หางาน Data Analytics ไม่มีประสบการณ์ ในยุค AI ต้องเตรียมตัวยังไง? คู่มือเตรียมตัวสำหรับมือใหม่และคนย้ายสาย

สำหรับคนที่กำลัง หางาน Data Analytics ไม่มีประสบการณ์ แม้ว่าทุกวันนี้ครื่องมือ Generative AI สามารถช่วยเขียน SQL สร้างสูตรใน Spreadsheet สรุปข้อมูล ออกแบบโครง Dashboard หรือช่วยอธิบายข้อผิดพลาดได้ภายในเวลาไม่กี่วินาที

แน่นอน AI อาจช่วยให้คุณทำงานเร็วขึ้นได้ แต่คุณค่าหลักยังมาจากคนที่รู้ว่า ควรถามอะไร ควรเชื่อข้อมูลแค่ไหน และควรทำอะไรต่อจากผลวิเคราะห์ที่ได้

ดังนั้น แม้ว่าคุณจะยังไม่มีประสบการณ์ทำงานในตำแหน่ง Data Analyst มาก่อน แต่ประสบการณ์จากงานเดิม ความรู้เฉพาะทาง หรือความถนัดในด้านใดในด้านหนึ่ง ก็สามารถนำมาประกอบกับทักษะด้านข้อมูลให้กลายเป็นจุดแข็งได้

ลองมาดูในบทความนี้กันครับว่า ถ้าจบใหม่หรือยังไม่มีประสบการณ์ จะเตรียมตัวและฝึกทักษะ Data Analytics ในยุค AI ยังไงดี

ยุค Gen AI เปลี่ยนการหางาน Data Analytics อย่างไร
แล้วตอนนี้ทักษะที่ควรรู้มีอะไรบ้าง?
ทักษะ Technical ที่ยังสำคัญ แม้จะมีการเข้ามาของ AI
ใช้เครื่องมืออย่างไรให้ตอบคำถามธุรกิจ
สิ่งที่ควรพัฒนาเพื่อเพิ่มโอกาสในการได้งาน
งาน Data Analyst อาจมาในชื่ออื่น
ทำ Port หรือ Case Study แล้วอย่าลืมสร้างตัวตนออนไลน์ หรือ Social Presence
ควรใช้แพลตฟอร์มอะไรบ้าง?
บริษัทเลือกผู้สมัครจากอะไร
ฝึกอย่างไรให้พร้อมใช้งานจริง
สรุปสิ่งที่ควรทำสำหรับคนไม่มีประสบการณ์
สรุป

ยุค Gen AI เปลี่ยนการหางาน Data Analytics อย่างไร

ก่อนที่เครื่องมือ AI จะใช้งานได้อย่างแพร่หลาย คนที่ที่สามารถเขียน SQL ทำ Pivot Table หรือสร้าง Dashboard ได้ มักมีข้อได้เปรียบ

แต่ทุกวันนี้ AI สามารถช่วยทำงานพื้นฐานได้หลายอย่าง เช่น

เขียน SQL Query
สร้างสูตร Excel หรือ Google Sheets
ช่วยเขียน Python
แนะนำกราฟหรือ Dashboard
สรุปข้อมูลเบื้องต้น
อธิบาย Error
ช่วยจัดโครงรายงานและ Presentation

หรือแม้แต่ การใช้ AI สร้าง Dashboard หรือ การใช้ AI เพื่อใช้ถามตอบกับข้อมูล ก็ทำได้แล้วด้วย

อย่างไรก็ตาม ความสามารถในการให้ AI สร้างคำตอบไม่ได้แปลว่าผลลัพธ์นั้นถูกต้องเสมอไป เช่น

Query อาจรันได้แต่ Join ผิด
สูตรอาจให้ผลลัพธ์แต่ใช้เงื่อนไขไม่ครบ
Dashboard อาจดูดี แต่ใช้งานจริงได้ยาก หรือ ไม่ได้
Insight ที่ได้ผิด และ ไม่สามารถช่วยให้คนตัดสินใจอะไรได้เลย

การทำงาน Data Analytics ได้ดี จึงไม่ใช่แค่การใช้เครื่องมือเป็นหรือคล่อง แต่ต้อง

เข้าใจธุรกิจ หรือ งานเฉพาะด้าน
ตั้งคำถามได้ถูกจุด ช่วยแก้ปัญหาและตัดสินใจได้
เลือกข้อมูล การวิเคราะห์ และการวัดผล ได้เหมาะกับงาน
ตั้งคำถาม ใช้งาน และตรวจสอบคำตอบจาก AI ได้เหมาะสม
สื่อสารกับคนในทีมและนอกทีมให้เข้าใจได้ดี

ซึ่งบางครั้ง หลายๆ เรื่อง เราอาจไม่สามารถปล่อย AI ทำงาน ตัดสินใจ และรับผิดชอบแทนเราได้

แต่เราหากเราสามารถคิด ตั้งคำถาม และตรวจสอบงานจาก AI ได้ดี เราก็สามารถใช้ AI เป็นผู้ช่วยได้ดีด้วยเช่นกัน

แล้วตอนนี้ทักษะที่ควรรู้มีอะไรบ้าง?

