AES Class Dashboard — Data Dictionary

ภาพรวม Architecture

Dashboard สร้างจาก build script Python → HTML เดี่ยว → deploy บน Cloudflare Pages

BigQuerynclinic2 / dynamics_bc

→

Superset MCPexecute_sql

→

build_full_dashboard.pyPython data + HTML template

→

index.htmlself-contained ~120KB

→

Cloudflare Pagesaes-ops-dashboard

ไฟล์หลัก

Build script	`C:\...\AES-Analytics\build_full_dashboard.py` — embed Python data arrays เข้า HTML template
Output HTML	`ytd_pl_dashboard_2026.html` + `index.html` (เหมือนกัน)
Daily runner	`run_daily_update.ps1` — Task Scheduler 06:27 ทุกวัน → Claude CLI → query → rebuild → deploy
Log	`update_log.txt`

แหล่งข้อมูล (Data Sources)

BigQuery project: aesclass-portal

nclinic2 NClinic — ระบบ POS คลินิก (Revenue / Visit / Product)

dynamics_bc Dynamics 365 BC — บัญชี/สต็อก (COGS จริง, lag ~57 วัน)

PPTX Management Meeting Deck (seed data ประมาณการ)

Computed คำนวณใน Python/JS จากข้อมูลข้างต้น

ตาราง BigQuery ที่ใช้

Table	Dataset	คำอธิบาย	Field หลัก
`get_sale_account`	nclinic2	บันทึกรายการขาย/บริการแต่ละรายการ (หลังหักส่วนลด)	`sale_date`, `organize` (สาขา), `sale_acc` (ยอดขาย ฿), `cn` (รหัสคนไข้), `item_name` (ชื่อสินค้า/บริการ)
`get_visit`	nclinic2	บันทึก visit รายคนไข้ รายวัน	`visit_date`, `organize`, `hn` (HN), `come_count` (1=ใหม่, >1=กลับมา), `finished`
`item_ledger_entries`	dynamics_bc	รายการ stock ledger จาก Dynamics 365 BC (ตัดสต็อก = COGS จริง)	`posting_date`, `entry_type`, `cost_amount_actual`, `description` (item name)

⚠️ ข้อจำกัดสำคัญ

BC Lag ~57 วัน	ข้อมูล `item_ledger_entries` ล่าช้า ~57 วัน — COGS เดือนปัจจุบัน = 0 (ยังไม่ interface)
entry_type COGS	ใช้เฉพาะ `entry_type = 'Negative_x0020_Adjmt_x002E_'` เท่านั้น — entry type `Sale` มีข้อมูลขยะ (ยอดสูงผิดปกติ 5 พันล้าน)
Product Grouping	ใช้ REGEXP บน `item_name` / `description` — ไม่ได้ JOIN master table → กลุ่ม "Other" อาจมี items ที่ควรจัดกลุ่มใหม่
get_receipt ลบแล้ว	ตาราง `nclinic2.get_receipt` ถูกลบออกแล้ว — query ที่ JOIN ตารางนี้จะ error

Tab 1 — รายวัน (Daily)

แสดงรายได้และ KPI ประจำวัน — อัปเดตทุกเช้า 06:27 น. | ข้อมูลถึง D-1 (เมื่อวาน)

KPI Flash Row (5 การ์ด)

การ์ด	สูตร / Logic	แหล่งข้อมูล
Revenue D-1 (฿)	`SUM(sale_acc)` วันล่าสุดใน daily_rows	get_sale_account
Visits D-1	`COUNT(DISTINCT cn)` วันล่าสุด	get_sale_account
Rev/Visit D-1	Revenue D-1 ÷ Visits D-1	Computed
14-Day Total	`SUM(revenue)` 14 วันล่าสุด (ทุก branch ที่เลือก)	get_sale_account
14-Day Avg/Day	14-Day Total ÷ 14	Computed

