จากบทความที่แล้ว เราได้สำรวจงานสาย Data ว่าต้องมีทักษะ หรือใช้โปรแกรมอะไรบ้าง ในบทความ สำรวจงานสาย Data จากข้อมูลการรับสมัครงานใน JobBKK.com ในบทความนี้เราจึงได้วิเคราะห์ข้อมูลเกี่ยวกับงานสาย Data เพิ่มเติมในเว็บไซต์ JobsDB.com โดยดึงข้อมูลด้วยเทคนิค Web Scraping ช่วงเดือนกันยายน ปี 2565 ซึ่งได้ข้อสรุปที่น่าสนใจว่า ดูเหมือนทักษะทางด้านข้อมูล (Data Skill) อาจจะไม่ได้อยู่แค่ในสายงานที่มีชื่อตำแหน่งว่า “Data” ใน Job Title อย่างเดียวเท่านั้น
Disclaimer: ข้อสรุปนี้ ได้มาจากการทำดึงข้อมูลด้วยเทคนิค Web Scarping จากเว็บไซต์ JobsDB.com โดยใช้กระบวนการ text mining เป็นหลักในการวิเคราะห์ จึงไม่สามารถอนุมานถึงภาพรวมของตลาดทั้งหมดได้
ข้อมูลอัพเดตเมื่อกันยายน 2565
ใครบ้างที่ต้องใช้ทักษะด้านข้อมูล (Data Skill) ?
หากเราเข้าไปในเว็บไซต์จัดหางาน JobsDB.com เราจะพบตำแหน่งงานกว่า 7,240 ตำแหน่ง เมื่อตัดงานที่ไม่เกี่ยวข้องกับงาน Data ออกไปทั้งหมด 2,805 ตำแหน่ง เราจะพบตำแหน่งงานที่เกี่ยวกับ Data กว่า 4,435 ตำแหน่ง โดยมี 3,361 ตำแหน่ง หรือคิดเป็น 76% ที่ไม่ใช่งานที่ทำงานกับข้อมูลโดยตรง แต่ Job Description มี Keyword ที่เกี่ยวกับการใช้ทักษะทางด้านข้อมูล (ในบทความนี้เราจะขอเรียกกลุ่มคนเหล่านี้ว่า Non-Data People)
ในขณะที่ตำแหน่ง Data Analyst, Data Scientist, Data Engineer, หรือ Business Intelligence ซึ่งเรานิยามว่าเป็นงานที่ทำงานกับข้อมูลโดยตรงที่เราขอเรียกว่า Data People มี 1,074 ตำแหน่ง
กลุ่ม Non-Data People ที่จะพูดถึงต่อไปนี้มาจากการทำ Text Analysis ด้วยการทำ Classification ในเว็บไซต์ JobsDB.com ที่มีคำกล่าวถึง กระบวนการทำงานกับข้อมูล และ เครื่องมือ ที่เกี่ยวข้อง
อะไรคือ “ทักษะด้านข้อมูล (Data Skill)” ความสามารถสำคัญที่บริษัทมองหา
ในบทความก่อนหน้านี้ เราได้สำรวจทักษะที่ Data People ต้องใช้ในการทำงานภายใต้กระบวนการ Cross-Industry Standard Process for Data Mining (CRISP) ซึ่งมีอยู่ 5 ขั้นตอน คือ Business and Data Understanding, Data Preparation, Modelling, Evaluation, และ Communication
โดยในขั้นตอน Business and Data Understanding ให้ความสำคัญกับความสามารถในการเข้าใจธุรกิจและการจัดเก็บข้อมูลที่เหมาะสม
ขั้นตอน Data Preparation ให้ความสำคัญกับการปรับแต่งข้อมูลดิบ (Raw Data) ให้อยู่ในรูปแบบที่พร้อมใช้งาน
ขั้นตอน Modelling คือความสามารถในการใช้โมเดลเพื่อแก้ไขปัญหาหรือเพิ่มความสามารถทางโจทย์ธุรกิจ
ขั้นตอน Evaluation คือการวัดผลประสิทธิภาพของโมเดลซึ่งจะใช้ความสามารถทางสถิติ
และขั้นตอนสุดท้ายคือ Communication หรือการสื่อสารผลลัพธ์
แล้วขั้นตอนการทำงานของ Data people ตามกระบวนการ CRISP เกี่ยวอะไรกับ Non-Data People ล่ะ ?
