Analyst’s Toolbox

“4 เครื่องมือที่ Data Analyst ตัวจริง ใช้สลับกันทุกๆวัน
ไม่ใช่แค่มัดรวมคอร์สเพื่อลดราคาอย่างเดียว”

รู้ SQL แต่ไม่แม่นสถิติ? เขียน Python ได้แต่พอต้องส่งไฟล์ให้หัวหน้าดูด่วนๆ ก็ยังต้องพึ่ง Excel?
หรือรู้สูตร Sheets แต่ไม่กล้าฟันธงว่าตัวเลขที่ต่างกันนั้น “ต่างจริง” หรือ “แค่บังเอิญ”?

Analyst’s Toolbox คือชุด 4 คอร์สที่ตอบทุกสถานการณ์ทำงานจริงของ Data Analyst — ไม่ใช่ทักษะเดียวที่ลึกสุดๆ แต่คือ 4 เครื่องมือที่ต้อง “สลับใช้” กันตลอดวันทำงานจริง:

  • 1️⃣ SQL For Data Analyst — ดึงข้อมูลจากฐานข้อมูลจริง ตั้งแต่ SELECT พื้นฐานถึง Window Functions ระดับสัมภาษณ์งาน
  • 2️⃣ Python For Data Analyst — จัดการและวิเคราะห์ข้อมูลด้วย Pandas/NumPy เมื่องานซับซ้อนเกินกว่า Excel จะไหว
  • 3️⃣ Google Sheet X MS Excel For Data Analytics — เครื่องมือที่ทุกคนมีอยู่แล้ว ใช้ตอบงานด่วน สื่อสารกับคนที่ไม่ใช่สายเทคนิค
  • 4️⃣ Statistic For Data Analyst — ตัวเชื่อมที่ทำให้ 3 เครื่องมือข้างบนน่าเชื่อถือ ไม่ใช่แค่รันโค้ดแล้วเชื่อผลลัพธ์เฉยๆ

ไม่มีลำดับตายตัวว่าต้องเริ่มตัวไหนก่อน เพราะทั้ง 4 คอร์สคือ “เพื่อนร่วมทีม” ที่ทำงานคู่กันในทุกโปรเจกต์วิเคราะห์ข้อมูลจริง ไม่ใช่บันไดที่ต้องไต่ทีละขั้น

 

Lifetime

฿1,590.00
Enroll Now

เหมาะกับใคร ?

  • คนที่เรียนปูพื้นฐานอย่าง Fastlane หรือ Analytics Marvel มาแล้ว และอยากปักหมุดแต่ละเครื่องมือให้แน่นจริง ไม่ใช่แค่รู้ผิวเผินแบบที่คอร์สภาพรวมสอนให้
  • Data Analyst ที่ทำงานจริงแล้ว แต่ยังมีจุดอ่อนสลับกันไป — บางคนแน่น SQL แต่อ่อนสถิติ บางคนถนัด Excel แต่ไม่กล้าแตะ Python
  • คนที่อยากได้ “ชุดเครื่องมือครบมือ” ไว้ใช้ในทุกสถานการณ์งาน ไม่ว่าจะโดนขอรายงานด่วนใน Sheets หรือโดนสั่งดึง query จากฐานข้อมูลจริง
รีวิวจากนักเรียน

Analyst’s Toolbox

❝
★★★★★

เขียน SQL คล่องแต่สถิติอ่อนมาตลอด คอร์ส Statistic ทำให้เข้าใจ Hypothesis Testing กับ A/B Testing จริงๆ เดี๋ยวนี้กล้าบอกทีมแล้วว่าตัวเลขที่ต่างกัน ต่างจริงหรือแค่บังเอิญครับ

EP
Earth P.
Data Analyst ในบริษัทประกัน
❝
★★★★★

เป็นคน Excel มาตลอด ไม่กล้าแตะ Python เลย พอเรียนถึง Pandas งานรวมไฟล์ที่เคยนั่งทำครึ่งวันเหลือไม่กี่นาที แต่งานด่วนที่หัวหน้าขอก็ยังเปิด Sheets ตอบได้ไวเหมือนเดิมค่ะ

NB
Nook B.
Operations Analyst สายโลจิสติกส์
❝
★★★★★

พาร์ท Window Functions กับ CTE ใน SQL อธิบายเป็นขั้นเป็นตอนมาก เอาไปเขียน Query ใหม่ให้อ่านง่ายและรันเร็วขึ้น จ่ายราคานี้ได้ครบ 4 เครื่องมือ คุ้มกว่าซื้อแยกเยอะค่ะ

PH
Pim H.
BI Analyst ในธนาคาร

ได้อะไรบ้างในชุดนี้ ?