ทักษะ Business Domain หรือ ความรู้เฉพาะทาง

หนึ่งในความเข้าใจผิดที่พบบ่อยคือ การคิดว่าข้อมูลจำนวนมากหรือ Dashboard ที่สวยงามจะสร้างคุณค่าให้ธุรกิจโดยอัตโนมัติ

ในความเป็นจริง Data หรือ ข้อมูลนั้น เป็นเพียงวัตถุดิบ ซึ่งคุณค่าเกิดขึ้นเมื่อข้อมูลถูกใช้กับปัญหาบางอย่าง เช่น

ข้อมูลจะสร้างคุณค่าได้เมื่อถูกนำไปใช้ร่วมกับสิ่งอื่น เช่น

ความเข้าใจธุรกิจ
ความรู้เกี่ยวกับลูกค้า
การตลาด
การขาย
การเงิน
Operations
Product
ความรู้เฉพาะทางในอุตสาหกรรม

ซึ่งการวัดผล การวิเคราะห์ การตีความก็จะแตกต่างกันไป เช่น

คนที่สนใจ Marketing Analytics ควรเข้าใจเลขต่างๆ ของการตลาดที่ทำ เพื่อวิเคราะห์ Campaign เช่น Conversion, CAC หรือการทำ Customer Segmentation

คนที่สนใจ Product Analytics เช่น Saas หรือ Digital Product ก็ควรเข้าใจหลักการที่เข้ากับ Product เช่น Funnel, Activation, Retention และ Experiment ต่างๆ

หรือหากคุณเคยทำงานอื่นๆ ไม่ว่าจะเป็น ด้านบัญชี การตลาด การขาย โรงงาน บริการลูกค้า หรืออื่นๆ

ประสบการณ์เหล่านั้น ก็สามารถนำมารวมกับทักษะ Data ก็สามารถเปลี่ยนเป็นจุดแข็งได้ด้วยเช่นกัน

ทักษะ Communication, Storytelling, People Management

บางคนอาจจะสงสัยว่า ผมถึงเอา People Management มารวมกับทักษะ Communication

เพราะคนทำงาน Data Analytics นั้น ต้องสื่อสารกับคนที่มีพื้นฐานต่างกัน ทั้งผู้บริหาร ทีมการตลาด ทีม Product ฝ่ายขาย และทีมเทคนิค ซึ่งการสื่อสารที่ดีไม่ได้หมายถึงการพูดเก่ง หรือเล่าเรื่องเก่งเท่านั้น แต่รวมถึง

ถามคำถามให้เข้าใจโจทย์
สรุปสิ่งที่ทุกฝ่ายตกลงกัน
อธิบายข้อจำกัดของข้อมูล
เล่า Insight โดยไม่ใช้ศัพท์เทคนิคเกินจำเป็น
เสนอ Recommendation ที่นำไปใช้ได้
รับ Feedback และปรับงานได้

ทักษะ Data Literacy, Data Interpretation, Critical Thinking

Data Literacy คืออะไร?

Data Literacy คือ ความสามารถในการอ่าน ตีความ ตั้งคำถาม และตรวจสอบข้อมูลอย่างมีเหตุผล

หรือก็คือ ความสามารถในการใช้และเข้าใจข้อมูลได้ดีนั่นเอง

ตัวอย่างคำถามที่ควรถามเป็น ได้แก่

ตัวเลขนี้มีที่มาจากไหน
ค่าเฉลี่ยเหมาะกับข้อมูลชุดนี้หรือไม่
เปอร์เซ็นต์นี้ใช้ฐานอะไร
Sample Size เพียงพอหรือยัง
Metric นี้ถูกนิยามเหมือนกันทุกทีมหรือไม่
กราฟนี้กำลังทำให้เข้าใจผิดหรือเปล่า
Analysis ที่พบเป็นเหตุและผลจริงหรือไม่

ทักษะ AI Literacy

AI Literacy คืออะไร? แล้วต่างกับ Data Literacy ยังไงล่ะ?

ถ้า Data Literacy คือ ความสามารถในการใช้และเข้าใจข้อมูล ได้หลากหลาย

AI Literacy ก็คือ ความสามารถในการใช้และเข้าใจ AI นั่นเอง โดยรู้ว่า AI เหมาะกับงานอะไร มีข้อจำกัดอย่างไร และต้องตรวจสอบตรงไหน

เพราะ AI Literacy ไม่ใช่การเขียน Prompt ให้ได้ดั่งใจ หรือ ใช้ AI ทำงาน

แต่คุณควรรู้ด้วยว่า

AI อาจสร้างข้อมูลที่ไม่มีอยู่จริง
ข้อมูลที่ดูถูกต้องอาจยังให้ผลลัพธ์ผิด
AI อาจยังไม่รู้บริบทภายในบริษัททั้งหมด
เครื่องมือ AI ของแต่ละองค์กรอาจต่างกัน
ข้อมูลบางประเภทไม่ควรถูกส่งไปยัง AI ภายนอก
คำตอบต้องผ่านการตรวจสอบก่อนนำไปใช้จริง
ถ้าเกิด AI มีปัญหา ไม่ว่าจะเชิงเทคนิค หรือ ผลลัพธ์ จะแก้ยังไง?

ทักษะ Technical ที่ยังสำคัญ แม้จะมีการเข้ามาของ AI

แม้จะการมี AI ไม่ได้ทำให้ Spreadsheet, SQL หรือ Dashboard หมดความสำคัญเสมอไป เพราะหลายๆ งานในชีวิตจริงอาจไม่ได้มีความจำเป็นต้องใช้ AI จนเกินความจำเป็น เช่น

หากต้องการสร้าง Pivot Table และเชื่อมต่อข้อมูลด้วย VLOOKUP/XLOOKUP หรือตรวจสอบยอดรวม การทำเองอาจใช้เวลาไม่นานมาก ยิ่งหากคุ้นมือแล้ว อาจยิ่งเร็ว ซึ่งถ้าหากต้องอธิบายโครงสร้างไฟล์ให้ AI เข้าใจ รอคำตอบ และตรวจสอบผลลัพธ์ อาจใช้เวลานานกว่า มีค่าใช้จ่าย (Token) และเสี่ยงที่ข้อมูลจะรั่วไหลหรือผิดได้ด้วย

ใน SQL ก็เช่นกัน การ Join ตารางสองหรือสามชุดอาจทำได้เร็วมาก หากเข้าใจ Key, Grain และ Row Count แต่หากพึ่ง AI ทั้งหมด คุณอาจไม่สังเกตว่าข้อมูลถูกนับซ้ำหรือจำนวนแถวเพิ่มผิดปกติ