ที่เกี่ยวข้องก็เพราะส่วนใหญ่ใน Job Description บางสายงานแม้จะไม่มีคำว่า “Data” ใน Job Title ก็มีความต้องการให้ผู้สมัครงานมีทักษะทางด้านข้อมูลในระดับนึง โดยใน Job Description มักจะระบุว่า “ต้องการให้มีความถนัดในการแปลความหมายของตัวเลขเพื่อทำงานร่วมกับ Data People”, “ต้องการให้เข้าใจสถิติพื้นฐานเพื่อที่จะสามารถวิเคราะห์ข้อมูลในเบื้องต้นได้” หรือ “ต้องการให้ใช้เครื่องมือสถิติเป็นเพื่อจัดทำรายงานผลวิเคราะห์ได้” เป็นต้น
ซึ่งเมื่อเทียบกับกระบวนการ CRISP แล้วคนที่เป็น Non-Data People จะต้องทำงานที่เกี่ยวกับข้อมูลในส่วนของ Business and Data understanding และ Communication กล่าวคือต้องมีพื้นฐานความเข้าใจการจัดเก็บข้อมูลในงานที่ทำอยู่ สามารถตีความตัวเลขได้ และสื่อสารออกมาได้ สิ่งเหล่านี้คือทักษะทางข้อมูลที่กำลังจะมีความสำคัญมากขึ้นเรื่อย ๆ และเป็นทักษะทางข้อมูลที่ทุก ๆ คนพึงมีจึงมีคำที่ใช้เรียกทักษะด้านข้อมูลแบบนี้ว่า “Data Literacy”
Data Literacy คืออะไร แล้วบริษัทคาดหวังให้เข้าใจเรื่องข้อมูลแค่ไหน
Data Literacy คือความสามารถในการอ่าน เขียน สื่อสารด้านข้อมูลที่มากกว่าความสามารถในการอ่านข้อความทั่ว ๆ ไป เพราะต้องใช้ทักษะการให้เหตุผลเชิงตัวเลข กราฟ และข้อมูลอื่น ๆ ได้ (คำนิยามจาก Managing Scientific Information and Research Data, p.80)
แต่ความจริงแล้วแต่ละบริษัทมีความคาดหวังให้พนักงานเข้าใจเรื่องข้อมูลไม่เท่ากันโดยขึ้นอยู่กับตำแหน่ง และอุตสาหกรรมที่คุณอยู่ แต่โดยพื้นฐานแล้วคือ การอ่านกราฟให้เป็น และตั้งคำถามจากข้อมูลได้
บางบริษัทอาจจะ
- ต้องการแค่ให้สามารถสร้างรายงานประจำปีจาก Spreadsheet ได้
- สามารถอ่านกราฟที่ทีม Data มานำเสนอรู้เรื่อง
- การตั้งคำถามทางธุรกิจให้ทีม Data ไปสรุปข้อมูลมาให้
ตัวอย่างชื่อตำแหน่งตามสายงานที่ต้องการคนทำงานที่มีทักษะทางด้าน Data Literacy
สายงาน Information Technology (IT) เช่นชื่อตำแหน่ง System Analyst, Business Analyst, IT Specialist, SAP Consultant เป็นต้น
สายงานการเงินและธนาคาร (Finance services) เช่นชื่อตำแหน่ง Fraud Monitoring, Market Risk Management, Finance Analyst เป็นต้น
สายงานขาย (Sales) เช่นชื่อตำแหน่ง Consumer Insight Manager, Business Development, Sales Engineer เป็นต้น
สายงานการตลาด (Marketing) เช่นชื่อตำแหน่ง Market Researcher, Digital Campaign Management, Brand Manager เป็นต้น
สายงานวิศวกรรม (Engineering) เช่นชื่อตำแหน่ง Automation Engineer, Electrical Engineer, Mechanical Engineer เป็นต้น
สายงานโรงงานอุตสาหกรรม (Manufacturing) เช่นชื่อตำแหน่ง Quality Management, R&D Chemist, Lean Engineer เป็นต้น
สายงานวิทยาศาสตร์ (Science) เช่นชื่อตำแหน่ง R&D Pharmacist, Biostatistician, Lab Analyst เป็นต้น
Non-data People บุคคลที่ใช้ความรู้เฉพาะทางควบคู่กับกับการมี Data Literacy
กว่า 3,361 ตำแหน่งที่เราจัดให้เป็น Non-Data People ทำงานอยู่ในหลากหลายอุตสาหกรรมที่ใช้ความรู้เฉพาะทางเช่น นักการตลาด นักคณิตศาสตร์ประกันภัย นักวิทยาศาสตร์ นักวิเคราะห์การลงทุน และวิศวะกรแขนงต่าง ๆ เป็นต้น ตำแหน่งในตัวอย่างล้วนแต่ต้องใช้ความรู้เฉพาะทางในการทำงานที่ไม่ใช่งานข้อมูลทั้งสิ้น แต่ทั้งหมดนี้ต้องมีทักษะเสริมทางด้านข้อมูลที่ควบคู่ไปกับความเชี่ยวชาญหลัก แล้วพวกเขาต้องรู้อะไรเกี่ยวกับการทำงานกับข้อมูลบ้าง ?
