การสร้าง Data Team จากบริษัท Tech ระดับโลกไปจนถึง Startup | Techsauce

การสร้าง Data Team จากบริษัท Tech ระดับโลกไปจนถึง Startup

สรุปเนื้อหาจาก AImpower โดย Techsauce ร่วมกับ Thinking Machines เปิดคอร์สเจาะลึกเกี่ยวกับ AI และ Data Science ซึ่ง Session นี้เป็นส่วนหนึ่งของ Building a Data Organization Trip and Tricks from Experienced Leaders ในหัวข้อ Data Science as an Entrepreneur 

โดยมี Speaker คือคุณปาล์ม Phuwarat Norchoovech CEO of Credit OK ที่จะแชร์ถึงแนวทางการทำงานของ Data Team ในรูปแบบต่าง ๆ และกระบวนการการจัดตั้งทีมงานในฐานะผู้ประกอบการสตาร์อัพ 

และ Speaker คนที่สอง คุณมาร์ช Krairat Mairin Senior Software Engineer of DataBricks ในหัวข้อ From a Technical Perspective  ที่จะมาเสริมมุมมองการทำงานเชิง Technical ถึงความสำคัญของระบบในการทำงาน รวมถึง Support Structure จากองค์กรที่จะช่วยสนับสนุนการทำงานและดึงดูดพนักงานที่มีความสามารถมาร่วมงานกับองค์กร

Data Science as an Entrepreneur 

สำหรับหัวข้อนี้ คุณปาล์ม Phuwarat Norchoovech CEO of Credit OK ได้แชร์ถึงประสบการณ์ช่วงที่ทำงานในส่วน Data กับองค์กรชั้นนำอย่าง Airbnb, Agoda, eBay จนกระทั่งเริ่มต้นจัดตั้งบริษัทสตาร์ทอัพของตนเอง ซึ่งมีกระบวนการสร้างทีมและโครงสร้างการทำงานที่มีรายละเอียดแตกต่างกัน 

โดยจุดเริ่มต้นของการจัดตั้ง Credit OK มีที่มาจากความสนใจส่วนตัวที่ต้องการตั้งบริษัทสตาร์ทอัพที่เกี่ยวกับ Fintech Sector เนื่องจากเห็นถึงศักยภาพการเติบโตของอุตสาหกรรมการเงินและประกันโดยเฉพาะอย่างยิ่งในภูมิภาค SEA นอกจากนี้ตนเห็นถึงปัญหาขององค์กรจำนวนมากในเมืองไทยที่มีความสนใจเรื่อง Digital Transformation Organization แต่ยังขาด Digital Solution ที่จะช่วยสนับสนุนการปรับเปลี่ยนในจุดนี้ ดังนั้นจึงเห็นโอกาสที่จะพัฒนาบริการมาตอบโจทย์ 

Credit OK จึงถูกจัดทำขึ้นเป็นแพลตฟอร์มเพื่อช่วยสนับสนุนธนาคารหรือองค์กรทางการเงินขนาดกลางและเล็กที่ต้องการปรับเปลี่ยนรูปแบบองค์กรเป็น Fintech โดยมีบริการหลักคือ Alternative Credit Scoring for B2B และ EKYC Product (Electronic Know-Your-Customer) หรือเทคโนโลยีที่ช่วยในกระบวนการรยืนยันตัวตนของลูกค้าที่มีการประกอบธุรกรรมต่าง ๆ กับธุรกิจ เพื่อป้องกันการทุจริต

ในช่วงแรกของการขยายทีมนั้นเริ่มต้นจากการจ้างตำแหน่ง Data Engineering และ Front-End Developer และ Back-End Developer เพื่อจัดการด้านระบบ นอกจากนี้ด้วยความเป็นธุรกิจ B2B ทำให้บริษัทต้องจัดการข้อมูลลูกค้าจำนวนมาก จึงต้องเพิ่มคนในส่วน Data Analyst และ Business Analyst เป็นลำดับต่อมา เนื่องจากต้องให้ความสำคัญกับการวิเคราะห์หา data attribute ที่บ่งบอกถึงพฤติกรรมและต้องแปลงข้อมูลหรือTransform ข้อมูลให้อยู่ในรูปแบบที่สามารถนำไปใช้วิเคราะห์กับโปรเจคต่าง ๆ ตาม Business and Risk Requirements  