ทักษะ Spreadsheet ต่างๆ เช่น Excel หรือ Google Sheet

แม้ว่าที่ผ่านมาเทคโนโลยี Data จะมีเครื่องมือต่างๆ มากมาย ออกมาเรื่อยๆ ไม่ว่าจะเป็น Database, Dashboard, หรือแม้แต่ Generative AI

แต่ส่วนมากก็มักจะมีงานที่ต้องจบด้วย Excel หรือ Google Sheets อยู่ดี

ถ้าสามารถเข้าใจสูตรหรือฟังค์ชั่นพื้นฐานต่างๆ ที่ใช้งานบ่อยได้ ก็จะช่วยให้เราจัดการหรือวิเคราะห์ได้ดียิ่งขึ้น รวมถึงอาจสามารถใช้บางสูตรหรือฟังค์ชั่นต่างๆ เพื่อสั่งงานและตรวจสอบผลลัพธ์จาก AI ได้ด้วย เช่น

– SUM, MIN, AVERAGE, MEDIAN, MAX

– COUNT and COUNTA

– IF, IFS

– VLOOKUP, XLOOKUP, INDEX + MATCH

– SUMIFS, COUNTIFS

– CONCATENATE, & operator

– TEXT

– FIND, LEFT, MID, RIGHT

– LOWER, UPPER, PROPER, TRIM

– REPLACE, SUBSTITUTE

– DATE and TIME functions

– Named Range

– PivotTables

โดยการอธิบายด้วยสูตร ก็มีโอกาสที่ AI จะให้คำตอบเราด้วยสูตรที่ต้องการได้หรือตอบโจทย์ได้มากกว่าด้วย

ทักษะการเขียน SQL

ในหลายๆ บริษัทส่วนใหญ่ ข้อมูลมักจะถูกเก็บอยู่ในฐานข้อมูลแบบตาราง ไม่ว่าจะเป็นลูกค้า ยอดขาย สต๊อก ธุรกรรม หรือพฤติกรรมผู้ใช้

และถ้าต้องการดึงข้อมูลจากฐานข้อมูลที่มีปริมาณมาก และ สามารถตรวจสอบความถูกต้องย้อนหลัง SQL ก็ยังคงเป็นสิ่งที่ตอบโจทย์ที่สุด

ซึ่งหากคุณเพิ่งเริ่มต้นย้ายสาย หรือ จบใหม่ ผมก็อาจจะขอแนะนำสูตรที่ได้ใช้บ่อยก่อน เช่น

SELECT, WHERE, ORDER BY
GROUP BY และ Aggregate Functions
INNER JOIN, LEFT JOIN
CASE WHEN และการจัดการ NULL, Duplicate
Date Functions

บางคนอาจจะสงสัยว่าทำไมมีแค่นี้

แน่นอนว่า เป้าหมายในการเรียน SQL สำหรับ Data Analytics โดยเฉพาะคนที่เพิ่งเริ่มนั้น ไม่ใช่ต้องรู้ทุกคำสั่ง แต่รู้ให้เพียงพอในการใช้ข้อมูลให้ต้องตอบโจทย์ธุรกิจได้ เช่น:

ลูกค้ากลุ่มไหนซื้อเยอะที่สุด
สินค้าตัวไหนยอดขายเป็นอย่างไร
ยอดขายเพิ่มหรือลดจากเดือนก่อนเท่าไร
ลูกค้าแต่ละคนซื้อล่าสุดเมื่อไร

แล้วสามารถตัดสินใจต่อได้ว่า เราควรทำอย่างไรต่อ หรือ มีทางเลือกอะไรบ้างในการตัดสินใจเชิงธุรกิจหรืองานในแผนกนั้นๆ

ทักษะการสร้างและใช้งาน Dashboard

ถ้า Excel หรือ SQL ทำหน้าที่ดึงและเตรียมข้อมูล

Dashboard ก็ทำหน้าที่เปลี่ยนข้อมูลให้คนในบริษัทอ่าน ตัดสินใจ และติดตามผลได้ง่ายๆ ด้วยตัวเอง ผ่าน Data Visualization และหากออกแบบระบบ Automated, Visual ได้ดี ก็จะช่วยให้ทุกคนสามาถใช้ข้อมูลได้ โดยไม่ต้องขอไฟล์ใหม่จากทีม Data ทุกครั้ง

และไม่ว่าจะใช้ Power BI, Tableau หรือ Data Studio (Looker) หลักการสำคัญยังคล้ายกัน ซึ่งสามารถอ่านบทความพวกนี้เพิ่มได้เลยครับ

ซึ่งเป้าหมายของไม่ควรเป็น “สร้าง dashboard สวย” แต่ควรเป็น

การดึงข้อมูลให้ถูก คำนวณให้ถูก เลือก KPI ให้ถูก เพื่อให้คนเห็นแล้วนำไปวิเคราะห์หรือตัดสินใจต่อได้

Data Quality, Data Governance, Compliance และ Security

การตัดสินใจที่ดี ย่อมมาจากการวิเคราะห์ที่ดี และการวิเคราะห์ที่ดี ย่อมมาจากข้อมูลที่มีคุณภาพเช่นกัน

เพราะถ้าข้อมูลไม่มีคุณภาพ ไม่ว่าจะเป็นข้อมูลไม่ครบ ข้อมูลผิดพลาด ข้อมูลใช้งานไม่ได้ ก็ยากจะเอาไปใช้ต่อได้

ดังนั้น คนทำงาน Data จึงควรรู้ว่า Data Quality หรือ คุณภาพข้อมูลที่ดี เป็นอย่างไร และสื่อสารออกไปเพื่อแก้ไขได้ด้วยเช่นกัน

นอกจากนี้ Data Analyst ไม่ได้มีหน้าที่แค่ดึงข้อมูลและวิเคราะห์ให้ตัวเลขออกมา แต่ต้องใช้ข้อมูลอย่างปลอดภัยและรับผิดชอบ