  • SQL For Data Analyst ครบ — SELECT ถึง Window Functions, CTE, Query Performance พร้อมโปรเจกต์วิเคราะห์ E-commerce และ User Behavior
  • Python For Data Analyst ครบ — พื้นฐานภาษาไปจนถึง NumPy/Pandas และ Capstone โปรเจกต์วิเคราะห์ข้อมูลของตัวเอง
  • Google Sheet X MS Excel For Data Analytics ครบ — ตั้งแต่ VLOOKUP/XLOOKUP ถึง PivotTable, Dashboard, และการใช้ AI ในตารางอย่างถูกจุด
  • Statistic For Data Analyst ครบ — Hypothesis Testing, Regression, A/B Testing จนถึง Statistical Storytelling
  • Certificate ครบทั้ง 4 คอร์ส เมื่อเรียนจบแต่ละคอร์ส
  • เรียนได้ ตลอดชีพ ทั้ง 4 คอร์ส พร้อมสิทธิ์เข้า Discord community ตลอดไป

ทำไมถึงคุ้ม ?

  • ซื้อแยกทีละคอร์ส: SQL (฿499) + Python (฿499) + Sheets/Excel (฿499) + Statistics (฿499) = ฿1,996
  • ซื้อเป็นชุด Analyst’s Toolbox จ่ายแค่ ฿1,590 — ประหยัดไป ฿406 ทันที
  • ได้ทักษะที่ “เสริมกัน” ไม่ใช่ซ้ำกัน — แต่ละคอร์สแม้ราคาเท่ากันแต่ตอบโจทย์งานคนละมุมจริงๆ
  • ซื้อครั้งเดียว ครบเครื่องมือหลักของ Data Analyst ไม่ต้องมานั่งเลือกทีละคอร์สว่าจะเริ่มจากตัวไหนก่อน

ผู้สอน

Nut Khuannaen ผู้ก่อตั้ง common•learn จบ 2 ปริญญา (เศรษฐศาสตร์ มช. + นิติศาสตร์ ม.รามคำแหง) กำลังศึกษาต่อปริญญาโท Applied Data Science ที่ ม.ธรรมศาสตร์ ผ่านงาน Freelance Data Analyst ให้ลูกค้าต่างชาติ 3 บริษัท และ FP&A ในธุรกิจ Retail มากว่า 4 ปี — ออกแบบทั้ง 4 คอร์สในชุดนี้จากเครื่องมือที่ใช้จริงในงานทุกวัน ไม่ใช่แค่เนื้อหาแยกส่วนที่เอามารวมกัน

