เริ่มต้นเหมือนกันทุกที่: กระดาษ
ถ้าคุณเคยทำงานในโรงงานอุตสาหกรรม คุณรู้จักฉากนี้ดี
หัวกะทิในแต่ละกะออกตรวจ บันทึกค่าอ่านจากเครื่องจักรลงในฟอร์มกระดาษ พอสิ้นกะก็เดินไปกรอกลงใน Excel ที่ออฟฟิศ แล้วพรุ่งนี้ก็ทำซ้ำ ทุกวัน ทุกกะ ทุกปี
ปัญหาไม่ได้อยู่ที่คนขี้เกียจ แต่อยู่ที่กระบวนการที่ออกแบบมาสำหรับกระดาษ แต่ถูกนำมาใช้ในยุคดิจิทัล
ในโรงงานปาล์มน้ำมันที่ผมทำงานอยู่ในฐานะ Engineering & IT Manager มานานกว่า 7 ปี สถานการณ์ไม่ต่างกัน ข้อมูลการผลิต ค่าคุณภาพ ชั่วโมงเครื่องจักร — ทุกอย่างวนอยู่ในวงจรเดิม: กระดาษ → Excel → รายงาน → ใช้แล้วทิ้ง
และในปีที่ผ่านมา เราตัดสินใจเปลี่ยนสิ่งนั้น ด้วย No-Code tools ที่มีอยู่ในมือ
ปัญหาที่แท้จริง: ไม่ใช่ขาดข้อมูล แต่ข้อมูลใช้งานไม่ได้
ก่อนจะไปถึงวิธีแก้ ต้องเข้าใจปัญหาก่อนว่าอะไรทำให้ข้อมูลในโรงงาน "ใช้ไม่ได้" ทั้งที่บันทึกทุกวัน
ข้อมูลอยู่ผิดรูปแบบ
เมื่อช่างกรอก Excel มักจะทำตามรูปแบบฟอร์มกระดาษเดิม — ผสานเซลล์, header หลายชั้น, ตัวเลขและข้อความในช่องเดียวกัน พอต้องการดึงมาวิเคราะห์ ต้องแปลงก่อน ซึ่งก็หมายถึงงานพิเศษอีกชั้นหนึ่ง
ข้อมูลกระจายไม่มีศูนย์กลาง
Production อยู่ไฟล์นึง LAB อยู่อีกไฟล์ Maintenance อีกไฟล์ ต้องการ Yield Loss ต้อง VLOOKUP ข้ามไฟล์ ข้ามเดือน ข้ามปี แล้วก็ไม่แน่ใจว่าตัวเลขที่ได้ถูกต้องหรือเปล่า
ไม่มีระบบตรวจสอบ
กรอกผิดก็ไม่มีใครรู้ ไม่มี validation ไม่มี approval flow ที่ชัดเจน หัวหน้าต้องนั่งตรวจทุกแถวด้วยตัวเอง ถ้าพลาดก็พลาดไป
เวลาหายไปกับงานซ้ำ
รวมรายวัน → สรุปรายสัปดาห์ → สรุปรายเดือน ทุกขั้นตอนคนทำ manual ไม่มีอะไร automatic ทีมต้องเสียเวลาส่วนหนึ่งไปกับงานที่ไม่ได้สร้างมูลค่า
ทางเลือกที่เลือก: No-Code บน Google Workspace
ปี 2023-2024 เราตัดสินใจ Digitize ด้วยสิ่งที่มีอยู่ในมือ ไม่รอ budget ซื้อ CMMS ราคาแพง ไม่รอ SAP module ใหม่ ใช้สิ่งที่ทีมรู้จักอยู่แล้ว
เครื่องมือที่ใช้:
- Google Sheets — เป็น backend ของข้อมูล
- AppSheet — แปลง Sheet เป็น mobile app ที่ช่างใช้บนมือถือได้
- Apps Script — automation และ validation logic
- Looker Dashboard — แสดงผลข้อมูลเชิงวิเคราะห์
ผลที่ออกมาคือ 9 ระบบที่ทำงานได้จริง แบ่งตาม function ชัดเจน
9 ระบบที่สร้าง: Function, Operation, Management
Function-Based Systems — งานกลไกหลักของโรงงาน
Hourmeter Machine & Part PM
บันทึกชั่วโมงการเดินเครื่องจักร และแจ้งเตือนเมื่อถึงรอบการเปลี่ยนอะไหล่ สิ่งที่เปลี่ยนไปคือแทนที่จะดูตาราง Excel แล้วนับเองว่าถึงเวลาเปลี่ยนอะไหล่ยัง ระบบส่งแจ้งเตือนให้อัตโนมัติ
