DataRockie

อยากเปลี่ยนสายงานมาเป็น Data Analyst แต่ไม่รู้จะเริ่มยังไงดี?

บทความนี้แอดเขียนแนะนำ learning path และคอร์สเรียนฟรีสำหรับผู้เริ่มต้น หรืออยากเปลี่ยนสายงานมาเป็น data analyst แชร์เทคนิคการตั้งคำถามเชิงธุรกิจ แนะนำ key business metrics ที่ควรรู้จัก ไปจนถึงการออกแบบ resume และการทำ online portfolio เพื่อใช้สมัครงาน

อ้างอิงจาก Google Trends และ Indeed => data analyst ยังมีแนวโน้มเติบโตขึ้นเรื่อย และเป็นที่ต้องการสูงที่สุดเมื่อเทียบกับตำแหน่ง data engineer และ data scientist ดูที่จำนวน # job posts

The Best Career Guide ฉบับสมบูรณ์ ใช้เวลาอ่านประมาณ 10 นาที ถ้าพร้อมแล้วมาเริ่มกันที่ data analyst ทำหน้าที่อะไร ตำแหน่งนี้มีความสำคัญอย่างไรกับองค์กร

Data Analyst Role

เนื้องานของตำแหน่ง Data Analyst (DA) แต่ละบริษัทจะมีความแตกต่างกันไป แต่หัวใจหลักของสิ่งที่เราทำคือการวิเคราะห์และสรุปผลข้อมูล (ขนาดใหญ่) อย่างแม่นยำและตอบโจทย์ธุรกิจ

1. Mining data for insights
2. Summarizing (Big) data
3. Communicating results

เครื่องมือหลักๆที่เราใช้ในงานประจำวันก็พวก Spreadsheets, SQL, some programming skills เพื่อวิเคราะห์ข้อมูลที่อยู่ใน database ของบริษัท ใช้ความรู้สถิติพื้นฐานในการสรุปผลข้อมูล เช่น mean, median, mode, sd, count ฯลฯ และนำเสนอข้อมูลด้วย visualization tools เช่น Tableau และ Power BI ในรูปแบบของ dashboard หรือ presentation deck

มาดู framework หลักที่เราใช้ในการทำงานกันบ้าง เวลาเราพูดเรื่อง data analytics หลายๆที่แบ่ง analytics ออกเป็น 4 phases ดังนี้

1. Descriptive Analytics
2. Diagnostic Analytics
3. Predictive Analytics
4. Prescriptive Analytics

งานของ data analyst จะโฟกัสเยอะหน่อยใน 2 phases แรก โดย descriptive จะตอบคำถาม “What happened?” ส่วน diagnostic ตอบคำถาม “Why did it happen?” ทั้งสอง phases พยายามอธิบายสิ่งที่เกิดขึ้นไปแล้ว เป็นการมองกลับไปที่อดีตหรือ backward looking

Tip – Microsoft Excel/ Google Sheets คืออาวุธคู่กาย data analyst สิ่งมหัศจรรย์อันดับต้นๆของ Excel คือ Pivot Table โหลดข้อมูลแล้วหมุนๆหา insights ง่ายจนงงเลย 555+

มาลองดูตัวอย่างจำลองง่ายๆ เช่น “What” Netflix พบว่ามีลูกค้าจำนวนมากไม่ได้เข้ามาดูซีรี่บน platform เลยในเดือนที่ผ่านมา => active users ลดลงไป 35% MoM ทีม data analyst ก็ต้องเข้าไปขุด data ขึ้นมาดูว่ามันเกิดขึ้นเพราะอะไร

“Why” สาเหตุอาจจะเกิดจากคู่แข่งอย่าง Disney+ เปิดตัวโปรโมชันใหม่แรงมาก ดูฟรีสามเดือน หรืออาจจะเกิดจากเหตุขัดข้อง server พังทำให้ users login ไม่ได้ เราก็ต้อง troubleshoot สาเหตุของปัญหาให้เจอ

Ask questions you can answer with your data

Proverb

Note – การตอบคำถาม why หรือการหา causal relationship ในชีวิตจริงอาจจะไม่ง่ายเหมือนตัวอย่างนี้ เทคนิคที่เรานิยมใช้คือการทำ experimentation เช่น AB Test หรือ Design of Experiment รูปแบบต่างๆ

ส่วน predictive “What will happen?” และ prescriptive analytics “What and How should we do?” จะมองในมุมอนาคตมากขึ้น (forward looking) หลายๆบริษัทยกหน้าที่ให้กับตำแหน่ง data scientist แต่ส่วนตัวแอดคิดว่า data analyst อย่างพวกเราก็ควรศึกษาและเข้าใจ 2 phases นี้เหมือนกัน

เพราะ data literacy คือ Skills ไม่ใช่ตำแหน่งงาน

ยิ่งเราเรียนรู้ skills ใหม่ๆมากขึ้น scope งานที่เราสามารถทำได้ก็จะกว้างขึ้นเช่นกัน => สร้าง value ให้กับองค์กรผ่านการวิเคราะห์ข้อมูลด้วย analytics ทั้ง 4 phases ครบลูปในคนเดียวเลย

Responsibility

สำหรับหน้าที่ในแต่ละวันของ data analyst จะมีประมาณนี้ (ขึ้นอยู่กับ scope ของแต่ละที่ด้วย)

• ประชุมกับทาง business รับโจทย์ requirements ต่างๆ และอัพเดทสถานะงาน
• เขียน SQL queries ดึงข้อมูลจาก database
• วิเคราะห์และสรุปข้อมูลด้วย Excel (Pivot Table) หรือเขียนโปรแกรมด้วย R/ Python
• ทำรายงานเป็น Excel summary table, dashboard หรือ PowerPoint
• แชร์ผลลัพธ์ให้กับ stakeholders และผู้ที่เกี่ยวข้องกับโปรเจ็คนั้นๆ

