Python Myanmar Institute

Data Analysis Project တစ်ခုမှာပါဝင်တဲ့အဆင့်တွေက ဘာတွေလဲ?

Corporate တွေမှာ Power BI အသုံးပြုပြီး လုပ်ဆောင်ရတဲ့ Data Aanlysis Project တွေမှာ ဘာတွေပါဝင်မလဲဆိုရင် -

📌 လုပ်ငန်းစဉ် အဓိက အဆင့်များ:

1. Requirements & Collection: လိုအပ်ချက်များကောက်ယူပြီး ဒေတာစတင်စုဆောင်းခြင်း။

2. Data Preparation: ဒေတာအရည်အသွေးစစ်ဆေးခြင်း၊ သန့်စင်ခြင်း၊ ပုံစံပြောင်းလဲခြင်းနှင့် ဖိုင်များပေါင်းစပ်ခြင်း။

3. Data Modeling: ဒေတာဇယားများကို စနစ်တကျ မော်ဒယ်တည်ဆောက်ခြင်း။

4. Data Analysis: ဒေတာအချက်အလက်များကို ဆန်းစစ်လေ့လာခြင်း။

5. Visualization & Dashboarding: ရလဒ်များကို ဇယားများ၊ Report များဖြင့် ပြသခြင်း။

💡 ရရှိမယ့် အကျိုးကျေးဇူးများ:

- Data Analysis လုပ်ငန်းစဉ် အဆင့်ဆင့်ကို အစအဆုံး ရှင်းလင်းစွာ သိရှိနိုင်ခြင်း။

- Data Preparation ကြောင့် မှန်ကန်တိကျပြီး အရည်အသွေးပြည့်ဝသော ဒေတာများ ရရှိခြင်း။

- စနစ်တကျ ချိတ်ဆက်ထားတဲ့အတွက် မှန်ကန်တဲ့ကိန်းဂဏန်းတွေပေါ်မှာ အခြေခံပြီး လုပ်ငန်းဆိုင်ရာ ဆုံးဖြတ်ချက်ကောင်းများ ချမှတ်နိုင်ခြင်း။

- Dashboard ဖြင့် လုပ်ငန်းတိုးတက်မှုကို အချိန်နဲ့တပြေးညီ စောင့်ကြည့်နိုင်ခြင်း။

ဒီလို လုပ်ငန်းသုံး Data Analysis Project တွေကို Power BI နဲ့ ဘယ်လိုတည်ဆောက်ရမလဲဆိုတာစနစ်တကျ လေ့လာချင်ရင် လာမယ့် အောက်တိုဘာမှာ Mastering Data Analysis with Power BI အတန်းသစ် (Batch-8) ရှိပါမယ်။

Python Myanmar Institute
Quality Data Analytics Trainings in One Place
Practical Data Skills for Your Career

🤔 Power BI Specialization - Batch 8 က ဘယ်သူ့အတွက်လဲ?

Data Analysis with Power BI ကို လေ့လာကြတဲ့အခါ သင်တန်းသားတွေ တစ်ဦးနဲ့တစ်ဦး ရည်ရွယ်ချက်မတူကြပါဘူး။

ဒီတော့ သင်တန်းမတက်ခင် ကိုယ့်ကိုယ်ကို ပြန်သုံးသပ်ကြည့်ရအောင်။

1. Data Analysis နဲ့ပက်သက်ပြီး Project အတွေ့အကြုံအပြည့်နဲ့ လေ့လာချင်တယ်

2. Data Analyst တစ်ယောက်အဖြစ် စတင်လုပ်ကိုင်ဖို့ (သို့မဟုတ်) Career Change ဖို့ လုပ်နေတယ်

3. ကိုယ့်ရဲ့ Data Analysis Skill ကို ကိုယ့်ရဲ့အလုပ်ရှင်ကို အမှန်တကယ်ပြသနိုင်မယ့် Sales, Income Statement, Customer Segmentation စတဲ့ တကယ့်လုပ်ငန်းသုံး Dashboard တွေကို ဆွဲတတ်ချင်တယ်

4. Mon, Tue ကို ည ၇ နာရီခွဲကနေ ၉ နာရီခွဲအထိ အချိန်ရတယ်။ စာပြန်ကြည့်ဖို့လည်း အချိန်ပေးနိုင်တယ်ဆိုရင်

Power BI Specialization - Batch 8 မှာပါတဲ့ Course နှစ်ခုလုံးတက်ပါ။

အကယ်၍ သင်က

1. အလုပ်လုပ်နေတဲ့ Working Professional ဖြစ်ပြီး အလုပ်မှာအသုံးချဖို့ Power BI နဲ့ Data Analysis ဘယ်လိုလုပ်ရမယ်ဆိုတာ လေ့လာချင်တယ်

