Data Tricks by Ravy

เคยเป็นมั้ย? อ่านหนังสือเยอะมาก แต่พอต้องใช้งานจริง กลับจำอะไรไม่ได้เลย? ก็เพราะว่าเราเน้น "จำ" มากกว่า "คิด"

คิดเป็นดีกว่าจำยังไง?
💡เข้าใจแบบหมดเปลือก - การคิดเหมือนเรา "เข้าใจ" วิธีสร้างบ้านเอง จะต่อเติมอะไรก็ง่าย
💡เชื่อมโยงข้อมูล - เวลาเราคิดเป็น เราจะเริ่มเห็นความเชื่อมโยงของเรื่องต่างๆ ต่อจุดเชื่อมกับข้อมูลเดิมที่เรามีอยู่ให้ได้ภาพที่ใหญ่ขึ้น ทำให้เราจำได้นานขึ้น
💡 ใช้ได้จริง ชีวิตไม่ติดขัด - การคิดวิเคราะห์เป็นพื้นฐานสำคัญของการแก้ปัญหา ถ้าเราเข้าใจปัญหาอย่างถ่องแท้ เราจะคิดวิธีแก้ไขได้หลากหลาย เช่น ถ้าแค่"จำ"วิธีทำอาหารตามสูตร พอไม่มีวัตถุดิบบางอย่างก็ไปต่อไม่เป็น แต่ถ้าเรา"เข้าใจ"หลักการทำอาหาร เราจะปรับเปลี่ยน พลิกแพลงวัตถุดิบ หรืออุปกรณ์ไปได้ตามสถานการณ์
💡การเรียนรู้ไม่มีที่สิ้นสุด - คนที่คิดเป็นจะสนุกกับการเรียนรู้สิ่งใหม่ๆ จะตั้งคำถาม สงสัย และอยากหาคำตอบด้วยตัวเอง ซึ่งเป็นทักษะสำคัญในโลกปัจจุบันที่มีข้อมูลมากมายและเปลี่ยนแปลงอย่างรวดเร็ว

น้องๆที่อยากลองเริ่มเข้าใจมากกว่าจำลองเทคนิคสรุปแบบเล่าให้เพื่อนฟัง ไม่ต้องกดดันตัวเองให้ต้องจำทุกอย่างเป๊ะๆ ลองสนุกกับการ "คิด" ทำความเข้าใจสิ่งต่างๆ รอบตัว แล้วจะรู้ว่าการเรียนรู้มันสนุกและมีประโยชน์

มาฝึก "คิด" ไปด้วยกันนะ รับรองชีวิตง่ายขึ้นเยอะ 🥰
#เรียนให้เป็น #คิดให้รอด

เรามาสร้างนิสัยรวยกันดีกว่า 💵💰

ปาร์ตี้น้ำชา Starbucks รอบนี้ ขอบคุณคุณแม่เรวี่ Raweerot Ravy Seeladlao เจ้าของกลุ่ม Data Analytics With Ravy (ตัวจริง) ที่ชวนร่วมวงสนทนา วันนี้ Topic ดุเดือดมาก ได้ความรู้ใส่กันไม่ยั้ง 5555555

-Fundamental ความคิดเบื้องต้น
คุณแม่เรวี่พูดถึงความคิดพื้นฐานที่สำคัญในการต่อยอดทั้งในสายอาชีพและการใช้ชีวิต เช่น Programming Language, Algorithm, Data Structure ที่ทุกสายงานต้องมี ถ้าเข้าใจตรงนี้ก็เลือกใช้ Tools ได้ถูก เช่น Seaborn, Pandas, Numpy, Matplotlib, OpenCV และการวิเคราะห์ที่ทุกคนทำอยู่ในชีวิตประจำวัน เช่น การขายของให้ได้กำไร

-แนวทาง Business และการใช้ Graph Database
พี่คริสแนะนำเกี่ยวกับ Business แนวทางบริษัทในอนาคต Graph Database ซึ่งมีการจัดเก็บข้อมูลในรูปแบบกราฟ มี Entity และ Relationship แม้จะมี Use Case น้อยและต้นทุนสูง แต่บอกได้ว่าบริษัทที่ใช้มีทุนที่จะพัฒนาองค์กรอย่างแน่นอน หรือเรียกง่ายๆว่า บริษัทรวย น่าทำงานด้วยเพราะได้เล่นของแพง โอกาสน้อย

-การ Deploy Model ขึ้น Cloud
พี่จอม ML Engineer คุยกันเรื่องการนำ Model ขึ้น Cloud การเป็น Full Loop ML Engineer ต้องทำ POC, Docker, Kubernetes ความท้าทายคือการ Deploy เพื่อให้ User ใช้ได้จริง ไม่ใช่แค่ได้ % Accuracy สูงๆ และไม่สามารถนำไปใช้งานจริงได้เพราะ build ไม่ผ่าน 55555

-ประสบการณ์การทำงานกับข้อมูลจริง
น้องอาชา เพื่อนจบ Super AI รุ่นล่าสุด ได้สัมภาษณ์งานเป็น Data Scientist Researcher เราคุยกันถึงข้อมูลที่อาจเป็น Mock-up และไม่ตอบโจทย์ในงานจริง โมเดลอาจทำนายไม่ตรงตามที่เคย POC มา ซึ่งเราถกกันเรื่องนี้ว่า Data ที่เป็น Open Source อาจไม่ตอบโจทย์ในงานจริง

-การแข่งขันกับคู่แข่งและการเปลี่ยนแปลง Culture องค์กร
พี่ปอ(นามสมมุติ) เจอปัญหาว่าจะทำยังไงให้คนใช้สินค้าของบริษัทมากขึ้น ปัญหาไม่ใช่ Technical แต่เป็นการเปลี่ยน Culture องค์กรเพื่อสู้กับคู่แข่งที่แข็งแกร่ง

