จาก Analysis สู่ Diagnostic: ฝึกทำโจทย์วิเคราะห์ข้อมูลแบบเจาะลึกด้วย SQL

ปกติแล้วงานวิเคราะห์ข้อมูลด้วย SQL มักจะใช้การเขียน SQL ระดับพื้นฐาน แต่ถ้าเราอยากใช้ SQL ในระดับที่ซับซ้อนมากขึ้น เราจะเริ่มเข้าไปทำในส่วนของการวิเคราะห์หาสาเหตุและเปรียบเทียบเชิงลึก (Diagnostic analysis) เพื่อให้ได้คำตอบที่สามารถเชื่อมโยงกับเป้าหมายทางธุรกิจได้ชัดเจน สำคัญที่สุดคือวิธีคิดและรู้จักการใช้ฟังก์ชันสนับสนุนเป้าหมายในการวิเคราะห์ข้อมูล โดยตัวอย่างคำถามเชิง Diagnostic analysis เช่น

• ลูกค้าเลิกใช้บริการเพราะอะไร?
• สินค้ากลุ่มใดที่ทำให้ยอดขายตก?
• ผู้ใช้งานกลุ่มไหนที่มีแนวโน้มจะกลับมาใช้ซ้ำ?

ถ้าสามารถเขียน SQL เพื่อหาคำตอบข้างต้นได้ก็แปลว่าเราใช้ SQL ได้เก่งมากขึ้นแล้ว

ลองมาทดสอบกันหน่อยไหม ว่าเราใช้ SQL ได้เก่งแค่ไหน ถ้ายังไม่มั่นใจอ่านต่อในสรุปรูปแบบการใช้ SQL สำหรับ Diagnostic analysis ทั้ง 4 รูปแบบได้เลย

อยากฝึกโจทย์ Data แนวไหนอีก ? ทักมาบอกทีมงานเราได้ที่ Post นี้เลย – ทีม Datayolk

ในบทความนี้มีการใช้ https://sqliteonline.com/ เพื่อให้ผู้อ่านสามารถคลิกลิ้งค์, ลองเขียน SQL และลองรันผลลัพธ์ตามได้เลย หากรันผลลัพธ์ไม่ได้สามารถทักมาสอบถามเราได้อีกทีนะ

วิธีคิดในการใช้ SQL สำหรับ Diagnostic Analysis

บริษัทค้าปลีกเก็บข้อมูลไว้ 3 ตารางคือตารางลูกค้า (customers) ตารางรายการซื้อ (sales) และตารางสินค้า (products)

ตาราง customers

ตาราง sales

ตาราง products

ฝ่ายขายไม่ต้องการแค่ดึงข้อมูลพื้นฐานเช่น ยอดขายรวมเท่าไหร่ แต่ต้องการใช้วิธี Diagnostic analysis เพื่อวิเคราะห์เจาะลึกว่า

• เดือนไหนขายดีที่สุด? จัดประเภทตามสินค้าแต่ละรายการ แต่ละภูมิภาค
• พฤติกรรมลูกค้าแต่ละกลุ่มตามยอดซื้อของเป็นอย่างไร? โดยที่มีการแบ่งกลุ่มประเภทลูกค้า (Segment) ตามเงื่อนไขยอดซื้อรวมน้อยกว่า 500 จัดเป็น Normal และยอดซื้อรวมมากกว่าหรือเท่ากับ 500 จัดเป็น Premium
• เรียงลำดับลูกค้าที่มียอดซื้อของในแต่ละ Segment

ตัวอย่างตารางแสดงผลลัพธ์ที่ฝ่ายขายต้องการ

ถึงตรงนี้ลองเขียนคำสั่ง SQL ให้ได้ผลลัพธ์ตามตารางนี้ได้เลย ถ้าแก้โจทย์ข้อนี้ได้คุณคือผู้ที่ใช้งาน SQL ในการทำงานจริง แต่ถ้ายังไม่รู้วิธีเขียนคำสั่ง SQL อย่างไรถึงจะได้ตารางสรุปข้อมูลแบบนี้

เราลองแตกปัญหาออกมาเป็นประเด็นย่อย ๆ ให้ง่ายต่อการทำงาน ซึ่งสามารถสรุปได้ 4 ประเด็นดังนี้

1. วิเคราะห์ลงรากลึกถึงสิ่งที่เกิดขึ้น (Root Cause Analysis)

คำถามส่วนใหญ่มักเป็น

• ช่วงไหนที่ยอดขายตก/ ขายดี?
• สินค้าไหนมียอดขายลดลง / เพิ่มขึ้น?
• ยอดขายส่วนใหญ่มาจากกลุ่มลูกค้ากลุ่มใด?

