ตีหนึ่งคืนวันพฤหัสฯ โอมเปิด Excel 14 ไฟล์ที่ดึงข้อมูลจาก Shopify + GA4 + FB Ads + LINE มา reconcile ทุกวัน

โอมเป็น Head of Analytics ของ D2C brand ในกรุงเทพ อายุ 35 บริษัทเขามียอดขาย 320 ล้าน/ปี · ข้อมูลกระจาย 8 platforms · ทุกวัน analyst ใช้เวลา 4 ชั่วโมงรวมข้อมูล + ทำ daily report · CEO ขอ insight ใหม่ทุกครั้งใช้เวลา 2-3 วัน

เขาโทรหาผมตอนเก้าโมงเช้า "พี่ ผมควรสร้าง data warehouse ไหม · มันคุ้มสำหรับ e-commerce ขนาดผมเหรอ · ใช้ BigQuery หรือ Snowflake ดี"

ผมรู้จักความตันของโอมดี ผมเคย consult e-commerce ปี 2024 · ยอดขาย 180 ล้าน · analyst 3 คนทำงาน 60% ของเวลาไป reconcile data · ผมแนะนำ build data warehouse · ใช้เวลา 8 สัปดาห์ + ฿400K · 6 เดือนต่อมา · analyst เหลือ 1 คน · time-to-insight ลดจาก 3 วันเหลือ 30 นาที · ROI 850% ใน 12 เดือน · ผมเสียลูกค้าหนึ่งรายไปเพราะแนะนำให้รอ "scale ก่อน" คุณรู้ไหมว่าทำไม data warehouse ที่ฟังดูเป็น enterprise tech · จริงๆ เหมาะกับ e-commerce ที่ยอดขายเริ่มจาก 50M บาท?

คำตอบสั้น (TL;DR)

Data Warehouse สำหรับ E-commerce ช่วย centralize data จาก Shopify + GA4 + Ads + CRM + LINE ใน single source of truth · ออกแบบ 4 layer: (1) Data Sources · ทุก platform ที่มีข้อมูล · (2) ETL Pipeline · Extract + Transform + Load (Fivetran, Airbyte, n8n) · (3) Data Warehouse · BigQuery (Google), Snowflake (multi-cloud), Redshift (AWS) · (4) BI Dashboard · Looker, Tableau, Metabase Schema design: Star Schema (Facts table + Dimensions) สำหรับ e-commerce ส่วนใหญ่ ราคา: BigQuery ฿2-15K/mo (pay-per-query) · Snowflake ฿30K-150K/mo · Setup ฿300K-1.5M ROI: บริษัทยอดขาย 50M+/ปี กลับใน 6-12 เดือน · analyst time -60% · time-to-insight 3 วัน → 30 นาที E-commerce ที่ควร build: รายได้ >฿50M/ปี · มี data sources 5+ platforms · ทีม analyst ใช้เวลา >30% reconcile data

โอมไม่ใช่คนเดียวที่เจอเรื่องนี้ ผมเจอ analyst 30+ คนในไทยที่ทำ data reconcile manual ทุกวัน · เพราะบริษัทยังไม่ build data warehouse · คุณคิดว่าทำไม tool ที่ enterprise ใช้กันมา 30 ปี · ยังไม่ adopt กว้างใน SME ไทย?

ทำไม Data Warehouse เหมาะกับ E-commerce ขนาดกลาง

เหตุผลคือ e-commerce สมัยใหม่มี data sources 8-15 platforms · Shopify + GA4 + Meta Ads + Google Ads + Email + LINE OA + Customer support + Inventory + Warehouse · manual reconcile ใช้เวลา 4-6 ชั่วโมง/วัน

Data warehouse แก้ปัญหา: (1) Single source of truth · ทุกคนเห็นเลขเดียวกัน · (2) Realtime sync · ไม่ต้องรอ end of day · (3) Complex analysis · SQL ทำได้ที่ Excel ทำไม่ได้ · (4) Historical data · เก็บได้ตลอด · trend analysis