อย่างที่แอดเขียนอธิบายไปในหัวข้อก่อนหน้านี้ งาน DA จะหนักไปทาง descriptive + diagnostic ทำรายงาน report facts หา root causes ของปัญหาที่เราต้องการจะแก้ เช่น รายได้เดือนที่แล้วเพิ่มหรือลดลงกี่ % เดือนนี้มี new subscribers กี่คน ดูพวก trends ต่างๆ เพื่อหาโอกาสใหม่ๆให้ธุรกิจของเรา เป็นต้น

Start with a good question

Proverb

Data Project เริ่มต้นที่การตั้งคำถามที่ดี

แล้ว “คำถามที่ดีหน้าตาเป็นยังไง?” ตอนเรียนมหาวิทยาลัย ไม่เห็นเคยมีวิชาไหนสอนเรื่องนี้เลย 555+

ส่วนตัวแอดคิดว่า Good Questions เกิดจากการผสมผสานความรู้หลายๆด้านเข้าด้วยกัน (Integration) ถ้าไม่มีใครสอน เราศึกษาด้วยตัวเองก็ได้ผ่าน list หนังสือในหัวข้อถัดไป

Required Reading

หนังสือ 4 เล่มที่อยากแนะนำให้ทุกคนได้อ่าน โดยเฉพาะสาย data ไม่ควรพลาด (เล่ม 1, 4 มีแปลไทยแล้ว เผื่อใครอยากซื้อมาอ่าน ลองค้น Google เพิ่มเติมนะครับ)

• Think Like A Freak by Stephen J. Dubner and Steven Levitt
• Business Made Simple by Donald Miller
• Growth Hacker Marketing by Ryan Holiday
• Naked Statistics by Charles Wheelan

ส่วนตัวแอดยกให้ Think Like A Freak เป็นหนังสือที่อธิบายเรื่อง data แบบเข้าใจง่าย ง่ายจนงง 555+ ช่วยปรับเรื่อง mindset และยกระดับความคิดได้ดีมากๆเล่มหนึ่งในโลกนี้เลย

ถ้าใครอยากเพิ่มทักษะด้านธุรกิจ ลองอ่าน Business Made Simple และ Growth Hacker Marketing สองเล่มเอาอยู่ การันตีความคุ้มค่า 😎

ส่วนเล่มสุดท้าย Naked Statistics สถิติฉบับเซ็กซี่คือหนังสือในตำนานที่เปลี่ยนเรื่องสถิติให้กลายเป็นเรื่องง่ายๆ ตั้งแต่อ่านมา เล่มนี้ใช้ภาษาง่ายสุด แล้วก็ครอบคลุมเนื้อหาสำคัญของ Stats ได้ครบมากๆ

อ่านจบครบทั้งสี่เล่มเมื่อไหร่ การตั้งคำถามแบบ Good Questions จะไม่ใช่เรื่องยากอีกต่อไป แฮร่!

แถมเรื่อง key business metrics ที่แอดได้จากการอ่าน growth hacking บริษัท startup จะมี AARRR metrics ที่ใช้วัดความสำเร็จของ marketing funnel สามารถประยุกต์ใช้ได้กับบริษัทที่เราทำอยู่เช่นกัน

Fun Fact – เราออกเสียง AARRR ว่า “อ๊าาาาาาาร์” ในวงการเรียกกันว่า Pirate Metrics เหมือนเสียงร้องของโจรสลัด หน้า Johnny Depp ลอยมาแล้ว 555+

Metrics ทั้ง 5 ตัวจะวัดตั้งแต่การหาลูกค้าใหม่ การวัด actions ต่างๆ ไปจนถึงการแนะนำ บอกต่อ และการสร้างรายได้ ซึ่งใช้ marketing tools หลายๆตัวในการจัดการ เช่น SEO, Google Analytics, Survey เป็นต้น

1. Acquisition (หรือ Awareness)
2. Activation
3. Retention
4. Referral
5. Revenue

Tip – คำถามที่ดีคือการถามเกี่ยวกับ AARRR metrics ทำยังไงที่เราจะช่วยให้แบรนด์ของเรา performance ดีขึ้น คำถามที่ guide ให้เราเห็นโอกาสในการพัฒนา products/ marketing plan และรายได้ของบริษัท

To increase revenue and profit in your business, analyze whether or not the products you are selling are in demand and profitable.

Donald Miller – Business Made Simple

ลองอ่านเพิ่มเติมเกี่ยวกับ AARRR metrics ได้ที่เว็บไซต์ของ Product Plan อธิบายไว้เข้าใจง่ายดี

Core Skills

แอดแบ่ง skills ของ data analyst เป็นสองแบบ คือ core และ add-on skills ที่จะช่วยให้เราทำงานหรือหางานใหม่ได้ง่ายขึ้นมาก มาเริ่มกันที่ core (data/ technical) skills ก่อน โดยทักษะพื้นฐานของเราคือการทำงานกับข้อมูลแบบ structured data แบบตารางใน Excel หรือ CSV files

• Spreadsheets
• SQL & Basic Databases
• Dashboard Tools
• Statistics & Basic Probability
• Basic Programming
• Basic Data Engineering (2023)

ถ้าไม่ได้เรียนจบด้านนี้มาโดยตรง (อย่างแอดเรียนจบด้านเศรษฐศาสตร์ การตลาดมาทั้ง ป.ตรี และโท) เรื่องพวกนี้สามารถฝึกฝนเองได้ โดยลำดับการเรียนให้เริ่มจาก spreadsheets แล้วก็ไล่ลงมาเรื่อยๆ

ลำดับการเรียนสำคัญมาก แอดมีเขียนแนะนำ learning path ไว้ในหัวข้อถัดไป ╰(*°▽°*)╯

Tip – skill ของเราจะ +1 level ทันที ถ้าสามารถเขียนโปรแกรมทำงานกับข้อมูลที่เป็นแบบ semi-structure ได้ด้วย เช่น JSON และ XML format โดยเฉพาะ JSON ที่เรานิยมใช้กันเวลารับส่งข้อมูลกันผ่าน API

