentlessly focused on your goals if you want to have better than average results.
Differentiation
To stick out from the crowd, you need to do something better than everyone else. There’s no standard definition of what “better” is though. McDonald’s does low prices and quick drive through service while Chipotle does massive burritos with a great service culture. They both have been wildly successful as they focus on doing one thing well.
What gets companies and people into trouble is when they try and do too much, leading to mediocrity.
McDonalds has been suffering lately as its menu has grown to accommodate so many different items that is has gotten unwieldy, leading to a confusing menu and longer wait times.
Apple was a disaster with 350 different products before Jobs came back in 1998. He refocused the business around the customer experience, simplifying Apple’s focus to just 10 products. Everyone knows the rest of the story.
Successful investing
Like success in life and business, to be successful in investing, you need focus and time if you want to do better than average. As Warren Buffett has explained,
“Successful Investing takes time, discipline and patience. No matter how great the talent or effort, some things just take time: You can’t produce a baby in one month by getting nine women pregnant.”
Just getting to average performance is hard enough. While by definition, the average investor cannot do better than average, the average investor would do nearly 80% better if he or she simply earned the average market return. Most investors would be better off in index funds.
The first key part to be successful is to learn the mistakes that hold people back and avoid them. For investors these include being too active,overconfident, loss-averse, taking on debt to invest, and making rash decisions based on daily market movements, among others.
The second part is to know what your goals are and have a process where you constantly learn, think independently, and quickly try and figure out when you are wrong. You need to go put in the effort so that you can evaluate a selection of businesses and build a circle of competence, that is a set of businesses and industries that you can understand and can independently evaluate. Only then will you be able to select businesses whose values are misjudged by the market, providing an opportunity for you to profit. To get to that point, Buffett suggests:
Read 500 pages like this [annual reports, trade journals, etc.] every day. That’s how knowledge works. It builds up, like compound interest. All of you can do it, but I guarantee not many of you will do it.
Most people don’t do this. The key is to realize the limits of your knowledge, you can’t know and be good at everything. For this reason, most people shouldn’t try and invest in stocks to beat the market since they can’t put in the time and focus.
However, by learning about investing and how to evaluate businesses you build knowledge that will help you understand your job better, your industry better, and everyday life better. As Buffett has said,
“I am a better investor because I am a businessman and I am a better businessman because I am an investor.”
Investing is a lifelong journey, not a sprint. If you are willing to put in the time and focus, a commitment to learning how to invest will pay dividends for the rest of your life.
Dan Dzombak can be found on Twitter @DanDzombak, on his Facebook page DanDzombak, or on his blog where he writes about investing,happiness, the secret to success in life, what is success in life, the best business books of all time, the NY Lottery, and the Fortune 500. Hehas no position in any stocks mentioned. The Motley Fool recommends Apple, Chipotle Mexican Grill, and McDonald’s. The Motley Fool owns shares of Apple, Chipotle Mexican Grill, and Microsoft. Try any of our Foolish newsletter services free for 30 days. We Fools may not all hold the same opinions, but we all believe that considering a diverse range of insightsmakes us better investors. The Motley Fool has a disclosure policy.
ผลิตภัณฑ์ GI ของไทยในสังคมโลก
"คุณรู้หรือไม่ว่าสินค้าที่มี GI จะมีราคาสูงขึ้นเฉลี่ย 223%!"
จากการเดินทางไปเยือนประเทศฝรั่งเศส ผมได้เกริ่นให้ท่านทราบแล้วว่าผู้บริโภคชาวยุโรป ชอบสินค้าที่มี "story" ซึ่งสินค้าที่มีสิ่งบ่งชี้ทางภูมิศาสตร์ "GI" (Geographical Indication) ตอบโจทย์ข้อนี้ได้เป็นอย่างดี
EU มีนโยบายคุ้มครองสินค้าและส่งเสริมคุณภาพอาหาร ผ่านระบบ GI ซึ่งปัจจุบันมี 3 ระบบ ได้แก่
1. การคุ้มครองตามแหล่งกำเนิด (Protected Destination of Origin : PDO) แบบนี้เข้มสุดครับ เพราะต้อง "Produced, Processed and Prepared" ในพื้นที่ของแหล่งภูมิศาสตร์นั้น ๆ เท่านั้น
2. การคุ้มครองตามภูมิประเทศที่ผลิต(Protected Geographical Indication : PGI) เป็นแบบที่ไทยยื่นขอขึ้นทะเบียนกับ EU
3. การคุ้มครองตามวิธีการผลิตที่เป็นไปตามประเพณี และความชำนาญพิเศษโดยไม่คำนึงถึงแหล่งผลิต (Traditional Specialties Guaranteed: TSG)
จากข้อมูลเมื่อปี 2553 ระบุว่า สินค้า GI ของ EU ที่จำหน่ายไปทั่วโลก มีมูลค่ากว่า 54.3 พันล้านยูโร ประเทศที่เป็นผู้นำด้านการผลิตสินค้า GI คือ ฝรั่งเศส อิตาลี เยอรมันนี และอังกฤษ
ที่น่าสนใจคือ มูลค่าเพิ่มของสินค้า GI โดยเฉลี่ยมีราคาสูงกว่าสินค้าทั่วไปถึง 2.23 เท่า!