จึงควรเข้าใจเรื่องต่างๆ พวกนี้ด้วย เช่น

สิทธิ์การเข้าถึงข้อมูล
ข้อมูลส่วนบุคคล
การ Mask หรือ Anonymize
การแชร์ Dashboard
การใช้ข้อมูลจริงกับ AI
นโยบายขององค์กร
กฎหมายและข้อกำหนดที่เกี่ยวข้อง

แน่นอนเราอาจจะไม่ต้องรู้ลึกทั้งหมด แต่ก็ควรรู้ Concept เพียงพอ หรือ รู้ว่าควรไปปรึกษาใครบ้าง เช่น

บางบริษัทอาจมี Data Protection Office หรือ ทีม Data Governance ช่วยดูเรื่องการแชร์ข้อมูล
บางที่อาจให้ Engineer ช่วยดูเรื่องการ Anonymize ให้
บางเรื่องก็ต้องปรึกษาฝ่ายกฏหมายด้วย

และหากบริษัทมีการใช้ AI ก็ควรรู้เรื่อง AI Governance ด้วย แต่โดยมากคนทำงาน Analytics มักจะเป็นคนใช้งานมากกว่า ดังนั้น เราอาจต้องถามทีมที่ดูแล Data, AI Governance ว่าสามารถทำอะไรได้หรือไม่ได้บ้าง

ซึ่ง AI ของแต่ละบริษัทนั้น อาจมีระบบและ การทำงาน การใช้งาน รวมถึงข้อจำกัดที่มีความแตกต่างกัน ค่อนข้างมาก ทำให้บางครั้ง เราอาจไม่สามารถใช้ AI กับงาน Data ในองค์กรได้อย่างเต็มที่

แต่หากเรามีพื้นฐาน Spreadsheet, SQL, Data Model, Dashboard และ Data Quality หลักการและการใช้งานก็ยังคงคล้ายกันเกือบทุกที่ จึงอาจทำให้ Apply ได้ในหลายกรณีมากกว่า ไม่ว่าจะมี AI หรือไม่ก็ตาม

ใช้เครื่องมืออย่างไรให้ตอบคำถามธุรกิจ

ก่อนจะเริ่มวิเคราะห์ หรือ ใช้งานข้อมูล เราลองเริ่มจากเป้าหมาย คำถาม หรือ ปัญหาดูก่อนว่า

เราจะควรจะวิเคราะห์ยังไง ให้ตอบโจทย์ธุรกิจหรืองานของเราได้

ตัวอย่างเช่น หากธุรกิจพบว่ายอดขายลดลง คุณควรถามก่อนว่า

ลดลงจากสินค้าใด
ลดลงในช่องทางไหน
เกิดกับลูกค้าใหม่หรือลูกค้าเดิม
เกิดเฉพาะบางพื้นที่หรือไม่
มีผลจากราคา โปรโมชัน หรือฤดูกาลหรือเปล่า
ผู้บริหารต้องตัดสินใจอะไรจากคำตอบนี้

เมื่อคำถามชัดเจน จึงค่อยเลือกเครื่องมือ

ใช้ Spreadsheet สำหรับสำรวจ คำนวณ และตรวจสอบอย่างรวดเร็ว
ใช้ SQL สำหรับดึง รวม และจัดกลุ่มข้อมูลขนาดใหญ่
ใช้ BI หรือ Dashboard สำหรับติดตาม KPI และสื่อสาร Insight

ซึ่งเราอาจดูว่าจะใช้เครื่องมือเหล่านี้มาใช้รวมกันได้ยังไง ให้ตอบโจทย์ธุรกิจและการใช้งาน

แต่แน่นอนว่า

การใช้เครื่องมือวิเคราะห์ อาจทำให้เกิดคำถามใหม่ๆ
การตั้งคำถามในมุมใหม่ๆ ก็อาจทำให้นึกวิธีใช้เครื่องมือเพิ่มขึ้นมาได้

ดังนั้น การวิเคราะห์ มันอาจไม่ได้เป็นขั้นตอนหรือกระบวนการที่ทำทีเดียวจบ แต่อาจต้องทำซ้ำจนกว่าจะได้คำตอบที่ลงตัว หรือ เพียงพอต่อการตัดสินใจ

รวมถึง หากข้อมูลและเครื่องอาจไม่เพียงพอในการตอบคำถามได้ เราจะแก้ปัญหาอย่างไร จะเก็บข้อมูลเพิ่ม หรือ ปรับเปลี่ยนวิธีอย่างไรด้วย

สิ่งที่ควรพัฒนาเพื่อเพิ่มโอกาสในการได้งาน

ในการเลือกคนเข้าทำงาน บริษัทส่วนมาก ไม่ได้ตัดสินใจเลือกผู้สมัครจากปัจจัยอย่างใดอย่างหนึ่งเดียว แต่จะเลือกคนที่คิดว่าเหมาะสมกับตำแหน่ง หรือ ขาดแคลนในตอนนั้นมากที่สุด

ดังนั้น ไม่ว่าจะมีหรือไม่มีประสบการณ์ ก็ควรปรับตัวและพัฒนาหลายด้านควบคู่กัน เพื่อให้ตอบโจทย์ในงานที่จะสมัครที่สุด เช่น

เข้าใจปัญหาและตั้งคำถามให้ถูก

คำถามเชิงธุรกิจเองก็มีหลายมุม ไม่ว่าจะเป็น

มุมของคนที่ต้องตัดสินใจ เช่น

ใครเป็นคนต้องใช้คำตอบนี้
เขาต้องตัดสินใจเรื่องอะไร

มุมของการหา Root Causes เช่น

ทำไมยอดขายลดลง
โปรโมชันใดให้ผลตอบแทนดีที่สุด
ขั้นตอนไหนใน Funnel ที่ผู้ใช้หลุดมากที่สุด
สาขาใดมีต้นทุนสูงผิดปกติ
กลุ่มใดมีความเสี่ยงจะเลิกใช้บริการ

