4 min read

เคล็ดลับย้ายสาย เข้าสู่งาน Data เริ่มได้ทันที

เคล็ดลับย้ายสาย เข้าสู่งาน Data เริ่มได้ทันที

ในช่วง 5 ปีที่ผ่านมา สายงาน Data ในไทยเป็นสายงานที่มีค่าจ้างหรือเม็ดเงินค่อนข้างสูงทำให้มีคนจำนวนมากหลั่งไหลเข้าสู่วงการนี้และเติบโตแบบก้าวกระโดด โดยแอดเองก็เป็นเช่นนั้น

ประสบการณ์ย้ายสายของคนเขียนแบบสั้นๆ

เล่าแบบสั้นๆ แอดเองจบ ป.ตรี ภูมิศาสตร์ ทำงานในบริษัทแผนที่มา 6 ปีเต็ม เงินเดือนสุดท้ายตอนนั้นอยู่ที่ 23k มีโอกาสได้ใช้ Excel ในการทำงานในช่วงสองปีสุดท้ายก่อนย้ายงาน ทำให้เริ่มสนใจเกี่ยวกับ Data มากขึ้น เลยตัดสินใจย้ายงานในสายเดิมเพื่อหาเงินไปลงเรียน ป.โท เกี่ยวกับ Data ในขณะเดียวกันก็เรียนออนไลน์ควบคู่ไปด้วย

พอเริ่มมีความรู้ ก็พยายามสมัครงานสาย Data ในบริษัทต่างๆ ไม่สนว่าเป็นบริษัทอะไร กดสมัครรัวๆ ไม่ต่ำกว่า 40 บริษัท สัมภาษณ์จนนับครั้งไม่ถ้วนจนในที่สุดก็ได้เข้าสู่สายงาน Data ใน Start up และไปทำงานต่อที่ Consult สุดท้ายก็มาจบที่ Coporate เรียกได้ว่าผ่านบริษัทมาหลายรูปแบบพอสมควร

สรุป Journey ของตัวเองแบบสั้นๆ

Disclaimer

บทความนี้เขียนจากประสบการณ์ตรงในการทำงาน 10 ปีกว่าและย้ายสายเข้าสู่โลก Data ช่วงปี 2017 ได้ทำงานทุกระดับของฝั่ง Data Analyst เลย

  • Junior Data Analyst
  • Data Analyst
  • Senior Data Analyst
  • Data Analyst Manager
  • Senior Data Analyst Manager
  • Head of Data Analyst

รายละเอียดส่วนใหญ่จึงเน้นไปที่ Data Analyst เป็นหลัก แต่ในตำแหน่งอื่นในสาย Data เป็นข้อมูลจากคนรอบตัวและเพื่อนร่วมงานที่แอดไปถามมา เพื่อนำข้อมูลมาแชร์ให้เป็นประโยชน์กับทุกคนให้มากที่สุด

ในบทความนี้แอดจะขอใช้โป ในกังฟูแพนด้าเป็นตัวแทนของคนข้ามสายที่ค่อนข้างชัดเจน


ถามตัวเองก่อนว่าทำไมอยากย้ายสายงาน

Me, Dorothy, And The Kung Fu Panda – sethlewis.ie
Kung Fu Panda: Seeing himself scene

อยากมีรายได้เยอะ

แนวคิดนี้ไม่ได้ผิดอะไร แน่นอนว่าเราทุกคนต้องหาเงินเลี้ยงตัวเองและครอบครัวให้อยู่ดีมีสุข แต่อย่าลืมว่าสายงานอื่นก็มีรายได้สูงไม่แพ้กัน เช่น

  • เซลล์ขายเครื่องมือแพทย์
  • เซลล์ขายรถยนต์หรู
  • Cyber Security

อยากให้เพื่อนๆ ที่สนใจงานที่มีค่าตอบแทนสูง ได้ลองศึกษาข้อมูลสายงานอื่นบ้างเพราะบางทีอาจเป็นสิ่งที่เรามี Skill จากสายอาชีพเดิมเป็นทุนอยู่แล้ว จะได้ไม่ต้องทำสิ่งที่ยากโดยไม่จำเป็นและถึงเป้าหมายได้เร็วกว่า

ชอบทำงานกับ Data

💡
ถ้าโจทย์การย้ายสายงานเป็นที่ความชอบ อะไรหลังจากนี้ก็จะง่ายขึ้น

หลายคนอาจะคิดว่าแอดพิมพ์อะไรออกมา เพราะตัวเราเองก็ชอบทำงานกับ Data แต่ยังย้ายสายไม่ได้สักที ลองดูว่ามันง่ายกว่าเพราะอะไร?

การที่เราชอบสิ่งใดสิ่งหนึ่ง เราจะอยู่กับมันได้นานกว่าสิ่งที่เราไม่ได้ชอบหรือหลงไหล เช่น ชอบในการหาความรู้เกี่ยวกับ Data เช่น

  • เรียนคอร์สออนไลน์ - ออฟไลน์
  • อ่านหนังสือ หรือ บทความ
  • ฟัง Podcast
  • ฝึกทำโจทย์ Data จากสิ่งที่อยู่รอบตัว หรือ Public Data
  • ไปร่วมงานเกี่ยวกับ Data หรือการพัฒนาตัวเอง

ถ้าเราไม่ชอบตั้งแต่แรก การทำหลายๆ อย่างที่ลิสต์ไว้ข้างบนให้ต่อเนื่องมันจะยากมาก เพราะการทำสิ่งนี้ได้ต้องมี Energy ที่เต็มเปี่ยมอยู่ตลอดเวลา ในช่วงแรกแอดเรียนคอร์สออนไลน์เยอะมากๆ ใบ Certificate น่าจะมากกว่า 100 ใบ เรียนแบบพลังไม่มีหมด ยิ่งไปร่วมงาน Data ก็ไม่เคยพลาดเลยและสิ่งที่ทำไปก็ไม่ได้รู้สึกฝืนด้วย

