กรณีศึกษา : เรียนรู้การ Transform องค์กรสู่นวัตกรรมด้วย Agile, DevOps และ MLOps ไปกับทีม KBTG | Techsauce
Contact us
9

กรณีศึกษา : เรียนรู้การ Transform องค์กรสู่นวัตกรรมด้วย Agile, DevOps และ MLOps ไปกับทีม KBTG2 min read

Posted by
Posted date กรกฎาคม 5, 2019

เรียกได้ว่าเป็นงานสัมมนาใหญ่ครั้งแรกของ กสิกร-บิซิเนส เทคโนโลยี กรุ๊ป (KBTG) ตั้งแต่ก่อตั้งบริษัทมา 3 ปี ภายใต้ชื่อ ‘Beyond Agile by KBTG’ ที่มีการเชิญ Speaker ระดับโลก และคนภายในองค์กร มาร่วมแชร์ความรู้กับการใช้งานของ ‘Agile‘ เครื่องมือสำคัญที่จะพาองค์กรธุรกิจและนักพัฒนาโปรแกรมในองค์กรเทคโนโลยีไปสู่การ Transformation

Speaker ระดับโลกมาร่วมให้ความรู้ในครั้งนี้ ได้แก่ Arie van Bennekum, Co-author of Agile Manifesto and Global Thought Leader หนึ่งในผู้คิดค้น Agile , Erik Dörnenburg, Head of Technology จาก ThoughtWorks บริษัทผู้ผลักดันการใช้ Agile และ Ken Collins, Director of Information Management & Analytics จาก Microsoft ผู้นำด้านการวิเคราะห์และการจัดการข้อมูล ที่มาเติมเต็มความรู้

นอกจากนี้ยังมี Highlight Sessions จากผู้เชี่ยวชาญทั้ง 3 ท่านอย่าง McKinsey Digital Labs และ KBTG ที่จะมาถ่ายทอดบทเรียนจากกรณีศึกษาจริง เพื่อเป็นประโยชน์กับองค์กรต่างๆ ที่กำลังเริ่ม Transform นำ Agile มาใช้ หรือองค์กรไหนที่ได้นำ Agile มาใช้แล้ว แต่ DevOps และ MLOps จะมาช่วยเพิ่มประสิทธิภาพได้อย่างไร ไปติดตามกันได้ที่บทความนี้

Driving enterprise agility through Modern Engineering

Raphael Bick
Partner and Leader จาก McKinsey Digital Labs

ทุกบริษัทมักเจอปัญหาหรือติดกับดักที่ทำให้ไม่สามารถเดินหน้าต่ออย่างรวดเร็วได้
ทางออกคือต้องทำลายกำแพงระหว่างทีม Business กับเทคโนโลยีให้ทำงานร่วมกันให้ได้ แล้วจะทำได้อย่างไร?
ไปลองฟังความคิดเห็นของ Raphael Bick Partner and Leader จาก McKinsey Digital Labs ผู้มีประสบการณ์โดยตรงกับการนำ Agile มาประยุกต์ใช้เพื่อขับเคลื่อน Traditional Business ให้ก้าวทันในโลก Disruption กัน

ในยุคแห่ง Disruption ปฏิเสธไม่ได้ว่าทุกองค์กรต้องปรับตัว และนวัตกรรมหลายๆ อย่างเกิดจากความร่วมมือระหว่างทีม Business และทีมที่ดูแลด้านเทคโนโลยีขององค์กรที่ต้องช่วยกันขับเคลื่อนให้เกิดนวัตกรรมใหม่ๆ นำ AI มาประยุกต์ใช้ สร้างโมเดลธุรกิจใหม่ๆ หรือบริการที่ตอบโจทย์กลุ่มลูกค้าในยุคที่พฤติกรรมผู้บริโภคเปลี่ยนแปลงไป กระบวนการหลายอย่างต้องนำดิจิทัลเข้ามาช่วยเพื่อให้เกิดการ automate และทำงานได้เร็วขึ้น

Raphael กล่าวว่าจากผลสำรวจของ McKinsey Digital นับจากนี้ไปจนถึง 5 ปีข้างหน้าจะให้ความสำคัญกับเรื่องของนวัตกรรมและความเร็วในการส่งมอบสู่ตลาด รวมถึงการจับมือร่วมกับพาร์ทเนอร์และให้ความสำคัญกับการขับเคลื่อน Ecosystem มากขึ้น