เปรียบเหมือนกับการรวม branch ของธนาคาร · ก่อนมี core banking · แต่ละสาขาเก็บข้อมูลแยก · ลูกค้าฝากที่สาขา A · ถอนที่สาขา B ไม่ได้ · มี core banking = single source · operate ทุกอย่างที่สาขาใดก็ได้

ผม audit e-commerce ในไทย 30+ แบรนด์ พบว่า 70% ยังใช้ Excel reconcile · 20% มี data warehouse บางส่วน · 10% มีระบบครบ · บริษัทที่มี warehouse เต็มมี time-to-insight เร็วกว่าเฉลี่ย 8-12x

4 Layer ของ Data Warehouse Architecture

Layer 1 · Data Sources

List ทุก platform ที่มี data สำคัญ

Source Data Frequency
Shopify Orders, customers, products, inventory Realtime
GA4 Traffic, conversion, behavior Hourly
Meta + Google Ads Spend, CTR, ROAS Hourly
Email + LINE OA Open rate, click, conversion Daily
CRM (HubSpot) Leads, deals, lifecycle Hourly

Layer 2 · ETL Pipeline

Extract data จาก source → Transform (clean + format) → Load เข้า warehouse

Tools: Fivetran ($120-1,500/mo · easy setup), Airbyte (open source · ฟรี-$2,500/mo), n8n self-host (ฟรี · ใช้เวลา setup เยอะกว่า)

Schedule: ETL job รัน hourly สำหรับ critical data · daily สำหรับ aggregated metrics

Layer 3 · Data Warehouse

Tool ราคา เหมาะกับ
BigQuery ฿2K-15K/mo (pay-per-query) SME · ใช้ Google ecosystem · ฟรี 1TB query/mo
Snowflake ฿30K-150K/mo Mid-enterprise · multi-cloud · separate compute/storage
Redshift ฿15K-100K/mo AWS users · tight integration
ClickHouse (self-host) ฿3K-20K/mo (server) Performance-critical · cost-conscious

Layer 4 · BI Dashboard

Connect dashboard tool กับ data warehouse · สร้าง chart + report ให้ business team ใช้

Tools: Looker Studio (ฟรี · เชื่อม BigQuery ง่าย), Tableau ($75/user/mo), Metabase (open source · ฟรี-$425/mo)

Schema Design · Star Schema

โครงสร้างที่นิยมที่สุดสำหรับ e-commerce

Facts Table (center): ทุก transaction · order_id, date, customer_id, product_id, revenue, discount, shipping

Dimensions Tables (เชื่อมรอบๆ): Customer dim, Product dim, Date dim, Marketing dim · เก็บ attribute ที่ไม่ค่อยเปลี่ยน

Query pattern: Facts JOIN Dimensions · เร็ว · simple SQL

4 ขั้นตอน Build Data Warehouse

  1. Audit Data Sources · list ทุก platform + API access + data volume · กำหนด priority
  2. Choose Stack · เลือก ETL + Warehouse + BI · เริ่มจาก BigQuery + Fivetran + Looker (ทดสอบเร็ว · ราคาเข้าถึงได้)
  3. Build MVP (4-6 สัปดาห์) · 3 sources หลัก (Shopify + GA4 + Ads) · 1 dashboard หลัก · iterate
  4. Scale + Optimize (3-6 เดือน) · เพิ่ม sources · เพิ่ม dashboards · optimize cost (partition, materialized views)

ใครควรสร้าง Data Warehouse ใครไม่ควร

ควรสร้างถ้า:

  • รายได้ >฿50M/ปี · data volume สูง
  • มี data sources 5+ platforms · reconcile manual ทุกวัน
  • ทีม analyst ใช้เวลา >30% reconcile data
  • Time-to-insight ปัจจุบัน >1 วัน · CEO รอ insight นาน
  • มี budget ฿300K-1.5M สำหรับ initial setup

ไม่ควรสร้างถ้า:

  • รายได้ <฿20M/ปี · data sources น้อย · Excel/Google Sheets เพียงพอ
  • ทีม analyst 1 คน + ไม่มี SQL skill
  • ไม่มี budget maintenance รายเดือน

ราคา Build Data Warehouse ในไทย 2026

Scope ราคา Initial Monthly
MVP (3 sources) ฿200K-500K ฿10K-40K
Standard (5-8 sources) ฿500K-1M ฿30K-100K
Enterprise (10+ sources + ML) ฿1M-3M ฿80K-300K
"Data warehouse ไม่ใช่ enterprise tech อย่างเดียวอีกต่อไป · BigQuery + Fivetran + Looker ใช้ได้ที่ ฿15K-50K/mo · เหมาะกับ e-commerce รายได้ ฿50M+/ปี · ROI 6-12 เดือน · ลด analyst cost 60% + เพิ่ม time-to-insight 8x"
·Thanakit Chaithip, Founder, Vision X Brain

คำถามที่พบบ่อย

Data Warehouse คืออะไร ต่างจาก Database ยังไง

Data Warehouse = ระบบจัดเก็บข้อมูลรวมศูนย์สำหรับ analytics · optimize อ่าน historical data · Database = operational system สำหรับ transactions realtime · DW ใช้ analytics, DB ใช้ run business

E-commerce ขนาดไหนควรสร้าง Data Warehouse

รายได้ >฿50M/ปี · มี data sources 5+ platforms · ทีม analyst ใช้เวลา >30% reconcile · ต่ำกว่านี้ใช้ Google Sheets + Looker Studio เพียงพอ

BigQuery vs Snowflake vs Redshift เลือกอันไหน

BigQuery · เหมาะ SME · ใช้ Google ecosystem · pay-per-query · ฟรี 1TB/mo · Snowflake · mid-enterprise · multi-cloud · separate compute/storage · Redshift · AWS users · tight integration · เริ่มจาก BigQuery ดีที่สุดสำหรับ SME ไทย

ราคา Build Data Warehouse ในไทยเท่าไหร่

MVP (3 sources) ฿200K-500K initial · ฿10K-40K/mo · Standard (5-8 sources) ฿500K-1M · ฿30K-100K/mo · Enterprise (10+ sources + ML) ฿1M-3M · ฿80K-300K/mo

Star Schema คืออะไร เหมาะกับ E-commerce ไหม

Star Schema = facts table (transactions) ตรงกลาง + dimensions tables (customer, product, date) รอบๆ · เหมาะกับ e-commerce ส่วนใหญ่ · query เร็ว + SQL ง่าย · alternative: Snowflake schema (normalized มากกว่า)

บริการที่เกี่ยวข้อง

โอมวันนี้

โอม build MVP data warehouse · BigQuery + Fivetran + Looker · 3 sources (Shopify, GA4, Meta Ads) · ใช้เวลา 6 สัปดาห์ + ฿380K initial · monthly ฿28K

6 เดือนหลัง: analyst team ลดจาก 4 คนเหลือ 2 คน (save ฿80K/mo) · time-to-insight 3 วัน → 30 นาที · CEO ขอ insight ใหม่ได้ทันที · เพิ่ม 5 sources ใน 12 เดือนถัดมา · ROI 850%

ผมถามโอมว่าสิ่งที่ surprise เขามากที่สุดคืออะไร

เขานิ่งไปนาน แล้วบอกว่า "พี่ ผมคิดว่า data warehouse เป็น enterprise tech · จริงๆ มันเหมาะกับ e-commerce ขนาดผมตั้งแต่ 2 ปีก่อน · ผมเสียโอกาส 2 ปีที่ทีมต้อง reconcile data manual"

สิ่งที่ทำได้ทันที: ถ้ารายได้บริษัทคุณ >฿50M/ปี + มี data sources 5+ platforms · เปิด BigQuery free tier คืนนี้ · setup Fivetran trial · connect Shopify + GA4 · ใน 2 สัปดาห์เห็น potential ของ data warehouse · ROI calculation จะชัดทันที