Guideline Engineer ย้ายสาย สู่ Data Analyst

1 ปี กับ 5 เดือนหลังจากย้ายสายจาก Engineer ออกจากโรงงานมาเป็น Data Analyst เต็มตัว โพสต์นี้อยากจะแชร์ไว้เป็นแนวทางให้กับหลายๆคนที่อยากจะเปลี่ยนสายงานมาสาย Data กันครับ

เดือน พค. ที่ผ่านมา (2025) มานับดูแล้วครบ 14 ปีพอดีตั้งแต่เริ่มทำงานทันทีหลังจบใหม่ ถ้านับเฉพาะตอนอยู่โรงงานก็ 13 ปี เลย ไม่เด็กแล้วนะค้าบ 555+

จาก Engineer ที่วนอยู่แต่สายโรงงานมากว่า 10 ปี ช่วงหนึ่งของการทำงานที่เริ่มตกผลึกออกมาได้ว่าตัวเองชอบทำงานกับ Data มากเป็นพิเศษ และอยากย้ายสายมาทำงานด้านนี้ จึงตัดสินใจสมัครคอร์สเรียนด้าน Data จริงจังไปเลย

และนี่คือแนวทางที่นำมาแบ่งกันกับ ลุยคร้าบ

Table of Contents

1. รู้ว่า ต้องรู้อะไร
2. พื้นฐานที่เรามี
   1. Data skill
3. ขาดเรื่องไหน ไปเรียนเพิ่ม
   1. เรียนที่ไหนดี?
   2. เรียนยังไงไม่ให้ลืม
   3. ใช้ AI ช่วยสอนเรา
4. ฝึกฝน-เก็บประสบการณ์-สร้าง Portfolio
   1. เก็บจากงานประจำนี่แหละ
   2. ทำ Personal Project
   3. Freelance project
5. ไม่มีเวลาต้องทำอย่างไร
6. Moment เปลี่ยนชีวิต

รู้ว่า ต้องรู้อะไร

การรับเด็กจบใหม่ไม่แปลกที่จะรับคนที่ตรงสายเพราะหลายคนยังไม่เคยทำงานมาก่อน ดังนั้นบริษัทต้องรับคนที่มี ‘ความรู้พื้นฐาน’ ก่อนเพราะเรียนรู้งานได้เร็วกว่า

แต่กับคนมี ‘ประสบการณ์ทำงาน’ มาแล้ว สายที่เรียนจบแทบไม่มีผลเลย เพราะบริษัทจะมีข้อมูลเพิ่มแล้ว ว่าเราผ่านงานแบบไหนมา ทำงานแบบไหนได้บ้าง รับมาทำงานได้ไหม

จะเป็นเด็กจบใหม่ หรือคนมีประสบการณ์มาแล้ว แต่สิ่งที่บริษัทต้องการไม่เคยเปลี่ยนเลยคือรับคนที่ ‘ทำงานได้’ เข้ามาเติมเต็ม ‘ช่องว่าง’ ของทีมปัจจุบัน

ดังนั้นสิ่งแรกสำหรับคนย้ายสายต้องรู้เลยคืองานที่เราต้องการย้ายเข้าไปต้องการ (require) skill อะไรบ้าง ให้เข้าไปดู Qualification (คุณสมบัติ) ตำแหน่งที่เราสนใจ ถ้าไม่รู้จะเริ่มหาจากไหนให้ลองเข้าไปดูใน LinkedIn ก่อนได้เลยครับบริษัทใหญ่ๆทั่วโลกอยู่ในนี้เยอะเลย

“จะย้ายไปทำงานสายไหนก็ต้องมี skill ที่เกี่ยวข้องกับงานนั้นก่อน”

พื้นฐานที่เรามี

ในงานของ Engineer จริงๆแล้วเกี่ยวเกี่ยวข้องกับ Data เยอะเลย เพราะเรามีงาน project, งาน process improvement หรืองาน Cost reduction ต่างๆที่ได้รับ assign จากบอสเราเอง ดังนั้น Workflow เราจะคล้ายกับงาน Data Analytics แบบนี้เลย

