AI Engineer หรือ Data Analyst ในไทย สายไหนเริ่มงานง่ายกว่า

|ผู้เขียน: กองบรรณาธิการ QUASA|3 นาทีในการอ่าน
AI Engineer หรือ Data Analyst ในไทย สายไหนเริ่มงานง่ายกว่า

สำหรับคนที่ยังไม่มีประสบการณ์ตรงในตลาดงานไทย Data Analyst มีทางเริ่มที่ชัดกว่า โดยเฉพาะเมื่อมีพื้นฐานทำรายงานหรือจัดการข้อมูลอยู่แล้ว ผู้สมัครสามารถสร้างผลงานที่แสดงวิธีดึงข้อมูล ตรวจความถูกต้อง และอธิบายผลได้ ส่วน AI Engineer เหมาะกับคนที่เขียนโปรแกรมและพัฒนาซอฟต์แวร์ได้ เพราะต้องพิสูจน์ว่าระบบที่สร้างทำงานและประเมินผลได้จริง

ความต่างไม่ได้อยู่ที่ชื่ออาชีพหรือเพดานเงินเดือนเพียงอย่างเดียว ข้อมูลประกาศงานชี้ว่ากลุ่มงานข้อมูลมีพื้นที่รับสมัครกว้างกว่า ขณะที่คู่มือเงินเดือนมีช่วงอ้างอิงสำหรับ Data Analyst ระดับต้น แต่ยังไม่มีตัวเลขในช่องประสบการณ์เดียวกันของ AI Engineer ช่องว่างนั้นเป็นข้อจำกัดของข้อมูลค่าจ้าง ไม่ได้หมายความว่าไม่มีบริษัทรับคนระดับต้นในสาย AI

งานที่ทำและหลักฐานทักษะต่างกันตรงไหน

Data Analyst เริ่มจากคำถามของธุรกิจ เช่น ยอดขายเปลี่ยนเพราะจำนวนคำสั่งซื้อหรือมูลค่าต่อคำสั่งซื้อ จากนั้นดึงข้อมูล จัดการรายการที่ซ้ำหรือขาด เลือกวิธีคำนวณ และแปลผลให้ผู้เกี่ยวข้องตัดสินใจได้ AI Engineer รับผิดชอบส่วนที่เป็นระบบมากกว่า ตั้งแต่เตรียมข้อมูลหรือเชื่อมโมเดลกับแอปพลิเคชัน ไปจนถึงทดสอบผลลัพธ์และดูแลการทำงานหลังนำไปใช้ ความรับผิดชอบจริงอาจต่างกันตามประกาศงานของแต่ละบริษัท

ใน การวิเคราะห์ทักษะจากประกาศงานของทีดีอาร์ไอ กลุ่ม Data Scientist/Data Analyst ระบุทักษะ Business Intelligence 36.6% และภาษา Query ซึ่งรวม SQL 33.2% ส่วนกลุ่ม AI Engineer/ML Engineer ระบุทักษะ AI/ML 84.6% และภาษาเขียนสคริปต์ 70.1% ตัวเลขเป็นสัดส่วนประกาศในแต่ละกลุ่มอาชีพที่งานวิจัยจัดรวม ไม่ใช่เกณฑ์ขั้นต่ำที่ทุกนายจ้างใช้เหมือนกัน ความต่างที่เห็นได้คือฝั่งวิเคราะห์ข้อมูลเน้นการเปลี่ยนข้อมูลเป็นคำตอบ ส่วนฝั่งวิศวกรรมต้องรับผิดชอบวิธีสร้างและทำให้ระบบทำงานต่อเนื่อง

  • ทักษะที่ควรแสดง: ผู้สมัคร Data Analyst ควรดึงข้อมูลด้วย SQL จัดข้อมูลในสเปรดชีตหรือเครื่องมือวิเคราะห์ และอธิบายว่าตัวเลขตอบคำถามธุรกิจอย่างไร ผู้สมัคร AI Engineer ควรแสดงการเขียน Python การเชื่อมส่วนประกอบของระบบ และวิธีประเมินผลของโมเดล
  • งานตัวอย่างในพอร์ต: ฝั่งข้อมูลอาจใช้ชุดข้อมูลที่มีสิทธิใช้งาน วิเคราะห์ยอดขายตามสินค้าและช่วงเวลา พร้อมแสดงวิธีจัดการรายการคืนเงิน ฝั่ง AI อาจสร้างต้นแบบจัดหมวดคำถามลูกค้า โดยแสดงข้อมูลเข้า ผลลัพธ์ ตัวอย่างที่ระบบจัดผิด และวิธีแก้ ตัวอย่างเหล่านี้เป็นโจทย์สมมติสำหรับทำผลงาน
  • หลักฐานที่ตรวจย้อนกลับได้: พอร์ต Data Analyst ควรบอกแหล่งข้อมูล วิธีนับ และข้อจำกัดของข้อสรุป พอร์ต AI Engineer ควรมีโค้ด วิธีทดสอบ ขอบเขตการใช้งาน และคำอธิบายว่าจะตรวจพบผลลัพธ์ผิดพลาดอย่างไร

