AI ကို ထိုင်းအိမ်ခြံမြေမှာ ဘယ်နေရာတွေမှာ တကယ်သုံးလို့ရသလဲ (၂၀၂၆)

AI စနစ်တစ်ခုက ဖူးခက်ဗီလာတွေရဲ့ စျေးနှုန်းကို တွက်ချက်တဲ့အခါ တကယ့်ရောင်းစျေးထက် အမြဲတမ်းနည်းနေတာ သတိပြုမိဖူးလား။ ပြဿနာက algorithm မှာ မဟုတ်ပါဘူး။ ထိုင်းမှာ အရောင်းအဝယ်စာချုပ်တွေမှာ ပုံမှန်အားဖြင့် ဖော်ပြထားတာက အမှန်တကယ် ရောင်းဝယ်သည့်စျေးနှုန်းမဟုတ်ဘဲ လွှဲပြောင်းခွန်တွက်ဖို့ အသုံးပြုတဲ့ အစိုးရအကဲဖြတ်စျေးနှုန်း (assessed value) ကိုသာ ဖြစ်ပါတယ်။ AI က ကျွေးထားတဲ့ဒေတာကို သစ္စာရှိရှိ သင်ယူပြီး ဘယ်သူမှ အမှန်တကယ် မရောင်းတဲ့ ဂဏန်းတစ်ခုကို ထုတ်ပေးနေတာပါ။

ဒီဇာတ်လမ်းလေးက ပိုကြီးတဲ့မေးခွန်းကို ဖြေပေးနေပါတယ်။ AI က အိမ်ခြံမြေလုပ်ငန်းမှာ တကယ်ကောင်းတာက ဘာလဲ၊ မကောင်းတာက ဘာလဲဆိုတာပါ။ ဒေတာသန့်ရှင်းပြီး ကြွယ်ဝတဲ့နေရာမှာ AI က အံ့ဩစရာကောင်းလောက်အောင် အလုပ်လုပ်ပေးပါတယ် - စာဖြေခြင်း၊ စာရွက်စာတမ်းများ၊ ဘာသာပြန်ခြင်း၊ ဘဏ္ဍာရေးမော်ဒယ်တည်ဆောက်ခြင်း၊ ဖောက်သည်များကို စစ်ဆေးခွဲခြားခြင်း စတာတွေမှာပါ။ ဒါပေမယ့် ဈေးကွက်ရဲ့ သတင်းအချက်အလက်တွေ ကွယ်ဝှက်နေတဲ့နေရာမှာတော့ ရှုံးနိမ့်ပါတယ်၊ ထိုင်းရဲ့ resale အိမ်ခြံမြေဈေးကွက်ကတော့ အတိအကျ ဒီလိုပါပဲ။

၂၀၂၆ ခုနှစ်မှာ ကိုယ်စားလှယ်များနဲ့ ရင်းနှီးမြှုပ်နှံသူများအတွက် အချိန်ကုန်သက်သာမှု တကယ်ပေးနိုင်တဲ့ tool တွေက ဘာတွေလဲ၊ ဘယ်နေရာမှာ ချို့ယွင်းသွားလဲ၊ ဘယ်လိုကိုင်တွယ်ရမလဲဆိုတာကို ဟန်ဆောင်မှုမပါဘဲ ရိုးရိုးသားသား ဖော်ပြပေးပါမယ်။

