“สำรวจ 3 เส้นทางสาย Data ครบใน Bundle เดียว ก่อนตัดสินใจว่าจะเจาะลึกสายไหน”
เหนื่อยไหมกับการไม่รู้ว่าจะเลือกสาย Data Analyst, Data Engineer หรือ Data Scientist ดี? แต่ละสายก็ดูน่าสนใจ แต่ก่อนจะทุ่มเวลาเจาะลึกสายใดสายหนึ่ง อยากรู้ก่อนว่าแต่ละสายทำงานจริงยังไง ต่างกันตรงไหน
Data Explorer คือ Bundle ที่ออกแบบมาให้คุณได้ “สำรวจ” ครบทั้ง 3 เสาหลักของสาย Data ก่อนตัดสินใจ ไม่ต้องเดา ไม่ต้องเสียเวลาลองผิดลองถูกเอง:
- 📊 Fastlane Data Analytics (ปกติ ฿999) — สาย Data Analyst: ทางลัดสำหรับมือใหม่ ปูพื้นฐาน Data Analytics ทั้งระบบ พร้อมต่อยอดหัวข้อที่สนใจได้ทันที
- ⚙️ FODE (Foundation of Data Engineer) (ปกติ ฿1,199) — สาย Data Engineer: ปูพื้นฐานงาน DE เจาะลึก Ecosystem ของข้อมูลและหน้าที่ในโลกการทำงานจริง
- 🧪 Rizz D-Sci (ปกติ ฿1,999) — สาย Data Scientist: เปิดโลก Data Science แบบ 360 องศา วิชาแม่ที่ปู “พื้นฐานบนพื้นฐาน” ให้แม่นยำกว่าใคร
เรียนครบทั้ง 3 คอร์ส แปลว่าคุณจะเห็นภาพรวมทั้ง 3 สายอาชีพจริง แล้วค่อยตัดสินใจว่าอยากเจาะลึกสายไหนต่อ
เหมาะกับใคร ?
- คนที่ยังไม่แน่ใจว่าจะเดินสาย Data Analyst, Data Engineer หรือ Data Scientist ดี และอยากเห็นภาพรวมทั้ง 3 สายก่อนตัดสินใจ
- คนที่เพิ่งเริ่มสนใจสาย Data และอยากปูพื้นฐานให้กว้างก่อนไปเจาะลึกทีหลัง
- นักศึกษาหรือคนย้ายสายที่มีเวลาจำกัด อยากได้ทางลัดมองภาพให้ครบโดยไม่ต้องไล่หาคอร์สแยกทีละสาย
รีวิวจากนักเรียน
Data Explorer
❝
★★★★★
ตอนแรกลังเลระหว่าง DA กับ DS มาตลอด พอเรียน FODE ถึงรู้ว่าตัวเองชอบงานสร้าง Pipeline มากกว่า ถ้าไม่ได้ลองครบทั้ง 3 สายคงเลือกผิดไปแล้วครับ
IM
Ice M.
นักศึกษาวิศวกรรมคอมพิวเตอร์ ปี 3
❝
★★★★★
พาร์ท ETL/ELT กับ Cloud & Modern Data Stack ใน FODE ทำให้เห็นภาพว่างาน DE จริงๆ ทำอะไรบ้าง ต่อยอดจากพื้น IT ที่มีอยู่ได้เลย ตอนนี้วาง Roadmap ของตัวเองเรียบร้อยครับ
BS
Bank S.
IT Support ที่อยากขยับไปสาย Data Engineer
❝
★★★★★
ใช้ข้อมูลในงานวิจัยทุกวันแต่ไม่เคยเรียนเป็นระบบ Rizz D-Sci ปูพื้นสถิติให้แน่นก่อนเข้า Machine Learning อ่านแล้วเข้าใจว่าที่เคยทำมามันผิดตรงไหนค่ะ
AJ
Aom J.
ผู้ช่วยนักวิจัยในห้องแล็บ
❝
★★★★★
เรียนครบทั้ง 3 คอร์สแล้วรู้เลยว่าตัวเองเหมาะกับสาย DA ที่สุด เพราะชอบคุยกับคนและเล่าเรื่องจากตัวเลข ได้คำตอบก่อนทุ่มเวลาเจาะลึก คุ้มกว่าเดาเองเยอะครับ
TV
Top V.
