สรุปคอร์ส : Learning Data Analytics จาก Linkedin

10 สายอาชีพแห่งอนาคต ที่ Linkedin Learning เค้าเปิดให้เรียน Skills ฟรี !! (ลองวาปกันไปเลยจ้า ) https://opportunity.linkedin.com/skills-for-in-demand-jobs

  1. Software developer
  2. Sales representative
  3. Project manager
  4. IT administrator
  5. Customer service specialist
  6. Digital marketer
  7. IT support/ helpdesk
  8. Data analyst
  9. Financial analyst
  10. Graphic designer

แอดมินลงทะเบียน Track ของ Data Analyst ไปด้วยยยย ! ซึ่งใน Track นี้จะมีอยู่ทั้งหมด 7 คอร์ส

– Learning Data Analytics
– Data Fluency: Exploring and Describing Data
– Excel Statistics Essential Training: 1
– Learning Excel: Data Analysis
– Learning Data Visualization
– Power BI: Essential Training
– Tableau Essential Training (2020.1)

บทความนี้แอดจะสรุปคอร์สแรก คือ Learning Data Analytics สอนโดย Robin Hunt เป็นคอร์สที่เหมาะกับเพื่อนๆ ที่อยากทำงานด้าน Data Analyst โดยจะปูพื้นฐานตั้งแต่ความหมายของ Data Analyst , Data Analysis จนถึงสิ่งที่ Data Analyst ต้องเจอในการทำงานจริงๆ

และในคอร์สยังมีไฟล์ Excel และ Access ให้ได้ลองทำตามด้วย (แต่แอดไม่ได้ทำตามนะ) มันดูไม่ค่อย Practical เท่าไหร่ ถ้าดูเอา Concept คิดว่าน่าจะเข้าใจมากกว่าจ้า

1. Getting started with Data Analysis

What’s Data Analysis ?

โดยทั่วไปแล้วหมายถึง กระบวนการวิเคราะห์ข้อมูลที่ประกอบด้วย

  1. Inspecting data
  2. Cleaning data
  3. Transforming data
  4. Modeling data
  5. Using data to inform decision-making

What’s Data Analyst ?

คือ คนที่ทำงานในแต่ละส่วน หรือทั้งหมดของ Data Analysis (จาก 5 ข้อด้านบน) แต่ถ้าความหมายทาง Dictionary จะหมายถึง บุคคลที่ทำงานกับข้อมูลเพื่อค้นหาบางสิ่ง และนำมันมาช่วยในการตัดสินใจ

จริงๆแล้ว เหล่า Data Analyst มีลักษณะงานที่หลากหลายมาก แล้วแต่ Job description หรือบริษัทจะกำหนดไว้ โดยความแตกต่างจะขึ้นอยู่กับลักษณะของข้อมูล และรูปแบบของธุรกิจที่ทำในแต่ละบริษัท ซึ่งนั่นหมายถึงเครื่องมือที่ใช้ก็แตกต่างกันออกไปอีกด้วย ส่วนใหญ่ Data Analyst จะทำงานกับ Database, Spreadsheets, CSV files เพื่อทำให้ records เหล่านั้นถูกนำมาใช้ให้เกิดประโยชน์สูงสุดต่อธุรกิจ

จำไว้ว่า รูปภาพนั้นมีค่ากว่าตัวหนังสือ ถ้าในมุมของ Data การใช้ Charts รูปแบบต่างๆ นั้นสำคัญมาก เพราะง่ายต่อการสื่อสารกับผู้อื่น เราเรียกเทคนิคนี้ว่า Data visualization ซึ่งทำให้ข้อมูลที่เรามีนั้นทรงพลังมากยิ่งขึ้น

Are you an Analyst ?