คุณปาล์มระบุว่า ข้อดีของบริษัทสตาร์ทอัพ คือขนาดขององค์กรที่มีขนาดเล็ก ทำให้พนักงานมีโอกาสในการลองทำงานส่วนอื่นนอกเหนือจากตำแหน่งหน้าที่ตัวเอง เกิดการแลกเปลี่ยนในเชิงทักษะและข้อมูลที่หมุนเวียนงานกันภายในองค์กร (Job Rotation) เป็นข้อได้เปรียบที่ทำให้การทำงานด้านข้อมูลมีความสะดวกรวดเร็ว ตอบสนองและแก้ไขปัญหาด้านระบบได้รวดเร็วกว่าองค์กรที่จัด Data Team แบบ Centralized ซึ่งโครงสร้างทีมนั้นจะขึ้นอยู่กับความเหมาะสมของแต่ละคนองค์กร และมีข้อได้เปรียบและเสียเปรียบที่แตกต่างกัน

ตัวอย่างโครงสร้างการทำงานของทีม Data  


คุณปาล์มอธิบายถึงความแตกต่างของโครงสร้างทีมจากประสบการณ์ที่เคยร่วมงานกับองค์กรต่าง ๆ ยกตัวอย่างเช่น Agoda จะมีรูปแบบการทำงานแบบ Hybrid-Centralized โดยมีทีมส่วนกลางที่ประกอบไปด้วย Data Analytics กับ Data Science อยู่ด้วยกันภายใต้ Tech Department ทำหน้าที่เป็น Consultant ให้กับ Function Unit อื่น ๆ ในบริษัทที่ต้องการข้อมูลไปทำงาน หรือในบางโปรเจคที่มีรูปแบบการทำงานแบบ Embedded คือในแต่ละ Function Unit เช่น Product , Business จะจ้าง Data Science ประจำโปรเจค เพื่อการทำงานที่ใกล้ชิดกันมากขึ้น ลดขั้นตอนการทำงานและการติดต่อไปยังทีมใหญ่ 

เช่นเดียวกับ eBay ที่จะมีรูปแบบการทำงานแบบ Centralized โดยทีม Data Analytics อยู่ภายใต้ Finance ทีม Data Science อยู่ภายใต้ Tech Department และในแต่ละ Function Unit ก็จะดึงข้อมูลจากส่วนกลางไปทำงานของตนเอง มีการแลกเปลี่ยนข้อมูลจากแต่ละส่วนระหว่างกันสูง

สำหรับ Airbnb มีรูปแบบการทำงานแบบ Physically Embedded โดยมี Initiative Team ของตัวเอง แบ่งโซนในการทำงานแต่ละโปรเจคอย่างชัดเจน และภายในหนึ่งทีมจะประกอบไปด้วยคนจากส่วนต่าง ๆ เช่น Product Manager, Marketing, Finance, Engineering นั่งทำงานร่วมกัน 

ซึ่งข้อดีของรูปแบบการทำงานดังกล่าว คือ ความรวดเร็วในการทำงาน การพูดคุยระหว่างกันเมื่อเกิดปัญหาทำให้สามารถตอบสนองต่อปัญหาที่เข้ามาได้ทันที การลดขั้นตอนและระยะเวลาในการเข้าถึงข้อมูล โดยทีม Data Science สามารถเข้าถึงข้อมูล product design ตั้งแต่เริ่มต้นกระบวนการและทำการวิเคราะห์ข้อมูลที่เกี่ยวข้องกับโปรเจคได้แบบเชิงลึกมากยิ่งขึ้น (In-depth Knowledge) ส่งผลต่อกระบวนการทำงานด้านข้อมูลที่เป็นไหลลื่น เป็นระบบระเบียบ และถ่ายทอดความรู้ให้คนอื่นในทีมทำให้สามารถทำงานต่อได้ไม่ขาดช่วง (Knowledge-Transfer) อย่างไรก็ตามอาจทำให้ขาดมุมมองในภาพรวมและไม่สอดคล้องกับเป้าหมายใหญ่ขององค์กรได้  เนื่องจากขาดการแลกเปลี่ยนกันระหว่างโปรเจค (Limited Cross Functional Knowledge Sharing) นำไปสู่ความไม่เข้าใจใน Impact Metrics ของส่วนงานอื่นนอกเหนือจากส่วนงานตัวเอง

