'Data Analyst' และ AI ในมุมมอง ทอย DataRockie และยศ Malonglearn

ในยุคที่ทุกคนสามารถเข้าถึงเครื่องมือ AI ราคาประหยัด และมีความรู้พื้นฐานเกี่ยวกับการใช้งานข้อมูลในชีวิตประจำวัน คำถามที่ว่า “Data Analyst ใคร ๆ ก็เป็นได้จริงหรือ?” กลายเป็นประเด็นร้อนในวงการธุรกิจ โดยเฉพาะในยุคที่องค์กรต่าง ๆ เริ่มใช้ข้อมูลเป็นแกนกลางของการตัดสินใจ

ในความเป็นจริง แม้ว่าทุกคนจะมีโอกาสเป็น Data Analyst ได้ แต่การเป็น Data Analyst มืออาชีพ ยังคงต้องการทักษะเฉพาะที่ลึกซึ้ง และยังคงเป็นตำแหน่งสำคัญที่หลายองค์กรในประเทศไทยต้องการ

ทุกคนมีความเป็นนักวิเคราะห์ แต่ไม่ใช่ทุกคนจะเป็น Data Analyst มืออาชีพ

คุณกษิดิศ สตางค์มงคล (Data Team Lead จาก Adapter Digital) อธิบายว่า ทุกคนในชีวิตประจำวันล้วนใช้งานข้อมูลอยู่แล้ว ไม่ว่าจะเป็นการตัดสินใจเลือกซื้อสินค้า หรือการจัดการเวลาในแต่ละวัน แต่ความแตกต่างระหว่างการใช้งานข้อมูลทั่วไป กับการเป็น Data Analyst คือทักษะในการ วิเคราะห์เชิงลึก และความสามารถในการเปลี่ยนข้อมูลเป็น Insight ที่นำไปใช้ได้จริงในเชิงธุรกิจ

ในขณะเดียวกัน คุณสรกฤช อ้นมณี (Deputy Director, Data Analytics แห่ง CJ Express Group) เสริมว่า “ในประเทศไทย แม้จะมีการเก็บข้อมูลจำนวนมากในองค์กร แต่ส่วนใหญ่ยังขาดความสามารถในการจัดระเบียบและวิเคราะห์ข้อมูลให้เกิดประโยชน์” ซึ่งเป็นเหตุผลที่ Data Analyst ยังคงเป็นที่ต้องการสูง โดยเฉพาะในองค์กรที่ต้องการสร้างความได้เปรียบในการแข่งขัน

AI เข้ามาช่วย แต่ไม่สามารถแทนมนุษย์ได้

ในยุคที่ AI อย่าง ChatGPT หรือ AutoML สามารถสร้างโมเดลพื้นฐานหรือถอด Insight ได้ในระดับหนึ่ง หลายคนอาจมองว่า AI จะเข้ามาแทนที่ Data Analyst แต่ความจริงแล้ว AI ยังมีข้อจำกัดหลายประการ เช่น การตั้งคำถามที่ถูกต้อง การตีความข้อมูลเชิงลึก และการเข้าใจอารมณ์ของผู้ใช้งาน

"AI ไม่สามารถจับอารมณ์หรือความละเอียดอ่อนของผู้ใช้งานได้" คุณกษิดิศกล่าว พร้อมเสริมว่าทักษะ "People Skill" เป็นสิ่งที่ AI ไม่สามารถทดแทนได้ Data Analyst ต้องสื่อสารและทำงานร่วมกับผู้บริหารและทีมต่าง ๆ เพื่อเปลี่ยนข้อมูลเชิงเทคนิคให้เป็นข้อมูลเชิงธุรกิจที่ทุกคนเข้าใจ

ทักษะที่ทำให้ Data Analyst ยังคงสำคัญ

1. ทักษะเชิงเทคนิค (Technical Skills)

ความเชี่ยวชาญในเครื่องมืออย่าง SQL, Excel, และเครื่องมือ Data Visualization เช่น Tableau หรือ Power BI

2. ความเข้าใจธุรกิจ (Business Understanding)

การเข้าใจธุรกิจและพฤติกรรมผู้บริโภค เช่น การวิเคราะห์ข้อมูลยอดขาย หรือแนวโน้มการตลาด

3. การเล่าเรื่องด้วยข้อมูล (Storytelling & Communication)

ความสามารถในการนำเสนอข้อมูลและ Insight ในรูปแบบที่เข้าใจง่ายและโน้มน้าวใจ

4. การตั้งคำถามและคิดเชิงวิพากษ์ (Critical Thinking)

การตั้งคำถามที่ถูกต้อง เพื่อค้นหา Insight ที่ซ่อนอยู่ในข้อมูล

ทักษะเหล่านี้ทำให้ Data Analyst ไม่ใช่เพียงแค่ผู้ใช้งานข้อมูล แต่เป็นนักวิเคราะห์ที่สามารถสร้างคุณค่าให้ธุรกิจได้ คุณสรกฤชกล่าว

Data Analyst ในประเทศไทย ตำแหน่งที่ยังเติบโต

แม้ว่า AI จะเข้ามามีบทบาทในหลายอุตสาหกรรม แต่ผู้เชี่ยวชาญเห็นตรงกันว่า Data Analyst ยังคงเป็นที่ต้องการในประเทศไทย โดยเฉพาะในองค์กรที่อยู่ระหว่างการเปลี่ยนผ่านไปสู่การขับเคลื่อนด้วยข้อมูล (Data-Driven Organization)

ในไทย ทุกองค์กรยังต้องการ Data Analyst เพราะพวกเขาคือผู้แปลงข้อมูลให้เป็น Insight ที่ช่วยตัดสินใจในระดับยุทธศาสตร์ คุณกษิดิศกล่าว

สรุป ใคร ๆ ก็เป็น Data Analyst ได้จริงหรือ?

คำตอบคือ ทุกคนเริ่มต้นได้ แต่ไม่ใช่ทุกคนที่จะทำได้ดี” เพราะการเป็น Data Analyst ไม่ได้อาศัยเพียงแค่การรู้จักเครื่องมือวิเคราะห์ข้อมูล แต่ต้องมีทักษะหลากหลาย ทั้งด้านเทคนิค ความเข้าใจธุรกิจ การเล่าเรื่อง และการทำงานร่วมกับผู้อื่น

ในยุค AI การพัฒนาทักษะเหล่านี้จะช่วยให้คุณเป็น Data Analyst ที่แตกต่าง และมีคุณค่าในตลาดแรงงานที่เต็มไปด้วยความท้าทาย