ประเทศในกลุ่ม EU มีการขอขึ้นทะเบียนสินค้า GI มากที่สุด ส่วนใหญ่จะเป็นสินค้า "ไวน์" และ "แชมเปญ" ซึ่งสร้างมูลค่ามหาศาลให้กับเศรษฐกิจของยุโรป และเป็นสินค้าที่เป็น "Signature" ของของยุโรปเลยก็ว่าได้ "นึกถึงฝรั่งเศส ต้องนึกถึงแชมเปญ" ใช่ไหมครับ
นอกจากไทยแล้ว แทบไม่มีประเทศอื่นนอกกลุ่ม EU ไปขึ้นทะเบียน GI กับ EU เลย วันนี้ผมจึงขอเล่าถึง
"ข้าวหอมมะลิทุ่งกุลาร้องไห้ กาแฟดอยตุง และกาแฟดอยช้าง" 3 สินค้า GI ของไทยที่ได้รับการขึ้นทะเบียน GI จากสหภาพยุโรปครับ
"ข้าวหอมมะลิทุ่งกุลาร้องไห้" เป็นสินค้าจากอาเซียน "ประเภทแรก" ที่ได้รับการขึ้นทะเบียน GI จาก EU "THUNG KULA RONG-HAI HOM MALI RICE : TKR" ปลูกใน "ที่ราบทุ่งกุลาร้องไห้" เท่านั้น ซึ่งครอบคลุม 5 จังหวัด คือ มหาสารคาม ร้อยเอ็ด สุรินทร์ ศรีสะเกษ และยโสธร ข้าวหอมมะลิของที่นี่จะขึ้นชื่อว่ามีความหอมมากกว่าที่อื่นครับ
"กาแฟดอยตุง" กาแฟอาราบิก้าจากโครงการพัฒนาดอยตุง ซึ่ง สมเด็จย่าทรงปลูกกาแฟอาราบิก้าต้นแรกด้วยพระหัตถ์ของพระองค์เอง กาแฟดอยตุงมีกลิ่นหอม และรสชาติกลมกล่อม เป็นเอกลักษณ์เฉพาะตัว ปลูกบนเทือกเขานางนอน จ.เชียงราย ที่ระดับความสูง 800 -1,200 เมตรจากน้ำทะเล ปัจจุบัน ร้าน "Cafe' Doitung" มีกว่า 15 สาขา ทั้งในกรุงเทพฯ เชียงราย และเชียงใหม่ คอกาแฟห้ามพลาดครับ
"กาแฟดอยช้าง" กาแฟอาราบิก้าจากหุบเขาดอยช้าง ใน ต.วาวี อ.แม่สรวย จ.เชียงราย เป็นกาแฟที่มีกลิ่นหอมหวาน รสชาติกลมกล่อม และได้รับคำชมจากผู้คั่วกาแฟว่า "รสชาติดี ไม่ว่าจะคั่วอ่อน หรือเข้ม" เป็นที่ชื่นชอบของคนรักกาแฟทั้งชาวไทยและเทศ ส่งออกไปแล้วหลายประเทศ เช่น แคนาดา อังกฤษ อิตาลี เป็นต้น
กระทรวงพาณิชย์ โดยกรมทรัพย์สินทางปัญญา มุ่งมั่นผลักดันสินค้า GI ของไทยให้ได้รับการขึ้นทะเบียนจาก EU ให้มากขึ้น เพราะนอกจากจะเป็นการเพิ่มมูลค่าสินค้าแล้ว ยังเป็นการคุ้มครองสิทธิประโยชน์ให้กับ "ผู้ผลิตสินค้าท้องถิ่น" ทำให้เกิดการจ้างงาน สร้างรายได้ให้กับชุมชน เกิดการถ่ายทอดองค์ความรู้ จากรุ่นสู่รุ่น เพิ่มขีดความสามารถในการแข่งขันให้กับผู้ผลิตชาวไทย
และที่สำคัญ...สร้างความเข้มแข็งให้กับเศรษฐกิจฐานรากของประเทศเราด้วยครับ!
