อาชีพแห่งอนาคต Data Scientist
ใช้วิทยาศาสตร์ข้อมูลแก้ปัญหา เพื่อกลุ่ม ปตท.
ทำไมก่อนเข้าประชุม จึงมีการขอข้อมูลจำนวนมาก ? เพราะทั้งผู้บริหารและพนักงาน ล้วนใช้ข้อมูลเป็นเสมือนเชื้อเพลิงเดินเครื่องจักรที่เรียกว่า การตัดสินใจ ซึ่งทุกคนก็อยากให้การตัดสินใจของตนมีประสิทธิภาพ คำกล่าวที่ว่า Data is the new oil จึงไม่ใช่เรื่องใหม่ที่กำลังจะเกิด แต่เป็นเรื่องที่เกิดขึ้นแล้ววันนี้ ยิ่งเทคโนโลยีดิจิทัลพัฒนา ยิ่งเก็บข้อมูลได้มากขึ้น การนำข้อมูลมาใช้ประโยชน์ ตอบโจทย์ธุรกิจ จึงต้องอาศัยผู้เชี่ยวชาญอย่าง Data Scientist หรือ นักวิทยาศาสตร์ข้อมูล มาช่วยวิเคราะห์ ซึ่งอาชีพดังกล่าว นอกจากจะต้องมีพื้นฐานด้านการเขียนโปรแกรมแล้ว ยังต้องเข้าใจสถิติ เข้าใจธุรกิจ และพฤติกรรมของข้อมูล พร้อมทั้งทักษะการนำเสนอให้ผู้อื่นเข้าใจง่ายด้วย ทั้งนี้ จากผลสำรวจของ Massachusetts Institute of Technology (MIT) Sloan Management Review ปี 2017 พบว่า 43 % ของกลุ่มตัวอย่างบริษัทในสหรัฐฯ ยังขาดทักษะด้านการวิเคราะห์ข้อมูล อีกทั้งในสายงานใกล้เคียงที่สุด อย่างนักพัฒนาซอฟท์แวร์ ก็มีเพียง 4 % เท่านั้นที่พัฒนาตนเป็น Data Scientist ได้[1] และจากผลสำรวจของ Economic Intelligence Center ธนาคารไทยพาณิชย์ พบว่า ในไทยมีความต้องการ Data Scientist ประมาณ 2,000 คน และใน 2-3 ปีข้างหน้า จะต้องการเพิ่มอีก 15 % แต่ปัจจุบัน เรามี Data Scientist เพียง 200-400 คนเท่านั้น[2] อาชีพนี้ จึงเป็นที่ต้องการมาก จนเกิดคำถามที่หลายท่านสงสัยว่า Data Scientist ทำงานอย่างไร และกับใครบ้าง
วันนี้ Digital Connect พาทุกท่าน มารู้จักกับ คุณนพัศม์ ทวีวิทย์ชาครียะ Senior Data Scientist คนแรกของ บริษัท พีทีที ดิจิตอล โซลูชั่น จำกัด ที่จะมาบอกเล่าหน้าที่ของ Data Scientist และงาน Data Science ว่ามีส่วนช่วยเพิ่มประสิทธิภาพธุรกิจกลุ่ม ปตท. อย่างไร
จุดเริ่มต้นบนความสงสัย
“ มีโอกาสร่วมงานกับปตท. เมื่อ 10 ปีที่แล้ว ในตำแหน่งที่ปรึกษา SAP BW[3] และ BI[4] โดยการทำงานจะทำตามความต้องการของธุรกิจเป็นหลัก แต่ด้วยเนื้องานที่ต้องอยู่กับข้อมูลจำนวนมาก วันหนึ่ง จึงเริ่มสงสัยว่า ข้อมูลที่ทางผู้ใช้งานมองเห็นกับความเป็นจริงตรงกันหรือเปล่า? และทำไม ทางผู้ใช้งาน แต่ละคน มีการวิเคราะห์ข้อมูลในมุมที่ต่างกัน ทั้งที่เป็นข้อมูลชุดเดียวกัน ซึ่งน่าจะมีบางอย่าง มาพิสูจน์สมมุติฐาน (Assumption) ในวิเคราะห์ข้อมูลเหล่านั้น
