Data Analyst ทำอะไร
ประมาณ 15 นาที
เป้าหมายของบท
- อธิบายได้ว่า Data Analyst ทำอะไร และต่างจาก Data Scientist, Data Engineer, ML Engineer และ AI Engineer ยังไง
- รู้ว่าทักษะไหนที่ประกาศงาน DA ขอบ่อย และจะได้เรียนใน module ไหน
- รู้จัก 5 ตารางของร้านค้าออนไลน์ที่ใช้ตลอดสายนี้
งานหลักของ Data Analyst
Data Analyst (DA) คือคนที่ตอบคำถามของธุรกิจด้วยข้อมูล แล้วสื่อสารคำตอบให้คนที่ต้องตัดสินใจเข้าใจ คำถามที่เจอบ่อยหน้าตาประมาณนี้
- ยอดขายเดือนนี้ตกลงเพราะอะไร ตกทุกหมวดหรือแค่บางหมวด
- โปรโมชันลด 10% เมื่อเดือนที่แล้วคุ้มไหม
- ลูกค้ากลุ่มไหนกลับมาซื้อซ้ำ และกลุ่มไหนหายไปหลังซื้อครั้งแรก
- หน้า checkout แบบใหม่ทำให้คนซื้อมากขึ้นจริงไหม
สังเกตว่าทุกคำถามจบที่การตัดสินใจ ผลงานของ DA จึงไม่ใช่ตารางหรือกราฟ แต่คือคำตอบที่ช่วยให้ทีมเลือกทางได้ดีขึ้น
หนึ่งวันของ DA
| งาน | ตัวอย่าง |
|---|---|
| ดึงข้อมูล | เขียน SQL ดึงออเดอร์ 3 เดือนล่าสุดจากฐานข้อมูล |
| ทำความสะอาด | จัดการค่าว่าง แถวซ้ำ และวันที่ที่เขียนหลายรูปแบบ |
| วิเคราะห์ | เทียบยอดขายก่อนและหลังโปรโมชัน แล้วตรวจว่าต่างกันจริงหรือแค่บังเอิญ |
| ทำรายงาน/dashboard | สร้าง dashboard ยอดขายรายวันให้ทีมการตลาดเปิดดูเอง |
| สื่อสาร | สรุปผลเป็นข้อความสั้นๆ พร้อมข้อเสนอแนะ |
เวลาส่วนใหญ่หมดไปกับการดึงข้อมูลและทำความสะอาด สายนี้จึงเริ่มจาก SQL และ pandas
DA ต่างจากตำแหน่งอื่นในสาย Data ยังไง
| ตำแหน่ง | โฟกัส | เครื่องมือหลัก |
|---|---|---|
| Data Analyst | ตอบคำถามธุรกิจจากข้อมูลที่มีอยู่ | SQL, Excel/Sheets, BI, Python |
| Data Scientist | สร้างโมเดลทำนาย ออกแบบการทดลอง | Python, สถิติ, ML |
| Data Engineer | สร้างและดูแล pipeline ให้ข้อมูลไหลมาถึงมือทุกคน | SQL, Python, Spark, Airflow, cloud |
| ML Engineer | นำโมเดลไปใช้งานจริงและดูแลให้ทำงานต่อเนื่อง | Python, MLOps, cloud |
| AI Engineer | สร้างระบบที่ใช้ LLM เช่น RAG และ agent | Python, LLM API, vector DB, evals |
แต่ละบริษัทใช้ชื่อตำแหน่งไม่เหมือนกัน เวลาอ่านประกาศงานให้ดูที่รายละเอียดงานมากกว่าชื่อตำแหน่ง
ทักษะที่ประกาศงาน DA ขอบ่อย
- SQL — แทบทุกประกาศขอ และมักมีข้อสอบ SQL ในรอบสัมภาษณ์ → Module 1