2. ရှုပ်ထွေးပြန့်ကျဲနေတယ့် Excel Reports တွေကို စိတ်ကုန်နေတယ်

3. သင်ခန်းစာတွေနားထောင်မယ်၊ Skills လိုအပ်ချက်ဖြည့်ဆည်းချင်ရုံသပ်သပ်ပဲဆိုရင်တော့

Mon, Tue ကို ည ၇ နာရီခွဲကနေ ၉ နာရီခွဲအထိ အချိန်ရရင် Power BI Specialization - Batch 8 မှာပါတဲ့ Course 1 တစ်ခုကိုပဲ တက်ပါ။

Batch 8 မှာ Data Analyst အဖြစ်စတင်ချင်သူတွေအတွက်ရော၊ Working Professional တွေအတွက်ပါ အဆင်ပြေအောင် ဒီဇိုင်းဆွဲပေးထားပါတယ်။

ပြောင်းလဲလာတဲ့ AI ခေတ်မှာ AI ကို Data Analysis ပိုင်းအတွက် ဘယ်လိုအသုံးချရမလဲဆိုတာကိုလည်း သင်ရိုး Update အနေနဲ့ ပါဝင်လာပါလိမ့်မယ်။

📊 Power BI Essentials + Advanced Power BI & DAX

2 Courses, 50+ Hours , Batch 8

သင်တန်းမှာ စောင့်မျှော်နေပါမယ်။

ထပ်မံမေးမြန်းချင်တာလေးတွေရှိရင် Page Message ကနေတဆင့် ဆက်သွယ်နိုင်ပါတယ်ခင်ဗျာ။

ကျေးဇူးတင်စွာဖြင့်-

Python Myanmar Institue
Quality Data Analytics Trainings in One Place
Practical Data Skills for Your Career

"Data Analyst အဖြစ် Career Change ချင်သူတွေအတွက်"

လမ်းညွှန်ရေးပေးထားပါတယ်။ (စာအနည်းငယ်ရှည်ပါတယ်)

I. Assess the Sparting Point

1.1 ကိုယ်သယ်လို့ရတဲ့ Skills တွေကို စာရင်းလုပ်ပါ။

Career Change တဲ့အခါ အရင်အလုပ်က Skills တွေ၊ သင်ယူဖူးတာတွေ အားလုံးကို စွန့်ပစ်လိုက်စရာမလိုပါဘူး။ Data Analysis ပိုင်းမှာအသုံးချရမယ့် တန်ဖိုးရှိတဲ့ Skill တွေကို သယ်လာလို့ရပါတယ်။

ဥပမာ -

1. Accounting → Excel, financial modeling, attention to detail, reconciliation logic
2. Sales → CRM data, pipeline metrics, forecasting, stakeholder communication
3. Marketing → campaign metrics, A/B testing intuition, customer segmentation

1.2. Skill လိုအပ်ချက်ကို သုံးသပ်ပါ။

1.2.1. Technical ပိုင်းအတွက် SQL, Power BI or Tableau, Descriptive Statistics
1.2.2. Conceptual ပိုင်းအတွက် Data Analysis Framework (data modeling, data cleaning, visualization best practices, etc.)

1.3. ကိုယ်ပေးရမယ့်အချိန် Timeline သတ်မှတ်ပါ။

တစ်ယောက်နဲ့ တစ်ယောက် သင်ယူမှုအမြန်နှုန်း၊ ပေးနိုင်တဲ့အချိန်မတူကြပါဘူး။ တစ်ရက်ကို နှစ်နာရီလောက်လေ့လာမယ်ဆိုရင် များသောအားဖြင့် ၆ လ၊ တစ်နှစ်လောက်ဆို လေ့လာပြီးပါပြီ။ ကိုယ်ဘယ်နှစ်နာရီလောက် စာကြည့်မယ်၊ ပြန်လည်လေ့ကျင့်မယ်ဆိုတာကို သတ်မှတ်ပြီးသေသေချာချာလုပ်ပါ။

II. အဓိက Technical Skillset တည်ဆောက်ခြင်း

1. Power BI or Tableau

1.1. Data Analysis Framework, Data Model, DAX, Data Visualizations, Data Management Best Practices တွေကိုလေ့လာပါ။

1.2. Kaggle နဲ့ UCI Machine Learning Repository တို့မှာရှိတဲ့ အခမဲ့ Dataset တွေကို အသုံးပြုပြီး လေ့လာထားတာတွေကို ပြန်လေ့ကျင့်ပါ။