หากเราสามารถอธิบายได้ดีตอนสัมภาษณ์ เราก็แสดงให้เห็นได้ว่า เราเป็นหนึ่งในคนที่เหมาะสมกับงานหรือตำแหน่งนี้

ลองใช้เครื่องมือเพื่อหาคำตอบ

ไม่จำเป็นต้องใช้เครื่องมือซับซ้อน หรือ ล้ำที่สุด และอาจไม่จำเป็นต้องใช้เครื่องมือเพียงอย่างเดียว

แต่ควรเลือกเครื่องมือต่างๆ ที่เหมาะกับปัญหา มาใช้รวมกัน เพื่อให้สามารถวิเคราะห์และอธิบายเหตุผลได้ ทั้งในแง่การเทคนิคการวิเคราะห์ และ การเลือกใช้เครื่องมือให้เหมาะกับข้อมูล

สรุป Insight และ Recommendation

บริษัทไม่ได้ต้องการแค่ตัวเลข แต่ต้องการรู้ว่าเกิดอะไรขึ้น มีผลกระทบอย่างไร และควรทำอะไรต่อ

คำตอบที่ดีควรบอกให้ได้ว่า

เกิดอะไรขึ้น
เกิดขึ้นที่ไหนหรือกับใคร
มีสาเหตุที่เป็นไปได้อะไร
ผลกระทบคืออะไร
ควรทำอะไรต่อ
ควรวัดผลอย่างไร
มีข้อจำกัดของข้อมูลอะไร
มีความเสี่ยงใดที่ผู้ตัดสินใจควรรู้

เช่น จาก Root causes ที่พบ

ลูกค้ากลุ่มใดมีโอกาสกลับมาซื้อซ้ำ
สินค้าใดควรได้รับการโปรโมตลูกค้า

ใช้ข้อมูลอย่างปลอดภัยและรับผิดชอบ

ก่อนจะแชร์ข้อมูลให้คนอื่น อาจต้องทำความเข้าใจเรื่อง Privacy, Security ซึ่งก็สามารถ Showcase ด้วยการจำลอง Anonymize หรือ การปรับแต่งการแชร์ข้อมูลได้ หรือ ทำความเข้าใจ เพื่อให้สามารถตอบคำถามในการสัมภาษณ์ได้

สื่อสารและทำงานร่วมกับคนอื่น

คนทำงาน Analytics นั้นต้องทำงานกับ Stakeholder หลายกลุ่ม

การที่สามารถในการอธิบายและประสานงานได้จึงสำคัญมาก

ลองเรียบเรียงและเล่าเรื่อง รวมถึงฝึกตอบคำถามที่อาจพบเจอได้ล่วงหน้า กับทีมต่างๆ ให้ได้

งาน Data Analyst อาจมาในชื่ออื่น

การค้นหางานด้วยคำว่า Data Analyst เพียงคำเดียว อาจทำให้คุณพลาดตำแหน่งที่ใช้ทักษะ Data Analytics เหมือนกัน

ชื่อตำแหน่งที่ควรลองค้นหาเพิ่มเติม ได้แก่

Business Analyst
BI Analyst
Reporting Analyst
Product Analyst
Marketing Analyst
CRM Analyst
Operations Analyst
Financial Analyst
Revenue Analyst
Risk Analyst
Customer Insights Analyst
Commercial Analyst

สิ่งสำคัญคืออย่าดูเพียงชื่อตำแหน่ง แต่ให้อ่าน Job Description ว่างานนั้นใช้ข้อมูลเพื่อแก้ปัญหาอะไร ต้องทำงานร่วมกับทีมไหน และต้องเข้าใจว่าธุรกิจหรืองานนั้นๆ ใช้ KPI, Metrics แบบใด

ตัวอย่างเช่น Product Analyst กับ Marketing Analyst อาจใช้ SQL และ Dashboard เหมือนกัน แต่คำถามทางธุรกิจและตัวชี้วัดที่ใช้ต่างกันมาก

หากค้นหางานด้วยคำว่า Data Analyst เพียงอย่างเดียว คุณอาจพลาดตำแหน่งที่เหมาะกับตัวเองได้

แนวทางที่ดีกว่าคืออ่าน Job Description แล้วถามว่า

ตำแหน่งนี้ต้องใช้ข้อมูลตัดสินใจเรื่องอะไร
ต้องทำงานร่วมกับทีมใด
ต้องเข้าใจ Metric หรือกระบวนการธุรกิจแบบไหน
มีทักษะใดจากประสบการณ์เดิมที่นำมาใช้ได้
ยังขาดความรู้อะไรที่ควรฝึกเพิ่มเติม

การสมัครงานให้กว้างขึ้นไม่ได้หมายถึงสมัครทุกตำแหน่งแบบสุ่ม แต่หมายถึงการมองเห็นว่า Data Analytics เป็นลักษณะของงาน ไม่ใช่เพียงชื่อตำแหน่ง

ทำ Port หรือ Case Study แล้วอย่าลืมสร้างตัวตนออนไลน์ หรือ Social Presence

ไม่ว่าจะเป็น CV, Resume, Showcase, Portfolio, Website ก็มีข้อจำกัดสำคัญ คือหากไม่มีใครเปิดดู มันก็แทบไม่สร้างโอกาสให้คุณเลย

ดังนั้น การแชร์เนื้อหาผ่าน Facebook, LinkedIn, YouTube, Blog หรือ Community เพื่อการสร้างตัวตนออนไลน์ หรือ Social Presence ก็อาจช่วยให้ผลงานของคุณมีโอกาสถูกค้นพบ และช่วยให้คนในวงการเริ่มคุ้นเคยกับชื่อและแนวคิดของคุณ และอาจนำมาซึ่งโอกาสใหม่ๆ ได้ด้วย

ควรใช้แพลตฟอร์มอะไรบ้าง?