จากการเดินทางไปเยือนประเทศฝรั่งเศส ผมได้เกริ่นให้ท่านทราบแล้วว่าผู้บริโภคชาวยุโรป ชอบสินค้าที่มี "story" ซึ่งสินค้าที่มีสิ่งบ่งชี้ทางภูมิศาสตร์ "GI" (Geographical Indication) ตอบโจทย์ข้อนี้ได้เป็นอย่างดี
EU มีนโยบายคุ้มครองสินค้าและส่งเสริมคุณภาพอาหาร ผ่านระบบ GI ซึ่งปัจจุบันมี 3 ระบบ ได้แก่
1. การคุ้มครองตามแหล่งกำเนิด (Protected Destination of Origin : PDO) แบบนี้เข้มสุดครับ เพราะต้อง "Produced, Processed and Prepared" ในพื้นที่ของแหล่งภูมิศาสตร์นั้น ๆ เท่านั้น
2. การคุ้มครองตามภูมิประเทศที่ผลิต(Protected Geographical Indication : PGI) เป็นแบบที่ไทยยื่นขอขึ้นทะเบียนกับ EU
3. การคุ้มครองตามวิธีการผลิตที่เป็นไปตามประเพณี และความชำนาญพิเศษโดยไม่คำนึงถึงแหล่งผลิต (Traditional Specialties Guaranteed: TSG)
จากข้อมูลเมื่อปี 2553 ระบุว่า สินค้า GI ของ EU ที่จำหน่ายไปทั่วโลก มีมูลค่ากว่า 54.3 พันล้านยูโร ประเทศที่เป็นผู้นำด้านการผลิตสินค้า GI คือ ฝรั่งเศส อิตาลี เยอรมันนี และอังกฤษ
ที่น่าสนใจคือ มูลค่าเพิ่มของสินค้า GI โดยเฉลี่ยมีราคาสูงกว่าสินค้าทั่วไปถึง 2.23 เท่า!
ประเทศในกลุ่ม EU มีการขอขึ้นทะเบียนสินค้า GI มากที่สุด ส่วนใหญ่จะเป็นสินค้า "ไวน์" และ "แชมเปญ" ซึ่งสร้างมูลค่ามหาศาลให้กับเศรษฐกิจของยุโรป และเป็นสินค้าที่เป็น "Signature" ของของยุโรปเลยก็ว่าได้ "นึกถึงฝรั่งเศส ต้องนึกถึงแชมเปญ" ใช่ไหมครับ
นอกจากไทยแล้ว แทบไม่มีประเทศอื่นนอกกลุ่ม EU ไปขึ้นทะเบียน GI กับ EU เลย วันนี้ผมจึงขอเล่าถึง
"ข้าวหอมมะลิทุ่งกุลาร้องไห้ กาแฟดอยตุง และกาแฟดอยช้าง" 3 สินค้า GI ของไทยที่ได้รับการขึ้นทะเบียน GI จากสหภาพยุโรปครับ
"ข้าวหอมมะลิทุ่งกุลาร้องไห้" เป็นสินค้าจากอาเซียน "ประเภทแรก" ที่ได้รับการขึ้นทะเบียน GI จาก EU "THUNG KULA RONG-HAI HOM MALI RICE : TKR" ปลูกใน "ที่ราบทุ่งกุลาร้องไห้" เท่านั้น ซึ่งครอบคลุม 5 จังหวัด คือ มหาสารคาม ร้อยเอ็ด สุรินทร์ ศรีสะเกษ และยโสธร ข้าวหอมมะลิของที่นี่จะขึ้นชื่อว่ามีความหอมมากกว่าที่อื่นครับ
"กาแฟดอยตุง" กาแฟอาราบิก้าจากโครงการพัฒนาดอยตุง ซึ่ง สมเด็จย่าทรงปลูกกาแฟอาราบิก้าต้นแรกด้วยพระหัตถ์ของพระองค์เอง กาแฟดอยตุงมีกลิ่นหอม และรสชาติกลมกล่อม เป็นเอกลักษณ์เฉพาะตัว ปลูกบนเทือกเขานางนอน จ.เชียงราย ที่ระดับความสูง 800 -1,200 เมตรจากน้ำทะเล ปัจจุบัน ร้าน "Cafe' Doitung" มีกว่า 15 สาขา ทั้งในกรุงเทพฯ เชียงราย และเชียงใหม่ คอกาแฟห้ามพลาดครับ
"กาแฟดอยช้าง" กาแฟอาราบิก้าจากหุบเขาดอยช้าง ใน ต.วาวี อ.แม่สรวย จ.เชียงราย เป็นกาแฟที่มีกลิ่นหอมหวาน รสชาติกลมกล่อม และได้รับคำชมจากผู้คั่วกาแฟว่า "รสชาติดี ไม่ว่าจะคั่วอ่อน หรือเข้ม" เป็นที่ชื่นชอบของคนรักกาแฟทั้งชาวไทยและเทศ ส่งออกไปแล้วหลายประเทศ เช่น แคนาดา อังกฤษ อิตาลี เป็นต้น
กระทรวงพาณิชย์ โดยกรมทรัพย์สินทางปัญญา มุ่งมั่นผลักดันสินค้า GI ของไทยให้ได้รับการขึ้นทะเบียนจาก EU ให้มากขึ้น เพราะนอกจากจะเป็นการเพิ่มมูลค่าสินค้าแล้ว ยังเป็นการคุ้มครองสิทธิประโยชน์ให้กับ "ผู้ผลิตสินค้าท้องถิ่น" ทำให้เกิดการจ้างงาน สร้างรายได้ให้กับชุมชน เกิดการถ่ายทอดองค์ความรู้ จากรุ่นสู่รุ่น เพิ่มขีดความสามารถในการแข่งขันให้กับผู้ผลิตชาวไทย
และที่สำคัญ...สร้างความเข้มแข็งให้กับเศรษฐกิจฐานรากของประเทศเราด้วยครับ!