ถ้าเราตอบตัวเองได้แล้วว่าทำไมถึงอยากย้ายสาย ทีนี้เรามาลองดูกันดีกว่าว่า สายงาน Data ปัจจุบันมีอาชีพอะไรให้เลือกกันบ้าง


สายงาน Data มีตำแหน่งอะไรบ้าง

Kung Fu Panda Cast and Character Guide
Kung Fu Panda: Po's Team

Data Engineer

Data Engineer คือ ทัพหน้าของสายงาน Data เลย ทำหน้าที่หลักๆ อยู่สามอย่าง คือ

  1. ETL pipeline
  2. Data Governance
  3. Security

เพื่อนๆ สามารถศึกษาเกี่ยวกับ Data Engineer ที่เขียนโดย Mils Google Developer Expert สาวสวยคนล่าสุด ต่อได้ใน Link ข้างล่างนี้เลย

Data Engineer ที่ TILDI ทำอะไรบ้าง เราจะเล่าให้ฟัง
ใน TILDI ของเรา ทีม Data Engineer ของเราไม่ได้มีหน้าที่แค่เป็นคนขนข้อมูลให้, transform ข้อมูลให้ หรือวาง pipelineให้ data user เพียงอย่างเดียว นั่นเป็นแค่เพียงส่วนหนึ่งของงานเราเท่านั้น…

Data Engineer ทำอะไรบ้าง by Mils Burasakorn

Analytics Engineer

Analytics Engineer คือ ตำแหน่งที่มีความรู้ด้าน Data Engineering และเข้าใจการนำ Data ไปใช้ในเชิงธุรกิจ ช่วย Data Engineer ในการเตรียมและจัดการข้อมูลให้พร้อมสำหรับ Data Analyst หรือ Business Users นำไปวิเคราะห์ต่อได้

เพื่อนๆ สามารถศึกษาเกี่ยวกับ Analytics Engineer ที่เขียนโดยน้องต้น Tanakrit Kongneing ต่อใน Link ข้างล่างนี้เลย

Analytics Engineer คือใคร ทำหน้าที่อะไรบ้าง
หากพูดถึงตำแหน่งงานในสายงานด้าน data แล้ว ถ้าให้ยกตัวอย่างตำแหน่งงานในสายนี้มา 3 ตัวอย่าง คำตอบส่วนใหญ่ที่คนทั่วไปหรือแม้แต่คนในวงการ data…

Analytics Engineer คือใคร ทำหน้าที่อะไรบ้าง by Tanakrit Kongneing

Data Analyst

Data Analyst คือ ตำแหน่งที่ค่อนข้างก้ำกึ่งระหว่าง Business และ Technical ถ้าจะให้ดีควรมี Skill อย่างละครึ่ง 50:50 เพราะหน้าที่หลักคือ การเข้าใจธุรกิจทั้ง Chain และวิเคราะห์ข้อมูลเพื่อช่วยให้ผู้บริหารตัดสินใจได้ถูกต้องและแม่นยำ

งานสำคัญอีกอย่าง คือ การเป็นตัวกลางระหว่างฝั่ง Business และ Technical ที่ต้องคอยเก็บและแปรผล Business Requirement ออกมาเป็น Technical Requirement ให้เข้าใจได้ง่ายเช่น

การสื่อสารกับ Data Engineer, Analytics Engineer ในการทำ Pipeline หรือการ Transform ข้อมูลให้สามารถทำมาวิเคราะห์เพื่อให้ตอบทุก Business Requirement

การสื่อสารกับ Data Scientist แบบภาษา Technical เพื่อให้ทำงานร่วมกันในการวิเคราะห์ข้อมูลเชิงลึกหรือทำพวก Machine Learning Model เพื่อทำนายผลในอนาคต

  • สรุปหน้าที่ของ Analyst
  1. รับ Business Requirement และแปลงเป็น Technical Requirement
  2. ทำ Ad-hoc Report/Insights จาก Data ทุกอย่างที่มีตั้งแต่ Excel จนถึง Database
  3. สร้าง Monitoring หรือ Analytics Dashboard เพื่อช่วยให้ผู้บริหารตัดสินใจได้ดีขึ้น หรือลด Process ในการทำงาน Manual ของ working level
  4. ทำงานรวมกับ Data Engineer, Data Scientist และทีมอื่นๆ ในการสร้าง Data Platform ให้สมบูรณ์

เขียนซะยาวเลยพอเป็น Data Analyst

Data Scientist

Data Scientist คือ ด่านต่อไปของ Data Analyst เพราะต้องทำงานกับข้อมูลขนาดใหญ่เพื่อหา Pattern ของข้อมูลที่น่าสนใจ สัดส่วนของงาน 80-90% คือการเขียนโปรแกรมเพื่อสร้าง Machine Learning Model ทำนายผลที่อาจเกิดขึ้นในอนาคตเพื่อให้ธุรกิจตั้งรับหรือเปิดเกมรุกได้ก่อนคนอื่น

Machine Learning Engineer

Machine Learning Engineer คือ ตำแหน่งที่ช่วยสร้างระบบที่มี Machine Learning Model ของ Data Scientist อยู่ และทำเป็น Automate ให้มากที่สุด เพื่อลดการทำงานซ้ำๆ ของ Data Scientist ที่สำคัญต้องมีความรู้ด้าน Software Engineer เพื่อให้ระบบมีความเสถียรและมั่นคง

AI Researcher

Artificial Intelligence Researcher คือ ตำแหน่งที่เปรียบเสมือนนักวิจัย AI โดยหน้าที่แบ่งได้เป็นงานประเภทวิจัยจริงๆ หรือแบบประยุกต์ แต่ไม่ว่ายังไง AI Researcher ก็ต้องมีทักษะและความรู้พื้นฐานทางด้านการพัฒนา AI model ซึ่งประกอบไปด้วย

  • การเตรียมข้อมูล (Data Preparation)
  • การฝึก AI (Training)
  • การวัดผล AI (Evaluation)
  • การวิเคราะห์ความผิดพลาดของ AI (Error Analysis)