ตัวอย่าง data.JSON จาก MongoDB

{
  "_id": 1,
  "name" : { "first" : "John", "last" : "Backus" },
  "contribs" : [ "Fortran", "ALGOL", "Backus-Naur Form", "FP" ],
  "awards" : [
    {
      "award" : "W.W. McDowell Award",
      "year" : 1967,
      "by" : "IEEE Computer Society"
    }, {
      "award" : "Draper Prize",
      "year" : 1993,
      "by" : "National Academy of Engineering"
    }
  ]
}

เทคนิคที่เรานิยมใช้คือการแปลง JSON ให้อยู่ในรูปแบบ data structure ที่เราคุ้นเคย เช่น ภาษา R เราสามารถแปลงข้อมูลแบบนี้ให้เป็น list หรือว่า tibble dataframe เพื่อทำ analysis อื่นๆต่อได้เลย

มาคุยกันเรื่องสถิติและความน่าจะเป็นกันบ้าง ต้องรู้ลึกขนาดไหน ถึงจะทำงานตำแหน่ง data analyst ได้?

ตอบแบบสั้นๆคือ pretty basics ไม่ต้องใช้อะไรที่ advanced มากเลยในชีวิตจริง ปกติเราจะแบ่งสถิติออกเป็นสองสาขาใหญ่ๆคือ descriptive เพื่อสรุปผลและ inferential เพื่อทดสอบสมมติฐานและทำ inference

เทคนิคที่เราใช้กันเป็นประจำในงานของเราคือ

• Mean, Median, Mode, SD, Variance, IQR, Percentile, Quartile
• Crosstabs
• Normal Distribution
• Confidence Interval
• AB Testing (T-test, Anova)
• Correlation & Regression ตัวพื้นฐานเช่น Linear และ Logistic Regression
• Clustering เพื่อจับกลุ่มลูกค้าทำ Customer Segmentation
• Basic Probability & Bayes Theorem

หนังสือ Naked Statistics อธิบายหัวข้อพวกนี้ไว้ประมาณ 80% ตอนทำงานจริงเราใช้ software เพื่อช่วยคำนวณผล หน้าที่ของ DA คือการเลือกใช้สถิติให้ถูก อ่านและแปลผลได้อย่างถูกต้อง และ golden rule ต้องจำไว้เสมอว่า “Correlation does not imply causation“

ตัวแปรสองตัว (x, y) มีความสัมพันธ์กัน ไม่ได้แปลว่า x จะส่งผลต่อ y (หรือในทางตรงกันข้าม)

และ core technical skills อันสุดท้ายคือการเขียนโปรแกรม

ยังไงก็ต้องเขียน 555+ แอดบอกเลยว่าหนีไม่พ้น ยิ่งเราทำงานกับข้อมูลขนาดใหญ่ขึ้น การเขียนโปรแกรมจะช่วยให้งานเราเสร็จไวขึ้นมาก ให้มอง coding เป็นการเพิ่ม productivity ในการทำงานของเรา

ภาษาที่เรานิยมใช้กันสำหรับตำแหน่ง data analyst มีสามตัวคือ R, Python, SAS จริงๆจะเริ่มจากตัวไหนก็ได้ระหว่าง R vs. Python (open-source ใช้ฟรีทั้งคู่) แต่แอดเชียร์ R มากกว่าเพราะว่ามันถูกสร้างโดยนักสถิติ เพื่องานสถิติและการวิเคราะห์ข้อมูลโดยเฉพาะ

Syntax ของ R เรียนรู้ได้ไม่ยาก ใช้เวลาไม่นานก็สามารถเข้าใจพื้นฐานได้สบายๆ เพื่อนๆที่สนใจ ลองเรียนคอร์สฟรี 3 ชั่วโมงของเรา – คลิกที่รูปด้านล่าง หรือแวะไปที่ YouTube DataRockie Channel (เขียนบนเว็บ RStudio Cloud ไม่ต้องติดตั้งโปรแกรมให้ยุ่งยาก)

พอเขียนภาษาแรกได้คล่องแล้ว ภาษาต่อๆไปจะง่ายขึ้นเยอะเลย เพราะ logic วิธีการคิดไม่ได้ต่างกันมาก ส่วนตัวแอด (อาจจะ bias นิดหน่อย 555+) เริ่มเขียน R จริงจังตอนปี 2016 แล้วก็ขยับมา Python ตอนปี 2017-2018

ตอนทำงานจริงจะมีภาษาอื่นๆที่เราควรรู้เพิ่มเติม เช่น

• HTML
• CSS
• JavaScript
• Julia ภาษาเกิดใหม่ เขียนง่ายเหมือน Python/ R รันเร็วเหมือน C
• Java, Scala อันนี้จะไปทางสาย Data Engineer (เขียน Spark etc.)

# R syntax
print("hello let's learn R programming")

# Python syntax
print("hello let's learn Python programming")

Focus on Databases (2022) 🔥

ถามคำถามที่ดี => ได้คำตอบที่ใช่ วลีนี้คือจริงเลย

• Q: ถ้าวันนี้แอดต้องเริ่มเรียน data ใหม่อีกครั้ง จะโฟกัสเรื่องไหนเป็นพิเศษ?
• A: Databases ขอแบบเน้นๆ

เวลาได้ยินคำว่า databases เราจะนึกถึง relational databases (SQL) เป็นหลัก แต่จริงๆ data analyst ควรรู้เรื่อง non-relational databases หรือที่เรียกสั้นๆว่า NoSQL ไว้ด้วยครับ

NoSQL databases จะมีอยู่ 4 ประเภทหลักๆคือ

• Key-Value database
• Document database
• Column database
• Graph database

แต่ละแบบจะมีวิธีการใช้งานแตกต่างกันขึ้นอยู่กับ use-cases แต่ตัวที่เราเห็นคนใช้บ่อยๆคือ MongoDB (document), Cassandra (Column), Neo4j (Graph) หลายๆตัวสามารถเรียนฟรีกับ official academy ของ databases นั้นๆได้เลย เช่น

• MongoDB Academy
• Neo4j Academy
• DataStax (Cassandra) Academy

ถ้าเราทำงานกับ databases ได้คล่องทั้ง SQL + NoSQL โอกาสหางานได้มีสูงมาก การันตี!