Sales Executive
❝
★★★★★
ไม่ได้จะย้ายสาย แต่ต้องทำงานกับทีม Data ทุกวัน เรียนชุดนี้แล้วเข้าใจว่า DA, DE, DS ต่างกันยังไง คุยงานกับทีมรู้เรื่องขึ้นเยอะ ขอของได้ถูกคนด้วยค่ะ
KD
Kwan D.
Product Manager
ได้อะไรบ้างในชุดนี้ ?
- Fastlane Data Analytics ครบ — ปูพื้นฐาน Excel/SQL/Python เบื้องต้น, EDA, Data Visualization, Storytelling
- FODE ครบ — เข้าใจโลกของ Data Engineer, SQL, Database & Storage, Python for DE, ETL/ELT, Cloud & Modern Data Stack, Roadmap สู่ Data Engineer
- Rizz D-Sci ครบ — สถิติและคณิตพื้นฐาน, Python + SQL Toolkit, Machine Learning เต็มระบบ (Supervised + Unsupervised), End-to-End Data Science Project
- Certificate ครบทุกคอร์ส เมื่อเรียนจบแต่ละคอร์ส
- เรียนได้ ตลอดชีพ ทั้ง 3 คอร์ส พร้อมสิทธิ์เข้า Discord community
ทำไมถึงคุ้ม ?
- ซื้อแยกทีละคอร์ส: Fastlane (฿999) + FODE (฿1,199) + Rizz D-Sci (฿1,999) = ฿4,197
- ซื้อเป็น Bundle จ่ายแค่ ฿3,499 — ประหยัดไป ฿698 (ลดประมาณ 17%)
- ได้เห็นภาพรวมครบทั้ง 3 สายอาชีพ ก่อนตัดสินใจทุ่มเวลาเจาะลึกสายใดสายหนึ่ง
รู้แล้วว่าชอบสายไหน? ถ้าอยากเจาะลึกสาย Data Analyst ต่อ ลองดู 3 Kings of Analytics หรือถ้าอยากไปต่อสาย Data Science ลองดู Data Career Path Bundle ได้เลย
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 — จัด Bundle นี้ขึ้นมาเพื่อให้คนที่ยังสับสนเรื่องสายอาชีพได้เห็นภาพจริงก่อนเลือกทาง
ราคา ฿3,499 — ตลอดชีพ ครบทั้ง 3 คอร์ส
Membership Instructor
Nut Khuannaen
Author
🔥 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 Fode – Foundation Of Data Engineer
-
บทที่ 1: โลกของ Data Engineer เป็นยังไง (ปรับ mindset กันก่อน)
- ตัวอย่างปัญหาจริงที่ Data Engineer จัดการ (เป็นตัวอย่าง Story ง่ายๆ)
- เส้นทางอาชีพ และ growth ของ Data Engineer ในอนาคต
-
บทที่ 2: พื้นฐาน Data ที่ต้องเข้าใจก่อน (ยังไม่ต้องเขียนโค้ด)
- Data คืออะไร (Structured / Semi / Unstructured) ในมุมมอง DE
- Data มาจากไหนบ้าง (App, Web, Sensor, Business)
- Data Flow คืออะไร (ข้อมูลไหลไปมายังไง)
- Quality ของ Data สำคัญแค่ไหนในมุมมอง DE
- Data แบบไหน “ใช้ไม่ได้” ในโลกจริง
-
บทที่ 3: SQL – ภาษาหลักของ Data Engineer
- SQL คืออะไร และใช้ทำอะไร
- SELECT / WHERE / JOIN แบบเข้าใจง่าย
- การคิดแบบเป็นชุดข้อมูล (Set-based Thinking)
- Query ที่ดี vs Query ที่เจ๊ง
- ตัวอย่างงานจริงที่ใช้ SQL ทุกวัน
-
บทที่ 4: Database & Data Storage
- Database คืออะไร (RDBMS vs NoSQL)
- Table, Schema, Index คืออะไร
- Data Warehouse คืออะไร
- OLTP vs OLAP
- ตัวอย่างโครงสร้าง Data ของบริษัทสมมติ
-
บทที่ 5: Python สำหรับ Data Engineer
- Python ใช้ทำอะไรในงาน Data Engineer
- โครงสร้างโค้ดที่อ่านรู้เรื่อง
- ทำงานกับไฟล์ (CSV, JSON)
