วิธีการย้ายสายงานมาทำงานด้าน Data ด้วยตัวเอง (แผน 6 เดือน ฉบับคนมีงานประจำ)

สวัสดีคร้าบบบ วันนี้ขอเปิดด้วยเรื่องของคนคนหนึ่งก่อนจะเริ่มกันนะครับ

สมมติว่าเธอชื่อ “เมย์” อายุ 29 ทำงานเป็นแอดมินฝ่ายขายในบริษัทขายอุปกรณ์สำนักงานมา 6 ปี ทุกเช้าวันจันทร์เมย์จะเปิด Excel ดึงยอดขายของสัปดาห์ก่อน ทำ Pivot Table ใส่สีให้สวย แล้วส่งให้หัวหน้าก่อน 10 โมง ทำแบบนี้มาเกือบ 300 รอบแล้ว (นับดูแล้วก็ตกใจเอง 555)

จนวันหนึ่งหัวหน้าถามกลับมาว่า “แล้วทำไมยอดภาคอีสานถึงตกล่ะ” เมย์ตอบไม่ได้ครับ เธอรู้ว่าตัวเลขคือเท่าไหร่ แต่ไม่เคยมีใครสอนให้หาว่า ทำไม คืนนั้นเธอเลยพิมพ์ค้นหาว่า “ย้ายสายงานมาทำงานด้าน Data ต้องทำยังไง” แล้วก็เจอคำตอบเป็นร้อยแบบ บางคนบอกให้ลาออกไปเรียน Bootcamp บางคนบอกว่าสายเกินไปแล้วเพราะ AI ทำแทนได้หมด

บทความนี้ผมเขียนให้คนแบบเมย์ครับ คนที่มีงานประจำ มีภาระ ลาออกมาเรียนเต็มเวลาไม่ได้ แต่อยากย้ายสายงานมาทำงานด้าน Data ด้วยตัวเองแบบมีแผน เราจะเดินตามเมย์ไป 6 เดือน ตั้งแต่เช็กตลาด เลือกตำแหน่ง วางแผนเรียน ทำ Portfolio ไปจนถึงยื่นใบสมัครงานแรกกันครับ

เลือกอ่านเฉพาะหัวข้อ

ย้ายสายงานมาทำ Data ด้วยตัวเอง ยังเป็นไปได้ไหมในปี 2026

ก่อนที่เมย์จะเสียเงินซื้อคอร์สแรก หรือเสียเวลาหลังเลิกงานไปอีกครึ่งปี มีคำถามหนึ่งที่ต้องตอบให้ได้ก่อนครับ คือการเปลี่ยนสายงานมาทำ Data ตอนนี้ยังคุ้มอยู่ไหม เพราะถ้าคำตอบคือไม่ ที่เหลือของบทความนี้ก็ไม่ต้องอ่านแล้ว (แอดก็ไม่ต้องเขียนต่อด้วย 555)

ผมขอตอบแบบตรงๆ ว่า ยังเป็นไปได้ แต่ไม่ง่ายเท่าเมื่อ 4-5 ปีก่อน และเหตุผลมีทั้งข่าวดีกับข่าวที่ต้องฟังให้จบครับ

ข่าวดี: โลกยังต้องการคนที่ใช้ข้อมูลเป็น

เริ่มจากภาพใหญ่ก่อน รายงาน Future of Jobs Report 2025 ของ World Economic Forum สำรวจนายจ้างทั่วโลกแล้วพบว่า สามอาชีพที่โตเร็วที่สุดในเชิงเปอร์เซ็นต์จนถึงปี 2030 คือ Big Data Specialists, Fintech Engineers และ AI and Machine Learning Specialists อันดับหนึ่งคือสายข้อมูลตรงๆ เลยครับ

รายงานเดียวกันยังบอกอีกว่า ทักษะหลักของคนทำงานราว 39% จะเปลี่ยนไปภายในปี 2030 แปลว่าคนที่กำลังเรียนทักษะใหม่ไม่ได้มีแค่เมย์ เกือบทุกอาชีพต้องขยับเหมือนกันหมด

แต่จุดที่ผมชอบที่สุดในรายงานนี้อยู่อีกฝั่งหนึ่งครับ ในกลุ่มอาชีพที่หดตัวเร็วที่สุด มี Data Entry Clerks หรือพนักงานคีย์ข้อมูลติดอยู่ด้วย ลองเอาสองฝั่งมาวางคู่กันดูนะครับ

คนที่กรอกข้อมูล กำลังลดลง คนที่ใช้ข้อมูลตัดสินใจ กำลังเพิ่มขึ้น

งานของเมย์ตอนนี้อยู่ตรงกลางพอดี เธอดึงตัวเลขมาจัดรูปแบบแล้วส่งต่อ ซึ่งค่อนไปทางฝั่งแรก คำถามของหัวหน้าเรื่องยอดภาคอีสานคือประตูไปฝั่งที่สอง การย้ายสายของเธอจึงเป็นการขยับจากฝั่งที่กำลังหดไปฝั่งที่กำลังโต มากกว่าจะเป็นการวิ่งตามกระแส

ข่าวที่ต้องฟังให้จบ: ประตูระดับเริ่มต้นแคบลง

ทีนี้มาฝั่งที่ไม่ค่อยมีใครอยากพูดบ้างครับ (ฟังดูน่ากลัวไหมครับ)

ทีมวิจัยจาก Stanford Digital Economy Lab เผยแพร่งานชื่อ Canaries in the Coal Mine? โดยใช้ข้อมูลเงินเดือนจากผู้ให้บริการระบบ payroll รายใหญ่ที่สุดในสหรัฐฯ แล้วพบว่าคนทำงานช่วงต้นอาชีพ อายุ 22-25 ปี ในกลุ่มอาชีพที่ AI เข้ามาเกี่ยวข้องมากที่สุด มีการจ้างงานลดลงเชิงเปรียบเทียบราว 16% ส่วนคนที่มีประสบการณ์มากกว่าในอาชีพเดียวกัน การจ้างงานยังทรงตัวหรือโตต่อ

ต้องหมายเหตุไว้สองข้อครับ ข้อแรก นี่เป็นข้อมูลของสหรัฐฯ ไม่ใช่ไทย ข้อสอง ตัวเลข 16% เป็นการเทียบกับกลุ่มอื่น ไม่ได้แปลว่างานหายไป 16% ตรงๆ แต่ทิศทางของมันบอกเราชัดพอว่า งานระดับเริ่มต้นที่ทำตามขั้นตอนตายตัว เป็นส่วนที่โดน AI กระทบก่อน

