Leave Tracking with Google Docs

I’m a lazy software developer.

And you can imagine a lazy developer working on human resources management. Slightly unmatched skill by the way. At the first 10 seconds, I was thinking about writing a small application on Google App Engine with a simple features, request, notify and approve, but I suddenly realised I’m a lazy software developer and decided that I won’t code :-P

Therefore I come up with a simple collaborative online leave tracking for a small team with Google Speadsheet here <3.

Sweet.

New Office Layout

ช่วงหยุดปีใหม่เป็น Golden Week หยุด 10 วันของ Opendream เราในฐานะพนักงานที่ดีนอกจากจะประชุมทั้งหลายเก็บตกก่อนสิ้นปีและใช้ชีวิตอย่างไร้ค่าและไร้สาระ แล้วเราก็มีไอเดียบรรเจิดจัดโต๊ะทำงานใหม่เพื่อบรรยากาศการทำงานที่น่าจะดีขึ้น

จริงๆ แล้วจะพยายามจัดโต๊ะทำงานใหม่ทุกๆ หลายๆ เดือนเพื่อเปลี่ยนบรรยากาศการทำงานและกระจายการนั่งให้ทุกคนได้มีโอกาสนั่งสบตากัน แต่ครั้งนี้ถึงจุดวิกฤติเมื่อมีคนถึง 11 – 12 คนนั่งทำงานในพื้นที่ขนาด 40 ตารางเมตร เลยจำเป็นต้องแบ่งพื้นที่การทำงานออกเป็น 2 ส่วน (วิวัฒนาการโต๊ะทำงานดูได้ตามลำดับ 1 2 3)

Opendream 1st floor.
ชั้น 1 สำหรับทีมพัฒนาระบบผู้ที่ใช้ Laptop กันอย่างเดียว

the Opendream 2nd floor
ชั้น 2 สำหรับทีมออกแบบประสบการณ์ผู้ใช้ที่ใช้ iMac ขนาดใหญ่บิ๊กเบิ้ม

การจัดแบบนี้มีข้อดีและข้อเสียคือ

ข้อดี

  • พื้นที่ทำงานและพื้นที่เฉลี่ยต่อคนเพิ่มขึ้น ทำให้มีความเป็นส่วนตัว ไม่แออัดมากขึ้น
  • การจัดโต๊ะชุดละ 2 ตัว ทำให้ไม่แออัด
  • มีพื้นที่นั่งพักผ่อนเป็นสัดส่วนมากขึ้น
  • เป็นการบังคับให้แต่ละทีมต้องเดินขึ้น-ลงบันไดไปในตัว ลดโอกาสตูดชา เพิ่มโอกาสการพักผ่อน (แอบอู้ :-P )

ข้อเสีย

  • มีการแบ่งทีมทางกายภาพชัดเจน ทำให้บางทีอาจจะเกิดการรู้สึกว่าโดนทอดทิ้ง แต่ก็แก้ได้ด้วยการเดินไปเดินมาบ่อยๆ (ทำให้แอบอู้ได้มากขึ้น :-P )
  • การสื่อสารทางกายสัมผัสและกลิ่นอาจจะหายไป บางกรณีอาจจะรู้สึกเวิ้งว่างเปล่าเปลี่ยว
  • ชั้น 1 ยังเป็นบรรยากาศเย็นๆ ชืดๆ อาจจะเป็นเพราะนั่งทำงานบนพื้นกระเบื้อง

ยังมีเรื่องที่ต้องคิดต่อหลังจากจัดออฟฟิศใหม่ว่าจะจัดการหนังสือในส่วนที่แอบเป็นห้องสมุดให้มีประสิทธิภาพได้อย่างไรบ้าง เห็นตา @pruet และอาท แนะนำ Alexandria ไว้ยังไม่ได้ลอง

Opendream’s column, in Fuse

เมื่อเดือนกรกฎาคมปีที่แล้ว ไปให้สัมภาษณ์นิตยสารฟิ้ว ไว้เป็นเกียรติเป็นศรีแก่องค์กร และยังเป็นการประเดิมนิตยสารฟิ้วฉบับพิมพ์แยกเล่มแรกด้วย (ก่อนหน้านั้นฟิ้วเป็นนิตยสารเล่มใหญ่แถมพกใน BIOSCOPE อีกที)