1. Collect data: เก็บข้อมูลนำมา Analyze ทั้งก่อนและหลัง Action (ดำเนินการปรับปรุง)
2. Prepare data: จัดการข้อมูลเพื่อให้สามารถนำไปใช้งานต่อได้เช่นเอาไป present, สร้างกราฟ (Visualize)
3. Visualize data: งาน Engineer หนีไม่พ้นการทำกราฟเลยเราต้องเอามาทำ report, present หรือใช้ monitoring process ก็ใช่

หลายคนอ่านตรงนี้ อาจพยักหน้า หงึกๆ เออจริงด้วย

Skill พื้นฐานที่เราพอมีแน่ๆคือ Spreadsheets (Excel, Googlesheets), Data visualization แล้ว แต่มากน้อยขึ้นอยู่กับการฝึกฝนเลย บางคนได้ skill coding ด้วย บ้าไปแล้ว 555+

Data skill

แต่เราจะเริ่มมองเห็นจริงๆว่าที่ผ่านมาเรามี skill data อะไรติดตัวมากบ้างก็ต่อเมื่อเราเริ่ม ‘เรียนรู้’ เกี่ยวกับงาน Data จริงๆ

เคยมี Project นึงที่ผมเคยทำที่บริษัทแรก คือ Mixer (เครื่องผสม) เม็ดสี (pigment) กับเม็ดพลาสติก (resin) อธิบายสั้นๆคือ ในการขึ้นรูปขวดนมมีการใช้วัตถุดิบ หลักๆ 2 แบบ

1. ขวดใส่ จะใช้ resin 100%
2. ขวดสี จะต้องผสม resin + pigment

Mixer ตัวนี้ใช้สำหรับผสม resin กับ pigment (ตัวสีส้มตามรูปข้างล่างเลย)

Project ตัวนี้เป็นการ reuse mixer เก่าที่ไม่ได้ใช้งานกลับมาใช้ใหม่ ปัญหาคือมีแต่โครงเครื่องเท่านั้น ระบบ control สัดส่วน (mixing ratio) ไม่มีเหลือแล้ว ปัญหา classic ในการทำงานโรงงาน 555+

Project นี้ทำคนเดียวไม่ได้เพราะเราเป็น Chemical Engineer บอสเลยให้น้องที่เป็น Electrical Engineer มาช่วยเขียนโปรแกรม controller ให้

เล่ามาซะยาว 555+ เรื่องเกี่ยวเกี่ยวกับ Data มันเริ่มจากตรงนี้

Mixer ทั่วไปจะใช้ servo motor ในการควบคุมสัดส่วนการผสมระหว่าง resin กับ pigment เปรียบเทียบกับเครื่องกด ไอติม soft serve พอได้ครับ ถ้าเรากดหัวฝั่งวนิลลา กับช็อคโกแลต ใส่ถ้วยพร้อมกัน ก็จะได้สัดส่วน วนิลลา 50% ช็อคโกแลต 50% (ทั้งสองฝั่งเปิดเท่ากันนะ)

ปัญหาคือการที่เราจะรู้ได้ยังไงว่าต้องใช้ ความเร็วมอเตอร์ (speed) ข้างละเท่าไรเพื่อให้ได้ ratio ตามที่ต้องการ?

อันนี้ต้องเริ่มจากการเก็บข้อมูล (collect data) เลยครับ โดยปรับ speed motor ไว้ค่านึง แล้วเอา resin ไปชั่งน้ำหนัก เก็บเอาไว้ แล้วปรับ speed เพิ่มขึ้น เก็บไปชั่งน้ำหนักเหมือนเดิม ทำแบบนี้ทั้ง resin และ pigment เอาผลมา plot กราฟจะได้ตามรูปด้านล่าง (ตัวเลขอันนี้สมมติขึ้นมาให้เห็นภาพนะคร้าบ)