Facebook และ Community

เหมาะสำหรับ

Community
กลุ่มหางาน
แชร์ผลงาน
พูดคุยกับคนในสายงาน

หากไม่ต้องการใช้ Facebook Profile ส่วนตัว สามารถสร้าง Facebook Page ได้

เพราะFacebook และกลุ่ม Community หลายแห่งยังเป็นพื้นที่ที่คนในสายงาน Recruiter และ Hiring Manager ใช้งานจริง ซึ่งคุณสามารถลองแชร์ความรู้ ผ่านช่องทางส่วนตัว เพจ หรือ กรุ๊ปต่างๆ และพูดคุยแลกเปลี่ยน ขอคำปรึกษากับคนในวงการได้

เหมาะกับการเป็น Professional Profile หรือ Online CV และ ใช้แสดงประสบการณ์หรือผลงานที่เกี่ยวข้อง ทำให้ Recruiter หรือ คนในวงการทำงานค้นหาเจอ เพราะ LinkedIn มีบทบาทสำคัญในฐานะฐานข้อมูลสำหรับค้นหาผู้สมัครด้วย

YouTube

หากชอบอธิบายหรือสอน YouTube เป็นอีกช่องทางที่หากทำได้ดี ก็จะช่วยสร้างความน่าเชื่อถือได้ดี

โดยสามารถทำเนื้อหาต่างๆ ที่เกี่ยวข้องได้ เช่น

วิเคราะห์ Dashboard
สอน SQL
อธิบาย Business Case
รีวิวโปรเจกต์

โดยอาจไม่จำเป็นต้องมียอดวิวจำนวนมาก แต่ควรต้องมีเนื้อหาคุณภาพและสร้างความน่าเชื่อถือได้

GitHub

GitHub เหมาะกับคนที่มี Python, SQL หรือโค้ดที่ต้องการเปิดเผย รวมถึงผู้ที่ต้องการต่อยอดไปทาง Analytics Engineering, Data Engineering หรือ Data Science

หากสมัครสาย Data Analyst หรือ BI ที่เน้น Dashboard และ Business Analysis การมี GitHub อาจไม่สำคัญเท่าการมี Case Study ที่อธิบายงานได้ดี

Website หรือ Blog

เหมาะกับการรวบรวม Resume, Case Study, บทความ และช่องทางติดต่อไว้ในที่เดียว รวมถึงช่วยด้าน SEO ซึ่งช่วยให้คนค้นหาเราเจอและอยู่ได้ในระยะยาว

Social Presence ไม่ได้มีประโยชน์แค่การหางานประจำ แต่ยังอาจนำไปสู่โอกาสอื่นๆ อีกด้วย เช่น

รับวิเคราะห์ข้อมูลให้ธุรกิจ
รับทำ Dashboard
รับทำรายงาน
รับงานสอน
รับงานให้คำปรึกษาเบื้องต้น
ขาย Template หรือ Dashboard
เขียนบทความหรือคอนเทนต์ด้าน Data

บริษัทเลือกผู้สมัครจากอะไร

CV, Resume มักเป็นประตูบานแรก

ในหลายบริษัทมีคนสมัครจำนวนมาก บางที่อาจเป็นหลักร้อย หรือ อาจถึงหลักพัน จึงอาจไม่มีเวลาตรวจสอบทุกสิ่งอย่างละเอียดตั้งแต่ต้น แถมบางที่อาจต้องใช้เครื่องมืออัตโนมัติเพื่อช่วยคัดกรองด้วย

ดังนั้น CV ที่ตรงกับ Job Description, อ่านง่าย และตรงตำแหน่งจึงยังสำคัญมาก เพราะช่วยตอบคำถามเบื้องต้นว่า

ผู้สมัครมีพื้นฐานอะไร
มีทักษะตรงกับงานหรือไม่
เคยทำงานหรือโปรเจกต์ที่เกี่ยวข้องหรือไม่
มีเหตุผลเพียงพอที่จะเชิญเข้าสัมภาษณ์หรือไม่

สำหรับคนไม่มีประสบการณ์ Data โดยตรง ควรเขียน CV ให้เห็นทักษะที่ถ่ายโอนมาใช้กับงานได้ เช่น การวิเคราะห์ปัญหา การทำรายงาน การทำงานกับตัวเลข หรือความรู้เฉพาะทางต่างๆ ที่สามารถประยุกต์ใช้กับงานที่จะสมัครได้

Technical Test หรือ Case Study

บางบริษัทอาจมีแบบทดสอบ SQL, Excel, Dashboard หรือ Case Study เพื่อคัดกรองผู้สมัคร

ซึ่งสิ่งสำคัญ อาจไม่ได้อยู่ที่การตอบถูกทุกข้อเสมอไป เพราะบางครั้ง บางคำถาม ก็อาจไม่มีคำตอบที่ถูกต้องตายตัวขนาดนั้น แต่บริษัทอาจประเมินความสามารถต่างๆ จากหลายสิ่งรวมกัน เช่น

วิธีคิด
การตั้งสมมติฐาน
การจัดโครงสร้างคำตอบ
การตรวจสอบความถูกต้อง
การอธิบายข้อจำกัด
การใช้เครื่องมืออย่างเหมาะสม
การแยกได้ว่างานใดควรทำเองและงานใดควรให้ AI ช่วย

การสัมภาษณ์

การสัมภาษณ์ช่วยให้บริษัทเห็นสิ่งที่ CV และ Portfolio แสดงได้ไม่ครบ เช่น

คุณเข้าใจธุรกิจหรือไม่
อธิบายเรื่องซับซ้อนให้เข้าใจง่ายได้หรือไม่
รับมือกับปัญหาต่างๆ อย่างไร
มีเหตุผลในการเลือกวิธีวิเคราะห์หรือไม่
แสดงให้เห็นว่าสามารถทำงานกับคนในองค์กรได้หรือไม่
เข้าใจข้อจำกัดด้านข้อมูล ความปลอดภัย และนโยบายองค์กรหรือไม่
พร้อมเรียนรู้และรับ Feedback หรือไม่