หากเป็นแบบงานวิจัยจริงๆ AI Researcher ต้องมีความสามารถในการคิดค้นองค์ความรู้ใหม่ให้กับสาขาวิชา AI เช่น การสร้าง AI ด้วยโครสร้างใหม่ หรือคิดค้น Algorithms ที่ใช้ฝึก AI ได้ดีขึ้น

หากเป็นแบบประยุกต์ AI Researcher จะมีหน้าที่หลักคือ การนำความรู้ด้าน AI ในปัจจุบัน มาประยุกต์ใช้ให้ตรงกับจุดประสงค์ขององค์กร เช่น การนำ AI model ที่เป็นแบบ Open-source มาฝึกให้เก่งเฉพาะงานนั้นๆ


ฝึกวิชา Data

หลังจากเข้าใจตัวเองแล้วว่าสนใจตำแหน่งอะไรในสายงาน Data ขั้นตอนต่อไปคือการฝึกวิชาและหาความรู้เพื่อเป็นต้นทุนในการย้ายสายงาน

THIS IS SOOO FUN!! — yeris: kung fu panda (2008), dir. mark osborne +...
Kung Fu Panda: Training scene

ภาษาอังกฤษ

💡
English is the universal language

ทักษะแรกที่จะช่วยให้เราเรียนรู้ได้ดีขึ้น คือ ภาษาอังกฤษ เพราะ Resources ต่างๆ ไม่ว่าจะเป็นบทความ คอร์สออนไลน์ หรือ หนังสือดีๆ ล้วนเป็นภาษาอังกฤษ แอดมองว่าข้อนี้เป็นจุดอ่อนของคนไทยที่มาจากระบบการศึกษา Skill นี้อาจต้องพัฒนาแบบค่อยเป็นค่อยไป ซึมซับจากสิ่งที่เราเรียนหรืออ่านไปเรื่อยๆ จะทำให้พัฒนาได้อย่างรวดเร็ว

ความรู้ Data ในตำแหน่งที่ตัวเองสนใจ

แอดอาจจะไม่ได้ลงรายละเอียดในแต่ละตำแหน่ง แต่จะแนะนำ Platform ที่เป็นจุดเริ่มต้นของตัวเองให้ทุกคนลองเข้าไปศึกษาต่อ หลายคนถามว่าควรเรียนนานเท่าไหร่ อันนี้ตอบไม่ได้จริงๆ อยู่ที่ Pace การเรียนของแต่ละคน

Data Camp

Platform ครอบจักรวาลที่มีความรู้ทุกตำแหน่งของสายงาน Data โดยมีทั้งทฤษฎีสำหรับคนที่อยู่ฝั่ง Business หรือ Management และภาคปฏิบัติที่เป็นการเขียนโปรแกรม โดยมักจะมี Black Friday ลดราคาแรงๆ อยู่เสมอ แอดเอามาแปะให้เพจให้ทุกรอบ

Coursera

Platform ครอบจักรวาลยิ่งกว่า มีทั้งความรู้ในสายงาน Data และ Non-Data ให้เลือกเรียนได้อย่างมากมาย ส่วนใหญ่คนสอนเป็นอาจารย์ที่มาจากมหาวิทยาลัยชั้นนำของโลกและพนักงานจากบริษัทชั้นนำอย่าง Google, Amazon ที่นำประสบการณ์จริงมาสอน

เรียนรู้จากคนที่ทำงานจริงและ Data Community

รูปแบบการเรียนรู้ที่ดีที่สุดอีกรูปแบบหนึ่ง คือ การเอาตัวเองเข้าไปอยู่ท่ามกลางคนที่ทำงานในสาย Data เช่น การไปทำความรู้จักผ่าน Data Community สอบถามเรื่องที่เราสงสัยและยังหาข้อมูลไม่ได้

งาน Talk ของสาย Data ช่วงหลังจะเน้นเป็นการพัฒนาตัวเอง หรือสอนวิธีการเรียนรู้ในรูปแบบต่างๆ เช่น การจดโน้ตอย่างไรให้จำได้ง่าย การเริ่มควรเริ่มแบบ Small Simple Steps

การเอาตัวเองเข้าไปอยู่ใน Community ที่ดี เป็นการรับพลังบวกเข้าสู่สมองและร่างกาย ยิ่งถ้าทำความรู้จักกับคนที่กำลังเรียนหรือย้ายสายเหมือนกับเรา จะทำให้เรามีพลังมากขึ้นและไม่รู้สึกว่าเรียนหรือพยายามอยู่คนเดียว


สิ่งที่ต้องเตรียมให้พร้อมก่อนสมัครงาน

เมื่อเรามีความรู้และพัฒนาทักษะ Data เกี่ยวกับตำแหน่งที่เราสนใจได้สักระยะหนึ่ง อาจใช้เวลา 3 เดือนจนถึง 1 ปี ขั้นตอนต่อมาคือการเตรียม Resume และ Portfolio เพื่อทดลองลงสนามจริง

Gif kung fu panda - bats.fyi
Kung Fu Panda: Preparing himself scene

Resume ของคนย้ายสาย

ย้อนไปเมื่อปี 2017 ที่แอดเริ่มทำ Resume เพื่อสมัครงานสาย Data Analyst จุดเริ่มต้นคือ การทำความเข้าใจว่า Data คือ Fact จากนั้นลองนึกดูว่าเราเคยทำอะไรเกี่ยวกับ Data ในบริษัทที่ผ่านมา

ณ ตอนนั้น นึกได้แค่ Excel เลยเขียนสิ่งที่เราใช้ Excel ในการทำงานแล้วสร้างประโยชน์ได้ เช่น ทำให้คนอื่นทำงานเร็วขึ้น ทำกราฟเสนอผู้บริหารให้เข้าใจง่ายหรือมีชีทคอย Monitor Performance ของงานต่างๆ