สุดท้ายขอบคุณพี่ๆ และเพื่อนที่แบ่งปันความรู้ และขอบคุณคุณแม่เรวี่ที่ชี้แนะ ให้ผมคิดเองและตัดสินใจไม่ออกนอกลู่ทาง ขอบคุณครับ

#การเดินทาง

🎙️💡น้องๆที่ยังไม่เคยรู้จักพี่เรวี่ พี่แอดขอแนะนำพี่เรวี่สั้นๆน้า

ก่อนที่จะมาเป็น Data Recruitment Consultant specialist และตอนนี้ผันตัวมาทำ Career Growth and Analytics Coach พี่เรวี่เคยทำงานวิศวะด้านความปลอดภัยมาก่อนนะคะ

📝เราเปลี่ยนสายงานได้เสมอ
อยู่ที่เรารู้จักเตรียมตัวให้พร้อมทั้งความรู้ Hard skills, Soft skills, Mindsets รับรองยังไงก็ได้งาน

📊อยากทำงานสาย Data เริ่มยังไงดี?

- ถามตัวเองก่อนอยากทำ pilar ไหน DE/DS/DA?
- รู้ว่าข้อมูล Query ยังไง แหล่งข้อมูลมาจากไหน เช่น CRM , ERP, SAP หรือ Excel เลยก็ได้
-ใช้อะไรดึง ดึงแล้วไปเก็บไว้ที่ไหน (SQL, Python,
R) -> Warehouse, Lake, Mart
- คลีนข้อมูลเสร็จ สร้าง Pipeline ส่งต่อไปที่ไหนใครรับช่วงต่อ
-ได้ข้อมูลมาแล้วทำเป็นรีพอร์ตแบบไหน Graph,
แผนภูมิ, Dashboard
- ลองวิเคราะห์ว่าข้อมูลที่เราได้มาเอาไปทำประโยชน์อะไรได้บ้าง สร้างโปรโมชั่นออกผลิตภัณฑ์ใหม่ หรือ เพิ่มจุดขาย?

ℹ️ ส่วนน้องๆที่ติดตามกันมานาน ผลงานของพี่เรวี่คงไม่ต้องพูดเยอะแล้วเนอะ

สวัสดีครับพี่เรวี่เจ้าของเพจ Data Tricks By Ravy
วันนี้มาแนะแนวพี่ๆน้องๆที่จบการศึกษาหรือกำลังเรียนในคณะ ที่สาขาวิชามีตัวอักษรเหล่านี้ I B T C (S : STATS STATS STATS) ในชื่อคณะและภาควิชา

I = Informatiom B = Business T= Technology C Computer Eng/Comp Sci

ใครที่อยากทำงานในสาย Data โดยเฉพาะ ซึ่งพี่เรวี่เป็นที่ปรึกษาในการคัด Talent ให้กับองค์กรชั้นนำในไทยและต่างประเทศ และเป็น STEM USA Career and Analytics Coach ให้น้องๆ Carnegie Mellon University / Stanford /UC Berkeley/UC San Dieg etc.

สิ่งที่พี่อยากแนะนำในการพัฒนาตัวเองที่ไวที่สุดคือเราต้องรู้ว่าเรากำลังเรียนอะไรอยู่ ความรู้หลังจากเรียนจะเอาไปใช้ทำอะไร ที่ไหน อย่างไร
5 W 1 H

งานที่เหมาะสำหรับคณะและภาควิชาดังกล่าว
- Data Analyst 📈
- Data Scientist 📈
- Business Analyst/Business Consultant 📈
- System Analyst
- Software Engineer
- Quality Assurance Engineer
(เงินเดือนสูงสุดที่พี่เคยหาคือ 450K Bath/Month และจบใหม่ สกิลดี ภาษาอังกฤษดีนี่ 35K ก็ได้)
ไม่น้อยน้าจบใหม่ 30K UP

ดังนั้นภาควิชาของใครที่เรียนอยู่มีวิชาเหล่านี้ ตั้งใจเรียนเลยครับน้องๆ เงินเดือนหลักแสนรออยู่แค่เอื้อม(ถ้าคุณสมบัติเราเจ๋งมากๆ)

- Stats Maths , Computational theory
Data Structures & Algorithms Analysis (Big O Notation, Time complexity)
- OOP , Infrastructure , Web programming

จะเห็นได้ว่าใครที่มีความรู้ด้าน Programming languages สามารถเขียน Coding ได้ถูกตามหลัก Logic ก็จะมีข้อได้เปรียบที่เหนือกว่า
-Business ก็ข่าวสารบ้านเมืองโลก BBC CNN นะคะ เศรษฐกิจโลก ราคาผันผวน ทองน้ำมัน ไรงี้น้า World's economy

พี่รู้มันยาก แต่ถ้าเราเลือกที่จะเรียนสาขาดังกล่าว เราก็ต้องรับผิดชอบอาชีพเรา ให้มันถูกต้อง เอาออกมาใช้ทำงานได้อย่างมั่นใจทั้งทางตรงและทางอ้อม และส่งท้าย Data [Analysis Critical] ไม่ใช่อาชีพ แต่เป็นทักษะที่ทุกคนควรมี

Get ready for something amazing!🔜

พี่ Raweerot Ravy Seeladlao & Co กำลังซุ่มพัฒนาโปรแกรมโคชชิ่งที่ไม่เหมือนใคร ตามคอนเซปของพี่เรวี่ที่อยากช่วยให้น้องๆ ดึงความสามารถของตัวเองออกมาให้ได้มากที่สุด!