ดร. สุวิทย์ เมษินทรีย์ Dr. Suvit Maesincee
Big Data for Social Good: UC Berkeley and Geisinger Health Collider Project
The Geisinger Health Collider Project gives participating students first-hand experience with various techniques, ideas, and challenges stemming from clinical informatics by using real clinical data to address impactful problems in healthcare.
UC BERKELEY Geisinger Health Collider Project
UC BERKELEY SUTARDJA CENTER / GEISINGER HEALTH SYSTEM DEPARTMENT OF DATA SCIENCE COLLIDER PROJECT DATA ACQUISITION AND BLENDING TO IMPROVE THE QUALITY OF HEALTHCARE ANALYTICS
WHO WE ARE: Geisinger Health System is known as an early adopter of modern paradigms of healthcare and medical informatics. Data Science team at Geisinger combines the best practices of machine learning to support decision-making in healthcare. In 2014 we completed over 20 research projects using Electronic Medical Records (EMRs) to predict personalized treatment outcomes, to better allocate healthcare resources, and to obtain early warnings in scenarios of crisis. The team is focused on research that lies at the interface of clinical medicine and applied mathematics & computer science but is also interested in all forms of multidisciplinary studies centered on effective utilization of data in healthcare. Academic outreach is a part of our mission: we maintain collaborations with university researchers of all levels. For students and early career professionals, we believe in providing opportunities for immersive training experiences using real-world, unrefined data to address practical, patient-centric problems.
All information for this project is available at collider.markolab.org.
Including the:
PROPOSAL SUMMARY: Through the Collider Project, we invite teams of college students to participate in a competition of projects focused on blending clinical data with additional, novel types and sources of data to improve the quality of patient-centric healthcare analytics. Each team will have 2 participants. A team will select one of several proposed projects aimed at improving some dimension of the quality of healthcare delivery (e.g. improving the well-being, safety and informed freedom of choice in the interactions between society, individual and a healthcare provider). We have selected three challenges from which participants can choose, each of which traditionally has been approached using a core set of clinical data in conjunction with a standard, conservative analytic strategy. Arguably, each of these analyses have fallen short of their maximal potential because they have not adequately address traditionally non-clinical (molecular, socioeconomic, behavioral, etc.) dimensions of these complex problems. Our goal is to encourage the participants in this project to improve the quality of these analytics through a combination of blending traditional and nontraditional data sources and an analytic strategy that incorporates novel approaches.
For each challenge we will provide a core set of clinical data derived from the EMR. We challenge the teams to find additional, nonclinical data to supplement our core data set, to resolve fundamental and technical difficulties of data blending, and to demonstrate the effectiveness of multi-disciplinary data use and analysis. This may result in "obtaining a better answer" or "answering a better question," depending on each team's individual take on the question being asked. Teams will have multiple opportunities to interact with Geisinger data scientists and will receive access to appropriate data sets and software tools. The final product will be an academic report accompanied by a body of transformed/blended data.
We expect that for the basic level (BS degrees, independent studies) this will be mostly an effort in data acquisition, cleanup, and blending followed by more traditional analytics. For intermediate students (early graduate studies) and advanced students (MS degree or higher) we expect increasingly more complex strategies for data integration and analysis that produce study results at a higher level of scientific rigor. The reports will be evaluated based on creativity, scientific rigor, and on how well the achieved results match the stated objectives. Different teams can address the same question and cite each other's work if they wish: we will evaluate each effort separately. The goal of this exercise is not to determine who is the best coder or the best mathematician. While some coding will be required, some guidance and technical assistance will also be provided by our team. Ultimately our goal is to allow students to apply their individual skills, backgrounds, interests, and talents to the task of data blending, hypothesis generation, and data analysis. The analyses will be intended to answer specific medical questions, and so the results may have immediate tangible impact on this field.