เรื่องนี้ผมเคยเขียนไว้ยาวๆ ในบทความ อนาคตสายงาน Data ในยุคที่ AI เติบโต ใครอยากอ่านมุมนั้นเต็มๆ ตามไปได้ครับ ตรงนี้ขอหยิบมาแค่ประเด็นเดียวที่เกี่ยวกับคนย้ายสาย

แล้วคนย้ายสายได้เปรียบตรงไหน

งานวิจัยชิ้นเดิมมีอีกข้อค้นพบหนึ่งที่สำคัญมากครับ คือการจ้างงานที่ลดลงกระจุกอยู่ในงานที่ AI เข้ามาทำแทน มากกว่างานที่ AI เข้ามาช่วยเสริมคน

จากตรงนี้เป็นความเห็นส่วนตัวของผมแล้วนะครับ (ไม่ใช่ข้อสรุปของงานวิจัย) ผมมองว่าคนย้ายสายมีของอย่างหนึ่งที่เด็กจบใหม่ไม่มี นั่นคือ ความเข้าใจธุรกิจจากงานเดิม

เมย์เขียน SQL ไม่เป็นก็จริง แต่เธอรู้ว่าลูกค้ากลุ่มไหนชอบสั่งของปลายเดือน รู้ว่าเซลส์คนไหนคีย์ข้อมูลผิดบ่อย รู้ว่าโปรโมชันไตรมาสที่แล้วทำให้ยอดเพี้ยนตรงไหน ความรู้แบบนี้ไม่มีในตำรา และ AI ก็ไม่รู้ถ้าไม่มีใครบอกมัน

เพราะฉะนั้นเป้าหมายของคนย้ายสายในปี 2026 คือเป็น “คนที่เข้าใจงานขายและใช้ข้อมูลตอบคำถามได้” ซึ่งต่างจากการเป็น Data Analyst มือใหม่ที่เริ่มจากศูนย์ สองอย่างนี้ฟังคล้ายกัน แต่ตอนสมัครงานมันต่างกันมากครับ (เดี๋ยวเราจะกลับมาเรื่องนี้อีกทีในหัวข้อสุดท้าย)

“ด้วยตัวเอง” ในบทความนี้แปลว่าอะไร

ขอตกลงความหมายกันก่อนเดินต่อนะครับ เพราะคำนี้ชวนเข้าใจผิดได้

“ด้วยตัวเอง” ของผมไม่ได้แปลว่าห้ามเรียนคอร์ส ห้ามถามใคร หรือต้องนั่งงมคนเดียว ความหมายของมันคือ เราเป็นเจ้าของแผน ครับ เราเลือกเองว่าจะไปตำแหน่งไหน เรียนอะไรก่อนหลัง และใช้อะไรพิสูจน์ตัวเอง โดยไม่ยกการตัดสินใจทั้งหมดให้หลักสูตรสำเร็จรูปของใคร

คอร์สเรียน หนังสือ YouTube หรือ AI ที่ช่วยอธิบายโค้ด ล้วนเป็นเครื่องมือในแผน ส่วนตัวแผนต้องเป็นของเรา

และขอตั้งความคาดหวังไว้ตรงนี้เลยว่า 6 เดือนในบทความนี้หมายถึง 6 เดือนจนพร้อมยื่นสมัคร ไม่ได้การันตีว่าจะได้งานภายใน 6 เดือน ใครบอกว่าการันตีได้ แอดว่าต้องระวังไว้หน่อยครับ

การบ้านข้อแรกของเมย์

ก่อนจบหัวข้อนี้ เมย์ตอบคำถามเช็กตัวเอง 3 ข้อ ผมอยากให้ทุกคนลองตอบไปพร้อมกันครับ

  1. เรามีเวลาเท่าไหร่ต่อสัปดาห์ เมย์ตอบว่าวันธรรมดาคืนละ 1 ชั่วโมง กับเช้าวันเสาร์อีก 3 ชั่วโมง รวมประมาณ 8 ชั่วโมง
  2. เราชอบส่วนไหนของงานปัจจุบัน เมย์ชอบตอนที่ได้เห็นตัวเลขแล้วเดาว่าเกิดอะไรขึ้น มากกว่าตอนจัดหน้าตารางให้สวย
  3. เรายอมรับอะไรได้บ้างถ้าต้องเริ่มใหม่ เมย์ยอมรับตำแหน่งที่ไม่ได้สูงขึ้นได้ แต่รับเงินเดือนที่ลดลงมากๆ ไม่ได้

ข้อ 1 จะกลายเป็นตารางเรียนในแผน 6 เดือน ข้อ 3 จะมีผลตอนเลือกว่าจะสมัครที่ไหน ส่วนข้อ 2 เป็นข้อที่ต้องใช้ก่อนเพื่อนเลยครับ

เพราะพอเรารู้แล้วว่าประตูยังเปิดอยู่ คำถามต่อมาคือ “งานด้าน Data” ที่พูดกันมันมีหลายตำแหน่งมาก แล้วคนที่ชอบหาคำตอบจากตัวเลขอย่างเมย์ควรเดินไปทางไหน หัวข้อถัดไปเราจะมาดูกันครับ

สายงาน Data มีอะไรบ้าง และต้นทุนเดิมของเราเหมาะกับตรงไหน

พอเมย์รู้แล้วว่าประตูยังเปิดอยู่ เธอก็เข้าเว็บหางานแล้วพิมพ์คำว่า “Data” ลงไปครับ ผลที่ได้คือชื่อตำแหน่งเต็มหน้าจอ Data Analyst, BI Analyst, Data Engineer, Data Scientist, Analytics Engineer แล้วก็ยังมี Sales Analyst กับ Business Analyst โผล่มาปนอีก (เอาอีกแล้ว 😂)

คำถามว่าสายงาน Data มีอะไรบ้างจึงเป็นด่านแรกที่คนย้ายสายเกือบทุกคนติด และถ้าเลือกผิดตั้งแต่ตรงนี้ เราอาจเสียเวลาเรียนของที่ตำแหน่งเป้าหมายไม่ได้ใช้เลยเป็นเดือนๆ

ข่าวดีคือเราไม่ต้องจำชื่อตำแหน่งทั้งหมดครับ ให้ดูว่า แต่ละตำแหน่งตอบคำถามแบบไหน ก็พอ

4 ตำแหน่งหลัก แยกด้วยคำถามที่ตอบ

ผมขอยืมคำอธิบายจาก Career Center ของ Georgetown University ซึ่งสรุปไว้กระชับดี แล้วเติมมุมของคนย้ายสายเข้าไปนะครับ

Data Analyst คือคนที่วิเคราะห์ข้อมูลที่มีอยู่แล้วเพื่อช่วยให้บริษัทตัดสินใจได้ดีขึ้น โดยทำงานกับข้อมูลแบบมีโครงสร้าง ใช้เครื่องมืออย่าง SQL, Python หรือ R, โปรแกรมทำ Visualization และสถิติ คำถามประจำตำแหน่งคือ “เกิดอะไรขึ้น และทำไม” ซึ่งก็คือคำถามเรื่องยอดภาคอีสานที่หัวหน้าถามเมย์นั่นเอง