ราคา ฿1,590 — ตลอดชีพ ครบทั้ง 4 คอร์ส

Membership Instructor

Nut Khuannaen Nut Khuannaen Author
 

Lifetime

฿1,590.00
Enroll Now

🔥 เนื้อหาที่เรียนใน Bundle นี้

🔥 คอร์ส SQL For Data Analyst
  • บทที่ 1 — SQL คืออะไร & โลกของฐานข้อมูล
    • 1.3 Table, Row, Column และ Schema
    • 1.4 เครื่องมือที่ใช้รัน SQL (BigQuery, PostgreSQL, MySQL ฯลฯ)
    • 1.5 เขียนคำสั่ง SQL แรกของคุณ (SELECT * FROM)
  • บทที่ 2 — พื้นฐานการดึงข้อมูลด้วย SELECT
    • 2.1 SELECT และการเลือกคอลัมน์
    • 2.2 WHERE กรองข้อมูลตามเงื่อนไข
    • 2.3 ORDER BY เรียงลำดับข้อมูล
    • 2.4 LIMIT และ DISTINCT
    • 2.5 Comparison & Logical Operators (AND, OR, IN, BETWEEN, LIKE)
  • บทที่ 3 — การรวมกลุ่มและสรุปข้อมูล (Aggregation)
    • 3.1 Aggregate Functions: COUNT, SUM, AVG, MIN, MAX
    • 3.2 GROUP BY จัดกลุ่มข้อมูล
    • 3.3 HAVING กรองหลังจัดกลุ่ม
    • 3.4 รวม WHERE + GROUP BY + HAVING ในคำสั่งเดียว
    • 3.5 เคสตัวอย่าง: สรุปยอดขายรายเดือน/รายหมวดหมู่
  • บทที่ 4 — การเชื่อมตาราง (JOIN)
    • 4.1 ทำไมต้อง JOIN และ Primary/Foreign Key
    • 4.2 INNER JOIN
    • 4.3 LEFT JOIN และ RIGHT JOIN
    • 4.4 FULL OUTER JOIN และ SELF JOIN
    • 4.5 JOIN หลายตารางพร้อมกัน
  • บทที่ 5 — Subqueries และการดึงข้อมูลซับซ้อน
    • 5.1 Subquery คืออะไร ใช้ตอนไหน
    • 5.2 Subquery ใน WHERE
    • 5.3 Subquery ใน SELECT และ FROM
    • 5.4 EXISTS และ NOT EXISTS
    • 5.5 Subquery vs JOIN เลือกใช้แบบไหนดี
  • บทที่ 6 — จัดการข้อมูลแบบมืออาชีพ (CASE, NULL, Date)
    • 6.1 CASE WHEN สร้างเงื่อนไขแบบ custom
    • 6.2 จัดการค่า NULL (IS NULL, COALESCE, IFNULL)
    • 6.3 ฟังก์ชันจัดการวันที่ (Date Functions)
    • 6.4 การแปลงประเภทข้อมูล (CAST/CONVERT)
    • 6.5 เคสตัวอย่าง: วิเคราะห์ retention/cohort เบื้องต้น
  • บทที่ 7 — Window Functions
    • 7.1 Window Function คืออะไร ต่างจาก GROUP BY ยังไง
    • 7.2 ROW_NUMBER, RANK, DENSE_RANK
    • 7.3 PARTITION BY แบ่งกลุ่มคำนวณ
    • 7.4 Running Total และ Moving Average (SUM/AVG OVER)
    • 7.5 LAG และ LEAD เปรียบเทียบแถวก่อน-หลัง
  • บทที่ 8 — ทำความสะอาดข้อมูลด้วย String Functions
    • 8.1 String Functions พื้นฐาน (CONCAT, SUBSTRING, LENGTH)
    • 8.2 TRIM, UPPER, LOWER จัดระเบียบข้อความ
    • 8.3 REPLACE และการแยก/แทนที่ข้อความ
    • 8.4 Regular Expression เบื้องต้นใน SQL
    • 8.5 เคสตัวอย่าง: clean ข้อมูลลูกค้าก่อนวิเคราะห์
  • บทที่ 9 — CTE, View และการจัดระเบียบ Query
    • 9.1 Common Table Expression (CTE) คืออะไร
    • 9.2 Recursive CTE เบื้องต้น