รูปแบบการเขียน SQL โดยใช้ GROUP BY

ใช้ GROUP BY จัดหมวดหมู่เช่น เวลา ภูมิภาค ประเภทสินค้าเพื่อเปรียบเทียบจำนวน นอกจากนี้ในการทำงานจริงมักมีเงื่อนไข เช่น ใช้คู่กับ HAVING เพื่อกรองข้อมูลหลัง GROUP BY ซึ่งมีความต่างจาก WHERE ที่ใช้กรองก่อนการจัดหมวดหมู่

ลองเขียน SQL ด้วยการใช้ GROUP BY

ลองเขียน SQL เองก่อนดูเฉลยข้อที่ 1 ที่ SQLite Editor

ตาราง Input : sales

ตาราง Output ที่ต้องการ

แสดงยอดขายรวมตาม category, region, และ month โดยที่ total_sales ≥ 900,000

เฉลยวิธีการเขียน SQL ข้อแรก

SELECT
category,
region,
strftime('%Y-%m', sale_date) AS month,
SUM(sales_amount) AS total_sales
FROM sales
GROUP BY category, region, strftime('%Y-%m', sale_date)
HAVING SUM(sales_amount) >= 900000;

ขั้นตอนการคิดอย่างละเอียด

• เลือกสิ่งที่อยากเห็นใน Select Clause

category ✅
region ✅
month -- ใช้ฟังก์ชัน DATE_TRUNC()
total_sales -- ใช้ฟังก์ชัน SUM()

• หา month ด้วยการลดทอน sale_date ให้เหลือระดับ “month”
  • กรณี SQLite ใช้ strftime strftime('%Y-%m', sale_date) AS month
  • กรณี PostgreSQL หรือ DuckDB ใช้ DATE_TRUNC DATE_TRUNC('month', sale_date) AS month
• หา total_sales รวมยอดขายด้วยฟังก์ชัน SUM()

SUM(sales_amount) AS total_sales

• นี่คือข้อมูลที่แสดงจะใน Select Clause

SELECT
  category,
  region,
  DATE_TRUNC('month', sale_date) AS month
  SUM(sales_amount) AS total_sales
FROM sales;

• ต้องการดูแยกตาม category / region / month ใช้ฟังก์ชัน GROUP BY

SELECT
  category,
  region,
  DATE_TRUNC('month', sale_date) AS month
  SUM(sales_amount) AS total_sales
FROM sales
GROUP BY category, region, DATE_TRUNC('month', sale_date);

• กรองเฉพาะกลุ่มที่มียอดขายรวมมากกว่าหรือเท่ากับ 900,000

SELECT
  category,
  region,
  DATE_TRUNC('month', sale_date) AS month, 
  SUM(sales_amount) AS total_sales
FROM sales
GROUP BY category, region, DATE_TRUNC('month', sale_date)
HAVING SUM(sales_amount) >= 900000;

2. การจัดหมวดหมู่ (Segmentation)

คำถามส่วนใหญ่มักเป็น

• ผู้ใช้แบบไหนมีแนวโน้มจะ churn มากที่สุด?
• ผู้ใช้ฟรีมีพฤติกรรมต่างจากผู้เสียเงินหรือไม่?
• ผู้ใช้แต่ละกลุ่มใช้แอปบ่อยแค่ไหน?

รูปแบบการเขียน SQL ใช้ CASE WHEN

ใช้ CASE WHEN เพื่อสร้างกลุ่มตามเงื่อนไข

• ลูกค้าที่มียอดค่าใช้จ่ายมากกว่า 0 คือ Paying User
• ถ้ายอดค่าใช้จ่ายเท่ากับ 0 คือ Free User

ลองเขียน SQL ด้วยการใช้ CASE WHEN

ลองเขียน SQL เองก่อนดูเฉลยข้อที่ 2 ที่ SQLite Editor

ตาราง Input: user_sessions

ตาราง Output ที่ต้องการ

จัดกลุ่ม user_segment โดย

• ลูกค้าที่มียอดค่าใช้จ่ายมากกว่า 0 คือ Paying User
• ถ้ายอดค่าใช้จ่ายเท่ากับ 0 คือ Free User