1.3. လက်ရှိအလုပ်မှာ ရှိတဲ့ဒေတာတွေနဲ့ Dashboard တွေ ဆောက်ကြည့်ပါ။

2. SQL

ဈေးဆစ်လို့မရတဲ့ Skill ပါ။ Database ဆောက်တတ်ဖို့အထိ မလိုပါ။ HackerRank, LeetCode တို့မှာ ပြန်လည်လေ့ကျင့်ပါ။ SQL + Power BI တွဲပြီး Project လုပ်ပါ။

3. Statistics

Descriptive နဲ့ Inferential နှစ်မျိုးရှိပါမယ်။ Descriptive ပိုင်းကို မဖြစ်မနေသိရပါမယ်။ Inferential ကတော့ Research နဲ့ Hypothesis Testing ပိုင်းအတွက်ဆိုတော့ သိထားရင်ကောင်းပါတယ်။ Marketing Data Analyst လုပ်မယ့်သူတွေကတော့ သိရပါမယ်။

4. Python

Power BI, SQL, Statistics တို့ရရင် အဆင်ပြေပါပြီ။ ဒါပေမယ့် ကိုယ်က နိုင်ငံခြားမှာ အလုပ်လုပ်နေတဲ့သူဆိုရင်တော့ Python Programming လေ့လာပါ။ ပြည်တွင်းမှာဆိုရင်လည်း တတ်ထားတာက အများကြီးအထောက်အကူဖြစ်ပါလိမ့်မယ်။ တချို့အလုပ်တွေက Programming သိထားရင် Manual လုပ်နေရတဲ့အပိုင်းတွေကို လျှော့ချနိုင်ပါတယ်။ Data Science နဲ့ Data Engineering ပိုင်းတို့ကို သွားဖို့အတွက်လည်း မရှိမဖြစ်လိုလာမှာကြောင့်ပါ။

III. Learn the "Business Translation" Layer

အလုပ်ဝင်ပြီးသားဖြစ်လို့ ကုမ္ပဏီတွေရဲ့ အလုပ်လုပ်ပုံတွေကို သိထားပြီး ဖြစ်ပါတယ်။ ကိုယ့်အလုပ်က ရခဲ့တဲ့ အသိပညာတွေကို အသုံးချပါ။ ဥပမာ -

1. Accountants တွေဆို P&L, budgeting, variance analysis တို့ကို နားလည်ပြီးသားပါ။

2. Sales/marketing တွေဆို funnels, CAC, LTV, conversion metrics တွေကို သိပြီးသားဖြစ်ပါလိမ့်မယ်။

B. ဒေတာကနေ Business အတွက် ဘယ်လိုမေးခွန်းတွေကို ဖြေပေးနိုင်မလဲဆိုတာ စဉ်းစားပြီးလုပ်ဆောင်ပါ။ နေ့စဉ်ဖြတ်သန်းနေတဲ့ အလုပ်မှာ Data Analysis ကို ထည့်သွင်းလုပ်ဆောင်ပါ။ ကုမ္ပဏီဘက်က လစာဒီလောက်ပဲပေးလို့ လုပ်မပေးဘူးဆိုတာမျိုး တွေးမနေပါနဲ့။ ကိုယ့်ရဲ့လုပ်ဆောင်မှုဟာ ကိုယ့်ရဲ့ Growth ပါပဲ။ ဒီအတွေ့အကြုံက Data Analyst စစ်စစ်အဖြစ် ကူးပြောင်းချိန်မှာ အထောက်အကူရပါလိမ့်မယ်။

IV. Create Proof of Work (Portfolio)

ကိုယ့်နယ်ပယ်နဲ့သက်ဆိုင်တဲ့ Project တွေကို ၃ ခုကနေ ၅ ခုအထိ လုပ်ပါ။

ဥပမာ -

1. Ex-accountant: expense anomaly detection, budget vs. actual dashboard

2. Ex-sales: pipeline conversion analysis, churn prediction

3. Ex-marketing: campaign ROI dashboard, customer segmentation

ကိုယ်လုပ်ထားတာတွေကို စနစ်တကျ Documentation ရေးပြီး GitHub, Portfolio Website, Linkedin တို့မှာ တင်ထားပါ။

Business Problem က ဘာဖြစ်နေတယ်ဆိုတာကနေ အစချီပြီး ကိုယ်ဘာတွေကို ဘယ်လိုအဆင့်လိုက်ဖြေရှင်းသွားတယ်ဆိုတာ ပေါ်လွင်အောင်ရေးပါ။ (Getting things done is necessary. Businesses want solutions. ဆိုတာ အမှတ်ရပါ။)