เนื่องด้วยสภาพอากาศ เศรษฐกิจ และอื่น ๆ ฟิ้วเล่มใหญ่จำต้องเปลี่ยนแปลงรูปแบบการดำเนินงานมาเป็นนิตยสารออนไลน์ เต็มตัว (ยังหา business model อยู่ ว่าง ๆ แชร์ช่วยคิดได้) และก็มีโอกาสได้เขียนคอลัมน์ “เล่นจนเป็นเรื่อง” ปิดท้ายเล่ม เนื่องด้วยความเร่งรีบในการเขียน จึงออกมาเป็นเรื่องใกล้ตัวชื่อ “Data Visualisation – เล่าเรื่องจากภาพ”

สำนวนยังลำบาก อ่านยาก วกวน ติได้ตามสะดวกครับ

ดาวน์โหลดไฟล์ต้นฉบับได้ที่นี่ (odt)

เล่นจนเป็นเรื่อง โดย Opendream http://opendream.co.th

Data Visualisation – เล่าเรื่องจากภาพ

มนุษย์พยายามเล่าเก็บบันทึกเรื่องราวของตัวเองมาเนิ่นนาน มนุษย์ยุคประวัติศาสตร์ใช้สิ่วและค้อนสลักเรื่องราวบนแผ่นหิน การจะบันทึกเหตุการณ์ในปีหนึ่งคงจะใช้ผนังถ้ำอย่างน้อยสัก 365 ถ้ำ และคงต้องใช้เวลาอีกหลายปีในการเดินทางเยือนครบทุกถ้ำเพื่อที่จะเข้าใจถึงเหตุการณ์โดยรวมที่จดบันทึกไว้ในถ้ำเหล่านั้น

ในยุคกระดาษและน้ำหมึก มนุษย์ลดพื้นที่การจดบันทึกจากวันละ 1 ถ้ำมาเป็นวันละ 1 แผ่นกระดาษที่ใหญ่ไม่เกินโต๊ะทำงาน ทำให้ลดเวลาการทำความเข้าใจเหตุการณ์ใด ๆ ไปได้มาก แต่ก็ยังไม่น้อยพอ ถึงแม้จะมีบทคัดย่อ แต่กำแพงภาษาก็ยังคงเป็นเรื่องใหญ่

โลกยุคข้อมูลข่าวสารดิจิทัล ที่ข้อมูลหลายล้านล้าน (1,000,000,000,000) ถูกแทนที่ไว้ด้วยด้วยเลข 0 และเลข 1 และเข้าถึงได้ง่ายผ่านทางอินเทอร์เน็ต มนุษย์ยุคคอมพิวเตอร์พบกับปัญหาของการล้นทะลักของข้อมูล (Information overflow) การทำความเข้าใจข้อมูลหลายล้านล้านนั้นอาจจะกินเวลาเท่ากับการเดินทางเยือนถ้ำทั้ง 365 ถ้ำของมนุษย์ยุคหินก็เป็นได้ ถึงแม้จะมีระบบคอมพิวเตอร์ที่ช่วยจัดเก็บและย่อความเนื้อหาเหล่านั้น แต่การข้ามกำแพงภาษาก็ยังคงเป็นเรื่องที่คนส่วนน้อยยากที่จะทำได้ต่อให้มี Google Translate ดังนั้นจึงมีการพยายามทำให้ข้อมูลมากมายมหาศาลนั้นอยู่ในรูปแบบที่ข้ามพ้นข้อจำกัดการเข้าถึงทั้งหลายด้วย “Data Visualisation – การเล่าเรื่องจากภาพ”

ตัวอย่างของการทำ Data Visualisation นั้นมีอยู่มากโดยเฉพาะบนอินเทอร์เน็ต ตัวอย่างที่น่าจะเห็นภาพชัดคือ ลองนึกถึงการที่ผู้คนทั่วไปอยากรู้ความข่าวเกี่ยวโรคระบาดที่เกิดขึ้นทั่วโลก การไปไล่อ่านข่าวในทะเลข้อมูลบนอินเทอร์เน็ตคงจะเป็นเรื่องที่ใหญ่จนนึกไม่ออก แต่นักวิจัยจากมหาวิทยาลัยฮาร์เวิร์ด (Harvard University) ก็ได้ช่วยย่อยความซับซ้อนของข้อมูลเหล่านั้นให้สามารถเห็นได้เพียงแค่ชายตามองที่ http://healthmap.org/

