Data Analyst เรียนคณะอะไร —

Data Analyst Career

Data Analyst เรียนคณะ วิทยาการคอมพิวเตอร์ สถิติ Data Science SQL Python Tableau Power BI Statistics Visualization Career Path เงินเดือน

SQL พื้นฐาน

# === SQL สำหรับ Data Analyst ===



# เชื่อมต่อ Database

# pip install sqlalchemy pandas psycopg2-binary



# import pandas as pd

# from sqlalchemy import create_engine

#

# engine = create_engine('postgresql://user:pass@localhost:5432/mydb')



# SQL Queries ที่ Data Analyst ใช้บ่อย



# 1. SELECT — ดึงข้อมูล

# SELECT

#     product_name,

#     category,

#     price,

#     quantity_sold

# FROM products

# WHERE category = 'Electronics'

# ORDER BY quantity_sold DESC

# LIMIT 10;



# 2. GROUP BY — สรุปข้อมูล

# SELECT

#     category,

#     COUNT(*) as total_products,

#     AVG(price) as avg_price,

#     SUM(revenue) as total_revenue

# FROM sales

# GROUP BY category

# HAVING SUM(revenue) > 100000

# ORDER BY total_revenue DESC;



# 3. JOIN — รวมข้อมูลหลายตาราง

# SELECT

#     c.customer_name,

#     COUNT(o.order_id) as total_orders,

#     SUM(o.amount) as total_spent,

#     AVG(o.amount) as avg_order_value

# FROM customers c

# JOIN orders o ON c.id = o.customer_id

# WHERE o.order_date >= '2025-01-01'

# GROUP BY c.customer_name

# ORDER BY total_spent DESC;



# 4. Window Functions — Advanced

# SELECT

#     employee_name,

#     department,

#     salary,

#     RANK() OVER (PARTITION BY department ORDER BY salary DESC) as rank,

#     salary - AVG(salary) OVER (PARTITION BY department) as diff_from_avg

# FROM employees;



# 5. CTE — Common Table Expression

# WITH monthly_sales AS (

#     SELECT

#         DATE_TRUNC('month', order_date) as month,

#         SUM(amount) as revenue

#     FROM orders

#     GROUP BY 1

# )

# SELECT

#     month,

#     revenue,

#     LAG(revenue) OVER (ORDER BY month) as prev_month,

#     (revenue - LAG(revenue) OVER (ORDER BY month)) / LAG(revenue) OVER (ORDER BY month) * 100 as growth_pct

# FROM monthly_sales;



from dataclasses import dataclass



@dataclass

class SQLSkill:

    skill: str

    level: str

    use_case: str

    frequency: str



sql_skills = [

    SQLSkill("SELECT WHERE ORDER BY", "เริ่มต้น", "ดึงข้อมูลพื้นฐาน", "ทุกวัน"),

    SQLSkill("GROUP BY HAVING", "เริ่มต้น", "สรุปข้อมูล Aggregate", "ทุกวัน"),

    SQLSkill("JOIN (INNER LEFT)", "กลาง", "รวมข้อมูลหลายตาราง", "ทุกวัน"),

    SQLSkill("Subquery CTE", "กลาง", "Query ซับซ้อน", "บ่อย"),

    SQLSkill("Window Functions", "สูง", "Ranking Running Total", "บ่อย"),

    SQLSkill("Date Functions", "กลาง", "Time-series Analysis", "ทุกวัน"),

]



print("=== SQL Skills for Data Analyst ===")

for s in sql_skills:

    print(f"  [{s.level}] {s.skill}")

    print(f"    Use: {s.use_case} | Frequency: {s.frequency}")

Python Data Analysis

# === Python สำหรับ Data Analyst ===



# pip install pandas numpy matplotlib seaborn jupyter



import pandas as pd

import numpy as np



# สร้างข้อมูลตัวอย่าง

np.random.seed(42)

n = 100

data = {

    'date': pd.date_range('2025-01-01', periods=n, freq='D'),

    'revenue': np.random.normal(50000, 10000, n).astype(int),

    'orders': np.random.poisson(100, n),

    'category': np.random.choice(['Electronics', 'Fashion', 'Food', 'Home'], n),

}

df = pd.DataFrame(data)



# Basic Analysis

print("=== Sales Analysis ===")

print(f"  Total Revenue: {df['revenue'].sum():,.0f} THB")

print(f"  Avg Daily Revenue: {df['revenue'].mean():,.0f} THB")

print(f"  Total Orders: {df['orders'].sum():,}")

print(f"  Avg Order Value: {df['revenue'].sum() / df['orders'].sum():,.0f} THB")



# Category Analysis

cat_summary = df.groupby('category').agg(

    total_revenue=('revenue', 'sum'),

    avg_revenue=('revenue', 'mean'),

    total_orders=('orders', 'sum'),

).sort_values('total_revenue', ascending=False)



print(f"\n  Category Summary:")

for cat, row in cat_summary.iterrows():

    print(f"    {cat}: Revenue {row['total_revenue']:,.0f} | Orders {row['total_orders']:,}")