BI Analyst (Business Intelligence) อยู่ใกล้กับ Data Analyst มากครับ จากที่ผมเห็น หลายบริษัทในไทยใช้สองชื่อนี้สลับกันด้วยซ้ำ ถ้าจะแยก BI มักเน้นการสร้าง Dashboard และ report ที่คนทั้งองค์กรเปิดดูได้เองทุกวัน คำถามประจำตำแหน่งคือ “ตอนนี้ธุรกิจเป็นยังไง”

Data Engineer คือคนดูแลการเคลื่อนย้ายและจัดเก็บข้อมูล รวมถึงแปลงข้อมูลขนาดใหญ่ให้อยู่ในรูปที่พร้อมวิเคราะห์ งานหลักคือออกแบบ สร้าง ทดสอบ และดูแลระบบจัดการข้อมูล คำถามประจำตำแหน่งคือ “จะส่งข้อมูลที่เชื่อถือได้ไปถึงมือคนใช้ได้ยังไง” ตำแหน่งนี้ใกล้กับงานเขียนโปรแกรมมากที่สุด

Data Scientist คือคนที่วิเคราะห์ข้อมูลซับซ้อนด้วยเทคนิคขั้นสูงกว่า เพื่อทำนายสิ่งที่จะเกิดขึ้นในอนาคต คำถามประจำตำแหน่งคือ “ต่อไปจะเกิดอะไรขึ้น” ต้องใช้สถิติและ Machine Learning หนักกว่าเพื่อน

สรุปเป็นตารางให้ดูง่ายๆ ครับ (คอลัมน์สุดท้ายเป็นความเห็นส่วนตัวของผมล้วนๆ นะ)

ตำแหน่งคำถามที่ตอบเครื่องมือหลักความยากสำหรับคนย้ายสาย
Data Analystเกิดอะไรขึ้น และทำไมExcel/Sheets, SQL, BI toolเข้าถึงง่ายที่สุด
BI Analystตอนนี้ธุรกิจเป็นยังไงSQL, Power BI/Tableau/Looker Studioเข้าถึงง่าย
Data Engineerข้อมูลจะไปถึงคนใช้ยังไงSQL, Python, ระบบ Cloudยาก ถ้าไม่มีพื้นเขียนโปรแกรม
Data Scientistต่อไปจะเกิดอะไรขึ้นPython, สถิติ, Machine Learningยากที่สุด

มีอีกเรื่องที่อยากให้สังเกตครับ ตำแหน่งอย่าง Sales Analyst, Marketing Analyst หรือ Operations Analyst ที่เมย์เห็นปนมาในผลค้นหา จริงๆ แล้วเนื้องานคือ Data Analyst ที่ประจำอยู่ในแผนกนั้นๆ ตำแหน่งกลุ่มนี้คนย้ายสายมักมองข้าม ทั้งที่เป็นประตูที่กว้างที่สุดสำหรับคนมีประสบการณ์ในแผนกนั้นอยู่แล้ว

สำรวจต้นทุนเดิม: เราไม่ได้เริ่มจากศูนย์

คนย้ายสายส่วนใหญ่ชอบพูดว่า “ผมไม่มีพื้นฐานอะไรเลย” ซึ่งแอดว่าไม่จริงครับ เรามีต้นทุนอยู่แล้ว เพียงแต่ยังไม่เคยเรียกมันด้วยภาษาของคนทำ Data

วิธีสำรวจที่ผมแนะนำคือเอากระดาษมาแบ่ง 3 ช่อง แล้วเขียนงานที่ทำอยู่ทุกวันลงไป

ช่องที่ 1: ทักษะเครื่องมือ อะไรก็ตามที่เราใช้จัดการตัวเลขหรือตารางอยู่แล้ว

ช่องที่ 2: ความรู้ธุรกิจ สิ่งที่เรารู้เกี่ยวกับลูกค้า สินค้า หรือกระบวนการ ที่คนนอกแผนกไม่รู้

ช่องที่ 3: ทักษะการสื่อสาร ประสบการณ์ที่ต้องอธิบายตัวเลขหรือเรื่องยากๆ ให้คนอื่นฟัง

ลองดูกระดาษของเมย์กันครับ

  • เครื่องมือ: Pivot Table, VLOOKUP, ทำกราฟใน Excel, ดึงไฟล์จากระบบขายของบริษัท
  • ธุรกิจ: รู้จักลูกค้ารายใหญ่เกือบทุกราย รู้ว่ายอดขายขึ้นลงตามช่วงไหนของปี รู้ว่าข้อมูลในระบบขายช่องไหนเชื่อได้ ช่องไหนเซลส์ชอบคีย์ผิด
  • สื่อสาร: ส่ง report ให้หัวหน้าทุกสัปดาห์มา 6 ปี ตอบคำถามเซลส์เรื่องตัวเลขแทบทุกวัน

พอเขียนออกมา เมย์ก็เห็นว่าตัวเองไม่ได้ว่างเปล่าอย่างที่คิด ช่องที่ 2 กับ 3 ของเธอแน่นมาก ซึ่งเป็นสองช่องที่สอนกันในคอร์สไม่ได้ ช่องที่ขาดจริงๆ มีแค่ช่องที่ 1 และเป็นช่องที่เรียนเพิ่มได้ง่ายที่สุดด้วย

ตรงนี้คือสิ่งที่ผมพูดไว้ในหัวข้อก่อนเรื่องข้อได้เปรียบของคนย้ายสายครับ พอเห็นบนกระดาษแล้วมันชัดขึ้นเยอะ

จับคู่ต้นทุนกับตำแหน่ง

ทีนี้เอากระดาษสำรวจมาเทียบกับตาราง 4 ตำแหน่งด้านบน แล้วถามตัวเอง 2 ข้อครับ

ข้อแรก ตำแหน่งไหนใช้ต้นทุนเดิมของเราได้มากที่สุด สำหรับเมย์ ความรู้เรื่องงานขายมีค่ามากในตำแหน่งที่ต้องตอบคำถามธุรกิจ ซึ่งก็คือ Data Analyst กับ BI Analyst ส่วน Data Engineer แทบไม่ได้ใช้ความรู้ส่วนนี้เลย

ข้อสอง เราชอบงานแบบไหน จำการบ้านข้อ 2 ของเมย์ได้ไหมครับ เธอตอบว่าชอบตอนที่ได้เห็นตัวเลขแล้วเดาว่าเกิดอะไรขึ้น มากกว่าตอนจัดหน้าตารางให้สวย คำตอบนี้ชี้ไปที่ Data Analyst ตรงๆ เลย