REWARD: The winning team will be offered 3-month summer internships at Geisinger Data Science, where they will work on a theme of their choosing and will be closely supported by the department faculty.
ELIGIBILITY: The competition is open to students of all fields, and is not limited to mathematics and computer science majors. Arguably, every modern profession has elements of data analysis, and we expect the participants to use insights from their fields to look for additional data and suggest new analysis strategies. Seniority/academic standing is also not a limiting factor for participation.
BACKGROUND AND IMPACT: Data integration, or "blending," is defined as combining data from multiple sources resulting in a unified view of the transformed data. Blended data sets can be largely analogous (same patient features, different clinics), or come from very different domains (EMRs, financial transactions, extracts from social media, academic records, criminal records, voting turnouts, etc). The sets will not overlap over individuals, but they should be related to the same general population or phenomena.
The technical process of data integration can be laborious, but it is relatively straightforward in its implementation. It may involve conversion between formats, filtering, recovery of missing portions of data, elements of mathematical modelling to formalize mappings between the data sets. However, the questions of what data to look for, and how to best use it, depend on the applied problem and cannot be formalized. Resolving these issues requires a good understanding of the involved disciplines and a creative effort to construct a novel solution. Establishing feedback is also important: in multi-source data studies, one may have to restate the problem and re-acquire data as the analysis evolves.
Modern data science is driven by looking for evidence in new ways and from new sources. But does using a larger volume and variety of data result in an improved understanding of the underlying questions? This question remains to be answered in detail, and establishing better practices of data blending and then studying the downstream consequences will be beneficial for medical informatics and data science in general. The hunt for missing data is still an art rather than a science. Many professionals don't know what is available just outside of their scope of interest, and many academic data science programs have limited access to proprietary and sensitive "real-world" data. Instead, they rely on the instructors' and students' ability to hunt for public data sources. This leads to very uneven performance of educational programs: in fact, many young career professionals are completely unprepared for dealing with data of industrial size and complexity. The proposed healthcare-academia immersive competition will contribute to the quality of modern data science education and generate a pool of talent in data acquisition and integration for multidisciplinary research.
TIMELINE: The project kick off was October 15, 2015 and will have two phases: Phase 1 will take place during the Fall 2015 academic semester and Phase 2 will take place during the Spring 2016 term.
SUGGESTED PROJECTS
1. Integrated data analysis for early warning of heart/lung failure
The advantages of early diagnostics of serious medical conditions are obvious. This is particularly important for common conditions such as congestive heart failure (CHF) and chronic obstructive pulmonary disease (COPD), as they are among the most common causes of death in the US. They may result from multiple causes and exist together with other complications: in the absence of an early warning model, it is difficult to prioritize testing and allocate resources in the diagnostic process. Both conditions affect millions of patients, and are associated with socioeconomic factors: occupational hazards, lifestyle choices, environmental factors. Using statistical inference on EMRs, we can estimate the chances of a CHF/COPD diagnosis pre-emptively, before it is confirmed by a medical specialist. Can we make our prediction better by using additional information?
2. Indirect data collection to support anti-obesity efforts in healthcare and society
Obesity is a primary population health concern in the US. The contributing factors (diet, inactive lifestyle, role of food in social interactions) are fairly well-described, but their role in creating a successful prevention strategy is not fully understood. Analytic efforts establishing links between isolated social and medical factors and obesity are often inconclusive or ineffective. New hope lies in integrated analysis of complete medical and social histories. Using EMRs, we can see patterns that obese patients have in common, infer risk of obesity from other medical conditions, and also find new ways to characterize patients that could be successfully treated. Can we use even more data in analysis by including non-clinical events? What non-traditional and indirect information about patient's background and multi-faceted behavior can be collected to contribute to anti-obesity studies?
3. It's not all in your head: multi-disciplinary data analysis of common psychological conditions
Psychological mood disorders are often described as both social and medical phenomena. Recent studies in suicide prevention make connections between mood disorders and patterns in residential power use, logs of phone calls, and purchasing history, while older studies identify certain demographic groups as being more at risk. The problem of screening for and predicting the risk of mood disorders in the general population could have a major impact on population health. Can a combination of EMRs (containing clinical data) and other data sources improve upon current strategies for predicting the individualized risk for developing a mood disorder?
Project Leader: Dr. Marko, Nicholas, Geisinger.
Scientific coordinator: Prof. Roberto V. Zicari, UC Berkeley Visiting Scholar and Frankfurt Big Data Lab.
For more information: David Law, dlaw@berkeley.edu.