Maintenance App (Work Request / Work Order)
ตั้งแต่ช่างแจ้งซ่อม → หัวหน้าอนุมัติ → วางแผนงาน → เบิกอะไหล่ → บันทึกผล ทุกขั้นตอนอยู่ในแอปเดียว ไม่ใช่กระดาษหลายใบ
IT Helpdesk & Incident
บันทึกการแจ้งปัญหา IT สะสม Incident และแนวทางแก้ไข ช่วยให้เมื่อปัญหาเดิมเกิดซ้ำ มีคำตอบอยู่แล้วในระบบ
Operation-Based Systems — หัวใจของการผลิต
Production Control — ระบบที่ซับซ้อนที่สุด
นี่คือระบบที่เปลี่ยนวิธีบันทึกข้อมูลการผลิตทั้งหมด จาก logsheet กระดาษที่ต้องก่อปีนให้ถึง Excel ช่วงสิ้นกะ มาเป็น workflow ที่ชัดเจน 5 ขั้นตอน:
```
Data Collection → Data Validation → Data Approve → Report → Summary
```
ช่างบันทึกค่าควบคุมการผลิตผ่าน AppSheet บนมือถือ ระบบตรวจสอบความถูกต้องเบื้องต้น (range check, format check) ก่อนส่งให้หัวหน้ากะ approve ข้อมูลที่ผ่าน approval แล้วจึงไหลเข้า dashboard อัตโนมัติ
ผลลัพธ์คือข้อมูลกะนี้มีอยู่ใน dashboard ก่อนที่กะจะจบเสียอีก ไม่ต้องรอรวมรายงานวันถัดไป
LAB Control — ค่าคุณภาพ Yield และ Loss
นี่คือส่วนที่ถ้าทำด้วยกระดาษแล้ว error ได้ง่ายมาก — ค่าคุณภาพผลิตภัณฑ์ ณ จุดเก็บต่างๆ, FFA, moisture, Yield Loss ในแต่ละกระบวนการ ค่าเหล่านี้ต้องแม่นยำ เพราะนำไปคำนวณ yield จริงของโรงงาน
ระบบ LAB Control ทำให้ค่าเหล่านี้ถูกบันทึกตรงจุด มี validation ไม่ให้กรอกนอก range ที่สมเหตุสมผล และเชื่อมโยงกับ Production Dashboard ได้ทันที แทนที่จะต้อง VLOOKUP ข้ามไฟล์เอง
Daily Report System
รายงานประจำวันที่รวมทุก operation — ค่าควบคุม, ปริมาณผลผลิต, เหตุการหยุดเครื่องจักร — สรุปได้อัตโนมัติ ไม่ต้องมีคนนั่งรวบรวมทุกเย็น
Management-Based Systems — ข้อมูลสำหรับการตัดสินใจ
Production Dashboard บน Looker
ข้อมูลที่บันทึกผ่าน AppSheet ถูกดึงเข้า Looker ให้ผู้บริหารเห็นภาพรวมได้ทันที ครอบคลุม:
- กำลังการผลิตหลัก เปรียบเทียบ Yield
- รายงานกะ/วัน/สัปดาห์/เดือน auto-generate
- เหตุการณ์หยุดเครื่องจักร แยกตาม station
- Input-Output ผลิตภัณฑ์ สินค้าคงคลัง
Engineering Dashboard
เน้น Maintenance Performance — Breakdown time, Maintenance downtime, Production downtime, Plan vs Actual การเปลี่ยนอะไหล่ตามชั่วโมง PM พร้อม alert ผ่าน LINE Message API และ Telegram
Maintenance Cost Dashboard
แบ่งระดับข้อมูลตามแผนก → กลุ่ม → เครื่องจักร เปรียบเทียบ actual vs budget ช่วยให้รู้ว่าเครื่องไหนกิน budget เกินและต้องวางแผน
ผลลัพธ์ที่วัดได้จริง