အမြန်ဖြေကြားချက်

• AI က ယုံကြည်စိတ်ချအောင် အလုပ်လုပ်နိုင်တဲ့ လုပ်ငန်း ၄ ခုက - ဝင်လာသော ဖောက်သည်များကို စိစစ်ခြင်း၊ ဘာသာစကားစုံ (အင်္ဂလိပ်၊ ရုရှား၊ ထိုင်း) ကွန်တင့်ရေးသားခြင်း၊ ရှည်လျားတဲ့ ဥပဒေစာတမ်းများ ခွဲခြမ်းစိတ်ဖြာခြင်း၊ အထွက်နှုန်း (yield) ဘဏ္ဍာရေးမော်ဒယ်တွက်ခြင်း တို့ဖြစ်ပါတယ်။
• ထိုင်း resale အိမ်ခြံမြေရဲ့ အလိုအလျောက် စျေးနှုန်းတွက်ချက်ခြင်းကတော့ ယုံကြည်စိတ်ချရအောင် အလုပ်မလုပ်ပါဘူး - အမှန်တကယ် အရောင်းအဝယ်စျေးနှုန်းများရဲ့ ပွင့်လင်းတဲ့ မှတ်ပုံတင်စာရင်း မရှိသလို training data တွေကလည်း အစိုးရအကဲဖြတ်စျေးနှုန်းများကြောင့် ချော့ကွေ့နေပါတယ်။
• ၂၀၂၆ စက်တင်ဘာလမှာ arXiv ပေါ်ထုတ်ပြန်ခဲ့တဲ့ သုတေသနစာတမ်းတစ်ခုက AI ကို tool တစ်ခုတည်းအဖြစ် မယူဆဘဲ ငွေရင်းအရင်းအနှီး၊ အတု labor၊ infrastructure အဖြစ် တစ်ပြိုင်နက် သတ်မှတ်ပြီး channel ၅ ခုမှတဆင့် လုပ်ဆောင်တယ်လို့ ဖော်ပြထားပါတယ်။ ၎င်းတို့က - automation, augmentation, optimization, prediction, innovation ဖြစ်ပါတယ်။
• ဒီသုတေသနစာတမ်းကပဲ ကြောင့်ကြမည့်ဘက်ကိုလည်း ထောက်ပြထားပါတယ် - အလုပ်အချို့ ပျောက်ကွယ်သွားနိုင်ခြင်းနဲ့ ဒေတာနဲ့ ကွန်ပျူတာအင်အားကို ပိုင်ဆိုင်သူတွေက ဈေးကွက်ကို ပိုထိန်းချုပ်လာနိုင်ခြင်း တို့ဖြစ်ပါတယ်။
• ကိုယ်စားလှယ်များအတွက် လက်တွေ့ကျတဲ့ ရလဒ်ကတော့ - တစ်ပတ်ကို ၈ နာရီမှ ၁၂ နာရီအထိ ပုံမှန်အလုပ်တွေမှာ အချိန်ချွေတာနိုင်ပါတယ်၊ ဒါပေမယ့် အပြည့်အဝ automated ရောင်းချမှုတော့ မဖြစ်နိုင်သေးပါဘူး။
• Chanote title, developer status, condominium ရဲ့ နိုင်ငံခြားသား ပိုင်ဆိုင်မှု ၄၉% quota တို့ကို ဥပဒေအရ စစ်ဆေးအတည်ပြုတာကိုတော့ AI က ဘယ်အခြေအနေမှာမှ အစားထိုးလို့ မရနိုင်ပါဘူး။

