3 Kings of Analytics

“เส้นทางฉบับสมบูรณ์สู่การเป็น Data Analyst ตัวจริง — ไม่ใช่แค่มัดรวมคอร์สเพื่อลดราคาอย่างเดียว”

อยากเข้าสาย Data Analytics แบบจริงจัง ไม่ใช่แค่รู้ผิวเผิน แต่ไม่รู้จะไล่เรียนคอร์สไหนก่อน-หลังดี?

3 Kings of Analytics คือชุด 3 คอร์สที่ออกแบบมาให้เดินตามลำดับพอดี ครบทั้ง 3 ด้านที่ Data Analyst มืออาชีพต้องมี — เข้าใจภาพรวม, ลึกแบบมีทฤษฎีรองรับ, และลงมือทำจนเก่งจริง:

  • 1️⃣ Fastlane Data Analytics — ปูพื้นฐาน Data Analytics ทั้งระบบ มือใหม่ 0 พื้นฐานก็เริ่มได้
  • 2️⃣ Analytics Marvel — ลงลึกกว่า Fastlane แบบเท่าตัว ครอบคลุมทั้ง Data Analytics และ Data Science พร้อม Capstone Project ของตัวเอง
  • 3️⃣ Big Bang Analytics — คอร์สเดียวที่มี Video + Text ครบ เน้นลงมือทำจริงกับ Dataset ทุกบท จนทักษะพร้อมใช้งานจริงทันที

เรียงจาก “เข้าใจภาพรวม” → “ลึกด้วยทฤษฎี” → “ลงมือทำจนชำนาญ” ไม่ต้องมานั่งเดาเองว่าจะเริ่มคอร์สไหนก่อน

 

Lifetime

฿4,999.00
Enroll Now

เหมาะกับใคร ?

  • คนที่ตั้งใจจริงจะเข้าสาย Data Analyst และอยากได้เส้นทางการเรียนที่ชัดเจน ไม่ต้องมาไล่เลือกเอง
  • คนที่ลังเลว่าจะซื้อคอร์สไหนดีระหว่าง Fastlane, Marvel, Big Bang — ชุดนี้ตอบโจทย์ตรงที่ไม่ต้องเลือก เพราะได้ครบทั้ง 3 มุมมองที่แต่ละคอร์สให้ต่างกัน
  • คนที่อยากได้ทั้งความเข้าใจเชิงทฤษฎีและทักษะลงมือทำจริงควบคู่กัน ไม่ใช่แค่ด้านใดด้านหนึ่ง
รีวิวจากนักเรียน

3 Kings of Analytics

❝
★★★★★

ไม่ได้อยากเปลี่ยนสาย แค่อยากเข้าใจยอดขายร้านตัวเอง ตอนเรียน Big Bang เอาข้อมูลออเดอร์ร้านมาลองทำใน Google Sheets ตามไปด้วยเลย เพิ่งรู้ว่าสินค้าที่คิดว่าขายดีจริงๆ กำไรน้อยสุดครับ

BC
Beam C.
เจ้าของร้านค้าออนไลน์
❝
★★★★★

พาร์ท Time Series กับ Regression ใน Analytics Marvel ตรงกับงานมาก เอาไปลองพยากรณ์ยอดผลิตรายเดือนแล้วนำเสนอหัวหน้า เขาขอให้ทำเป็นรายงานประจำเลยครับ

OT
Oat T.
วิศวกรโรงงานอุตสาหกรรม
❝
★★★★★

ก่อนหน้านี้ลังเลอยู่นานว่าจะเริ่มคอร์สไหนดี พอเป็นชุดนี้ก็เรียนตามลำดับไปได้เลย ไม่ต้องคิดเยอะ Fastlane ปูพื้นให้เข้าใจภาพรวมก่อน พอขึ้น Marvel เลยไม่งงค่ะ

