Zero to Portfolio

“จากไม่มีพื้นฐานเลย สู่พอร์ตโฟลิโอที่ใช้สมัครงานได้จริง — เส้นทางฉบับสมบูรณ์ ไม่ใช่แค่มัดรวมคอร์สเพื่อลดราคาอย่างเดียว”

อยากเริ่มต้นสาย Data Analytics แบบ 0 พื้นฐาน แต่ไม่รู้จะไล่เรียนคอร์สไหนก่อน-หลัง แล้วสุดท้ายจะมีอะไรติดมือไปสมัครงานจริงบ้าง?

Zero to Portfolio Bundle คือชุด 4 คอร์สที่ออกแบบให้เดินตามลำดับพอดี ตั้งแต่ปูพื้นฐานจนได้ผลงานจริงใส่พอร์ต — ไม่ต้องมานั่งเดาเองว่าเรียนจบแต่ละคอร์สแล้วจะไปต่อยังไง:

  • 1️⃣ Fastlane Data Analytics — ปูพื้นฐาน Data Analytics ทั้งระบบ มือใหม่ 0 พื้นฐานก็เริ่มได้
  • 2️⃣ SQL For Data Analyst — ปักหมุดทักษะดึงข้อมูลให้แน่น ตั้งแต่ SELECT พื้นฐานถึง Window Functions ระดับสัมภาษณ์งาน
  • 3️⃣ Python For Data Analyst — ปักหมุดทักษะวิเคราะห์ข้อมูลด้วย Pandas/NumPy ให้คล่องมือ
  • 4️⃣ 20 Project จบ ครบ Portfolio — เอาทักษะทั้งหมดมาลงมือทำจนได้ผลงานจริง 20 ชิ้น พร้อมใส่เรซูเม่

เรียงจาก “เข้าใจภาพรวม” → “ปักหมุดเครื่องมือหลัก” → “ลงมือทำจนมีผลงานจริง” ครบทุกขั้นตอนตั้งแต่วันแรกที่ยังไม่รู้อะไรเลย จนถึงวันที่พร้อมส่งพอร์ตไปสมัครงาน

 

Lifetime

฿3,199.00
Enroll Now

เหมาะกับใคร ?

  • คนที่อยากเปลี่ยนสายมาเป็น Data Analyst แบบจริงจัง แต่ยังไม่มีพื้นฐานอะไรเลย และอยากได้เส้นทางที่ชัดเจนไม่ต้องมาไล่เลือกเอง
  • คนที่เรียนจบสายอื่นมา หรือกำลังหางานแรกในสาย Data และอยากมีผลงานจริงยืนยันความสามารถ ไม่ใช่แค่ใบ Certificate
  • คนที่ลังเลว่าจะซื้อคอร์สไหนก่อน-หลังระหว่าง Fastlane, SQL, Python, 20 Projects — ชุดนี้ตอบโจทย์ตรงที่ได้ครบเป็นเส้นทางเดียว ไม่ต้องนั่งคิดลำดับเอง
รีวิวจากนักเรียน

Zero to Portfolio

❝
★★★★★

เริ่มจากศูนย์จริงๆ ไม่เคยเขียนโค้ดสักบรรทัด เรียนไล่ตามลำดับจาก Fastlane จนจบ 20 Projects สิ่งที่ต่างจากเดิมคือมีผลงานให้คนสัมภาษณ์ดู ไม่ใช่แค่บอกว่าเรียนมาแล้ว ตอนนี้ได้งาน DA แรกแล้วค่ะ

FW
Fern W.
อดีตพนักงานต้อนรับบนเครื่องบิน ปัจจุบันเป็น Junior Data Analyst
❝
★★★★★

ตอนสัมภาษณ์โดนให้เขียน SQL สดๆ มีโจทย์ Window Function ด้วย โชคดีที่เพิ่งฝึกมาจากคอร์ส SQL เป๊ะๆ เลยทำได้ไม่ติด ผ่านเข้ารอบถัดไปแล้วครับ

GS
Golf S.
เจ้าหน้าที่ธุรการหน่วยงานรัฐ
❝
★★★★★

ลองเอาสิ่งที่เรียนใน Python ไปวิเคราะห์ข้อมูลเบิกจ่ายยาในแผนกด้วย Pandas เจอรายการที่สต็อกล้นจนหมดอายุบ่อยๆ ทำเป็นโปรเจกต์ใส่พอร์ตได้อีกชิ้น แถมหัวหน้าเอาไปใช้ต่อจริงค่ะ

KP
Kaew P.
เภสัชกรโรงพยาบาล
❝
★★★★★

20 โปรเจกต์ไม่ซ้ำแนวกันเลย มีทั้งค้าปลีก การตลาด พฤติกรรมผู้ใช้ ทำให้เลือกชิ้นที่ตรงกับตำแหน่งที่สมัครได้ ตอนนี้ขึ้น GitHub ครบ ส่งลิงก์ไปพร้อมเรซูเม่ได้เลยครับ

OT
Ohm T.
ช่างภาพฟรีแลนซ์ที่กำลังเปลี่ยนสาย
❝
★★★★★

เคยทำโปรเจกต์เองมาบ้างแต่ไม่รู้จะเล่าในพอร์ตยังไง คำแนะนำเรื่องเตรียมพอร์ตช่วยมาก สอนให้เขียนว่าโจทย์คืออะไร ทำอะไร ได้ผลอะไร อ่านแล้วดูเป็นงานมืออาชีพขึ้นเยอะค่ะ