กราฟที่ดูดีหรือหน้าสาธิตที่ทำงานได้เพียงครั้งเดียวอาจยังไม่ตอบคำถามของผู้สัมภาษณ์ ฝั่งข้อมูลต้องอธิบายได้ว่าผลเปลี่ยนหรือไม่เมื่อปรับวิธีนับ ฝั่ง AI ต้องอธิบายได้ว่าระบบล้มเหลวในกรณีใดและจะแก้ปัญหาอย่างไร คนที่เคยทำงานขาย การตลาด หรือปฏิบัติการสามารถใช้ความเข้าใจธุรกิจเดิมตั้งโจทย์วิเคราะห์ได้ ส่วนคนที่เคยพัฒนาแอปพลิเคชันอาจนำทักษะซอฟต์แวร์เดิมมาต่อยอดระบบ AI ได้เร็วกว่า

จำนวนประกาศงานชี้ทางเข้าได้แค่ไหน

งานวิเคราะห์ข้อมูลเชื่อมกับโจทย์สินค้าบนชั้นในธุรกิจค้าปลีกไทย ซึ่งเป็นหนึ่งในภาคที่มีความต้องการนักวิเคราะห์ข้อมูล

ผลสำรวจตลาดงานของทีดีอาร์ไอ รวบรวมประกาศจากเว็บไซต์หางาน 23 แห่งระหว่างเมษายน 2567 ถึงมีนาคม 2568 และนับกลุ่ม Data Scientist/Data Analyst ได้ 7,026 ตำแหน่ง เทียบกับกลุ่ม AI Engineer/ML Engineer 473 ตำแหน่ง โดยภาคขายส่งและค้าปลีกมีประกาศนักวิเคราะห์ข้อมูล 471 ตำแหน่ง งานวิจัยจัดอาชีพที่ใกล้กันไว้ในกลุ่มเดียว จึงอ่านตัวเลขเหล่านี้เป็นขนาดของกลุ่มงานในชุดข้อมูล ไม่ใช่จำนวนตำแหน่ง Data Analyst หรือ AI Engineer ล้วน ๆ

อีกชุดข้อมูลหนึ่ง การสำรวจของ True Blue Recruitment เก็บประกาศงานเทคโนโลยีในไทย 2,439 รายการระหว่าง 11 สิงหาคมถึง 30 กันยายน 2569 โดยหมวด Data & Analytics มี 297 รายการ หรือ 12.2% ส่วนหมวด AI มี 212 รายการ หรือ 8.7% และประกาศในกรุงเทพฯ กับปริมณฑลคิดเป็น 83.6% ของชุดข้อมูล หมวดงานของการสำรวจนี้กว้างกว่าสองชื่อตำแหน่งที่กำลังเปรียบเทียบ และระบบเริ่มรวมประกาศจาก JobsDB ระหว่างช่วงเก็บข้อมูล จึงไม่ควรนำจำนวนไปบวกกับงานวิจัยของทีดีอาร์ไอ

ข้อมูลสองชุดใช้คนละช่วงเวลา แหล่งประกาศ และวิธีจัดกลุ่ม แต่ต่างแสดงว่าฝั่งข้อมูลมีประกาศมากกว่าในขอบเขตที่แต่ละชุดสำรวจ นั่นช่วยอธิบายว่าทำไมผู้เริ่มต้นจึงพบโจทย์งานวิเคราะห์หลายแบบ ตั้งแต่รายงานผลธุรกิจไปจนถึงงานข้อมูลเฉพาะอุตสาหกรรม อย่างไรก็ดี จำนวนประกาศไม่ได้บอกจำนวนผู้สมัคร คุณสมบัติที่นายจ้างคัดผ่าน หรือจำนวนงานที่จบด้วยการจ้างจริง จึงใช้คำนวณโอกาสได้งานของคนหนึ่งคนไม่ได้