จาก Job Description ก็มีการบอกใบ้ความต้องการเกี่ยวกับทักษะทางข้อมูลที่จำเป็นอยู่บ้างเช่น
ตำแหน่ง Finance Business Partner ที่ระบุความรับผิดชอบหลักไว้ว่า ต้องวิเคราะห์และประมวลผลด้วยกระบวนการทางข้อมูลได้ (mastering basic data analysis principles and methods, and through data analysis and output business evaluation successfully supporting projects.)
ต่อมาตัวอย่างตำแหน่ง Transport Operations ที่ระบุความรับผิดชอบหลักไว้ว่า ต้องสร้างพัฒนาและ ดูแล Business Intelligence Project (Maintain and develop data intelligence, ensures that appropriate, integrated information and reports will be provided to management and relevant stakeholder regularly or upon requirement. Identify and develop operations dashboard)
แล้ว Non-Data People ต้องใช้เครื่องมืออะไรบ้างทำงานข้อมูล ?
แม้จะเป็น Non-Data People แต่บางงานก็ระบุความรับผิดชอบไว้กว้างกว่าความรู้เกี่ยวกับข้อมูลขั้นพื้นฐาน (Data Literacy) คือ นอกจากจะต้องสามารถใช้ Excel /Spreadsheet ได้แล้ว ยังต้องสามารถใช้เครื่องมือในสายงาน Data ได้เช่น BI Tool, Database จนถึงรู้จักภาษาคอมพิวเตอร์เช่น R, Python เราจึงลองเปรียบเทียบสัดส่วนเครื่องมือที่ใช้ในการทำงานกับข้อมูลของตำแหน่งที่เปิดรับทั้งหมดกัน โดยเลือกกลุ่มเครื่องมือหลัก 4 อันได้แก่ Spreadsheet / Excel, Database, BI Tool และ Programing
จากกราฟ เราพบว่าโดยเฉลี่ยแล้วโปรแกรม Spreadsheet / Excel เป็นเครื่องมือสำคัญที่ใช้ทำงานกับข้อมูล แม้จะไม่ใช่คนทำงานกับข้อมูลโดยตรงอย่างกลุ่ม Non-data People ก็มีสัดส่วนใน Job Description ที่ระบุว่าต้องใช้เครื่องมือนี้เป็น 44% ของประกาศเปิดรับสมัครงานในกลุ่มนี้ทั้งหมด
ส่วนเครื่องมืออื่น ๆ เช่น BI Tools, Database และ Coding ก็มีบ้างบางส่วนที่ต้องใช้งานให้เป็น ซึ่งสิ่งที่น่าสนใจก็คือถ้า Non-Data People ต้องใช้ Database ได้ แสดงว่าก็ต้องนำข้อมูลเข้าไปหรือ Query ข้อมูลเองได้ หมายความว่าจำเป็นต้องใช้เขียน SQL (ซึ่งก็คือหนึ่งในภาษาคอมพิวเตอร์) ได้ด้วยหรือไม่ ? หรืออีกนัยหนึ่งก็คือการที่สามารถใช้ Database ได้ แปลว่าอาจจะต้องสามารถใช้โปรแกรมทางสถิติอย่าง SPSS, Stata ได้
นอกจากนี้ยังมี 5.22% ของ Non-Data People ทั้งหมดที่ระบุใน Job Description ว่าควรใช้ภาษาคอมพิวเตอร์ใดบ้างเช่น R, Python
หรือจริง ๆ แล้วสายงานข้อมูลกว้างกว่าที่คิด?