ML
Mint L.
พยาบาลที่กำลังเปลี่ยนสายมาทำ Data
❝
★★★★★

ได้ทำ Capstone Project ของตัวเองใน Marvel เป็นผลงานชิ้นแรกที่เอาไปโชว์ตอนสัมภาษณ์ได้จริง บวกกับฝึก SQL แบบเจาะลึก ตอนนี้ขยับมาเป็น Analyst ในทีมเดิมแล้วครับ

GA
Guy A.
Supply Chain Coordinator
❝
★★★★★

ชอบที่ Big Bang มีทั้งวิดีโอและ Text ดูวิดีโอตามทำก่อน แล้วค่อยกลับมาอ่านทวน บทเตรียมตัวสมัครงานช่วยให้รู้ว่าต้องทำ Resume กับพอร์ตยังไง ได้เรียกสัมภาษณ์หลายที่เลยค่ะ

NR
Namwan R.
บัณฑิตจบใหม่ที่กำลังหางานสาย Data

ได้อะไรบ้างในชุดนี้ ?

  • Fastlane Data Analytics ครบ — ปูพื้นฐาน Excel/SQL/Python เบื้องต้น, EDA, Data Visualization, Storytelling
  • Analytics Marvel ครบ — SQL และ Python แบบเจาะลึก, Advanced Analytics (Time Series, Clustering, Regression), Dashboard, และ Capstone Project ได้ผลงานจริงติดพอร์ต
  • Big Bang Analytics ครบ — วิดีโอกว่า 6 ชั่วโมง + Text ทุกบท ฝึกกับ Dataset จริงตลอดคอร์ส (Google Sheets, Statistics, SQL, Python, Visualization, เตรียมตัวสมัครงาน)
  • Certificate ครบทั้ง 3 คอร์ส เมื่อเรียนจบแต่ละคอร์ส
  • เรียนได้ ตลอดชีพ ทั้ง 3 คอร์ส พร้อมสิทธิ์เข้า Discord community ตลอดไป

ทำไมถึงคุ้ม ?

  • ซื้อแยกทีละคอร์ส: Fastlane (฿999) + Analytics Marvel (฿1,999) + Big Bang Analytics (฿2,499) = ฿5,497
  • ซื้อเป็นชุด 3 Kings of Analytics จ่ายแค่ ฿4,999 — ประหยัดไป ฿498 ทันที
  • ได้เส้นทางการเรียนที่ออกแบบมาให้ต่อกันเป็นระบบ ไม่ต้องมานั่งคิดเองว่าคอร์สไหนควรเรียนก่อน-หลัง
  • ซื้อครั้งเดียว จบทั้ง 3 คอร์ส ไม่ต้องกลับมาตัดสินใจซื้อซ้ำทีละคอร์ส

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 3 คอร์สในชุดนี้ให้ต่อเนื่องกันเป็นเส้นทางเดียว ไม่ใช่แค่เนื้อหาแยกส่วนที่เอามารวมกัน