• แกน Y คือ speed motor ที่ใช้
• แกน X คือน้ำหนัก resin / pigment ที่ชั่งได้

พอทำ scatter plot จะได้ linear equation (สมการเส้นตรง) มา เราเอาสมการพวกนี้แหละไปให้น้อง Engineer ไฟฟ้าไปเขียน program สั่งงาน mixer ให้ผสมสัดส่วนตามที่เราต้องการ

พอไม่กี่ปีมานี้พอผมเริ่มเรียนรู้ skill ด้าน Data จึงเพิ่งมารู้ว่าสิ่งที่ทำในตอนนั้นสาย Data เรียกมันเป็น ‘ส่วนหนึ่ง’ ของการทำ Machine Learning เพื่อเอา model ที่ได้ไปใช้ทำนาย (predict) result (จากตัวอย่าง mixer ข้างบนคือเอา น้ำหนัก [X] เข้าสมการ เพื่อทำนาย speed [Y] )

ที่เล่ามาด้านบนนี้อาจจะ technical หน่อย อยากให้ทุกคนเห็นภาพเลยว่า งานที่เราทำหลายงานมันมีเรื่องจาก Data อยู่ในนั้น เพียงแต่ ‘ตอนนั้น’ เราไม่รู้เท่านั้นเองว่ามันเรียกว่าอะไร

ขาดเรื่องไหน ไปเรียนเพิ่ม

เรียนที่ไหนดี?

เมื่อรู้แล้วว่าเราขาด skill ไหนอยู่บ้างให้เราไปหาเรียนเลยครับ เริ่มจากที่ไม่เสียเงิน หรือเรียน ‘ฟรี’ ก่อนได้เลย ที่ผมใช้อยู่หลักๆ มี 3 ที่

• YouTube: เว็บนี้เป็นได้ทุกอย่างแม้แต่ โรงเรียนออนไลน์ ก็ไม่เว้น อยากเรียนเรื่องไหน search หาได้เลยคนสอนเพียบ
• DataCamp: เว็บนี้เหมาะมากสำหรับฝึก skill data เลย มี vdo แล้วมีให้ทำแล็บด้วย จริงๆเว็บนี้ต้องเสียเงินแต่จะมีช่วง free week อยู่เรื่อยๆ ให้เราเข้าไปเรียนฟรี เอาใบเซอร์ได้ด้วย (ต้องจบในช่วงฟรี)

• Coursera: เว็บนี้ปกติต้องเสียเงินเหมือนกัน แต่ก็มี Free trial 7 วันให้เราเข้าไปเรียน ถ้าจบทันก็มีสิทธิ์ได้ใบเซอร์ด้วย (ต้องไม่ลืม unsubscribe ก่อนโดนหักเงินหลังครบ 7 วันนะคร้าบ)

สำหรับคอร์สเสียเงินมีคอร์สดีๆให้เลือกเยอะเหมือนกันครับ ผมลงเรียน Data Science Bootcamp ของเพจ DataRockie ครับ การลงคอร์สนี้คุ้มค่ามากก ราคาดีเลย 4,900 บาท ได้เรียนตั้งแต่ Spreadsheets, SQL, R, Python, Dashboard คือครบจบทุก skill ที่ Data Analyst คนนึงควรมีเลย ยังไม่นับ skill ที่มีประโยชน์ อื่นๆอีกหลายตัวเลย

เรียนยังไงไม่ให้ลืม

ทั่วไปแล้วหลังจากเรียนอะไรก็ตาม พอผ่านไป 1 วันเราจะลืมมันไป 70% ถ้าเราไม่มีการ Recall (ทบทวน) เรื่องนี้มีบอกในหนังสือ Fluent Forever ของ Gabriel Wyner ด้วย

การ Recall ที่ดีที่สุดคือการ ‘เขียน’ สิ่งที่เรียนไปออกมา โดยการสรุปเป็นโน้ตหลังเรียน อันนี้ช่วยให้เราจำได้แม่นขึ้นเลย

เครื่องมือที่อยากจะแนะนำในการจดโน้ตคือ Notion ครับทุกคน แอปในตำนาน จดไว้ไหน search หาได้หมด เหมือนเป็น Second brain ของเราเลย