ภาพที่ 1 — Revenue Trend Bar + Variance Strip Canvas: trendChart + trendVar

องค์ประกอบ	คำอธิบาย	สูตร
แท่ง Revenue (สี teal)	Revenue รายวัน D-13 ถึง D-1 รวมทุก branch ที่เลือก	`SUM(revenue)` per date from daily_rows
D-1 highlight (สีเข้ม)	วันล่าสุดเน้นสี `#123c38`	index === lastIndex → darker color
เส้นค่าเฉลี่ย (avg line)	ค่าเฉลี่ยของ window 7 หรือ 14 วัน (toggle ด้านบน)	`SUM(revenue, window) / window_size`
Variance Strip (สีเขียว/แดง)	แถบใต้กราฟ — ∆ รายวัน vs ค่าเฉลี่ย	`(daily_rev - avg) / avg × 100` เป็น %
Label วันไทย	จ/อ/พ/พฤ/ศ/ส/อา ใต้แกน x + แท่งวันหยุด (ส/อา) สีอ่อน	JS Date → getDay() → map Thai

Avg window toggle: ปุ่ม 7วัน/14วัน — เปลี่ยน avg line + variance strip พร้อมกัน

ตารางที่ 1 — Daily Flash Table (Integrated) Element: t1body

คอลัมน์	สูตร	แหล่งข้อมูล
สาขา	Branch name จาก BN map	Static
D-1 Revenue (฿)	Revenue เมื่อวานของสาขานั้น	get_sale_account
Ranking bar (inline)	Bar width = D-1 rev ÷ max D-1 rev ทุก branch × 100%	Computed
Δ vs Avg	Variance bar สีเขียว/แดง = (D-1 - avg) / avg	Computed
Sparkline 14 วัน	SVG polyline revenue 14 วัน + จุดแดงที่ D-1	daily_rows
รวม 14 วัน	SUM(revenue, 14 days) ของสาขา	daily_rows

⚠️ แถวไฮไลต์แดง + ⚠ เมื่อ D-1 ≤ −30% vs avg (alert threshold)

ภาพที่ 2 — Hero Products (Lifting machines) Canvas: heroChart

Field	รายละเอียด
สินค้า Hero	Ulthera / Oligio / Thermage / Ultraformer / Morpheus
Filter	REGEXP บน `item_name`: `r'ULTHERA\|ULTRAFORMER\|OLIGIO\|THERMAGE\|MORPHEUS'`
Window	7 วัน / 14 วัน / 30 วัน (toggle pills)
สูตร	`SUM(sale_acc)` per (branch, hero_brand, window) — เรียงตาม 30-day DESC
แหล่งข้อมูล	get_sale_account — stored in `hero_rows` array

ภาพที่ 3 — New vs Returning Visits Canvas: nrChart

Field	รายละเอียด
New Visit	`come_count = 1` (visit ครั้งแรกในวันนั้น)
Returning Visit	`come_count > 1`
Filter	`finished = 1` (เสร็จแล้ว) เท่านั้น
แหล่งข้อมูล	get_visit — stored in `nr_rows` [date, org, tot, new, ret]
สูตร % ใหม่	`new_visits / total_visits × 100`

Tab 2 — รายเดือน (Monthly)

เปรียบเทียบรายได้รายเดือน 2026 vs 2025 | เลือกดูรายเดือนผ่าน pills

Month Selector Pills + KPI เดือน

องค์ประกอบ	Logic
Month pills	ม.ค. ถึงเดือนปัจจุบัน — click → filter charts/table เป็นเดือนนั้น
Revenue (เดือน)	`SUM(sale_acc)` ทุก branch ที่เลือก เดือนนั้น
YoY %	`(rev_2026 - rev_2025) / rev_2025 × 100`
Visits (เดือน)	COUNT DISTINCT HN per month (from BR_MO)
Rev/Visit	Revenue ÷ Visits

ภาพที่ 4 — Monthly Revenue Bar (2026 vs 2025) Canvas: monthRevChart

Dataset	สูตร	แหล่งข้อมูล
2026 (teal)	`SUM(sale_acc)` per (branch, month) 2026	get_sale_account
2025 (gray)	`SUM(sale_acc)` per (branch, month) 2025	get_sale_account
เส้น YoY%	`(rev26-rev25)/rev25×100` per month	Computed

