FTSE ESG Analyzer

AI-powered ESG analysis tool ที่วิเคราะห์เว็บไซต์บริษัทตามมาตรฐาน FTSE Russell

Internal Sales Tool • Version 2.0 • March 2026

Project Overview

WHAT

เครื่องมือสำหรับทีม Sale ใช้วิเคราะห์เว็บไซต์ของลูกค้า เพื่อดูว่าบริษัทมีข้อมูล ESG (สิ่งแวดล้อม, สังคม, ธรรมาภิบาล) ครบถ้วนแค่ไหน ตามมาตรฐาน FTSE Russell

HOW

Sale ใส่ URL เว็บไซต์ลูกค้า → ระบบวิเคราะห์อัตโนมัติ → ได้คะแนน ESG พร้อมจุดที่ต้องปรับปรุง → Sale นำไปเสนอลูกค้า

VALUE

ช่วย Sale pitch ลูกค้าว่า “เว็บไซต์คุณขาดข้อมูล ESG ตรงนี้ เราช่วยทำได้” เปลี่ยน ESG gap เป็นโอกาสขายบริการ

User Flow — ขั้นตอนการใช้งาน

จากมุม Sale team

1. กรอก URL + เลือก Industry

Sale ใส่ URL เว็บไซต์หลักของลูกค้าเพียง URL เดียว — ระบบจะค้นหาเว็บที่เกี่ยวข้องเอง เช่น subdomain นักลงทุนสัมพันธ์, ความยั่งยืน, Corporate โดยอัตโนมัติ ไม่ต้องใส่ทีละเว็บ

Industry: ถ้ารู้หมวดธุรกิจก็เลือกได้เลย ถ้าไม่รู้ก็เลือก Auto-detect แล้ว AI จะตรวจจากเนื้อหาเว็บให้

esg.ohmai.me

2. ระบบ Crawl เว็บไซต์

AI เข้าไปอ่านเนื้อหาทั้งเว็บไซต์ ทุกหน้าที่เกี่ยวข้องกับ ESG รวมถึง subdomain และดาวน์โหลด PDF (Annual Report, Sustainability Report) อัตโนมัติ

Playwright + pdfplumber

3. AI วิเคราะห์ ESG Indicators

AI วิเคราะห์เนื้อหาเทียบกับ FTSE Russell ESG indicators ที่เกี่ยวข้องกับหมวดธุรกิจนั้นๆ ครอบคลุม themes ด้าน Environment, Social และ Governance

OpenAI GPT-4.1-mini

4. คำนวณคะแนน ESG

คิดคะแนน 0-5 ต่อ theme ตาม FTSE methodology แล้วรวมเป็นคะแนน E, S, G และ Overall

Scoring Engine

5. แสดงผล Dashboard + Sitemap

Sale เห็นคะแนนรวม, คะแนนรายธีม, รายละเอียด indicator ที่เจอ/ไม่เจอ, และคำแนะนำว่าควรสร้างหน้าเว็บอะไรเพิ่ม

Dashboard

Accuracy & Calibration — ความแม่นยำและการปรับจูน

เทียบผลลัพธ์กับคะแนน FTSE Russell จริง แล้วปรับจูนจนใกล้เคียง

3.4

target 3.3

ESG Overall

2.0

target 2.3

Environmental

4.3

target 3.3

Social

4.0

target 4.6

Governance

กระบวนการ Calibration

เรานำผลลัพธ์จาก App มาเทียบกับคะแนน FTSE Russell จริงของบริษัทจดทะเบียน จากนั้นปรับจูนระบบทีละขั้นจนคะแนนใกล้เคียงกับของจริงมากที่สุด เป้าหมายคือเก็บข้อมูลจริงจากบริษัทในทุกกลุ่มอุตสาหกรรม เพื่อให้ระบบ calibrate ได้ครอบคลุมและแม่นยำมากยิ่งขึ้น

Step 1

Indicator Mapping

จับคู่ FTSE indicators ทั้ง 381 ตัว (196 Core, 176 Sector-specific, 6 Performance, 3 Geography — นับจากเอกสาร FTSE Russell โดยตรง) กับแต่ละหมวดอุตสาหกรรม เมื่อเว็บลูกค้าถูกระบุหมวดธุรกิจแล้ว ระบบจะวัดเฉพาะ indicators ที่เกี่ยวข้องกับหมวดนั้นจริงๆ ตรงตาม FTSE methodology

Step 2

False Positive Reduction

วิเคราะห์ข้อมูลที่ AI “คิดว่าเจอ” แต่จริงๆ ไม่ถูกต้อง เช่น บริษัทเอ่ยถึงนโยบาย แต่ไม่มีตัวเลขจริงรองรับ — แล้วเพิ่มกฎให้ AI แยกแยะได้แม่นขึ้น