V. Get Structured Learning + Validation

လေ့လာရာမှာ စနစ်တကျရှိဖို့ လိုပါတယ်။ Free or Paid ကိုယ်အဆင်ပြေရာ ရွေးနိုင်ပါတယ်။

Free - freeCodeCamp, Kaggle Learn, Microsoft Learn
Paid - Coursera, DataCamp, Udemy
Bootcamp - ကုန်ကျစရိတ်ကို ထည့်စဉ်းစားပါ။ လုပ်ငန်းခွင် Experience ရှိသူတွေဆီက သင်ယူပါ။

Job Market မကောင်းသေးရင်၊ ကိုယ်ကလည်း မတတ်နိုင်ရင် Free ကို ဦးစားပေးလေ့လာပါ။ အလုပ်ခေါ်စာတွေမှာပါတဲ့ Skill တွေနဲ့ ကိုက်ညီတဲ့သင်ခန်းစာတွေကို ရွေးတက်ပါ။

Microsoft Power BI Data Analyst လိုမျိုးက ကိုယ့်အတွက် Credibility ရစေပါတယ်။ ဒါပေမယ့် Portfolio Project တွေ မလုပ်ဘဲ Certification တွေကိုပဲ အားကိုးတာမျိုး မလုပ်စေချင်ပါ။ Technical Test မှာကျပါလိမ့်မယ်။ Project မလုပ်ဖူးသူကို ဘယ်အလုပ်ရှင်မှ စိတ်မဝင်စားပါ။

"Mentor ရှာပါ။"

Linkedin မှာ Data Analysis ပိုင်းနဲ့သက်ဆိုင်သူတွေကို Follow လုပ်ထားပါ။ Data Analysis နဲ့ဆိုင်တဲ့ Group တွေကို ဝင်ပါ။ (ကိုယ်ဉာဏ်မမှီတာနဲ့ပဲ Data Analysis က မရပါဘူး၊ အရမ်းခက်တယ်ပြောနေတဲ့ ဘူကောင်တွေ ရှိနေတတ်တာကိုတော့ သတိပြုပါ။ စိန်အကြောင်း၊ ကျောက်အကြောင်းသိချင်တာကို အုတ်ဖုတ်တဲ့သူဆီ သွားမေးလို့မရဘူးဆိုတာ မမေ့ပါနဲ့။ ဖြစ်မြောက်ပြီးသွားသူတွေရဲ့ အကြံဉာဏ်ကိုသာ လက်ခံပါ။)

ကိုယ့်အမျိုးတွေ၊ သူငယ်ချင်းတွေ၊ လေးစားရသူတွေကို ကိုယ် Career Change ဖို့ ပြင်ဆင်နေကြောင်းပြောပါ။ ကြီးကြီးကျယ်ကျယ်တွေ ပြောပါ။ ဒါမှ စာလုပ်ဖြစ်မှာပါ :D ။ ကြီးကြီးကျယ်ကျယ်တွေပြောပြီး ဖြစ်မလာရင် ရှက်စရာကြီးကိုး :D။

VI. Bridge the Job Gap Strategically

ကိုယ့်လက်ရှိကုမ္ပဏီ၊ လက်ရှိလုပ်ငန်းနယ်ပယ်ထဲက Analyst position တွေကို အရင်ဦးစားပေးရှာပါ။ အတွေ့အကြုံရှိပြီးဖြစ်လို့ ကူးရတာပိုလွယ်ပါတယ်။

ဥပမာ -

Accountant → Financial Data Analyst
Sales Professional → Sales/Revenue Analyst

Domain Knowledge ကို တန်ဖိုးထားအသိအမှတ်ပြုတဲ့လုပ်ငန်းနယ်ပယ်တွေကို ပစ်မှတ်ထားပါ။

ဥပမာ -

1. Fintech (accounting background),
2. SaaS (sales background),
3. E-commerce (marketing background)

Resume/CV ကို ပြန်ပြင်ပါ။

ပြီးခဲ့တဲ့အလုပ်တွေနဲ့ လက်ရှိအလုပ်တွေမှာ Data Analysis နဲ့ပက်သက်ပြီး ကိုယ်လုပ်ဖူးတာတွေကို ဦးစားပေးရေးပါ။

Data Analyst Language နဲ့ ကိုယ့်ရဲ့ရလဒ်တွေကို‌ ရေးပါ။
ဥပမာ - reduced reconciliation time by 30% using Excel automation

VII. Network and Apply

A. LinkedIn headline/summary မှာ "Data Analyst" ကိုစိတ်ဝင်စားပြီး လုပ်ဆောင်နေတဲ့ Working Professional အဖြစ် ရေးသားပါ။ မရေးတတ်ရင် AI ကို မေးပါ။

B. လျှောက်တာတော့ အကုန်လျှောက်ရမှာဆိုပေမယ့် Technical Skill အပြင် Domain Knowledge ရှိထားရင် ပိုကောင်းမယ်ဆိုတဲ့ အလုပ်ခေါ်စာတွေကို ပိုဦးစားပေးပါ။