เมย์จึงตั้งเป้าไว้แบบนี้ครับ

เป้าหลัก: Data Analyst หรือ Sales Analyst ในธุรกิจค้าส่งหรือค้าปลีก เป้ารอง: BI Analyst

การเขียนเป้าให้เจาะจงขนาดนี้มีประโยชน์มากครับ เพราะมันบอกทันทีว่าอะไร ไม่ต้องเรียนตอนนี้ เมย์ตัด Machine Learning, Deep Learning และระบบ Cloud ออกจากแผนได้เลย ของพวกนี้ดีและน่าสนใจ แต่มันเป็นของตำแหน่งอื่น

แล้วถ้าใครอยากเป็น Data Scientist หรือ Data Engineer จริงๆ ล่ะ ผมไม่ได้บอกว่าเป็นไปไม่ได้นะครับ แต่สำหรับคนที่ไม่มีพื้นเขียนโปรแกรมและมีเวลาสัปดาห์ละ 8 ชั่วโมง เส้นทางที่ผมเห็นว่าเป็นจริงได้มากกว่าคือเข้าทาง Data Analyst ก่อน แล้วค่อยขยับต่อจากข้างใน

ตอนนี้เมย์มีครบสองอย่างแล้วครับ คือรู้ว่าจะไปไหน และรู้ว่าตัวเองมีอะไรติดตัวอยู่บ้าง ช่องว่างตรงกลางระหว่างสองอย่างนี้คือสิ่งที่ต้องเรียน คำถามต่อมาคือต้องเรียนอะไร เรียงลำดับยังไง และจะยัดลงไปในเวลาสัปดาห์ละ 8 ชั่วโมงได้ยังไง หัวข้อถัดไปเราจะมาวางแผน 6 เดือนกันครับ

เรียน Data ด้วยตัวเอง เริ่มจากอะไร: แผน 6 เดือนสำหรับคนมีงานประจำ

จากหัวข้อก่อน เมย์มีเป้าชัดแล้วว่าจะไปทาง Data Analyst และรู้ว่าช่องที่ตัวเองขาดคือทักษะเครื่องมือ ปัญหาถัดมาคือพอค้นคำว่า “Data Analyst เริ่มจากอะไร” ก็จะเจอ Roadmap ยาวเป็นหางว่าว มีทั้ง SQL, Python, R, สถิติ, Power BI, Tableau, Machine Learning, Git, Cloud อ่านจบแล้วอยากปิดคอมไปนอนเลยครับ 555

การเรียน Data ด้วยตัวเองมีข้อดีที่เราเลือกเองได้หมด ข้อเสียก็คือข้อเดียวกันนี่แหละ ไม่มีใครบอกว่าอะไรต้องมาก่อน อะไรข้ามได้ ผมเลยขอวางหลักไว้ 3 ข้อก่อนลงรายเดือนครับ

  1. เรียนเรียงตามงานจริง คือ เอาข้อมูลมา → ถามข้อมูล → แสดงผล → ทำซ้ำให้เร็วขึ้น
  2. เครื่องมือละตัวพอ BI tool เลือกตัวเดียว ภาษาเขียนโปรแกรมเลือกภาษาเดียว
  3. ทุกเดือนต้องมีของออกมา 1 ชิ้น ดูวิดีโอจบยังไม่นับว่าเรียนจบ ต้องมีไฟล์ที่เปิดให้คนอื่นดูได้

จัดเวลา 8 ชั่วโมงต่อสัปดาห์ก่อน

เมย์มีเวลาคืนวันธรรมดาคืนละ 1 ชั่วโมง กับเช้าวันเสาร์ 3 ชั่วโมง เธอแบ่งหน้าที่ของเวลาสองก้อนนี้ให้ต่างกันครับ

  • คืนวันธรรมดา = เรียน อ่านหรือดูบทเรียนสั้นๆ แล้วทำแบบฝึกหัดตาม
  • เช้าวันเสาร์ = ลงมือทำ ปิดบทเรียนทั้งหมด แล้วเอาสิ่งที่เรียนในสัปดาห์นั้นมาใช้กับข้อมูลยอดขาย

การแบ่งแบบนี้ช่วยกันกับดักที่คนเรียนเองติดกันเยอะที่สุด คือเรียนคอร์สต่อคอร์สไปเรื่อยๆ รู้สึกว่าเก่งขึ้นทุกวัน แต่พอเจอตารางเปล่าๆ กลับเริ่มไม่ถูก (แอดก็เคยเป็นครับ ยอมรับตรงนี้เลย)

6 เดือนของเมย์รวมแล้วประมาณ 200 ชั่วโมง ตัวเลขนี้ไม่พอให้เก่งทุกอย่าง แต่พอสำหรับ 4 ก้อนต่อไปนี้ครับ

เดือนที่ 1: Spreadsheet ให้แน่น และฝึกตั้งคำถาม

หลายคนอยากข้ามขั้นนี้เพราะคิดว่าใช้ Excel เป็นอยู่แล้ว เมย์ก็คิดแบบนั้นครับ แต่การใช้ Excel ทำ report กับการใช้วิเคราะห์เป็นคนละเรื่องกัน

เดือนแรกเธอเลยเก็บ 3 เรื่อง คือการทำความสะอาดข้อมูล (ค่าว่าง ค่าซ้ำ วันที่ผิดรูปแบบ) สถิติพื้นฐานอย่างค่าเฉลี่ยกับมัธยฐาน และการฝึกเขียนคำถามก่อนเปิดไฟล์ทุกครั้ง

ของที่ต้องได้ปลายเดือน: ไฟล์วิเคราะห์ยอดขายรายภาค 1 ไฟล์ ที่ตอบได้ว่ายอดภาคอีสานตกในเดือนไหน กลุ่มสินค้าอะไร

เดือนที่ 2-3: SQL

ก้อนนี้ผมให้เวลามากที่สุดคือ 2 เดือนเต็มครับ เพราะ SQL คือภาษาที่ใช้ดึงข้อมูลออกจากฐานข้อมูล และเป็นทักษะที่ประกาศงาน Data Analyst ขอกันแทบทุกตำแหน่ง ขนาดในกลุ่มนักพัฒนาซอฟต์แวร์เอง ผลสำรวจ Stack Overflow Developer Survey 2025 ก็ยังพบว่า SQL อยู่อันดับ 3 ของภาษาที่ถูกใช้มากที่สุด นำหน้า Python ด้วยซ้ำ

ข้อดีอีกอย่างคือ SQL อ่านแล้วใกล้ภาษาคนมากครับ คำถามที่เมย์ตอบด้วย Pivot Table ในเดือนแรก เขียนเป็น SQL ได้แบบนี้

sql

SELECT region, SUM(amount) AS total_sales
FROM sales
GROUP BY region;

