คอร์สแบบลงมือทำจริง (hands-on) ปี 2025-2026 สอนใช้เครื่องมือ AI วิเคราะห์ข้อมูลตัวจริง ทั้ง ChatGPT ADA, Claude, Gemini in Sheets, Copilot in Excel, Julius และ BI copilots เรามีกฎเหล็กอยู่ข้อเดียว คือ ทุกตัวเลขต้องมาจากโค้ดหรือ SQL ที่รันจริงและกดรันซ้ำเช็กได้ เพราะ AI มันแต่งตัวเลขสถิติขึ้นมาเองได้แบบหน้าตาเฉย ทั้งที่ไม่มีอยู่จริง (เรียกว่าอาการ hallucinate)
ทุกบทเรียนย้ำเรื่องเดียวกัน คือ ตัวเลขที่เชื่อได้ต้องมาจากโค้ดหรือ SQL ที่รันจริงและกดรันซ้ำได้ ส่วนตัวเลขที่ AI พิมพ์มาลอย ๆ โดยไม่มีโค้ดรองรับ ให้ถือว่ายังเชื่อไม่ได้ไว้ก่อน
มีตารางเทียบ ChatGPT ADA, Claude (ทั้ง Analysis tool และ Claude in Excel), Gemini in Sheets, Microsoft Copilot in Excel, Julius และ BI copilots (Power BI, Tableau, Cortex Analyst, Genie) โดยเทียบจากฟีเจอร์และราคาที่รายงานกันจริง พร้อมเตือนไว้ด้วยว่าราคาและฟีเจอร์พวกนี้เปลี่ยนกันบ่อยมาก
ระดับพื้นฐาน (Foundation) สำหรับคนทำงานสายธุรกิจ (business user) ส่วนระดับกลางและระดับสูง (Intermediate/Advanced) สำหรับนักวิเคราะห์และคนวางระบบ ทุกระดับใช้ตัวอย่างงานจริงที่ตรงกับงานวิเคราะห์ข้อมูลด้วย AI
สอนวิธีจับตัวเลขที่ AI แต่งขึ้นเอง (ในบางเรื่องมั่วได้ถึง 6-33%) รู้ทันว่าเวลา AI ตอบผิด มันมักจะพูดด้วยน้ำเสียงมั่นใจกว่าปกติเสียอีก และรู้จักใช้เครื่องมือช่วยตรวจอย่าง Statcheck และ GRIM
RAG ไม่ใช่เครื่องคิดเลข (มันจับตัวเลขได้แย่ และรวมยอดสรุปตัวเลขไม่เก่ง) ส่วนตัว AI (LLM) เองก็พยากรณ์อนาคตแบบเดี่ยว ๆ ได้ไม่เก่ง เราจึงสอนให้เลือกใช้เครื่องมือให้ถูกกับงาน คือใช้ pandas หรือ SQL จัดการตัวเลข และใช้โมเดลพยากรณ์แบบดั้งเดิม (classical model) พร้อมช่วงความเชื่อมั่น (prediction interval) และการทดสอบย้อนหลัง (backtest) เวลาต้องพยากรณ์
บอกชื่อกฎหมาย วันที่ และประเทศที่บังคับใช้แบบชัด ๆ เช่น PDPA มาตรา 28/29 และการต้องแจ้งเหตุภายใน 72 ชม., BCR ไทยเริ่มมีผล 29 ก.ย. 2025, ไทม์ไลน์ของ EU AI Act (2 ส.ค. 2025/2026) รวมถึง NIST AI RMF และ GenAI Profile รหัส NIST-AI-600-1
เลือกจุดเริ่มที่เหมาะกับคุณ แล้วไต่ระดับขึ้นทีละขั้น
สำหรับคนทำงานสายธุรกิจ (business user) ที่มีไฟล์ Excel หรือ CSV อยู่ในมือ อยากถามข้อมูลด้วยภาษาคนธรรมดาแล้วได้คำตอบ โดยไม่หลงเชื่อตัวเลขที่ AI แต่งขึ้น · 12-15 ชั่วโมง
รู้จักภาพรวมเครื่องมือวิเคราะห์ข้อมูลด้วย AI ปี 2025-2026; สำรวจหน้าตาไฟล์ก่อนเสมอ (profiling) ให้รู้จักข้อมูลก่อนลงมือวิเคราะห์; ทำความสะอาดข้อมูลด้วยคำสั่งภาษาคนธรรมดา; เริ่มสำรวจข้อมูลเบื้องต้น (EDA) ให้เจอข้อค้นพบที่น่าสนใจ (insight) …