ด้วยความสงสัยดังกล่าวจึงตัดสินใจไปศึกษาต่อที่สหรัฐฯ มหาวิทยาลัย Florida Atlantic ได้ร่วมงานกับอาจารย์ที่ทำวิจัยด้านการทำ Data Analytic โดยตรง จึงได้รู้หลักการที่สามารถนำมาช่วยเรื่องการตัดสินใจทางธุรกิจ อีกทั้งเทรนด์ Big Data และ Internet of Things[5] เข้ามาในระบบของธุรกิจ จึงทำให้มีความต้องการของตำแหน่งงาน Data Scientist และตำแหน่งอื่นๆ ที่เกี่ยวข้อง เพิ่มขึ้นตามมา ภายใต้โครงการเกี่ยวกับ Big Data และ Data Analytic
ด้วยความผูกพัน จึงติดต่อกับพี่ที่เคยสนับสนุนให้เรียนต่อ และได้รับโอกาสครั้งสำคัญเข้าทำงานกับบริษัทกลุ่ม ปตท.คือ PTT Digital (หรือเดิมคือ PTT ICT) อีกทั้งได้รับความไว้วางใจให้เข้าร่วมและดูแล โครงการ PTT Smart Analytic with Big Data ซึ่งเป็นโครงการเกี่ยวกับ Big Data และ Data Analytic ของ ปตท. ซึ่งปัจจุบันดำเนินงานมากว่า 3 ปี ”
ความสำคัญของศาสตร์ Data Science ในธุรกิจ
“ เมื่อทุกคนเข้าสู่โลกดิจิทัล ทุกการกระทำมีผลกระทบซึ่งกันและกัน (Butterfly Effect) เราจะสังเกตุได้ว่ามนุษย์แม้อยู่ไกลกัน แต่ทำไมพฤติกรรมของกลุ่มคนที่แตกต่างกัน สามารถปรับเปลี่ยนเป็นเหมือนกันได้อย่างรวดเร็ว นั่นเพราะว่าในโลกดิจิทัล มนุษย์มีการโอนถ่ายรับส่งข้อมูลมากมายผ่านช่องทางต่างๆ อย่างรวดเร็ว โดย Data Science เป็นศาสตร์ที่เข้ามาช่วยสกัดข้อมูลและปัจจัยเหล่านั้น เพื่อค้นหาความจริงในธุรกิจ (Business Insight) นำมาช่วยเพิ่มมูลค่าทางธุรกิจ (Business Value) และช่วยธุรกิจให้เกิดการตัดสินใจได้ดีขึ้น โดยเราจะทำการสร้างความสัมพันธ์ระหว่างปัจจัยข้อมูลจากแหล่งต่างๆให้ได้มากที่สุดเท่าที่จะเป็นไปได้ ผ่านมุมมองและเครื่องมือ (Tools) ของ Data Science เพื่อค้นหาพื้นฐานของปัจจัยต่างๆ ที่มีผลกระทบต่อระบบธุรกิจไม่ว่าทางตรงหรือทางอ้อม ”
ทักษะที่ต้องใช้ และสายงานที่ต้องทำร่วมกัน
“ ต้องกล่าวว่า ในปัจจุบัน มีการถกเถียงเรื่องทักษะที่ Data Scientist ต้องมีเป็นจำนวนมาก แต่จากประสบการณ์ส่วนตัว ประกอบกับการอ้างอิงการเปรียบเทียบทักษะของตำแหน่งต่างๆ ที่มากับเทรนด์ Big Data และ Internet of Things (How do Data Science skills map to Data Science jobs ? From MIT Sloan School of Management) จะเห็นว่าในแต่ละตำแหน่งหน้าที่ ล้วนมีทักษะแต่ละอย่างมากน้อยต่างกัน อย่างไรก็ตาม Data Scientist ควรมีความสามารถในการออกแบบการวิเคราะห์ข้อมูลและพิจารณาแต่ละเรื่องอันเกี่ยวเนื่องกับทักษะนั้นๆได้ อีกทั้งทักษะสำคัญของ Data Scientist อีกอย่างคือการคิดแบบ Data Science ซึ่งเป็นแนวคิดและความเข้าใจในการตั้งคำถามหรือสมมุติฐานตามข้อมูลและปัจจัยต่างๆ แบบเครือข่าย และยังสามารถกลั่นกรองข้อมูลและปัจจัยตามสมมุติฐานนั้นๆ ออกมาเป็นตัวโมเดลข้อมูลและโมเดลการวิเคราะห์ ผ่านเครื่องมือต่างๆ เช่น เครื่องมือกลุ่มโปรแกรม Analytic