Start with Mission 

ในระยะเริ่มต้นของการจัดตั้งทีมงาน สิ่งที่องค์กรควรตระหนักถึงอันดับแรก คือ วัตถุประสงค์ในการใช้ Data และใช้เพื่อเป้าหมายใด เป้าหมายทางธุรกิจหรือเป้าหมายทางการบริหาร เช่น การเพิ่มประสิทธิภาพในการจัดการข้อมูลภายในองค์กรเพื่อลด Workforce การจัดการข้อมูลลูกค้าเพื่อสร้างระบบ Customer Relations Management หรือ สร้างโมเดลเพื่อทำนายว่าลูกค้าคนไหนจะหยุดซื้อผลิตภัณฑ์ หรือใช้บริการ

องค์กรควรเริ่มต้นจากการจัดลำดับความสำคัญเพื่อพิจารณาว่าแง่มุมไหนที่เป็นปัญหาเร่งด่วนที่ต้องให้ความสำคัญและติดตาม อีกทั้งทำให้เห็นถึงปัญหาย่อย ๆ ที่เกี่ยวข้องได้อย่างชัดเจนมากยิ่งขึ้น จากนั้นองค์กรจะเห็นถึงแนวทางในการประยุกต์ใช้เครื่องมือหรือเทคโนโลยี เห็นถึง Metrics สำคัญ ๆ ที่จะเป็นตัวชี้วัดการดำเนินการ เช่น การประเมินประสิทธิภาพของข้อมูลและทรัพยากรในองค์กร การจัดเตรียมข้อมูลที่เกี่ยวข้องที่จะตอบโจทย์การแก้ไขปัญหาเหล่านั้น (Frame Data Source) การกำหนดแนวทางในการออกแบบ Product & Solution เป็นต้น และที่สำคัญ คือ องค์กรจะทราบถึงส่วนใดที่ต้องเพิ่มกำลังคน รวมถึงตำแหน่งหน้าที่ใดเพื่อตอบโจทย์บริษัท

ในฐานะผู้ประกอบการ สำหรับการสรรหาคนมาร่วมทีม สิ่งสำคัญมากเช่นเดียวกัน นอกเหนือจาก technical skills ของ Candidate คือ Mindset ในแนวทางเดียวกับบริษัทหรือมีเป้าหมายในการทำงานระยะยาวที่สอดคล้องไปกับเป้าหมายของบริษัท ตัวอย่างการที่ Candidate มี Mindset ในการทำงานที่ดี เช่น วิธีการในการเลือกงานและการเติบโตในสายงาน เป้าหมายในการทำงานระยะยาว ความอยากเรียนรู้อย่างสม่ำเสมอ วิธีการพัฒนาตัวเอง เป็นต้น นอกจากนี้จะให้ความสำคัญกับ Critical Thinking ที่ Candidate มีต่อตนเองและงาน เพื่อที่จะสามารถแก้ปัญหาต่างๆที่เจอและสามารถคิดนอกกรอบได้