แอดอธิบายพาร์ท technical skills จบแล้ว ต่อไปมาลองดู add on skills กันบ้าง

Add On Skills

ถ้า technical คือทักษะการทำงานกับข้อมูล add-on คือ augmented และ human skills ที่สำคัญในยุคนี้ แอดเลือก 5 ทักษะที่คิดว่าทุกคนต้องได้ใช้แน่ๆในอนาคต (แอดได้แตะหมดนี้เลยใน scope งานตอนนี้ เรียนไม่ไหวแล้ว 555+)

• Google Analytics & Search Engine Optimization
• Business & Marketing
• Storytelling
• Presentation Design
• User Experience & Research

Add-on skill แรกคือ Google Analytics และ SEO ใช้วิเคราะห์ traffic และพฤติกรรมลูกค้าที่เข้ามาเว็บไซต์ของเรา ทำไม skill นี้ถึงสำคัญ? เพราะบริษัท 99.9% มีเว็บไซต์ให้เราต้องวิเคราะห์ แฮร่!

ถ้าใครวิเคราะห์ข้อมูล traffic เป็น สามารถทำ keyword research สร้าง content plan ปรับปรุงเนื้อหาในเว็บไซต์ optimize SEO ช่วยเพิ่มจำนวนคนเข้าเว็บไซต์เราได้ ก็มีโอกาสที่เราจะขายสินค้าได้มากขึ้น

ใน GA สามารถดู demographic profile ของคนที่เข้าเว็บไซต์ของเราได้ ซึ่งจะช่วยให้เราเข้าใจ segment และ audience ได้ดียิ่งขึ้น ตอบคำถามว่าใครมีแนวโน้มที่จะซื้อสินค้าและบริการของแบรนด์เรา

ความรู้ GA และ SEO สามารถนำมาใช้กับเว็บส่วนตัวของเราเองได้ด้วย การได้เห็น traffic ของเว็บเราเติบโต เป็นความสุขเล็กๆอย่างหนึ่งของ blogger เลย (อ่านแล้วช่วยแอดแชร์ด้วยนะครับ 555+)

Add-on skills 2-4 แอดขอรวมเป็น Business Competency เลย => ความรู้ด้านธุรกิจ การตลาด AARRR metrics การออกแบบ presentation และการเล่าเรื่อง เป็น add-on skills สำคัญที่จะช่วยสนับสนุน career growth ของเรา (โตแบบยั่งยืน)

Add-on skill สุดท้ายคือ User Experience หรือ UX เป็นอีกหนึ่งสาขาที่เติบโตเยอะมากในช่วง 10 ปีที่ผ่านมา อ้างอิงจาก Google Trends – worldwide ตั้งแต่เดือน ส.ค. 2012 เป็นต้นมา

Tip – การเรียนหลายๆ skills เพื่อนำมาใช้ประโยชน์ร่วมกัน หรือที่แอดเรียกว่า “Skill Stacking” คือหลักการพัฒนาตัวเองของปรัชญา Generalist พวกเราเชื่อว่าการทำได้หลาย skills ถึงแม้ว่าจะเก่งไม่สุดเลยซักด้าน ก็ยังดีกว่าการเก่งสุดๆแค่ skill เดียว (Death of Expertise)

แล้วเราต้องเรียนให้เป็น Expert ทุกด้านเลยไหม? ตอบเลยว่า “ไม่”

แต่อย่างน้อยควรเรียนรู้ในระดับที่พอใช้งานได้ (80% rule) สามารถศึกษาต่อยอดได้ถ้าจำเป็นต้องใช้ในงาน เดี๋ยวนี้ Google อะไรก็เจอหมดแล้ว การหาความรู้ใหม่ๆไม่ยากเหมือนสมัยก่อน

Free Learning Path

แอดรวบรวมรายชื่อคอร์สเรียนฟรี อัพสกิล data analyst แบบจัดเต็มทั้งหมด 19 คอร์ส (บางอันมีคอร์สย่อยข้างในด้วย) ใช้เวลาเรียนทั้งหมดประมาณ 6-12 เดือน เรียนจนร้องขอชีวิต เข้มยิ่งกว่าเรียน ป.โท อีก 555+

🍄 = Core Skills
🧀 = Add-On Skills

วีดีโอด้านล่างแอด demo วิธีการลงเรียน coursera แบบ free audit ง่ายๆในสามขั้นตอน

1. สมัคร free account ที่ coursera.org
2. ค้นหาชื่อคอร์สเรียนที่เราต้องการ
3. Enroll ทีละคอร์ส เพื่อเรียนฟรี

สำหรับ core skills แอดแนะนำว่าเรียนเรียงตามลำดับที่เราจัดไว้ได้เลย Spreadsheets > SQL > Dashboard > Statistics > Programming ส่วน add-on เหมือนเป็นคลาสเสริม จะแทรกเรียนตอนไหนก็ได้

🍄 Spreadsheets

• Excel Skills for Business
• Getting Started with Google Sheets

🍄 SQL & Basic Databases

• SQL for Data Science
• PostgreSQL for Everybody

🍄 Dashboard Tools

• Introduction to Data Studio
• Data Visualization with Tableau
• Microsoft Learn Power BI

🍄 Statistics & Basic Probability

• Basic Statistics
• Statistics with R Specialization
• Fat Chance – Probability from the ground up

🍄 Basic Programming

• Google Data Analysis with R
• Google Crash Course on Python

🧀 Google Analytics & SEO

GA + SEO เรียนจบได้เซอร์ฟรีเลยนะครับ สองเรื่องนี้แอดแนะนำให้เรียนมากๆ

• Google Analytics Academy สอนตั้งแต่ basic-advanced GA และ tag manager
• SEMRUSH Academy สอนพื้นฐานการทำ content และ SEO สำหรับผู้เริ่มต้น