รูปข้างล่างนี้เป็น notion ที่ผมใช้จดตอนเรียน Bootcamp ของ DataRockie ปัจจุบันหลังย้ายสายมาเป็น Data Analyst แล้วยังได้ใช้ประโยชน์อยู่เลย notion สามารถ search ได้ว่าเรื่องที่เราจดไว้อยู่ที่ไหน สะดวกมาก

เดี๋ยวนี้มี Generative AI เข้ามาทำให้เราสะดวกขึ้นก็จริงอยากหา function หรือ code ไหนสามารถถามได้เลย บางส่วนต้องยอมรับว่าทำให้จดโน้ตน้อยลงไปบ้าง

แต่บางเคสการจดโน้ตก็มีประโยชน์กว่าอยู่ดี เพราะ GenAI ไม่ได้ให้คำตอบที่เราต้องการได้ทั้งหมด ต้องถาม+เท้าความกันระดับนึงเลย เทียบกับ search ใน notion แล้วเจอเร็วกว่าก็มีคร้าบ

ใช้ AI ช่วยสอนเรา

เมื่อกี้เปิดเรื่อง AI มาแล้ว อยากให้ทุกคนฝึกใช้ AI ให้เป็นครับ ใช้แบบให้เป็นคนช่วยสอนเรา จะช่วยให้เรา ‘เก่งขึ้น’ เร็วกว่าเดิม ระหว่างเราเรียนติดหรือสงสัยอะไรไปให้ AI สอนเพิ่มได้เลย แต่เราต้องฝึก prompt ให้เป็นครับ

prompt ง่ายที่แนะนำให้ใช้บ่อยๆ เวลาต้องการให้ AI สอนเราประมาณนี้เลย “ช่วยสอน(เรื่อง…)ให้หน่อย”

“ช่วยสอนใช้ VLOOKUP ใน Excel ให้หน่อย”
“Please teach me in simple language about AI Prompting”

ถ้าอยากศึกษาเรื่อง Prompting skill แนะโพสต์นี้เลย เขียนเองดีแน่นอน ป้ายยาแล้วหนึ่ง 555+
https://datatrippu.com/2025/02/24/gen-ai-prompting/

ฝึกฝน-เก็บประสบการณ์-สร้าง Portfolio

การที่ recruiter จะเลือกเรามาสัมภาษณ์ คือเขาต้องเห็นก่อนว่าเรา ‘มี skill’ ตาม requirement ที่ต้องการ และตัวที่ช่วยให้เข้าใจได้มากขึ้นว่า skill เราอยู่ระดับไหน คือ ‘portfolio’ เลย ที่โชว์ให้เห็นว่าเราผ่านอะไรมา และทำอะไรได้บ้าง

ผมมี 3 แนวทางเก็บ portfolio ที่อยากจะแนะนำครับ

เก็บจากงานประจำนี่แหละ

ลองดูก่อนว่า หน้างานที่เราทำอยู่ปัจจุบันสามารถเอา skill Data มาปรับใช้ตรงไหนได้บ้าง ถ้าเราสามารถทำวิธีนี้ นอกจากจะได้สะสม portfolio แล้ว เรายังได้ทำให้งานประจำเราดีขึ้นด้วย

ยกตัวอย่างเคสนี้เลย บริษัท หรือโรงงานหลายๆที่ ผมเห็นเขาใช้ PowerBI ใช้ทำ Dashboard กันเยอะเลย เอาไปใช้ ติดตาม kpi (Key Perfomance Indicator) หรือ performance ต่างๆในองค์กร

แต่ส่วนใหญ่เราอาจจะเป็นแค่ user คือแค่เปิดเข้าไปดูกราฟ filter นั่นนี่หน่อยเท่านั้น แต่เราสามารถเอาเรื่องที่เราเรียนไปลอง Build Dashboard ของเราดูได้เลย เรามีทั้ง Data และ License โปรแกรมแล้ว ของโคตรดีย์เลย