เฉลยวิธีการเขียน SQL ข้อสอง

SELECT
user_id,
CASE
WHEN spend = 0 THEN 'Free User'
WHEN spend > 0 THEN 'Paying User'
END AS user_segment,
COUNT(DISTINCT session_id) AS sessions
FROM user_sessions
GROUP BY user_id, user_segment;

ขั้นตอนการคิดอย่างละเอียด

• เลือกสิ่งที่อยากเห็นใน Select Clause

user_id ✅
user_segment -- ใช้ Control Flow Statement
sessions -- ใช้ฟังก์ชัน COUNT(DISTINCT )

• สร้าง user_segment ด้วยการใช้ CASE WHEN เพื่อสร้างกลุ่มตามเงื่อนไข ลูกค้าที่มียอดค่าใช้จ่ายมากกว่า 0 คือ Paying User ถ้ายอดค่าใช้จ่ายเท่ากับ 0 คือ Free User

CASE
WHEN spend = 0 THEN 'Free User'
WHEN spend > 0 THEN 'Paying User'
END AS user_segment

• คำนวณ sessions ด้วยการนับ session_id ที่ไม่ซ้ำกันด้วยฟังก์ชัน COUNT(DISTINCT )

COUNT(DISTINCT session_id) AS sessions

• นี่คือข้อมูลที่แสดงจะใน Select Clause

SELECT
user_id,
CASE
WHEN spend = 0 THEN 'Free User'
WHEN spend > 0 THEN 'Paying User'
END AS user_segment,
COUNT(DISTINCT session_id) AS sessions
FROM user_sessions;

• ต้องการดูแยกตาม user_id และ user_segment ใช้ฟังก์ชัน GROUP BY

SELECT
user_id,
CASE
WHEN spend = 0 THEN 'Free User'
WHEN spend > 0 THEN 'Paying User'
END AS user_segment,
COUNT(DISTINCT session_id) AS sessions
FROM user_sessions
GROUP BY user_id, user_segment;

3. เปรียบเทียบสิ่งที่เกิดขึ้นตามช่วงเวลา

คำถามส่วนใหญ่มักเป็น

• ลูกค้ากลับมาซื้อสินค้าอีกครั้งภายในกี่วัน นับตั้งแต่วันที่ซื้อสินค้าครั้งล่าสุด?
• ลูกค้าคนไหนมาซื้อซ้ำเร็วที่สุด?
• ใครคือ Top 3 ผู้ใช้ที่มีจำนวน session สูงสุดในแต่ละเดือน?
• ยอดขายสินค้าตัวใดตกจากอันดับ 1 เป็นอันดับ 2?

รูปแบบการเขียน SQL ใช้ Window Function

ใช้ LAG(), RANK(), DENSE_RANK() ,ROW_NUMBER()ช่วยให้เราสามารถเปรียบเทียบข้อมูลของแถวก่อนหน้า หรือจัดอันดับเพื่อดูการเปลี่ยนแปลงพฤติกรรมแบบลำดับเวลาได้

LAG() ใช้เปรียบเทียบกับค่าจากแถวก่อนหน้า เช่น คำนวณว่าเดือนนี้ยอดขายเพิ่มหรือลดลงจากเดือนที่แล้ว (sales_diff)

RANK() ใช้เพื่อจัดอันดับแบบข้ามลำดับเมื่อมีค่าซ้ำ เช่น ลำดับยอดขายสูงสุดในแต่ละภูมิภาค มียอดขายสูงสุดคือ 1000 ได้เท่ากัน 2 แถว ให้จัดอยู่ใน Rank 1 เท่ากัน และให้นับข้ามอันดับ 2 ไป

DENSE_RANK() ใช้เพื่อจัดอันดับแบบไม่ข้ามลำดับเมื่อมีค่าซ้ำ เช่น ลำดับยอดขายสูงสุดในแต่ละภูมิภาค มียอดขายสูงสุดคือ 1000 ได้เท่ากัน 2 แถว ให้จัดอยู่ใน Rank 1 เท่ากัน และให้อันดับต่อไปจัดอยู่ใน Rank 2

แล้วถ้าต้องการหา Top 1 อย่างเช่น salesperson ที่ทำยอดขาย Top 1 คือใครควรใช้ Window Function อะไรดี? ก่อนอื่นเลยขึ้นอยู่กับความต้องการของธุรกิจ ถ้า