🧀 Business & Marketing

แอดแนะนำให้เรียนสองคอร์สนี้คู่กับหนังสือ Business Made Simple ของ Donald Miller จะได้ทั้ง concept และ execution ครบจบในหลักสูตรเดียว

• Facebook Social Media Marketing
• Digital Marketing Specialization

🧀 Storytelling & Presentation Design

สาย data ไม่มีใครไม่รู้จักเล่มนี้! Storytelling with Data หนังสือในตำนานของ Cole Nussbaumer Knaflic, ex-Google สำนักพิมพ์ Wiley เล่มนี้เพิ่งมีแปลไทยแล้วนะครับ

• Not Just PowerPoint สอนพื้นฐาน storytelling และการทำสไลด์
• Data Visualization คอร์สเรียนฟรีของ CEA ใช้เวลาเรียนแค่ครึ่งชั่วโมง

🧀 User Experience

• Google UX Design สอนแบบจัดเต็มโดย Google Team มีทั้งหมด 7 คอร์ส

Change is the end result of all true learning

Leo Buscaglia

Note – สำหรับ coursera การเรียนแบบ free audit จะทำ quiz ไม่ได้ และไม่ได้รับ certificate นะครับ ถ้าใครอยากเก็บเซอร์เข้า portfolio ลองอ่านต่อในหัวข้อถัดไป

Premium Platforms

แถม! มาลองดู list platforms คอร์สพรีเมียมแบบเสียเงินกันบ้าง ปีนี้แอดสมัครไว้ครบทุกที่ ถามว่ามีเวลาเรียนไหม ก็ไม่ จะร้องไห้แล้ว 😭 555+

หลายๆ platforms ที่แอดยกตัวอย่างด้านล่างเรียกว่า MOOC หรือ Massive Open Online Courses แปลไทยง่ายๆว่าโรงเรียนออนไลน์ที่มี contents เยอะมาก สอนโดยมหาวิทยาลัยชื่อดัง เช่น Harvard, MIT, Stanford, UPenn และ leading instructors จากทุกมุมโลก (ขอบคุณ internet)

MOOC เบอร์หนึ่งของโลกคือ coursera ของ Andrew Ng เป็น platform ที่แอดใช้เวลาเรียนมากที่สุด จาก Google Trends จะเห็นว่าตั้งแต่เกิด COVID ความสนใจเรื่อง MOOC เติบโตขึ้นแบบก้าวกระโดด

• Coursera Plus
• LinkedIn Learning
• Pluralsight + A Cloud Guru
• DataCamp
• Codecademy

จริงๆแอดแนะนำว่าเลือกเรียนแค่ 1-2 ที่ก็พอ เวลามีช่วงโปรโมชันทุกที่น่าลงเรียนหมดเลย ต้องคิดดีๆว่าเราจะแบ่งเวลาเรียนได้ขนาดไหน ตั้งแต่เรียนมาทั้งหมด Coursera Plus ตอบโจทย์แอดที่สุด เพราะได้เรียนทั้งเรื่อง data, business, software, cloud ครบถ้วน (Google, Amazon, Microsoft มาเต็ม)

LinkedIn Learning เป็น MOOC platform ของ Microsoft (สมัยก่อนชื่อว่า Lynda) เจาะกลุ่ม professionals เรียนจบสามารถอัพใบเซอร์ขึ้น LinkedIn ของเราได้เลย ตอนนี้เค้าเปิดให้เรียนฟรี 10 learning path ยอดนิยม เช่น Data Analyst, Digital Marketer เรียนได้ถึง 31 ธ.ค. 2021

Pluralsight เพิ่งรวมทีม A Cloud Guru เมื่อเดือน ก.ค. 2021 ช่วงหลังค่ายนี้มาแรงมาก ถ้าใครอยากเรียนเรื่อง tech/ cloud แอดว่าปีหน้าลองดูโปรของที่นี่ได้ เฉลี่ยปีละ 5,000-6,000 บาทเอง

ส่วน DataCamp กับ Codecademy อาจจะไม่สามารถจัดว่าเป็น MOOC ได้แบบตรงๆ เพราะจะเน้นที่การฝึกเขียนโค้ดเป็นหลัก learning by doing ถ้าใครอยากจัดหนักเรื่อง coding สองที่นี้ตอบโจทย์เลย

แอดว่าตอนนี้ MOOC กำลังค่อยๆกินตลาด Higher Education ทั่วโลก มหาวิทยาลัยไทยต้องปรับตัว ค่าเทอมปริญญาโท 25,000 บาท เอามาจ่าย Coursera Plus เรียนได้สองปีเต็ม ออนไลน์คุ้มกว่าเห็นๆ

Bootcamp

อีกหนึ่งทางเลือกสำหรับการเรียน data analysis/ data science อย่างเข้มข้น ตั้งแต่พื้นฐานจนถึงใช้งานได้จริง มีเวลากำหนดชัดเจน เช่น 3 เดือน, 6 เดือน เป็นต้น ในประเทศไทยตอนนี้ที่จัดว่าเป็น bootcamp จริงๆจะมีอยู่สามที่คือ Skooldio, Botnoi และ DataRockie

• Skooldio มีโครงการชื่อว่า DAB – Data Analytics Bootcamp ระยะเวลา 2-3 เดือน สอนตั้งแต่ spreadsheets, SQL และ Google Data Studio นำทีมสอนโดยพี่ต้า data expert ระดับท๊อปของประเทศไทย และวิทยากรพิเศษชื่อดังในสายงาน Data Science หลายท่านมาแชร์ความรู้ เรียกว่าเป็น premium bootcamp ของบ้านเราเลยก็ได้
• Botnoi เปิดสอนคลาส Data Science Essential เรียนออนไลน์ live classes ทั้งหมด 10 ครั้ง (มีคลาสพิเศษมากมาย) จะเน้นเขียนโค้ด Python เป็นหลัก เนื้อหาครอบคลุมการทำโมเดลรูปแบบต่างๆ ไปจนถึง AI ง่ายๆและ NLP chatbot นำทีมสอนโดยพี่วินน์ ex-Telenor/ dtac และทีม data scientist ของบอทน้อย
• DataRockie ของเพจเราเปิดสอน Data Science Bootcamp ตั้งแต่ปลายปี 2020 สอนมาแล้วสามรุ่น ระยะเวลาเรียน 4-6 เดือน สอนทั้งแบบวีดีโอ on-demand และ live classes ครบทุกสกิลตั้งแต่ spreadsheets, SQL, R, Python, Google Data Studio, Tableau, statistics และ machine learning เบื้องต้น หลักสูตร 60-80 ชั่วโมง