แม้พื้นฐานของการมี Data Literacy คือความเข้าใจข้อมูลเบื้องต้นและสื่อสารด้วยข้อมูลได้ แต่ในตอนที่ลองสำรวจข้อมูล เราพบรายละเอียดใน Job Description ที่น่าสนใจว่าปัจจุบันคนทำงานที่เป็น Non-Data People บางส่วนในหลาย ๆ อุตสาหกรรมก็ต้องมีความสามารถในการเขียนโปรแกรมได้ ซึ่งเมื่อนำข้อมูลทั้งหมดมาดูพบว่า 5.22% ของ Non-Data People ที่อยู่ในกลุ่มต้องการทักษะทางข้อมูล ต้องมีความสามารถเขียนโปรแกรมได้อย่างน้อยหนึ่งภาษา ในขณะที่มี 80.22% ที่ต้องสามารถทำงานกับข้อมูลได้โดยไม่จำเป็นต้องเขียนโปรแกรมก็ได้
แล้วกลุ่มเป็น Non-Data People ที่สามารถเขียนโปรแกรมได้ลักษณะงานต้องเป็นอย่างไร ?
ตัวอย่าง Job Description ในสายวิทยาศาสตร์อย่างตำแหน่ง Biostatistician ที่ระบุความรับผิดชอบหลักไว้ว่า …Knowledge and understanding of advanced statistical concepts and techniques Knowledge of clinical trial methodology High level of SAS or R programming… ที่ต้องการให้โค้ดได้ด้วย เป็นต้น
ซึ่งในกรณีที่ Non-Data People จะต้องเขียนโปรแกรมนั้นแม้จะเป็นส่วนน้อยดูจากตัวเลขเปอร์เซ็นต์ที่ไม่สูงมาก แต่ก็ปฏิเสธไม่ได้ว่าทักษะการเขียนโปรแกรมเริ่มมีบทบาทสำคัญมากขึ้นในนอกสายงานข้อมูล ซึ่งอาจเป็นสัญญาณของการเพิ่มทักษะด้านข้อมูลที่ใช้อยู่แล้วให้มากกว่าเดิม (Upskill) และส่งเสริมทักษะด้านข้อมูลใหม่ ๆ (Reskill) ให้คนทำงานมีทักษะด้านข้อมูลที่มากขึ้นพร้อมกับการเปลี่ยนแปลงอุตสาหกรรมในอนาคต
จะดีกว่ามั้ย… ถ้าเราให้ความสำคัญกับ Data Literacy ให้กับคนทำงาน
จะเห็นว่าอาชีพที่ไม่ใช่งานที่ทำกับข้อมูลโดยตรง แต่ต้องมีทักษะทางด้านข้อมูลระดับที่เข้าใจข้อมูลขั้นพื้นฐาน (Data Literacy) แล้วการที่บริษัทมีคนทำงานที่มีทักษะเหล่านี้จะส่งผลอย่างไร เราจึงรวบรวมกรณีศึกษา 3 อุตสาหกรรม
จะเกิดอะไรขึ้นถ้าบุคลากรทางการแพทย์เข้าใจข้อมูล ?
กว่า 85% ของโรงพยาบาลในสหรัฐอเมริกาใช้ระบบระเบียนสุขภาพอิเล็กทรอนิกส์ (Electronic Health Records) แต่ไม่ได้ให้ความรู้กับบุคลากรเกี่ยวกับการวิเคราะห์ข้อมูล ถึงแม้จะมีเครื่องมือเก็บข้อมูล แต่อุปสรรคใหญ่ก็คือเจ้าหน้าที่ไม่รู้วิธีการใช้ข้อมูลเพื่อวิเคราะห์อาการป่วยและแผนการรับมือในอนาคต โดยอุตสาหกรรมทางการแพทย์จะสามารถ