พื้นที่ทำงานก็มีผลต่อการเลือกมากกว่าตัวเลขรวมทั่วประเทศ ผู้สมัครที่อยู่ต่างจังหวัดและย้ายที่อยู่ไม่ได้อาจมีประกาศที่สมัครได้จริงน้อยกว่าภาพรวมของตลาดเทคโนโลยีไทย ขณะเดียวกัน ตำแหน่งที่ชื่อใกล้กันอาจอยู่คนละหมวดในระบบนับประกาศ เช่น งานเขียนซอฟต์แวร์ที่มีส่วน AI หรือการวิเคราะห์ข้อมูลที่อยู่ในทีมธุรกิจ การอ่านหน้าที่และสถานที่ทำงานในประกาศจริงจึงสำคัญกว่าการเทียบยอดหมวดงานเพียงตัวเลขเดียว

เงินเดือนที่เผยแพร่เทียบกันอย่างไร

ช่วงเงินเดือนในคู่มือ Adecco Thailand ปี 2569 ของ Data Analyst และ AI Engineer เปลี่ยนความสัมพันธ์กันตามระดับประสบการณ์

ใน คู่มือเงินเดือน Adecco Thailand ปี 2569 Data Analyst มีช่วง 25,000–40,000 บาทต่อเดือนเมื่อมีประสบการณ์ 0–3 ปี, 40,000–80,000 บาทเมื่อมีประสบการณ์ 3–5 ปี และ 80,000–120,000 บาทเมื่อมีประสบการณ์ 5–7 ปี; AI Engineer ไม่มีตัวเลขในช่อง 0–3 ปี แต่มีช่วง 30,000–70,000 บาทที่ 3–5 ปี และ 70,000–150,000 บาทที่ 5–7 ปี ตัวเลขเป็นช่วงอ้างอิงของตำแหน่งและระดับประสบการณ์ ไม่ใช่ค่าจ้างที่ผู้สมัครทุกคนจะได้รับ

เมื่อเทียบระดับประสบการณ์เดียวกัน ช่วงของ Data Analyst ที่ 3–5 ปีมีทั้งขอบล่างและขอบบนสูงกว่า AI Engineer ในคู่มือนี้ พอถึงระดับ 5–7 ปี ขอบบนของ AI Engineer จึงสูงกว่า แต่ขอบล่างยังต่ำกว่า การเห็นตัวเลขสูงสุดแล้วสรุปว่าสาย AI ให้รายได้มากกว่าตั้งแต่เริ่มงานจึงไม่ตรงกับข้อมูล ผู้เปลี่ยนสายยังต้องดูด้วยว่าประสบการณ์เดิมของตนเกี่ยวข้องกับหน้าที่ใหม่เพียงใด เพราะปีที่ทำงานในอาชีพอื่นไม่เท่ากับปีประสบการณ์ตรงตามชื่อตำแหน่งเสมอไป

คำนวณรายรับขั้นต้นจากช่วงเงินเดือนที่เผยแพร่ในคู่มือปี 2569: สมมติได้รับค่าจ้างรายเดือนเท่ากันตลอด 12 เดือน ใช้เงินบาท ไม่รวมโบนัส ค่าล่วงเวลา และสวัสดิการ และยังไม่หักภาษี ตัวเลขต่อไปนี้เป็นการคูณช่วงอ้างอิงเพื่อให้เห็นขนาดรายรับต่อปี ไม่ใช่ข้อเสนอจ้างงานหรือรายได้ที่รับประกัน

  • ผู้เริ่มสายวิเคราะห์ข้อมูล: หากได้ค่าจ้างตามช่วงที่คู่มือให้สำหรับ Data Analyst ระดับต้น รายรับขั้นต้นเท่ากับ 300,000–480,000 บาทต่อปี ฝั่ง AI Engineer ไม่มีช่วงในระดับประสบการณ์เดียวกันให้คำนวณเทียบจากคู่มือนี้
  • ผู้มีประสบการณ์ระดับกลาง: ช่วง Data Analyst คิดเป็น 480,000–960,000 บาทต่อปี ส่วน AI Engineer คิดเป็น 360,000–840,000 บาทต่อปี ผลนี้เทียบช่วงอ้างอิงของตำแหน่ง ไม่ได้บอกว่าคนสองคนที่มีทักษะต่างกันจะได้รับค่าจ้างเท่าใด
  • ผู้มีประสบการณ์มากขึ้น: ช่วง Data Analyst คิดเป็น 960,000–1,440,000 บาทต่อปี ส่วน AI Engineer คิดเป็น 840,000–1,800,000 บาทต่อปี ส่วนต่างที่ขอบบนเกิดขึ้นในระดับที่ต้องมีประสบการณ์ตรงมากกว่า ไม่ใช่รายได้สำหรับคนเริ่มต้น