จากนั้นเอา project มาเก็บใน portfolio เราได้สามารถโชว์ได้แล้วว่า “เรามี skill Data Visualization แล้วนะ นี่ไงงานที่ผมทำ ทำบน PowerBI ด้วยนะ”

แต่ถ้าหน้างานเราไม่ support ด้านนี้เลย ไม่เป็นไรเลยครับ เราไปทำอีก 2 วิธีนี้ได้เลย

ทำ Personal Project

Data มีอยู่รอบตัว เราเอามันมาทำ project เราได้หลายอย่างเลย source ที่เราหาได้หลักมีตามนี้เลย

Public Dataset: data พวกนี้สามารถหาได้ทั่วไปตาม internet เลยที่ผมใช้บ่อยคือ Kaggle, Google Dataset Search

• Kaggle: https://www.kaggle.com/

• Google Dataset Search: https://datasetsearch.research.google.com/

Generative AI: GenAI ตอนนี้เป็นทางเลือกใหม่ของพวกเราเลย จะใช้ Gemini, ChatGPT หรืออย่างอื่นได้หมด เราแค่ prompt บอกได้เลยว่าอยากได้ dataset แบบไหนเพื่อนำไปฝึกทำ project ใช้ template prompt แบบนี้ได้เลยครับ

“ generate (จำนวน) records of dataset table with these variables, variable 1, variable 2, … variable n “

จะได้ dataset แบบในรูป ให้เรา copy ไปใส่ใน Excel หรือ Googlesheets เพื่อเอาไปฝึกวิเคราะห์ต่อได้เลย

Freelance project

วิธีนี้นอกจากได้เก็บ Portfolio แล้วเรายังใช้หารายได้เสริมให้เราได้ด้วย เพราะเราเอาไป ‘ใช้ทำงานจริง’ เลย platform ที่เราสามารถไปโพสต์งาน freelance ได้มีหลายตัวเลยอย่าง Fastwork, Upwork

ก่อนที่ย้ายผมเริ่มเปิด account ใน Fastwork รับงานทำ Dashboard (Data Visualization) ได้ประสบการณ์ทำ Dashboard เยอะเลย เปิด notion, GenAI ฉ่ำ 555+ ช่วงเริ่มใช้เวลาสักหน่อยกว่าจะมีลูกค้าทักหาเรา แต่เชียร์อยากให้ทุกคนลองทำดูครับ

นี่เป็น result ที่ผ่านมาเกือบ 2 ปี ครับ ถ้านับแค่งานที่เป็น Dashboard จริงๆ ก็ประมาณ 40 ตัวเข้าไปแล้ว

นอกจากนี้รีวิวที่ได้มาเราสามารถนำไป reflect กับงานเราได้ว่าควรปรับปรุงตรงไหนบ้าง บางรีวิวที่ดีๆก็เป็นกำลังใจให้เราส่งมอบงานที่ดีให้กับลูกค้าต่อไป

แถม mindset สำหรับคนที่อยากเก็บประสบการณ์จากการทำ freelance นิดนึงครับ

Mindset 1

เราต้องไม่ลืมว่าวัตถุประสงค์ของเราคือเราอยาก เก่งขึ้น และสะสมผลงานเข้าพอร์ต ดังนั้นเราควรคิดราคา ต่ำๆ ไว้ก่อน เพื่อให้ความคาดหวังของลูกค้า อยู่ในระดับที่เหมาะสมเมื่อเทียบกับราคา

และเราจะส่งมอบงานให้ดีกว่าความคาดหวังของลูกค้า วิธีนี้จะทำให้เรามีโอกาสได้งานมากขึ้น และลูกค้าพึงพอใจกับงานที่ได้ตาม หรือมากกว่าความคาดหวัง

ภาพด้านล่างนี้เป็นพัฒนาการของ Dashboard ตั้งแต่เริ่มทำจนถึง ตอนนี้เลย

(ข้อมูลที่แสดงในรูปด้านล่างเป็นแค่ mock up data เพื่อสร้าง Dashboard เท่านั้น)