แอดมองว่าหลายคนอยากเป็น Analyst โดยที่ไม่รู้ตัวเองว่า เราเป็น Analyst อยู่แล้ว เพียงแค่ Job Title มันไม่ได้เป็นแบบนั้น แต่เนื้องานก็ได้วิเคราะห์ข้อมูลอยู่แล้ว ลองเริ่มตั้งคำถามกับตัวเองสัก 4 ข้อ

  1. เวลาทำงานมีการสร้าง Charts ต่างๆ หรือ Dashboard ?
  2. ใช้ชีวิตอยู่กับการทำ Spreadsheets (Excel, Google sheet) ?
  3. คอยหาทางพัฒนากระบวนการทำงานด้วยการใช้ Data​ ?
  4. มองอะไรเป็น pattern ได้ง่ายกว่าคนอื่น ?

ส่วนตัวแอดคิดว่าหากเราลองถามตัวเองแล้วพบกว่า เรามีสัก 2 ข้อด้านบน ก็ถือว่าเข้าข่ายเป็น Analyst แล้ว

Data visualization

Data visualization คือ การแสดงผลข้อมูลให้อยู่ในรูปแบบของ Charts หรือ Dashboard ทำให้เข้าใจข้อมูลได้ง่ายขึ้น โดยจะช่วย Data Analyst ได้ 2 ข้อ

  1. แสดงปัญหาที่มีอยู่ในชุดข้อมูลได้อย่างรวดเร็ว
  2. แสดงผลข้อมูลจำนวนมากสำหรับธุรกิจได้ง่ายขึ้น

ข้อมูล 1,000 แถว อาจพอจะดูรู้ว่าข้อมูลชุดนี้ดีหรือไม่ แต่หากมีข้อมูลเป็นแสนหรือล้านแถว การใช้ Chart เข้ามาช่วยจะทำให้แสดงผลข้อมูลได้ง่ายกว่ามองด้วยตาเปล่าและเป็นจุดเริ่มต้นที่ดีในการตัดสินใจทำอะไรซักอย่าง

Data Analyst Role in Data Science

คำจำกัดความของคำว่า Data Science นั้นกว้างขวางมาก การนำเอาคำว่า Data + Science ทำให้หลายคนรู้สึกว่าตัวเองยังมีสกิลไม่พอ แต่อย่าไปคิดแบบนั้นแค่ Keep Learning ! ต่อไปเรื่อยๆ พยายามเรียนรู้พื้นฐานให้แน่นไว้ก่อนก็ได้

Building a team by Learning data analytics

Data Analyst มักมีอยู่ในทีม Data Science เสมอ หรือบางครั้งก็ทำงานกับ Statisticians, Researchers หรือ Analyst ในสาขาอื่นๆ หน้าที่หลักก็คือ นำข้อมูลเบื้องต้นมาให้ทีมใช้งานต่อ เช่น การทำ Report หรือ Dashboard หลังจากนั้น Domain expertise ในทีมจะใช้ความรู้เฉพาะทางเพื่อช่วยวิเคราะห์ข้อมูลเชิงลึก เหมือนกับเป็นการนำทักษะของทุกคนในทีมมาช่วยทำให้ข้อมูลเกิดประโยชน์กับธุจกิจสูงสุด

Data Analyst skills

จริงๆ แล้วมันยากที่จะบอกว่า Data Analyst ต้องมีทักษะด้านใดบ้าง เพราะมันขึ้นอยู่กับบริษัทและ Roles โดย Roles ส่วนใหญ่ของ Data Analyst จะมีอยู่ประมาณนี้ Analysis, Research, Governance, Data science, Project management

แม้ว่า Data Analyst จะมีหลาย Roles แต่ทักษะพื้นฐานที่ควรมีก็จะคล้ายๆ กัน เช่น

  • Spreadsheets (Excel, Google sheet)
  • Data mining
  • Querying (SQL)
  • Data modeling
  • Basic database design
  • Workflow tools
  • Data visualization tools (Tableau, Power BI, Data Studio)

หากใครสนใจจะเป็น Data Analyst แอดว่าก็ควรเรียนทุกอย่าง เพราะทักษะทุกอย่างมันจะทำให้เราทำงานในสายงานนี้ได้ดีและเข้าใจเกี่ยวกับข้อมูลได้มากขึ้น


2. Fundamentals of Data Understanding

Data Types

จุดเริ่มต้นของการทำงานกับข้อมูลคือ การรู้จักประเภทของข้อมูลเพื่อให้การทำงานกับข้อมูลง่ายขึ้น มี Data Types 4 แบบที่ควรรู้จักเอาไว้

