📊 Live Lab: Data Type Selection and Conversion

CompTIA Data+ (DA0-001) Implementation 📝 Project Overview (ภาพรวมโครงการ) This project focuses on the foundational skills of a Data Analyst: ensuring data consistency and integrity across multiple platforms. In this lab, I performed end-to-end data type management—starting from the SQL source level to the transformation layer in Power Query.

โปรเจกต์นี้เน้นการฝึกฝนทักษะพื้นฐานที่สำคัญที่สุดของ Data Analyst คือการทำให้ข้อมูลมีความถูกต้องและสอดคล้องกันในทุกแพลตฟอร์ม โดยผมได้ดำเนินการจัดการประเภทข้อมูลตั้งแต่ระดับต้นทาง (SQL Database) ไปจนถึงขั้นตอนการแปลงข้อมูล (Transformation) ใน Power Query

โดยมีขั้นตอนดังนี้

ภาพที่ 1: การเช็คแหล่งข้อมูล (Data Source Exploration)

สิ่งที่กำลังทำอยู่: เรากำลังใช้งาน Microsoft SQL Server Management Studio (SSMS) เพื่อสำรวจฐานข้อมูล TDHS_StudentInfoSys รายละเอียด: คลิกขวาที่ตาราง dbo.tblEnrollment และเตรียมใช้คำสั่ง Select Top 1000 Rows นี่คือขั้นตอนแรกในการทำ Data Profiling เพื่อขอดูหน้าตาข้อมูลคร่าวๆ ว่ามีลักษณะอย่างไรก่อนนำไปดึงไปประมวลผลต่อ

ภาพที่ 2: การตรวจสอบโครงสร้างข้อมูล (Schema & Data Type Inspection)

สิ่งที่กำลังทำอยู่: เปิดดูหน้าต่าง Design ของตาราง dbo.tblEnrollment เพื่อตรวจสอบ Data Dictionary หรือ Schema ของตารางนี้ รายละเอียด: ระบบแสดงให้เห็นชื่อคอลัมน์และ Data Type ต้นทางอย่างชัดเจน เช่น EnrollmentID เก็บเป็น int (ตัวเลขจำนวนเต็ม), EnrollmentDate เป็น datetime (วันและเวลา) และ SchYr_Grade เป็น nvarchar(2) (ข้อความ) การรู้ว่าระบบฐานข้อมูลต้นทางเก็บข้อมูลมาแบบไหน จะช่วยให้เราวางแผนแปลงข้อมูลได้อย่างถูกต้อง

ภาพที่ 3: การแปลงประเภทข้อมูล (Data Type Conversion)

สิ่งที่กำลังทำอยู่: ข้อมูลถูกดึงเข้ามาใน Power Query Editor เพื่อทำการแปลงข้อมูล (Data Transformation) รายละเอียด: คุณกำลังคลิกเมนู Dropdown ที่หัวคอลัมน์ EnrollmentID เพื่อเปลี่ยนประเภทข้อมูล (Change Type) โดยกำลังจะเปลี่ยนจากตัวเลขให้กลายเป็น Text (ข้อความ)

🛠️ รายละเอียดสิ่งที่ได้ลงมือทำ (Implementation Details)

1.การสำรวจและออกแบบโครงสร้างต้นทาง (SQL Data Profiling & Design): คุณได้เข้าไปตรวจสอบโครงสร้างตาราง (Table Schema) ใน SQL Server เพื่อหาจุดที่ประเภทข้อมูลไม่เหมาะสม (Type Mismatches) ลงมือแก้ไขคุณสมบัติของ Field ผ่าน Design View เช่น การเปลี่ยนจากข้อความ (VARCHAR) ที่เก็บตัวเลข ให้กลายเป็นจำนวนเต็ม (INT) เพื่อลดขนาดการจัดเก็บและทำให้การประมวลผลคำสั่ง Query รวดเร็วขึ้น

2.การเชื่อมต่อและดึงข้อมูล (Database Connectivity): จัดการทำ Seamless Connection ระหว่างฐานข้อมูล SQL และเครื่องมือวิเคราะห์ เพื่อให้มั่นใจว่าข้อมูลไหลเข้าสู่ Pipeline ได้อย่างถูกต้อง 100%

3.กระบวนการ ETL และการทำ Data Casting: ใช้ Power Query เป็นเครื่องมือหลักในการทำความสะอาดข้อมูล ดำเนินการ Data Casting หรือการแปลงประเภทข้อมูลในขั้นตอนสุดท้าย เช่น การจัดการรูปแบบวัน/เวลา (Date/Time) และความละเอียดของจุดทศนิยม (Decimal Precision) เพื่อป้องกันการเกิด “Data Loss” หรือข้อมูลเพี้ยนระหว่างย้ายจากฐานข้อมูลมายังรายงาน

สิ่งที่ได้รับจากการทำ Lab นี้ (Key Outcomes & Takeaways)

คือแก่นของการทำ ETL (Extract, Transform, Load) เพื่อให้ได้ Data Quality

ทักษะการตรวจสอบต้นทาง (Extraction & Profiling): รู้วิธีเข้าถึงข้อมูลดิบจาก SQL Database และตรวจสอบชนิดของข้อมูลตั้งแต่ระดับ Schema เพื่อป้องกันข้อผิดพลาดในการดึงข้อมูล

ความเข้าใจเรื่องบริบทของข้อมูล (Data Context): ได้เรียนรู้ว่าไม่ใช่ตัวเลขทุกตัวควรมี Data Type เป็นตัวเลขเสมอไป เช่น EnrollmentID แม้หน้าตาจะเป็นตัวเลข แต่มันคือ “รหัสประจำตัว” ที่เราจะไม่นำมาบวก ลบ คูณ หาร กัน การแปลงประเภทข้อมูลเป็น Text จะช่วยป้องกันไม่ให้โปรแกรมวิเคราะห์ข้อมูลนำไปคำนวณทางคณิตศาสตร์แบบผิดวัตถุประสงค์

ทักษะการทำ Data Cleaning เบื้องต้น (Transformation): สามารถใช้งานเครื่องมือเตรียมข้อมูลอย่าง Power Query Editor ได้ ซึ่งทักษะการจัดเตรียมข้อมูลดิบให้พร้อม ถูกต้อง และคลีนที่สุดก่อนนำไปวิเคราะห์ต่อ เป็นทักษะที่ใช้จริงในการทำงานสาย Data Analytics เป็นประจำทุกวัน