เพื่อนๆที่สนใจ ลองอ่านรายละเอียดเพิ่มเติมของแต่ละ bootcamp ได้เลยนะครับ (เนื้อหา, ค่าใช้จ่าย, ตารางเรียน) คอร์สของ DataRockie นักเรียนทุกคนพูดเป็นเสียงเดียวกันว่า “เรียนจนต้องร้องขอชีวิต” 555+

ส่วนใครที่สนใจอยากเรียน bootcamp ของต่างประเทศ ลองดูที่ General Assembly, Flat Iron, Metis, Thinkful, Springboard หลักสูตรส่วนใหญ่ใช้เวลาเรียน 6-12 เดือน ราคาโหดร้ายมาก หลายแสนบาท 😅

แอดว่าราคานี้ ไม่ต้องเรียนก็ได้ 555+ อ่านหนังสือดีๆ เรียนคอร์สออนไลน์ MOOC ทั่วไป เอาอยู่แล้วครับ

หลังจากเรียนมาซักระยะ 2-3 เดือน เราแนะนำว่าควรทำ resume กับ online portfolio รอไว้เลย เดี๋ยวนี้จะดีไซน์อะไรก็ง่าย ตั้งแต่รู้จักกับ Canva – graphic design platform ชีวิตดีขึ้นเยอะเลย

How to Design Your Resume

สำหรับ To-Be Data Analyst ทุกคนควรมีสามอย่างนี้ก่อนร่อนใบสมัครงาน

1. LinkedIn Profile
2. Resume
3. Online Portfolio / Website

LinkedIn เป็นเหมือน Facebook ด้าน career/ professional สร้าง connections เพิ่มโอกาสในการหางานหรือประโยชน์เชิงธุรกิจอื่นๆ ถ้าใครยังไม่มี profile แนะนำให้สมัครฟรีไว้ก่อนเลย อัพโหลดรูป และใส่ข้อมูลการศึกษา การทำงาน และผลงานที่ผ่านมาของเราเบื้องต้น

ข้อดีของ LinkedIn คือถ้ามีคนไป Google ชื่อเรา มีโอกาสที่ profile เราจะขึ้นมาอันดับต้นๆของ search results เลย ยิ่งคนหาเราเจอง่ายเท่าไหร่ โอกาสที่จะได้สัมภาษณ์งานก็จะมีมากขึ้นเท่านั้น

มาถึงขั้นตอนการทำ resume กันบ้าง ไม่ต้องเก่งดีไซน์ก็สามารถสร้างผลงานสวยๆได้ด้วย Canva สมัครใช้งานฟรี เสร็จแล้วคลิก “Create a design” เลือก “Resume template” แล้วก็เริ่มดีไซน์ได้เลย

เสร็จแล้ว! ทำไมมันง่ายอย่างงี้ 555+

Tips สำหรับการดีไซน์ resume

• เน้น Minimal ตกแต่งให้พองาม วางโครงสร้างข้อมูลให้เหมาะสมกับตำแหน่งงานที่สมัคร
• เลือกใช้ font ที่อ่านง่าย “Time New Roman” เลิกใช้ได้แล้ว 555+
• ตรวจสอบ typo คำสะกดต่างๆ ว่าพิมพ์ได้ถูกต้อง ให้เพื่อนช่วยเช็คด้วยก็ได้
• ใช้ bold font ไฮไลท์ข้อมูลที่เราต้องการเน้นให้คนสัมภาษณ์ได้เห็น
• ยืนพื้นด้วยโทนสีขาว/ ดำ ปกติได้เลย เผื่อ HR ต้องปรินต์ resume ให้กับทีมไปพิจารณา
• ใส่ LinkedIn และ online portfolio ของเราไว้ด้วย

ดีไซน์เสร็จแล้ว คลิกที่มุมขวาบนเลือก Download ไฟล์ออกมาเป็น PDF ใช้สมัครงานได้ทันที

สำหรับเว็บไซต์ online portfolio แอดแนะนำ WordPress.com สมัครใช้งานฟรี (อีกแล้ว) แอดมีสอนคลาส WordPress 101 ฟรีบนเพจ ใช้เวลาประมาณสองชั่วโมง

ทำไมต้องมี portfolio? เพราะวิธีการที่ดีสุดในการบอกว่าเราทำอะไรเป็นบ้าง คือการสร้างงานชิ้นนั้นขึ้นมาโชว์เลย ตัวอย่างโปรเจ็คง่ายๆ เช่น web scraping, data dashboard, database design เป็นต้น

Tip – Portfolio ไม่ใช่การแคปรูปงานที่เราทำมาแปะๆแล้วจบนะครับ 555+ แอดคิดว่ารูปแบบ portfolio ที่มี impact สูงสุดคือการเขียนอธิบายกระบวนการคิดของเรา (thought process) ตั้งแต่การตั้งคำถาม การจัดการข้อมูล วิเคราะห์และนำเสนอผลลัพธ์ (work from question to answer)

Keep Growing

ความรู้ด้าน data science มีการเปลี่ยนแปลงเร็วมาก ทุกเดือนมีเครื่องมือใหม่อัพเดทให้ได้ลองเล่นตลอด แค่ตามอ่านบทความใหม่ๆก็หมดเวลาแล้ว 555+

