Data Scientist หรือนักวิทยาศาสตร์ข้อมูล เราจะนึกถึงการวิเคราะห์ทางสถิติ ภาษา Python พวกโมเดลที่ใช้พยากรณ์ผลลัพธ์ แต่ความจริงแล้วคนในบริษัท (หรือคนอื่นที่มอง Data Scientist) คาดหวังว่าตัว Data Scientist จะต้องสื่อสารรู้เรื่อง เก่งเรื่องการแสดงข้อมูลให้เข้าใจง่าย ประสานงานกับคนอื่นได้ Data Scientist ก็เหมือนกับอาชีพอื่นๆที่ถูกคาดหวังว่าต้องมีทักษะเสริมแต่จำเป็นสำหรับการทำงาน

1. Data Wrangling: งานที่ Data Scientist หนีไม่พ้น
เราอาจจะคิดว่า Data Scientist คงจะใช้เวลาส่วนใหญ่พิมพ์ Python คิดโมเดลทำนายผลลัพธ์ ความจริงคือ งาน Data Science หมดไปกับ Data Wrangling หรือการปรับเปลี่ยนหน้าตาข้อมูลให้อยู่ในรูปแบบที่พร้อมสำหรับใช้วิเคราะห์ เริ่มจากหาข้อมูล ปรับเปลี่ยนหน้าตาข้อมูล และจัดโครงสร้างให้ข้อมูลอยู่ในระบบระเบียบ

คนที่เก่ง Data Wrangling จะคอยหาโอกาสหาทางรวมขั้นตอนการดำเนินงานจากโปรเจคต่างๆไว้ในงานเดียว (คือทำครั้งเดียว แต่ช่วยให้โปรเจคหลายๆโครงการเสร็จเร็วขึ้น) มี Template สำหรับการแสดงข้อมูลเบื้องต้นให้ทีม Data Visualization ไปทำงานต่อ เป็นต้น ฉะนั้นคนทำ Data Wrangling เป็น ก็ต้องมีทักษะเขียนโค้ต เข้าใจสถิติ และ System Architecture

2. Data Analysis: สร้าง ทดสอบโมเดล และทำนายเทรนด์ต่างๆจากข้อมูล
พยายามหาความหมายว่าข้อมูลที่เรามีนั้น กำลังจะบอกอะไรเราโดยการสร้างสมมติฐาน สร้าง ทดสอบโมเดลเพื่อให้ได้โมลเดที่ทำนายผลลัพธ์ที่น่าเชื่อถือมากที่สุด ที่สำคัญคือโมเดลที่ดีที่สุดที่ได้มานั้น ต้องเหมาะสมในแต่ละบริบท แต่ละสถานการณ์ เพราะเป็นไปไม่ได้ที่เราจะใช้โมเดลเดียวทำนายผลลัพธ์แล้วใช้ได้ทุกสถานการณ์

ตรงนี้แหละ เป็นจุดแรกที่ Data Scientist ไม่ควรจะเก่งแค่โค้ดคอมฯกับตัวเลอย่างเดียว ทักษะอย่าง Critical Thinking การรู้จักบริบทที่ใช้ การเรียนรู้พฤติกรรมของมนุษย์ ของสังคมกลายเป็นเรื่องจำเป็นสำหรับการวิเคราะห์ข้อมูล เพราะถ้าไม่รู้จักบริบท เราก็ไม่รู้ว่าผลลัพธ์ที่โมเดลที่เราใช้ทำนายจะถูกต้องน่าเชื่อถือมากน้อยแค่ไหน?

