Foundation of Data Engineer
Chapter 1 · Lesson 2 of 5
DE vs DA vs DS
ต่างกันยังไง?
ถ้าเริ่มสนใจสาย Data สิ่งหนึ่งที่แทบทุกคนจะงงเหมือนกันคือ
“สามตำแหน่งนี้ มันต่างกันยังไง?”
ก็ทำงานกับข้อมูลเหมือนกันหมด — ใช่ครับ แต่ทำ คนละช่วง คนละบทบาท
เดี๋ยวเราค่อยๆ แกะทีละตำแหน่งกันเลยครับ
01 แต่ละตำแหน่ง โฟกัสที่อะไร
ลองนึกภาพบริษัทที่มีข้อมูลขาย ข้อมูลลูกค้า ข้อมูลการใช้งานแอปจำนวนมาก — ใครทำอะไรกับข้อมูลพวกนี้บ้าง?
ดูแล “เส้นทาง” ของข้อมูลทั้งหมด — ตั้งแต่ต้นน้ำยันปลายน้ำ ไม่สนว่าข้อมูลบอกอะไร แต่สนว่า คนอื่นเอาไปใช้ได้ไหม
ดึงข้อมูลจากระบบต่างๆ (Extract)
แปลงข้อมูลให้อยู่ในรูปแบบที่ใช้งานได้ (Transform)
เก็บข้อมูลไว้ในที่ที่เหมาะสม (Load)
ทำให้ข้อมูลมาแบบตรงเวลา ครบ และไม่พัง
“ข้อมูลนี้ จะทำให้คนอื่นเอาไปใช้ได้ไหม?”
เอาข้อมูลที่มีอยู่แล้ว มาหาคำตอบ — แปลงตัวเลขให้เป็นภาษาที่ธุรกิจเข้าใจได้ แต่ทั้งหมดนี้ทำไม่ได้เลยถ้าข้อมูลด้านหลังยังไม่พร้อม
ยอดขายเดือนนี้เพิ่มหรือลด เพราะอะไร?
ลูกค้ากลุ่มไหนเสี่ยงจะเลิกใช้บริการ?
ฟีเจอร์ไหนคนใช้มากที่สุด?
สรุป Trend และ Insight ให้ทีม
“ตัวเลขที่มี มันบอกอะไรกับเราได้บ้าง?”
ไปอีกขั้น — นอกจากดูอดีต ยังพยายามตอบคำถามเกี่ยวกับอนาคต ถ้าข้อมูลไม่ดี model ก็ไม่มีทางดีตามไปด้วย
ทำนายพฤติกรรมลูกค้าในอนาคต (Prediction)
สร้างระบบแนะนำสินค้า (Recommendation)
ทดลอง hypothesis ต่างๆ
สร้าง ML Model เพื่อ support business
“จะเกิดอะไรขึ้นต่อไป และเราควรทำอะไร?”
02 เปรียบให้เห็นภาพในหัวเดียวกัน
// Analogy — ถ้าข้อมูลคือถนน
🏗
DE
ทำถนน วางท่อ สร้างระบบขนส่งข้อมูลทั้งหมด — ถ้าไม่มีถนน ก็ไม่มีอะไรเกิดขึ้นได้เลย
🚗
DA
ขับรถบนถนน ดูวิว ดูสัญญาณ แล้วเล่าให้คนอื่นฟังว่า “เส้นทางนี้เป็นยังไง คุ้มไหม มีปัญหาอะไรบ้าง”
🧭
DS
เอาข้อมูลจากถนน มาสร้างระบบ GPS อัจฉริยะ — บอกว่าควรเลี้ยวไหน ทางไหนเร็วสุด จะติดไหมถ้าเดินทางพรุ่งนี้
ทุกคนสำคัญหมด — แต่ทำคนละหน้าที่เลย
และทุกตำแหน่งต่างพึ่งพา DE อยู่ข้างหลัง ถ้าถนนพัง ทุกคนก็ไปต่อไม่ได้
03 เปรียบแบบ side-by-side
| หัวข้อ |
🏗 DE |
📊 DA |
🤖 DS |
| โฟกัสหลัก |
ระบบ & Pipeline |
Insight & Report |
Model & Prediction |
| ถามว่า |
“ข้อมูลพร้อมไหม?” |
“ข้อมูลบอกอะไร?” |
“อนาคตจะเป็นยังไง?” |
| เครื่องมือหลัก |
SQL, Python, Spark, Airflow |
SQL, Excel, Tableau, Looker |
Python, Scikit-learn, TensorFlow |
| Output |
Pipeline ที่ทำงานได้ |
Dashboard & Report |