- Python/pandas — ใช้ทำความสะอาดและวิเคราะห์ข้อมูลที่ SQL ทำยาก → Module 2
- สถิติพื้นฐาน — อ่านผล A/B test ได้ และไม่สรุปเกินกว่าที่ข้อมูลบอก → Module 3
- Visualization และ BI — เช่น Power BI, Tableau หรือ Looker Studio → Module 4
- ความเข้าใจธุรกิจ — รู้ว่า KPI ไหนสำคัญกับธุรกิจแบบไหน → Module 5
- การสื่อสาร — อธิบายผลให้คนที่ไม่ได้ทำงานสาย data เข้าใจ → ฝึกทุก module และใน Capstone
ข้อมูลที่จะใช้ตลอดสายนี้
ทุกบทใช้ข้อมูลชุดเดียวกัน คือร้านค้าออนไลน์สมมติช่วงปี 2024–2025 มีทั้งหมด 5 ตาราง
| ตาราง | เก็บอะไร |
|---|---|
customers |
ลูกค้า 1 แถวต่อ 1 คน: เมือง วันสมัคร และช่องทางที่มาสมัคร |
products |
สินค้า: หมวด ราคาขาย และต้นทุน |
orders |
1 แถวต่อ 1 ออเดอร์: วันที่ สถานะ ส่วนลด และวิธีจ่ายเงิน |
order_items |
สินค้าแต่ละรายการในออเดอร์: สินค้าอะไร กี่ชิ้น ราคาเท่าไร |
events |
พฤติกรรมบนเว็บ: เข้าเว็บ ดูสินค้า ใส่ตะกร้า checkout และซื้อ |
ข้อมูลชุดนี้สร้างขึ้นเอง ไม่ใช่ข้อมูลลูกค้าจริง แต่ตั้งใจใส่เรื่องที่ DA เจอในงานจริงไว้ให้ค้นพบระหว่างเรียน
ลองกด ▶ Run (หรือกด Ctrl/Cmd + Enter ในช่องโค้ด) เพื่อดู 5 แถวแรกของตาราง orders
ข้อมูลชุดเดียวกันเปิดด้วย pandas ได้จากไฟล์ data/<ชื่อตาราง>.csv
แบบฝึกท้ายบท
บทนี้จะนับว่าเสร็จเมื่อผ่านข้อพื้นฐานและประยุกต์ครบ ข้อท้าทายได้ดาวเพิ่ม
🟢 พื้นฐาน
ตาราง customers มีลูกค้ากี่คน? ตอบเป็นคอลัมน์เดียวชื่อ n_customers
อ่านไฟล์ data/products.csv ด้วย pandas เก็บไว้ในตัวแปร products
แล้วเก็บจำนวนสินค้า (จำนวนแถว) ไว้ในตัวแปร n_products
Quiz
สรุป
- DA ตอบคำถามธุรกิจด้วยข้อมูล และผลงานคือคำตอบที่ช่วยให้ทีมตัดสินใจ
- งานส่วนใหญ่คือดึงข้อมูลและทำความสะอาด สายนี้จึงเริ่มจาก SQL และ pandas
- แต่ละบริษัทใช้ชื่อตำแหน่งในสาย Data ต่างกัน ให้อ่านรายละเอียดงานเป็นหลัก
คำถามสัมภาษณ์
Data Analyst ต่างจาก Data Scientist ยังไง
DA เน้นตอบคำถามธุรกิจจากข้อมูลที่มีอยู่ เช่น ยอดขายตกเพราะอะไร หรือโปรโมชันได้ผลไหม แล้วสื่อสารผลให้ทีมตัดสินใจ ส่วน Data Scientist เน้นสร้างโมเดลทำนายหรือออกแบบการทดลองที่ซับซ้อนกว่า ในหลายบริษัทสองตำแหน่งนี้มีงานทับกัน
ตอนตอบควรยกตัวอย่างงานจริงประกอบ และบอกว่าตัวเราอยากทำงานแบบไหน