Mindset 2

มีโอกาสน้อยมากสำหรับคนเพิ่งเริ่มต้นที่จะได้ requirement งานที่เห็นแล้วจะมองออกว่าทำได้ หรือไม่ได้ เราต้องนำความสามารถในการเรียนรู้พัฒนาตัวเองรวมไปคิดในสมการด้วย ผมขอเรียกมันว่า learning potential

❌ decision = requirement + current skill level
✅ decision = requirement + current skill level + learning potential

ข้อควรระวังของวิธีนี้ ข้อมูล project บางงานเป็นข้อมูลที่เป็นความลับของลูกค้า เราจึงต้องรักษาความลับก่อนเป็นอันดับแรก ให้เลือกข้อมูลที่สามารถ publish ได้ หรือ sensor ให้ดีก่อน

• Tools: Document AI, Python (บน Cloud shell)

• Challenge: เราจะได้สร้าง (Train) Custom Processor บน Document AI เพื่อ Extract ข้อมูลจากเอกสารที่ให้มา

ไม่มีเวลาต้องทำอย่างไร

มีคนทักเข้ามาปรึกษาหลายคนเลยว่าอยากย้ายสายต้องเตรียมตัวอย่างไรบ้าง และมีหลายคนเลยที่ พอถามไปว่าเตรียมตัวไปถึงไหนแล้ว คำตอบที่ได้คือ งานยุ่ง, เพิ่งได้โปรโมท, กลับมาก็ไม่มีเวลาแล้ว หลักๆของคำตอบที่ได้รับคือ ‘ไม่มีเวลา’

ผมแชร์ตารางชีวิตช่วงก่อนย้ายสายไว้แบบนี้ครับ

จันทร์ – ศุกร์:

5.15 น. ตื่น + อาบน้ำ
5.30 น. เรียน online (20 นาที)
5.50 – 6.05 น. แต่งตัว
6.15 น. ขึ้นรถไปโรงงาน + ทำงาน
19.10 น. กลับถึงบ้าน
23.00 น. เข้านอน

เสาร์: (บางอาทิตย์ต้องเข้าไปทำงานครึ่งวัน)

5.15 น. ตื่น + อาบน้ำ
5.30 น. เรียน online (20 นาที)
9.00 – 12.00 น. เรียน online (Live class Data Sceience Bootcamp) (3 ชั่วโมง)

อาทิตย์:

9.00 – 12.00 น. เรียน online (ตามเก็บ Live ที่ไม่ได้เรียนบางเสาร์) (3 ชั่วโมง)
เวลาที่เหลือ ทำธุระส่วนตัว + อยู่กับครอบครัว

แน่นอนว่าย่อมมีคนที่ยุ่งกว่านี้ หรือไม่มีเวลาจริงๆๆ สิ่งที่ผมอยากสื่อก็คือ การเรียนไม่จำเป็นต้องมีเวลาหลายๆชั่วโมงเลย วันละ 20 นาที แต่เรียนทุกวันก็ได้แล้ว

Moment เปลี่ยนชีวิต

ชีวิตเราในตอนนี้เป็นผลรวมการตัดสินใจมากมายที่ผ่านมา เมื่อเราตัดสินใจที่จะเรียนรู้ทักษะใหม่ๆ พัฒนาตัวเอง ก็ส่งผลให้ ชีวิตหลังจากนี้แตกต่างออกไป

Global Digital Report ปี 2024 รายงานว่า คนไทยเล่นโซเซียลวันละ 2.5 ชั่วโมง ปีๆนึงก็ใช้เวลาไปกับมัน 912.5 นาที หรือ ประมาณ 1.3 เดือน แล้วเยอะมาก

ลองคิดดูแบบเว่อๆให้เห็นภาพ ถ้าเราเอาเวลา 2.5 ชั่วโมง ทุกวันไปเรียนรู้พัฒนาตัวเองล่ะ? แน่นอนว่าอีก 5 ปี 10 ปี ข้างหน้าเราน่าจะเป็น คนละคนกับแบบแรกเลย อยู่ที่เราจะ “ตัดสินใจ” เลือกแบบไหน