Step 3

Cross-Industry Calibration

ยิ่งมีผลลัพธ์จริงจากบริษัทหลากหลายอุตสาหกรรมมากขึ้น ระบบยิ่ง calibrate ได้แม่นขึ้น — เพราะแต่ละอุตสาหกรรมมี pattern การเปิดเผยข้อมูล ESG ต่างกัน

Benchmark ล่าสุด: Indicator mapping ตรง 142/142 (100%) — คะแนนรวมห่างจากของจริงเพียง 0.1 คะแนน

Cost & Resources

ค่าใช้จ่ายรายเดือนและต่อการใช้งาน

~3.4 ฿

ต่อการวิเคราะห์ 1 ครั้ง (5-7 นาที)

ค่าใช้จ่ายคงที่ / เดือน

AWS EC2 (shared)~$30

Supabase PRO~$25

รวม~$55/mo (~1,925 ฿)

ค่าใช้จ่ายต่อ Analysis

OpenAI tokens~$0.096

เวลา5-7 นาที

ต่อครั้ง~3.4 ฿

Deep Dive — Technical Details

Analysis Pipeline — ระบบทำงานอย่างไร

9 ขั้นตอนภายใน backend

ค้นหา Sitemap

อ่านไฟล์ sitemap.xml ของเว็บไซต์ เพื่อค้นหาหน้าทั้งหมดที่เกี่ยวข้องกับ ESG

อ่านเว็บ

Crawl เนื้อหาจากหน้าเว็บที่คัดเลือกแล้ว รวมถึง subdomain ที่ค้นพบอัตโนมัติ

ค้นหาและอ่าน PDF

ค้นหา PDF รายงานสำคัญ (Sustainability Report, Annual Report) แล้วอ่านเฉพาะหน้าที่เกี่ยวข้อง

ระบุหมวดธุรกิจ

AI วิเคราะห์เนื้อหาเว็บเพื่อระบุหมวดอุตสาหกรรม (ICB subsector) โดยอัตโนมัติ

กรอง Indicators

เลือกเฉพาะ FTSE indicators ที่เกี่ยวข้องกับหมวดธุรกิจนั้น จาก 381 ตัวทั้งหมด

วิเคราะห์จากเว็บ (Round 1)

AI วิเคราะห์ indicators ทั้งหมดจากเนื้อหาเว็บไซต์ก่อน เป็นแหล่งข้อมูลหลัก

เติมข้อมูลจาก PDF (Round 2)

Indicators ที่ยังไม่เจอจากเว็บ นำ PDF มาวิเคราะห์เพิ่มเพื่อหาข้อมูลเชิงปริมาณ

คำนวณคะแนน

รวมผลลัพธ์ทั้ง 2 รอบ แล้วคำนวณคะแนน 0-5 ต่อ theme ตาม FTSE methodology

แนะนำ Sitemap

สร้างคำแนะนำว่าควรเพิ่มหน้าเว็บอะไรบ้าง เพื่อปรับปรุงคะแนน ESG

Smart PDF Reading

PDF รายงานประจำปีอาจมี 300+ หน้า แต่ระบบไม่อ่านทุกหน้า — สแกนสารบัญก่อน แล้วอ่านเฉพาะหน้าที่เกี่ยวข้องกับ ESG ทั้งภาษาไทยและอังกฤษ ประหยัดเวลาและ token

Tech Stack

เทคโนโลยีที่ใช้ในโปรเจกต์

FRONTEND

Next.js 16 — React framework
React 19 — UI library
TypeScript — strict mode
Tailwind CSS 4 — styling
shadcn/ui — components
Recharts — charts
Lucide React — icons

BACKEND

Python 3.11 — runtime
FastAPI — API framework
Playwright — web crawler
pdfplumber — PDF extraction
OpenAI GPT-4.1-mini — AI engine
httpx — HTTP client
Pydantic — data validation

INFRASTRUCTURE

AWS EC2 — t3.medium server
Docker Compose — 3 containers
Nginx — reverse proxy
Supabase — PostgreSQL database
Cloudflare — DNS + SSL
Let's Encrypt — HTTPS certificate

Security Measures

มาตรการรักษาความปลอดภัยตามมาตรฐาน OWASP

CriticalSSRF Protection

ป้องกันไม่ให้ผู้ใช้กรอก URL ที่ชี้ไปยัง IP ภายใน (127.x, 10.x, 172.16.x, 169.254.x) ซึ่งอาจเข้าถึง AWS metadata หรือระบบภายในได้

HighRate Limiting

จำกัดจำนวน request — สร้าง analysis ได้ 5 ครั้ง/นาที, API ทั่วไป 30 ครั้ง/นาที ป้องกันการใช้งานเกินควรหรือ DDoS

