ในโลกของเทคโนโลยีที่เติบโตขึ้นอยู่ทุกวัน ทำให้หลายบริษัทโพสต์ตำแหน่งงานใหม่ๆ อยู่ตลอด นี่จึงเป็นการแข่งขันระหว่างผู้สมัครงานทุกคน แต่นักศึกษาจบใหม่หรือผู้ที่เปลี่ยนอาชีพควรเตรียมตัวอย่างไรหากไม่มีประสบการณ์การทำงานด้าน Data Analytics มาก่อน

แน่นอนว่าบริษัทต่างๆ ต้องการคนมีประสบการณ์การทำงานมาก่อน ถ้าถามว่าหากเราอยู่ในจุดที่กำลังหางานหลังเรียนจบหรือกำลังเปลี่ยนสายงาน เรามีโอกาสจะได้งานหรือไม่? คำตอบก็คือ มี หากเราเตรียมตัวดี แม้ไม่มีประสบการณ์ก็อาจหางานทำได้ไม่ยาก

วันนี้เราจะพาไปดูเส้นทางสาย Data Analytics ของ Rashi ผู้เป็นเด็กจบใหม่และไม่มีประสบการณ์การทำงานเต็มเวลามาก่อน แต่ก็ได้รับข้อเสนองานจนปัจจุบันเธอเป็น Data Analyst อยู่ที่ Blue Cross Blue Shield ในชิคาโก้ 

การทำโปรเจกต์ที่หลากหลายเป็นสิ่งสำคัญ

Rashi เริ่มเรียน Data Science ในปี 2018 โดยในตอนนั้นมีความตั้งใจว่าจะเริ่มเรียนรู้ทักษะไปทีละอย่าง และในปัจจุบันก็ได้เป็นพนักงานเต็มตัวในฐานะผู้เชี่ยวชาญด้านข้อมูล (Data Professional) ซึ่งวิธีที่จะทำให้มีความรู้ด้านข้อมูลหลายๆ ด้านก็คือ การทำโปรเจกต์ข้ามทักษะหลายๆ อย่าง ถ้าเรากำลังเรียน Python อยู่ ก็ให้เรียนรู้ SQL ตามด้วย R และ Tableau ในขณะที่เรากำลังเรียนรู้ทักษะใหม่ๆ ก็ให้ทำงานในโปรเจกต์ต่างๆ เพื่อเพิ่มทักษะให้กับโปรไฟล์ของตัวเอง

การสร้าง Portfolio ในขณะเรียนเป็นสิ่งสำคัญ โดยการทำทุกอย่างที่ตนเองสนใจ ผ่านการออกไปหาโอกาสจากข้างนอก เช่น การทำโปรเจกต์ฟรีแลนซ์ เพื่อทำงานด้าน Data Analytics ให้ใกล้เคียงกับโลกการทำงานจริงๆ และแม้ว่าการลงคอร์สเรียนเพื่อประกาศนียบัตรเป็นสิ่งสำคัญ แต่ก็ควรเตรียมความพร้อมด้วยทักษะที่ธุรกิจต่างๆ ต้องการ

ฝึกงานสร้างประสบการณ์ให้ตัวเอง

การฝึกงานเป็นทางเลือกที่ดีในการได้รับประสบการณ์การทำงานด้าน Data Analytics ในโลกการทำงานจริงๆ ไม่มีโปรเจกต์ไหนหรือประกาศนียบัตรใดที่สามารถช่วยเตรียมความพร้อมสู่การทำงานหลังเรียนจบได้ดีเท่าการฝึกงาน โดยเฉพาะอย่างยิ่งโอกาสที่ดีที่สุดที่อาจได้จากการฝึกงานก็คือ การได้รับข้อเสนองานหลังฝึกงานจบจากบริษัทนั้นๆ แต่ถึงจะไม่ได้รับโอกาสนี้ เราก็ยังได้รับประสบการณ์การทำงานอย่างคุ้มค่า

Rashi ได้ฝึกงานกับ PepsiCo ถึง 3 ครั้ง ซึ่งการฝึกงานตรงนี้ทำให้ได้เตรียมความพร้อมสำหรับการทำงานในอนาคตและได้รับทักษะอื่นๆ มาอีกมากมาย เพราะการฝึกงานเป็นวิธีที่ดีในการเติมเต็มช่องว่างทางด้านทักษะให้กับตนเอง อีกทั้งยังได้รู้คุณค่าของ Transferable Skill ในสายงาน Data Science และสามารถนำทักษะตรงนี้ไปใช้กับการทำงานเต็มตัวในอนาคตได้

