โดยทั่วไปแล้ว Data Scientist คือผู้เชี่ยวชาญในการนำข้อมูลชนิดต่างๆ มาสร้างข้อมูลเชิงลึกเพื่อช่วยในการตัดสินใจทางธุรกิจ แต่ที่บลูบิค คนเป็น Data Scientist ไม่เพียงแต่ต้องวิเคราะห์และนำเสนอข้อมูล หากยังต้องเปลี่ยนข้อมูลนั้นๆ ให้กลายเป็น ‘ผลลัพธ์ทางธุรกิจที่จับต้องได้’ ด้วย
ไทด์ คือ Senior Data Scientist จากทีม Advanced Insights (AI) ที่บลูบิคผู้มีผลงานโดดเด่นและส่งมอบงานที่เต็มไปด้วยประสิทธิภาพเสมอ และเขายังเป็นคนหนึ่งที่มองเห็นการเติบโตของตัวเองอย่างชัดเจน ผ่านการทำงานในบริบทของบริษัทที่ปรึกษา และ 5 Areas of Growth ที่เขาหยิบมาบอกเล่าก็ล้วนแต่น่าสนใจ เพราะทั้ง 5 ข้อสะท้อนชัดเจนว่าเขาจะสามารถพัฒนาตัวเองไปต่อได้อีกมากมายแค่ไหน
จุดเริ่มต้นบนเส้นทางสายข้อมูลของคุณไทด์ เกิดจากความสนใจในการใช้ข้อมูลเพื่ออธิบายพฤติกรรมของลูกค้าและช่วยในการตัดสินใจ จากนั้นเขาก็พบว่าตัวเองไม่ได้ต้องการจำกัดตัวเองไว้กับการทำรายงานสรุปผล แต่ยังต้องการลงลึกในเชิงกลยุทธ์ ว่าข้อมูลสามารถช่วยตอบคำถามอะไรได้บ้าง ใช้คาดการณ์หรือเพิ่มประสิทธิภาพในส่วนไหนได้อีก เขาจึงได้พัฒนาตัวเองไปสู่การเชื่อมทั้ง ‘ข้อมูล’ ‘เทคโนโลยี’ และ ‘ธุรกิจ’ เพื่อสร้าง Value ที่แท้จริงให้กับองค์กร และที่บลูบิค เขากลายเป็น Data Scientist ที่ได้ร่วมงานมาแล้วกับหลากหลายอุตสาหกรรม ตั้งแต่ธนาคาร ธุรกิจยานยนต์ ไปจนถึงธุรกิจด้านพลังงาน
เราจึงอยากให้เขาได้บอกเล่าเกี่ยวกับตำแหน่งหน้าที่สุดพิเศษนี้กันสักหน่อย
Data Scientist: จากนักวิเคราะห์ข้อมูล สู่ผู้ตีโจทย์ทางธุรกิจให้ชัด
“บทบาทของ Data Scientist ไม่ได้มีเพียงการสร้างโมเดลครับ หากยังครอบคลุมตั้งแต่การทำความเข้าใจโจทย์ทางธุรกิจ การตั้งคำถามที่ถูกต้อง การสำรวจและประเมินคุณภาพของข้อมูล การออกแบบฟีเจอร์หรือสร้าง Logic ที่เหมาะสม รวมถึงการพัฒนาโมเดล การวัดผล ไปจนถึงการสื่อสารอินไซต์ (Insights) ให้ทีมธุรกิจสามารถนำไปใช้งานต่อได้”
“และในบริบทของบลูบิคที่เป็นบริษัทที่ปรึกษาชั้นนำด้านดิจิทัลทรานส์ฟอร์เมชันระดับองค์กร (Digital Enterprise Transformation) ขอบเขตจะยิ่งกว้างขึ้นอีก เพราะเราไม่ได้แค่วิเคราะห์ข้อมูลหรือทำโมเดลที่ดูสวยหรู เมื่ออยู่บนหน้าจอ แต่เราต้องช่วยลูกค้าตีโจทย์ให้ชัด”