• ใช้ ROW_NUMBER() เป็นฟังก์ที่ไม่ลำดับซ้ำ ถ้าต้องการ Top 1 คนเดียว เช่น Delivery App หา Top 1 ไรเดอร์หนึ่งคนที่ส่งของได้มากที่สุดในหนึ่งวัน ถ้าได้คะแนนเท่ากันให้วัดที่เวลา ใครส่งออเดอร์สุดท้ายก่อนให้แสดง Top 1 เป็นคนนั้น
• จะใช้ RANK() หรือ DENSE_RANK() ก็ได้ ถ้าต้องการ Top 1 ทุกคนที่ได้คะแนนสูงสุดเท่ากัน

ลองเขียน SQL ด้วยการใช้ Window Function

ลองเขียน SQL เองก่อนดูเฉลยข้อที่ 3 ที่ SQLite Editor

ตาราง Input: events

ตาราง Output ที่ต้องการ

เฉลยวิธีการเขียน SQL ข้อสาม

SELECT
  user_id,
  event_date,
  ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY event_date) AS event_order
FROM events;

ขั้นการการคิดอย่างละเอียด

• เลือกสิ่งที่อยากเห็นใน Select Clause

	user_id ✅
	event_date ✅
	event_order -- ใช้ Window Function

• หา event_order ด้วยการดึงค่าแสดงลำดับของการเกิด event ของแต่ละผู้ใช้ (user_id) ด้วย ROW_NUMBER()

ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY event_date) AS event_order

/* ใช้ ROW_NUMBER() เพื่อดึงลำดับการเกิด event 
PARTITION BY user_id → คำนวณแยกกันในแต่ละ user
ORDER BY event_date → เรียงเวลาเพื่อหาค่าก่อนหน้าอย่างถูกต้อง */

• นี่คือข้อมูลที่แสดงจะใน Select Clause

SELECT
  user_id,
  event_date,
  ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY event_date) AS event_order
FROM events;

4. การทดสอบสมมติฐานแบบเร็ว ๆ

คำถามส่วนใหญ่มักเป็น

• ผู้ใช้ที่รับโค้ดส่วนลด (promo code) มีโอกาสซื้อสินค้ามากกว่าผู้ที่ไม่ได้รับส่วนลดจริงหรือไม่?
• ส่วนใหญ่มักเป็นคนที่เจอ bug ในหน้า checkout มีโอกาสซื้อได้น้อยลงจริงไหม?

รูปแบบการเขียน SQL ใช้การ Joins

ใช้ JOIN เพื่อเชื่อมโยงข้อมูลจากตาราง

ลองเขียน SQL ด้วยการใช้ Joins

ลองเขียน SQL เองก่อนดูเฉลยข้อที่ 4 ที่ SQLite Editor

ตาราง Input: user_events

ตาราง Output ที่ต้องการ

เฉลยวิธีการเขียน SQL ข้อสี่

SELECT
CASE WHEN promo.user_id IS NOT NULL THEN 1 ELSE 0 END AS received_promo,
COUNT(DISTINCT users.user_id) AS total_users,
COUNT(DISTINCT pur.user_id) AS purchases,
ROUND(COUNT(DISTINCT pur.user_id) * 100.0 / COUNT(DISTINCT users.user_id), 2) AS conversion_rate
FROM
(SELECT DISTINCT user_id FROM user_events) AS users
LEFT JOIN
(SELECT DISTINCT user_id FROM user_events WHERE event = 'promo_code') AS promo
ON users.user_id = promo.user_id
LEFT JOIN
(SELECT DISTINCT user_id FROM user_events WHERE event = 'purchase') AS pur
ON users.user_id = pur.user_id
GROUP BY
CASE WHEN promo.user_id IS NOT NULL THEN 1 ELSE 0 END;

ขั้นตอนการคิดอย่างละเอียด

• เลือกสิ่งที่อยากเห็นใน Select Clause

- ผู้ใช้กลุ่มไหนเคยได้รับโค้ดโปรโมชัน (promo_code) บ้าง?
- ในแต่ละกลุ่ม (ได้โปร / ไม่ได้โปร) มีผู้ใช้งานทั้งหมดกี่คน?
- มีผู้ใช้งานที่จ่ายเงินกี่คน?
- อัตราการซื้อ (conversion rate) เท่าไหร่?