อย่าใส่รายละเอียดมากเกินไป

ใน Part ของประสบการณ์ทำงาน ไม่ควรใส่เกิน 5 Bullet Points ต่อหนึ่งบริษัท เน้นเฉพาะสิ่งที่มีประโยชน์และสร้าง Impact ได้ ถ้ามีเรื่อง Collaboration & Cross-Function ก็แสดงให้เห็นว่าเราเป็นคนทำงานเป็นทีมได้

อย่าใส่บริษัทที่มีอายุงานน้อย

เคยเจอบางคนใส่มาว่าทำงานบริษัท A อยู่ 4 เดือน แต่สร้าง Impact ต่อองค์กรเยอะมาก ซึ่งเอาจริงๆ มันแทบจะเป็นไปไม่ได้ หรือถ้าได้เป็นคนเริ่มโปรเจคจริงก็มักอยู่ไม่จบ คือเริ่มได้อย่างเดียวแต่ทำไม่ได้

ดังนั้นถ้าบริษัทไหนที่อายุงานเราน้อยอย่าพยายามใส่เข้ามา ควรใส่เฉพาะบริษัทที่เรามีอายุงาน 1 ปีขึ้นไปจะดีกว่า ช่วยลดการถูกมองว่าเป็นประเภท Job Hopper หรือย้ายงานเพื่อเพิ่มเงินทุกปี

💡
ถ้าส่ง Resume ไปหลายๆ ที่แล้วไม่มีที่ไหนติดต่อกลับมาเลย แสดงว่า Resume ที่เราออกแบบในครั้งแรกยังไม่ดึงดูด ให้ลองกลับมาแก้หรือเปลี่ยนแนวทางแล้วส่งใหม่จนกว่าจะมีบริษัทติดต่อเข้ามา

Certificates

มีคนถามเข้ามาเยอะมาก ว่าควรใส่ Certificate ลงไปใน Resume ไหม คำตอบคือ ควรเลือกใบ Cer ที่จะใส่ลงไป เพราะ Certificate แบ่งเป็นหลายประเภท เช่น

Professional Certificate

ใบ Certificate ที่ต้องจ่ายเงินเพื่อเข้าสอบ ตัวอย่างเช่น Google Cloud จาก Google, Tableau จาก Salesforce, Power BI จาก Microsoft ถ้าเรามี Cert ประเภทนี้จะเพิ่มความน่าเชื่อถือให้เรามากขึ้น เพราะต้องผ่านการ Test จากข้อสอบระดับมาตรฐานมาแล้ว

Microsoft:

Bootcamp Certificate

คือ ใบ Certificate ของคอร์ส Bootcamp ที่ใช้ระยะเวลาเรียนนานพอสมควร แล้วต้องทำ Project ในระหว่างเรียนด้วยอันนี้แอดว่าใส่ได้ เพราะสื่อให้เห็นว่าเรามีวินัยและความตั้งใจในการเรียนจนจบ

Data Science Bootcamp

Online Course Certificate - Test Review

คือ ใบ Certificate ของคอร์สออนไลน์ที่มีคนรีวิว Project จบ เพื่อยืนยันว่าผ่าน เช่น Udacity - Nanodegree เป็น Cert ที่ควรใส่ไปใน Resume เพราะเป็นการ Proved ได้ว่าเราสามารถทำ Project ที่ถูกรีวิวจาก Professional แล้วในระดับนึง

Data Visualization Nanodegree graduation certificate
Data Visualization - Nanodegree

Online Course Certificate - No Test Review

คือ ใบ Certificate ของคอร์สออนไลน์ที่ไม่มีคนรีวิว Project จบ ทำ Final Choice Test กับ ดู Materials ครบทั้งหมด ก็ผ่านแล้ว อันนี้เป็นสิ่งที่คนส่วนใหญ่มี ซึ่งแอดมองว่าใส่ได้แต่ควรจะจัดกลุ่มเป็นหมวดๆ เช่น SQL, Spreadsheet, Data Principle แต่ไม่จำเป็นต้องระบุทุกใบ

View certificate for SORAKRICH OANMANEE, Google Data Analytics, offered through Coursera. Those who earn the Google Data Analytics Professional Certificate have completed eight courses, developed by Google, that include hands-on, practice-based assessments and are designed to prepare them for introductory-level roles in Data Analytics. They are competent in tools and platforms including spreadsheets, SQL, Tableau, and R. They know how to prepare, process, analyze, and share data for thoughtful action.
Google Data Analytics
💡
ใบ Certificates เป็นการบ่งบอกว่าเราเป็นคนหาความรู้เพื่อพัฒนาตัวเอง ที่สำคัญสิ่งนี้ไม่ได้การันตีว่าเราทำงานได้แต่เป็นการบอกว่าเรารู้อะไรบ้าง

Portfolio

ถ้าเราเป็นคนข้ามสายงานมา ใน Resume ก็พยายามเขียนเต็มที่แล้วแต่ยังหาจุดเกี่ยวดองกับ Data ได้ยากเหลือเกิน ไม้ตายก้นหีบของคนแบบเราก็คือ Portfolio นี่แหละครับ การทำสิ่งนี้ให้ดีได้เริ่มง่ายๆ 3 วิธี (ยกตัวอย่างของ Data Analyst)

เริ่มฝึกวิเคราะห์ Open Data

พยายามหลีกเลี่ยง Dataset ที่มักอยู่ในคอร์สเรียนออนไลน์อยู่แล้ว เช่น Superstore ลองหา Dataset อื่นๆ ที่เราสนใจ ถ้าให้คนสัมภาษณ์เข้าใจง่ายก็ลองหาจาก https://data.go.th/ ที่เป็น Open Data ของรัฐบาล หรือ จาก https://www.kaggle.com/ ก็ได้เช่นกัน

หลังจากที่เราฝึกวิชา เรียนรู้ Framework และ Technical ต่างๆ มาแล้ว ทักษะที่คนสัมภาษณ์อยากเห็น คือ การ Apply ความรู้ที่เรียนมาใช้กับงานจริง เป็นการแสดงให้เห็นว่าเข้าใจสิ่งที่เรียนมามากน้อยแค่ไหน ถือ เป็นจุดตัดตัวการรับคนเข้าทำงานได้เลย