အဓိကအချက်အလက်များ

• AI economics သုတေသနစာတမ်း (arXiv, စက်တင်ဘာ ၂၀၂၆) က AI ကို လျှပ်စစ်နဲ့ ကွန်ပျူတာစနစ်ကဲ့သို့ general-purpose technology အဖြစ် အမျိုးအစားခွဲထားပြီး ထုတ်လုပ်မှု၊ ကုမ္ပဏီဖွဲ့စည်းပုံ၊ အလုပ်အကိုင်ဈေးကွက်တွေအပေါ် တစ်ပြိုင်နက် သက်ရောက်မှုရှိတယ်လို့ ဖော်ပြထားပါတယ်။
• စာတမ်းက ထုတ်လုပ်မှုကို သက်ရောက်စေတဲ့ mechanism ၅ ခုကို ဖော်ပြပါတယ် - automation, human labor augmentation, process optimization, forecasting, innovation generation။ အိမ်ခြံမြေလုပ်ငန်းမှာတော့ ပထမ ၂ ခုကိုသာ ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုနေကြသေးပါတယ်။
• အလုပ်အကိုင်ဈေးကွက်ပေါ်ရှိ သက်ရောက်မှုကို regime ၃ ခုနဲ့ ရှင်းပြထားပါတယ် - substitution, complementarity, creative destruction။ အိမ်ခြံမြေအေဂျင်စီလုပ်ငန်းတွေအတွက်ဆိုရင် ဒီအလုပ်အကိုင် လုံးလုံးပျောက်ကွယ်သွားမယ်ဆိုတာမျိုး မဟုတ်ဘဲ ပြန်လည်ပြင်ဆင်မှုတစ်ခုပါ - ပုံမှန်အလုပ်တွေ ကျုံ့ဝင်သွားပြီး စျေးဆွေးနွေးနိုင်စွမ်းနဲ့ ဒေသဆိုင်ရာ ကျွမ်းကျင်မှုတန်ဖိုး ပိုမြင့်လာမယ်။
• ထိုင်းနိုင်ငံမှာ freehold condominium project တစ်ခုရဲ့ စုစုပေါင်း ဧရိယာအကျယ်အဝန်းရဲ့ ၄၉% ထက်ပိုပြီး နိုင်ငံခြားသားများ ပိုင်ဆိုင်ခွင့်မရှိပါဘူး။ ဒါက Condominium Act အရ တင်းကျပ်တဲ့ ဥပဒေတစ်ခုဖြစ်ပြီး ကျန်ရှိနေသေးတဲ့ quota ကို AI script က ဘယ်တော့မှ ပြောပြလို့ မရပါဘူး၊ management company ရဲ့ စာချက်ချင်းသာ အတည်ပြုနိုင်ပါတယ်။
• ထိုင်းရဲ့ Treasury Department အကဲဖြတ်စျေးနှုန်း (assessed value) ကို cycle အလိုက် သတ်မှတ်ပါတယ် (လက်ရှိ cycle က ၂၀၂၃ မှ ၂၀၂၆ အထိ) ပြီး ၎င်းကို ၂% property transfer duty တွက်ချက်ဖို့ သုံးပါတယ်။ ဒါက ဈေးကွက်စျေးနှုန်းမဟုတ်ဘဲ ရရှိနိုင်တဲ့ dataset အများစုမှာ ပါဝင်နေတဲ့ ဂဏန်းပါ။
• ၅ နှစ်အတွင်း resale ရောင်းချမှုအတွက် Specific Business Tax က ၃.၃% ဖြစ်ပြီး အရောင်းအဝယ်စျေးနှုန်း သို့မဟုတ် အကဲဖြတ်စျေးနှုန်း ဘယ်ဟာမြင့်တာကိုမဆို အခြေခံသည်။ AI ကို မှန်ကန်တဲ့ input တွေထည့်ပေးရင် ဒီလို စည်းမျဉ်းတွေကို ချို့ယွင်းချက်မရှိ တွက်ချက်ပေးနိုင်ပါတယ်။
• သုတေသနစာတမ်းက ထောက်ပြထားတဲ့ ဈေးကွက်ထိန်းချုပ်မှု အန္တရာယ်ကတော့ - နိုင်သူတွေက model subscription ဝယ်သူတွေ မဟုတ်ဘဲ ကိုယ်ပိုင် transaction ဒေတာ စုဆောင်းထားသူတွေပဲ ဖြစ်ပါတယ်။ CRM မှာ ၅ နှစ်စာ အရောင်းအဝယ် history ရှိတဲ့ အေဂျင်စီတစ်ခုက ဖွဲ့စည်းပုံအရ အားသာချက်ရှိပါတယ်။
• နှိုင်းယှဉ်ရအောင်ဆိုရင် SAP နဲ့ Oxford Economics တို့ရဲ့ ကမ္ဘာလုံးဆိုင်ရာ သုတေသနစာတမ်း (ဒါက ၂၀၂၆ ဇူလိုင်လမှာ executive ၂,၆၀၀ ကို survey လုပ်ခဲ့တာ) က ကုမ္ပဏီများ AI ကို လုပ်ငန်းစဉ်ထဲ ပိုမိုနက်ရှိုင်းစွာ ထည့်သွင်းလေလေ ROI မြင့်တက်လေလေ တွေ့ရှိခဲ့ပါတယ်။ ဒါက ဘန်ကောက်နဲ့ ဖူးခက် condo စျေးနှုန်းတွက်ချက်တဲ့ tool အစောပိုင်းတွေမှာ comparable sales နဲ့ တိုင်းတာနိုင်တဲ့ margin of error အတွင်း အလုပ်လုပ်နေတာနဲ့ ဆင်တူပါတယ်။