    • 9.3 View สร้างตารางเสมือนใช้ซ้ำ
    • 9.4 เขียน Query ให้อ่านง่ายและมีประสิทธิภาพ (Best Practice)
    • 9.5 Query Performance เบื้องต้น (Index, EXPLAIN)
  • บทที่ 10 — โปรเจกต์วิเคราะห์ข้อมูลจริงและก้าวต่อไป
    • 10.1 วางแผนการวิเคราะห์: ตั้งคำถามธุรกิจก่อนเขียน SQL
    • 10.2 Case Study: วิเคราะห์ยอดขาย E-commerce แบบครบวงจร
    • 10.3 Case Study: วิเคราะห์พฤติกรรมผู้ใช้ (User Behavior Analysis)
    • 10.4 นำผล SQL ไปต่อยอด (Dashboard, Export, เชื่อมกับ BI Tool)
    • 10.5 สรุปเส้นทางการเรียนรู้ และก้าวต่อไปในสาย Data Analyst
🔥 คอร์ส Python For Data Analyst
  • บทที่ 1 — รู้จัก Python และเตรียมพร้อม
    • 1.3 รันโค้ดแรกและ print()
    • 1.4 Comment, กฎการเขียนโค้ด, indentation
    • 1.5 ตัวแปรและการตั้งชื่อ
  • บทที่ 2 — ชนิดข้อมูลพื้นฐาน
    • 2.1 ตัวเลข (int, float) และการคำนวณ
    • 2.2 ข้อความ (string) และการจัดการเบื้องต้น
    • 2.3 Boolean และตรรกะเบื้องต้น
    • 2.4 การแปลงชนิดข้อมูล (type casting)
    • 2.5 รับข้อมูลจากผู้ใช้ด้วย input()
  • บทที่ 3 — โครงสร้างข้อมูล
    • 3.1 List
    • 3.2 Tuple
    • 3.3 Dictionary
    • 3.4 Set
    • 3.5 เลือกโครงสร้างข้อมูลให้เหมาะกับงานวิเคราะห์
  • บทที่ 4 — การควบคุมลำดับการทำงาน
    • 4.1 if / elif / else
    • 4.2 for loop
    • 4.3 while loop
    • 4.4 break, continue, pass
    • 4.5 List comprehension
  • บทที่ 5 — ฟังก์ชัน
    • 5.1 สร้างฟังก์ชันพื้นฐาน
    • 5.2 Parameter, argument, return value
    • 5.3 Default & keyword arguments
    • 5.4 Scope ตัวแปรใน/นอกฟังก์ชัน
    • 5.5 Lambda function เบื้องต้น
  • บทที่ 6 — การจัดการไฟล์และข้อมูลดิบ
    • 6.1 อ่าน/เขียนไฟล์ text
    • 6.2 ทำงานกับ CSV ด้วย csv module
    • 6.3 จัดการ error ด้วย try/except
    • 6.4 ทำงานกับ JSON เบื้องต้น
    • 6.5 จัดโครงสร้างโปรเจกต์วิเคราะห์ข้อมูล
  • บทที่ 7 — เริ่มต้นกับ NumPy
    • 7.1 ทำไม Data Analyst ต้องรู้จัก NumPy
    • 7.2 สร้างและจัดการ array
    • 7.3 การคำนวณเชิงเวกเตอร์ (vectorized operations)
    • 7.4 Indexing/slicing array หลายมิติ
    • 7.5 สถิติพื้นฐานด้วย NumPy (mean, median, std)
  • บทที่ 8 — เริ่มต้นกับ Pandas
    • 8.1 รู้จัก DataFrame และ Series
    • 8.2 อ่านข้อมูลจาก CSV/Excel
    • 8.3 เลือกและกรองข้อมูล (filtering/indexing)
    • 8.4 จัดการข้อมูลหาย (missing data)
    • 8.5 จัดกลุ่มข้อมูลด้วย groupby
  • บทที่ 9 — การวิเคราะห์และแสดงผลข้อมูล
    • 9.1 ทำความสะอาดข้อมูล (data cleaning)
    • 9.2 สรุปสถิติเชิงพรรณนา
    • 9.3 สร้างกราฟด้วย Matplotlib เบื้องต้น
    • 9.4 สร้างกราฟด้วย Seaborn เบื้องต้น