อย่างไรก็ตามองค์กรแบบเดิม (Traditional Business) ก็ประสบปัญหาที่จะขับเคลื่อนไปในทิศทางดังกล่าว เพราะมี IT process และขั้นตอนที่มากเกินไป มีโครงสร้างองค์กรแบบ Silo ต่างคนต่างทำ การใช้รูปแบบการทำงานแบบเดิมๆ ร่วมกันระหว่างทีมเทคโนโลยีและ Business นั้นใช้ไม่ได้เสียแล้ว ในขณะที่องค์กรที่เน้นด้านดิจิทัลโดยตรงแต่แรก สามารถนำเทคโนโลยีเข้ามาช่วยเพิ่มประสิทธิภาพได้อย่างมากมาย อาทิเช่น บริษัท WeBank บริษัทในกลุ่มของ Tencent สามารถเพิ่มประสิทธิภาพการทำงานของระบบ Call Center ด้วยการนำ AI Chatbot เข้ามาใช้เป็นต้น

เพื่อให้องค์กรสามารถสร้างนวัตกรรมได้ หลายสิ่งหลายอย่างในองค์กรต้องเปลี่ยนไป…

จากเดิมที่ CIO เน้นงานด้าน Technology Delivery และ Security ต้องเปลี่ยนเป็นการทำให้กระบวนการต่างๆ เป็นดิจิทัลให้มากขึ้น เน้นเรื่องการค้นหา Insight จาก data และยังคงคำนึงเรื่องของ Security ในแง่ของแนวคิดที่เดิมเน้น Outsource ก็เน้นวิสัยทัศน์ที่จะเป็นเจ้าของเทคโนโลยีเองมากขึ้นหรือเลือกพาร์ทเนอร์ที่เกื้อหนุนกัน และออกแบบให้ระบบ Infrastructure มีความซับซ้อนน้อยลง และที่สำคัญ

เปลี่ยนการทำงานในการส่งมอบบริการจากเดิมที่เน้นในรูปแบบ Waterfall มาเป็นรูปแบบของการทำงานแบบ Agile เพื่อทะลายกำแพงระหว่าง Business และทีมเทคโนโลยีลง และเพิ่มความเร็วในการส่งมอบบริการที่มีคุณค่าสู่ตลาด เก็บความคิดเห็น และนำกลับมาปรับปรุงและออกเวอร์ชั่นถัดไปอย่างรวดเร็ว

ตัวอย่างอย่างกรณีศึกษา

  • กรณีศึกษาของ Digital Lending Service เริ่มต้นจากการที่ทำความเข้าใจ Customer Journey ตั้งแต่ต้นทางถึงปลายทางที่ครอบคลุมกว่า 75% ของต้นทุนและแปลงให้กระบวนการดังกล่าวเป็นการทำงานในรูปแบบของดิจิทัล ซึ่งสามารถช่วยเพิ่มทั้งรายได้ ลดต้นทุนในจุด Touch point และเพิ่ม conversion rate ในที่สุด ซึ่งกระบวนการนี้ Ant Financial ได้นำมาประยุกต์ใช้โดยค้นหาจุดที่เป็น Pain point ของผู้ใช้ และนำเอากระบวนการดิจิทัลเข้าไปช่วยเพิ่มความสะดวกและรวดเร็ว การนำเอา Agile มาใช้ ทำให้ Ant Financial สามารถนำเสนอบริการได้อย่างรวดเร็ว

  • กรณีศึกษาการนำเอา Data และ AI มาประยุกต์ใช้นั้น ความท้าทายที่สำคัญคือ การเชื่อมโยงเอา data จากหลากหลายช่องทาง ทั้งข้อมูลลูกค้า ตัวธุรกรรมเอง และจากพาร์ทเนอร์ เป็นความท้าทายอย่างมาก ตัว Data Scientist นั้นนอกจากมีทักษะด้านเทคโนโลยีแล้ว ยังต้องมีความเข้าใจในธุรกิจนั้นๆ และสามารถเชื่อมโยงคุณค่าธุรกิจและรู้ได้ว่าโมเดลที่กำลังนำเสนออยู่นั้นกำลังเข้าไปตอบโจทย์อะไรและแปลความหมายของ Data เหล่านั้นให้เกิดเป็น Insight จนกลายเป็น Action ได้ การทำงานร่วมกันแบบ Agile จะช่วยทีมเทคโนโลยี ทีม Business และ Data Scientist ด้วยเช่นกัน