คู่มือไม่ให้ราคาหลักสูตร ค่าใช้จ่ายในการฝึกทักษะ หรือเวลาที่ผู้เปลี่ยนสายแต่ละคนต้องใช้ จึงคำนวณต้นทุนและเวลาคืนทุนของสองทางเลือกอย่างมีหลักฐานไม่ได้ สิ่งที่เทียบได้คือช่วงค่าจ้างตามระดับประสบการณ์กับผลงานที่ต้องแสดงก่อนสมัคร หากมีข้อเสนอจริง ค่าจ้างรายเดือนยังต้องอ่านควบคู่กับหน้าที่ สัญญาจ้าง และส่วนประกอบค่าตอบแทนที่ระบุในข้อเสนอนั้น

ช่องเงินเดือนที่ว่างของ AI Engineer บอกอะไร

การไม่มีตัวเลขระดับต้นในคู่มือไม่ได้ปิดทางสมัครงาน AI ตัวอย่างบน หน้าประกาศ JobsDB ของ Teeth Talk Dental Clinic ระบุรับทั้ง Junior AI Engineer และ Senior AI Engineer ในกรุงเทพฯ โดยแสดงช่วงค่าจ้าง 35,000–45,000 บาทต่อเดือนสำหรับประกาศเดียวกัน พร้อมหน้าที่พัฒนา ทดสอบ ประเมินผล และปรับปรุงระบบ AI/LLM ช่วงค่าจ้างที่แสดงไม่ได้แยกตามระดับ Junior กับ Senior จึงใช้แทนเงินเดือนเริ่มต้นมาตรฐานของ AI Engineer ไม่ได้

รายละเอียดประกาศยังทำให้เห็นว่า Junior เป็นระดับของตำแหน่ง ไม่ได้หมายถึงงานที่เพียงใช้เครื่องมือ AI สำเร็จรูป ผู้สมัครต้องพร้อมแสดงวิธีพัฒนาระบบและตรวจผลของมัน แต่ข้อกำหนดของประกาศหนึ่งแห่งก็ไม่ใช่เกณฑ์กลางของทั้งตลาด บางงานเน้นสร้างโมเดล บางงานเน้นเชื่อมระบบเข้ากับกระบวนการขององค์กร และบางงานต้องดูแลระบบหลังใช้งานจริง การเทียบพอร์ตกับหน้าที่ที่ระบุจึงช่วยประเมินความพร้อมได้ตรงกว่าการมองคำว่า Junior อย่างเดียว

สำหรับคนที่เขียนโปรแกรมเป็นอยู่แล้ว เส้นทางไป AI Engineer อาจเริ่มจากการเพิ่มทักษะประเมินโมเดลและดูแลระบบ ขณะที่คนเริ่มเขียนโค้ดจากศูนย์ต้องสร้างพื้นฐานซอฟต์แวร์ควบคู่กันก่อน คนที่เคยจัดรายงานหรือใช้ SQL ในงานประจำอาจมีหลักฐานเริ่มต้นสำหรับ Data Analyst อยู่แล้ว ความง่ายของแต่ละสายจึงขึ้นกับทักษะที่นำติดตัวมา ไม่ใช่ลำดับเงินเดือนหรือจำนวนประกาศเพียงอย่างเดียว

ถ้าเลือก Data Analyst จะใช้เวลาเตรียมพอร์ตอย่างไร

แผน 90 วันเหมาะเป็นกรอบจัดผลงานสำหรับคนที่มีเวลาฝึกอย่างสม่ำเสมอ ไม่ใช่กำหนดเวลาที่รับรองว่าจะได้งาน ใน 30 วันแรก ให้เลือกคำถามธุรกิจหนึ่งเรื่องและชุดข้อมูลที่มีสิทธิใช้งาน ฝึกดึงข้อมูล ตรวจค่าซ้ำ ค่าที่หาย และรูปแบบวันที่ให้สอดคล้องกัน บันทึกเหตุผลทุกครั้งที่ตัดรายการออกหรือรวมกลุ่มข้อมูล เพราะการตัดสินใจเหล่านี้เปลี่ยนคำตอบได้