แปลเป็นไทยได้ว่า “จากตาราง sales ขอดูชื่อภาคกับยอดขายรวม โดยรวมยอดแยกตามภาค” แค่นี้เองครับ

ลำดับที่แนะนำคือ SELECT, WHERE, GROUP BY, JOIN แล้วปิดท้ายด้วย Window Function พื้นฐาน ใครยังไม่เคยเขียนเลย เริ่มจากบทความ SQL 101 มาเขียน Query แรกในชีวิตกันเถ้อะ ได้ครับ

ของที่ต้องได้ปลายเดือนที่ 3: ชุดคำถามธุรกิจ 10 ข้อ พร้อม Query ที่ตอบได้ครบทุกข้อ

เดือนที่ 4: BI Tool หนึ่งตัว

พอดึงข้อมูลได้แล้ว ขั้นต่อไปคือทำให้คนอื่นเห็นภาพโดยไม่ต้องมาถามเราทุกครั้ง ตรงนี้เลือกเครื่องมือ ตัวเดียว นะครับ ตัวไหนก็ได้ เพราะหลักการออกแบบ Dashboard ใช้ข้ามเครื่องมือได้หมด ใครยังเลือกไม่ถูก ผมเทียบไว้ให้แล้วในบทความ Power BI vs Tableau vs Looker Studio

เมย์เลือก Looker Studio เพราะใช้ฟรีและต่อกับ Google Sheets ได้ทันที

ของที่ต้องได้ปลายเดือน: Dashboard ยอดขาย 1 หน้า ที่หัวหน้าเปิดดูเองได้ทุกเช้าวันจันทร์ (ซึ่งแปลว่าเมย์จะไม่ต้องนั่งทำ report เดิมซ้ำอีกแล้ว ได้ประโยชน์ตั้งแต่ยังไม่ย้ายงานเลยครับ)

เดือนที่ 5: Python เบื้องต้น

ผมจงใจวาง Python ไว้เกือบท้ายสุดครับ เพราะสำหรับตำแหน่ง Data Analyst ระดับเริ่มต้น SQL กับ BI tool ถูกใช้บ่อยกว่ามาก เป้าของเดือนนี้จึงแค่ให้ อ่านโค้ดออก และใช้ pandas จัดการตารางพื้นฐานได้ ยังไม่ต้องถึงขั้นเขียนคล่อง

จุดเริ่มที่ง่ายที่สุดคือเอางานที่เคยทำใน Spreadsheet มาทำซ้ำด้วย Python ซึ่งผมเขียนไว้ในบทความ Python เบื้องต้นสำหรับ Data Analyst

ของที่ต้องได้ปลายเดือน: Notebook 1 ไฟล์ ที่ทำความสะอาดข้อมูลยอดขายแบบเดียวกับที่เคยทำมือในเดือนแรก

เดือนที่ 6: เก็บงานและเตรียมสมัคร

เดือนสุดท้ายไม่เรียนอะไรใหม่ครับ ใช้เวลาทั้งหมดเก็บของที่ทำมา 5 เดือนให้เป็นชิ้นงานที่โชว์ได้ เรื่องนี้จะลงรายละเอียดในหัวข้อถัดไป

ใช้ AI ช่วยเรียนได้ไหม

ได้ครับ และควรใช้ด้วย ผลสำรวจ Stack Overflow ปีเดียวกันบอกว่านักพัฒนา 44% ใช้ AI ช่วยเรียนภาษาหรือเทคนิคใหม่ในปีที่ผ่านมา แต่ก็มีอีกตัวเลขที่ต้องดูคู่กัน คือ 45% บอกว่าปัญหาหลักคือคำตอบจาก AI ที่ “เกือบถูก แต่ไม่ถูก”

กติกาของเมย์เลยเป็นแบบนี้ครับ ให้ AI อธิบาย แต่ไม่ให้ AI ทำการบ้านแทน เวลา Query พัง เธอถามว่าพังเพราะอะไร แล้วกลับไปแก้เอง เพราะคนที่ยังอ่าน SQL ไม่ออกจะไม่มีทางรู้เลยว่าคำตอบที่ได้มานั้นเกือบถูกหรือถูกจริง

ส่วนแหล่งเรียน จะใช้ของฟรีใน YouTube หนังสือ หรือคอร์สก็ได้ทั้งนั้นครับ (ถ้าชอบอ่านมากกว่าดูวิดีโอ คอร์ส text-based ของผมอย่าง Fastlane Data Analytics ก็เป็นตัวเลือกหนึ่ง ขายของนิดเดียวพอครับ 555+) ตัวแหล่งเรียนไม่สำคัญเท่ากับการที่ทุกเดือนต้องมีของออกมาตามแผน

ครบ 5 เดือน เมย์จะมีไฟล์วิเคราะห์ ชุด Query, Dashboard และ Notebook อยู่ในเครื่อง แต่ของพวกนี้ยังเป็นแค่การบ้านที่มีเธอคนเดียวเข้าใจ คนที่คัดใบสมัครยังไม่เห็นมัน คำถามต่อมาคือจะเปลี่ยนการบ้านกองนี้ให้เป็นหลักฐานที่คนอื่นเชื่อได้ยังไง หัวข้อถัดไปเราจะมาทำ Portfolio กันครับ

สร้าง Portfolio Data Analyst จากงานประจำที่ทำอยู่

ผ่านมา 5 เดือน เมย์มีไฟล์วิเคราะห์ ชุด Query, Dashboard และ Notebook ครบตามแผนแล้วครับ แต่อย่างที่ทิ้งท้ายไว้ ของพวกนี้ยังเป็นการบ้านที่เธอเข้าใจอยู่คนเดียว เดือนที่ 6 คือเดือนที่ต้องเปลี่ยนมันให้เป็น Portfolio Data Analyst ที่คนแปลกหน้าเปิดดูแล้วเชื่อว่าเธอทำงานนี้ได้

ขอเคลียร์ความเข้าใจก่อนหนึ่งเรื่องครับ Portfolio ไม่ได้หมายถึงใบ Certificate ที่เอามาเรียงกัน ใบ Cert บอกได้แค่ว่าเราเรียนจบ ส่วน Portfolio ต้องตอบคำถามที่คนจ้างงานอยากรู้ที่สุด คือ “ถ้าโยนคำถามธุรกิจให้คนนี้ เขาจะพาไปถึงคำตอบได้ไหม”

และไม่ต้องทำเยอะด้วยครับ 2-3 ชิ้นที่ทำมาอย่างตั้งใจ ดีกว่า 10 ชิ้นที่ลอกตาม Tutorial