ใบประกาศนียบัตร การฝึกเขียนโค้ด การทำงานในโปรเจกต์ใหม่ๆ การตีพิมพ์บทความ หรือกิจกรรมอื่นๆ ที่เกี่ยวข้องกับข้อมูล เช่น การเขียนบล็อก สิ่งเหล่านี้เป็นการเตรียมตัวเข้าสู่สนามการแข่งขันในการหางานได้เป็นอย่างดี โดยเฉพาะอย่างยิ่งในขั้นตอนแรกๆ ของการหางาน เช่น การสัมภาษณ์

สร้างเครือข่ายและหาเมนเทอร์เพื่อมุ่งสู่เป้าหมาย

หลายคนอาจมองว่าการสร้างเครือข่ายคือ การได้รับ Referral หรือเป็นการเปิดประตูไปสู่การได้งานมากขึ้น แต่จริงๆ แล้วการสร้างเครือข่ายจะทำให้เราได้รู้เกี่ยวกับความคาดหวังในอุตสาหกรรม อะไรคือสิ่งที่ Hiring Manager มองหาจากผู้สมัครงาน รวมถึงการได้เรียนรู้การเจรจาต่อรอง คนที่อยู่ในเครือข่ายของเราจะสามารถให้คำแนะนำในเรื่องเหล่านี้ได้

โดย Rashi โฟกัสไปที่การสร้างเครือข่ายกับคนที่ตัวเองอยากจะเป็นในอีก 5 ปีข้างหน้า และถามคำถามคนนั้นในสิ่งที่จะทำให้ก้าวเดินไปบนเส้นทางนั้นได้อย่างถูกต้อง

เมื่อสร้างเครือข่ายแล้ว ขั้นตอนต่อมาก็คือการหาเมนเทอร์ โดยอาจจะเป็นศาสตราจารย์ ผู้จัดการฝึกงาน เพื่อนจากโรงเรียน หรือใครบางคนที่เรารู้จักบน LinkedIn ก็ได้ วิธีนี้จะทำให้เป้าหมายของเราชัดขึ้น เพราะเมนเทอร์จะช่วยนำทางและเตรียมตัวเราให้เข้าสู่โลกของการทำงานได้

“ธุรกิจต่างๆ มีปัญหาเข้ามาทุกวัน แต่สิ่งสำคัญในฐานะผู้เชี่ยวชาญด้านข้อมูลคือ เราต้องรู้ว่าตัวเองชอบทำงานอะไร และที่สำคัญไปกว่านั้นก็คือ การรู้ว่าตัวเองไม่ชอบทำงานอะไร” นี่คือสิ่งหนึ่งที่ Rashi ได้เรียนรู้จากเมนเทอร์ของตัวเอง

ค้นหาสิ่งที่ใช่ให้กับตัวเอง

จากคำแนะนำของเมนเทอร์ Rashi จึงได้เริ่มสำรวจว่าตัวเองชอบทำอะไรในช่วงฝึกงานจบ และสื่อมันออกมาในเรซูเม่ของตัวเอง ซึ่งจากการสำรวจนี้ทำให้ได้รู้ว่าไม่ใช่ทุกคนที่จะชอบการทำงาน Data Scientist และ 90% ของงานที่ Rashi สมัครไป ก็คือตำแหน่ง Data Analyst

โดยการค้นหาตัวเองสามารถทำได้ตั้งแต่การลองทำโปรเจกต์ต่างๆ การได้รับประกาศนียบัตร การฝึกงาน การสร้างเครือข่าย และการอ่านเกี่ยวกับเทคโนโลยีใหม่ๆ ที่มีข้อมูลเป็นจุดเด่น จะทำให้เราเข้าใจความต้องการในบทบาทนี้ได้ดียิ่งขึ้น ซึ่งจะช่วยให้ถูกปฏิเสธระหว่างการหางานน้อยลงได้

สุดท้ายนี้เป็นคำแนะนำเล็กๆ น้อยๆ ให้กับผู้ที่กำลังมองหางานว่า ให้มองหาบริษัทที่กำลังเติบโตเพื่อที่เราจะได้สร้างสรรค์ผลงานที่มีอิมแพคที่ยิ่งใหญ่ มากกว่าการมองหาบริษัทใหญ่ๆ แต่สามารถสร้างอิมแพคได้เพียงเล็กน้อย

ที่มา - Towards Data Science