From a Technical Perspective

ในหัวข้อนี้ คุณมาร์ช Krairat Mairin Senior Software Engineer of Databrick แชร์มุมมองจากการทำงานในสายงาน Engineering ในเรื่องโครงสร้างทีมและระบบการทำงานของ Tech Company โดยยกตัวอย่างวิธีการทำงานที่ Databrick ว่าเป็นบริษัทผู้ให้บริการ Cloud Service Provider มีเป้าหมายเพื่อให้องค์กรทั่วไปหรือองค์กรขนาดเล็กสามารถเข้าถึงการใช้งานเครื่องมือด้าน AI & Data Analytics ได้ง่ายขึ้น เสนอบริการ Data Lake-house (Data Lake & Data House) ที่รวบรวมข้อมูลส่วนต่าง ๆ ให้อยู่ในที่เดียวกัน และองค์กรสามารถนำข้อมูลที่ผ่านขั้นตอนกระบวนการจัดการมาแล้วไปใช้ได้ โดยไม่จำเป็นต้องจัดตั้งทีม Engineer ระดับสูงเพื่อวางระบบ Engineer Practice (Continuous Integration - Continuous Deployment)

ระบบและประสิทธิภาพในการทำงานที่ดีคือสิ่งสำคัญที่ส่งผลโดยตรงกับการขับเคลื่อนบริษัทไปสู่เป้าหมายด้านต่าง ๆ คุณมาร์ชระบุว่าสำหรับองค์กรขนาดเล็กที่พึ่งจัดตั้งควรให้ความสำคัญกับเรื่องเป้าหมายและคุณค่าเชิงธุรกิจก่อน การวางโครงสร้างการทำงานแต่ละส่วนและการออกแบบระบบปฏิบัติการ และรักษาสภาพให้มีประสิทธิภาพอยู่เสมอเป็นกระบวนการที่ใช้เวลาพอสมควรในช่วงแรก อาจจะเอื้อต่อองค์กรขนาดใหญ่หรือมีผลประกอบการที่มั่นคงเป็นเวลาหนึ่งแล้ว เนื่องจากการพัฒนาระบบมีต้นทุนสูงและต้องการกำลังคนที่เชี่ยวชาญเฉพาะด้านจำนวนมากเพื่อวางระบบให้เกิด Developer Productivity อีกทั้งองค์กรจะสามารถรู้ถึงปัญหาหรือเห็นช่องวางของระบบได้จากการปฏิบัติงานจริง องค์กรควรมีความเข้าใจการติดตั้งระบบในแต่ละ Fundamental Layer และให้ทีมงานฝ่าย Technical Engineer มีส่วนร่วมในกระบวนการ เนื่องจากเป็นผู้ที่เข้าใจความสำคัญของส่วนต่าง ๆ และเห็นภาพในเชิงปฏิบัติการจริง

ตัวอย่างภาพระบบ CI/CD Pipeline สำหรับ Tech Company

 




ที่มา Continuous Integration & Continuous Delivery with Databricks

การวางระบบแบบ CICD หรือ กระบวนการที่ครอบคลุมตั้งแต่การรวมโค้ดที่สมาชิกในทีมเขียนขึ้นการทดสอบความผิดพลาดโค้ด (CI-Continuous Integration) ด้วยการทำ Automation Test จาก Unit Test สู่ Integration Test จนครบ End-to-End หาชุดโค้ดผ่านไปยัง Development Environment Staging ก็จะส่งออกโค้ดไปยัง Production หรือระบบใช้งานจริงแบบอัตโนมัติ (CD-Continuous Deployment) 

กระบวนการดังกล่าวจะช่วยตอบโจทย์การทำงานในหลายด้านสำหรับทีม Engineer โดยระบบ Automated Process จะช่วยลดภาระงานและระยะเวลาการทำงานที่ไม่จำเป็น ทำให้ Developer Productivity สูงขึ้น CICD สามารถตรวจสอบข้อผิดพลาดของชุด Code ตั้งแต่ขั้นตอนการพัฒนาและระบุชุด Code ที่ผิดพลาดมาจากส่วนใดก่อนไปถึงขั้น Production ทำให้การ Deploy Code มีผลลัพธ์ที่มีประสิทธิภาพมากขึ้น

Attracting Talents

โดยสรุปแล้วการสรรหาบุคลากร และจัดตั้งทีมเป็นเรื่องที่ต้องใช้เวลาและปรับเปลี่ยนสม่ำเสมอ ขึ้นอยู่กับลักษณะและศักยภาพขององค์กร ควรวิเคราะห์ถึงปัญหาและจัดลำดับความสำคัญเพื่อกำหนดวัตถุประสงค์ในการใช้งานเทคโนโลยีหรือจัดจ้างบุคลากร