Recruiter တွေ၊ Manager တွေနဲ့ မိတ်ဖွဲ့ပြီး အလုပ်ခေါ်စာအတွက် စိတ်ဝင်စားကြောင်း၊ ကိုယ်ဘာတွေ လုပ်ဆောင်ထားကြောင်း ကောင်းကောင်းမွန်မွန်နဲ့ အကျဉ်းချုပ် ပြောပြပါ။

VIII. Common Pitfalls to Avoid

A. YouTube tuorials တွေထဲမှာ အလွန်အကျွံ အချိန်ကုန်သွားတာမျိုး မလုပ်ပါနဲ့။ ဟိုတစ်စ ဒီတစ်စနဲ့ ဘယ်မှမရောက်ဘဲနေပါမယ်။ တကယ့် Project တွေ လုပ်ဆောင်ပါ။ ကျွန်တော် ဘာကိုဆိုလိုသလဲ တွေ့လာပါလိမ့်မယ်။

B. Skill အားလုံးကို လေ့လာဖို့ မကြိုးစားပါနဲ့။ Power BI, SQL, Statistics အစဉ်လိုက်လေ့လာပါ။ Python Programming ကို နောက်မှလေ့လာပါ။ အချိန်ပေးနိုင်ရင်တော့ တပြိုင်နက်လုပ်ပါ။

C. ကိုယ့်ရဲ့လုပ်ငန်းအတွေ့အကြုံကို အထင်မသေးပါနဲ့။ ဒါဟာ အားသာချက်အကြီးကြီးပါ။ Domain Knowledge ကိုဦးစားပေးတဲ့ Analyst Position တွေအတွက် ကိုယ်က First Choice ဖြစ်လာပါလိမ့်မယ်။ (Technical Skillset) ကိုသာ အပြည့်ဖြည့်ထားပါ။

D. Power BI + SQL ရထားပြီဆိုကတည်းက အလုပ်တွေစလျှောက်ပါ။ Power BI + SQL + Statistics + Python အားလုံးပြည့်စုံမှ လျှောက်မယ်မလုပ်ပါနဲ့။

Bottom line: အမြန်ဆုံးပြောင်းလဲနိုင်မယ့်လမ်းကြောင်းကတော့ ကိုယ့်ကိုယ်ကို လုပ်ငန်းစုံဝင်လုပ်မယ့် Data Analyst တစ်ယောက်အဖြစ် ပုံမသွင်းဖို့ပါ။

ကိုယ့်ကိုယ်ကို နှလုံးသွင်းထားရမှာက မိမိရဲ့နယ်ပယ် (Accounting, Sales, Marketing, စသဖြင့်) ကို သေသေချာချာနားလည်ထားတဲ့ Data Analyst တစ်ယောက် ဖြစ်လာရမယ် ဆိုတာပါပဲ။

ဘာကြောင့်လဲဆိုတော့ ကုမ္ပဏီတွေဘက်ကကြည့်မယ်ဆိုရင်လည်း ဒီလို Domain Knowledge ရှိပြီးသား Data Analyst တွေကို ရှာရတာ ခက်ခဲတဲ့အတွက်ပါ။ ကိုယ့်တန်ဖိုးကိုယ်သိပြီး အောင်မြင်စွာ Career Change နိုင်ကြပါစေ။

(ကူးယူဖော်ပြခြင်း လုံးဝခွင့်မပြုပါ)

Python Myanmar Institute
Quality Data Analytics Trainins in One Place

Data Analyst ဖြစ်ချင်တယ်...အချိန်ဘယ်လောက်ပေးရမလဲ?

ဒီမေးခွန်းကို ဖြေဖို့အတွက် သင့်မှာ အချိန်ဘယ်လောက်ရှိသလဲပဲ ပြန်မေးပါမယ်။

Data Analysis ဆိုတာက Management Position ရောက်သွားတဲ့သူတိုင်း လေ့လာထားကြရတဲ့ Skill တစ်ခုဖြစ်ပြီး ဒီလို Working Professional တွေအနေနဲ့ကတော့ အခြေခံ Data Analysis ပိုင်းလုပ်ဆောင်နိုင်ဖို့ပဲလိုအပ်လို့ အချိန်သိပ်မလိုပါဘူး။ Foundation တက်မယ်၊ သဘောတရားသိမယ်ဆို လုံလောက်ပါပြီ။

ဒါပေမယ့် ကိုယ်က Data Analyst အဖြစ် Career တစ်ခုအနေနဲ့ ရပ်တည်ချင်တယ်၊ Data Scientist တို့ Data Engineer တို့အထိ ဆက်သွားချင်တယ်ဆိုတဲ့ လူငယ်တွေကိုတော့ အပေါ်က မေးခွန်းအတိုင်းပဲ ပြန်မေးရမှာပါ။

"အချိန်ဘယ်လောက် ပေးနိုင်ပါသလဲ?"