- ใช้ Python จัดการ Data ง่าย ๆ
- Script vs Production Code
-
บทที่ 6: ETL / ELT – หัวใจของงาน Data Engineer
- ETL คืออะไร (Extract / Transform / Load)
- ELT ต่างจาก ETL ยังไง
- Pipeline คืออะไร
- ตัวอย่าง ETL pipeline
- ปัญหาที่พบบ่อยใน ETL
-
บทที่ 7: Data Pipeline & Automation
- ทำไม Data ต้อง automate
- Batch vs Streaming
- Scheduling คืออะไร
- Data พังตอนกลางคืน เกิดอะไรขึ้น
- แนวคิด Monitoring & Alert
-
บทที่ 8: Big Data & Distributed System (ไม่ลงลึก แต่เห็นภาพ)
- Big Data คืออะไร (เมื่อไหร่ที่ data ใหญ่)
- ทำไมเครื่องเดียวไม่พอ
- Distributed System แบบเข้าใจง่าย
- Spark / Hadoop ใช้แก้ปัญหาอะไร
- Use case จริงของ Big Data
-
บทที่ 9: Cloud & Modern Data Stack
- Cloud คืออะไร (AWS / GCP / Azure)
- Data บน Cloud หน้าตาเป็นยังไง
- Modern Data Stack คืออะไร
- Tool ยอดนิยมที่ Data Engineer ใช้
- เลือก tool ยังไงไม่ให้หลง
-
บทที่ 10: เส้นทางสู่ Data Engineer
- Skill Map ของ Data Engineer
- Junior Data Engineer ต้องรู้อะไรบ้าง
- Portfolio ที่ควรมี
- วิธีฝึกจากงานจริง / โปรเจกต์จำลอง
- Roadmap หลังจบคอร์ส (3–6–12 เดือน)
🔥 คอร์ส Rizz D-Sci
-
ก่อนจะเริ่ม ขอลีลาแป้ปนึง ~
-
Data Science คืออะไร และทำไมมันถึงสำคัญ
- กระบวนการทำงานจริงๆ เป็นยังไง
- ตั้ง Roadmap การเรียนของตัวเอง
-
ข้อมูลคืออะไร — เข้าใจ Data ก่อนวิเคราะห์
- ประเภทของข้อมูล (Structured / Unstructured)
- Data Types ที่ต้องรู้
- ข้อมูลมาจากไหน
- คุณภาพของข้อมูล
- Metadata คืออะไร
- PDPA, Bias และ AI Governance — ใช้ข้อมูลยังไงไม่ให้พัง
-
คณิตและสถิติพื้นฐานที่จำเป็น
- Mean, Median, Mode
- Variance & Standard Deviation
- Probability เบื้องต้น
- Distribution และ Normal Curve
- Correlation vs Causation
-
สถิติเชิงอนุมานและ A/B Testing — พิสูจน์ให้ได้ว่าไม่ได้ฟลุค
- Sampling และ Confidence Interval
- Hypothesis Testing และ p-value แบบไม่งง
- ออกแบบ A/B Test และคำนวณ Sample Size
- กับดักยอดฮิตของ A/B Test (Peeking, Multiple Testing)
- Causal Inference เบื้องต้น — เมื่อทดลองไม่ได้
-
Python สำหรับ Data Science
- ทำไมถึงใช้ Python
- Python พื้นฐาน (Variables, Loops, Functions)
- NumPy คืออะไร
- Pandas — หัวใจของ Data Analysis
- Jupyter Notebook คือบ้านของ Data Scientist
- Polars และ uv — เครื่องมือ Python ยุคใหม่
-
Data Cleaning — งานที่ใช้เวลา 80% ของชีวิต
- ปัญหาที่พบบ่อยใน Raw Data
- จัดการ Missing Values
- Outlier Detection
- Data Transformation
- Data Cleaning Pipeline
-
Exploratory Data Analysis (EDA)
- EDA คืออะไร ทำทำไม
- Univariate Analysis
- Bivariate & Multivariate
- Visualization ด้วย Matplotlib & Seaborn
- สรุป Insight จาก EDA
-
SQL สำหรับ Data Scientist