    • 9.5 เล่าเรื่องด้วยข้อมูล (storytelling with data)
  • บทที่ 10 — โปรเจกต์จริงและก้าวต่อไป (Capstone)
    • 10.1 วางแผนโปรเจกต์วิเคราะห์ข้อมูลของตัวเอง
    • 10.2 ทำความสะอาด + สำรวจข้อมูลจริง (EDA)
    • 10.3 วิเคราะห์เชิงลึกตอบคำถามจากข้อมูล
    • 10.4 สรุปผลและนำเสนอ (report/dashboard เบื้องต้น)
    • 10.5 ก้าวต่อไปหลังจบคอร์ส
🔥 คอร์ส Google Sheets X MS Excel For Data Analytics
  • บทที่ 1 — ปูพื้นก่อนเริ่มวิเคราะห์
    • 1.3 การจัดรูปแบบตาราง (Format as Table / ช่วงข้อมูลชื่อ Named Range)
    • 1.4 Freeze, Sort, Filter — จัดตารางให้อ่านง่ายก่อนวิเคราะห์
    • 1.5 Conditional Formatting เพื่อ “เห็น” pattern ก่อนคำนวณ
    • 1.6 สรุปบทที่ 1 + workflow มาตรฐานของนักวิเคราะห์มือใหม่
  • บทที่ 2 — ทำความสะอาดข้อมูล (Data Cleaning)
    • 2.1 ปัญหาข้อมูลสกปรกที่เจอบ่อยที่สุด (ช่องว่าง, ตัวพิมพ์, ซ้ำ)
    • 2.2 TRIM, CLEAN, UPPER/LOWER/PROPER
    • 2.3 Text to Columns / Split ข้อความ กับ TEXTSPLIT
    • 2.4 หาและลบข้อมูลซ้ำ (Remove Duplicates / UNIQUE)
    • 2.5 จัดการ Missing Value และ Data Validation กันข้อมูลผิดตั้งแต่ต้นทาง
    • 2.6 สรุปบทที่ 2 + เช็คลิสต์ทำความสะอาดข้อมูลก่อนวิเคราะห์
  • บทที่ 3 — สูตรคำนวณพื้นฐานที่ใช้จริงทุกวัน
    • 3.1 อ่านสูตรให้เป็น: Cell reference, Relative vs Absolute ($)
    • 3.2 SUM, AVERAGE, COUNT, COUNTA ต่างกันตรงไหน ใช้ผิดพลาดตรงไหนบ่อย
    • 3.3 MIN, MAX, RANK, การจัดอันดับข้อมูล
    • 3.4 Text function สำหรับงานวิเคราะห์ (CONCATENATE/&, LEFT/RIGHT/MID)
    • 3.5 Date & Time function ที่นักวิเคราะห์ต้องมี (DATEDIF, EOMONTH, NETWORKDAYS)
    • 3.6 สรุปบทที่ 3 + แบบฝึกหัดคำนวณจากข้อมูลยอดขายจริง
  • บทที่ 4 — Lookup & Reference: หัวใจของการเชื่อมข้อมูล
    • 4.1 ทำไมต้อง Lookup ข้อมูล และปัญหาที่ VLOOKUP แก้ไม่ได้
    • 4.2 VLOOKUP ให้ถูกต้อง (พร้อมข้อผิดพลาดที่เจอบ่อย)
    • 4.3 XLOOKUP: ตัวตายตัวแทนที่ยืดหยุ่นกว่า
    • 4.4 INDEX + MATCH เมื่อ XLOOKUP ยังไม่พอ
    • 4.5 เชื่อมข้อมูลจากหลายตาราง/หลายชีท
    • 4.6 สรุปบทที่ 4 + แบบฝึกหัดรวมข้อมูลลูกค้าจากหลายไฟล์
  • บทที่ 5 — วิเคราะห์แบบมีเงื่อนไข
    • 5.1 IF และ Nested IF อ่านสูตรซับซ้อนให้ไม่มึน
    • 5.2 IFS, SWITCH ทางลัดแทน Nested IF
    • 5.3 SUMIF/SUMIFS, COUNTIF/COUNTIFS
    • 5.4 AVERAGEIFS และการวิเคราะห์ตามหลายเงื่อนไขพร้อมกัน
    • 5.5 IFERROR/IFNA ดักข้อผิดพลาดไม่ให้สูตรพัง
    • 5.6 สรุปบทที่ 5 + แบบฝึกหัดวิเคราะห์ยอดขายตามเงื่อนไขธุรกิจจริง
  • บทที่ 6 — PivotTable: เครื่องมือสรุปข้อมูลที่ทรงพลังที่สุด
    • 6.1 PivotTable คืออะไร ทำไมนักวิเคราะห์ใช้แทบทุกวัน