แอดแนะนำว่าโฟกัสที่ความรู้พื้นฐาน Spreadsheets, SQL, Dashboard และ Core Technical Skills เครื่องมืออาจจะเปลี่ยนตามยุคสมัยและเทคโนโลยี แต่ความรู้และกระบวนการคิดจะอยู่ติดตัวเราตลอดไป

แบ่งรายได้บางส่วนมาใช้ลงทุน นอกจากลงทุนในสินทรัพย์ แบ่งเงินมาลงคอร์สเรียนดีๆบ้าง ในบทความแอดพูดเรื่องคอร์สเยอะเลย แต่จริงๆการอ่านหนังสือ slow learning ตัวแอดคิดว่า effective กว่ามาก 😁

Tip – นอนเร็วขึ้น ตื่นให้เช้าขึ้น (พักผ่อนให้ได้อย่างน้อย 6 ชั่วโมง) ส่วนตัวแอดพบว่าช่วงตี 5-6 โมงเช้าคือเวลาที่แอดเรียนได้อย่างมีประสิทธิภาพที่สุดเลย ลองหาช่วงเวลา prime time ของตัวเองให้เจอนะครับ

Start Your Journey

ถ้าใครยังลังเลว่าจะเรียน data skills ดีมั้ย? เริ่มเรียนได้เลยวันนี้!

• Data ในโลกของเราเพิ่มขึ้นเรื่อยๆ ทุกวันนี้ใครๆก็พูดกันเรื่อง customer data platform (CDP) บริษัทเกือบทุกที่ต้องการสร้างฐานข้อมูลลูกค้าของตัวเองเพื่อใช้ประโยชน์ด้านการตลาด การขายและ CRM
• Data analyst เป็นตำแหน่งที่มีความต้องการสูงที่สุดในสาย data
• Core skills ที่ต้องทำให้ได้มี spreadsheets, SQL, dashboard, stats & probability และ basic programming
• Add-on skills จะช่วยให้ career ของเราเติบโตแบบแข็งแรง
• ลงทุนในความรู้ทุกเดือน ซื้อหนังสือดีๆมาอ่าน แบ่งเวลาเรียนออนไลน์ พัฒนาตัวเอง ไม่หยุดเรียนรู้
• แชร์ความรู้ให้กับเพื่อนๆ ได้เติบโตไปด้วยกัน sharing is caring

The secret of getting ahead is getting started.

Mark Twain

ยังไม่จบ ขอฝากไว้อีกเรื่องครับ 555+

ภาษาที่สำคัญที่สุดไม่ใช่ R หรือ Python แต่เป็นภาษาอังกฤษ เรียนพื้นฐานไว้สำหรับการสื่อสาร เขียนอีเมล เรียนออนไลน์ได้รู้เรื่อง จะช่วยให้เราเรียน data/ business skills ได้เร็วขึ้นมาก

เพราะคอร์สเรียนภาษาอังกฤษของต่างประเทศหลายๆที่คุณภาพดีกว่าบ้านเราเยอะเลย (ในราคาที่เท่ากัน) ถ้าใครมี budget ส่วนตัวแอดเชียร์ Coursera Plus หรือ LinkedIn Learning เรียนได้แบบบุฟเฟ่ต์เฉลี่ยเดือนละพันบาท เลือกเรียนซักที่หนึ่งให้ครบหนึ่งปี เก่งขึ้นแน่นอน แถมได้ใบเซอร์มาใช้สมัครงานด้วย

หวังว่าบทความนี้จะเป็นประโยชน์กับเพื่อนๆทุกคน ชอบกด like ใช่กด share ให้แอดด้วยนะครับ มีคำถามอะไรเพิ่มเติม comment ได้เลยในโพสต์นี้ หรือส่งข้อความหาแอดที่ FB

PS. เป็นบทความ Career Guide ที่เขียนละเอียดสุดเลย ตั้งแต่เปิดเว็บมา 😋

PS. เข้าร่วมกลุ่ม Facebook ของเราได้ที่ Data Analyst Accelerated Bootcamp

FAQ

💊 Q1. ปริญญาโทจำเป็นไหมสำหรับงานสาย Data Science?

ส่วนตัวแอดคิดว่าถ้าจะเรียนเพื่อมาทำงาน ไม่จำเป็นต้องเรียนโทเลย นอกจากมหาวิทยาลัยที่เราจะสมัครไปเรียนมีชื่อเสียงดีมากอย่าง Harvard, MIT, UC Berkeley, Oxford, Cambridge

ทุกวันนี้บริษัทใหญ่ๆหลายที่ดูกัน Skills มากกว่าใบปริญญา อย่าง Google เปิดตัว Career Certificates เพื่อพัฒนา 5 ทักษะสำคัญด้าน Data Analytics, UX, IT Support, Project Management และ Android Development เมื่อปีที่แล้วก็ได้รับเสียงตอบรับดีมาก

ในประเทศไทย แอดคิดว่าเราน่าจะได้เห็นการเปลี่ยนแปลงในขั้นตอนการประเมิน candidate เพื่อเข้าทำงาน และการยอมรับ career certificates เหล่านี้มากขึ้นในเร็วๆนี้ Microsoft Thailand เอาจริงกับเรื่องนี้มาก อัพสกิลคนไทย แจก voucher สอบเซอร์ฟรีทุกเดือน

แต่ถ้าใครอยากเรียนจริงๆ Online Master Degree ด้าน Data Science มีเปิดสอนเยอะมากโดยเฉพาะ U. ในประเทศอเมริกา ค่าใช้จ่ายตลอดหลักสูตรเริ่มต้น 10,000 – 20,000 USD ขึ้นไป ใช้เวลาเรียน 2-3 ปี ลองดูตัวอย่างได้ที่ Coursera เช่น University of Colorado Boulder ไม่ต้องมีใบสมัครใดๆเลย

💊 Q2. R vs. Python จะเรียนภาษาอะไรก่อนดี?