• ดึงข้อมูล user_id ที่ไม่มีการนับซ้ำ

(SELECT DISTINCT user_id FROM user_events) AS users

• เชื่อมตารางเพื่อเช็คว่ามี user_id ที่เคยได้รับ promo_code ด้วย Left Join

LEFT JOIN
(SELECT DISTINCT user_id FROM user_events WHERE event = 'promo_code') AS promo
ON users.user_id = promo.user_id

• เชื่อมตารางเพื่อเช็คว่ามี user_id ที่เคยจ่ายเงิน

LEFT JOIN
(SELECT DISTINCT user_id FROM user_events WHERE event = 'purchase') AS pur
ON users.user_id = pur.user_id

• แบ่งกลุ่มผู้ใช้งาน: ถ้าลูกค้าที่ได้รับ promo_code คือเจอ promo.user_id จะจัดเป็น 1 ถ้าไม่เจอ (NULL) คือลูกค้าที่ไม่ได้รับ promo_code ให้จัดเป็นเป็น 0

CASE
WHEN promo.user_id IS NOT NULL THEN 1
ELSE 0
END AS received_promo

• คำนวณจำนวนผู้ใช้และการซื้อในแต่ละกลุ่ม

COUNT(DISTINCT users.user_id) AS total_users, -- ผู้ใช้งานทั้งหมด
COUNT(DISTINCT pur.user_id) AS purchases --ผู้ใช้งานที่จ่ายเงิน

• คำนวณอัตราการซื้อสินค้าด้วย Conversion Rate = (purchases / total_users) × 100

ROUND(COUNT(DISTINCT pur.user_id) * 100.0 / COUNT(DISTINCT users.user_id), 2) AS conversion_rate

• นี่คือข้อมูลที่แสดงจะใน Select Clause

SELECT
CASE WHEN promo.user_id IS NOT NULL THEN 1 ELSE 0 END AS received_promo,
COUNT(DISTINCT users.user_id) AS total_users,
COUNT(DISTINCT pur.user_id) AS purchases,
ROUND(COUNT(DISTINCT pur.user_id) * 100.0 / COUNT(DISTINCT users.user_id), 2) AS conversion_rate
FROM
(SELECT DISTINCT user_id FROM user_events) AS users
LEFT JOIN
(SELECT DISTINCT user_id FROM user_events WHERE event = 'promo_code') AS promo
ON users.user_id = promo.user_id
LEFT JOIN
(SELECT DISTINCT user_id FROM user_events WHERE event = 'purchase') AS pur
ON users.user_id = pur.user_id;

• ต้องจัดกลุ่มผู้ใช้งานที่ได้ promo_code กับกลุ่มที่ไม่ได้ promo_code

SELECT
CASE WHEN promo.user_id IS NOT NULL THEN 1 ELSE 0 END AS received_promo,
COUNT(DISTINCT users.user_id) AS total_users,
COUNT(DISTINCT pur.user_id) AS purchases,
ROUND(COUNT(DISTINCT pur.user_id) * 100.0 / COUNT(DISTINCT users.user_id), 2) AS conversion_rate
FROM
(SELECT DISTINCT user_id FROM user_events) AS users
LEFT JOIN
(SELECT DISTINCT user_id FROM user_events WHERE event = 'promo_code') AS promo
ON users.user_id = promo.user_id
LEFT JOIN
(SELECT DISTINCT user_id FROM user_events WHERE event = 'purchase') AS pur
ON users.user_id = pur.user_id
GROUP BY
CASE WHEN promo.user_id IS NOT NULL THEN 1 ELSE 0 END;

ลองทำโจทย์ธุรกิจด้วยตัวเอง (1)

กลับมาโจทย์ของบริษัทค้าปลีกกันอีกครั้ง เพื่อที่จะได้ผลลัพธ์ตามในตารางแสดงผลลัพธ์ที่ฝ่ายขายต้องการ จะต้องเขียน SQL อย่างไร ?

ลองเขียน SQL เองก่อนดูเฉลยที่ SQLite Editor

ตาราง Output

เฉลยวิธีการเขียน SQL ลงมือโจทย์ธุรกิจด้วยตัวเอง (1)

SELECT
t.region,
t.month,
t.category,
t.total_sales,
t.customer_segment,
RANK() OVER (
PARTITION BY t.customer_segment
ORDER BY t.total_sales DESC
) AS rank_in_segment
FROM (
SELECT
c.customer_id,
c.region,
strftime('%Y-%m', s.sale_date) AS month,
p.category,
SUM(s.amount) AS total_sales,
CASE
WHEN SUM(s.amount) >= 500 THEN 'ลูกค้าพรีเมียม'
ELSE 'ลูกค้าทั่วไป'
END AS customer_segment
FROM sales s
JOIN customers c ON s.customer_id = c.customer_id
JOIN products p ON s.product_id = p.product_id
GROUP BY c.customer_id, c.region, strftime('%Y-%m', s.sale_date), p.category
) AS t
ORDER BY t.month, t.region;