ราคา ฿4,999 — ตลอดชีพ ครบทั้ง 3 คอร์ส

Membership Instructor

Nut Khuannaen Nut Khuannaen Author
 

Lifetime

฿4,999.00
Enroll Now

🔥 เนื้อหาที่เรียนใน Bundle นี้

🔥 คอร์ส Fastlane Data Analytics
  • บทที่ 1 – พื้นฐานของ Data Analytics
  • บทที่ 2 – ประเภทของข้อมูลและวิธีการเก็บข้อมูล
    • ประเภทของข้อมูล
    • แหล่งที่มาของข้อมูล (Databases, APIs, Web Scraping, Excel)
    • การทำความสะอาดข้อมูลเบื้องต้น (Data Cleaning)
  • บทที่ 3 – เครื่องมือพื้นฐานที่ใช้ใน Data Analytics
    • Excel และ Google Sheets สำหรับการวิเคราะห์ข้อมูล
    • SQL เบื้องต้นสำหรับดึงข้อมูลจากฐานข้อมูล
    • Python และ Pandas สำหรับการจัดการข้อมูล
  • บทที่ 4 – การทำความสะอาดและเตรียมข้อมูล (Data Cleaning & Preparation)
    • เทคนิคการจัดการค่าที่หายไป (Missing Values)
    • การจัดการข้อมูลที่ผิดพลาดหรือไม่สมเหตุสมผล
    • การปรับโครงสร้างข้อมูลให้เหมาะสมสำหรับการวิเคราะห์
  • บทที่ 5 – การวิเคราะห์ข้อมูลเบื้องต้น (Exploratory Data Analysis – EDA)
    • การสรุปข้อมูลด้วยสถิติเบื้องต้น (Mean, Median, Mode, Standard Deviation)
    • การทำ Visualization Tools ด้วย Matplotlib, Seaborn
    • การหาความสัมพันธ์ระหว่างตัวแปร (Correlation)
  • บทที่ 6 – การวิเคราะห์ข้อมูลแบบ Advance
    • การทดสอบสมมติฐาน (Hypothesis Testing)
    • การวิเคราะห์แนวโน้มและรูปแบบของข้อมูล (Trend & Pattern Analysis)
    • การใช้ Machine Learning เบื้องต้นสำหรับ Data Analytics
  • บทที่ 7 – การนำเสนอข้อมูล (Data Visualization)
    • หลักการออกแบบ Visualization ที่ดี
    • การใช้ Dashboard Tools เช่น Power BI หรือ Tableau
    • การเล่าเรื่องด้วยข้อมูล (Storytelling with Data)
  • บทที่ 8 – การทำงานกับข้อมูลจริง (Case Study & Real-World Data)
    • การวิเคราะห์ข้อมูลจากธุรกิจจริง (Retail, Marketing, Finance)
    • วิธีการทำ Data Pipeline เบื้องต้น
    • การเตรียมข้อมูลสำหรับนำไปใช้ใน Business Intelligence
  • บทที่ 9 – การทำ Data-Driven Decision Making
    • วิธีการใช้ข้อมูลเพื่อช่วยในการตัดสินใจ
    • การวิเคราะห์ A/B Testing
    • การใช้ Key Performance Indicators (KPIs)
  • บทที่ 10 – เตรียมตัวเป็น Data Analyst
    • ทักษะเพิ่มเติมที่ควรเรียนรู้ (SQL ขั้นสูง, Python for Data Science)
    • การสร้าง Portfolio และ Resume สำหรับ Data Analyst
    • แหล่งเรียนรู้เพิ่มเติมและแนวทางอาชีพในอนาคต
  • บทที่ 11 – เครื่องมือขั้นสูงสำหรับ Data Analyst
    • Excel/Google Sheets ขั้นสูง (Pivot Table, XLOOKUP, Array Formula)
    • SQL ขั้นสูง (JOIN หลายตาราง, Window Functions, CTE)
    • Data Storytelling เชิงลึก (นำเสนอต่อผู้บริหาร)
  • บทที่ 12 – สถิติและจริยธรรมข้อมูลสำหรับ Data Analyst
    • Regression เบื้องต้นและ Confidence Interval
    • จริยธรรมในการวิเคราะห์ข้อมูล (Bias, Fairness)
    • PDPA และความเป็นส่วนตัวของข้อมูลเบื้องต้น
  • บทที่ 13 – เตรียมสัมภาษณ์งาน Data Analyst
    • คำถามสัมภาษณ์เทคนิค SQL/Excel/Python ที่เจอบ่อย
    • Case Interview และ Take-home Assignment มือใหม่ต้องรู้
    • รีวิว Portfolio และซ้อมสัมภาษณ์ (Mock Interview)