  • Text / String = ตัวอักษรหรือข้อความ เช่น ชื่อ นามสกุล
  • Date and/or Time = วันที่และเวลา เช่น วันที่ลูกค้าสั่งของ
  • Number = จำนวนเป็นตัวเลข เช่น จำนวนของสินค้าที่ขายได้
  • Boolean = Yes, No / True, False / On, Off

เราสามารถเปลี่ยน Data Type ให้เหมาะสมกับการทำงานได้ เช่น ตัวเลขที่ต้องใช้ในการคำนวน เช่น จำนวนก็ควรเป็น Number หรือ วันที่บางทีเก็บเป็น Text หากเราต้องนำมาคำนวนจำนวนวันก็ควรเปลี่ยนให้การเป็น Date เป็นต้น

Data Field

  • Field Heading = หัวตาราง บอกชื่อของคอลัมน์ที่ใช้เก็บข้อมูล
  • Data Value = ค่าของข้อมูลใน Field Heading
ตัวอย่าง Data Field

ตัวอย่าง

Field Heading คือ EmployeeID, Firstname, Lastname, Gender
Data Value คือ ค่าต่างๆ ที่อยู่ในแต่ละคอลัมน์

การทำงานกับ Data เราจะใช้ Field Heading และ Data Value มาประกอบกัน โดยจะเรียก Data แต่ละแถวว่า Record เวลาเราทำงานกับ Data อยากจะให้ทุกคนมองเห็นภาพของ Data Field ไว้ตลอด เพราะเครื่องมือต่างๆ ก็จะทำงานในรูปแบบของ Record แบบนี้

The Data We Don’t Have

Data ส่วนใหญ่ที่เราไม่มีมักจะถูกสร้างขึ้นได้ด้วยการ Calculate ขึ้นมาจาก Data เดิม Data บางอย่างที่เราเห็นใน Reports ก็ไม่ได้มีอยู่จริงในตาราง แต่เกิดจากการสร้างขึ้นใหม่ด้วยการ Calculate ด้วย Function และ Formula ต่างๆดังนั้นสิ่งที่เราควรเรียนก็คือ Function และ Formula นั่นเอง

Basic Math Functions

  • บวก +
  • ลบ –
  • คูณ *
  • หาร /

Basic Formula

FormulaUses
Concatenate– ใช้สำหรับทำงานกับ Text เช่น เชื่อม Firstname และ Lastname ให้แสดงผลเป็น Field เดียว
– ใช้เชื่อมข้อมูลเพื่อสร้างเป็น Unique Key ใหม่
IF– ให้แสดงค่าตาม Condition ต่างๆ ที่กำหนด โดยมีสูตรง่ายๆ คือ
= IF( เงื่อนไข, หากเงื่อนไขเป็นจริง, หากเงื่อนไขเป็นเท็จ) โดยสามารถประยุกต์ต่อได้กับหลาย Formula เลยทีเดียว
AND / OR– ใช้ทำงานกับ Condition หลายอัน ที่ต้องเป็นจริงหรือเป็นเท็จพร้อมๆ กัน หรืออย่างใดอย่างหนึ่งเป็นจริงหรือเท็จ
Case– ใช้ทำงานกับข้อมูลที่มีหลาย Condition มักใช้บ่อยในการเขียน SQL
Basic Formula

ตัวอย่างการใช้ IF

มีข้อมูล Sale Reports อยู่ในมือ แต่ปรากฏว่าข้อมูลในคอลัมน์ Country ไม่สมบูรณ์ เราต้องการที่จะให้ Record ที่ Country เป็นค่าว่าง ให้มีค่าว่า “Undefined”

ดังนั้นเราเลยสร้างคอลัมน์ใหม่ชื่อว่า Country_clean แล้วใส่ IF เพื่อกำหนด Condition
=IF(ISBLANK(D2),"Undefined",D2) จากนั้นดับเบิ้ลคลิกที่มุมซ้ายล่างเพื่อ Apply Formula จะเห็นว่า Record ที่ 9 และ 11 ที่ตรงตามเงื่อนไข ก็จะมีค่า Undefined อยู่ ส่วน Record อื่น ก็จะใช้ชื่อเดิมตาม Condition ที่กำหนดไว้ใน Formula