เข้าสู่บทเรียน →สำหรับนักวิเคราะห์ (analyst) ที่ใช้ SQL หรือ pandas เป็นอยู่บ้าง อยากใช้ AI ช่วยร่างโค้ด (draft) หาจุดผิด (debug) และสำรวจข้อมูล (EDA) พร้อมวางระบบตรวจสอบผลลัพธ์แบบมืออาชีพ · 16-20 ชั่วโมง
ใช้ AI ช่วยร่างและแก้บั๊ก pandas อย่างเป็นระบบ; ความจริงเรื่องความแม่นยำของการสั่ง SQL ด้วยภาษาคน (natural-language-to-SQL); เครื่องมือที่ทำงานในตัวคลังข้อมูลเลย (warehouse-native) อย่าง Cortex Analyst และ Genie; AI ในเครื่องมือทำรายงาน (BI) อย่าง Power BI Copilot และ Tableau Pulse/Agent …
เข้าสู่บทเรียน →สำหรับหัวหน้าทีมข้อมูล (data lead) หรือคนวางระบบ ที่ต้องออกแบบชั้นความหมายข้อมูล (semantic layer) ประเมินการพยากรณ์ (forecasting) และวางกรอบกำกับดูแล (governance) ให้เป็นไปตาม NIST/PDPA/GDPR/EU AI Act · 18-22 ชั่วโมง
ออกแบบชั้นความหมายข้อมูลเพื่อดันความแม่นยำของการแปลงภาษาคนเป็น SQL (text-to-SQL); พยากรณ์ด้วย AI ตรงไหนช่วยได้ ตรงไหนพัง; วางกรอบกำกับดูแลการใช้ AI วิเคราะห์ข้อมูลตามแนวทาง NIST; เรื่องความเป็นส่วนตัวเมื่ออัปโหลดข้อมูล ต่างกันอย่างไรระหว่างแบบผู้ใช้ทั่วไป (consumer) กับแบบองค์กร (enterprise) …
เข้าสู่บทเรียน →หน้ารวมไว้ช่วยตัดสินใจเลือกเครื่องมือ เทียบทั้ง ChatGPT ADA, Claude, Gemini in Sheets, Microsof
หน้าคู่มือขั้นตอนการทำงานแบบครบวงจร (workflow end-to-end) ใช้ได้ทั้งคนที่เขียนโค้ดไม่เป็นและนักวิเคราะห์ ทุกขั้นยึดหลักเดียวก
หน้ารวมหลักจริยธรรม ความปลอดภัย และกฎหมาย ที่เป็นแกนของทั้งคอร์ส กฎข้อ 1 สำคัญที่สุด คือ ทุกตั
| ระดับ | กลุ่มเป้าหมาย | ความคาดหวังหลังเรียน |
|---|---|---|
| Foundation | คนทำงานสายธุรกิจที่เขียนโค้ดไม่เป็น (business user, ผู้จัดการ, นักการตลาด, เจ้าของธุรกิจ) ที่มีไฟล์ Excel หรือ CSV และอยากถามข้อมูลด้วยภาษาคนธรรมดาแล้วได้คำตอบ | อัปโหลดไฟล์เข้า ChatGPT ADA / Claude / Julius / Copilot แล้วสั่งให้สำรวจข้อมูล (profile) ทำความสะอาด (clean) วิเคราะห์ และทำกราฟได้ พร้อมรู้วิธีบังคับให้ AI โชว์โค้ด และตรวจตัวเลขก่อนนำไปใช้จริง |
| Intermediate | นักวิเคราะห์ข้อมูลหรือนักวิเคราะห์ธุรกิจ (data analyst / business analyst) ที่ใช้ SQL หรือ pandas เป็นอยู่บ้าง อยากใช้ AI ช่วยเร่งงานร่างโค้ด (draft) แก้บั๊ก (debug) และสำรวจข้อมูล (EDA) โดยไม่หลงเชื่อผลลัพธ์ | ใช้ AI ช่วยเขียนและแก้ pandas กับ SQL, สั่ง SQL ด้วยภาษาคนบนโมเดลความหมายข้อมูล (text-to-SQL บน semantic model), สร้างสูตร DAX, สำรวจข้อมูลเชิงลึก และวางระบบตรวจสอบผลลัพธ์แบบมืออาชีพ |