เริ่มฝึกจากสิ่งที่อยู่รอบตัว

เริ่มจากบันทึกรายรับรายจ่ายของตัวเอง ออกแบบ Database เชื่อมโยงกันด้วย Concept การ JOIN แล้วส่งข้อมูลออกไปในหน้า Dashboard จากนั้นก็พยายามวิเคราะห์หรือตีความผลของ Chart ต่างๆ ว่าได้ Insights อะไรออกมากบ้าง

ถ้าบ้านใครขายอาหารตามสั่งถือเป็นโอกาสดีเลย ลองเป็นคนจดออเดอร์ของลูกค้า แล้วเอาสิ่งนั้นมาวิเคราะห์ เผลอๆ อาจจะช่วยที่บ้านลด Cost จากวัตถุดิบที่ไม่จำเป็น หรือเตรียมอาหารบางอย่างไว้รอในแต่ละช่วงเวลาได้

สร้างบ้านของตัวเองเพื่อโชว์ผลงาน

พยายามนำสิ่งที่เรียนรู้มาสรุปและเชื่อมโยงกันในรูปแบบของบทความหรือคลิปวีดีโอ นอกจากเป็นการสร้าง Port แต่ยังทำให้เราจำสิ่งที่เรียนรู้และนำไปใช้ต่อได้

💡
คนเราจะเก่งหรือไม่เก่ง ดูได้จากวิธีอธิบายเรื่องยากๆ ให้เข้าใจง่าย

เขียน Medium: ไม่ต้องลงทุนอะไรเลย เพราะเป็น Platform ฟรี ที่เราสามารถทำเป็น Blog ส่วนตัวได้ ข้อดีคือคน Search เจอได้ง่าย เพราะ Medium ทำ SEO ค่อนข้างดี

สร้าง Website: อยากให้ทุกคนลองเริ่มเขียนบทความหรือทำ Portfolio ก่อน แล้วถ้าอยากรวบรวมทุกอย่างอยู่ในที่เดียวกัน ค่อยสร้าง Website ของตัวเอง ซึ่งการสร้าง Website มีทั้งฟรีและเสียเงิน อาจเริ่มจาก Free ก่อนก็ได้

สิ่งที่อยู่ในบ้านของเราเป็นหนึ่งในอาวุธเด็ดที่ช่วยให้บริษัทเห็นภาพไปพร้อมกับเราตอนสัมภาษณ์ และยังเป็นสิ่งที่ทำให้คนรู้จักเรามากขึ้นด้วย


ขั้นตอนและข้อควรระวังในการเตรียมตัวเข้าสัมภาษณ์

Kung Fu Panda 4 Release Date, Cast, Plot, Trailer And More Details
Kung Fu Panda: Meditation scene

เขียนเรื่องตัวเองก่อน

ทุกคนสามารถเริ่มจากสิ่งที่ตัวเองรู้ คือ เรื่องตัวเอง เราเรียนจบอะไรมา ทำงานอะไรจากบริษัทไหนมาบ้าง แล้วเนื้องานที่เราภาคภูมิใจที่สุดและเหตุผลที่เราเปลี่ยนงานแต่ละที่คืออะไร ตอนนี้กำลังสนใจเรื่องอะไรอยู่ เรื่องพวกนี้แหละที่เรารู้อยู่แล้ว พยายามเขียนสรุปออกมาสั้นๆ ให้เข้าใจได้ง่าย

ฝึกพูดเรื่องตัวเองให้คล่อง

💡
Practice Makes Perfect

ถ้าเขียนออกมาได้แล้ว ลองพูดให้ตัวเองฟังก่อนผ่านการอัดเสียงหรืออัดวีดีโอในโทรศัพท์มือถือ หลังจากนั้นสวมบทเป็นผู้ฟัง ลองฟังว่าสิ่งที่ตัวเองพูดออกมามันเข้าใจง่ายมั้ย

การสื่อสารถือเป็นสิ่งสำคัญอันดับต้นๆ ในการสัมภาษณ์ ถ้าเรามี Skill ที่ดี เป็น Star ที่บริษัทเดิม แต่ถ้าเราเล่าสิ่งที่เราทำออกมาให้รู้เรื่องไม่ได้ โอกาสที่จะได้งานก็มีน้อยตามไปด้วย

เก็งข้อสอบ

พยายามฝึกตอบคำถามที่เราคิดว่าจะเจอ ทำให้เราตอบได้อย่างฉะฉานและไม่ตะกุกตะกัก ถือเป็นอีกวิธีในการเพิ่มความมั่นใจในการเข้าสัมภาษณ์ได้ ลองดูตัวอย่างคำถามสัมภาษณ์

  • เล่า Project ที่ภูมิใจที่สุดในงานเดิม
  • ทำไมถึงอยากเปลี่ยนงาน
  • ทำไมถึงเลือกสมัครที่นี่
  • จุดอ่อน - จุดแข็ง
  • อีก 3 ปี คิดว่าเราจะทำอะไรอยู่ตรงไหน
  • ชอบ - ไม่ชอบ ทำงานกับคนแบบไหน
  • ถ้าทำงานกับคนที่ไม่ชอบจะแก้ปัญหาอย่างไร
  • เวลาว่างทำอะไร

อย่ามั่ว อย่าโกหก

ถ้าเราไม่รู้อะไรอย่าบอกว่ารู้ แอดเจอ Candidate เยอะมากที่พยายามเล่าในสิ่งที่ไม่รู้จริง หรือเขียน Buzz word ที่ตัวเองไม่รู้ลงไปใน Resume พอถามเจาะลึกลงไปเรื่อยๆ คนสัมภาษณ์จะรู้ว่าคนคนนี้รู้ไม่จริง และตัวเราเองก็จะเสียความมั่นใจในการสัมภาษณ์ ยิ่งทำให้ถูกปฏิเสธได้ง่าย