เดือน Jun MTD = ข้อมูลยังไม่ครบเดือน (ถึง D-1) — label มี * กำกับ

ตารางที่ 2 — Branch × Month Revenue Element: t2body

คอลัมน์	สูตร
Rev 2026 (M฿)	`SUM(sale_acc)` เดือนที่เลือก ปี 2026 ของสาขา
Rev 2025	`SUM(sale_acc)` เดือนเดียวกัน ปี 2025
YoY	chip สีเขียว/แดง = `(26-25)/25×100`
Visits	COUNT DISTINCT HN เดือนนั้น
Rev/Visit	Rev ÷ Visits
สัดส่วน	Rev สาขา ÷ Rev รวม chain × 100%

Tab 3 — YTD รายเดือน

ภาพรวม YTD ม.ค.–พ.ค. 2026 — Revenue + COGS รายเดือน + ตาราง P&L เดือน + YTD Branch

KPI Row — YTD Summary

การ์ด	สูตร	แหล่งข้อมูล
Revenue YTD	`SUM(rev26[m])` ทุกเดือน ม.ค.–ปัจจุบัน	get_sale_account
YoY Revenue	`(sum26 - sum25) / sum25`	Computed
COGS YTD	`SUM(cogs26[m])` ทุกเดือน (COGS จาก BC)	item_ledger_entries
Gross Profit YTD	Revenue YTD − COGS YTD	Computed
GP Margin %	GP ÷ Revenue × 100	Computed

ภาพที่ 5 — YTD Monthly Revenue 2026 vs 2025 Canvas: ytdRevChart

Field	รายละเอียด
Data source	`YTD_MO.rev26[month]` / `YTD_MO.rev25[month]`
Aggregation	`SUM(sale_acc)` per (month, year) — branch filter applied via scale ratio
Scale logic	ถ้าเลือกบางสาขา: ยอดจาก BR_MO (สาขาที่เลือก) ÷ รวมทุกสาขา

ภาพที่ 6 — Revenue + COGS + GP + YoY% Canvas: ytdCogsChart

Dataset	สูตร	หมายเหตุ
Revenue (bar teal)	`YTD_MO.rev26[m]`	ม.ค.–มิ.ย. MTD
COGS (bar red)	`YTD_MO.cogs26[m]`	จาก item_ledger_entries Negative Adjmt. — มิ.ย. = 0 (BC lag)
GP (line gray dash)	Revenue − COGS per month	Computed
YoY% (line teal)	`(rev26-rev25)/rev25×100`	secondary Y-axis (right)

ตารางที่ 4 — Monthly P&L Summary Element: t4body

คอลัมน์	สูตร	แหล่งข้อมูล
Revenue 2026	`YTD_MO.rev26[m] × branch_scale`	get_sale_account
Revenue 2025	`YTD_MO.rev25[m] × branch_scale`	get_sale_account
YoY	`(rev26-rev25)/rev25×100`	Computed
COGS 2026	`YTD_MO.cogs26[m] × scale`	item_ledger_entries
GP	Rev26 − COGS26	Computed
GP%	GP ÷ Rev26 × 100	Computed
Visits	`YTD_MO.vis26[m]` = COUNT DISTINCT CN	get_sale_account
Rev/Visit	Rev26 ÷ Visits	Computed

ตารางที่ 5 — YTD Branch Revenue Element: t5body

คอลัมน์	สูตร
Rev 2026 YTD	`BR_YTD[branch].rev26` = SUM ม.ค.–ปัจจุบัน
Rev 2025 YTD	`BR_YTD[branch].rev25` เดือนเดียวกัน
YoY	(rev26-rev25)/rev25×100
Visits	`BR_YTD[branch].vis26` = COUNT DISTINCT CN YTD
Rev/Visit	rev26 ÷ vis26
สัดส่วน %	rev26_branch ÷ rev26_total × 100

Tab 4 — Product Mix (สัดส่วนสินค้า)

แบ่งรายได้เป็น 4 กลุ่มสินค้าหลัก — ม.ค.–พ.ค. 2026 | ข้อมูล: get_sale_account + D365 BC

Product Grouping Logic (REGEXP บน item_name)