JR
June R.
เจ้าหน้าที่ประสานงานโครงการ NGO
❝
★★★★★

ข้อดีที่สุดคือไม่ต้องคิดเองว่าต้องเรียนอะไรก่อน-หลัง ทุกคอร์สต่อกันพอดี พอมาถึง Capstone ใน Python ก็มีพื้นจาก SQL รองรับแล้ว เรียนหลังเลิกงานวันละชั่วโมงก็ไปต่อได้เรื่อยๆ ครับ

TB
Tan B.
วิศวกรโยธา
❝
★★★★★

ตอนทำ 20 Projects มีติดบ้าง แต่ถามใน Discord แล้วได้คำตอบไวมาก ไม่รู้สึกว่าเรียนคนเดียว ไปสัมภาษณ์มา กรรมการถามถึงโปรเจกต์ในพอร์ตเกือบทั้งรอบ เพราะมันจับต้องได้จริงค่ะ

MC
Mook C.
Graphic Designer

ได้อะไรบ้างในชุดนี้ ?

  • Fastlane Data Analytics ครบ — ปูพื้นฐาน Excel/SQL/Python เบื้องต้น, EDA, Data Visualization, Storytelling
  • 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
  • 20 Project จบ ครบ Portfolio ครบ — ลงมือทำ 20 โปรเจกต์จริง ครอบคลุมทุกทักษะที่เรียนมา พร้อมคำแนะนำเตรียมพอร์ตสมัครงาน
  • Certificate ครบทั้ง 4 คอร์ส เมื่อเรียนจบแต่ละคอร์ส
  • เรียนได้ ตลอดชีพ ทั้ง 4 คอร์ส พร้อมสิทธิ์เข้า Discord community ตลอดไป

ทำไมถึงคุ้ม ?

  • ซื้อแยกทีละคอร์ส: Fastlane (฿999) + SQL (฿499) + Python (฿499) + 20 Projects Portfolio (฿1,999) = ฿3,996
  • ซื้อเป็นชุด Zero to Portfolio Bundle จ่ายแค่ ฿3,199 — ประหยัดไป ฿797 ทันที
  • ได้เส้นทางการเรียนที่ออกแบบมาให้ต่อกันเป็นระบบ จากศูนย์จนถึงมีผลงานจริง ไม่ต้องมานั่งคิดเองว่าคอร์สไหนควรเรียนก่อน-หลัง
  • ซื้อครั้งเดียว จบครบทั้ง 4 คอร์ส ไม่ต้องกลับมาตัดสินใจซื้อซ้ำทีละคอร์สระหว่างทาง

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 คอร์สในชุดนี้ให้ต่อเนื่องกันเป็นเส้นทางเดียวตั้งแต่วันแรกที่ยังไม่รู้อะไรเลย จนถึงวันที่มีพอร์ตพร้อมสมัครงาน

ราคา ฿3,199 — ตลอดชีพ ครบทั้ง 4 คอร์ส

Membership Instructor

Nut Khuannaen Nut Khuannaen Author
 

Lifetime

฿3,199.00
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 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 20 Projects
  • ระดับที่ 1 — เริ่มต้น (โปรเจคที่ใช้ Excel/Google Sheets/SQL พื้นฐาน)
    • Query ข้อมูลลูกค้าด้วย SQL เบื้องต้น (SELECT, WHERE, JOIN)
    • วิเคราะห์ผลสำรวจความพึงพอใจลูกค้า (Survey/NPS)
    • ทำความสะอาดข้อมูล (Data Cleaning) จากไฟล์ดิบที่มีปัญหา
    • Dashboard ยอดขายรายสาขาด้วย Pivot Table
    • วิเคราะห์การเข้าชมเว็บไซต์เบื้องต้น (Traffic Overview)
  • ระดับที่ 2 — ปานกลาง (Python/Tableau/Power BI, วิเคราะห์เชิงลึกขึ้น)
    • วิเคราะห์พฤติกรรมลูกค้าด้วย Python + Pandas
    • แบ่งกลุ่มลูกค้าด้วย RFM Segmentation
    • สร้าง Dashboard ด้วย Tableau/Power BI (KPI Sales Dashboard)
    • วิเคราะห์ Sales Funnel ร้านค้าออนไลน์
    • วิเคราะห์อัตราการลาออกพนักงาน (HR Attrition Analysis)
    • วิเคราะห์ Engagement บน Social Media
    • วิเคราะห์ ROI แคมเปญการตลาด
  • ระดับที่ 3 — ขั้นสูง (Storytelling, Forecasting, End-to-end)
    • วิเคราะห์ Cohort Retention ของแอปพลิเคชัน
    • พยากรณ์ยอดขาย (Sales Forecasting เบื้องต้น)
    • วิเคราะห์ประสิทธิภาพการจัดส่งสินค้า (Logistics/On-time Delivery)
    • ทดสอบ A/B Testing หน้า Landing Page
    • สร้าง Executive Summary Dashboard เล่าเรื่องให้ผู้บริหารฟัง
    • Capstone: โปรเจควิเคราะห์ธุรกิจแบบ End-to-End ตั้งแต่ Clean → Analyze → Dashboard → Presentation
  • Nice To Have This
    • สร้าง Chatbot วิเคราะห์ข้อมูลด้วย AI

Leave a Reply

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