False Hope ပေးပြီး Marketing ဆင်းနေသူတွေကတော့ နှစ်ပတ်လောက်၊ နှစ်လလောက် လေ့လာရုံနဲ့ ဖြစ်ပြီလို့ ပြောမှာပါပဲ။

အလုပ်လုပ်သူတွေ အလုပ်ခုန်တာ (Job Hopping) များလာနေသလို အလုပ်ရှင်တွေက Training ပံ့ပိုးမှုအားနည်းလာနေတဲ့ခေတ်မှာ Experience ရှိပြီးသားသူကိုပဲ ခေါ်ယူချင်လာကြတာ အဆန်းတော့ မဟုတ်ပါဘူး။ (မြန်မာမှာရော၊ ကမ္ဘာမှာပါ ဖြစ်နေတဲ့ ပြဿနာပါ)

အလုပ်ရောက်မှ Training ပေးမယ်ဆိုတာကို မျှော်လင့်လို့မရတဲ့အတွက် ဒီသင်တန်းကျောင်းအနေနဲ့ Data Analysis ကို အလုပ်ဝင်နိုင်တဲ့အဆင့်အထိ သင်ပေးတာဖြစ်ပြီး တွန်းစရာရှိတာလည်း တွန်းပါတယ်။

Data Analysis with Power BI သင်တန်းမှာ သင်ကြားချိန်နာရီ ၅၀ ကျော် ရှိပါတယ်။ ဒါဟာ သင်ကြားချိန်သပ်သပ်ပါ။ လေ့ကျင့်ချိန်မပါသေးပါဘူး။ လေ့ကျင့်ချိန်ကလည်း နာရီ ၅၀ မက လိုပါလိမ့်မယ်။ ဘာကြောင့်လဲဆိုတော့ ပညာရပ်တစ်ခုကို လေ့လာတဲ့အခါမှာ -

1. What
2. Why
3. How
4. Practice

ဒီလေးခု အစဉ်လိုက်အတိုင်း သွားရပါတယ်။

1. What? - ပညာရပ်ပိုင်းနဲ့သက်ဆိုင်တဲ့ အကြောင်းအရာတွေ၊ Standard Operation Procedure တွေကို လေ့လာရပါတယ်။

2. Why? - ဘာကြောင့် Standard Operation Procedure တွေကို လုပ်ဆောင်ရသလဲဆိုတာကို နားလည်အောင်လုပ်ရပါတယ်။

3. How? - Standard Operation Procedure တွေကို ဆော့ဖ်ဝဲအသုံးပြုပြီး ဘယ်လိုလုပ်ဆောင်ရသလဲဆိုတာကို လေ့လာရပါတယ်။

4. Practice - သင်ယူထားတာတွေကို အသုံးချနိုင်ဖို့နဲ့ မှတ်မိစေဖို့အတွက် ပြန်လည်လေ့ကျင့်ရပါတယ်၊ မတူညီတဲ့ဒေတာတွေနဲ့ စမ်းသပ်/လေ့ကျင့်ကြည့်ရပါတယ်။

သင်တန်းဆရာတွေကတော့ What? Why? How? ကိုပဲ ပေးနိုင်မှာဖြစ်ပြီး Practice ပိုင်းကတော့ သင်တန်းသားတွေရဲ့ တာဝန်ဖြစ်ပါတယ်။

နှင်းရည်စုတဲ့ ဇာတ်ကြောင်းလိုပါပဲ။ ဆရာတစ်ယောက်တည်းသင်ပေမယ့် သင်ယူသူတွေရဲ့ရလဒ်တွေ ကွဲပြားသွားတာဟာ ဒီအဆင့်လေးဆင့်ကို လိုက်နာမှုရှိ/မရှိအပေါ် မူတည်ပါလိမ့်မယ်။

အတန်းမှန်မှန်တက်၊ အတန်းပျက်ရင် Recording ပြန်ကြည့်၊ နားမလည်တာကို မေးပြီး၊ ပေးထားတဲ့ဒေတာတွေနဲ့ ပြန်လည်လေ့ကျင့်မှသာ Professional Data Analyst တစ်ယောက်အဖြစ် ရပ်တည်နိုင်မှာပါ။