Raphael ยังยกตัวอย่างของโครงการที่เขาเคยทำที่ประเทศจีน เขาเรียกว่า Digital Garages ที่นำเอารูปแบบ Agile มาใช้ระหว่างทีมต่างๆ และนำเอา Tool ต่างๆ เข้ามาช่วยเพิ่มประสิทธิภาพในการทำงานเพื่อให้ส่งมอบผลิตภัณฑ์สู่ตลาดได้อย่างรวดเร็ว และรับฟังความคิดเห็นลูกค้า เพื่อมาปรับปรุงให้ไวที่สุด อาทิ เครื่องมืออย่าง Slack เป็นเครื่องมือที่ใช้สื่อสารระหว่างทีมงาน เป็นต้น

การขับเคลื่อนให้องค์กรสู่ Agile ได้นั้นต้องประกอบด้วย Dynamic Capability และ Stable Backbone กล่าวคือ ต้องประกอบด้วยกลยุทธ์ที่วางแผนระดับปีแล้ว ยังต้องย่อยลงมาสู่ระดับไตรมาส และวางแผนการใช้ทรัพยากรอย่างเหมาะสม ไม่ได้ตายตัว ปรับเปลี่ยนขึ้นอยู่กับสถานการณ์ได้ มีทีมงานที่พร้อมเปลี่ยนแปลง มี Agile mindset และพร้อมที่จะปรับปรุงตลอดเวลา แต่ในขณะเดียวกับ Stable Backbone ก็ต้องมีโครงสร้าง Infrastructure ที่แข็งแรง

Raphael กล่าวทิ้งท้ายว่า เหนือสิ่งอื่นใด ความสำคัญของ Agile Transformation คือ Mindset แทนที่จะมองว่าต่างคนต่างทำงานของตัวเอง แต่คือการมองถึงการนำทีมไปสู่ความสำเร็จและรับผิดชอบร่วมกัน ให้ความสำคัญกับความคิดเห็นผู้อื่น และพร้อมที่จะแสดงความเห็นด้วยเข่นกัน

DevOps Journey of K Plus

คุณธนุสศักดิ์ ธัญญสิริ Delivery Manager, KBTG

หลังจากเราได้เห็นถึงความสำคัญของการนำ Agile มาใช้แล้วนั้น มาดูถึงกรณีศึกษาจริงกันบ้างกับผู้เชี่ยวชาญ KBTG คุณธนุสศักดิ์ ธัญญสิริ Delivery Manager รวมถึงแชร์ประสบการณ์ว่า
DevOps กับ Agile ทำไมต้องทำงานคู่ไปด้วยกัน กับกรณีศึกษาของ KBTG

หลายคนน่าจะรู้จักกับบริการของ K Plus แอปพลิเคชั่น Mobile Banking และ Lifestyle ของทาง KBank พร้อมการนำ Machine Learning มาวิเคราะห์และนำเสนอโปรโมชั่นต่างๆ ให้กับผู้ใช้แบบ Personalize ที่สร้างเสียงฮือฮาไม่น้อยตอนที่เปิดตัว ในความใช้งานง่ายของแอปฯ ที่หลายคนชื่นชอบนั้น เบื้องหลังมีเรื่องราวต่างๆ มากมายกว่าจะมาถึงวันนี้ได้

การเข้าใจพฤติกรรมผู้บริโภค – ปัจจุบันมีช่องทางมากมายที่ติดต่อกับลูกค้าไม่ว่าจะเป็น LINE SMS Email แต่ด้วย Unified Feed Notification Center ของทาง K Plus ทำให้เวลามี Notification จะถูกรวมศูนย์ เช่น เวลาเงินเข้าออก ก็มาเข้าที่โมบายแอปฯ อย่างเดียวก็พอ สะดวกกับลูกค้า

การรองรับการใช้งานจำนวนมหาศาล – แอปฯ ด้านการเงินเป็นแอปฯ ที่ต้องพร้อมรองรับ Transaction การ Scale จำนวนมากๆ ต้องรองรับ Workload จำนวนมากให้ได้ อาทิ ตอนสิ้นปีที่ต้องมีการซื้อกองทุนกันเป็นจำนวนมาก ต้องทำอย่างไร เป็นต้น ดังนั้นระบบทั้งส่วนซอร์ฟแวร์ และฮาร์ดแวร์ต้องออกแบบมาให้รองรับเป็นอย่างดี

