เขาว่ากันว่า Data Scientist เปรียบดั่งเป็น “มนุษย์ทองคำ” เพราะเป็นบุคคลที่สามารถแปลงข้อมูล ออกมาเป็นขุมทรัพย์ขนาดใหญ่ให้องค์กรได้ ฟังดูเหมือนเป็นผู้วิเศษ แท้จริงแล้ว ตำแหน่งงานนี้ คือ บุคคลที่สามารถนำความรู้ด้าน Science มาต่อยอด โดยมี Data เป็นวัตถุดิบ เขาอาจจะทำงานได้สำเร็จ หรือไม่สำเร็จก็ได้ เพียงแต่งานของเขาค่อนข้างเฉพาะทาง และหาคนเก่งจริงๆ ได้ยากยิ่ง

ทำไมต้องมี Data Scientist?

เพราะการวิเคราะห์แบบเดิมๆ สมการเดิมๆ ที่มีอยู่ในหนังสือเรียน ไม่ตอบโจทย์แล้วเพราะแต่ละองค์กร แต่ละสภาพแวดล้อม เปลี่ยนแปลงตลอดเวลา ทำให้ต้องการความชันเจน แม่นยำ และสิ่งใหม่ๆ อยู่เสมอหน้าที่ของ Data Scientist หลักๆ จึง คือ การคิดค้นวิธีการ และหา insight หรือ Solution ใหม่ๆ จากข้อกำจัดต่างๆ เพื่อให้บรรลุเป้าหมายตามที่องค์กรต้องการ โดยใช้ Data เป็นส่วนประกอบ

อย่างไรก็ตาม การมี Data Scientist ในองค์กร ถือเป็นความเสี่ยงอย่างหนึ่ง เนื่องด้วยงานที่ค่อนข้างเฉพาะเจาะจง มีความละเอียดสูง และ Demand ในท้องตลาดที่มีความต้องการอย่างมาก ทำให้ Data Scientist มีทางเลือกในการทำงาน การจ้างงานที่ไม่ตรงตามความถนัดของแต่ละคน ก็อาจนำพาให้องค์กรพบกับปัญหาคนลาออกได้ และด้วยตัวงานที่เป็น Scope ใหญ่ การลาออกครั้งนี้ อาจส่งผลกระทบต่อระบบงานขององค์กรอย่างใหญ่หลวง

องค์กรแบบไหน ควรจ้าง Data Scientist มีดังนี้

1. องค์กรที่มีวิสัยทัศน์แบบ Data Driven Business ที่ต้องอาศัยข้อมูลเชิงลึกในการตัดสินใจอยู่เสมอ

2. องค์กรที่มีการเก็บข้อมูลขนาดใหญ่ โดยเฉพาะ แบบ Real-Time ที่ต้องสร้าง Model การใช้ข้อมูลใหม่ๆ แบบ Dynamic

3. องค์กรที่มีการวิเคราะห์ และวิจัยสิ่งใหม่ๆ โดยใช้ข้อมูลเป็นตัวแปรสำคัญ

4. องค์กรที่ทำงานเกี่ยวกับ Technology ที่ต้องการสร้าง Machine Learning หรือArtificial Intelligence

ทั้งนี้ ก่อนจะจ้าง Data Scientist จึงต้องทำความเข้าใจก่อนว่า งานของเขาคืออะไร และเรามีโจทย์ให้เขาได้อย่างต่อเนื่องหรือไม่ เพราะลักษณะงานของ Data Scientist ส่วนใหญ่ เป็นในรูปแบบของ Project Base ซึ่งในบางกรณีการสร้าง Model สามารถกระทำได้เพียงครั้งเดียว ตัวอย่างเช่น

- การคิด Optimization ของระบบการผลิต

- การทำ Preventive Maintenance Model

- การสร้างระบบซื้อขาย และจัดการ Inventory

ซึ่งทั้งหมดนี้ เป็น Project เดี่ยวๆ ทั้งสิ้น ซึ่งการจ้าง Data Scientist เป็นทีมนั่งประจำ อาจจะไม่คุ้มกับการลงทุน

ส่วน Project แบบ Dynamic เช่น Item Recommendation หรือ Fault Detection จะเป็นลักษณะของ Project แบบต่อเนื่อง จำเป็นต้องมี Data Scientist Team ที่ทำงานนี้โดยเฉพาะ

แม้ว่าในตลาดแรงงานจะมี Young Data Scientist เกิดขึ้นจำนวนมากขึ้นแล้ว แต่การทำงานในเชิง Data Science ยังดูคลุมเคลือ เนื่องจากทั้งความไม่เข้าใจของธุรกิจที่มีต่อตำแหน่งงานนี้ และตัว Young Data Scientist เองที่ยังไม่เคยลองสนามงานจริง ทำให้เกิดช่องว่างมากขึ้น ดังตัวเองเช่น Job Offers ในตำแหน่ง Data Scientist ที่โพสในเว็บสมัครงาน หลายที่ ต้องการ Data Scientist ไปดึง API บ้าง ทำ ETL บ้าง ดูแล Database บ้าง สร้าง Data Lake บ้าง (งานแบบนี้เป็นของ Data Engineer) หรือแม้กระทั่ง ใช้ Data Scientist ไปสร้าง Data Report ซึ่งไม่ตรงตามวัตถุประสงค์ของการจ้างงานเท่าที่ควร

สำหรับบริษัท หรือ องค์กรที่ต้องการทำงานเกี่ยวกับ Big data หรือ Data Science ในกรณี Project Base หรือไม่มี Data Scientist นั่งประจำ สามารถจ้างบริษัทที่ปรึกษา หรือ Outsource บริษัทที่มี Core Business เป็นการทำ Data Science and Machine Learning ได้ เพื่อลดความเสี่ยงในการบริหารทรัพยากรบุคคล และได้งานที่มีคุณภาพตรงตามความต้องการ ในเวลา และงบประมาณที่จำกัด

สุดท้ายนี้ สิ่งที่สำคัญที่สุดคือ ผู้บริหาร และองค์กร ควรมีความเข้าใจในงานของ Data Scientist เพื่อสามารถส่งงานที่ท้าทายให้เขาได้ และองค์กรควรมีนโยบาย Big Data ให้ชัดเจน เพื่อความคล่องตัวในการทำงานของทีมงานประกอบกัน

บทความนี้เผยแพร่ครั้งแรกที่ Coraline