Data Scientist
vs Analyst
vs Engineer
สามตำแหน่งที่คนมักสับสนว่าเหมือนกัน — แต่จริงๆ แล้วต่างกันพอสมควรครับ
เข้าใจความต่างนี้จะช่วยให้รู้ว่าตัวเองอยากเดินไปทิศทางไหน
ทำไมถึงสับสนกันบ่อยมาก?
ถ้าคุณเคยเปิด LinkedIn แล้วเห็น Job Title พวก “Data Analyst”, “Data Scientist”, “Data Engineer”, “Business Intelligence Analyst”, “ML Engineer” — แล้วรู้สึกว่ามันดูเหมือนกันหมดเลย นั่นคือความรู้สึกปกติมากครับ
ปัญหาคือบริษัทหลายที่ตั้งชื่อตำแหน่งไม่เหมือนกัน บางที่เรียก Data Analyst แต่งานจริงๆ คือ Data Scientist บางที่เรียก Data Scientist แต่ไม่ได้สร้าง Model เลยแม้แต่ชิ้นเดียว
แต่ถ้าเราดูที่ แก่นของงานจริงๆ ทั้ง 3 ตำแหน่งนี้มีความต่างที่ชัดเจนครับ
“Data Analyst บอกว่าเกิดอะไรขึ้น
Data Scientist ทำนายว่าจะเกิดอะไรขึ้น
Data Engineer สร้างระบบที่ทำให้ทั้งสองทำงานได้”
— นิยามง่ายๆ ที่จำง่ายครับ
รู้จักทีละคน
Data Analyst คือคนที่ ตอบคำถามจากข้อมูลที่มีอยู่แล้ว งานหลักคือทำความสะอาดข้อมูล วิเคราะห์ สรุป และนำเสนอให้คนอื่นเข้าใจได้ครับ
เหมือนนักสืบที่ดูหลักฐานที่มีอยู่แล้วหาคำตอบ ไม่ใช่สร้างเครื่องมือจับโจร
SQL
Excel / Sheets
Tableau / Power BI
Python (พื้นฐาน)
Storytelling
Statistics เบื้องต้น
คำถามที่ตอบได้: “ยอดขายเดือนที่แล้วเป็นยังไง?”, “ลูกค้ากลุ่มไหนซื้อมากที่สุด?”, “โปรโมชั่นไหนได้ผลดีกว่ากัน?”
Data Scientist คือคนที่ สร้าง Model เพื่อทำนายหรือค้นหาแพทเทิร์นที่ซับซ้อน จากข้อมูลครับ
ต้องมีพื้นฐาน Statistics ที่แน่น เขียนโค้ดได้ดี และเข้าใจ Business ด้วย — เพราะถ้า Model เจ๋งแต่ตอบคำถามผิดข้อ ก็ไม่มีประโยชน์
Python
Machine Learning
Statistics
SQL
Data Visualization
Experiment Design
Communication
คำถามที่ตอบได้: “ลูกค้าคนนี้จะเลิกใช้บริการไหม?”, “ราคาที่ดีที่สุดสำหรับลูกค้าแต่ละคนคือเท่าไหร่?”, “ระบบนี้จะตรวจจับการทุจริตได้แม่นแค่ไหน?”
Data Engineer คือคนที่ สร้างและดูแลระบบที่ทำให้ข้อมูลไหลจากต้นทางไปถึงปลายทาง ได้อย่างน่าเชื่อถือครับ
ถ้า Data Scientist คือคนทำอาหาร Data Engineer คือคนสร้างครัว ต่อท่อน้ำ ต่อไฟ และจัดวางวัตถุดิบให้ครบ
Python / Scala
SQL & Databases
Cloud (AWS/GCP/Azure)
Data Pipelines
Spark / Kafka
Data Warehouse
คำถามที่ตอบได้: “ทำยังไงให้ข้อมูลจาก 10 ระบบรวมกันได้?”, “Pipeline นี้จะ fail ถ้าข้อมูลเข้ามาช้ายังไง?”, “จะเก็บข้อมูล 10TB/วันยังไงให้ถูกและเร็ว?”