Related:
UC BERKELEY SUTARDJA CENTER / GEISINGER HEALTH SYSTEM DEPARTMENT OF DATA SCIENCE COLLIDER PROJECT DATA ACQUISITION AND BLENDING TO IMPROVE THE QUALITY OF HEALTHCARE ANALYTICS
WHO WE ARE: Geisinger Health System is known as an early adopter of modern paradigms of healthcare and medical informatics. Data Science team at Geisinger combines the best practices of machine learning to support decision-making in healthcare. In 2014 we completed over 20 research projects using Electronic Medical Records (EMRs) to predict personalized treatment outcomes, to better allocate healthcare resources, and to obtain early warnings in scenarios of crisis. The team is focused on research that lies at the interface of clinical medicine and applied mathematics & computer science but is also interested in all forms of multidisciplinary studies centered on effective utilization of data in healthcare. Academic outreach is a part of our mission: we maintain collaborations with university researchers of all levels. For students and early career professionals, we believe in providing opportunities for immersive training experiences using real-world, unrefined data to address practical, patient-centric problems.
All information for this project is available at collider.markolab.org.
Including the:
PROPOSAL SUMMARY: Through the Collider Project, we invite teams of college students to participate in a competition of projects focused on blending clinical data with additional, novel types and sources of data to improve the quality of patient-centric healthcare analytics. Each team will have 2 participants. A team will select one of several proposed projects aimed at improving some dimension of the quality of healthcare delivery (e.g. improving the well-being, safety and informed freedom of choice in the interactions between society, individual and a healthcare provider). We have selected three challenges from which participants can choose, each of which traditionally has been approached using a core set of clinical data in conjunction with a standard, conservative analytic strategy. Arguably, each of these analyses have fallen short of their maximal potential because they have not adequately address traditionally non-clinical (molecular, socioeconomic, behavioral, etc.) dimensions of these complex problems. Our goal is to encourage the participants in this project to improve the quality of these analytics through a combination of blending traditional and nontraditional data sources and an analytic strategy that incorporates novel approaches.
For each challenge we will provide a core set of clinical data derived from the EMR. We challenge the teams to find additional, nonclinical data to supplement our core data set, to resolve fundamental and technical difficulties of data blending, and to demonstrate the effectiveness of multi-disciplinary data use and analysis. This may result in "obtaining a better answer" or "answering a better question," depending on each team's individual take on the question being asked. Teams will have multiple opportunities to interact with Geisinger data scientists and will receive access to appropriate data sets and software tools. The final product will be an academic report accompanied by a body of transformed/blended data.
We expect that for the basic level (BS degrees, independent studies) this will be mostly an effort in data acquisition, cleanup, and blending followed by more traditional analytics. For intermediate students (early graduate studies) and advanced students (MS degree or higher) we expect increasingly more complex strategies for data integration and analysis that produce study results at a higher level of scientific rigor. The reports will be evaluated based on creativity, scientific rigor, and on how well the achieved results match the stated objectives. Different teams can address the same question and cite each other's work if they wish: we will evaluate each effort separately. The goal of this exercise is not to determine who is the best coder or the best mathematician. While some coding will be required, some guidance and technical assistance will also be provided by our team. Ultimately our goal is to allow students to apply their individual skills, backgrounds, interests, and talents to the task of data blending, hypothesis generation, and data analysis. The analyses will be intended to answer specific medical questions, and so the results may have immediate tangible impact on this field.
REWARD: The winning team will be offered 3-month summer internships at Geisinger Data Science, where they will work on a theme of their choosing and will be closely supported by the department faculty.
ELIGIBILITY: The competition is open to students of all fields, and is not limited to mathematics and computer science majors. Arguably, every modern profession has elements of data analysis, and we expect the participants to use insights from their fields to look for additional data and suggest new analysis strategies. Seniority/academic standing is also not a limiting factor for participation.
BACKGROUND AND IMPACT: Data integration, or "blending," is defined as combining data from multiple sources resulting in a unified view of the transformed data. Blended data sets can be largely analogous (same patient features, different clinics), or come from very different domains (EMRs, financial transactions, extracts from social media, academic records, criminal records, voting turnouts, etc). The sets will not overlap over individuals, but they should be related to the same general population or phenomena.
The technical process of data integration can be laborious, but it is relatively straightforward in its implementation. It may involve conversion between formats, filtering, recovery of missing portions of data, elements of mathematical modelling to formalize mappings between the data sets. However, the questions of what data to look for, and how to best use it, depend on the applied problem and cannot be formalized. Resolving these issues requires a good understanding of the involved disciplines and a creative effort to construct a novel solution. Establishing feedback is also important: in multi-source data studies, one may have to restate the problem and re-acquire data as the analysis evolves.