💡
สิ่งที่ยากที่สุดของมนุษย์ Candidate คือ การพูดคำว่าไม่รู้

หลายคนคงคิดว่าแล้วถ้าเราไม่รู้ทำยังไงดี? ถ้าเราไม่รู้ก็บอกเลยว่าเรื่องนี้เคยได้ยินมาแต่ยังไม่รู้ว่ามันคืออะไร ขอไปศึกษาเพิ่มเติม แล้วก็อย่าลืม Note เอาไว้ด้วย ถือว่าเป็นอีก 1 Gap ที่เราต้องไปพัฒนาต่อ

อย่าแชร์งานจากบริษัทเดิม

การแชร์หน้าจอ โชว์งานที่ตัวเองทำในบริษัทที่กำลังทำอยู่หรือลาออกมาแล้ว เป็นข้อควรระวังอย่างมาก เพราะบริษัทที่กำลังสัมภาษณ์จะรู้ได้ทันทีว่าความลับของบริษัทอาจถูกเผยแพร่ให้บริษัทอื่นได้

หากอนาคต Candidate คนนี้ลาออกจากเราไปทำงานกับคู่แข่ง ข้อมูลที่เป็นความลับทางการค้าก็มีโอกาสโดนเผยแพร่ได้แน่นอน วิธีการที่ดีกว่าคือแค่เราฝึกเล่าให้เห็นภาพหรือพยายาม Mock up สิ่งที่คล้ายๆ กันออกมาประกอบการสัมภาษณ์ก็พอ

ศึกษาข้อมูลบริษัทที่เรียกสัมภาษณ์

💡
รู้เขารู้เรา รบร้อยครั้ง ชนะร้อยครั้ง

สัมภาษณ์แต่ละครั้งก็เหมือนเราเข้าถ้ำเสือ ดังนั้นเราต้องเตรียมตัวให้พร้อม สำรวจว่าถ้ำที่เรากำลังจะเข้าไปอยู่แถวไหน มีคนเคยไปมาก่อนมั้ย ถ้าพูดให้ชัดก็คือ

  • จุดกำเนิดและผู้ก่อตั้ง
  • มีธุรกิจอะไรในเครือบ้าง
  • สินค้าและบริการของเค้าคืออะไร
  • สถานที่ทำงานอยู่ที่ไหน
  • ประสบการณ์ของเราน่าจะช่วยบริษัทนี้ได้ยังไงบ้าง
  • อะไรที่เราคิดว่าจะได้จากบริษัทนี้

วันพระไม่ได้มีหนเดียว

ถ้าเราสัมภาษณ์แล้วไม่ได้งานก็อย่าเพิ่งท้อ เอาประสบการณ์นั้นมาวิเคราะห์ว่าเราพลาดตรงไหนหรือยังขาดความรู้อะไร พยายามปรับปรุงและพัฒนาเพื่อปิด Gap ตัวเองไปเรื่อยๆ

💡
โอกาสมีไว้สำหรับผู้ที่มีความพร้อมเท่านั้น

ถ้าเพื่อนๆ คอยพัฒนาตัวเองอยู่เสมอยังไงก็ได้งานสาย Data แน่นอน


องค์กรแบบไหนที่เหมาะกับคุณ

แอดจะพูดถึงองค์กร 3 ประเภทที่เคยทำงานให้ทุกคนเห็นภาพมากขึ้น

Kung Fu Panda 4' Is Happening; Universal Sets 2024 Release
Kung Fu Panda: Found it

Start up

Start up คือ องค์กรที่เริ่มทำ Product และ Service ของตัวเองขึ้นมาใหม่ มีทุนน้อย จ้างคนได้จำกัด ส่วนใหญ่เป็นบริษัทที่เน้น Tech เพื่อ Scale ได้ง่ายในอนาคต

ข้อดีของ Start up

คือ การทำงานอย่างหนักเพราะคนน้อย ยิ่งถ้าเราทำ Data ซึ่งแทบจะเป็น Core ของบริษัท เราอาจต้องทำทุกอย่างเลย เช่น Data Engineer + Data Analyst เพราะ Data อาจยังไม่พอให้เราทำงานแบบ Data Scientist

เก็บเลเวลหรือพัฒนาทักษะเร็วมากเหมือนกินยาเร่งโต เพราะทุกอย่างเราต้องทำด้วยตัวเองในงบประมาณที่จำกัด บางบริษัทก็ไม่มีเงินซื้อ Tools ล้ำๆ ให้เราใช้ แค่ Excel หรือ GoogleSheets ได้เก่งมากๆ อาจ Run องค์กรได้เลย

ข้อเสียของ Start up

ชั่วโมงการทำงานไม่แน่นอน เน้นตามสภาวะของบริษัท มักจะมี Ad-hoc จำนวนมาก เราอาจจะต้องเตรียมพร้อมรับงานที่มาได้ทุกเวลาเพื่อการเติบโตของบริษัท

สมัยนั้นแอดต้องทำตัวเลขเพื่อเติมลงใน Slide ที่ CEO ต้องเอาไป Pitch ที่ต่างประเทศบ่อยมาก Time Zone คนละเรื่องเลย ตี 3-4 เป็นเรื่องปกติที่จะมีโทรศัพท์เข้า

Consult & Agency

Consult & Agency คือ องค์กรที่มี Product และ Service เป็นของตัวเองหรือเป็น Partner ช่วยขาย License จาก Tools ใหญ่ๆ แต่มีการ Support ลูกค้าหลังจากนั้นด้วย สิ่งที่เกิดขึ้นในองค์กรประเภทนี้คือ "ลูกค้า"

การทำงานกับลูกค้าจะเป็นไปตาม Scope ที่ทีม Sales ตกลงไว้กับลูกค้าว่าต้อง Support ส่วนไหนเพื่อให้งานจบเป็น Project หรือต่อ License ทุกปีแบบ Recurring ถ้าเราเป็นทีม Data แน่นอนว่าเราจะได้ Support ลูกค้ามากกว่า 1 เจ้าแน่นอน