  • บทที่ 14 – Capstone Project จบคอร์ส
    • โจทย์ Capstone Project และวางแผนงาน
    • ลงมือทำ Capstone: Clean → Analyze → Visualize
    • สรุปคอร์สทั้งหมด + ปิดคอร์ส
🔥 คอร์ส Analytics Marvel
  • บทที่ 1 — เกริ่นนำก่อนเริ่มเรียน
  • บทที่ 2 — แนะนำภาพรวมของ Data Analytics
    • บทบาทของ Data Analyst ในองค์กร
    • ทักษะสำคัญที่ Data Analyst ควรมี
    • ทักษะสำคัญที่ Data Analyst ควรมี – 2
  • บทที่ 3 — พื้นฐานความเข้าใจข้อมูล
    • ประเภทของข้อมูล (Structured vs Unstructured)
    • ชนิดของตัวแปร (Nominal, Ordinal, Interval, Ratio)
    • แหล่งข้อมูลที่พบบ่อย (CSV, Excel, Database, API)
    • ความสำคัญของ Data Quality และ Data Cleaning
    • Introduction to Data Lifecycle
  • บทที่ 4 — เครื่องมือที่ใช้ในการวิเคราะห์ข้อมูล
    • Excel/Google Sheets
    • SQL
    • Python (Pandas, NumPy, Matplotlib, Seaborn)
    • Power BI / Tableau / Lookers
    • การเลือกเครื่องมือให้เหมาะกับงาน
  • บทที่ 5 — Data Cleaning & Preparation
    • การตรวจสอบ Missing Data
    • การจัดการ Outliers
    • การจัดการข้อมูลผิดประเภท
    • การ Normalize และ Standardize ข้อมูล
    • การรวมข้อมูลจากหลายแหล่ง (Data Joining / Merging)
  • บทที่ 6 — การวิเคราะห์ข้อมูลเชิงสถิติ
    • ค่าสถิติพื้นฐาน (Mean, Median, Mode, Variance, SD)
    • การกระจายของข้อมูล (Distribution)
    • การหาความสัมพันธ์ของตัวแปร (Correlation)
    • การใช้ Pivot Table และ Crosstab
    • Hypothesis Testing (เบื้องต้น)
  • บทที่ 7 — การเขียน SQL เพื่อวิเคราะห์ข้อมูล
    • SQL คืออะไร ?
    • โครงสร้างคำสั่ง SELECT, WHERE, GROUP BY, ORDER BY
    • การใช้ JOIN (INNER, LEFT, RIGHT, FULL)
    • การใช้ Aggregate Functions (COUNT, SUM, AVG, MIN, MAX)
    • Subquery และ CTE
    • Window Functions (Advance)
    • SQL Best Practices และเทคนิคการเขียน Query ที่ดี
  • บทที่ 8 — การใช้ Python เพื่อวิเคราะห์ข้อมูล
    • การใช้งาน Pandas เบื้องต้น
    • Pandas – 2 ต่อ
    • การจัดการ DataFrame และ Series
    • การทำ Data Cleaning ด้วย Python
    • การวิเคราะห์เชิงสถิติกับ Python
    • การ Visualize ข้อมูลด้วย Matplotlib และ Seaborn
    • การเขียน Function สำหรับ Automation
  • บทที่ 9 — การสร้าง Dashboard และ Visualization
    • หลักการออกแบบ Data Visualization ที่ดี
    • การใช้ Power BI
    • การใช้ Tableau
    • การใช้ Looker
    • การใช้ Python ทำ Dashboard ด้วย Streamlit (ระดับกลาง-สูง)
  • บทที่ 10 — การวิเคราะห์เชิงลึก (Advanced Analytics)
    • การวิเคราะห์ Time Series
    • การทำ Clustering เบื้องต้น (K-Means)
    • การทำ Forecasting แบบง่าย (ARIMA)
    • การใช้ Regression Analysis เพื่อคาดการณ์
    • Feature Engineering พื้นฐาน
  • บทที่ 11 — Data Storytelling & Business Insight
    • การสื่อสารด้วยข้อมูลกับ Stakeholders
    • การเขียนสรุปรายงานเชิงวิเคราะห์
    • การสร้าง Data Narrative
    • ตัวอย่าง Case Study และ Insight ที่มี Impact
  • บทที่ 12 — การใช้ข้อมูลขับเคลื่อนธุรกิจ (Data-Driven Decision Making)
    • กรอบการตัดสินใจด้วยข้อมูล