Result from IF formula

หรือใช้ Concatenate เพื่อรวมข้อมูลจากหลายๆ คอลัมน์ได้ เช่น
=CONCATENATE(C2," ",B2) ที่ต้องใส่ ” ” เพื่อให้ข้อมูลอ่านง่ายขึ้น

Result from CONCATENATE formula

3. Keys to Understand When Starting Data Analysis

Start’s with a simple concept

Dishes make up menus. Data make up reports.

ลองคิดถึงเมนูอาหารในร้านอาหารทั่วไป ตัวเมนูนี้แหละที่เหมือนกับ Reports และรายการอาหารเป็นเหมือนกับ Data เหล่า Data Analyst ที่ต้องทำงานกับ Data และ Business Rules มันไม่ได้ต่างกันเลยกับสูตรอาหารที่ประกอบด้วย วัตถุดิบและขั้นตอนการทำอาหาร

เมื่อเราเริ่มทำอาหารสักจานควรจะเริ่มจากไหน ? แน่นอนเราเริ่มจาก List วัตถุดิบออกมาก่อนว่าต้องใช้อะไรบ้าง อันไหนที่มีอยู่ในตู้เย็นแล้วหรือยังไม่มี ก็เหมือนกับการทำงานกับ Data เราต้องดูก่อนว่าเรามีอะไรอยู่บ้าง และ Data ส่วนไหนที่ยังขาดหายไป หรือเป็น Data ที่ต้องสร้างเพิ่ม พูดง่ายๆ ก็คือ สร้าง Fields List ของ Data ที่มีอยู่นั่นเอง หลังจากนั้นก็ทำการค้นหา Field ที่ยังไม่มี เช่น ดูจาก Table อื่นๆ ที่เรามีอยู่ในฐานข้อมูล หรือ Field นั้นอาจต้องถูกสร้างด้วยการ Calculate เป็นต้น ทีนี้เราก็จะได้ Data set เริ่มต้นเพื่อใช้ในการทำงานต่อไป

Working Backwards Is Helpful

อันนี้แอดเห็นด้วยจากประสบการณ์การทำงานที่ผ่านมา การทำงานย้อนกลับจะช่วยได้เยอะเลย บางทีเราไม่รู้ว่า Data นี้อยู่ที่ไหน แต่เราดูจาก Report แล้วค่อยย้อนกลับไปหาต้นตอของมัน เช่น การแกะ Query SQL ว่าเค้า SELECT มาจากตารางหรือฐานข้อมูลตัวไหน ถ้าเป็นมุมของ Spreadsheet ก็ดูว่าเกิดจากการสูตรอะไร SUM มาจากไหนหรือเปล่า

แต่ถ้าที่ทำงานเรามีคนที่สร้าง ER Diagram (Entity Relationship Diagram) ไว้ให้แล้ว การทำงานก็ง่ายขึ้นมาก แต่จากประสบการณ์ที่แอดทำงานมาหลายที่ แทบจะไม่มีเลย T_T

Join

Join concept by Learning data analytics

การเข้าใจ Concept การ Join จะทำให Data Analyst ทำงานได้อย่างมีประสิทธิภาพมากขึ้น เพราะในโลกความเป็นจริง เราไม่สามารถทำงานจากแหล่งข้อมูลเดียว หรือ ตารางเดียวได้แน่นอน ต้องมีการนำ Data จากหลายแหล่งมาเชื่อมโยงกันเพื่อให้เกิดการวิเคราะห์ที่มีประสิทธิภาพสูงสุด พูดให้เห็นภาพ Join concept คือ สะพานที่ใช้เชื่อมข้อมูลเข้าหากันนั่นเอง ซึ่งเราจะเรียกสิ่งที่เชื่อมว่า Key โดยจะมีประเภทการ Join หลักๆ อยู่ 4 ประเภท