จริงๆจะเริ่มจากภาษาไหนก่อนก็ได้ แต่ถ้าจะมาทำ data analyst แอดว่า Quick Win ยังไงก็ภาษา R เปิดโปรแกรมขึ้นมา ลองเขียนแค่ 2-3 ชั่วโมงก็เข้าใจตัว basic syntax ได้ไม่ยาก

สุดท้ายยังไงก็ต้องเขียนเป็นทั้งสองภาษาอยู่ดี เราต้องเลือกใช้ Tools ให้เหมาะสมกับงาน

• ถ้าเป็นงานด้าน data, stats พื้นฐาน แอดเลือกใช้ R
• ถ้าเป็นงานที่ต้องใช้ API เยอะๆหนักไปทาง software/ cloud แอดเลือกใช้ Python

💊 Q3. อายุ 30 ปีแล้ว เปลี่ยนสายงานมาทำ Data ตอนนี้ยังทันไหม?

อ้างอิงจาก Kaggle Survey (2020) คนทำงานตำแหน่ง data scientist 45.2% มีอายุอยู่ในช่วง 25-34 ปี ประมาณ 1/3 ของผู้ตอบแบบสอบถามทั้งหมดมีอายุตั้งแต่ 35 ปีขึ้นไป

ความเห็นส่วนตัวแอดคิดว่าถ้าอายุยังไม่ถึง 35 ปี การย้ายงานมีความเป็นไปได้สูงมาก ถ้าเรามี skills ที่เหมาะสมกับตำแหน่งงานที่สมัคร แน่นอนว่าอายุมากขึ้น การย้ายงานจะเริ่มยากขึ้นเรื่อยๆ สู้ๆครับทุกคน

💊 Q4. ใบ Certificate มีผลกับการสมัครงานไหม?

ถ้ามี candidates สองคนมาสมัครงาน profile เหมือนกันแทบทุกอย่าง คนแรกมีเซอร์ติดตัว อีกคนมาแบบโล่งๆ คิดว่าใครมีโอกาสได้งานมากกว่ากัน? ถ้าแอดเป็น recruiter อาจจะเอียงไปคนแรกมากกว่า

Professional Certificates ที่แอดคิดว่าใช้ได้จริง และมี impact ตอนสมัครงานคือของ cloud platforms ต่างๆ เช่น AWS, Google Cloud, Microsoft Azure

Note – ทุกที่จะมี learning platform ให้ผู้ที่สนใจเรียนฟรีเตรียมตัวสอบด้วย Microsoft มี Microsoft Learn AWS มี AWS training และ Google ก็มี Qwiklabs

💊 Q5. ความแตกต่างระหว่าง Junior vs. Senior Data Analyst?

อายุ ประสบการณ์ หน้าตา (ยั๊ง!) 555+ แอดว่าจุดที่ต่างกันคือเรื่องของ skills และหน้าที่ความรับผิดชอบ

• Junior ลุยหน้างาน ปั่นข้อมูลรัวๆ หา insight ทำ report
• Senior จะมีความรับผิดชอบมากขึ้น ต้องมีการวางแผน เขียน objectives ประเมิน KPI และทำงานร่วมกับฝั่ง business แบบใกล้ชิด เพราะงาน data science ในบริษัทพาณิชย์ส่วนใหญ่จะวนๆกับเรื่อง marketing

กลับไปรีวิว AARRR ที่แอดอธิบายในบทความนี้คือ marketing metrics ล้วนๆเลย

💊 Q6. เงินเดือนเฉลี่ยของตำแหน่ง Data Analyst?

เงินเดือนเริ่มต้นของ data analyst ขึ้นอยู่กับหลายๆปัจจัย เช่น ประสบการณ์ทำงาน degree หรือใบปริญญาที่เราเรียนจบมา ใบประกาศนียบัตรต่างๆ บริษัทไทยหรือต่างชาติ ขนาดของบริษัท และ industry

อ้างอิงจากเว็บไซต์ Indeed ของประเทศอเมริกา เงินเดือนเฉลี่ยของ DA ในปี 2021 อยู่ที่ $4,723 หรือประมาณ 140,000 บาทต่อเดือน และมีโบนัสอีกประมาณ $2,500 หรือ 75,000 บาทต่อปี

แอดใช้ 2.5 factor ในการเปลี่ยนเงิน USD เป็น THB คิดตามค่าครองชีพง่ายๆ ลองเอาเงินเดือนนี้หาร 2.5 จะได้ประมาณ 56,000 บาท สำหรับ Data Analyst ประสบการณ์ 3-5 ปีในธุรกิจประเภท bank, telco, retail

ทำไมถึงใช้ 2.5 factor ตัวเลขนี้แอดคิดง่ายๆจากค่าครองชีพ เช่น ถ้าใช้ชีวิตสบายๆในกรุงเทพเดือนละ 10,000 บาท (แบบพอเพียง 555+) จะใช้ชีวิต lifestyle แบบเดียวกันที่ New York ต้องใช้เงินอย่างน้อย 2.5 * 10,000 = 25,000 บาทต่อเดือน

Note – ค่าครองชีพที่โน้นเปลี่ยนแปลงเยอะมากตามเมืองที่เราอยู่ ตัวเลข factor ไม่ได้ถูกต้องเป๊ะ 100% ใช้เป็น ballpark เบื้องต้นนะครับ

ส่วนฐานข้อมูลเงินเดือนของประเทศไทย แอดแนะนำลองหาข้อมูลเพิ่มเติมที่ Adecco ทุกปีเค้าจะทำรายงานสรุปตำแหน่งและเงินเดือน เปิดให้ดาวน์โหลดฟรีบนเว็บ ใช้เป็น guideline ในการต่อรองเงินเดือน

อีกที่ ที่เราแนะนำให้ทุกคนเข้าไปดูบ่อยๆ active research คือ LinkedIn Jobs จะมีตำแหน่งงานเปิดใหม่มาโพสต์เป็นระยะ ไว้ดูพวก trendy skills ที่จำเป็นสำหรับตำแหน่ง data analyst/ data analytics ถ้ามี recruiter ติดต่อมา เราสามารถถามพวกช่วงเงินเดือนได้ด้วย