เปรียบกันตรงๆ ในตาราง
ถ้าอยากเห็นภาพรวมที่ชัดขึ้น ลองดูตารางนี้ครับ
| หัวข้อ |
Data Analyst |
Data Scientist |
Data Engineer |
| โฟกัสหลัก |
วิเคราะห์และรายงาน |
สร้าง Model & ทำนาย |
สร้างระบบ & Pipeline |
| คำถามที่ตอบ |
“เกิดอะไรขึ้น?” |
“จะเกิดอะไรขึ้น?” |
“ข้อมูลไหลยังไง?” |
| เครื่องมือหลัก |
SQL, Excel, Tableau |
Python, ML Libraries |
Spark, Airflow, Cloud |
| ต้องเขียนโค้ดไหม? |
นิดหน่อย |
ค่อนข้างเยอะ |
เยอะมาก |
| ต้องรู้ Statistics ไหม? |
พื้นฐาน |
ต้องรู้ลึก |
ไม่มากนัก |
| ทำงานร่วมกับใคร |
Business, Marketing |
ทุกฝ่าย |
Engineering, DevOps |
| Output ของงาน |
Dashboard, Report |
Model, Insight |
Pipeline, Database |
⚠️
ในความเป็นจริง — เส้นแบ่งพร่ามัวมากครับ
ในบริษัทเล็ก คนๆ เดียวอาจต้องทำทั้ง 3 บทบาทในวันเดียวกัน ในบริษัทใหญ่อาจมีทีมแยกชัดเจน ตารางนี้ช่วยให้เห็นทิศทาง ไม่ใช่กฎตายตัวครับ
วันทำงานจริงๆ ของแต่ละคนเป็นยังไง?
คำอธิบายในทฤษฎีฟังดูดี แต่อยากให้เห็นภาพมากขึ้นครับ ลองดูว่าแต่ละตำแหน่งใช้เวลาทำอะไรบ้างในวันทำงานวันนึง
📊 วันของ Data Analyst — ทำงานในบริษัท E-Commerce
🌅
09:00
เช็ค Dashboard ประจำวัน
ดูว่าเมื่อวานยอดขายเป็นยังไง มีตัวเลขไหนผิดปกติไหม
💬
10:30
รับ Request จาก Marketing
ทีม Marketing อยากรู้ว่าโปรโมชั่นเดือนที่แล้วส่งผลต่อ Repeat Purchase ยังไง
🔍
11:00 — 14:00
เขียน SQL ดึงข้อมูล + วิเคราะห์ใน Excel/Python
นั่งดึงข้อมูล ทำความสะอาด แล้วหาแพทเทิร์น — งานส่วนใหญ่อยู่ที่นี่ครับ
📈
15:00
สร้าง Visualization + นำเสนอ
แปลตัวเลขเป็นกราฟที่เข้าใจได้ แล้วนำเสนอให้ทีม Marketing ตัดสินใจได้
🔬 วันของ Data Scientist — ทำงานในบริษัท FinTech
🗣️
09:30
ประชุม Stakeholder
คุยกับทีม Business ว่า Model ตรวจจับการทุจริตที่กำลังสร้างอยู่ ต้องการ Precision หรือ Recall มากกว่ากัน
🧹
10:30 — 12:00
Feature Engineering
คิดว่าจะสร้าง Feature อะไรจากข้อมูล Transaction เพื่อให้ Model แยกแยะรายการผิดปกติได้ดีขึ้น
🤖
13:00 — 16:00
Train และ Evaluate Model
ลอง Algorithm หลายตัว เปรียบเทียบผล ปรับ Parameter แล้วดูว่าตัวไหนดีที่สุด
📝
16:30
เขียน Documentation + แจ้งผล
บันทึก Experiment ไว้ใน MLflow แล้วสรุปผลให้ทีมรู้ว่าวันนี้ได้อะไรบ้าง
⚙️ วันของ Data Engineer — ทำงานในบริษัท Tech Startup
🚨
09:00
เช็ค Alert — Pipeline พัง!