    • 6.2 สร้าง PivotTable ตัวแรก ทีละขั้นตอน
    • 6.3 จัดกลุ่ม, Filter, Slicer ใน Pivot
    • 6.4 Calculated Field และการคำนวณเพิ่มใน Pivot
    • 6.5 Pivot Chart เชื่อม Pivot เข้ากับกราฟ
    • 6.6 สรุปบทที่ 6 + แบบฝึกหัดสรุปยอดขายรายภูมิภาค/รายเดือน
  • บทที่ 7 — เล่าเรื่องด้วยกราฟและ Dashboard
    • 7.1 เลือกกราฟให้ตรงกับคำถาม ไม่ใช่ตรงกับความสวย
    • 7.2 สร้างกราฟพื้นฐาน (Bar, Line, Pie) ให้ “อ่านจบใน 3 วินาที”
    • 7.3 Combo Chart และการเปรียบเทียบหลายมิติ
    • 7.4 Sparkline และ Mini-chart ในตาราง
    • 7.5 วาง Layout Dashboard หน้าเดียวให้ผู้บริหารอ่านง่าย
    • 7.6 สรุปบทที่ 7 + แบบฝึกหัดสร้าง Dashboard ยอดขายจริง
  • บทที่ 8 — Automation และ AI ในงานวิเคราะห์
    • 8.1 Data Validation + Dropdown สร้างระบบกรอกข้อมูลกันพลาด
    • 8.2 รู้จัก Macro/Script พื้นฐาน (Apps Script เบื้องต้น / Excel Macro)
    • 8.3 ใช้ AI ในตารางให้ถูกจุด: Gemini =AI() ใน Sheets และ Copilot ใน Excel
    • 8.4 Explore/Analyze Data: ให้ AI ช่วยหา pattern เบื้องต้น แล้วตรวจสอบเอง
    • 8.5 ข้อควรระวังเมื่อใช้สูตร/AI อัตโนมัติกับข้อมูลสำคัญ
    • 8.6 สรุปบทที่ 8 + เมื่อไหร่ควร automate เมื่อไหร่ควรทำมือ
  • บทที่ 9 — วิเคราะห์ขั้นสูงสำหรับงานจริง
    • 9.1 Array Formula และ Dynamic Array (SPILL)
    • 9.2 ฟังก์ชันสถิติพื้นฐานที่นักวิเคราะห์ต้องรู้ (STDEV, MEDIAN, PERCENTILE)
    • 9.3 What-If Analysis / Goal Seek / Scenario
    • 9.4 Power Query เบื้องต้น (Excel) เทียบกับ Import/Connected Sheets (Google)
    • 9.5 ตรวจสอบคุณภาพงานวิเคราะห์ก่อนส่ง (sanity check ตัวเลข)
    • 9.6 สรุปบทที่ 9 + แบบฝึกหัดวิเคราะห์เชิงลึกจากเคสธุรกิจ
  • บทที่ 10 — โปรเจกต์จริงและการนำไปใช้งาน
    • 10.1 วางแผนโปรเจกต์วิเคราะห์ข้อมูลตั้งแต่ต้นจนจบ
    • 10.2 โปรเจกต์: ทำความสะอาด + เชื่อมข้อมูลจากหลายแหล่ง
    • 10.3 โปรเจกต์: สร้าง Pivot + กราฟสรุปผล
    • 10.4 โปรเจกต์: ประกอบเป็น Dashboard หน้าเดียว
    • 10.5 นำเสนอผลวิเคราะห์ให้คนไม่ถนัดตัวเลขเข้าใจ
    • 10.6 สรุปคอร์ส + แนวทางฝึกฝนต่อหลังจบคอร์ส
🔥 คอร์ส Statistic For Data Analyst
  • บทที่ 1 — เริ่มต้นกับสถิติสำหรับ Data Analyst
    • 1.3 ระดับการวัด (Nominal/Ordinal/Interval/Ratio)
    • 1.4 สถิติเชิงพรรณนา vs สถิติเชิงอนุมาน
    • 1.5 เครื่องมือที่ Data Analyst ใช้จริง (Excel/SQL/Python เบื้องต้น)
    • 1.6 Roadmap การเรียนทั้งคอร์ส + สรุปบท
  • บทที่ 2 — สถิติเชิงพรรณนา
    • 2.1 ค่ากลาง – Mean, Median, Mode
    • 2.2 การกระจายตัว – Range, Variance, SD
    • 2.3 Percentile และ Quartile
    • 2.4 Skewness และ Outlier
    • 2.5 การเลือกกราฟให้เหมาะกับข้อมูล