Modern data science is driven by looking for evidence in new ways and from new sources. But does using a larger volume and variety of data result in an improved understanding of the underlying questions? This question remains to be answered in detail, and establishing better practices of data blending and then studying the downstream consequences will be beneficial for medical informatics and data science in general. The hunt for missing data is still an art rather than a science. Many professionals don't know what is available just outside of their scope of interest, and many academic data science programs have limited access to proprietary and sensitive "real-world" data. Instead, they rely on the instructors' and students' ability to hunt for public data sources. This leads to very uneven performance of educational programs: in fact, many young career professionals are completely unprepared for dealing with data of industrial size and complexity. The proposed healthcare-academia immersive competition will contribute to the quality of modern data science education and generate a pool of talent in data acquisition and integration for multidisciplinary research.
TIMELINE: The project kick off was October 15, 2015 and will have two phases: Phase 1 will take place during the Fall 2015 academic semester and Phase 2 will take place during the Spring 2016 term.
SUGGESTED PROJECTS
1. Integrated data analysis for early warning of heart/lung failure
The advantages of early diagnostics of serious medical conditions are obvious. This is particularly important for common conditions such as congestive heart failure (CHF) and chronic obstructive pulmonary disease (COPD), as they are among the most common causes of death in the US. They may result from multiple causes and exist together with other complications: in the absence of an early warning model, it is difficult to prioritize testing and allocate resources in the diagnostic process. Both conditions affect millions of patients, and are associated with socioeconomic factors: occupational hazards, lifestyle choices, environmental factors. Using statistical inference on EMRs, we can estimate the chances of a CHF/COPD diagnosis pre-emptively, before it is confirmed by a medical specialist. Can we make our prediction better by using additional information?
2. Indirect data collection to support anti-obesity efforts in healthcare and society
Obesity is a primary population health concern in the US. The contributing factors (diet, inactive lifestyle, role of food in social interactions) are fairly well-described, but their role in creating a successful prevention strategy is not fully understood. Analytic efforts establishing links between isolated social and medical factors and obesity are often inconclusive or ineffective. New hope lies in integrated analysis of complete medical and social histories. Using EMRs, we can see patterns that obese patients have in common, infer risk of obesity from other medical conditions, and also find new ways to characterize patients that could be successfully treated. Can we use even more data in analysis by including non-clinical events? What non-traditional and indirect information about patient's background and multi-faceted behavior can be collected to contribute to anti-obesity studies?
3. It's not all in your head: multi-disciplinary data analysis of common psychological conditions