- ให้บริการด้านสุขภาพที่ดีขึ้นด้วยการสร้างมาตรการป้องกันโรคและวินิจฉัยโรคได้อย่างแม่นยำยิ่งขึ้นผ่านความเข้าใจเรื่อง Descriptive Analytics
- วางแผนงบประมาณการเคลมประกันสุขภาพและตรวจสอบธุรกรรมทุจริต (Fraud) ซึ่งช่วยลดค่าใช้จ่ายการรักษาพยาบาลได้
- ทักษะด้านข้อมูลช่วยให้แผนก R&D สามารถปรับสูตรยาเพื่อให้ผลการรักษาเร็วขึ้น
การประยุกต์ใช้ Data Literacy ในหน่วยงานภาครัฐ
แม้ปัจจุบัน ทั่วโลกจะให้ความสำคัญกับความโปร่งใสและตรวจสอบได้ของหน่วยงานรัฐ หลาย ๆ รัฐบาลจึงได้มีการเปิดข้อมูลสาธารณะ (Open Data) มากขึ้น
ถึงแม้ภาครัฐจะมีความสามารถในการเข้าถึงข้อมูลและเก็บข้อมูลที่มากกว่าภาคธุรกิจและภาคประชาชน แต่อุปสรรคสำคัญคือการนำข้อมูลไปใช้วิเคราะห์ต่อยอดไม่ได้ ซึ่งหากภาครัฐสามารถแก้ปัญหาตรงนี้ได้ภาครัฐจะสามารถ
- ให้ประชาชนร่วมตรวจสอบการใช้งบประมาณเพราะเป็นสิทธิ์ขั้นพื้นฐานของประชาชนในฐานะผู้จ่ายภาษี
- หน่วยงานภาครัฐสามารถเข้าถึงข้อมูลคุณภาพเพื่อตัดสินใจนโยบายสาธารณะให้คุ้มค่า
- หน่วยงานภาครัฐที่เกี่ยวข้องสามารถใช้ข้อมูลเพื่อช่วยเหลือภาคธุรกิจและประชาชน เช่นกรณี Business Atlas ที่ภาครัฐเปิดข้อมูลให้ SME เข้ามาดูแผนที่ทำธุรกิจแบบไหนขายดี ทำเลไหนดี
การประยุกต์ใช้ Data Literacy ในอุตสาหกรรมการเงิน
คนทำงานด้านการเงินน่าจะคุ้นเคยกับตัวเลขเป็นอย่างดี แต่ผลสำรวจพบว่ามีเพียง 38% ของคนในอุตสาหกรรมทางการเงินที่มั่นใจในการทำงานกับตัวเลข อุตสาหกรรมทางการเงินจะสามารถ
- การวิเคราะห์การเงินเป็นเรื่องที่ซับซ้อนน้อยลง เช่นการใช้งาน BI Tool เพื่อลดระยะเวลาวิเคราะห์เชิงลึก และตรวจสอบตัวชี้วัดได้รวดเร็ว
- ธนาคารและสถาบันการเงินสามารถคาดการณ์ทิศทางตลาดได้แม่นยำด้วยการหา Churn Rate และ Customer Lifetime Value
- สถาบันการลงทุน (IB) สามารถบริหารความเสี่ยงในการลงทุนของลูกค้าได้ดีขึ้น
เรื่องประโยชน์ของการทำงานกับข้อมูลยังมีมากกว่านี้ ถ้าต้องการอ่านกรณีศึกษาอื่น ๆ ที่สนุกในประเด็นที่ข้อมูลจะช่วยให้ขับเคลื่อนภาคสังคมดีกว่านี้ได้อย่างไรต้องอ่าน 5 กรณีศึกษาการประยุกต์ใช้วิทยาศาสตร์ข้อมูลกับงานภาคสังคม (Data Science for Social Goods)
เริ่มเรียนรู้เกี่ยวกับ Data Literacy ได้ที่ไหน ?