- Database คืออะไร
- SELECT, WHERE, GROUP BY
- JOIN ทุกแบบ
- Subquery & CTE
- Window Functions — อาวุธลับของ Data Scientist
- SQL + Python ใช้ด้วยกันยังไง
- DuckDB — รัน SQL บนไฟล์ได้เลยไม่ต้องมี Server
-
Machine Learning คืออะไร — เข้าใจแบบไม่ต้องใช้สูตร
- ML คืออะไร Supervised vs Unsupervised
- Training / Validation / Test Set
- Overfitting vs Underfitting
- Feature Engineering
- เลือก Model ยังไงให้ถูก
- Neural Network และ Deep Learning — เข้าใจ Concept ก่อนเจอ LLM
-
Supervised Learning — ทำนาย ทำนาย ทำนาย
- Linear Regression
- Logistic Regression
- Decision Tree & Random Forest
- Evaluation Metrics (Accuracy, F1, RMSE)
- Cross Validation
-
ML ที่ใช้ทำงานจริง — จากโมเดลในตำราสู่โมเดลที่รอด
- Gradient Boosting (XGBoost / LightGBM)
- Hyperparameter Tuning
- Imbalanced Data และการเลือก Threshold
- Data Leakage — ความผิดพลาดที่แพงที่สุด
- อธิบายโมเดลด้วย SHAP
-
Unsupervised Learning — หาโครงสร้างในข้อมูล
- Clustering คืออะไร
- K-Means Clustering
- Hierarchical Clustering
- PCA — ลด Dimension ให้เข้าใจง่าย
- ใช้ Clustering กับ Business Problem จริง
-
Time Series และ Forecasting — ทำนายอนาคตจากอดีต
- องค์ประกอบของ Time Series (Trend, Seasonality, Noise)
- Baseline Model ที่ต้องชนะให้ได้
- Forecast ด้วย ML และ Feature จากเวลา
- Backtesting — วัดผล Forecast ให้ถูกวิธี
- Case: พยากรณ์ยอดขายร้านค้าปลีก
-
GenAI และ LLM สำหรับ Data Scientist
- LLM ทำงานยังไง (Token, Embedding, Context)
- Prompt และ Structured Output
- Embeddings กับ Semantic Search และ Text Clustering
- RAG — ให้ LLM ตอบจากข้อมูลของเรา
- LLM Evaluation — วัดผลงาน AI ยังไงให้เชื่อได้
-
ทำงานคู่กับ AI Agent
- ใช้ AI Coding Assistant ใน Workflow ของ Data Scientist
- Text-to-SQL และวิธีตรวจงานที่ AI ทำ
- Agentic Analytics — ให้ Agent วิเคราะห์ข้อมูลแทนเรา
- เมื่อไหร่ใช้ LLM เมื่อไหร่ใช้ Classical ML
- ทักษะที่ AI ยังแทนไม่ได้
-
Data Visualization และ Storytelling
- Principles ของ Good Visualization
- Chart ไหนใช้เมื่อไหร่
- Dashboard Design
- Storytelling with Data
- Present Insight ให้คน Non-Tech เข้าใจ
-
จาก Notebook สู่ Production
- Git และโครงสร้างโปรเจกต์
- Reproducible Pipeline — รันซ้ำได้ผลเดิม
- ทำ API หรือ Streamlit App ให้คนอื่นใช้โมเดลได้
- Monitoring และ Data Drift
- Experiment Tracking
-
End-to-End Data Science Project
- เลือก Problem & Dataset
- EDA + Data Cleaning
- Build & Evaluate Model
- Visualize & Communicate Results
- สร้าง Portfolio-Ready Project
- Capstone ทางเลือก — GenAI App หรือโมเดลที่ Deploy จริง
-
ก่อนจากกัน
- อ่านก่อนอย่าพึ่งไป ~
Leave a Reply