ช่วงวันที่ 31–60 ให้ทำการวิเคราะห์ที่ตอบคำถามเดิมด้วยวิธีนับที่อธิบายได้ หากสมมติใช้ข้อมูลคำสั่งซื้อเพื่อหาสินค้าที่สร้างยอดขายสูง ควรแยกคำสั่งซื้อที่ยกเลิกและรายการคืนเงินก่อนคำนวณ พร้อมระบุว่าข้อมูลครอบคลุมช่วงใด ผลงานที่ดีไม่จำเป็นต้องมีกราฟจำนวนมาก แต่ควรทำให้ผู้อื่นตรวจได้ว่าตัวเลขแต่ละตัวมาจากรายการใด และข้อสรุปจะเปลี่ยนอย่างไรเมื่อเปลี่ยนเงื่อนไข

ช่วงวันที่ 61–90 ให้ย่อผลเป็นคำอธิบายสำหรับคนที่ไม่ได้ทำงานกับข้อมูลโดยตรง ระบุคำถาม วิธีคำนวณ ข้อค้นพบ และข้อจำกัดที่มีผลต่อการตัดสินใจ หากเคยทำงานในธุรกิจค้าปลีก การตลาด หรือบริการลูกค้า สามารถใช้ความรู้เรื่องกระบวนการเดิมเลือกโจทย์ที่มีความหมายได้ โดยไม่ต้องอ้างว่าเคยดำรงตำแหน่งนักวิเคราะห์ข้อมูลมาก่อน ชิ้นงานหนึ่งชิ้นที่ตรวจย้อนกลับได้มักสื่อความสามารถชัดกว่าการรวบรวมภาพแดชบอร์ดหลายหน้าโดยไม่อธิบายวิธีทำ

ถ้าเลือก AI Engineer จะใช้เวลาเตรียมพอร์ตอย่างไร

ใน 30 วันแรก ให้ตรวจว่าตนเขียน Python อ่านโค้ดผู้อื่น และจัดการข้อผิดพลาดพื้นฐานได้คล่องเพียงใด คนที่ยังไม่เคยสร้างแอปพลิเคชันควรให้เวลากับพื้นฐานนี้ก่อนเลือกโมเดลหรือเครื่องมือที่ซับซ้อน ส่วนคนที่มีพื้นฐานพัฒนาซอฟต์แวร์แล้วสามารถเริ่มจากโจทย์เล็กที่มีข้อมูลเข้าและผลลัพธ์ซึ่งตรวจได้ เช่น ต้นแบบจัดหมวดคำถามลูกค้าจากข้อมูลตัวอย่างที่อนุญาตให้ใช้

ช่วงวันที่ 31–60 ให้สร้างต้นแบบที่ทำงานครบเส้นทาง ตั้งแต่รับข้อมูลจนส่งผลลัพธ์ และแยกตัวอย่างที่ระบบตอบถูกกับตอบผิดไว้ อย่าคัดเฉพาะกรณีที่สาธิตแล้วดูดี เพราะผู้สัมภาษณ์ต้องเห็นว่าผู้สมัครเข้าใจขอบเขตของระบบ ช่วงวันที่ 61–90 เพิ่มการทดสอบกรณีข้อมูลไม่ครบ การจัดการข้อผิดพลาด และคำอธิบายว่าเมื่อระบบให้ผลผิด ผู้ใช้งานจะรู้ได้อย่างไรและใครควรตรวจต่อ

พอร์ต AI ที่มีเพียงหน้าสาธิตหรือการเรียกใช้โมเดลสำเร็จรูปยังไม่แสดงความสามารถในการรับผิดชอบระบบ ผู้สมัครควรอธิบายเหตุผลที่เลือกวิธีพัฒนา วิธีวัดคุณภาพ และสิ่งที่ต้องเปลี่ยนก่อนนำต้นแบบไปใช้กับงานจริง หากพื้นฐานเขียนโปรแกรมยังไม่แน่น แผน 90 วันอาจได้เพียงจุดเริ่มของพอร์ต ซึ่งก็เป็นข้อมูลสำคัญต่อการเลือกเส้นทาง สำหรับคนที่ต้องการสมัครงานเร็วและมีประสบการณ์จัดการข้อมูลอยู่แล้ว Data Analyst จึงมักเป็นทางแรกที่พิสูจน์ทักษะได้ตรงกว่า ส่วนผู้มีพื้นฐานซอฟต์แวร์และสนใจสร้างระบบอาจเลือก AI Engineer ได้โดยรู้ชัดว่าต้องแสดงผลงานระดับใด

แชร์:

สมัครรับจดหมายข่าวของเรา

รับข่าวสารล่าสุดเกี่ยวกับ Web3, AI และคริปโตส่งตรงถึงกล่องจดหมายของคุณ

0