สำหรับ Data Engineer เป็นวิศวกรข้อมูล ที่ทำงานใกล้ชิดกับ Data Scientist ส่วนตัวเชื่อว่าเป็นพื้นฐานที่ดีก่อนพัฒนาเป็น Data Scientist เพราะ Data Engineer เป็นคนที่อยู่ใกล้ชิดกับข้อมูลตั้งแต่ต้นและยังเข้าใจถึงลักษณะพฤติกรรมว่าเกิดอะไรกับข้อมูลบ้าง ทั้งยังเป็นผู้ใช้เครื่องมือในการจัดการเตรียมข้อมูลพื้นฐานให้มีคุณภาพให้กับ Data Scientist นำไปใช้งานร่วมกับโมเดลการวิเคราะห์ที่ถูกออกแบบไว้ ถ้าเปรียบกับการทำครัว Data Scientist คือ หัวหน้าเชฟ ผู้ออกแบบเมนู ส่วน Data Engineer คือ คนเตรียมวัตถุดิบชั้นดี ซึ่งกว่าจะเป็น Data Scientist ได้ก็ควรผ่านการเป็นคนเตรียมวัตถุดิบมาก่อนนั้นเอง โดยสรุปกล่าวคือทั้ งสองตำแหน่งทำงานหลักๆร่วมกัน เพื่อช่วยกันพัฒนาโมเดล ซึ่งตัวโมเดลจะถูกแบ่งออกเป็น 2 แบบคือ 1. Data Model เป็นการออกแบบการเก็บข้อมูล ที่กลุ่ม Data Engineer ทำ และ 2. Analytic Model คือ การออกแบบโมเดลวิเคราะห์ข้อมูลซึ่ง Data Scientist ทำ โดยการวิเคราะห์ข้อมูล จะทำได้ถูกต้องแม่นยำ ต้องอาศัยทั้งสองส่วน ”
ใช้ Data Science เพิ่มประสิทธิภาพ การดำเนินธุรกิจกลุ่มปตท.
“ ยกตัวอย่างเช่น งานขายและการตลาด พนักงานขายแต่ละคน สามารถเรียนรู้พฤติกรรมเชิงลึกของลูกค้าในแต่ละรายว่า เขามีพฤติกรรมการซื้อสินค้าอย่างไร นักการตลาดสามารถรู้ได้ว่า การกำหนดราคาขายสำหรับลูกค้ารายนี้ จะขึ้นอยู่ตามความต้องการสินค้าในอนาคตของลูกค้าเอง หรือขึ้นอยู่กับกำลังผลิตสินค้าของบริษัท นอกจากนี้ ยังเห็นการชื้อสินค้าของลูกค้าคนอื่นที่มีพฤติกรรมใกล้เคียงกัน ทำให้สามารถนำเสนอสินค้าใหม่ๆ หรือโปรโมชั่นทางการตลาดได้ตรงความต้องการมากขึ้นด้วย”
อีกหนึ่งตัวอย่างคืองานซ่อมบำรุง Plant (Plant Maintenance) อาจเป็นไปได้ว่าเมื่อก่อนจะซ่อมบำรุงตามโอกาส แต่เมื่อนำข้อมูลด้านอุปสงค์และอุปทานมาวิเคราะห์ร่วมกับข้อมูลการซ่อม ทางหน่วยงานซ่อมบำรุงอาจพบช่วงเวลาที่เหมาะสมและเกิดมูลค่าต่อระบบธุรกิจโดยรวมได้มากที่สุดในการซ่อมบำรุง
ซึ่งจากตัวอย่างข้างต้น จะเห็นว่ามุมมองของ Data Scientist ไม่ได้มองข้อมูลในแต่ละหน่วยธุรกิจแยกส่วนจากกัน แต่ต้องมองข้อมูลและปัจจัยทั้งหมดแบบองค์รวม และเมื่อนำวิทยาศาสตร์ข้อมูลมาใช้กับธุรกิจ จะทำให้หน่วยของธุรกิจนั้นๆรู้ว่าเกิดอะไรขึ้น ในฟังก์ชั่นทางธุรกิจอื่นๆ ที่มีผลกระทบต่อตนเองในทางตรงหรือทางอ้อม แล้วนำข้อมูลเหล่านั้นมาช่วยเพิ่มประสิทธิภาพในการวางแผนและการตัดสินใจในภาพรวมได้ ”
ความท้าทายในการเป็น Data Scientist ของกลุ่มปตท.