การตัดสินใจลงเรียน Course Bootcamp ของ DataRockie ก็เป็นหนึ่งในการตัดสินใจเปลี่ยนชีวิตครั้งหนึ่งของผมเลย

ตอนย้ายสายงานได้ ตอนแรกคิดว่าที่เราทำได้เพราะเราลงเรียนคอร์สนี้เลย แต่พอมานั่งตกผลึกจริงๆ แล้วคอร์สนี้เปลี่ยนชีวิตคนได้จริงๆ แต่โมเมนต์ที่เปลี่ยนชีวิตเราจริงก็คือเมื่อเรา “ตัดสินใจ” ที่จะ “พัฒนาตัวเอง” จนหาคอร์สนี้เจอต่างหาก ที่นำมาสู่การย้ายสายงานได้จริงๆ

“เมื่อเรามองหา เราก็จะมองเห็น”

จาก Engineer ที่วนอยู่แต่สายโรงงานมากว่า 10 ปี ช่วงหนึ่งของการทำงานที่เริ่มตกผลึกออกมาได้ว่าตัวเองชอบทำงานกับ Data มากเป็นพิเศษ และอยากย้ายสายมาทำงานด้านนี้ จึงตัดสินใจสมัครคอร์สเรียนด้าน Data จริงจังไปเลย ซึ่งการจะพัฒนาทักษะอะไรซักอย่างมันก็ต้องมีการ trade-off ด้วยเนื่องจากงานที่ทำอยู่ตอนนั้นต้องตื่นขึ้นรถไปทำงานตั้งแต่ 6 โมงเช้า และกว่าจะกลับถึงบ้านก็ทุ่มนิดๆทุกวันเพราะโรงงานอยู่ไกลจากตัวเมือง จึงเริ่มตื่นเร็วขึ้นเป็นช่วงตี 5 ทุกวันมานั่งเรียน วันละ 20-30 นาที

ซึ่งมันก็ทำให้สามารถย้ายสายมาทำงานสาย Data ได้ และ skill ใหม่ก็ยังสามารถเอามาทำ freelance สาย Data ได้ด้วย

ทุกอย่างไม่ได้เกิดขึ้นได้ในวันเดียว แต่มันผ่านการบ่มเพาะตลอดการทำงานหลายปีจนความสามารถบางอย่างมันเด่นชัดออกมา จุดเริ่มต้นเล็กของผมมาจาก Engineer จบใหม่คนนึงที่อยากเรียนรู้การใช้สูตร Excel ให้เราทำงานได้ง่ายขึ้น มีประสิทธิภาพขึ้น รูปข้างล่างนี้เป็นตัวอย่างไฟล์ excel จริงที่ใช้ตอนนั้นเลย

โพสต์อยากให้เป็นแนวทาง และให้กำลังใจกับคนที่อยากจะเปลี่ยนสายงานครับ ทุกคนสามารถทำได้แม้ว่าอายุจะปาไป 30 กว่าๆ แล้วก็ตาม เพียงแต่เราต้องเตรียมตัวให้พร้อม และเอาเวลาของเราไปแลกมา เพราะถ้าเราใช้ชีวิตเหมือนเดิม ผลลัพธ์มันก็จะยังเหมือนเดิม ขอยืม quote ของ แอดทอย Datarockie มาใช้สักหน่อย

“โอกาสมีให้สำหรับคนที่พร้อม”

ขอบคุณทุกคนที่อ่านมาถึงตรงนี้ ชอบตรงไหนหรือมีอะไรอยากจะมาแชร์ comment บอกกันได้ด้านล่างนี้เลย หรือ subscribe เพื่อรับอัปเดตโพสต์ใหม่ส่งตรงถึง mail กันเลยย

Be Better Together

มาเก่งขึ้นไปพร้อมกันกับเรา สมัครรับ Content ใหม่ๆ ส่งตรงถึง inbox ฟรี!