ย้ายสาย Data Engineer ใน 364 วัน ได้จริงหรอ ?!
ตอนที่เริ่มคิดจะเปลี่ยนสาย
ผมไม่มีแผนอะไรเลย
มีแค่อย่างเดียว…
“ไม่อยากใช้ชีวิตแบบเดิมอีกต่อไปแล้ว”
ผมจบวิศวะเครื่องกล
ทำงานโรงงานมา 3 ปีกว่า
ชีวิตวนลูปเหมือนเดิมทุกวัน:
– OT เยอะ รายได้โอเค แต่เหนื่อยเกินคำว่า “ล้า”
– งานเยอะ แต่ไม่มีอะไรใหม่ให้โต
– ความฝันวัยเด็ก ค่อย ๆ หายไปเฉย ๆ
วันนึง … ผมถามตัวเองว่า
“ในอนาคต เราอยากมีชีวิตแบบไหน?”
คำตอบคือ
“อยากโตไปพร้อมวงการที่ยังไปต่อได้”
เลยเริ่มศึกษาสาย Data
ซึ่ง… บอกเลยว่า งงมาก
Data Engineer, Analyst, Scientist ต่างกันยังไง?
ต้องจบอะไร? เรียนเองได้ไหม?
ต้องมีพื้นฐานมั้ย? หรือจบ IT ป.โท เท่านั้น?
ไม่มีใครให้คำตอบ
ผมเลยเริ่มหาคำตอบเอง
ลองผิดเองหลายเดือน
ก่อนจะตัดสินใจลง Bootcamp
เป้าหมายตอนนั้นคือ
“ขอแค่ได้รู้ว่า Data เหมาะกับเราจริงมั้ย”
ระหว่างทางไม่ง่ายเลย
เริ่มจากศูนย์ → ไม่จบสายตรง → ไม่เคยเขียนโค้ด
แต่ผมอยากลองเปลี่ยนตัวเองให้ไปไกลกว่าเดิม
ผมใช้เวลา 364 วันเต็ม
เรียนทุกอย่างตั้งแต่ DA → DS → DE
ทำโปรเจกต์จริงทุก Phase
ทบทวนสถิติใหม่แบบที่ตอนเรียนไม่เคยเข้าใจ
นั่งเขียน SQL ทุกวัน
สร้าง Dashboard ที่เล่าเรื่องได้
ฝึกทำ Model แม้จะไม่แม่น
และสุดท้าย…
สร้างระบบ Data Pipeline ด้วยตัวเอง
ระหว่างนั้นผมสอบติด M.A.D Bootcamp (KBTG)
ได้เจอคนเก่ง ๆ จากหลากหลายสาย
ได้ลอง hackathon ครั้งแรกในชีวิต
ได้รู้ว่า “ความมั่นใจ” ไม่ได้มาจากพรสวรรค์
แต่มาจาก การลงมือทุกวัน แม้จะยังไม่เก่ง
แต่สิ่งที่ยากที่สุดคือ…
“ช่วงหางาน”
ผมสมัครไป 100+ บริษัท
ปรับเรซูเม่ทุกครั้ง
ถูกปฏิเสธซ้ำ ๆ โดยไม่รู้ว่าเพราะอะไร
เคยท้อหนักมาก… แต่ไม่เคยหยุด
สุดท้าย ได้งาน Data Engineer
ในบริษัท Tech ที่ผมอยากเข้า
ในวันที่ไม่ได้คาดหวังอะไรเลย
มีโทรศัพท์เข้ามา…
และมันกลายเป็นสายที่ “เปลี่ยนชีวิตผมไปตลอด”
—
📌 ถ้าคุณกำลังคิดจะย้ายสาย
📌 ถ้ายังไม่รู้ว่าจะเริ่มยังไง
📌 หรือสงสัยว่า “เราจะไหวมั้ย ถ้าไม่มีพื้นฐาน?”