บางครั้ง คนที่อธิบายงานได้ เข้าใจว่าการวิเคราะห์ช่วยธุรกิจอย่างไร หรือสามารถแสดงให้เห็นว่าจะใช้งานข้อมูลได้ดี ก็สามารถสร้างความโดดเด่นได้ไม่แพ้คนที่มีทักษะเทคนิคสูงกว่าได้ด้วย

Referral และความน่าเชื่อถือ

บางครั้ง บริษัทอาจไม่ได้มองหาเพียงคนที่เก่งที่สุด แต่ต้องการลดความเสี่ยงจากการจ้างผิดคน

การได้รับคำแนะนำจากคนในทีม การเคยเห็นผลงานใน Community หรือการมีตัวตนที่ตรวจสอบได้ ช่วยให้ผู้จ้างรู้สึกว่าผู้สมัครมีความน่าเชื่อถือมากขึ้น แม้ไม่ใช่ส่วนหนึ่งของกระบวนการสมัครงานอย่างเป็นทางการก็ตาม

Portfolio และผลงาน

ถ้าถามว่า Portfolio จำเป็นไหมหรือมีประโยชน์มั้ย? ก็ต้องบอกว่า

มีประโยชน์ แต่อาจไม่ใช่สิ่งจำเป็นสำหรับทุกคน

เพราะ Portfolio ไม่ใช่สิ่งที่ทำให้ผ่านด่านแรก

แต่เป็น “ตัวเพิ่มคะแนน”

จากประสบการณ์ของผมและคนในวงการหลายคนรอบตัว

หลายบริษัทไม่ได้แทบเปิด Portfolio ของผู้สมัครทุกคน โดยเฉพาะในรอบแรก

แต่ Portfolio อาจมีประโยชน์เมื่อ

ผู้สมัครยังไม่มีประสบการณ์ตรง
บริษัทต้องการดูวิธีคิด
Hiring Manager กำลังเปรียบเทียบผู้สมัคร
ตำแหน่งมีการแข่งขันสูง
ผู้สมัครต้องการอธิบายทักษะที่ CV แสดงได้ไม่ครบ

ซึ่งแม้ว่า Portfolio อาจไม่ใช่สิ่งที่ช่วยในด่านแรกของการสมัคร แต่อาจช่วยยืนยันว่า คุณทำสิ่งที่ระบุไว้ใน CV ได้จริง

ฝึกอย่างไรให้พร้อมใช้งานจริง

การเรียนให้ครบทุกคอร์สไม่ได้รับประกันว่าจะทำงานได้จริง สิ่งที่ช่วยมากกว่าคือการฝึกเป็นวงจร

1. เลือกธุรกิจหรือ Domain ที่สนใจ

เลือกสิ่งที่อยากเข้าใจจริง เช่น E-commerce, Marketing, Product, Finance หรือ Operations ไม่ว่าจะจากความสนใจหรือจากประสบการณ์ที่มี

2. ตั้งคำถามและกำหนด KPI

เริ่มจากคำถามที่ธุรกิจต้องการคำตอบจาก Data รวมถึงเข้าใจจะวัดผลอย่างไร วิเคราะห์แบบไหนได้บ้าง แล้วดูว่า

ต้องใช้ข้อมูลอะไรบ้างในการตอบคำถาม?
KPI, Key Metrics ของธุรกิจหรืองานคืออะไร?
ถ้าจะวิเคราะห์เพิ่ม ต้องแบ่ง Metrics, Dimensions ยังไง?
มีปัจจัยอะไรบ้างที่อาจส่งผลกับธุรกิจ?

3. เก็บและเตรียมข้อมูล

ตรวจสอบว่า

ข้อมูลที่มีเพียงพอหรือใช้ได้หรือไม่?
ต้องมีการเก็บเพิ่มหรือไม่ยังไง?
ข้อมูลนี้มีข้อจำกัดด้านสิทธิ์หรือความเป็นส่วนตัวหรือไม่?
สามารถนำข้อมูลไปใช้กับ AI หรือเครื่องมือภายนอกได้หรือไม่?

จากนั้น ก็นำข้อมูลมาทำ Cleansing, Wrangling, Validation เพื่อตรวจสอบความถูกต้องเบื้องต้น และจัดรูปแบบข้อมูลให้พร้อมใช้งานในการวิเคราะห์

4. ใช้เครื่องมือวิเคราะห์

ใช้เครื่องมือและเทคนิคการวิเคราะห์ตามความเหมาะสมกับ Use Cases ไม่ว่าจะเป็น Excel, SQL, Dashboard ขึ้นกับข้อมูลและโจทย์ที่ต้องการแก้ปัญหา

5. สรุป Insight และแผนงาน

หลังจากวิเคราะห์แล้ว ควรสรุปให้ได้ว่าเกิดอะไรขึ้น เหตุใดจึงเกิด และหากสามารถให้ทางเลือกหรือคำแนะนำได้ว่าควรทำอะไรต่อ ก็ยิ่งช่วยให้การวิเคราะห์มีประโยชน์ยิ่งขึ้น

โดยสิ่งที่ควรฝึกควบคู่กัน ได้แก่

ศึกษาโจทย์จริง
ทำผลงานเป็นโปรเจกต์
ตรวจสอบคุณภาพข้อมูล
อธิบายวิธีคิด
เรียนรู้และปรับปรุงอย่างต่อเนื่อง

สรุปสิ่งที่ควรทำสำหรับคนไม่มีประสบการณ์

สำหรับคนที่กำลัง หางาน Data Analytics ไม่มีประสบการณ์ คุณไม่จำเป็นต้องเก่งทุกอย่างตั้งแต่วันแรก แต่ควรพัฒนาตัวเองอย่างเป็นระบบ