หรืออย่างกรณีวิกฤติซับไพร์ม (Subprime Crisis) ที่ถล่มสหรัฐอเมริกาเมื่อช่วงต้นปี ซึ่งประกอบด้วยปัจจัยรายรอบจำนวนมหาศาล การที่จะให้คนทั่วไปเข้าใจถึงปัจจัยต้นเหตุที่เกี่ยวโยงมายังตัววิกฤตินั้นเป็นไปได้ยากเหลือเกิน เพราะการทำความเข้าใจเรื่องทางเศรษฐศาสตร์คงเป็นเรื่องยากมากสำหรับคนที่ไม่ได้อยู่ในสายการทำงานนั้น แต่ Jonathan Javis (http://jonathanjarvis.com/) ซึ่งเป็นนักออกแบบสื่อและการโต้ตอบ (Interaction and Media designer) ก็ได้ทำวิดีโอที่ย่อวิกฤติซับไพร์มที่กินเวลาหลายปีและประกอบไปด้วยปัจจัยต้นเหตุมหาศาลให้เหลืออยู่ในวิดีโอที่มีความยาว 7 นาทีชื่อ “The Crisis of Credit Visualized” (http://crisisofcredit.com/) ทำให้คนทั่วไปที่ไม่จำเป็นต้องมีความรู้ทางเศรษฐศาสตร์ก็เข้าใจได้อย่างง่าย ๆ

ตัวอย่างเล็ก ๆ น้อย ๆ เหล่านี้น่าจะทำให้พอเห็นภาพของการทำ Data Visualisation ได้ หากอยากรู้เพิ่มเติมหรืออยากเห็น Visualisation แบบเท่ ๆ ก็ลองเข้าไปอ่านดูเพิ่มเติมได้ที่ http://infosthetics.com/

Opendream’s elevator pitch

Presentation นี้เตรียมไว้เพื่อไป pitch ที่งาน สมัชชาคุณธรรม ครั้งที่ 4 ที่ Impact เมืองทองธานีแต่ไม่ได้ใช้เลยเอามาแชร์ให้ดูเล่น

Structure ส่วนหนึ่งลอกมาจากของ Social Enterprise Planning Guide ของ YSEI โครงสร้างช่วงแรก ๆ พยายามจะล้อตามโครงสร้างที่ไว้นำเสนอกับนักลงทุน ช่วงหลังจะเริ่มออกทะเล เลยกลายเป็น showcase ไปเล็ก

เอามาแปะไว้เผื่อจะเอาไว้ดูโครงสร้างครับ

When people sick, they search.

doctor.or.th keywords trend

ข้อมูลการค้นหาในเว็บหมอชาวบ้าน ในคำค้นที่เกี่ยวกับโรค 3 อันดับแรกที่ผู้ใช้มาค้นดูในเว็บ (น้ำท่วมปอด, ชิกุนคุนยา และ โรคปากนกกระจอก) ตั้งแต่เดือน ธ.ค. 2551 – มี.ค. 2552 ได้แรงบันดาลใจมาจาก Google Flu Trends แต่ข้อมูลยังน้อยอยู่ ยิ่งไม่มีข้อมูลเชิงพื้นที่แล้วยังอีกไกลนักกว่าจะเทียบได้

สิ่งหนึ่งที่ข้อมูลพวกนี้น่าจะเอามาช่วยได้คือการเฝ้าระวังโรคผ่านทางข้อมูลการค้นหา — ข้อมูลจากเว็บหมอชาวบ้านมีปริมาณเล็กนิดเดียวแต่ถ้าได้ข้อมูลระดับใหญ่อย่างจาก Truehits หรือแม้แต่ Google เอง รวมกับข้อมูลการเฝ้าระวังโรคระบาดจากหน่วยงานที่ทำงานอยู่ก็จะช่วยให้การเฝ้าระวังเป็นไปได้ดีขึ้น

ดูลักษณะของการค้นหาแล้วก็น่าสงสัยอยู่เหมือนกันว่าทำไมน้ำท่วมปอดถึงได้เยอะกว่าชิกุนคุนยา