    • KPI และ North Star Metric
    • A/B Testing: การออกแบบและตีความผล
    • Data Modeling เบื้องต้นสำหรับ BI (Star Schema, Fact/Dimension)
    • เคสธุรกิจจริงข้ามอุตสาหกรรม (Retail, Marketing, Finance)
  • บทที่ 13 — จริยธรรมและความรับผิดชอบของ Data Analyst
    • Bias และ Fairness ในการวิเคราะห์ข้อมูล
    • PDPA และความเป็นส่วนตัวของข้อมูลเบื้องต้น
    • Data Governance และการจัดการข้อมูลอย่างมีความรับผิดชอบ
  • บทที่ 14 — เตรียมความพร้อมสู่สนามงานจริง
    • การสร้าง Portfolio ที่โดดเด่น
    • การเขียน Resume ที่แสดงผลกระทบเป็นตัวเลข
    • คำถามสัมภาษณ์เชิงเทคนิค SQL/Excel/Python ที่เจอบ่อย
    • Case Interview และ Take-home Assignment
    • Mock Interview และเส้นทางอาชีพ
  • บทที่ 15 — Capstone Project
    • ผู้เรียนเลือกโจทย์วิเคราะห์จากชุดข้อมูลจริง
    • Data Cleaning
    • EDA (Exploratory Data Analysis)
    • การวิเคราะห์เชิงลึก
    • การสื่อสารผลผ่าน Dashboard + Report
    • Feedback และแนวทางพัฒนาต่อ
  • บทที่ 16 — บททิ้งท้าย
    • สุดท้ายแล้ว
🔥 คอร์ส Big Bang Analytics
  • Google Sheet For Data Analytics 📈
    • Pivot Table – 5:47 mins
    • Charts – Charts – 11:40 mins
    • Drawing – 6:13 mins
    • Sorting & Filtering – 8:48 mins
    • Remove duplicate | Trim Whitespace | Split Text to Columns – 9:27 mins
    • Data Validation – 6 mins
    • Macro – 3:51 mins
    • Sheets to Colab – 3:47 mins
    • Extension – 9:34 mins
  • Basic Statistics For Data Analytics 📉
    • Mean |  Median | Mode | Max | Min – 10:51 mins
    • Skewed distribution Chart – 14:12 mins
    • Correlation – 14:29 mins
    • Standard Deviation – 13:59 mins
    • Outlier – 12:53 mins
    • Stat with Python – 18:58 mins
  • SQL For Data Analytics 📊
    • Introduction for SQL – 8:56 mins
    • SQLite – Create and play with our own database – 13:37 mins
    • Import data from CSV – 5:35 mins
    • Aggregrate functions like SUM, AVG with Group by – 9:39 mins
    • Join function – 6:49 mins
    • Create view – 10:17 mins
    • Practice more and more here
  • Python For Data Analytics 🚀
    • Introduction for Python – 5:29 mins
    • Pandas – Dataframe Manipulation – 15:57 mins
    • Pandas with Numpy – Dataframe Manipulation 2 – 15:39 mins
    • Basic-Matplotlib-Seaborn – 11:15 mins
    • Explore more with Seaborn – 7:58 mins
    • Explore more with Matplotlib – 16:57 mins
  • Visualization 👨🏻‍💻
    • Introduction for Looker – 26:37 mins
    • Reference line and Reference band in Looker – 7:34 mins
    • Introduction to Tableau Public – 14:32 mins
    • Build a simple chart with impactful of meaning – 11:35 mins
  • Others related 🩵
    • Know about ETL – 9:23 mins
    • Resume for Data jobs – 5:11 mins
    • Soft-Skills needed – 7:39 mins
  • เดี๋ยวก่อน อย่าพึ่งทิ้งกัน 😂
    • มีอะไรอยากเล่าให้ฟัง – 3:52 mins

Leave a Reply

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