บทที่ 9: Serving Data for Analytics, Machine Learning, and Reverse ETL

การสร้าง Trust ใน Data

ก่อน serving data ต้องมี trust ใน data ก่อน — ถ้าคนไม่เชื่อถือ data จะไม่มีค่า

• Trust → Data products → Self-service → Data-driven culture

3 ประเภท Analytics

1. Business Intelligence (BI): อดีตและปัจจุบัน, reports, dashboards — แนวโน้ม self-service analytics
   • Self-service analytics: ทุกคน access data และ slice/dice เองได้ — ทฤษฎีง่ายแต่ปฏิบัติยากเพราะ data quality
2. Operational Analytics: ปัจจุบัน, real-time, live view — inventory, system health
3. Embedded Analytics: customer-facing — hard ที่สุดเพราะ:
   • Request rate สูงกว่ามาก
   • Multitenancy: แต่ละ customer ต้องเห็นเฉพาะ data ของตัวเอง — data leak = disaster

Machine Learning Serving

• Feature engineering → feature stores → model training → serving
• Feature store: ลด operational burden สำหรับ ML engineers — maintain history, versions, sharing
• อย่าเพิ่งทำ ML จนกว่าจะมี data foundation ที่ดี — ทำ analytics ให้เก่งก่อน

Reverse ETL

ส่ง processed data กลับไป ยัง source systems (CRM, ad platforms)

• จาก antipattern → product category (Census, Hightouch)
• Marketing analysts เคยทำ manual ใน Excel — ปัจจุบัน automate

Undercurrents ในการ Serving

• Security: row/column-level security, encryption, masking
• Data Management: data validation, SLA (Service-Level Agreement) monitoring, cost optimization
• DataOps: automation, monitoring, observability
• Orchestration: dependency management สำหรับ serving pipelines

---