กลุ่ม	REGEXP Pattern	ตัวอย่าง item
Lifting	`ULTHERA\|ULTRAFORMER\|OLIGIO\|THERMAGE\|MORPHEUS\|HIFU\|EXILIS\|VENUS\|SCULPSURE`	Ulthera, Oligio, Thermage FLX
Injection	`BOTOX\|DYSPORT\|XEOMIN\|FILLER\|JUVEDERM\|RESTYLANE\|SCULPTRA\|RADIESSE\|PROFHILO\|NEURONOX\|NABOTA\|REVOLAX\|PLINEST\|MOUNJARO`	Botox, Filler, Mounjaro
Pico & Laser	`PICO\|PICOCARE\|LASER\|FRAXEL\|CO2\|IPL\|PICOWAY\|ENLIGHTEN\|TONING\|PIGMENT`	PicoSure, CO2 Laser
Other	ไม่ตรงกับ pattern ข้างต้น	Skincare, Package, Consultation

⚠️ Pattern matching ไม่สมบูรณ์ 100% — items บางรายการอาจจัดกลุ่มไม่ตรง เนื่องจาก item_name ไม่ได้ standardized

ภาพที่ 7 — Product Mix รายเดือน Stacked Bar Canvas: prodStackChart

Field	รายละเอียด
สูตร	`SUM(sale_acc)` per (branch, product_group, month)
Data structure	`PROD_BR[branch][month][group]` = revenue (฿)
Branch filter	sum เฉพาะ branch ที่เลือก
แหล่งข้อมูล	get_sale_account — `prod_rows_batch1/2/...`

ภาพที่ 8 — Product Mix YTD Doughnut Canvas: prodPieChart

สูตร	`SUM(revenue, ม.ค.–พ.ค.)` per group
Label tooltip	Group name + M฿ + สัดส่วน %

ภาพที่ 9/10 — Lifting/Injection YoY เปรียบเทียบ liftYoyChart / injYoyChart

2026 (teal)	`byMonth[m]['Lifting']` สาขาที่เลือก
2025 (light teal)	`byMonth25[m]['Lifting']` — scale ตามสัดส่วน branch
2025 data	`PROD_MO['2025-mm'][group]` = ยอดรวม chain ปี 2025

ตารางที่ 6 — Product Mix YTD แยกสาขา Element: t6body

คอลัมน์	สูตร
Lifting / Injection / Pico / Other (฿)	SUM revenue per group ม.ค.–พ.ค. ของสาขา
% (สัดส่วน)	group_rev ÷ branch_total × 100
รวม	SUM ทุก group ของสาขา

Direct Material Margin ราย Product Group Canvas: prodMarginChart + t-margin-body

Field	รายละเอียด
Revenue (chain)	SUM ทุก branch จาก PROD_BR — ไม่ผ่าน branch filter
Direct COGS (chain)	`COGS_PROD['2026-mm'][group]` × 1e6 — จาก item_ledger_entries Negative Adjmt.
Direct Margin	Revenue − COGS per group
Margin %	Margin ÷ Revenue × 100
แหล่งข้อมูล COGS	item_ledger_entries — REGEXP บน `description` field

⚠️ Direct Material Margin ≠ Gross Profit — ไม่รวม Doctor Fee / Med Staff / Rental / Overhead
มิ.ย. COGS = 0 / N/A เนื่องจาก BC lag ~57 วัน

ตารางที่ 7 — Direct Material Margin ราย Sub-Product Element: t-sub-body ประมาณการ ~85%

แสดง Revenue / COGS / Margin แยกย่อยระดับ sub-product ภายในแต่ละกลุ่มใหญ่ (Jan–May 2026 เท่ากัน)

Field	รายละเอียด
Data blob	`SUB_PROD_ROWS` — [sub_product, major_group, rev_M, cogs_M]
Revenue	nclinic2.get_sale_account · REGEXP บน `item_name` · Jan–May 2026
COGS	dynamics_bc.item_ledger_entries · REGEXP บน `description` · Jan–May 2026
Margin %	(Revenue − COGS) ÷ Revenue × 100 · color badge: ≥80% teal / 60–79% เขียว / 40–59% orange / <40% red
Revenue %	Revenue sub-product ÷ Revenue รวมทุกกลุ่ม × 100
Branch filter	❌ ไม่ filter — Revenue ใช้ chain-level (COGS ไม่มี branch dimension)