คุณธนุสศักดิ์กล่าวว่า ในการพัฒนาระบบทีมงานไม่ได้จำกัดว่าต้องยึดติดกับ Programming Language ภาษาใด แต่เน้นเรื่องการตอบโจทย์ Business use cases ให้มากที่สุด บางอันอาจจะเหมาะกับอีกรูปแบบหนึ่ง บางอันอาจจะเหมาะกับอีกรูปแบบหนึ่งมากกว่า โดยฝั่งพัฒนาซอฟแวร์นั้นก็พัฒนาตามแนวคิดของ Agile ทำ Design Sprint ทำการ Test อย่างไรก็ตาม การที่จะส่งมอบหรือ Deliver ให้บริการสู่ตลาดได้อย่างรวดเร็ว ระหว่างทีมนักพัฒนาและทีม Operation ที่จะ Deploy code ขึ้นไปนั้นต้องทำงานอย่าง Seamless ที่สุด และมีความเสถียร

โดยทางคุณธนุสศักดิ์กล่าวว่าทางทีมงานมีการนำ DevOps มาใช้ในการพัฒนาผลิตภัณฑ์ โดย DevOps คือ วิถีการปฏิบัติ และเครื่องมือต่างๆ ที่ช่วยเพิ่มความสามารถในการ Deliver หรือส่งมอบบริการได้อย่างรวดเร็ว

ถ้าไม่ใช้ DevOps เข้ามาช่วยร่วมกับการทำงานแบบ Agile จะทำให้เกิด Human Error สูง การนำ DevOps มาช่วยจะทำให้กระบวนการ Deploy ต่างๆ เป็นไปอย่างราบรื่น เพราะทุกอย่างจะถูก
Automate โดยระบบ โดยนักพัฒนาเพียงแค่ใส่ Source code เวอร์ชั่นล่าสุดใน Container ที่ทีม Deploy จะนำไปใช้ ในขณะเดียวกันทักษะของนักพัฒนาจะขึ้นอยู่กับลักษณะงาน อยู่ที่ความต้องการของ Business use cases ไม่ขึ้นกับตัวบุคคล ทำให้ไม่ต้องมีคนที่มี Skill set ที่จำเป็นแบบเดียวกันเยอะเกินไป เป็นการใช้ทรัพยากรอย่างคุ้มค่า

ในขณะเดียวกันคุณธนุสศักดิ์ยังเผยถึงเครื่องมือต่างๆ (DevOps Tool) ที่ทาง KBTG นำมาใช้อีกหลายอันให้กับผู้เข้าร่วมงาน ทั้งเครื่องมือที่เพิ่มประสิทธิภาพ การทำ Automate ต่างๆ การตรวจสอบคุณภาพ และการทำ Load test ที่ต้องปรับจูนกับอยู่เรื่อยๆ เป็นต้น

คุณธนุสศักดิ์สรุปทิ้งท้ายถึงสิ่งต่างๆ ที่ได้เรียนรู้จากโครงการ K Plus ไว้ดังนี้

  • พอเป็นเทคโนโลยีใหม่ ยอมรับว่ามี Learning curve สูงมาก แต่ขณะเดียวกันก็สร้าง set สำหรับ Next generation ไปในตัวให้กับทีมงาน
  • การที่ K Plus มี throughput ที่เข้ามาสูงมาก ต้องทำLoad test ปรับจูน ตั้งแต่อุปกรณ์ที่วิ่งเข้ามาในระบบ, ตรวจทั้งระดับ OS, Container platform และ Application platform
  • ถ้าไม่มีการนำ DevOps tool มาช่วยเรื่อง Automation จะทำให้ทำงานยากขึ้นมาก ใช้เวลานานอีกหลายเท่ากว่าจะส่งมอบบริการสู่ตลาดได้

จากความพยายามต่างๆ ที่ผ่านมา สุดท้ายเขาได้แชร์ถึงความภาคภูมิใจของทีมงานที่ทำให้ได้รางวัล Innovation Award ในที่สุด