สิ่งที่ควรทำ ได้แก่

เรียนพื้นฐาน Spreadsheet, SQL และ BI ให้ใช้งานได้จริง (ลองดูบทความ Guide การฝึก, การใช้ Excel, การใช้ Data Studio ครับ)
พัฒนา Data Literacy, AI Literacy และ Communication (ลองดูเพิ่มได้ที่ บทความ Critical Thinking และ การเลือก Chart ครับ)
เลือก Business Domain ที่สนใจ (ดูตัวอย่างได้ที่ บทความนี้ ครับ)
ศึกษา Use Case และ KPI ของสายงานนั้น (ดูตัวอย่างการวิเคราะห์ลูกค้าได้ที่บทความนี้ ครับ)
ฝึกใช้ AI เป็นผู้ช่วยและตรวจสอบผลงานด้วยตัวเอง (ลองดูการใช้ AI แบบต่างๆ ได้ที่บทความนี้ ครับ)
เข้าใจ Data Quality, Governance, Compliance และ Security (ดูเรื่อง Data Quality ได้ที่บทความนี้ครับ)
ทำ Case Study จากโจทย์ธุรกิจจริง (ลองดู ได้ที่ การวิเคราะห์ลูกค้า หรือ การวิเคราะห์ยอดขาย ครับ)
สร้าง Social Presence เพื่อให้คนเห็นผลงาน
ศึกษาตำแหน่งงานหลายแบบที่เกี่ยวข้องกับ Data Analytics (ดูตัวอย่างตำแหน่งต่างๆ ได้ที่ บทความนี้ ครับ)
อ่าน Job Description เพื่อดูว่าบริษัทต้องการแก้ปัญหาอะไร
ปรับ CV ให้เหมาะกับแต่ละตำแหน่ง
ฝึก Technical Skills ต่างๆ และ หาคำถามลองฝึกตอบการสัมภาษณ์
สมัครงานอย่างสม่ำเสมอและต่อเนื่อง
ทบทวน Feedback และปรับแนวทางไปเรื่อย ๆ

และการสมัครงานไม่ควรทำเพียงช่วงสั้น ๆ หรือ สมัครไม่กี่ที่ แล้วหยุดนะครับ เราอาจจะเหนื่อยหรือท้อได้

แต่เราควรทำและฝึกฝนไปเรื่อยๆ โดยอาจมองเป็นกระบวนการทดลองและปรับปรุงให้ตรงจุด เช่น

หากสมัครแล้วไม่มีการเรียกสัมภาษณ์ ปัญหาอาจอยู่ที่ CV หรือตำแหน่งที่เลือกสมัคร
หากไม่ผ่านแบบทดสอบ อาจควรกลับไปฝึก Technical Skill หรือ Business Case
หากได้สัมภาษณ์แต่ยังไม่ได้งาน อาจควรทบทวนการสื่อสารและตัวอย่างที่ใช้ตอบคำถาม

และสำหรับใครที่คิดว่าทำไมสมัครเยอะ หรือ ทำหลายอย่างแล้วยังไม่ได้งาน ลองดูจากประสบการณ์ของคนอื่นๆ จากคำถามของแอดที่เคยโพสต์บน Facebook ไว้ได้ตามนี้เลยครับ

ถ้าใครอยากอ่านประสบการณ์ของคนอื่นๆ เพิ่มเติม เข้าไปดูได้ที่ Facebook Post นี้เลยครับ

หรือถ้าอยากดูประสบการณ์ของผม ก็อ่านได้ที่บทความนี้เลยครับ

แน่นอนว่าเป้าหมายไม่ใช่เพียงแค่การส่งใบสมัครจำนวนให้มาก

แต่คือการเรียนรู้จากแต่ละรอบและเพิ่มคุณภาพของการสมัครครั้งต่อไปครับ

สรุป

การเข้าสาย Data Analytics ในยุค Gen AI อาจไม่ได้ทำได้ง่ายๆ และมีการเปลี่ยนไปจากช่วงก่อนหน้านี้ในระดับหนึ่ง แต่ก็ไม่ได้ยากเกินไปจนคนไม่มีประสบการณ์ไม่มีโอกาส

สิ่งที่เปลี่ยนไปคือ การเข้ามาของ AI โดยหากเราสามารถฝึกใช้ AI อย่างมีวิจารณญาณ ตรวจสอบงานได้ และวิเคราะห์ได้ตรงจุด รวมถึงสื่อสารจนเกิดการตัดสินใจที่ดีได้ ก็จะยิ่งช่วยให้ได้เปรียบครับ

คุณไม่จำเป็นต้องมี Portfolio ขนาดใหญ่ GitHub ที่ซับซ้อน หรือผู้ติดตามจำนวนมาก แต่ควรมีบางอย่างที่ทำให้เห็นและเชื่อว่า คุณเข้าใจปัญหา ลงมือวิเคราะห์ได้ และพัฒนางานหรือธุรกิจได้ จนเป็นตัวเลือกที่เหมาะสมสำหรับคนจ้างได้จริง

ลองเริ่มจากสิ่งเล็กๆ ที่ทำได้ เลือกเรื่องที่ถนัด ธุรกิจที่สนใจ หรือ ประสบการณ์ที่มี ฝึกตั้งคำถาม และเชื่อมโยงข้อมูลเข้ากับการแก้ปัญหาหรือสร้างคุณค่าให้กับธุรกิจได้ เพื่อสร้าง Skills พร้อมกับสร้าง Social Precense ไปตัวย

รวมถึงพยายามสมัครงานอย่างต่อเนื่อง เมื่อทำซ้ำอย่างเป็นระบบ โอกาส ทักษะ ผลงาน และความน่าเชื่อถือที่คุณสร้างไว้จะค่อย ๆ เพิ่มขึ้นเอง

และถ้าหากบทความนี้ ช่วยให้คุณได้โอกาส ไม่ว่างานประจำ หรือ งานอื่นๆ ที่สร้างรายได้ ก็ถือเป็นความสำเร็จของบทความนี้แล้วครับ

Table of Contents