“ ความท้าทายแรกคือ มันเป็นศาสตร์ใหม่ในโลกธุรกิจ เป็นเรื่องของการตั้งสมมุติฐาน ปัญหาคือจะทำอย่างไร ให้คนที่มีความเชี่ยวชาญทางธุรกิจ (Domain Expert) เชื่อและหันมามองมุมใหม่ๆตามการตั้งสมมุติฐาน ซึ่งในการรับมือกับความท้ายนี้ อันดับแรก Data Scientist ต้องเข้าใจธุรกิจก่อน จึงจะเห็นว่าคนที่มีความเชี่ยวชาญทางธุรกิจเขาคิดอย่างไร จากนั้นก็อธิบายสมมุติฐานนั้นๆ ตามมุมธุรกิจเพื่อให้เห็นว่ามันเกิดอะไรขึ้น พยายามทำทีละขั้น ให้ทุกคนเข้าใจสมมุติฐานไปพร้อมๆกัน ซึ่งในที่นี้ต้องใช้ทักษะการนำเสนอที่หลากหลายและเข้าใจง่าย
อย่างที่สอง คือ เมื่อมีการวิเคราะห์เชิงลึกแล้ว ข้อมูลที่ได้จากการวิเคราะห์อาจเกิดแรงกระทบกับผู้รับผิดชอบในส่วนนั้นๆได้ ก็ต้องอาศัยการสื่อสารที่ดีเพื่อลดความขัดแย้ง
อย่างที่สาม คือ ระบบต่างๆ ของปตท.มีจำนวนมากและหลากหลาย ซึ่งเป็นงานยากที่ต้องทำการเชื่อมต่อข้อมูลจากทุกระบบเข้าด้วยกัน เพราะบางระบบไม่ได้ถูกออกแบบให้รองรับการทำงานเพื่อนำเข้ามูลมาเชื่อมต่อกับระบบอื่นๆมาก่อน จึงต้องร่วมมือกับผู้เกี่ยวข้องกับระบบนั้นๆ รวมถึงผู้ใช้งานในธุรกิจในการพัฒนาและแก้ไข เพื่อให้เชื่อมต่อข้อมูลได้ ”
Soft Skills เป็นสิ่งสำคัญ
“ งานพื้นฐานของ Data Scientist คืองานไอที ที่ต้องเข้าใจการวิเคราะห์ และแนะนำได้ว่า จากข้อมูลเหล่านี้ ธุรกิจควรแก้ปัญหาอย่างไร ดังนั้นนอกจาก Hard Skills ที่เป็นความรู้ในงานแล้ว Soft Skills เป็นเรื่องที่สำคัญมาก โดยปกติ คนไอที ส่วนใหญ่จะตรงไปตรงมา เห็นอะไร ทำอย่างนั้น แต่ในงาน Data Science นอกจากจะทำให้ทุกคนเข้าใจ ยังต้องสร้างแรงใจในการปรับปรุงพัฒนา (Improvement) และสร้างแรงกระทบกับผู้อื่นให้น้อยที่สุด เพราะศาสตร์ของ Data Science ไม่ได้ชี้ว่าผิดหรือถูก ทุกอย่างเกิดจาก การตั้งสมมุติฐานตามข้อมูลและปัจจัยนั้นๆ เพื่อนำผลที่ได้ไปสู่การปรับปรุงพัฒนาต่อไป และต้องไม่ลืมว่าเมื่อทำงานร่วมกันกับทุกคนแล้วต้องให้เกียรติซึ่งกันและกันเสมอ ”
การเตรียมพร้อมจากธุรกิจ เพื่อทำงานร่วมกับ Data Scientist