ปัจจุบันปัจจัยจูงใจสำคัญที่ดึงดูดให้ Candidate สนใจเข้าร่วมกับองค์กร คือ ปัจจัยด้านเป้าหมายและวิสัยทัศน์ของบริษัท ซึ่งไปในทางเดียวกับหลักการการทำงานของเราหรือสอดคล้องกับเป้าหมายการเติบโตในสายงานหรือไม่ ต่อมาคือปัจจัยเรื่องผลตอบแทนและสวัสดิการ K.March แชร์ว่าข้อควรพิจารณาสำคัญ คือ อัตราการเติบโตของธุรกิจ (Growth Potential) ซึ่งศักยภาพเติบโตในอนาคตสัมพันธ์กับเรื่องผลตอบแทนและสวัสดิการที่มั่นคง 

องค์กรทั่วไปสามารถประเมินวิธีการต่าง ๆ ในการสร้างวัฒนธรรมและสภาพแวดล้อมการทำงานที่เอื้อให้เกิดการมีส่วนร่วม สร้างแนวทางการทำงานที่ให้พนักงานรู้สึกว่าตนสามารถพัฒนาไปพร้อมกับองค์กรหรือได้รับการสนับสนุนจากองค์กร นอกจากนี้องค์กรหลายที่ในสายงานวิเคราะห์และพัฒนา ไม่ว่าจะเป็น Engineer , Blockchain , AI หรือ Data มักมีการกำหนดผลตอบแทนส่วนหนึ่งในลักษณะหุ้นส่วนกิจการ หรือ Employee Stock Option Program (ESOP) เพื่อสร้างแนวการทำงานที่เป็นส่วนหนึ่งกับองค์กรหรือกิจการ รู้สึกเติบโตและชนะไปกับบริษัท หากองค์กรมีผลประกอบการและกำไรที่ดี เป็นปัจจัยที่กระตุ้นให้เกิดการทุ่มเทในการทำงาน สร้างความผูกพันและเชื่อมั่นในองค์กร ซึ่งปัจจุบันกลายเป็นหลักการสำคัญที่องค์กรพิจารณาในการดึงดูดคนที่เชี่ยวชาญเฉพาะทางขั้นสูงมาร่วมทีม 

RELATED ARTICLE

Responsive image

D.OASIS ผนึกกำลัง 30 พันธมิตรธุรกิจชั้นนำ ก้าวเข้าสู่โลก Metaverse สร้างคอมมูนิตี้ไทยใน The Sandbox

D.OASIS ร่วมกับพันธมิตรองค์กรธุรกิจชั้นนำของไทย เปิดตัว “D.OASIS Global Metaverse Community” โลกเสมือนระดับโลกของเมืองไทย ภายใต้แนวคิด “Your go-to place for the Metaverse and NFT e...

Responsive image

สรุป 5 ความเข้าใจผิดมากที่สุดเกี่ยวกับ Blockchain พร้อม use case นอกเหนืออุตสาหกรรมการเงิน

Blockchain ทำให้สามารถทำธุรกรรมต่างๆได้โดยไม่ต้องอาศัยคนกลาง แต่เนื่องจากเป็นเทคโนโลยีใหม่ จึงมีหลายคนเข้าใจผิดเกี่ยวกับเทคโนโลยีนี้ บทความนี้เราจึงได้มีการสรุปความเข้าใจผิดมากที่...

Responsive image

เตรียมพร้อมองค์กรด้วย Big Data รับพฤติกรรมผู้บริโภคยุค Next Normal

เตรียมธุรกิจให้พร้อมด้วย Big Data รับพฤติกรรมผู้บริโภคในยุค Next Normal กับ ICHI ผู้ให้ความรู้ด้าน Digital Solution และ ดร.ธนชาติ นุ่มนนท์ ผู้อำนวยการสถาบัน IMC ที่มาแบ่งปันความรู้...