The Rise of MLOps: Supercharging Data Science and Machine Learning with DevOps

ดร.ทัดพงศ์ พงศ์ถาวรกมล Principal Visionary Architect, KBTG    

เราเห็นถึงความสำคัญของการนำเอา Machine Learning มาประยุกต์ใช้ในวงการต่างๆ มากมาย อาทิ การคาดการณ์อนาคตในหลายภาคธุรกิจ การนำมาวิเคราะห์วัตถุในภาพ แม้กระทั่งการสร้างสรรค์งานศิลปะ หรือออกแบบเสื้อผ้าเลยทีเดียว

ถ้าในแง่ของภาคการเงิน ก็มีการนำมาใช้กับ Mobile Analytic, การแนะนำกองทุน, นำ AI มาช่วยเรื่องการวิเคราะห์เพื่อปล่อยกู้, การวิเคราะห์ใบหน้าเพื่อยืนยันตัวตน, การสั่งงานด้วยเสียง, การพัฒนา Chatbot เป็นต้น

แม้ธุรกิจทั่วโลกให้ความสนใจกับเทคโนโลยีนี้เป็นอย่างมาก และทำให้ Data Scientist กลายเป็นอาชีพที่เนื้อหอม และหลายองค์กรลงทุนในโครงการด้าน AI แต่ก็ยังมีโครงการจำนวนมากที่ประสบปัญหา ทรัพยากรและบุคลากรมีไม่เพียงพอต่อความต้องการ โครงการมีความล่าช้า ขาดระบบที่ดี เป็นต้น

ความเข้าใจผิดอันหนึ่งและมักเห็นอยู่บ่อยๆ คือการสร้างทีม Machine Learning ในองค์กรนั้น หลายคนคิดว่าคือการสร้าง Modeling เท่านั้น แต่อันที่จริงแล้วยังมีองค์ประกอบอีกมากมายที่ต้องทำเพื่อที่จะนำโครงการที่เป็นไอเดียออกสู่ตลาดได้จริง และนี่คือสิ่งที่จะคุยกันใน session นี้ นั่นคือ MLOps

ถ้ากล่าวถึงคำนิยามแล้ว MLOps ก็คือ DevOps for Machine Learning Process หรือ ระเบียบกระบวนการแบบปฎิบัติที่ทำให้เกิดการทำงานร่วมมือกัน เกิดการสื่อสารระหว่าง Data Scientist กับหน่วยงานอื่นๆ เพื่อทำให้โครงการที่ใช้ Machine Learning สามารถออกมาเป็นผลิตภัณฑ์สู่ตลาดได้จริง

ดังนั้นจะเห็นว่าการสร้างทีม Machine Learning ในองค์กรนั้นมีมากกว่าเพียงแค่คิด Modeling แล้วป้อน Data ให้เรียนรู้และ Validate Modeling เพียงอย่างเดียว

และนี่คือคำแนะนำของ ดร.ทัดพงศ์ พงศ์ถาวรกมล Principal Visionary Architect แห่ง KBTG มาเล่าถึงเบื้องหลังและทักษะของทีมงานที่จะทำงานในส่วนนี้ได้แก่

1. Requirement Analysis: คนที่เป็น Data Scientist ต้องมีทักษะการวิเคราะห์ความต้องการที่ได้มาจากทาง Business อีกที เพราะหลายครั้ง Business ก็ไม่รู้หรอกว่าจริงๆ แล้วพวกเขาต้องการอะไร ดังนั้นการตั้งคำถามให้ถูกต้องเพื่อคัดกรองความต้องการที่แท้จริงจึงเป็นทักษะที่สำคัญมาก อาทิเช่น ความต้องการสร้าง Model ที่สามารถ detect fraud การโกงของพนักงานที่สาขา อาจไม่จำเป็นต้องเป็นแบบ Real-time ก็ได้ สามารถรอถึงสิ้นวันก็ได้ ดังนั้น Data Scientist ต้องหาจุดร่วมให้เจอระหว่าง Business และเทคโนโลยีให้ได้

2. Matric Selection : ตกลงกันให้ชัดเจนกับทาง Business อะไรคือ Priority อะไรคือสิ่งที่สำคัญ อาทิ เช่น credit scoring model นี้ อาจทำให้เกิด missed opportunity ได้ในคนกลุ่มนี้กี่ % ต้องมี Matric Selection ที่เข้าใจตรงกัน เป็นต้น