    • 2.6 เคสจริง – อ่าน dashboard ด้วยสถิติเชิงพรรณนา
  • บทที่ 3 — ความน่าจะเป็นพื้นฐาน
    • 3.1 ความน่าจะเป็นคืออะไร ทำไมสำคัญ
    • 3.2 Conditional Probability
    • 3.3 Bayes’ Theorem แบบเข้าใจง่าย
    • 3.4 Independence และ Mutually Exclusive
    • 3.5 Combinatorics เบื้องต้น (Permutation/Combination)
    • 3.6 เคสจริง – ความน่าจะเป็นในงาน analyst
  • บทที่ 4 — การแจกแจงความน่าจะเป็น
    • 4.1 Normal Distribution
    • 4.2 Binomial Distribution
    • 4.3 Poisson Distribution
    • 4.4 Uniform Distribution
    • 4.5 Central Limit Theorem
    • 4.6 เลือก distribution ให้เหมาะกับข้อมูล + สรุปบท
  • บทที่ 5 — การสุ่มตัวอย่างและการประมาณค่า
    • 5.1 Sampling Methods (Random, Stratified, Cluster)
    • 5.2 Sampling Distribution
    • 5.3 Standard Error
    • 5.4 Confidence Interval
    • 5.5 Sample Size และ Bias
    • 5.6 เคสจริง – สำรวจความพึงพอใจลูกค้า
  • บทที่ 6 — การทดสอบสมมติฐาน
    • 6.1 Hypothesis Testing คืออะไร
    • 6.2 p-value และการตีความ
    • 6.3 Type I / Type II Error
    • 6.4 t-test (One-sample, Two-sample)
    • 6.5 Chi-square Test
    • 6.6 เคสจริง – ทดสอบว่าฟีเจอร์ใหม่ได้ผลจริงไหม
  • บทที่ 7 — ความสัมพันธ์ระหว่างตัวแปร
    • 7.1 Correlation และ Covariance
    • 7.2 Correlation ≠ Causation
    • 7.3 Simple Linear Regression
    • 7.4 การตีความ Regression Output
    • 7.5 Multiple Regression เบื้องต้น
    • 7.6 เคสจริง – ทำนายยอดขายจากตัวแปรหลายตัว
  • บทที่ 8 — A/B Testing และการทดลอง
    • 8.1 หลักการออกแบบการทดลอง
    • 8.2 การตั้ง A/B Test ให้ถูกต้อง
    • 8.3 Statistical Power และ Sample Size สำหรับ A/B Test
    • 8.4 ข้อผิดพลาดที่พบบ่อยใน A/B Testing
    • 8.5 การอ่านผล A/B Test อย่างมีวิจารณญาณ
    • 8.6 เคสจริง – A/B Test ปุ่ม CTA บนเว็บไซต์
  • บทที่ 9 — สถิติสำหรับข้อมูลหมวดหมู่และอนุกรมเวลา
    • 9.1 การวิเคราะห์ข้อมูลเชิงหมวดหมู่
    • 9.2 พื้นฐาน Time Series
    • 9.3 Trend และ Seasonality
    • 9.4 Moving Average และการ Smooth ข้อมูล
    • 9.5 การตรวจจับ Anomaly เบื้องต้น
    • 9.6 เคสจริง – วิเคราะห์ยอดขายรายเดือน
  • บทที่ 10 — การประยุกต์ใช้และการสื่อสารผลลัพธ์
    • 10.1 Statistical Storytelling
    • 10.2 การสร้าง Report/Dashboard ที่สื่อสารได้จริง
    • 10.3 ข้อผิดพลาดที่ analyst มักเจอ
    • 10.4 จริยธรรมในการใช้สถิติและข้อมูล
    • 10.5 Capstone Case Study – วิเคราะห์ข้อมูลแบบครบวงจร
    • 10.6 สรุปคอร์สทั้งหมด + ก้าวต่อไป

Leave a Reply

Your email address will not be published. Required fields are marked *