และหากเปรียบเทียบกับการสร้างบ้านดีๆ สักหลังหนึ่ง คุณไทด์มองว่า Data Scientist นั้น “ไม่ได้เป็นแค่ช่างคนใดคนหนึ่ง แต่เป็นคนที่ช่วยแปลงความต้องการของเจ้าของบ้านให้กลายเป็นแบบบ้านที่สร้างได้จริงและอยู่ได้จริง ถ้าจะเปรียบเทียบชัดๆ ผมว่าคล้ายกับการเป็นสถาปนิกและวิศวกรในเวลาเดียวกันครับ”
ขยายความให้ชัดขึ้นก็คือ หากสถาปนิกต้องเข้าใจว่าเจ้าของบ้านต้องการบ้านแบบไหน ใช้ชีวิตอย่างไร มีงบประมาณเท่าไหร่ และมีข้อจำกัดอะไรบ้าง ก็หมายถึงการเข้าใจโจทย์ทางธุรกิจ (Business Problem), ความคาดหวังของผู้มีส่วนได้ส่วนเสีย (Stakeholder Expectation) และดัชนีชี้วัดความสำเร็จ (Success Criteria) ขณะเดียวกันในมุมของวิศวกร ที่จำเป็นต้องดูหน้างานจริงว่าทำได้ไหม รากฐานแข็งแรงพอหรือไม่ มี Material เพียงพอไหม ระบบน้ำไฟเชื่อมกันอย่างไร ฯลฯ ก็เปรียบได้กับทักษะด้าน คุณภาพของข้อมูล (Data Quality) ออกแบบตัวแปร (Feature Design) การเลือกใช้โมเดลที่เหมาะสม (Model Selection) รวมถึงการวางแนวทางปฏิบัติในการบริหารจัดการข้อมูล หรือ Data Governance นั่นเอง
3 Levels of Data Using: 3 ระดับการใช้ข้อมูลเพื่อสร้างความเปลี่ยนแปลง
“ข้อมูลอะไรก็ตามแต่ จะสร้างความเปลี่ยนแปลงได้ก็ต่อเมื่อเราแปลงมันให้เป็นสิ่งที่องค์กรสามารถใช้ตัดสินใจในเชิงธุรกิจได้” คุณไทด์กล่าว โดยเขามองว่าการใช้ข้อมูลสร้างความเปลี่ยนแปลงนั้นทำได้ถึง 3 ระดับด้วยกัน ได้แก่
1. Descriptive และ Diagnostic: การใช้ข้อมูลเพื่อให้องค์กรมองเห็นภาพรวมว่าเกิดขึ้นอย่างไรและเพราะอะไร เช่น พฤติกรรมของลูกค้าเปลี่ยนแปลงตรงไหน หรือ Segment ไหนที่มีความเสี่ยง หรือแคมเปญไหนที่ทำไปแล้วเห็นผลคุ้มค่าหรือไม่คุ้มค่าอย่างไรบ้าง
2. Predictive: การใช้ข้อมูลเพื่อคาดการณ์สิ่งที่น่าจะเกิดขึ้น เช่น อัตราแนวโน้มที่ลูกค้าจะเลิกใช้บริการ (Propensity to Churn) การพยากรณ์ความต้องการสินค้า (Demand Forecasting) หรือ การประเมินมูลค่าศักยภาพของลูกค้าในระยะยาว (Customer Value Scoring) เพื่อให้ทั้งเห็นผลย้อนหลังทางธุรกิจและนำไปสู่การวางแผนล่วงหน้าได้
3. Action Driven: เป็นจุดที่สำคัญที่สุด นั่นคือทำให้ข้อมูลไม่ใช่เพียงรายงาน แต่กลายเป็น ‘Action’ เช่นการจัดลำดับของกลุ่มเป้าหมายที่ควรเข้าถึงในช่วงเวลานั้นๆ ออกแบบ Personalized Campaign เพื่อสร้างมูลค่าให้ได้มากที่สุด หรือการกำหนดการ Intervention ที่เหมาะสมที่สุดในลูกค้าแต่ละ Segment เพื่อรักษาฐานลูกค้าและสร้างกำไรสูงสุด