3. Project Management: การจัดการโปรเจคและประสานงานกับคนในทีม
บางคนที่ถนัดคำนวน ถนัดงานด้านไอที แต่ไม่ถนัดประสานงาน คุยกับคนก็ลำบากหน่อย เราถูกคาดหวังว่าจะต้องมีทักษะการลำดับความลำคัญก่อนหลัง รู้จักเจรจาต่อรอง โปรเจคที่มีคนจากหลายๆฝ่าย เราต้องหาทางคุยเพื่อลดช่องว่างความไม่เข้าใจกัน เพื่อเอาทักษะของแต่ละคนมาช่วยทำโปรเจคให้สำเร็จ เราต้องมั่นใจว่าทุกคนในทีมคุยด้วยภาษาเดียวกัน ไม่ใช่เข้าใจอยู่ฝ่ายเดียว

เพราะเราอาจจะไปเจอฝ่ายที่ไม่รู้เรื่อง Data Science เลยแต่คนนั้นมีความสามารถที่ทำให้โปรเจคสำเร็จก็ได้ เช่นการดีไซน์การแสดงผลลัพธ์ของข้อมูล (Data Visualization) ที่ไม่ใช่ Data Scientist ทุกคนจะรู้จักหลักดีไซน์ ความท้าทายคือจะคุยกับฝ่ายการฟฟิคอย่างไรให้เข้าใจสิ่งที่ Data Scientist ต้องการจะสื่อ

4. Design: ทำให้คนที่ไม่รู้จัก Data ได้เข้าใจ Data ได้ภายในไม่กี่นาที
อย่างน้อยที่สุด Data Scientist ก็ควรจะเข้าใจหลักดีไซน์ไว้บ้าง รู้จักการจัดวางและแก้ไขตำแหน่งของภาพอย่างไรให้คนอ่าน คนดูเข้าใจข้อมูลที่เราต้องการสื่อ รู้จักการทำต้นแบบ Template ในการสร้าง Visualization ให้ใช้ได้สำหรับข้อมูลที่ต้องการพรีเซนต์เป็นประจำก็ยังดี แต่คงหวังให้เก่งเท่าคนที่เก่งด้านดีไซน์จริงๆนั้นคงยาก ทั้ง Information Design, Presentation Design, Design Thinking และการพูดโน้มน้าวจูงใจคนเป็น

5. Subject Expertise: ความรู้ในเรื่องที่ต้องการศึกษา
เพราะ Data Science ไม่ได้ถูกจักัดอยู่ในวงการธุรกิจเท่านั้น แต่ยังเป็นวงการแพทย์ การศึกษา ฯลฯ เช่นการทำนายค่า PM 2.5 ในพื้นที่ต่างๆ

แต่ต่อให้เป็นวงการธุรกิจ ก็ไม่ใช่ Data Scientist ทุกคนที่เข้าใจหลักการธุรกิจ พูดอีกอย่างหนึ่งคือเราต้องคอยเช็คว่าผลลัพธ์ที่โมเดลทำนายให้นั้น สำคัญกับเป้าหมายทางธุรกิจมากน้อยแค่ไหน ใช้ตัดสินใจเรื่องๆต่างๆในบริษัทได้หรือเปล่า? คนที่เก่งทั้ง Data Science และธุรกิจ จะต้องคอยบอกคนในทีมว่าผลลัพธ์แบบไหนที่ตรงเป้าหมายธุรกิจ เช่นการเงิน การตลาด การรับส่งสินค้า ฯลฯ จะได้รู้ว่าอะไรควรทำ อะไรไม่จำเป็นต้องทำ

6. Storytelling: พูดอย่างไรให้คนที่อยู่นอกวงการฟังแล้วเข้าใจ
Data Scientist ที่มีทักษะ Storytelling ด้วยจะเริ่มจากเข้าใจลักษณะ ระบบ โครงสร้างที่มาทีไปของข้อมูล ก่อนที่จะพรีเซนต์ Data Visualization พวกกราฟแผนผังต่างๆ ความท้าทายคือการเล่าสิ่งต่างๆที่เคยเกิดขึ้น เกิดขึ้นตอนนี้ และอาจจะเกิดขึ้นให้คนทั่วไปฟังให้เข้าใจโดยไม่ใช้ภาษาที่เข้าใจยาก เป็นคำศัพท์ที่คนำทำงานเข้าใจกันเอง การทำสไลต์ และเขียนคำบรรยาย สคิรปคำพูดต่างๆ กลายเป็นงานที่ Data Scientist ถูกคาดหวังว่าควรทำให้เป็น

 

 

 

ที่มา : marketingoops