ข้อดีของ Consult & Agency

เราได้เรียนรู้ Data จากหลากหลาย Industry เช่น Retail, FMCG, Banking, Insurance, Health ทั้งบริษัทขนาดเล็กจนถึงขนาดใหญ่ รวมถึงเทคโนโลยีที่แตกต่างกันของแต่ละองค์กร เช่น GCP, AWS, AZURE

นอกจากนั้น Career Path ค่อนข้างดี เติบโตไว้ ยิ่งถ้าเป็นที่รักของลูกค้า บริษัทจะยิ่งดันให้เราโตขึ้นให้อยู่ในองค์กรนานๆ เพื่อสร้างความประทับใจให้กับลูกค้าเจ้าสำคัญ และเพื่อเป็นการป้องกันสมองไหลออกนอกองค์กรอีกด้วย

ข้อเสียของ Consult & Agency

งานเยอะมาก เพราะการอยู่รอดขององค์กรประเภทนี้อยู่ที่ลูกค้า ถ้าลูกค้าสั่งงานอะไรมาเพิ่มก็ต้องยอมทำ เพราะเสี่ยงที่ลูกค้าจะไม่ต่อสัญญาในปีหน้าถ้าเรื่องมาก การมี Product และ Service ดูเหมือนว่าจะมั่นคงแต่ถ้าลูกค้าไม่ซื้อก็จบกัน การคุม Resource เป็นเรื่องยาก เพราะต้องรับงาน Ad-hoc อยู่เสมอ

ได้ดู Data แค่บางส่วน เพราะลูกค้าไม่ให้เราเข้าไปดู Data ที่สำคัญๆ ทำให้การวิเคราะห์ของเราค่อนข้างสร้าง Impact ได้น้อยมาก เผลอๆ อาจเป็นสิ่งที่เค้ารู้อยู่แล้วด้วยซ้ำ หรือเป็นสิ่งที่เค้า Nice to know

Corporate

Corporate คือ สิ่งที่เรารู้จักกันในนาม บริษัทใหญ่ เป็นองค์กรขนาดใหญ่ที่มีระบบอยู่แล้ว บางบริษัทก็รับทีม Data เข้าไปเพื่อจัดการและวิเคราะห์ข้อมูลที่เก็บไว้เป็นจำนวนมาก บางที่ก็เป็นระเบียบแต่บางที่ก็เหมือนงมเข็มในมหาสมุทร

ข้อดีของ Corporate

มีโครงสร้างองค์กรที่ชัดเจนทำให้ปริมาณงานไม่เยอะเกินไปแบบองค์กรประเภทอื่น (บางบริษัทก็อาจจะงานเยอะนะ 5555) มี Scope งานชัดเจนเพราะองค์กรใหญ่จะรู้อยู่แล้วว่ารับคนเข้าไปทำอะไรบ้าง

เข้าถึง Data ได้ลึก สามารถหา Insights ได้ดีกว่าและสามารถเอาไปสร้าง Impact ให้องค์กรได้ตั้งแต่น้อยจนถึงมาก หากทำผลงานดีก็มีโอกาสได้นำงานนั้นเป็นงานตัวอย่างหรือบรรทัดฐานใหม่และสอนให้คนอื่นๆ ในองค์กรให้ทำได้แบบเดียวกัน

ชั่วโมงการทำงานค่อนข้าง Stable เลิกงานตรงเวลามีชีวิตส่วนตัวกับคนรอบตัว หยุดเป็นหยุด ลาเป็นลา ไม่โดนกวนใจจากลูกค้า เพราะไม่มี (อาจโดนกวนใจจากหัวหน้าแทน 5555)

การจัดการ Resource เป็นไปได้ง่ายกว่า หากรู้ว่าจะรับคนมาเพื่อทำงานอะไร มักจะขอ Headcount ได้ง่ายกว่าบริษัทประเภทอื่น

ข้อเสียของ Corporate

มี Stakeholder จำนวนมาก การทำงานบางส่วนเป็นไปได้ช้า เพราะต้องผ่านการอนุมัติหลายขั้นตอน เกิดการประชุมที่ยืดเยื้อได้ง่ายเนื่องจากต้องรอการตัดสินใจจากหลายฝ่าย

มีหัวหน้าหลายแผนกทำให้เกิดการทำงานแบบ Silo เพราะแต่ละแผนกก็พยายามรักษาอำนาจการตัดสินใจและหน้าที่ของตัวเอง เพราะระดับหัวหน้าส่วนใหญ่ทำงานมานานทำให้มีความกลัวการเปลี่ยนแปลง แต่ถ้าผู้บริหารระดับสูงค่อนข้างมีหัวสมัยใหม่ จะทำให้การเปลี่ยนแปลงเกิดได้ง่ายขึ้น

Career Path อาจโตช้า เพราะถ้าเป็นบริษัทที่มั่นคง โอกาสการย้ายงานของหัวหน้าก็เป็นไปได้ยาก เว้นแต่ว่าเราจะลองไปทำแผนกอื่นในองค์กร หรือริเริ่ม Project, Product ใหม่ๆ และพยายาม Pitch ให้ผ่าน เพื่อขึ้นไปเป็น Lead Team

ติดอยู่กับ Data ใน Industry เดียว ทำให้มุมมองแคบลง เพราะไม่เคยเจอกับ Data นอก Industry ที่สามารถเอามาต่อยอดกับ Data ที่มีได้ ทางแก้คือต้องพยามหาความรู้หรือคุยกับคนสาย Data นอกองค์กรมากขึ้น

💡
หวังว่าเพื่อนๆ จะตัดสินใจได้ง่ายขึ้นว่าอยากสมัครงานกับองค์กรแบบไหนดี แต่อยากเน้นย้ำอีกครั้งว่าทั้งหมดนี่เป็นประสบการณ์ตรงของคนเขียนเท่านั้น ในองค์กรบางประเภทก็มีบริษัทที่มี Culture การทำงานต่างจากที่แอดเคยเจอเช่นกัน