HighNon-root Docker

Container ทุกตัวรันเป็น user ปกติ (appuser:1001) ไม่ใช่ root — ลดความเสียหายหากมีช่องโหว่

HighInput Validation

ตรวจสอบ URL ด้วย Pydantic, sanitize ข้อความก่อนส่ง AI (ลบ null bytes, control chars), จำกัด query สูงสุด 100 records

MedSecurity Headers

X-Content-Type-Options (ป้องกัน MIME sniffing), X-Frame-Options DENY (ป้องกัน clickjacking), HSTS (บังคับ HTTPS 1 ปี), X-XSS-Protection

MedCORS Restricted

อนุญาตเฉพาะ esg.ohmai.me เท่านั้นที่เรียก API ได้ ป้องกันเว็บอื่นขโมยใช้ API — รับเฉพาะ GET, POST

Development Process — สร้างแอปนี้ขึ้นมาอย่างไร

Vibe Coding — ใช้ AI เป็นตัวช่วยหลักในการเขียน code ทั้งหมด

Vibe Coding

วิธีการพัฒนาซอฟต์แวร์แบบใหม่ที่ใช้ AI coding agent เป็นผู้เขียน code — ผู้สร้างทำหน้าที่เป็น “ผู้กำกับ” คอยบอกว่าต้องการอะไร ตรวจสอบผลลัพธ์ และตัดสินใจ โดยไม่ต้องเขียน code เองทุกบรรทัด

Claude Code

AI coding agent ที่ทำงานใน VS Code terminal เขียน code, debug, deploy ให้ทั้งหมด

Claude Opus 4.6

AI model ที่ขับเคลื่อน Claude Code มีความสามารถวิเคราะห์ code ระดับสูง

Playwright MCP

เชื่อมต่อ browser เข้ากับ AI Agent ให้ทดสอบเว็บอัตโนมัติระหว่างพัฒนา

GitHub

ระบบจัดการ version ของ source code และ collaboration

AWS EC2

Cloud server สำหรับ deploy และรัน production ของทั้ง frontend และ backend

Docker

บรรจุแอปทั้งหมดเป็น container เพื่อ deploy ได้ง่ายและเหมือนกันทุกเครื่อง

Agent Skills & Review Agents

Skills เสริมที่ช่วยให้ AI Agent เขียน code ได้ดีขึ้น แบ่งเป็น 4 กลุ่มตามหน้าที่ — Skills ที่ใช้จริงในโปรเจกต์นี้จะมี จุดสีส้ม กำกับ

Design & UI — ออกแบบหน้าตา

shadcn/ui	ใช้ UI components สำเร็จรูปอย่างถูกวิธีตาม design system
frontend-design	ออกแบบ UI/UX ตามหลัก accessibility และ responsive design
brand-guidelines	ควบคุมสี, ฟอนต์, โทนให้ตรงตามแบรนด์
canvas-design	สร้างงานกราฟิก เช่น โปสเตอร์ ออกเป็น PNG/PDF
theme-factory	ธีมสำเร็จรูป 10 แบบ พร้อมคู่สีและฟอนต์ที่คัดมาแล้ว

Code Quality — เขียน code ให้ดี

next-best-practices	เขียน Next.js ตามมาตรฐาน Vercel — App Router, Server Components
react-best-practices	เขียน React components ที่ปลอดภัย มี performance ดี
supabase-postgres	เขียน query, RLS, migration ตามแนวทางของ Supabase
python-error-handling	จัดการ error, retry, logging ใน Python อย่างถูกต้อง
python-performance	ลด memory, ใช้ async/await, optimize algorithm

Debug & Tools — หาบัคและเครื่องมือ

agent-browser	ควบคุม browser อัตโนมัติ — เปิดเว็บ, กรอกฟอร์ม, ตรวจผลลัพธ์
pdf	อ่าน, สร้าง, แยก, รวมไฟล์ PDF — รวมถึง OCR สำหรับ PDF ที่เป็นรูป
systematic-debugging	วิเคราะห์ bug อย่างเป็นขั้นตอน หาสาเหตุที่แท้จริง ไม่ใช่แค่แก้อาการ

Review Agents — ตรวจ code อัตโนมัติ

security-auditor	ตรวจช่องโหว่ SSRF, XSS, rate limiting, secrets, Docker security
performance-reviewer	ตรวจ memory leaks, error handling, timeout, algorithm complexity
react-ts-reviewer	ตรวจ accessibility, type safety, unused imports, re-render issues

ใช้แล้วในโปรเจกต์นี้ ติดตั้งแล้ว พร้อมใช้งาน

FTSE ESG Analyzer

Built by P'Ohm with Claude Code (Opus 4.6) • March 2026