စတင်ကျင့်သုံးနည်း - အဆင့်ဆင့်

1. နောက်ဆုံး ၂၄ လစာ ကိုယ်ပိုင်ဒေတာကို ထုတ်ပါ။ ဖောက်သည်စကားစုံ၊ ကြည့်ရှုမှုမှတ်တမ်း၊ ပျက်သွားတဲ့ deal တွေရဲ့ အကြောင်းရင်း၊ တကယ်ပိတ်ခဲ့တဲ့ စျေးနှုန်းတွေ။ ဒါမပါဘဲဆိုရင် model တိုင်းက တခြားသူတွေရဲ့ စာရင်းအင်းနဲ့ အလုပ်လုပ်နေရာ ထိုင်းအတွက်ဆိုရင် ဒီစာရင်းအင်းတွေက အားနည်းလွန်းပါတယ်။
2. ကိုယ့်ရဲ့ baseline ကို တိုင်းတာပါ။ တစ်ပတ်ကို message ဖြေတဲ့အချိန်၊ shortlist ပြင်ဆင်တဲ့အချိန်၊ listing ဘာသာပြန်တဲ့အချိန်၊ installment terms စစ်ဆေးတဲ့အချိန်ကို မှတ်တမ်းတင်ပါ။ အသုံးမပြုမီ တိုင်းတာထားမှသာ နောက်ပိုင်း အကျိုးသက်ရောက်မှုကို သက်သေပြနိုင်ပါလိမ့်မယ်။
3. ရောင်းချရေးထက် ဘာသာပြန်နဲ့ localization ကနေ စတင်ပါ။ listing description နဲ့ developer correspondence များကို အင်္ဂလိပ်၊ ရုရှား၊ ထိုင်းသုံးဘာသာနဲ့ လုပ်ဆောင်ရင် ချက်ချင်းရလဒ်ရနိုင်ပါတယ်။ term glossary (chanote, leasehold, freehold, sinking fund) တစ်ခု တည်ဆောက်ပြီး စာသားနဲ့အတူ model ကို ကျွေးပါ၊ မဟုတ်ရင် ဥပဒေအရ အဓိပ္ပာယ်မရှိတဲ့ ဘာသာပြန်တစ်ခု ရလာနိုင်ပါတယ်။
4. spreadsheet ထဲမှာ yield calculator တစ်ခု တည်ဆောက်ပြီး formula တွေကို model ကို လုပ်ခိုင်းပါ။ ၂% transfer duty, withholding tax, ၅နှစ်အတွင်း resale အတွက် ၃.၃% Specific Business Tax, management company fee, tenant အကူးအပြောင်း vacancy ကာလတို့ ထည့်တွက်ပါ။ model တွေက formula ရေးရင် ကောင်းပေမယ့် input တွေကို ခန့်မှန်းရင် အားနည်းလို့ input ကိုတော့ ကိုယ်တိုင်ထည့်ပါ။
5. document parsing ကို သုံးပါ။ ထိုင်း developer တစ်ခုနဲ့ ရေးထားတဲ့ sale and purchase agreement က စာမျက်နှာ ၄၀ လောက် ရှိတတ်ပါတယ်။ upload လုပ်ပြီး payment schedule, late-delivery penalty, termination condition တွေကို ထုတ်ပေးဖို့ model ကို တောင်းဆိုပါ။ ဒါကနေ ရလာတဲ့ clause တွေကို ကိုယ်တိုင်ပြန်ဖတ်ပါ၊ model က clause တွေကို မြန်မြန်ရှာပေမယ့် appendix ကို ညွှန်းထားတဲ့ nested reference တွေကို မကြာခဏ လက်ကွက်ထွက်တတ်ပါတယ်။
6. lead qualification ကို တစ်ဝက်တစ်ပျက် automated ဖြစ်စေပါ။ bot တစ်ခုက budget, timeline, ဝယ်ယူရည်ရွယ်ချက်၊ time zone ကို စုဆောင်းပြီး ဒုတိယ message မှာ လူသားက ဝင်ကူပါ။ ဘတ် ၁၅ သန်းတန် property အတွက် စကားဝိုင်းတစ်ခုလုံးကို automation နဲ့ လွှဲထားရင် ဖောက်သည်ဆုံးရှုံးနိုင်ပါတယ်။
7. ကြည့်ရှုခရီးစီစဉ်ရာမှာလည်း tool တွေကို သုံးနိုင်ပါတယ်။ ဖူးခက်ရဲ့ ယာဉ်ကြပ်မှုကို ထည့်သွင်းစဉ်းစားပြီး district ၃ ခု ဖြတ်သန်းတဲ့ ၂ ရက်ခရီးစဉ်ကို model က သင့်တင့်စွာ ဖန်တီးပေးနိုင်ပါတယ်။ ဒါပေမယ့် flights နဲ့ hotel ကိုတော့ ခရီးစဉ်ရက်နဲ့ သီးခြားစီ စောစီးစွာ book လုပ်ထားသင့်ပါတယ်၊ high season စျေးနှုန်းတွေက အစီအစဉ်ပြောင်းနှုန်းထက် ပိုမြန်တက်တတ်လို့ပါ။
8. လစဉ် အလုပ်မဖြစ်တာတွေကို ဖျက်ပစ်ပါ။ use case ၁၀ ခု စမ်းသပ်ကြတဲ့ team အများစုက နောက်ဆုံး ၂-၃ ခုကိုသာ ဆက်သုံးကြပါတယ်။