Sub-product	Major Group	Rev 5M (M฿)	COGS 5M (M฿)	Margin%	ความแม่นยำ
Ulthera	Lifting	36.72	16.32	55.6%	🟢 สูง
Oligio	Lifting	22.52	3.20	85.8%	🟢 สูง
Thermage	Lifting	11.53	4.13	64.2%	🟢 สูง
Ultraformer	Lifting	9.31	2.56	72.5%	🟢 สูง
Morpheus	Lifting	2.12	0.38	81.9%	🟢 สูง
Neurotoxin	Injection	17.01	7.20	57.7%	🟡 ปานกลาง
Filler	Injection	14.43	5.94	58.8%	🟡 ปานกลาง
Biostimulator	Injection	11.63	6.21	46.6%	🟡 ปานกลาง
Pico Laser	Pico & Laser	10.37	0.60	94.3%	🟢 สูง
CO2/Fractional	Pico & Laser	3.94	0.00	~100%	🔴 COGS=0 (อาจ uncategorized)
Other (Laser)	Pico & Laser	3.47	0.00	~100%	🔴 COGS=0
Other	Other	36.74	9.33	74.6%	🟠 Bucket ใหญ่ ไม่ classified

⚠️ ข้อจำกัดความแม่นยำ:
• Revenue regex ใช้ item_name (NClinic) ≠ COGS regex ใช้ description (BC) — อาจ misclassify บางรายการ
• CO2/Fractional & HIFU COGS = 0 — consumable อาจบันทึกภายใต้ชื่ออื่นใน BC
• Other bucket (36.7M) ขนาดใหญ่ — อาจมีผลิตภัณฑ์ที่ควรจัดกลุ่มได้หลุดเข้ามา
• ควรใช้เป็น "ประมาณการ" เท่านั้น ไม่ใช่ตัวเลข certified financial

Tab 5 — งบกำไรขาดทุน (Exec P&L)

P&L ระดับเครือ | 2024/2025 = ทั้งปี · 2026 YTD 5M · Forecast 12M | ข้อมูลไม่แยกสาขา

แหล่งข้อมูล P&L

รายการ	แหล่งข้อมูล	หมายเหตุ
รายได้ (Revenue) 2026 YTD	get_sale_account actual	179.96M ม.ค.–พ.ค. 2026
ต้นทุนสินค้า (Inventory) 2026 YTD	item_ledger_entries actual	55.86M Negative Adjmt. ม.ค.–พ.ค. 2026
ต้นทุนแพทย์ / Med Staff / Overhead / Rental 2026	PPTX slide 24 ประมาณการ	scaled จาก % 4M PPTX × revenue 5M จริง
S&M / Admin / D&A / Finance cost 2026	PPTX slide 24 ประมาณการ	scaled ×(179.96/148.00)
ปี 2024 / 2025 (ทั้งปี)	PPTX slide 24 actual	board-approved figures
Forecast 2026F	PPTX slide 25 Case 1	3 scenarios

KPI Cards (4 การ์ด)

Revenue YTD	`FIN.pnl[0].v[2]` = 179.96M
GP + GP%	`FIN.pnl[7].v[2]` = 53.96M · `FIN.pnl_pct.gp[2]` = 30.0%
EBITDA + %	`FIN.pnl[12].v[2]` = 6.00M · `FIN.pnl_pct.ebitda[2]` = 3.3%
Net Profit/(Loss)	`FIN.pnl[17].v[2]` = −8.44M

ภาพ P&L Bridge (Waterfall) Canvas: pnlWaterfall

Step	สูตร
รายได้	`FIN.pnl[0].v[2]` = 179.96M
− ต้นทุนบริการ	`rev − total_cost` = 179.96 − 126.00
กำไรขั้นต้น	= 53.96M
− S&M	`gp − sm`
− Admin
+ อื่นๆ	asset gain + other income
EBITDA	= 6.00M

ตาราง P&L เปรียบเทียบ 4 คอลัมน์ Element: pnl-body

แสดง FIN.pnl array ทุก row — คอลัมน์ highlight = i26=2 (YTD 2026 5M)