ทำไมควรเริ่มจากงานประจำ

โปรเจกต์ยอดนิยมของมือใหม่คือข้อมูลผู้โดยสารเรือ Titanic หรือข้อมูลดอกไม้ Iris ทำแล้วไม่ผิดอะไรครับ แต่คนคัดใบสมัครเห็นมาเป็นร้อยรอบแล้ว และโปรเจกต์แบบนั้นไม่ได้บอกเลยว่าเราเข้าใจธุรกิจ

คนย้ายสายมีทางที่ดีกว่านั้น คือหยิบคำถามจริงจากงานที่ทำอยู่มาเป็นโจทย์ เหตุผลมี 3 ข้อ

  1. คำถามมีเจ้าของ มีคนอยากรู้คำตอบจริงๆ เราไม่ได้ตั้งโจทย์ขึ้นมาเอง
  2. เรารู้บริบท รู้ว่าตัวเลขไหนแปลก และรู้ว่าต้องไปถามใครต่อ
  3. มันเล่าได้ตอนสัมภาษณ์ ประโยค “ผมทำสิ่งนี้แล้วหัวหน้าเอาไปใช้” หนักกว่า “ผมทำตามคอร์ส” หลายเท่า

จำกระดาษสำรวจต้นทุนของเมย์ได้ไหมครับ ช่องความรู้ธุรกิจที่แน่นมากของเธอจะได้ใช้เต็มๆ ก็ตรงนี้

แต่ข้อมูลบริษัท เอามาโชว์ตรงๆ ไม่ได้

ตรงนี้ต้องระวังให้มากครับ เพราะมีกำแพงอยู่ 2 ชั้น

ชั้นแรกคือข้อมูลส่วนบุคคล ตามกฎหมาย PDPA มาตรา 6 ข้อมูลส่วนบุคคลหมายถึงข้อมูลเกี่ยวกับบุคคลที่ทำให้ระบุตัวคนนั้นได้ ไม่ว่าทางตรงหรือทางอ้อม เช่น ชื่อ ที่อยู่ หรือหมายเลขประจำตัว ลูกค้าของเมย์ส่วนใหญ่เป็นบริษัท ซึ่งข้อมูลของนิติบุคคลไม่นับเป็นข้อมูลส่วนบุคคลตามกฎหมายนี้ก็จริง แต่ในไฟล์ของเธอยังมีชื่อและเบอร์โทรของผู้ติดต่อฝ่ายจัดซื้อติดอยู่ทุกแถว ข้อมูลส่วนนั้นเป็นข้อมูลส่วนบุคคลเต็มๆ ครับ (ใครอยากปูพื้นเรื่องนี้ อ่านต่อได้ในบทความ Data Privacy คืออะไร ?)

ชั้นที่สองคือความลับทางธุรกิจ ชั้นนี้คนลืมกันบ่อยครับ ยอดขาย ราคา ส่วนลด และรายชื่อลูกค้า ต่อให้ไม่มีชื่อคนสักคนเดียว ก็ยังเป็นข้อมูลของบริษัทอยู่ดี และสัญญาจ้างส่วนใหญ่ก็มีข้อห้ามเปิดเผยเขียนไว้

ผมไม่ใช่นักกฎหมายนะครับ ตรงนี้ไม่ใช่คำแนะนำทางกฎหมาย หลักที่แอดใช้เองคือ ถ้าไม่แน่ใจ ถือว่าเอาออกมาไม่ได้ แล้วเลือกทางใดทางหนึ่งใน 3 ทางนี้

ทางที่ 1: ขออนุญาต คุยกับหัวหน้าตรงๆ ว่าอยากนำงานวิเคราะห์ไปใช้เป็นผลงาน โดยตัดข้อมูลที่ระบุตัวลูกค้าและตัวเลขจริงออก บางบริษัทยอม บางบริษัทไม่ยอม แต่การถามก่อนคือวิธีที่ปลอดภัยที่สุด

ทางที่ 2: เก็บโครง เปลี่ยนเนื้อ สร้างข้อมูลจำลองขึ้นมาใหม่ทั้งชุด ให้มีคอลัมน์และลักษณะปัญหาเหมือนของจริง แต่ตัวเลข ชื่อสินค้า และรหัสลูกค้าเป็นของสมมติทั้งหมด แล้วเขียนกำกับให้ชัดว่าเป็นข้อมูลจำลอง

ทางที่ 3: ใช้ข้อมูลสาธารณะกับคำถามเดิม เอาคำถามจากงานจริงไปถามกับ dataset ที่เปิดให้ใช้ได้ เช่น ข้อมูลเปิดภาครัฐที่ data.go.th หรือชุดข้อมูลยอดขายร้านค้าบน Kaggle

เมย์เลือกทางที่ 2 ครับ เธอสร้างตารางยอดขายจำลองย้อนหลัง 3 ปี ใช้รหัสลูกค้าแบบสุ่ม ตั้งชื่อกลุ่มสินค้าใหม่ และไม่เอาไฟล์จริงออกจากเครื่องบริษัทเลยสักไฟล์ ข้อดีที่ตามมาคือเธอได้ฝึกออกแบบตารางข้อมูลเองไปด้วย

เล่าโปรเจกต์ด้วยโครง 5 ช่อง

ของที่ทำเสร็จแล้วยังต้องเล่าให้เป็นด้วยครับ คนคัดใบสมัครมีเวลาดูแต่ละคนไม่นาน ถ้าเปิดมาเจอโค้ดยาวเป็นหน้าโดยไม่มีคำอธิบาย เขาก็ปิด

โครงที่ผมแนะนำมี 5 ช่อง เขียนช่องละไม่กี่บรรทัดพอ

  1. คำถาม ธุรกิจอยากรู้อะไร
  2. ข้อมูล ใช้ข้อมูลอะไร ได้มายังไง มีข้อจำกัดอะไร
  3. วิธีทำ ใช้เครื่องมืออะไร ทำกี่ขั้น
  4. สิ่งที่พบ คำตอบคืออะไร พร้อมกราฟ 1-2 รูป
  5. ข้อเสนอ ถ้าเป็นเรา จะแนะนำให้ทำอะไรต่อ

ช่องที่ 5 คือช่องที่มือใหม่ข้ามกันบ่อยที่สุดครับ ทั้งที่มันคือสิ่งที่ทำให้เราเป็นคนใช้ข้อมูลตัดสินใจ ตามที่คุยกันไว้ตั้งแต่หัวข้อแรก