หลังจาก implement ทั้ง 9 ระบบ สิ่งที่เปลี่ยนไปชัดเจนที่สุด:
ลดงานซ้ำซ้อนได้กว่า 30%
งานที่เคยต้องทำซ้ำทุกวัน ทุกสัปดาห์ ทุกเดือน — การกรอกข้อมูล การตรวจสอบเอกสาร การสร้างรายงาน — ลดลงอย่างน้อย 30% เพราะระบบทำให้อัตโนมัติ
ข้อมูลมีความแม่นยำขึ้น
Validation ที่ต้นทาง ก่อนที่ข้อมูลจะเข้าระบบ ทำให้ข้อผิดพลาดที่เคยเกิดจากการกรอกมือลดลงมาก
ผู้บริหารตัดสินใจได้เร็วขึ้น
แทนที่จะรอรายงานวันถัดไปหรือต้นสัปดาห์ สามารถดู dashboard ได้ real-time จากมือถือ เหตุการณ์หยุดผลิตที่ไหน เวลาเท่าไร สาเหตุอะไร — เห็นได้ทันที
ทีมงานทุกระดับใช้ได้
ไม่ต้องมีความรู้ด้าน IT สูง AppSheet ออกแบบให้ใช้งานได้บนมือถือ การ training ใช้เวลาน้อยมากเมื่อเทียบกับระบบอื่น
เพดานที่ชัดเจนของ No-Code
ต้องพูดตรงๆ ว่าแม้ 9 ระบบนี้ทำงานได้ดี แต่มีจุดที่ทุกคนในทีมรู้สึกได้ว่า "ถึงเพดานแล้ว"
Performance ที่ลดลงเมื่อข้อมูลสะสม
Sheet ที่มีข้อมูลหลายปีโหลดช้า AppSheet ที่ดึงข้อมูลเยอะเริ่มมีหน่วง ยิ่งโรงงานทำงาน 24 ชั่วโมง ข้อมูลก็สะสมเร็ว
Looker ที่ต้องการ Google infrastructure
Looker เชื่อมกับ Google Sheets ได้ แต่ถ้าต้องการ query ที่ซับซ้อนขึ้น ต้องใช้ BigQuery ซึ่งมีค่าใช้จ่าย และยิ่งผูกตัวเองกับ Google ecosystem มากขึ้น
Business Logic ที่ซับซ้อนต้องใช้ Apps Script
เมื่อ logic มีเงื่อนไขหลายชั้น Apps Script เริ่มบริหารจัดการยาก ไม่มี version control ที่ดี debug ยาก ถ้าคนที่เขียน script ออกไป คนใหม่ต้องใช้เวลานานมากในการเข้าใจ
AI Integration ที่จำกัด
ข้อมูลอยู่ใน Google ecosystem — ถ้าต้องการให้ AI agent วิเคราะห์ pattern การผลิต ตรวจจับ anomaly หรือ predict downtime ต้องผ่าน Google API เท่านั้น ไม่สามารถเชื่อมต่อ AI model อื่นๆ ได้ตรง
ราคาที่ขยับขึ้นทุกปี
AppSheet ปรับ pricing ในปี 2023 สำหรับ enterprise tier ค่าใช้จ่ายรายเดือนที่ดูเหมือนน้อยๆ ต่อ user ก็สะสมมากขึ้นเรื่อยๆ และไม่มีการ "จ่ายครั้งเดียว"
งานวิจัยจาก Gartner (2023) ระบุว่า Low-Code/No-Code platforms เหมาะสำหรับ use case ที่มี complexity ระดับปานกลาง แต่เมื่อ business logic ซับซ้อนขึ้น ต้นทุนการดูแลระบบ No-Code มักสูงกว่าการ migrate ไป proper application ในระยะ 3-5 ปี
AutoCar Care: เมื่อต้องตัดสินใจตั้งแต่ต้น
ที่น่าสนใจคือ สิ่งที่ได้เรียนรู้จาก Smart Factory ทำให้การตัดสินใจสำหรับโปรเจกต์ถัดไป ชัดเจนขึ้นมาก
AutoCar Care — ระบบจัดการศูนย์บริการรถยนต์ — เป็นกรณีที่ต้องตัดสินใจตั้งแต่แรกว่า: AppSheet หรือ Custom App?