แถว % (cost%/GP%/EBITDA%) = FIN.pnl_pct object

Tab 6 — ต้นทุน & Margin (Cost)

เปรียบเทียบต้นทุนขายและบริการ YTD ม.ค.–พ.ค. ทุกปี | 2024/2025 = scaled ×5/4 จาก PPTX

แหล่งข้อมูลและ Period

คอลัมน์	Period	แหล่งข้อมูล	หมายเหตุ
YTD 2024 (5M)	ม.ค.–พ.ค. 2567	PPTX slide 16 ×5/4	ประมาณการ (scaled)
YTD 2025 (5M)	ม.ค.–พ.ค. 2568	PPTX slide 16 ×5/4	ประมาณการ (scaled)
YTD 2026 (5M)	ม.ค.–พ.ค. 2569	Inventory: BC actual / อื่น: PPTX ประมาณการ	Inventory = ข้อมูลจริง

ตารางต้นทุน — รายหมวด + % Element: cost-body

บรรทัด	ค่า 2026 5M	แหล่งข้อมูล
ต้นทุนสินค้า (Inventory)	55.86M	item_ledger_entries Negative Adjmt. actual
ต้นทุนแพทย์ (Doctor Fee)	36.13M	PPTX ประมาณการ
ต้นทุนบุคลากรการแพทย์	10.37M	PPTX ประมาณการ
ค่าใช้จ่ายโสหุ้ยอื่น	0.13M	PPTX slide 16
ค่าเช่า (Rental)	21.86M	PPTX ประมาณการ
รวมต้นทุนบริการ	126.00M	Computed sum
% ต่อรายได้	70.0%	126.00 ÷ 179.96 × 100

KPI Cards — Computed YoY

YoY % ทุกการ์ดคำนวณ อัตโนมัติ จากข้อมูลจริงใน FIN.cost_total / FIN.cost:

Total cost YoY	`(tot[2]/tot[1]-1)×100` = (126.00/116.75-1)×100 = +7.9%
Inventory YoY	`(C[0].v[2]/C[0].v[1]-1)×100` = (55.86/48.34-1)×100 = +15.6%
Doctor YoY	`(C[1].v[2]/C[1].v[1]-1)×100` = (36.13/32.86-1)×100 = +9.9%

Tab 7 — ค่าใช้จ่าย S&M (OpEx)

Selling & Marketing แยกประเภท YTD ม.ค.–พ.ค. | 2024/2025 = scaled ×5/4

แหล่งข้อมูล S&M

ข้อมูลทั้งหมดจาก PPTX slide 20 — ยังไม่มีการ reconcile กับ GL จริง

2024/2025 scaled ×5/4 จาก Jan-Apr | 2026 scaled ×(179.96/148.00) จาก 4M PPTX

ตาราง S&M แยกประเภท Element: sm-body

บรรทัด	ค่า 2026 5M
Commission พนักงาน	15.48M
Digital Marketing	6.01M
Credit Card Fee	5.56M
อื่นๆ (Advertising/Event/Agent)	3.03M
S&M รวม	30.08M (16.7% ของ revenue)

ภาพ % S&M ต่อรายได้ Canvas: opexPctChart

สูตร	`sm_total[i] / rev_ytd[i] × 100`
2024	18.31 ÷ 145.46 = 12.6%
2025	19.49 ÷ 156.69 = 12.4%
2026	30.08 ÷ 179.96 = 16.7%

Tab 8 — ประมาณการ (Forecast)

3 Scenarios ทั้งปี 2026 | ข้อมูลจาก PPTX slide 25 — board-approved

3 Scenarios

Scenario	สมมติฐาน	Revenue	EBITDA	Net
Case 1	โครงสร้างต้นทุนเท่า YTD 2026	438.29M	5.82M	−30.39M
Case 2	ลดงบการตลาด 30M	408.29M	−0.12M	−36.33M
Case 3	ต้นทุนเท่า YTD + เพิ่ม treatment revenue	521.79M	36.26M	+0.05M