Portfolio 2 ชิ้นของเมย์

ชิ้นที่ 1: “ทำไมยอดขายภาคอีสานถึงตก” งานนี้ต่อยอดจากไฟล์เดือนที่ 1 และชุด Query เดือนที่ 2-3 ครับ เธอใช้ SQL แยกยอดตามภาค กลุ่มสินค้า และขนาดลูกค้า จนเจอ (ในข้อมูลจำลอง) ว่ายอดที่หายกระจุกอยู่ในลูกค้ารายเล็กของสินค้ากลุ่มเดียว แล้วปิดด้วยข้อเสนอว่าควรตรวจเงื่อนไขค่าจัดส่งของลูกค้ากลุ่มนั้น ชิ้นนี้ตอบคำถามที่เธอเคยตอบหัวหน้าไม่ได้ในวันแรกของเรื่องพอดี

ชิ้นที่ 2: Dashboard ยอดขายรายสัปดาห์ ชิ้นนี้คือ Dashboard ใน Looker Studio จากเดือนที่ 4 เวอร์ชันข้อมูลจำลอง พร้อมคำอธิบายสั้นๆ ว่าออกแบบให้ใครดู และแต่ละกราฟตอบคำถามอะไร

Notebook ภาษา Python จากเดือนที่ 5 เธอแนบเป็นภาคผนวกของชิ้นที่ 1 ให้เห็นว่าขั้นทำความสะอาดข้อมูลทำซ้ำได้ด้วยโค้ด

ส่วนที่เก็บผลงาน ไม่ต้องทำเว็บไซต์ให้ยุ่งยากครับ โค้ดกับ Query ฝากไว้บน GitHub ส่วน Dashboard ใช้ลิงก์แชร์ แล้วทำหน้าสรุป 1 หน้าที่รวมลิงก์ทั้งหมดพร้อมโครง 5 ช่องของแต่ละชิ้น ลิงก์เดียวนี้จะไปอยู่บนหัว Resume ของเธอ

ถึงตรงนี้เมย์มีครบแล้วครับ ทั้งเป้าหมาย ทักษะ และหลักฐาน เหลืออีกด่านเดียวซึ่งหลายคนกลัวที่สุด คือการเอาของทั้งหมดนี้ไปยื่นให้คนที่ไม่รู้จักเรา ในฐานะคนที่ไม่เคยมีคำว่า Data อยู่ในชื่อตำแหน่งมาก่อน จะยื่นที่ไหน และเขียนยังไงให้ประสบการณ์ 6 ปีในงานแอดมินกลายเป็นจุดแข็ง หัวข้อสุดท้ายเราจะมาดูกันครับ

สมัครงาน Data Analyst ครั้งแรกโดยไม่มีประสบการณ์ตรง

เมย์มีลิงก์ Portfolio อยู่ในมือแล้วครับ แต่พอเปิดประกาศงานจริง เกือบทุกตำแหน่งเขียนว่า “ประสบการณ์ด้าน Data Analysis 1-2 ปี” เธอก็กลับมาที่คำถามเดิมของคนที่อยากสมัครงาน Data Analyst ไม่มีประสบการณ์ตรงสายทุกคน คือ ถ้าไม่มีใครรับ แล้วจะเอาประสบการณ์มาจากไหน

ทางออกมี 2 เส้นทางครับ และผมแนะนำให้เดินไปพร้อมกันทั้งคู่

เส้นทางที่ 1: ขยับภายในบริษัทเดิมก่อน

เส้นทางนี้คนมองข้ามกันบ่อยที่สุด ทั้งที่มีโอกาสสำเร็จสูงมากครับ เพราะบริษัทเดิมรู้จักเราอยู่แล้ว เราไม่ต้องพิสูจน์ว่าเป็นคนรับผิดชอบงาน เหลือแค่พิสูจน์ทักษะใหม่

และนายจ้างเองก็มองหาทางนี้อยู่ครับ รายงาน Future of Jobs 2025 ฉบับเดียวกับที่เราเปิดดูตั้งแต่หัวข้อแรก ระบุว่านายจ้าง 85% วางแผนให้ความสำคัญกับการ Upskill พนักงานของตัวเอง และ 50% วางแผนย้ายพนักงานจากตำแหน่งที่กำลังหดไปสู่ตำแหน่งที่กำลังโต

สิ่งที่เมย์ทำนั้นง่ายมากครับ เช้าวันจันทร์ถัดมา เธอส่งลิงก์ Dashboard ให้หัวหน้าแทนไฟล์ Excel แบบเดิม แล้วแนบผลวิเคราะห์เรื่องยอดภาคอีสานที่ทำกับข้อมูลจริงภายในบริษัทไปด้วย (เวอร์ชันข้อมูลจริงอยู่ในบริษัท เวอร์ชันข้อมูลจำลองอยู่ใน Portfolio แยกกันชัดเจนตามที่คุยไว้ในหัวข้อก่อน)

จากนั้นเธอขอเพิ่มอีกอย่างหนึ่ง คือขอรับงานวิเคราะห์เพิ่มสัปดาห์ละครึ่งวัน โดยยังไม่ได้ขอเปลี่ยนตำแหน่ง

การขอแบบนี้หัวหน้าตอบรับง่าย และมันทำให้เมย์เขียนใน Resume ได้เต็มปากว่าเคยทำงานวิเคราะห์ข้อมูลในงานจริง ต่อให้สุดท้ายบริษัทไม่มีตำแหน่ง Data ให้ เธอก็ยังได้ประสบการณ์ที่ประกาศงานถามหาติดตัวไป

เส้นทางที่ 2: สมัครข้างนอกแบบเลือกสนาม

ถ้าต้องออกไปสมัครที่อื่น อย่าหว่านครับ ให้เลือกสนามที่ต้นทุนเดิมของเรามีค่าที่สุด

เมย์กลับไปดูเป้าที่ตั้งไว้ คือ Data Analyst หรือ Sales Analyst ในธุรกิจค้าส่งหรือค้าปลีก เธอจึงไม่สมัครตำแหน่ง Data Analyst ของบริษัทเกมหรือธนาคาร เพราะในสนามนั้นเธอคือมือใหม่จริงๆ แต่ถ้าเป็นบริษัทที่ขายสินค้าให้ลูกค้าองค์กร เธอมีประสบการณ์ 6 ปีและเข้าใจปัญหาของเขาตั้งแต่วันแรก

เรื่องคุณสมบัติในประกาศงาน ผมมีความเห็นส่วนตัวว่าไม่จำเป็นต้องตรงครบทุกข้อถึงจะสมัครได้ ถ้าทักษะหลักอย่าง SQL กับ BI tool ตรง และเรามีผลงานให้ดู ก็ยื่นไปเถอะครับ อย่างแย่ที่สุดก็คือเขาไม่เรียก