အထက်ပါ list တစ်ခုလုံးထက် အရေးကြီးတဲ့ သတိပေးချက်တစ်ခု ရှိပါတယ်။ listing description ရေးပေးတာက လူကြိုက်အများဆုံးဖြစ်ပေမယ့် တန်ဖိုးအလွန်အကျွံ တင်ထားတဲ့ use case ပါ။ စာသားက ချော့ချော့မွေ့မွေ့ ထွက်လာပေမယ့် conversion မတိုးဘဲ တစ်ပတ်အတွင်း website ၁၀ ခုလောက် ကြည့်ခဲ့ပြီးသား ဖောက်သည်တစ်ဦးက machine ရဲ့ ရေးဟန်ကို မကြာမီ သိလာပြီး listing ကို မယုံကြည်တော့ပါဘူး။ ညံ့ဖျင်းတဲ့ ရလဒ် ၁၀ ခုအစား ကောင်းမွန်တဲ့ ရလဒ်တစ်ခုချင်း လိုချင်တယ်ဆိုရင် marketing copy မဟုတ်ဘဲ document နဲ့ calculation ထဲကို ရင်းနှီးမြှုပ်နှံပါ။

ကျွန်တော်တို့ ထင်မြင်ချက်ကတော့ - ထိုင်းမှာ တစ်ဦးတည်း အလုပ်လုပ်နေတဲ့ agent တစ်ဦးအနေနဲ့ AI ကို correspondence နဲ့ document တွေမှာသာ အာရုံစိုက်ဖို့ ကောင်းပါတယ်။ ကျန်တာတွေက တစ်နှစ်ကို deal ဆယ်ဂဏန်းလောက် ရှိမှသာ အကျိုးပြုပါတယ်။ တစ်လေးပတ်ကို deal ၂ ခုသာ ပိတ်နေတယ်ဆိုရင် ကိုယ်ပိုင်ကျွမ်းကျင်တဲ့ district ကို ပိုမိုနက်ရှိုင်းစွာ လေ့လာနေတာက ပိုပြီး တိကျပါတယ်။

မေးလေ့ရှိသောမေးခွန်းများ

AI က ထိုင်းမှာ အိမ်ခြံမြေ agent တွေကို အစားထိုးမှာလား

မဟုတ်ပါဘူး၊ ဒါပေမယ့် အလုပ်ရဲ့ ဖွဲ့စည်းပုံကို ပြောင်းလဲလိမ့်မယ်။ ၂၀၂၆ AI economics သုတေသနစာတမ်းက ဒါကို complementarity လို့ ခေါ်ပါတယ် - machine က ထပ်ခါတလဲလဲ လုပ်ငန်းတွေကို လုပ်ပြီး လူသားက စျေးဆွေးနွေးမှု၊ စိစစ်အတည်ပြုမှု၊ တာဝန်ယူမှုကို ကိုင်တွယ်ပါတယ်။ chanote title နဲ့ ကျန်ရှိနေတဲ့ ၄၉% quota ရဲ့ ဥပဒေရေးရာ စစ်ဆေးမှုကတော့ လူသားကသာ အတည်ပြုနေဆဲပါ။