ความซับซ้อนของงาน:
- ลูกค้าจองคิวผ่าน LINE ต้องเชื่อมกับ LINE LIFF API โดยตรง
- ช่างต้องทำ DVI inspection บนมือถือ ส่งรูปภาพ และออกใบเสนอราคา
- ลูกค้า approve/reject estimate ได้ทาง mobile
- สต็อกอะไหล่หักอัตโนมัติเมื่อ approve
- ส่งแจ้งเตือนผ่าน LINE notification แบบ real-time
- role-based access: ช่าง / SA / Admin / เจ้าของ เห็นข้อมูลต่างกัน
สิ่งเหล่านี้ทำได้ใน AppSheet บ้าง แต่จะกลายเป็น workaround ที่ดูแลยากทันที และ LINE LIFF integration ไม่รองรับ
คำตอบจึงชัดเจน: สร้าง Custom App ตั้งแต่แรก ด้วย Next.js + PostgreSQL บน stack ที่ดูแลได้ง่ายและขยายต่อได้
สิ่งที่ต่างจาก Smart Factory คือตอนนี้มี AI ช่วยสร้างเร็วขึ้นอย่างมีนัยสำคัญ — workflow ที่เคยใช้เวลา 6-12 เดือน ลดเหลือ 6-8 สัปดาห์ด้วย Vibecoding + AI-assisted development
เมื่อไหรควรอยู่กับ No-Code และเมื่อไหรควร Custom
ตรงไปตรงมา ไม่มีคำตอบสำเร็จรูป แต่มี signal ที่ชัดเจน
ยังใช้ AppSheet + Google Sheets ได้ดี ถ้า:
- Form และ data collection ที่ทีมเล็กใช้งาน
- Workflow ไม่ซับซ้อน ไม่มี approval หลายชั้น
- ไม่ต้องการ integration กับระบบภายนอกที่ซับซ้อน
- ต้องการ prototype ก่อนว่า workflow นี้ work จริงหรือเปล่า
- ทีมไม่มี developer และงบจำกัด
Forrester Research (2022) พบว่า 68% ขององค์กรที่ใช้ No-Code ยังคงใช้งานต่อเนื่องเมื่อ use case ตรงกับ capability ของ platform — ปัญหาเกิดเมื่อ scale ขึ้นเกินขีดจำกัด
ถึงเวลา Custom App เมื่อ:
- มี role หลายระดับที่ต้องการสิทธิ์ต่างกันชัดเจน
- ต้องการ integration กับระบบภายนอก (LINE API, Payment, ERP, IoT)
- Business logic มีเงื่อนไขซับซ้อนหรือ multi-step approval
- ต้องการ AI ช่วยวิเคราะห์ข้อมูล เช่น anomaly detection, prediction
- ข้อมูลสะสมมากและ performance เริ่มเป็นปัญหา
- ต้องการเป็นเจ้าของข้อมูลและระบบ 100% ไม่ผูกกับ vendor
AI เปลี่ยนสมการนี้อย่างไร
สิ่งที่น่าสนใจที่สุดในช่วง 1-2 ปีที่ผ่านมา คือ AI เปลี่ยนสมการของ "Custom App vs No-Code" ไปมาก
ต้นทุนของ Custom App ลดลงมาก
ที่เคยต้องใช้ developer 2-3 คน 6 เดือน ตอนนี้ทีมที่เข้าใจ operation ดีสามารถสร้างด้วย AI-assisted development ในเวลาน้อยกว่ามาก กำแพงระหว่าง "ทำได้ใน No-Code" กับ "ต้องเขียน Code" เตี้ยลงทุกวัน
AI ต้องการ Data ที่มี Structure ที่ดี
และนั่นคือเหตุผลที่ระบบที่ยังอยู่ใน Google Sheets จะเริ่มเป็นอุปสรรคในยุค AI — เมื่อต้องการให้ AI วิเคราะห์ pattern การผลิต ตรวจจับ anomaly ก่อนเครื่องจักรพัง หรือ predict quality จาก process parameters — ข้อมูลต้องอยู่ใน database ที่มีโครงสร้าง ไม่ใช่ spread sheets ที่กระจายกัน
Workflow ที่พิสูจน์แล้วใน No-Code คือ Asset