ช่วงอายุกับการย้ายสายงาน

อีกหนึ่งคำถามสำคัญ คือ ถ้าเราอยู่ในช่วงอายุเท่านี้ ยังย้ายสายงานทันไหมและควรหาตำแหน่งแบบไหนดี แอดเลยขอแบ่งเป็นช่วงอายุเพื่อให้เห็นภาพชัดขึ้น

Steam Community :: :: kung fu panda 2 gif
Kung Fu Panda: Papa Scene

23-28 (ทำงานไปแล้ว 2-5 ปี)

เป็นช่วงอายุที่ดีที่สุดในการย้ายสายงาน เพราะเป็นช่วงที่เรทเงินเดือนยังไม่เยอะเกินกว่าที่บริษัทจะลงทุน อธิบายให้ชัด คือ ช่วงอายุนี้ส่วนมากมีตำแหน่งตั้งแต่ Junior จนถึง Mid Level และอีกเหตุผลนึงก็อยู่ที่ตัวคนย้ายด้วย ที่ยังมีกำลังใจและเวลาในการเรียนรู้สิ่งใหม่ๆ สมองยังฉับไวอยู่ 5555

ตำแหน่งที่ควรมองหา: ตั้งแต่ Junior, Mid Level ได้ทุกที่ไม่จำกัด Domain เพราะจุดประสงค์คือการดูดซับและพัฒนา Skill ให้มากและเร็วที่สุด แอดแนะนำให้ไปอยู่ใน Start up หรือ Consult & Agency

29-35 (ทำงานไปแล้ว 6-10 ปี)

เป็นช่วงอายุที่ยังมีโอกาสย้ายสาย เนื่องจากประการณ์ทำงานที่ยังไม่เก่าจนเกินไปและสามารถปรับตัวให้รับสิ่งใหม่ได้ อีกมุมนึงคือเป็นตัวเชื่อมระหว่างยุค Analog กับ Digital ให้คนอาวุโสกับเด็กๆ ได้ดี คนส่วนมากเริ่มเป็น Senior และ Manager แล้ว

ความรู้ที่นำมาประยุกต์ใช้ได้อาจเป็นเรื่องการ Coaching หรือทักษะการ Communicate และช่วงอายุนี้ยังพอย้ายสายแบบลดเงินเดือนได้อยู่ ทำให้มีโอกาสที่บริษัทจะกล้าลงทุนกับคนในช่วงอายุนี้

ตำแหน่งที่ควรมองหา: ตั้งแต่ Mid Level ขึ้นไปโดยเป็นงานที่ยังใกล้เคียงกับ Domain เดิมหรือ Domain ใหม่ๆ ก็ได้ แอดแนะนำให้ลองหางานฝั่ง Consult หรือ Corporate

36-40 (ทำงานไปแล้วมากกว่า 10 ปี)

เป็นช่วงอายุที่ย้ายสายได้ยาก เพราะส่วนมากเริ่มมีเงินเดือนและตำแหน่งสูง ยากที่บริษัทจะลงทุนจ้างคนย้ายสาย คำแนะนำที่ดีที่สุดของช่วงอายุนี้คือการพยายาม Apply Skill Data เข้าไปในงานประจำที่ตัวเองทำอยู่ มอง Data ให้เป็น Skill ที่ต่อยอดความรู้ใน Domain ของตัวเอง

ช่วงอายุนี้คือการทำงานมามากว่า 10 ปี ทำให้เรามีความรู้ใน Domain ของเราแบบลึกซึ้ง และถ้ายิ่งเสริม Skill Data เข้าไปก็เหมือนกับเสือติดปีก ที่ได้ทั้งการวางแผน วิเคราะห์ และนำเสนอให้เกิด Action ยิ่งถ้าตำแหน่งสูงอยู่แล้วยิ่งทำให้เพิ่มความน่าเชื่อถือและทันต่อเทคโนโลยีมากขึ้น เรียกได้ว่าเพิ่มความเก๋า!

ตำแหน่งที่ควรมองหา: ตั้งแต่ Level ปัจจุบันใน Domain เดิมขึ้นไป โดยมอง Data ให้เป็น Skill ไม่จำเป็นต้องมีคำว่า Data อยู่ใน Job Title ก็ได้


เรายังจำเป็นต้องย้ายสายงานไหม?

อ่านมาถึงตรงนี้แล้ว อยากให้ทุกคนลองถามตัวเองอีกสักครั้งว่ายังอยากย้ายสายอยู่รึเปล่า? หรือจริงๆ เราแค่มอง Data ให้เป็นอีก Skill ที่ต่อยอดให้เราเก่งขึ้นและก้าวหน้าต่อไปได้ในสายงานเดิม

สรุปสิ่งที่ต้องคิดหากอยากย้ายสายงาน

  1. ถามตัวเองก่อนว่าทำไมอยากย้ายสายงาน
  2. สายงาน Data มีตำแหน่งอะไรบ้าง
  3. ฝึกวิชา Data
  4. สิ่งที่ต้องเตรียมให้พร้อมก่อนสมัครงาน
  5. ขั้นตอนและข้อควรระวังในการเตรียมตัวเข้าสัมภาษณ์
  6. องค์กรแบบไหนที่เหมาะกับคุณ
  7. ช่วงอายุกับการย้ายสายงาน

หวังว่าบทความนี้จะมีประโยชน์กับทุกคนที่สนใจย้ายสายงานเข้าสู่โลกของ Data ไม่มากก็น้อย ใครมีข้อสงสัยก็สามารถพูดคุยกันได้ใน Comment หรือใน Page ได้เลย

Special Thanks

  • บทความเรื่อง Data Engineer จาก www.mesodiar.com
  • บทความเรื่อง Analytics Engineer จาก Ton Tanakrit Kongneing
  • เนื้อหาสายงาน AI Researcher จาก P'Benz Pisek Kultavewuti
  • สมาชิกในกลุ่ม Facebook Data Analyst Accelerated Bootcamp สำหรับข้อสงสัยต่างๆในการย้ายสายงาน