3. Exploratory Data Analysis : ต้องทำความเข้าใจการวิเคราะห์ของตัว Model การเลือก Model การ Validate Model เป็นเรื่องสำคัญ ดังคำกล่าวที่ว่า “Model ที่ทำงานได้ แต่เราไม่เข้าใจว่าทำไมมันถึงทำงานได้ แย่กว่า Model ที่ทำงานไม่ได้เสียอีก”

4. Model Experimentation: ต้องทดสอบ Model แบบ A/B Testing เช่นกัน เช่น Credit Scoring Model ที่ 1 และ 2 อันไหนมีความถูกต้อง และทำให้เกิดโอกาสทางธุรกิจได้มากกว่ากัน เป็นต้น แม้แต่การเทรนด์ Model ด้วย Data ก็ต้องทำ A/B Testing ด้วยเช่นกัน

5. Model Monitoring Versioning : Machine Learning Model มีปัจจัยที่ส่งผลให้ทำงานถูกต้องหลักๆ ประกอบด้วย 3 ส่วนคือ Data, Code, Environment Model ที่ทำงานได้ในตอนนี้เปลี่ยน​ Environment อาจจะทำงานไม่ถูกต้องก็ได้ ดังนั้นปัจจัยเรื่องนี้ก็ต้องคำนึงถึง

6. Model Ethic Governance : ต้องแน่ใจว่า Model ที่คิดมานั้นไม่ได้เกิดจากปัจจัยที่กีดกันคนกลุ่มใดกลุ่มหนึ่ง อาทิ กรณีที่ การใช้งาน Face Recognition ในต่างประเทศเกิดปัญหาการวิเคราะห์ภาพผู้หญิงผิวสีได้แล้วได้ผลลัพธ์คลาดเคลื่อน เป็นต้น

ปัจจัยที่ทำให้โครงการที่ใช้ Machine Learning จะประสบความสำเร็จได้นั้นประกอบด้วย

  • Right Process : ต้องมีการ Setup Guideline มีการนำเอา Agile มาใช้เพื่อทำงานร่วมกัน ระหว่างทีมงานตั้งแต่ไอเดียจนกระทั่งส่งมอบผลิตภัณฑ์สู่ตลาด
  • Right People : จริงอยู่ Data Scientist นั้นมีความสำคัญในทีม แต่ยังมีอีกหลายตำ แหน่งที่ขาดแคลนและมีความจำเป็นอย่างมากอย่าง Machine Learning Engineer ที่ต้องเข้าใจในเรื่องไอที เอา Model ของ Data Scientist มาทำให้มีคุณภาพดี สร้าง Monitoring Tool สร้าง A/B Testing Environment Service และเอาไป Deploy ในรูปแบบที่ Scale ได้และยังมีทีม Business Analyst และทีมนักพัฒนาที่ต้องทำงานร่วมกับ Machine Learning ได้อีกด้วย
  • Right Tool : ไม่มีเครื่องมือไหนดีที่สุด มีแต่เครื่องมือไหนที่เหมาะสมกับ Business

Requirement หรือ use case ไหนมากที่สุด ต้องเรียนรู้ว่าจะต้องใช้ Tool อะไร นำมา Support อย่างไรและการ Integrate tool หลายๆ ตัว ก็เป็นเรื่องที่สำคัญ

ดร.ทัดพงศ์  ยังกล่าวทิ้งท้ายว่า Machine Learning นั้นไม่ใช่เรื่องง่าย แต่การเอามาใช้ในระดับใหญ่กับองค์กรอย่างมีแบบแผน ที่พร้อมเพื่อการ Scale เป็นสิ่งที่ท้าทายกว่า ต้องพร้อมทั้ง Process, People และ Tool อย่างที่กล่าวไว้ข้างต้น ในขณะที่ Agile เป็นศูนย์กลางสำคัญที่ทำให้ MLOps สำเร็จได้ โดย KBTG นั้นได้นำ MLOps มาใช้ในองค์กร ผ่านการเรียนรู้หลายอย่าง และพร้อมที่จะแชร์ความรู้เหล่านี้ให้กับคอมมูนิตี้เพื่อเป็นประโยชน์ให้กับสังคมและองค์กรอื่นๆ

บทความนี้เป็น Advertorial

Comments

comments

Sign-up for exclusive content. Be the first to hear about ConvertPlug news.
Subscribe