# Weekly Trend

df['week'] = df['date'].dt.isocalendar().week

weekly = df.groupby('week')['revenue'].sum()

print(f"\n  Weekly Revenue Trend (first 5 weeks):")

for week, rev in weekly.head().items():

    bar = "#" * int(rev / 10000)

    print(f"    Week {week}: {rev:>10,.0f} {bar}")

Career Path

# === Data Analyst Career Path ===



@dataclass

class CareerStage:

    level: str

    years: str

    salary_thb: str

    skills: str

    next_step: str



stages = [

    CareerStage("Intern/Trainee", "0-1 ปี", "15,000-25,000", "SQL Excel Basic Python", "Junior Analyst"),

    CareerStage("Junior Analyst", "1-2 ปี", "25,000-40,000", "SQL Python Tableau Statistics", "Mid Analyst"),

    CareerStage("Mid Analyst", "2-4 ปี", "40,000-70,000", "Advanced SQL Python BI Dashboard", "Senior Analyst"),

    CareerStage("Senior Analyst", "4-7 ปี", "70,000-120,000", "Strategy Stakeholder ML basics", "Lead/Manager"),

    CareerStage("Lead/Manager", "7+ ปี", "100,000-180,000", "Team Management Strategy", "Director"),

]



print("=== Career Path ===")

for s in stages:

    print(f"  [{s.level}] {s.years}")

    print(f"    Salary: {s.salary_thb} THB/month")

    print(f"    Skills: {s.skills}")

    print(f"    Next: {s.next_step}")



# Alternative Paths

alt_paths = {

    "Data Scientist": "เน้น ML AI Modeling เงินเดือนสูงกว่า",

    "Data Engineer": "เน้น Pipeline Infrastructure ETL",

    "Analytics Engineer": "เน้น dbt Data Modeling Warehouse",

    "BI Developer": "เน้น Dashboard Reporting Visualization",

    "Product Analyst": "เน้น Product Metrics A/B Testing",

    "Marketing Analyst": "เน้น Campaign ROI Attribution",

}



print(f"\n\nAlternative Career Paths:")

for path, desc in alt_paths.items():

    print(f"  [{path}]: {desc}")



# Learning Resources

resources = [

    "SQL: Mode Analytics SQL Tutorial (ฟรี)",

    "Python: Kaggle Learn Python + Pandas (ฟรี)",

    "Statistics: Khan Academy Statistics (ฟรี)",

    "Tableau: Tableau Public + Free Training",

    "Portfolio: Kaggle Datasets + Personal Projects",

    "Certificate: Google Data Analytics Certificate",

    "Practice: LeetCode SQL + HackerRank",

]



print(f"\n\nLearning Resources:")

for i, r in enumerate(resources, 1):

    print(f"  {i}. {r}")

เคล็ดลับ

• SQL: เรียน SQL ก่อนเลย สำคัญที่สุดสำหรับ Data Analyst
• Portfolio: ทำ Project ใน Kaggle แสดงผลงาน
• Business: เข้าใจธุรกิจสำคัญไม่แพ้ Technical Skill
• Communication: ฝึกนำเสนอ Insight ให้คนอื่นเข้าใจ
• Cert: Google Data Analytics Certificate ดีสำหรับเริ่มต้น

การบริหารจัดการฐานข้อมูลอย่างมืออาชีพ

Database Management ที่ดีเริ่มจากการออกแบบ Schema ที่เหมาะสม ใช้ Normalization ลด Data Redundancy สร้าง Index บน Column ที่ Query บ่อย วิเคราะห์ Query Plan เพื่อ Optimize Performance และทำ Regular Maintenance เช่น VACUUM สำหรับ PostgreSQL หรือ OPTIMIZE TABLE สำหรับ MySQL

เรื่อง High Availability ควรติดตั้ง Replication อย่างน้อย 1 Replica สำหรับ Read Scaling และ Disaster Recovery ใช้ Connection Pooling เช่น PgBouncer หรือ ProxySQL ลดภาระ Connection ที่เปิดพร้อมกัน และตั้ง Automated Failover ให้ระบบสลับไป Replica อัตโนมัติเมื่อ Primary ล่ม

เนื้อหาเกี่ยวข้อง — หน Nikkei — คู่มือฉบับสมบูรณ์ 2026

Backup ต้องทำทั้ง Full Backup รายวัน และ Incremental Backup ทุก 1-4 ชั่วโมง เก็บ Binary Log หรือ WAL สำหรับ Point-in-Time Recovery ทดสอบ Restore เป็นประจำ และเก็บ Backup ไว้ Off-site ด้วยเสมอ

แนะนำเพิ่มเติม — บทวิเคราะห์จาก XM Signal

สรุป

Data Analyst เรียนคณะ วิทยาการคอมพิวเตอร์ สถิติ Data Science SQL Python Tableau Power BI Statistics Career Path เงินเดือน Portfolio Kaggle Google Certificate

เนื้อหาเกี่ยวข้อง — แนะนำให้อ่าน Kotlin Compose Multiplatform Capacity Planning