| Advanced | นักวิเคราะห์อาวุโส หัวหน้าทีมข้อมูล หรือคนวางระบบ (senior analyst / data lead) ที่ดูแลการวางกรอบกำกับดูแล (governance) ชั้นความหมายข้อมูล (semantic layer) การเลือกแพลตฟอร์ม และการทำตามกฎหมายในองค์กร | ออกแบบชั้นความหมายข้อมูลเพื่อดันความแม่นยำของ text-to-SQL, ประเมินโมเดลพยากรณ์ (forecasting model) แบบใช้ทันทีไม่ต้องเทรน (zero-shot) บนข้อมูลของตัวเอง, วางกรอบกำกับดูแลตาม NIST GenAI Profile และจัดการการส่งข้อมูลข้ามประเทศ (cross-border transfer) ตาม PDPA/GDPR |
เลือกเครื่องมือวิเคราะห์ข้อมูลด้วย AI ให้เหมาะกับงานได้ ไม่ว่าจะเป็นแบบคุยแล้วรันโค้ดให้ (conversational code interpreter), ตัวช่วยในสเปรดชีต (spreadsheet copilot), ตัวช่วยในเครื่องมือทำรายงาน (BI copilot) หรือแบบสั่ง SQL ด้วยภาษาคนในตัวคลังข้อมูล (warehouse-native text-to-SQL) โดยเข้าใจข้อจำกัดจริงของแต่ละตัว
ทำงานได้ครบวงจร ตั้งแต่ อัปโหลด -> สำรวจข้อมูล (profile) -> ทำความสะอาด (clean) -> สำรวจเชิงลึก (EDA) -> ทำเป็นภาพ (visualize) -> ออกรายงาน โดยให้ AI โชว์โค้ดหรือ SQL ที่รันจริงเสมอ
ตรวจสอบและ 'จับผิด' ตัวเลขที่ AI สร้างขึ้นได้ แยกออกว่าตัวเลขไหนมาจากโค้ดที่รันจริง (execution-grounded) กับตัวเลขที่ AI 'เดา' แล้วพิมพ์มาลอย ๆ ในข้อความ
เข้าใจความจริงของการสั่ง SQL ด้วยภาษาคน (natural-language-to-SQL) ว่ามันแม่นก็ต่อเมื่ออยู่บนโมเดลความหมายข้อมูล (semantic model) ที่จัดระเบียบมาดีเท่านั้น แต่พอเจอโครงสร้างฐานข้อมูล (schema) จริงที่ซับซ้อน ความแม่นยำจะตกฮวบ (Spider 2.0 เหลือ ~21%)
เลี่ยงกับดักสถิติคลาสสิกที่ AI ชอบทำพลาด เช่น เอาความสัมพันธ์ไปสรุปเป็นสาเหตุ (correlation != causation), ตีความค่า p (p-value) ผิด, จงใจไล่หาผลลัพธ์ที่ถูกใจ (p-hacking) และลืมดูเงื่อนไขของการทดสอบทางสถิติ (test)
ทำตามกฎความเป็นส่วนตัวและกฎหมายเวลาอัปโหลดข้อมูลได้ เช่น รู้ความต่างระหว่างแพ็กเกจสำหรับผู้ใช้ทั่วไป (consumer) กับแบบธุรกิจ/องค์กร (business/enterprise), PDPA ไทย (มาตรา 28/29 เรื่องส่งข้อมูลข้ามประเทศ และการแจ้งเหตุข้อมูลรั่วภายใน 72 ชม. ตามมาตรา 37), GDPR, EU AI Act และ NIST AI RMF
สร้างงานวิเคราะห์ที่ทำซ้ำแล้วได้ผลเหมือนเดิม (reproducible) เช่น เก็บโค้ดและ SQL ไว้, ล็อกเวอร์ชันของเครื่องมือ (pin เวอร์ชัน), เช็กจำนวนแถวข้อมูล (row count) และดูว่าไฟล์ถูกตัดข้อมูลทิ้งกลางทาง (truncate) หรือเปล่า, และทำเอกสารกำกับโมเดลความหมายข้อมูล (semantic model)