สิ่งที่ดีที่สุดจาก Smart Factory phase คือได้รู้ว่า "workflow แบบนี้ทีมใช้ได้จริง" domain knowledge ที่ถูก encode ไว้ใน 9 ระบบนั้นมีค่ามากกว่า code ที่เขียน เพราะมันบอกว่าอะไรทำงานได้ในความเป็นจริงของโรงงานนั้นๆ
ถ้าต้องทำอีกครั้ง ผมจะใช้ No-Code ในการพิสูจน์ workflow แล้วรีบ migrate ขึ้น modern stack ด้วย AI ช่วย ไม่รอให้ถึงจุดที่ไม่พออีกต่อไป
ความเห็นส่วนตัว: ไม่กลับไปทำแบบเดิม
ถามตรงๆ ว่าจะกลับไปสร้าง Apps Script ที่ซับซ้อน หรือพึ่ง AppSheet เป็น production system หลักอีกไหม คำตอบคือ ไม่
ไม่ใช่เพราะ AppSheet หรือ Google Sheets ไม่ดี พวกมันดีในสิ่งที่ออกแบบมา แต่ปัญหาอยู่ที่:
เวลาที่หายไปกับการดูแลระบบ — การ debug Apps Script ที่ซับซ้อน การแก้ formula ที่พัง การแก้ AppSheet ที่ sync ไม่ถูก ใช้เวลาไม่น้อยกว่าการดูแล proper application เลย เพียงแต่มันกระจายเป็นงานเล็กๆ ทุกวัน จนไม่รู้สึกตัว
ข้อจำกัดที่สะสม — ทุกครั้งที่ต้องการ feature ใหม่ จบด้วย workaround ที่ทำให้ระบบซับซ้อนขึ้นโดยไม่จำเป็น แก้ตรงนี้พังตรงโน้น
AI ต้องการ infrastructure ที่ดีกว่า — ถ้ายังอยู่บน Google Sheets ก็จะไม่สามารถใช้ AI อย่างเต็มที่ได้ ในยุคที่ AI กำลังเปลี่ยนวิธีทำงานในโรงงาน นั่นคือต้นทุนที่ใหญ่มาก
ในโลกที่ AI ช่วยเร่ง custom development ได้ 50-70% เหตุผลหลักที่เคย justify การอยู่กับ No-Code ได้แก่ "เร็วกว่า ถูกกว่า" กำลังจะไม่จริงอีกต่อไป
สรุป: เลือกเครื่องมือให้ตรงกับช่วงเวลา ไม่ใช่แค่ขนาดของปัญหา
9 ระบบที่สร้างบน AppSheet + Google Sheets ในโรงงานปาล์มน้ำมันพิสูจน์แล้วว่า No-Code tools ให้คุณค่าได้จริง — ลด repetitive work 30%+ ทำให้ข้อมูลมีความน่าเชื่อถือ ผู้บริหารตัดสินใจได้ดีขึ้น
แต่สิ่งที่สำคัญกว่าผลลัพธ์เหล่านั้นคือ domain knowledge ที่ได้ — ได้รู้ว่า workflow ของโรงงานเป็นอย่างไร field อะไรที่ต้องบันทึก approval flow ต้องเป็นแบบไหน รายงานแบบไหนที่ผู้บริหารใช้จริง
ความรู้เหล่านั้นคือ blueprint ที่ดีที่สุดสำหรับการสร้างระบบที่ดีกว่า บน foundation ที่แข็งแรงกว่า ในเวลาที่ AI ช่วยทำให้เร็วขึ้นกว่าที่เคยเป็นมา
ปัญหาไม่ได้อยู่ที่เครื่องมือที่ใช้ แต่อยู่ที่การรู้จักว่าเมื่อไหรควรก้าวต่อ
บทความนี้เขียนจากประสบการณ์จริงในฐานะ Engineering & IT Manager ที่ออกแบบและ implement ระบบ Digitize ในโรงงานอุตสาหกรรม และผู้ก่อตั้ง VIBAGEN — Product Engineering Studio ที่ช่วยธุรกิจ migrate จาก No-Code สู่ระบบที่เหมาะกับการเติบโต
อ้างอิง: Gartner "Low-Code Development Technologies Market Guide" (2023), Forrester Research "The State of Low-Code Platforms" (2022), McKinsey Global Institute "The Future of Work in Manufacturing" (2023)