တစ်ခါကြည့်ရုံနဲ့ မှတ်မိတယ်ဆိုတာ Eidentic Memory ရှိထားသူတွေပဲ ဖြစ်နိုင်ပါတယ်။ ကိုယ်လေ့လာထားတဲ့ သင်ခန်းစာတွေကို ပြန် Review လုပ်ပြီး ပြန်လေ့ကျင့်ဖို့လိုပါတယ်။ အဲ့ဒီ့အတွက် အချိန်မရှိဘူး၊ အချိန်မပေးနိုင်ဘူးဆိုရင်တော့ ဒီလမ်းကြောင်းကို မလျှောက်တာဘဲ ကောင်းပါတယ်။ အချိန်ကုန်၊ ငွေကုန်နဲ့ အဆုံးသတ်ရမှာဖြစ်လို့ပါ။

အဆုံးသတ်အနေနဲ့ပြောရရင် -

"တန်ဖိုးရှိတဲ့အရာဆိုတာ လွယ်လွယ်နဲ့ ဘယ်တော့မှ မရပါဘူး။"

သိပ်လွယ်နေတယ်ဆိုရင် ဒီအလုပ်ကို လူတိုင်းက ဝင်လုပ်နေနိုင်မှာဖြစ်ပြီး အလုပ်ရှင်တွေကလည်း လစာကောင်းကောင်း ပေးနေမှာမဟုတ်ပါဘူး။ ရိုးရိုးလေးပါပဲ။

Data Analysis ကို စိတ်ဝင်စားတဲ့လူငယ်တွေအနေနဲ့ False Hope ပေးတဲ့ Marketing တွေကနေ ကင်းလွတ်ပြီး ကိုယ်လိုချင်တဲ့ Career အတွက် အချိန်ပေးပြီး အားစိုက်ထုတ်နိုင်ကြပါစေလို့ ဆုတောင်းပေးလိုက်ပါတယ်။

နောက်ရက်တွေမှာ Self Study သမားတွေအတွက် စနစ်တကျလေ့လာနည်း ပို့စ်တစ်ခု ရေးပေးပါမယ်။

Python Myanmar Institute
Quality Data Analytics Trainings in One Place

📊 Data Analyst ဖြစ်ချင်သူတွေအတွက် Power BI Specialization သင်တန်းသစ် (Batch 8 ) ကို လာမယ့် October လမှာ ဖွင့်ဖို့ ရှိပါတယ်

- လက်တွေ့အသုံးချ Data Anlaysis Methods တွေကို Power BI နဲ့ ဘယ်လိုလုပ်ဆောင်ရမလဲဆိုတာ

- အခြေခံအဆင့်မှ Advanced အထိ

- Real-world datasets တွေ၊ လက်တွေ့ Projects တွေနဲ့ သင်ကြားပေးမှာပါ။

🎯 Specialization Structure

ဒီသင်တန်းမှာ Course နှစ်ခုပါဝင်မှာဖြစ်ပါတယ်။

Course 1: Power BI Essentials — 26 Hours

- Data analysis အခြေခံများ၊
- Power Query Editor အကြောင်း
- Data Model တည်ဆောက်ခြင်း
- Charts or Graphs များရေးဆွဲသည့် Data Visualization
- Data တွက်ချက်ရာတွင်အသုံးပြုသည့် DAX Function များ
- အခြေခံ Statistics နှင့် Exploratory Data Analysis
- Comparative Analysis Techniques
- Data Analysis အတွက် AI အသုံးပြုပုံ
- Location Analysis အတွက် မြန်မာနိုင်ငံအခြေပြု မြေပုံရေးဆွဲခြင်း
- Project - Sales Analysis Report
- Portfolio Website တည်ဆောက်နည်းနှင့် CV/Resume ပြင်ဆင်နည်း တို့ ပါဝင်မှာ ဖြစ်ပါတယ်။

Course 2: Advanced Power BI & DAX — 24 Hours

- Data တွက်ချက်ရာတွင်အသုံးပြုသည့် အဆင့်မြင့် DAX Function များ
- အမှန်တကယ်အကျိုးပြုသူကို ရှာဖွေတဲ့ Pareto Analysis Method
- Project - Financial Reporting (Income Statement Report)
- Budget vs Actual analysis
- Advanced Data Model တည်ဆောက်ခြင်း
- Project - ဒေတာအခြေပြု Customer အုပ်စုခွဲခြင်းနှင့် Product အုပ်စုခွဲခြင်း (Python နှင့် Power BI တွဲဖက်အသုံးပြုရမည်ဖြစ်သည်)

📅 သင်တန်းရက်: Monday & Tuesday
⏰ သင်တန်းချိန်: 8:00 PM – 10:00 PM
💻 သင်တန်းပုံစံ: Live Online via Zoom
📂 Learning: Real datasets (Sales Data, Accounting Data)
⏱️သင်တန်းကြာချိန်: 50 Hours