“ การเปิดใจของฝั่งธุรกิจสำคัญที่สุดงานสำหรับงาน Data Science การตั้งสมมุติฐานเพื่อให้ได้มุมมองใหม่ๆร่วมกันนั้น บางครั้งก็ยากที่จะเข้าใจ ดังนั้นธุรกิจกับ Data Scientist จึงควรทำงานควบคู่กันไป เพื่อให้ฝั่งธุรกิจเข้าใจสมมุติฐานและกระบวนการต่างๆตามข้อมูลและปัจจัยนั้นๆ ไปพร้อมๆกัน ขณะเดียวกัน Data Scientist ก็ต้องเข้าใจวิธีคิด วิธีทำงานของธุรกิจด้วย จะได้สำเร็จถึงเป้าหมายไปด้วยกันแบบ Goal-Gather ”
คนแบบไหน เหมาะจะเป็น Data Scientist
“ สำหรับคนทำงาน ควรเป็นคนที่มีประสบการณ์ด้านวิศวกรรมข้อมูล (Data Engineering) เพราะเปรียบเสมือนต้นน้ำ เป็นคนที่อยู่ใกล้ชิดกับข้อมูลตั้งแต่ต้นและยังเข้าใจถึงลักษณะพฤติกรรมว่าเกิดอะไรกับข้อมูลบ้าง ซึ่งจะเป็นพื้นฐานที่ดีในการต่อยอดไปยังงานปลายน้ำซึ่งเป็นงานของ Data Scientist
ปัจจุบัน PTT Digital โดยทีม Business Analytics ภายใต้การบริหารจัดการของคุณพัทธรินทร์ อัศวขจรศักดิ์ Solutions Manager และคุณปริศนา ปริวรรตวร Vice President มีแนวทางในการพัฒนา Data Engineer ที่มีศักยภาพให้เป็น Data Scientist เพราะพนักงานกลุ่มนี้มีทักษะพื้นฐานที่ช่วยเพิ่มมุมมองด้าน Data Science ได้มาก และจะเป็นกำลังสำคัญของกลุ่ม ปตท.ต่อไปในอนาคต
สำหรับเด็กนักเรียน นักศึกษา ถ้าอยากเป็น Data Scientist ควรยึดทักษะที่เกี่ยวข้องตามที่บอกไปตอนต้นก่อนที่จะยึดตัวใบปริญญา ซึ่ง Data Scientist ทั่วโลกตอนนี้ น้อยคนที่จบใบปริญญา Data Science เพราะที่ผ่านมา มหาวิทยาลัยไม่ได้มีหลักสูตรปริญญานี้โดยตรง แล้วทำไมเขาทำได้ เพราะเขาผ่านการเรียนรู้จากคอร์สต่างๆ ผ่านการทำวิจัยในเรื่องนี้ หรือลงมือทำงานที่เกี่ยวข้องมา นอกจากนี้การอ่านหนังสือ ค้นคว้าเพิ่มเติม ก็สำคัญเช่นกัน เพราะปัจจุบันมีงานวิจัยและเทคโนโลยีใหม่ๆออกมาแทบทุกวัน
และสุดท้ายคำถามที่ว่าคนที่เริ่มจากการเรียนด้านธุรกิจจะมาทำงานด้าน Data Scientist ได้ไหม โดยส่วนตัว ผมเชื่อในศักยภาพของมุนษย์ว่าทำได้ แต่ต้องเสริมสร้างทักษะเพิ่มเติมที่ได้กล่าวอย่างไรก็ตามบางทักษะต้องอาศัยประสบการณ์ในการทำงาน ที่ไม่ได้มาจากห้องเรียนแต่มาจากการทำงานจริงในโครงการนั้นๆ ”