แหล่งข้อมูล: PPTX slide 25 — ค่าเหล่านี้ไม่ได้อัปเดตอัตโนมัติ

Branch Filter Logic

Pills ด้านบน — เลือก/ยกเลิก branch ที่ต้องการ

การทำงานของ Branch Filter

Tab	Filter ทำงานไหม?	Logic
Daily, Monthly, YTD, Product Mix	✅ ทำงาน	filter `sel` set → aggregate เฉพาะ branch ที่เลือก
Exec P&L, Cost, OpEx, Forecast	❌ ไม่ทำงาน (hidden)	ข้อมูลเป็น chain-level ไม่มี branch dimension
Direct Material Margin	❌ ไม่ filter	COGS จาก BC ไม่มี branch dimension — Revenue ใช้ chain-level เสมอ

Auto-Update Pipeline

ขั้นตอนอัปเดตอัตโนมัติ (run_daily_update.ps1)

Step	Query	อัปเดต array ใน build script
1	Daily Revenue 14 วัน (`get_sale_account`)	`daily_rows`
2	Product Mix by Branch × Month YTD 2026 (`get_sale_account`)	`prod_rows_batch*`
3	YTD Branch Revenue 2026 vs 2025 (`get_sale_account`)	`branch_ytd_rows`
4	Hero Products 7/14/30 วัน (`get_sale_account`)	`hero_rows`
5	COGS by Product Group รายเดือน (`item_ledger_entries` Negative Adjmt.)	`cogs_prod_rows` + `fin_data` P&L cascade
6	— (no query)	`python build_full_dashboard.py` → rebuild HTML → `wrangler deploy`

ข้อมูลที่ไม่อัปเดต: New/Returning (nr_rows), fin_data Doctor/MedStaff/Rental/S&M/Admin, Forecast scenarios

ข้อจำกัดและความแม่นยำ

สรุประดับความน่าเชื่อถือ

ข้อมูล	ระดับ	หมายเหตุ
Revenue (รายได้)	🟢 High — actual	Reconcile กับ PPTX ±1.9%, realtime
Inventory COGS (ต้นทุนสินค้า)	🟡 Medium — actual แต่ lag	D365 BC Negative Adjmt., lag ~57 วัน, reconcile ±2.9%
Doctor / MedStaff / Rental	🟠 Estimate	Scale จาก % PPTX × revenue จริง
S&M / Admin / D&A	🟠 Estimate	Scale จาก % PPTX × revenue จริง
2024/2025 cost (YTD 5M)	🔴 Rough estimate	PPTX 4M ×5/4 linear scaling — ไม่คำนึงถึง seasonality
Forecast scenarios	🔵 Projection	จาก board deck — ไม่อัปเดตอัตโนมัติ

AES Class Operations Dashboard
Data Dictionary

สารบัญ

ภาพรวม Architecture

แหล่งข้อมูล (Data Sources)

Tab 1 — รายวัน (Daily)

Tab 2 — รายเดือน (Monthly)

Tab 3 — YTD รายเดือน

Tab 4 — Product Mix (สัดส่วนสินค้า)

Tab 5 — งบกำไรขาดทุน (Exec P&L)

Tab 6 — ต้นทุน & Margin (Cost)

Tab 7 — ค่าใช้จ่าย S&M (OpEx)

Tab 8 — ประมาณการ (Forecast)

Branch Filter Logic

Auto-Update Pipeline

ข้อจำกัดและความแม่นยำ

AES Class Operations DashboardData Dictionary

สารบัญ

ภาพรวม Architecture

แหล่งข้อมูล (Data Sources)

Tab 1 — รายวัน (Daily)

Tab 2 — รายเดือน (Monthly)

Tab 3 — YTD รายเดือน

Tab 4 — Product Mix (สัดส่วนสินค้า)

Tab 5 — งบกำไรขาดทุน (Exec P&L)

Tab 6 — ต้นทุน & Margin (Cost)

Tab 7 — ค่าใช้จ่าย S&M (OpEx)

Tab 8 — ประมาณการ (Forecast)

Branch Filter Logic

Auto-Update Pipeline

ข้อจำกัดและความแม่นยำ

AES Class Operations Dashboard
Data Dictionary