ปัจจุบันมีกรณีศึกษาของการใช้ Data literacy ในองค์กรมากมายที่ประสบความสำเร็จให้ได้ศึกษากัน เราสามารถเริ่มศึกษา Data Literacy ได้ผ่านการ
อ่าน กระบวนการสร้าง Data literacy ว่าจะเริ่มยังไง มี Framework อย่างไร ได้ที่ The Complete Guide to Data Literacy และอ่าน Use case ของ Spotify R&D Blog ที่มีคนในองค์กรมาร่วมกันเขียนบล็อคให้เราได้เลือกอ่านตามหัวข้อที่สนใจเช่น Machine Learning, การใช้เทคโนโลยี Deep Learning ในการสร้างสรรค์เพลง รวมถึงในเว็บไซต์ยังมีชุดข้อมูลให้ได้ลองนำไปเล่นหรือใช้เป็นไอเดียในการเก็บข้อมูล ความน่าสนใจที่นอกจากมีเคสสนุก ๆ ของวงในเล่าให้ฟังแล้วยังเห็นตัวอย่างของ Spotify ที่เป็นทีมแห่งการมี Data Literacy อย่างแท้จริง
ฟัง Make Me Data Literate Podcast ที่จัดโดยสถาบันการศึกษาด้านวิทยาศาสตร์ข้อมูลแห่งประเทศออสเตรเลีย ในหลากมุมมองของการมี Data literacy ในองค์กรเช่น การประยุกต์ใช้ประโยชน์จากข้อมูลในอุตสาหกรรม Neuroscience & Brain และนักอสังหาริมทรัพย์ใช้ข้อมูลเชิงลึกในการขายที่อยู่อาศัย เป็นต้น
เรียน ออนไลน์ ในหัวข้อ Data Visualization ซึ่งจะช่วยให้เราอ่านข้อมูลได้ แปลงข้อมูลให้เป็นภาพ สามารถทำรายงานข้อมูลได้ เรียนการใช้โปรแกรมคำนวณเช่น Excel Spreadsheet หรือถ้ามีเวลาอีกนิดลองลงเรียนสถิติพื้นฐานพร้อมกับ BI Tool สักตัวเช่น Locker Studio, Power BI, หรือ Tableau ตามแต่เครื่องมือที่องค์กรใช้ หรือจะลงเรียนที่ Udemy ที่เหมาะกับเรียนเพื่อหาไอเดียไปทำโปรเจคและอีกเว็บไซต์นึงคือ Coursera ที่เหมาะกับผู้ที่ต้องการทดสอบความรู้และได้ใบ Certificate
การเรียนรู้ไม่ใช่ปลายทางที่สำคัญของ Data Literacy สิ่งที่สำคัญคือการนำไปใช้ ซึ่งไม่จำเป็นต้องเรียนรู้ทุกอย่างให้พร้อม
บทสรุปของการวิเคราะห์ข้อมูลในเว็บไซต์หางาน
ในระหว่างการทำข้อมูลชุดนี้พบความน่าสนใจของสัดส่วนการใช้ภาษาคอมพิวเตอร์ของ Data People และ Non-Data People เราจึงได้ทำสรุปความสัมพันธ์ของ Data People และ Non-Data People กับสัดส่วนการใช้ภาษาคอมพิวเตอร์ แบ่งตามอุตสาหกรรมในประกาศรับสมัครงานไว้ สามารถดูเนื้อหาเต็มที่ได้ที่นี่
แหล่งข้อมูลอ้างอิง
- ข้อมูลประกาศรับสมัครงาน (https://th.jobsdb.com/th/th)
- ตัวอย่างกรณีศึกษาการใช้ case study (https://www.datacamp.com/blog/the-complete-guide-to-data-literacy)
- ความสามารถในการทำความเข้าใจข้อมูล | Data literacy (https://www.datacamp.com/blog/the-complete-guide-to-data-literacy)
- ประสบการณ์สร้าง Data Literacy Team กับ Starbucks (https://www.datacamp.com/podcast/building-data-literacy-at-starbucks)
ภาพหน้าปกจาก Image by storyset on Freepik
อยากมาทำงานสาย Data ใช่มั้ย?
เรามี Workshop Data Interview ที่จะช่วยคุณเตรียมพร้อมสำหรับการสัมภาษณ์งาน ผ่านการทำ Case Interview
บทความที่เกี่ยวข้อง
มาเรียนรู้การใช้ Google Sheet Query Function ผ่านการฝึกวิเคราะห์ข้อมูลแพลตฟอร์ม Food Delivery กันเถอะ
เคยสงสัยกันไหมกันว่า Data Analyst ในชีวิตจริงพวกเราทำงานกันอย่างไร ? ในบทความนี้จะชวนมาวิเคราะห์ข้อมูลด้วยการเขียนโปรแกรม SQL ในธีม “Customer Review”
จากการวิเคราะห์ข้อมูลบนเว็บไซต์ Science Publisher ที่ให้บริการขายลิขสิทธิ์บทความวิจัยทั่วโลก ในหนึ่งปีจะมีบทความที่ขายในเว็บไซต์นี้อย่างต่ำก็ 600 บทความ มูลค่ารวมทั้งปีจะอยู่ราว ๆ 100 ล้านบาท
เคยสงสัยกันไหมกันว่า Data Analyst ในชีวิตจริงพวกเราทำงานกันอย่างไร ? ในบทความนี้จะชวนมาวิเคราะห์ข้อมูลด้วยการเขียนโปรแกรม SQL ในธีม “Car Dealer”