ML Model & Prediction |
| Skill หลัก |
Engineering, System design |
Analysis, Visualization, Storytelling |
Statistics, ML, Experimentation |
| พึ่งใคร |
Source systems (Dev) |
พึ่ง DE ให้ข้อมูลสะอาด |
พึ่ง DE ให้ข้อมูลครบ |
04 ในชีวิตจริง ใครทำอะไรบ้าง
ในทางทฤษฎี 3 ตำแหน่งแยกกันชัดเจน แต่ในโลกจริงมันซับซ้อนกว่านั้นนิดหน่อยครับ
🏢 บริษัทใหญ่
→3 ตำแหน่งแยกชัดเจน
→มีทีม Data แยกต่างหาก
→DE โฟกัสได้เต็มที่
→มี Data Architect แยกอีก
🚀 Startup / บริษัทเล็ก
→คนเดียวทำหลายบทบาท
→DE อาจต้องเขียน SQL วิเคราะห์บ้าง
→DA อาจต้องจัดการข้อมูลเอง
→DS อาจต้องเขียน pipeline บ้าง
อย่าเพิ่งยึดติดกับชื่อตำแหน่งมากเกินไปครับ — ให้ดูว่า
ตัวเราชอบแก้ปัญหาประเภทไหนมากกว่ากัน
แล้วค่อยหาทางไปในทิศทางนั้น
05 แล้วเราเหมาะกับสายไหน?
🤔 เช็กตัวเองง่ายๆ
เลือกประโยคที่ตรงกับตัวเองมากที่สุด (เลือกได้ 1 ข้อ)
✓
ฉันชอบสร้างระบบ แก้ปัญหาเชิงโครงสร้าง ทำของให้คนอื่นใช้ต่อได้ง่าย — ฉันรู้สึก satisfied เวลาที่ระบบทำงานได้โดยไม่ต้องให้ใครมาแตะ
✓
ฉันชอบดูตัวเลข หา pattern เล่าเรื่องจากข้อมูล — ฉันรู้สึก excited เวลาเห็น insight ที่ทำให้คนอื่น “อ๋อ!” ในที่ประชุม
✓
ฉันชอบคณิตศาสตร์ การทดลอง สร้าง model — ฉันสนุกกับการ hypothesize แล้ว test ว่าสิ่งที่คิดมันถูกต้องไหม
→ แนว Data Engineer
คุณชอบ
สร้างของที่ทำให้คนอื่นทำงานได้ — มี satisfaction จากระบบที่เสถียร ไม่ใช่จากการอยู่หน้า Dashboard
นั่นคือ mindset ที่ถูกต้องมากสำหรับ DE ครับ คอร์สนี้เหมาะกับคุณมากเลย 🎯
→ แนว Data Analyst
คุณชอบ
แปลงข้อมูลเป็นเรื่องราว — นั่นคือ core ของ DA เลยครับ
เรียนคอร์สนี้ต่อได้เลย เพราะการเข้าใจ DE จะทำให้คุณ communicate กับทีมได้ดีขึ้นมาก และ self-serve ข้อมูลได้เองในอนาคต 💡
→ แนว Data Scientist
คุณชอบ
ทดลองและสร้าง model — การเข้าใจ DE จะทำให้คุณรู้ว่าข้อมูลที่ดีมาจากไหน
ซึ่งเป็นสิ่งที่ DS หลายคน miss ไปและทำให้ model ออกมาไม่ดีครับ 🔬
ไม่มีสายไหนดีกว่าสายไหนเลยครับ — มีแต่สายที่เหมาะกับเรามากกว่า
และไม่ว่าเราจะเลือกสายไหน การเข้าใจทั้ง 3 บทบาทจะทำให้เราทำงานร่วมกับทีม Data ได้ดีขึ้นอย่างเห็นได้ชัดครับ
Key Takeaway · บทที่ 2
DE ทำให้ข้อมูลพร้อม · DA ใช้ข้อมูลตอบคำถาม · DS คาดการณ์อนาคตจากข้อมูล
คอร์สนี้จะโฟกัสที่มุมมองของ Data Engineer เป็นหลัก แต่ความเข้าใจตำแหน่งอื่นจะช่วยให้เราออกแบบระบบได้ตรงจุด และทำงานร่วมกับคนอื่นได้ดีขึ้นครับ