ลองทำโจทย์ธุรกิจด้วยตัวเอง (2)

จากข้อก่อนหน้า ฝ่ายขายเห็นข้อมูลที่เจาะลึกจึงเกิดไอเดียส่งมอบบัตรกำนันดูหนังฟรีให้กับ Top spender 2 ท่านที่มียอดซื้อของสะสมสูงที่สุด

ลองเขียน SQL เองก่อนดูเฉลยที่ SQLite Editor

ตาราง Output

เฉลยวิธีการเขียน SQL ลงมือโจทย์ธุรกิจด้วยตัวเอง (2)

SELECT customer_id
FROM (
SELECT
customer_id,
SUM(amount) AS total_spent,
RANK() OVER (ORDER BY SUM(amount) DESC) AS spending_rank
FROM sales
GROUP BY customer_id
) AS ranked
WHERE spending_rank <= 2;

จบกันไปแล้วสำหรับการวินิจฉัยข้อมูล (Diagnostic analysis) ด้วย SQL ซึ่งเป็นการลองทำโจทย์เพื่อให้คุ้นเคยกับวิธีคิดและการใช้งานฟังก์ชัน SQL ในการทำงานสายเดต้าในชีวิตจริง เพื่อน ๆ สามารถลองเอา 4 เทคนิคเหล่านี้ไปใช้ในงานวิเคราะห์ข้อมูล เชื่อว่าจะเพิ่มมุมมองให้กับธุรกิจได้มากกว่าเดิม เดี๋ยวครั้งหน้าจะชวนไปทำโจทย์อื่น ๆ ที่น่าสนใจและใช้บ่อย ๆ ในคนทำงานสายข้อมูลกัน

ภาพประกอบจาก Freepik

บทความที่เกี่ยวข้อง

February 18, 2025February 18, 2025Data 154

เมื่อ Dashboard ไม่เพียงพอ: ทำไม Spreadsheet ยังจำเป็น พร้อมแนวทางการใช้งาน

การผสาน Dashboard และ Spreadsheet ช่วยเติมเต็มข้อจำกัดของแต่ละเครื่องมือ ทำให้ Workflow การนำเสนอข้อมูลยืดหยุ่นมากขึ้น

June 22, 2024April 27, 2025Data 67

มาฝึกใช้ Google Sheet Query Function ผ่าน Food Delivery Data กันเถอะ

มาเรียนรู้การใช้ Google Sheet Query Function ผ่านการฝึกวิเคราะห์ข้อมูลแพลตฟอร์ม Food Delivery กันเถอะ

April 7, 2024April 27, 2025Data 169

มาฝึกทำโปรเจค “Customer Review” ด้วย SQL แบบในชีวิตจริงกัน

เคยสงสัยกันไหมกันว่า Data Analyst ในชีวิตจริงพวกเราทำงานกันอย่างไร ? ในบทความนี้จะชวนมาวิเคราะห์ข้อมูลด้วยการเขียนโปรแกรม SQL ในธีม “Customer Review”

March 30, 2024March 30, 2024Data 146

สำรวจวงการซื้อขายงานวิจัยผ่านข้อมูลจากเว็บไซต์ Science Publisher

จากการวิเคราะห์ข้อมูลบนเว็บไซต์ Science Publisher ที่ให้บริการขายลิขสิทธิ์บทความวิจัยทั่วโลก ในหนึ่งปีจะมีบทความที่ขายในเว็บไซต์นี้อย่างต่ำก็ 600 บทความ มูลค่ารวมทั้งปีจะอยู่ราว ๆ 100 ล้านบาท

• Facebook
• Twitter
• Line

Data Analytics Diagnostic Analysis Intermediate SQL Quest sql SQL Challenge SQLite

Apirat A.

แอมป์ Data Specialist ที่ทำงานให้กับบริษัทเอกชนและ Datayolk.net โดยมีเป้าหมายให้คนใช้ข้อมูลในการขับเคลื่อนธุรกิจและสิ่งต่าง ๆ พร้อมกับตัดสินใจใช้ข้อมูลบนพื้นฐานของความน่าเชื่อถือผ่านบทความ, Quiz และแหล่งความรู้ด้านข้อมูลอีกมากมายที่เราได้เตรียมไว้ อ่านรายละเอียดเพิ่มเติม