Data Pipeline ที่ดึงข้อมูลจาก API ภายนอก error ตั้งแต่ตีสาม ต้องหาสาเหตุและแก้ไขก่อนที่ทีม Analyst จะทำงานไม่ได้
🔧
09:30 — 11:00
Debug และ Fix Pipeline
ตามหา Root Cause แก้โค้ด ทดสอบ แล้ว Deploy ขึ้น Production อีกครั้ง
🏗️
13:00 — 16:00
สร้าง Pipeline ใหม่
Data Scientist ต้องการข้อมูลจาก Source ใหม่ที่ไม่เคยต่อมาก่อน ต้องออกแบบและสร้าง ETL Pipeline ให้ครบ
📋
16:30
Code Review + Planning
Review โค้ดของทีม และวาง Sprint Plan สำหรับสัปดาห์หน้าร่วมกับ Tech Lead
ทักษะที่ Overlap กัน
แม้จะต่างกัน แต่ทั้ง 3 ตำแหน่งมีทักษะที่ต้องใช้ร่วมกันครับ ซึ่งดีมากสำหรับคนที่เรียน Data Science เพราะทักษะพื้นฐานที่สร้างตอนนี้จะใช้ได้ในทุกเส้นทาง
ทักษะที่แต่ละตำแหน่งต้องการ
Analyst
Business Thinking
Dashboard Design
SQL
Python พื้นฐาน
Data Visualization
Communication
Scientist
Machine Learning
Statistics ลึก
Experiment Design
SQL
Python พื้นฐาน
Data Visualization
Communication
Engineer
Cloud Platforms
System Design
Data Modeling
SQL
Python พื้นฐาน
Data Visualization
Communication
🎯
คอร์สนี้เรียนเพื่อตำแหน่งไหน?
Riz D-Sci สอนทักษะที่ ครอบคลุม Data Analyst และ Data Scientist เป็นหลัก ครับ เพราะทั้งสองตำแหน่งนี้เป็นจุดเริ่มต้นที่ดีที่สุดสำหรับคนที่เพิ่งเข้าสายงาน Data Engineer จะเรียนรู้เพิ่มเติมได้ภายหลัง เมื่อคุณมีพื้นฐาน Python และ SQL แน่นแล้วครับ
แล้วควรเริ่มจากตำแหน่งไหน?
คำตอบที่ตรงไปตรงมาที่สุดจากประสบการณ์ของผมคือ — เริ่มจาก Data Analyst ก่อนครับ
ไม่ใช่เพราะมันง่ายกว่า แต่เพราะมันสอนให้คุณ เข้าใจปัญหาจากมุม Business ก่อน ซึ่งเป็นทักษะที่ Data Scientist และ Data Engineer หลายคนขาดไปครับ ถ้าคุณไม่เข้าใจว่าธุรกิจต้องการอะไร สร้าง Model เก่งแค่ไหนก็ไม่มีประโยชน์
เส้นทางที่ผมเห็นบ่อยที่สุดในคนที่ประสบความสำเร็จในสายนี้คือ
📍 Data Analyst (0–2 ปีแรก) → เรียนรู้ Business, SQL, Visualization, และวิธีสื่อสาร Insight
📍 Data Scientist (ปีที่ 2–4) → เพิ่ม Machine Learning, Statistics ลึกขึ้น, สร้าง Model จริงๆ
📍 Senior / Specialist (ปีที่ 4+) → เชี่ยวชาญลึกในด้านใดด้านหนึ่ง เช่น ML Engineering, NLP, หรือ Analytics Lead
แต่ทุกคนไม่จำเป็นต้องเดินเส้นทางเดียวกันครับ บางคนชอบ Data Engineering มากกว่า บางคนอยากเป็น Analyst ตลอดชีวิตเพราะชอบทำงานใกล้ Business — และทั้งหมดนั้นก็เป็นทางเลือกที่ดีทั้งนั้น
สิ่งที่สำคัญที่สุดตอนนี้คือ เริ่มสร้างทักษะพื้นฐานก่อน แล้วค่อยๆ เห็นว่าตัวเองถนัดและชอบด้านไหนครับ
หยุดนิ่งสักครู่ แล้วลองถามตัวเองครับ
Q1
จากที่อ่านมา คุณรู้สึกว่าตัวเองสนใจบทบาทไหนมากที่สุด และทำไมถึงดึงดูดใจ? ลองนึกถึงงานหรือกิจกรรมในชีวิตที่คุณชอบ แล้วมันเชื่อมกับบทบาทนั้นยังไง?
Q2
ถ้าคุณมีพื้นหลังในสายงานหรือสาขาใดสาขาหนึ่งอยู่แล้ว เช่น การตลาด การเงิน สาธารณสุข หรืออื่นๆ Domain Knowledge ของคุณจะเป็นประโยชน์ต่อบทบาทไหนมากที่สุด และในธุรกิจหรืออุตสาหกรรมแบบไหน?
ยังไม่ต้องตัดสินใจตอนนี้นะครับ แค่จดความรู้สึกเอาไว้ก่อน เพราะยิ่งเรียนไปมากเท่าไหร่ คำตอบก็จะยิ่งชัดขึ้นเองครับ