  1. (INNER) JOIN: จะส่ง Record ที่ทั้ง 2 ตารางมีเหมือนกันเท่านั้น
  2. LEFT (OUTER) JOIN: จะส่ง Record ทั้งหมดที่มีอยู่ในตารางด้านซ้าย และ Record ที่ตารางด้านขวามีเหมือนกัน ส่วน Record ไหนที่ตารางทางด้านขวาไม่มี จะกลายเป็นค่า Null
  3. RIGHT (OUTER) JOIN: จะส่ง Record ทั้งหมดที่มีอยู่ในตารางด้านขวา และ Record ที่ตารางด้านซ้ายมีเหมือนกัน ส่วน Record ไหนที่ตารางทางด้านซ้ายไม่มี จะกลายเป็นค่า Null
  4. FULL (OUTER) JOIN: จะส่ง Record ทั้งหมดที่มีอยู่ในตารางซ้ายทั้งหมด ตารางขวาทั้งหมด และส่วนที่เหมือนกันของทั้งสองตาราง โดยผลลัพธ์จะมีจำนวน Record ขนาดใหญ่มาก
Different Types of SQL JOINs by W3school

Data Cleaning

Data cleaning คือ การเตรียมข้อมูลเพื่อใช้งาน โดยตัดส่วนที่ไม่จำเป็นออกไปและแก้ไขข้อมูลที่ผิดให้ถูกต้อง โดยจะมีกระบวนการง่ายๆ คือ

  1. Remove Errors : ลบข้อมูลนั้นทิ้ง เมื่อเรารู้ว่ามันเป็นข้อมูลที่ใช้งานไม่ได้
  2. Validating : ดูข้อมูลที่เรามีว่ามันขัดกับข้อเท็จจริงหรือเปล่า
  3. Standardizing : ทำให้ข้อมูลเป็นรูปแบบเดียวกัน เช่น ตัวเล็ก – ตัวใหญ่

3 กระบวนการนี้ เป็นแค่ Data cleaning เบื้องต้น เพราะขึ้นอยู่กับ Data ว่าจะมาไม้ไหน ซึ่ง Data cleaning นั้นอาจหมายถึงการใช้ IF formula เปลี่ยน Female = F , Male = M ก็ได้ หรือจะเป็นการแยกคอลัมน์ ชื่อ – นามสกุล ก็ได้ และที่ขาดไม่ได้ก็คือการใช้ Sorting อาจทำให้เราเห็นง่ายๆ ว่าข้อมูลมี Blank หรือเปล่า สิ่งต่างๆ เหล่านี้ล้วนทำเพื่อให้ข้อมูลเรามีความถูกต้องและแม่นยำมากที่สุด ก่อนนำไปใช้งานต่อ


4. Getting Started with a Data Project

Data Governance

Data governance คือ กระบวนการที่ถูกออกแบบมาเพื่อจัดการกับ Data ตั้งแต่ต้นน้ำถึงปลายน้ำ จนครบ Life Cycle เลย Data Analyst ไม่ใช่คนที่สร้าง Data governance แต่เราทำงานกับมันต่างหาก Data Access (การเข้าถึงข้อมูล) และ Securiry (ความปลอดภัย) เป็นสิ่งที่เราต้องคำนึงถึงเป็นอย่างแรกในการนำข้อมูลมาใช้งาน โดยเฉพาะอย่างยิ่งข้อมูลที่เป็น Sensitive

Truth

1) Data Truth

Data truth นี่เองที่จะนำเอาข้อเท็จจริงอื่นๆ ตามมา และยังส่งผลถึง Business rules เรายังได้รู้ว่า Data ส่วนไหนที่ยังไม่ได้เก็บหรือยังไม่ได้อัพเดท เพราะในบางครั้ง Data ที่เก่าเกินไปจะใช้งานไม่ได้ เช่น ไม่ได้อยู่ในเทรน หรือ Business rules เปลี่ยนไปแล้ว