และในข้อนี้ คุณไทด์ยังได้เสริมอีกว่า “ในมุมมองของบริษัทที่ปรึกษา เราไม่ได้มีหน้าที่บอกแค่ว่า Insights อะไรน่าสนใจ แต่ต้องช่วยลูกค้าตอบให้ได้ว่า แล้วเราควรทำอะไรต่อ และเมื่อทำแล้ว เราจะวัดผลอย่างไร นั่นคือจุดที่ข้อมูลสร้างความเปลี่ยนแปลงได้จริงครับ”
4 Principles of High Performance: 4 หลักการทำงานของสุดยอด Data Scientist
ในมุมมองของคุณไทด์ การจะเป็น Data Scientist ที่ดี โดยเฉพาะที่บลูบิค ต้อง “คิดเป็น วิเคราะห์เป็น สื่อสารเป็น และส่งมอบงานที่ใช้ได้จริง” ซึ่งมาจากความสามารถ 4 ข้อหลักด้วยกัน ได้แก่
1. Technical Foundation: ทักษะพื้นฐานที่แข็งแรง ตั้งแต่ความเชี่ยวชาญในการใช้สถิติ การจัดการข้อมูล (Data Preparation) รวมถึง Machine Learning, Feature Engineering ไปจนถึงการทำ Model Evaluation ทั้งยังต้องรู้ข้อจำกัดของแต่ละวิธีว่าเมื่อไหร่ที่ควรใช้หรือไม่ควรใช้ เพราะอะไร
2. Business Understanding: ความเข้าใจโจทย์ที่แท้จริงของลูกค้า รู้ว่าอะไรคือดัชนีชี้วัดที่สำคัญ และผลลัพธ์แบบไหนที่องค์กรจะสามารถนำไปใช้งานต่อได้
3. Communication and Stakeholder Management: การสื่อสารเพื่อสร้าง Alignment ให้ทุกฝ่ายเห็นภาพได้ตรงกัน
4. Execution Mindset: การนำพาไอเดียไปสู่การ Implement จริง โดยคำนึงถึงการวางระบบ (Deployment) การกระตุ้นให้เกิดการใช้งานจริง (Adoption) การติดตามผล (Monitoring) และความยั่งยืนของโซลูชัน (Sustainability)
5 Areas of Growth: 5 การเติบโตจาก Data Scientist สู่ Trusted Advisor
เมื่อพูดถึง Growth Environment คุณไทด์ได้บอกเล่าถึงสภาพแวดล้อมที่ช่วยในการเติบโตของคนทำงานที่บลูบิคเอาไว้อย่างน่าประทับใจ โดยเขาเล่าว่า
“องค์กรไม่ได้สนับสนุนแค่เรื่องทรัพยากรและการเรียนรู้เพิ่มเติม แต่รวมถึงในระดับของงานและความคาดหวังด้วย เราได้ทำงานกับโจทย์ที่หลากหลายและท้าทายมาก ซึ่งสิ่งเหล่านี้ทำให้ต้องเรียนรู้วิธีคิดใหม่ๆ ตลอดเวลา ไม่สามารถใช้วิธีเดิมกับทุกๆ โจทย์ได้”
“ยิ่งกว่านั้น บลูบิคไม่ได้จำกัดให้เราทำแค่ส่วนใดส่วนหนึ่งของงาน แต่เรายังมีโอกาสได้งานแบบ End-to-End ซึ่งมันช่วยให้เราได้โชว์ศักยภาพอย่างเต็มที่ ทั้งเรื่องเทคนิค ธุรกิจ และการให้คำปรึกษา สิ่งที่ผมประทับใจก็คือ Culture ในการเปิดโอกาสให้คนทำงานได้รับผิดชอบงานที่ใหญ่ขึ้นตามศักยภาพครับ” เขากล่าว