ဖူးခက် condo တစ်ခုရဲ့ automated valuation ကို ယုံလို့ရသလား

ရည်ညွှန်းချက်တစ်ခုအနေနဲ့ ယုံကြည်နိုင်ပေမယ့် စျေးဆွေးနွေးရာမှာ အားကိုးဖို့ကတော့ မသင့်တော်ပါဘူး။ model တွေက စျေးနှုန်းသည် တကယ့် transaction amount ထက် ၂၀၂၃-၂၀၂၆ cycle ရဲ့ အစိုးရ assessed value နဲ့ ညီမျှနေတဲ့ ဒေတာမှ သင်ယူထားလို့ပါ။ ဈေးကွက်ခန့်မှန်းချက်များအရ ခရီးသွားဒေသတွေမှာ resale property တွေအတွက် ကွာဟချက် သိသိသာသာ ကြီးနိုင်ပါတယ်။

ဘယ် tool တွေက တကယ် အချိန်ချွေတာစေသလဲ

ရှည်လျားတဲ့ စာချုပ်များ ခွဲခြမ်းစိတ်ဖြာခြင်း၊ ဥပဒေရေးရာ term များကို မှန်ကန်စွာ ထိန်းသိမ်းနိုင်တဲ့ ဘာသာပြန်ခြင်း၊ yield calculation model များ၊ ဝင်လာသော စုံစမ်းမှုများကို ကနဦး စစ်ထုတ်ခြင်းတို့ဖြစ်ပါတယ်။ ဒါတွေအားလုံးပေါင်းလိုက်ရင် active agent တစ်ဦးအတွက် တစ်ပတ်ကို ၈-၁၂ နာရီ ချွေတာနိုင်ပါတယ်။

AI က တိကျတဲ့ ဒေသတစ်ခုရဲ့ စျေးနှုန်းတိုးမှုကို ကြိုတွက်ပေးနိုင်သလား

Forecasting ဆိုတာ AI ရဲ့ channel ၅ ခုထဲက တစ်ခုပါ၊ ဒါပေမယ့် forecast ရဲ့ အရည်အသွေးက ဒေတာအပေါ် လုံးလုံးမှီခိုပါတယ်။ ဘန်ကောက်ဆိုရင် listed developer တွေနဲ့ ဘဏ္ဍာရေး disclosure တွေရှိလို့ forecasting က အဓိပ္ပာယ်ရှိပါတယ်၊ ရာဝိုင်းက လမ်းတစ်ခုတည်းအတွက်ဆိုရင်တော့ မဟုတ်ပါဘူး။

စျေးကြီးတဲ့ subscription ဝယ်ဖို့ လိုအပ်သလား

အများစုမှာ မလိုအပ်ပါဘူး။ model အများစုရဲ့ base tier တွေကတည်းက ဘာသာပြန်ခြင်း၊ document parsing၊ calculation တွေကို ကိုင်တွယ်နိုင်ပါတယ်။ ကိုယ်ပိုင် transaction database ကို စနစ်တကျ စုစည်းရေးမှာ ငွေကို သုံးတာက ပိုအကျိုးရှိပါတယ်၊ ဒါက subscription tier မဟုတ်ဘဲ တကယ့် အားသာချက်ကို ဖန်တီးပေးလို့ပါ။

ဖောက်သည် document များကို AI model ထဲ upload လုပ်တာ အန္တရာယ်ရှိသလား

public service ဖြစ်ပြီး user data ကို training အတွက် သုံးတယ်ဆိုရင် အန္တရာယ်ရှိပါတယ်။ upload မလုပ်ခင် ကိုယ်ရေးအချက်အလက်၊ passport number၊ contract identifier တွေကို anonymize လုပ်ပါ။ setting ထဲမှာ ကိုယ့်ဒေတာကို training မသုံးဖို့ ပိတ်ထားခြင်းက မလိုမလား လုပ်ရမယ့် အဆင့်ပါ။

agent မဟုတ်ဘဲ private investor တစ်ဦးအတွက် AI က ဘာပေးနိုင်သလဲ

ဂဏန်းတွက်ချက်မှု အတည်ပြုပေးနိုင်ပါတယ်။ developer ရဲ့ installment schedule, guaranteed yield terms, ကိုယ့်ရဲ့ occupancy ခန့်မှန်းချက်တွေကို upload လုပ်ပြီး cash flow နဲ့ break-even point ကို တွက်ခိုင်းပါ။ ဆွဲဆောင်မှုရှိပုံရတဲ့ offer တွေရဲ့ တစ်ဝက်လောက်က ဒီအဆင့်မှာပဲ ပြိုကွဲသွားတတ်ပါတယ်။

သတင်းရင်းမြစ် - Kalinka Thailand