ဒီ Specialization က ပုံဆွဲတတ်ရုံ သပ်သပ်ထက်ကျော်လွန်ပြီး Data ကို ဘယ်လို analysis လုပ်ရမယ်၊ Data Model တွေကို ဘယ်လိုတည်ဆောက်ပြီး ထိန်းသိမ်းရမယ်၊ ဒေတာတွေကို ဘယ်လို Management လုပ်ရမယ်၊ စနစ်ကျတဲ့ Project တစ်ခု ဘယ်လိုတည်ဆောက်ရမယ်စတဲ့ လုပ်ငန်းခွင်သုံး Skill တွေကို သင်ယူလိုသူတွေအတွက် ဒီဇိုင်းဆွဲထားတာဖြစ်ပါတယ်။

📩 သင်တန်းဖွင့်မယ့်ရက်နဲ့ အသေးစိတ်သင်ရိုးတွေကို ထပ်မံကြေငြာပေးသွားမှာ ဖြစ်ပါတယ်။

Data Analyst တွေ မဖြစ်မနေသိထားသင့်တဲ့ အရောင်း KPI ( ၅ ) ခု

Comparative Analysis ဆိုတာ ဘာလဲ? 🤔

Comparative Analysis ဆိုတာ ရှုထောင့်အမျိုးမျိုးကနေ နှိုင်းယှဉ်သုံးသပ်လေ့လာတဲ့ Data Analysis နည်းစနစ်တွေကို ဆိုလိုပါတယ်။

ဒီ Comparative Analysis ကို အသုံးပြုပြီးတော့

1. အချိန်ကာလအလိုက် အနိမ့်/အမြင့်၊ အတက်/အကျတွေလေ့လာခြင်း

2. ရောင်းချနေတဲ့ကုန်ပစ္စည်းတွေ၊ ဆိုင်ခွဲတွေ၊ Customer အုပ်စုတွေဟာ ဘယ်လိုကွာခြားမှုရှိသလဲဆိုတာကို လေ့လာခြင်း

3. အမှန်တကယ်နဲ့ ခန့်မှန်းချက် သို့မဟုတ် ဘတ်ဂျက်တို့ကြားမှာ ဘယ်လောက်ကွာခြားမှုရှိသလဲဆိုတာကို လေ့လာခြင်း

4. ကိုယ့်ရဲ့ပြိုင်ဘက်တွေနဲ့ ကိုယ်နဲ့ကြားမှာ ဘယ်လောက်အထိ ကွာဟမှုရှိသလဲဆိုတာကို လေ့လာခြင်း

စတာတွေကို လုပ်ဆောင်နိုင်စေမှာဖြစ်ပါတယ်။

Power BI ကို အသုံးပြုပြီး ဘယ်လိုတွက်ချက်ရမလဲဆိုတာကို အခုသင်ကြားပေးနေတဲ့ Power BI - Batch 7 ကနေ စတင်ပြီး သင်ရိုး Update အနေနဲ့ ထည့်သွင်းသင်ကြားပေးသွားမှာပါ။

Zaw Myo Htet
Python Myanmar Institute
Quality Data Analytics Trainings in One Place

မြန်မာနိုင်ငံက စိတ်မချမ်းမြေ့စရာ
အဖြစ်အပျက်တွေကြောင့်

ဒီနေ့ Statistics သင်ခန်းစာ
မတင်ဖြစ်ပါဘူးခင်ဗျာ..။

How many deaths will it take till we know
that too many people have died?

The answer my friend is blowin' in the wind.
The answer is blowin' in the wind.

Bob Dylan

Statistics for Data Analysis - Post 7

Topic - Contingency Tables in Data Analytics

ဒီနေ့အတွက် Categorical Data တွေကို Analysis လုပ်ရာမှာ အသုံးပြုတဲ့ Contingency Table အကြောင်းကို တင်ပေးလိုက်ပါတယ်။

အားလုံးပဲအဆင်ပြေကြပါစေ။

ဇော်မျိုးထက်
Python Myanmar Institute
Quality Data Analytics Trainings in One Place

Post 1 - Measures of Central Tendency အကြောင်း
https://www.facebook.com/share/p/1PM2Ads6EV/

Post 2 - When to use different Measures of Central Tendency အကြောင်း
https://www.facebook.com/share/p/1FK13oCNtT/

Post 3 - Measures of Spread အကြောင်း
https://www.facebook.com/share/p/1HSq8bBiHX/

Post 4 - Variance & Range အကြောင်း
https://www.facebook.com/share/p/1BkK4Afsda/

Post 5 - Standard Deviation အကြောင်း
https://www.facebook.com/share/p/1BmbW9Y1vi/

Post 6 - Frequency Table အကြောင်း
https://www.facebook.com/share/p/14pXv44NKDf/