2) Stats Truth

Stats truth อาจมาจากทีมนักสถิติหรือนักวิจัย ซึ่งนั่นอาจส่งผลดีหรือร้ายกับข้อมูลของเราก็ได้ เพราะบางครั้ง Data ที่เราวิเคราะห์ออกมาแล้วคิดว่าตัวแปรนี้สำคัญ ในทางสถิติอาจไม่มีนัยสำคัญอะไรเลย T_T

3) Business Truth

Business truth เป็นเหมือนสิ่งที่มาจากผลลัพธ์ของ Data, Stats Truth เพราะมันจะส่งผลออกมาในแง่ของการตั้ง KPI, OKR หรือการปรับเปลี่ยนรูปแบบธุรกิจ โดยรวมถึงการพัฒนาวิธีการวัดผลเพื่อให้ธุรกิจมีประสิทธิภาพสูงสุด

Common Beginner Mistakes

1) Not Asking Enough Questions

ถามน้อยไป !! หลายๆ คนไม่กล้าถามเพราะกลัวว่าคนที่ถูกเราถามจะไม่รู้ อยากให้ลองเปลี่ยนความคิดนั้นเป็นลองมาคิดว่าจะถามคำถามอย่างไรให้ Make sense ดีกว่า พยายามหาทางตั้งคำถามใหม่หากคนที่ถูกเราถามงงกับคำถามแรก

2) Record Counts

เรื่องนี้อาจดูเป็นพื้นฐาน แต่เป็นสิ่งที่หลายๆ คนชอบลืม (แอดเองก็ลืมบ่อยยยย) การดูจำนวน Records ของ Data ที่เราใช้นั้นสำคัญมาก เพราะบางทีเราเตรียมส่งข้อมูลให้หัวหน้า แต่ข้อมูลนั้นมันติด Filter โดยที่เราไม่ทันสังเกตจำนวน Record ทำให้งานที่เราต้องส่งผิดพลาดได้

3) Calculation Verification

แม้ว่าเราจะคำนวนมาอย่างดี กดเครื่องคิดเลขมา หรือ SUM จากสูตร ก็ควรเช็คซ้ำอีกรอบ เราคงจะหัวเสียถ้าสมมุติว่า Report ของเราผิดเพราะแค่เรื่อง + – * / ง่ายๆ

4) Pivot Skill

ว่ากันว่าใครทำ Pivot เป็น คนนั้นครองโลกได้ หลายๆ ครั้งที่แอดเคยเทรน Excel หรือ Google sheet มักจะมีคนขอให้สอนใช้ Pivot อยู่เสมอ ใครอยากเป็น Data Analyst ก็ควรหัดไว้แต่เนิ่นๆ มันจะช่วยลดเวลาในการทำ Data cleaning ของเราด้วย

Pivot คือ การทำงานกับ Data ในรูปแบบของ Cross-tab โดยจะมีส่วนประกอบหลัก 4 ส่วนคือ Row, Column, Value, Filter ช่วยในการสรุปข้อมูลได้อย่างรวดเร็ว

ตัวอย่าง Pivot

5) No Data Dictionary

Data Dictionary เปรียบเสมือนแกนโลกของคนทำ Data เลยทีเดียว โดยเฉพาะอย่างยิ่ง Data Analyst ที่ทำงานกับ Database เป็นหลัก ต้อง Query ข้อมูลด้วย SQL ผ่านตารางต่างๆ โดยทั่วไปแล้วฝั่ง Developer หรือ Database Admin จะเป็นคนสร้าง เพื่อให้เรารู้ว่า Data แต่ละ Field ในแต่ละตารางเป็นอย่างไร เช่น Field Name, Data Type, Data Format, Description เป็นต้น

ตัวอย่าง Data Dictionary

ตัวอย่างของ Data Dictionary by https://www.youtube.com/watch?v=kH0bcw9P2Lc

Data Dictionary จะช่วยให้เรามองเห็น Relationship ของ Data ได้ง่ายขึ้นจากรายละเอียดของ Data โดยนำมันไปใช้กับ Entity Relationship Diagram ที่เป็นเครื่องมือในการวาดความสัมพันธ์ของ Data แต่ละ Table เพื่อทำให้เราใช้ Concept การ Join ได้ง่ายขึ้น