โพสต์นี้… ผมตั้งใจเล่าภาพรวมจากประสบการณ์ตรง
ไม่มีพื้นฐานโค้ด
ไม่จบ IT
ไม่ได้มี ป.โท
แต่ใช้เวลา 364 วัน
เปลี่ยนเส้นทางชีวิตได้จริง ๆ
มันไม่ง่าย…
แต่ “เป็นไปได้”
ถ้าคุณกล้าลอง ลงมือทำจริง และไม่หยุดพัฒนา
เส้นทางนี้… รอให้คุณเริ่มอยู่เหมือนกันครับ 🌱
—
📍ถ้าอยากให้ผมเล่าเพิ่ม เช่น
– 1 วันของ Data Engineer ทำอะไรบ้าง
– Resume / Portfolio ควรมีอะไร
– เทคนิคหางานสำหรับคนเปลี่ยนสาย
คอมเมนต์ไว้ได้เลยครับ 🙏
ผมจะมาเล่าต่อในโพสต์ถัด ๆ ไป
#คลับคนฉลาด #dataengineer #datascience #ย้ายสายงาน #Lemon8ฮาวทู
เห็นหลายคนเสิร์ชคำว่า “รับทำ data pipeline” แล้วลังเลว่าจะจ้างดีไหม/ต้องเตรียมอะไรบ้าง ผมขอแชร์ในมุมคนที่เริ่มจากศูนย์แล้วค่อย ๆ สร้าง Data Pipeline ด้วยตัวเอง (หลังผ่านช่วง DA → DS → DE) ว่าถ้าคุณกำลังจะจ้างหรือกำลังจะรับงาน ควรโฟกัสอะไรเพื่อให้ได้ระบบที่ “ใช้ได้จริง” ไม่ใช่แค่เดโมสวย ๆ 1) ก่อนจ้าง: นิยามเป้าหมายให้ชัด (ไม่งั้น Pipeline จะบาน) สิ่งแรกที่ผมเจอบ่อยคือผู้ใช้ปลายทางอยากได้ “แดชบอร์ด” แต่ปัญหาจริงคือข้อมูลกระจัดกระจาย พอคุณจะจ้างคนรับทำ data pipeline ให้เริ่มจาก 3 คำถามนี้: - ปลายทางต้องการอะไร: Dashboard, รายงานรายวัน, หรือส่งข้อมูลให้ระบบอื่น (API/CRM) - ความถี่: near real-time, รายชั่วโมง, รายวัน - ความถูกต้อง/การยอมรับความล่าช้า: ยอมให้ข้อมูลช้ากี่ชั่วโมงได้ 2) ขอบเขตงานที่ควรระบุในใบงาน/บรีฟ ตอนผมหัดทำ Pipeline ใหม่ ๆ ผมรู้เลยว่าถ้าบรีฟไม่ชัด งานจะวนแก้ไม่จบ ขอบเขตที่ควรมี: - แหล่งข้อมูล (Source): Excel, Google Sheets, Database, API, log file - ขั้นตอน ETL/ELT: จะ “แปลงข้อมูล” ตรงไหน ทำความสะอาดอะไรบ้าง - Data Model: จะออกแบบตารางแบบไหน (เช่น star schema) ใครเป็น owner ของนิยาม metric - ปลายทาง (Destination): Data Warehouse/Lake, หรือทำไว้เพื่อ Power BI / Tableau - SLA/Monitoring: ถ้า Pipeline ล่ม ใครรับผิดชอบ แจ้งเตือนช่องทางไหน 3) ของที่ควรถามคนรับทำ data pipeline (เพื่อคัดคนให้ตรงงาน) ผมแนะนำให้ถามแบบจับต้องได้ ไม่ใช่ถามกว้าง ๆ ว่า “ทำเป็นไหม”: - ใช้เครื่องมืออะไร: SQL, Python, Airflow/Prefect, dbt, หรือใช้บริการคลาวด์ - มีระบบตรวจคุณภาพข้อมูลไหม (Data Quality): เช่น เช็ก null, duplicate, outlier - มีการทำ logging/alerting ไหม และมีตัวอย่างเคสแก้ปัญหาจริงหรือเปล่า - ส่งมอบเอกสารอะไรบ้าง: data dictionary, diagram ของ pipeline, คู่มือรันงาน/แก้ incident 4) เช็กลิสต์ส่งมอบ (Deliverables) ที่ช่วยให้ทีมคุณดูแลต่อได้ หลายงานพังไม่ใช่เพราะทำไม่ได้ แต่เพราะ “ไม่มีคนดูแลต่อ” สิ่งที่ผมคิดว่าควรได้จากงานรับทำ: - Diagram ภาพรวม (Source → Transform → Destination) - โค้ด/คอนฟิกอยู่ที่ไหน (Git) และวิธี deploy - ตัวอย่างการรันย้อนหลัง (backfill) และวิธีแก้เมื่อข้อมูล source เปลี่ยน schema - Dashboard/รายงานที่ผูกกับชุดข้อมูล พร้อมนิยาม metric ชัดเจน 5) ถ้าคุณกำลังจะ “รับทำ” เอง: ทำให้เห็นความน่าเชื่อถือเร็วที่สุด จากประสบการณ์ช่วงหางาน/ทำโปรเจกต์ สิ่งที่ทำให้คนเชื่อคือ: - มีโปรเจกต์ Data Pipeline ที่รันได้จริง (แม้จะเล็ก) + อธิบายเหตุผลการออกแบบ - โชว์ SQL ที่อ่านง่าย, มี testing เบื้องต้น, และมี README ชัด ๆ - ระบุข้อจำกัด/สมมติฐานตรงไปตรงมา (งานจริงไม่มี perfect) สุดท้าย ถ้าคุณกำลังมองหาคน “รับทำ data pipeline” ผมมองว่าไม่ต้องเริ่มจากระบบใหญ่ เริ่มจาก pipeline เล็ก ๆ ที่แก้ปัญหาชัดเจนก่อน (เช่นรวมข้อมูลยอดขายรายวันให้เข้า Power BI) แล้วค่อยขยาย จะคุมงบ คุมความเสี่ยง และวัดผลได้ง่ายกว่าเยอะครับ
อยากรู้เกี่ยวกับ MAD boothcamp ว่าจบมาช่วยให้ใีโอกาสได้ง่ายที่ kbtg ไหมครับ? เพราะเห็นจขพบอกว่า ยากสุดคือการหางาน จากสมัคร100+ อะไรเป็นสิ่งที่ทำให้ได้งานครับ