เขียน Resume: แปลงานเดิมเป็นภาษา Data

ข้อนี้สำคัญมากครับ เราไม่ได้โกหกเรื่องตำแหน่ง เราแค่เล่างานเดิมด้วยมุมของผลลัพธ์

ลองดูบรรทัดเดิมใน Resume ของเมย์

จัดทำรายงานยอดขายประจำสัปดาห์ส่งผู้บริหาร

กับบรรทัดที่เขียนใหม่

วิเคราะห์ยอดขายรายภาคและกลุ่มสินค้าด้วย SQL และสร้าง Dashboard ใน Looker Studio แทนรายงาน Excel รายสัปดาห์ ทำให้ทีมขายเปิดดูตัวเลขได้เองโดยไม่ต้องรอรายงาน

สองบรรทัดนี้พูดถึงงานเดียวกัน แต่บรรทัดหลังบอกครบทั้งเครื่องมือ วิธีทำ และผลที่เกิดขึ้น

หลักการจัด Resume ที่ผมแนะนำมี 3 ข้อ

  1. ลิงก์ Portfolio อยู่บนสุด ใต้ชื่อและช่องทางติดต่อ
  2. ทุกบรรทัดขึ้นต้นด้วยสิ่งที่ทำกับข้อมูล แล้วตามด้วยผลลัพธ์
  3. มีส่วน Skills แยกชัด ระบุเฉพาะเครื่องมือที่ใช้ได้จริงตามแผน 6 เดือน เครื่องมือที่แค่เคยเปิดดูไม่ต้องใส่

รายงานของ WEF ยังบอกด้วยว่าทักษะหลักที่นายจ้างต้องการมากที่สุดคือการคิดเชิงวิเคราะห์ โดยบริษัท 7 ใน 10 มองว่าจำเป็น Resume ที่เล่าว่าเราตั้งคำถามและหาคำตอบยังไง จึงตอบโจทย์นายจ้างมากกว่ารายชื่อเครื่องมือยาวๆ ครับ

เตรียมสัมภาษณ์ 3 คำถามที่เจอแน่

“ทำไมถึงอยากย้ายสาย” ตอบด้วยเรื่องจริงครับ เมย์เล่าเรื่องเช้าวันที่ตอบหัวหน้าไม่ได้ว่าทำไมยอดภาคอีสานตก เรื่องแบบนี้คนฟังจำได้ และมันบอกแรงจูงใจได้ดีกว่าประโยค “เพราะ Data เป็นเทรนด์”

“เล่าโปรเจกต์ให้ฟังหน่อย” ใช้โครง 5 ช่องเดิมได้เลย คือ คำถาม ข้อมูล วิธีทำ สิ่งที่พบ และข้อเสนอ ซ้อมพูดให้จบใน 3 นาที

แบบทดสอบ SQL หลายที่ให้เขียน Query สดครับ ชุดคำถาม 10 ข้อจากเดือนที่ 2-3 คือของที่ต้องกลับมาซ้อม ถ้าติดตรงไหนให้พูดวิธีคิดออกมาดังๆ เพราะคนสัมภาษณ์อยากเห็นว่าเราคิดยังไง มากกว่าจะดูว่าจำ syntax ได้ครบไหม

และถ้าโดนถามเรื่องที่ไม่รู้ ก็บอกตรงๆ ว่ายังไม่เคยทำ แล้วเล่าว่าจะไปหาคำตอบยังไง คนเรียนด้วยตัวเองมา 6 เดือนมีหลักฐานเรื่องนี้ชัดอยู่แล้วครับ

ตั้งความคาดหวังให้ตรง

ผมจะไม่บอกตัวเลขว่าต้องยื่นกี่ที่ หรือรอกี่เดือนนะครับ เพราะไม่มีข้อมูลที่เชื่อถือได้พอจะอ้าง และแต่ละคนต่างกันมาก ที่บอกได้คือการโดนปฏิเสธหรือเงียบหายเป็นเรื่องปกติของคนย้ายสาย ไม่ได้แปลว่าแผนผิด

ส่วนเรื่องเงินเดือน จำการบ้านข้อ 3 ของเมย์ได้ไหมครับ เธอรับตำแหน่งที่ไม่สูงขึ้นได้ แต่รับเงินเดือนที่ลดลงมากๆ ไม่ได้ เงื่อนไขนี้ทำให้เส้นทางที่ 1 เหมาะกับเธอมาก เพราะการขยับภายในไม่ต้องเริ่มนับหนึ่งใหม่เรื่องรายได้ ส่วนเส้นทางที่ 2 เธอเลือกสมัครเฉพาะที่ที่ประสบการณ์งานขาย 6 ปีถูกนับเป็นต้นทุนด้วย

ระหว่างรอผล เมย์ยังรักษาตารางเดิมไว้ครับ คืนวันธรรมดาเรียน เช้าวันเสาร์ทำ เพิ่มมาอย่างเดียวคือโปรเจกต์ชิ้นที่ 3 ที่ได้โจทย์มาจากงานวิเคราะห์ครึ่งวันต่อสัปดาห์ที่หัวหน้าเพิ่งอนุมัติ

สรุป: 6 เดือนของเมย์ และของเราเอง

ย้อนกลับไปดูทั้งเส้นทางอีกทีนะครับ การย้ายสายงานมาทำงานด้าน Data ด้วยตัวเองมี 5 ขั้น

  1. เช็กความจริง ประตูยังเปิด แต่งานระดับเริ่มต้นที่ทำตามขั้นตอนกำลังแคบลง ความเข้าใจธุรกิจจากงานเดิมจึงเป็นแต้มต่อ
  2. เลือกตำแหน่ง ดูว่าแต่ละตำแหน่งตอบคำถามแบบไหน แล้วจับคู่กับต้นทุนที่เรามี
  3. เรียนตามลำดับงานจริง Spreadsheet, SQL, BI tool แล้วค่อย Python โดยทุกเดือนต้องมีของออกมา 1 ชิ้น
  4. ทำ Portfolio จากคำถามจริง ด้วยข้อมูลที่เปิดเผยได้ และเล่าด้วยโครง 5 ช่อง
  5. ยื่นสองทาง ขยับภายในก่อน และสมัครข้างนอกในสนามที่เรารู้จัก

6 เดือนก่อน เมย์เป็นคนทำตัวเลขให้คนอื่นใช้ วันนี้เธอยังนั่งโต๊ะเดิม ตำแหน่งบนนามบัตรก็ยังเหมือนเดิม แต่เช้าวันจันทร์ของเธอเปลี่ยนไปแล้วครับ เธอไม่ต้องนั่งทำ report เดิมซ้ำ และเวลาหัวหน้าถามว่า “ทำไม” เธอมีคำตอบ

ผมคิดว่าการย้ายสายเริ่มขึ้นตั้งแต่วันที่เราตอบคำถามว่า “ทำไม” ได้ด้วยข้อมูล ส่วนชื่อตำแหน่งใหม่จะตามมาทีหลังเองครับ

อ้างอิง (References)

Nut Khuannaen

, , , , ,

Leave a Reply

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