Repurposing Data

การทำงานกับ Data มักจะเจอสิ่งที่ไม่คาดฝันเสมอ สิ่งหนึ่งที่แอดเจอประจำก็คือ การเปลี่ยน Requirement ของ Data ที่ต้องการ หรือในคอร์สนี้เรียกว่า Repurposing Data บางทีต้องการเพิ่มคอลัมน์ที่เราลบไปแล้ว หรือไม่ได้เลือกมาด้วยตั้งแต่แรก งานส่วนใหญ่ของ Data Analyst ทั่วไป มั่กจะเน้นไปที่การทำ Adhoc Report นั่นก็คือ Report แบบด๊วนด่วนนน หรือ งานแทรกนั่นเอง จะมีทีมอื่นๆ ส่งไฟล์ Excel ให้เรามาทำงานต่อ และไฟล์นั้นเองเราเรียกกันว่า Original Source หรือ ไฟล์ตั้งต้น ปัญหาที่คนส่วนใหญ่เจอมี 2 แบบ

1) Done it on original source

ปัญหานี้พบบ่อยสำหรับคนที่ยังมีประสบกาณ์ทำงานน้อย เป็นการทำงานบนไฟล์ตั้งต้น ไม่ได้เก็บไฟล์ตั้งต้นเป็น Back up ไว้ ดังนั้นจึงต้องเสียเวลาในการขอไฟล์ใหม่ หรืออาจจะมีปัญหาในกรณีที่ Data ที่ถูกลบ หายไปอย่างถาวร

2) Can’t find the original source

ปัญหานี้เกิดจากการที่ไม่ได้จัดระเบียบไฟล์ Original Source ให้เป็นระเบียบ ทำให้การค้นหาไฟล์เพื่อนำ Data ที่ต้องการมาใช้ทำงานต่อใช้เวลานาน

ดังนั้นควรมีการเก็บ Original Source อย่างเป็นระเบียบ โดนการสร้าง Folder หรือเปลี่ยนชื่อไฟล์ให้เข้าใจได้มากขึ้น เช่น ไฟล์ Original Source ชื่อว่า Sales_report1 เราก็ทำการ Copy ไฟล์เพื่อใช้ทำงาน และเปลี่ยนชื่อตัว Original Source

ตัวอย่างการจัดการกับ Original Source

Course Summary

คอร์สนี้ส่วนตัวแอดมองว่า เนื้อหามันอาจจะเก่าไปสักนิดกับยุคนี้ เนื่องจากคอร์สนี้เป็นของ Feb 2018 ตัวอย่างในคอร์สจะเป็นการใช้ Microsoft Excel ร่วมกับ Microsoft Access แอดเลยสรุปเนื้อหาแค่ช่วงที่คิดว่าน่าจะยังปรับใช้ได้กับยุคนี้ อย่างน้อยเป็น concept ให้คนที่สนใจจะเป็น Data Analyst ได้มองเห็นคร่าวๆ ว่าจะต้องเจอกับอะไรบ้าง แต่ในคอร์สนี้มีสอนการใช้ Pivot, Chart, Slicer ใน Excel ด้วยนะ ตามไปเรียนกันได้เลย

สิ่งที่ได้จากคอร์สนี้

  • Data Analysis กับ Data Analyst คืออะไร
  • Data Types และ Data Field คืออะไร
  • ทักษะของ Data Analyst เบื้องต้นมีอะไรบ้าง
  • Join Concept 4 ชนิดหลัก มีอะไรบ้าง
  • Data Governance คืออะไร
  • ความผิดพลาดส่วนใหญ่ของคนเริ่มต้นเป็น Data Analyst

หากผลการสอบท้ายคอร์สได้มากกว่า 70% ก็จะมี Certification ที่การันตีโดย National Association of State Boards of Accountancy (NASBA) ด้วยจ้า

ถ้าเพื่อนๆ ชอบบทความนี้ฝากกดแชร์เพื่อให้คนอื่นได้อ่านกันด้วยนะครับ
พูดคุยติชมได้ที่เพจของเรา หรือทิ้ง comment ไว้ได้เลยจ้า

พิสูจน์อักษร @wannipacha