Psychological mood disorders are often described as both social and medical phenomena. Recent studies in suicide prevention make connections between mood disorders and patterns in residential power use, logs of phone calls, and purchasing history, while older studies identify certain demographic groups as being more at risk. The problem of screening for and predicting the risk of mood disorders in the general population could have a major impact on population health. Can a combination of EMRs (containing clinical data) and other data sources improve upon current strategies for predicting the individualized risk for developing a mood disorder?
Project Leader: Dr. Marko, Nicholas, Geisinger.
Scientific coordinator: Prof. Roberto V. Zicari, UC Berkeley Visiting Scholar and Frankfurt Big Data Lab.
For more information: David Law, dlaw@berkeley.edu.
Related:
- Big Data for the Common Good "Collider", at Frankfurt / Berkeley
- How Big Data Can Help in Home Health Care?
- UC Berkeley: MS in Data Science Online
cr:http://www.kdnuggets.com/2015/10/big-data-social-good-berkeley-geisinger-health.html
"16 เรื่องที่คนขายออนไลน์ได้ดีไม่ค่อยบอกกัน"
"16 เรื่องที่คนขายออนไลน์ได้ดีไม่ค่อยบอกกัน"
1. พวกคนขายดีเค้าไม่ได้ขายคนเดียว เค้ามีทีมงานภายในช่วยขายทั้งตอบแชท ส่งของ โพสเนื้อหา ทำโฆษณา
2. พวกคนขายดีเค้ามีตัวแทนที่ช่วยขาย โดยแบ่งเปอร์เซ็นให้โดยประมาณ 10 - 40% ขึ้นอยู่กับชนิดสินค้า
3. พวกคนขายดีเค้ารู้จักสต็อกสินค้าเยอะๆเพื่อได้ต้นทุนต่อหน่วยต่ำๆ พอเป็นกำไรในการใช้ทำโฆษณา เพื่อช่วงชิงพื้นที่สื่อ
4. พวกคนขายดีเค้ามีฐานลูกค้าติดมือมาก่อนแล้ว บางรายขายของยี่ห้ออื่นมาก่อนแล้วมีฐานลูกค้าเยอะ จึงค่อยมาทำของตัวเอง
5. พวกคนขายดีเป็นคนดังมาก่อน ไม่ว่าจะดังในจังหวัดหรือออนไลน์ คนที่เป็นที่รู้จักเยอะอยู่แล้ว พอเริ่มขายของถ้าตรงกลุ่มจะขยายตัวได้เร็วกว่า
6. พวกคนขายดีไม่อายที่จะขายของบนหน้า wall ตัวเองหรือบนtimeline ใน line ของตัวเอง
7. พวกคนขายดีกว่าจะขายดีได้ต้องขยันมากๆๆมาก่อน ไม่ใช่เปิดมารวยเลย
8. พวกคนขายดีส่วนใหญ่เป็นคนซื้อสินค้าชนิดที่ตัวเองขายมาเยอะมากๆ มาก่อน แล้วเกิดไอเดียว่าอยากขาย
9. พวกคนขายดีอาจเคยล้มเหลวจากการขายสินค้าหลายๆตัวก่อนหน้านั้น แต่ก็ไม่หยุดที่จะหาสินค้าที่ใช่ที่เหมาะกับตัวเอง
10. พวกคนขายดีส่วนใหญ่ใช้เงินไปกับค่าโฆษณาเยอะมาก แต่ก็คุ้มและบอกว่า ถ้าเลือกได้จะเพิ่มเงินอีก
11. พวกคนขายดีเข้าใจว่าความต้องการลูกค้าสำคัญที่สุด และมีโอกาสเปลี่ยนแปลงได้ทุกวัน ดังนั้นความเอาใจใส่ธุรกิจด้วยตัวเองสำคัญมาก
12. พวกคนขายดีไม่กลัวที่จะลองผิดลองถูกกับโปรโมชั่นและวิธีการลงโฆษณาแบบต่างๆ
13. พวกคนขายดีไม่หยุดที่จะเรียนรู้อะไรใหม่ๆเสมอ ไม่ว่าจะขายได้เป็นสิบล้านต่อเดือนหรือร้อยล้านก็ยังอยากเรียนรู้อยู่ดี
14. พวกคนขายดีสนใจลูกค้าตัวเองมากกว่าคู่แข่ง
15. พวกคนขายดียอมรับการเปลี่ยนแปลงเสมอ แล้วพร้อมจะเปลี่ยนสินค้าหากกลุ่มลูกค้าเดิมยอมรับได้ หรือซื้อ
16. พวกคนขายดีไม่ขายของเพียงช่องทางเดียว
หมายเหตุ : ทั้งหมดมิได้กล่าวว่าทุกคนต้องเป็นแบบนี้ 100% นะครับ
ผมเพียงลิสจากประสปการณ์ส่วนตัวเท่านั้น
ผมเพียงลิสจากประสปการณ์ส่วนตัวเท่านั้น
หากบทความนี้เป็นประโยชน์แก่ท่าน กรุณาแชร์เพื่อเป็นกำลังใจด้วยครับ
ขอบคุณครับ
สืบศักดิ์
สืบศักดิ์
[Airbnb] แนะนำธุรกิจ Airbnb กับโอกาสเป็นเจ้าของธุรกิจใ
สร้างรายได้จากที่พักของคุณ
- แนวทางการเป็นผู้ประกอบการ Airbnb http://bit.ly/1Luqe2U
- Airbnb กับโอกาสเป็นเจ้าของธุรกิจใ
- มาทำความรู้จัก Airbnb สตาร์ทอัพการแบ่งปันที่พักช
- บทความเกี่ยวกับ Airbnb โดย START IT UP http://bit.ly/1XcCah0
.
อีบุ๊ค
Airbnb Entrepreneur for Beginner: ผู้ประกอบการ Airbnb มือใหม่ สร้างรายได้จากการให้เช่าที
http://bit.ly/1Pqk3To
.
โดย ดร.คมคิด ชัชราภรณ์ (ต้น)
ผู้ก่อตั้งเว็บไซต์ http://startitup.in.th/
ผู้ประกอบการร่วม Blue Elephant Guesthouse http://
สร้างรายได้จากที่พักของคุณ
- แนวทางการเป็นผู้ประกอบการ Airbnb http://bit.ly/1Luqe2U
- Airbnb กับโอกาสเป็นเจ้าของธุรกิจใ
- มาทำความรู้จัก Airbnb สตาร์ทอัพการแบ่งปันที่พักช
- บทความเกี่ยวกับ Airbnb โดย START IT UP http://bit.ly/1XcCah0
.
อีบุ๊ค
Airbnb Entrepreneur for Beginner: ผู้ประกอบการ Airbnb มือใหม่ สร้างรายได้จากการให้เช่าที
http://bit.ly/1Pqk3To
.
โดย ดร.คมคิด ชัชราภรณ์ (ต้น)
ผู้ก่อตั้งเว็บไซต์ http://startitup.in.th/
ผู้ประกอบการร่วม Blue Elephant Guesthouse http://
สมัครสมาชิก:
บทความ (Atom)