และจากหลักการทำงาน 4 ข้อด้านบน คุณไทด์จึงได้พัฒนามาสู่การเติบโต 5 ประการด้วยกัน ได้แก่
1. Business Understanding
“ผมเติบโตในข้อนี้มากๆ ผมเข้าใจธุรกิจได้ลึกขึ้น จากที่ก่อนหน้านี้เราอาจจะโฟกัสที่การหาคำตอบจากข้อมูล หรือทำให้ Medel Performance ดี แต่พอมาทำงานที่บลูบิค ผมได้เรียนรู้เรื่องสำคัญที่แท้จริง นั่นคือโจทย์ธุรกิจคืออะไร องค์กรพยายามตัดสินใจเรื่องอะไรอยู่ และผลลัพธ์แบบไหนที่มีความหมายต่อ Stakeholder สิ่งที่เปลี่ยนไปชัดเจนก็คือ ผมไม่ได้เริ่มจากคำถามว่า ‘จะใช้โมเดลอะไร’ แต่เป็นคำถามที่ว่า ‘ปัญหานี้ถ้าแก้ได้ จะสร้าง Impact อะไร’ ซึ่งมันทำให้วิธีคิดของผมเป็นมืออาชีพมากขึ้นครับ”
2. Technical Depth & Problem Solving
“การทำงานกับโจทย์ที่หลากหลายและใช้ข้อมูลที่มีข้อจำกัดต่างกัน ทำให้ผมไม่ได้พัฒนาแค่เรื่อง Model Building แต่รวมถึงการออกแบบ Approach ที่เหมาะสมกับปัญหา การเลือกวิธีที่บาลานซ์ระหว่างความแม่นยำกับความง่ายในการตีความและความพร้อมในการใช้งานจริง ผมรู้สึกว่าตัวเองไม่ได้มอง Technical Skill แบบแยกส่วนอีกต่อไป แต่เริ่มมองเป็นระบบมากขึ้น ว่าข้อมูล การดำเนินการ การประเมินผล และข้อจำกัดทางธุรกิจมันเชื่อมกันอย่างไร เพื่อให้ได้โซลูชันที่ดีที่สุด”
3. Communication & Stakeholder Management
“ตั้งแต่มาทำงานที่บลูบิค ผมได้ฝึกการอธิบายเรื่องที่ซับซ้อนให้คนหลายๆ กลุ่มเข้าใจง่ายขึ้น ทั้งกลุ่มผู้บริหาร ทีมธุรกิจ และทีมเทคนิค รวมถึงการบริหารความคาดหวังของลูกค้า การสร้างความเข้าใจที่ตรงกันของหลายๆ ฝ่ายและผลักดันให้เกิดการพูดคุยและการเดินไปในทิศทางเดียวกัน สิ่งที่ผมเห็นว่าตัวเองโตขึ้นมากก็คือ จากเดิมผมจะเน้นแค่การตอบให้ถูก แต่ตอนนี้ ผมต้องสื่อสารให้ตรงคนและตรงจุดมากขึ้น”
4. Ownership & End to End Delivery
“ที่บลูบิค ผมได้เรียนรู้ว่า Data Scientist ที่สร้าง Impact ได้จริง ต้องมองงานให้ครบแบบ End-to-End เราต้องดูตั้งแต่ Problem Framing ไปจนถึง Recommendation และการนำไปใช้จริง ผมรู้สึกว่าผมได้เปลี่ยนจากการเป็นคนที่โฟกัสแค่การทำส่วนของตัวเองให้ดี ไปสู่การมองภาพรวมของงานให้มากขึ้น ว่างานจะสำเร็จจริงได้อย่างไร มีความเสี่ยงอย่างไรบ้าง และเราควรขับเคลื่อนงานต่ออย่างไร”
5. Consulting Mindset
“อีกสิ่งที่ผมเติบโตขึ้นมากๆ ก็คือการคิดในแง่มุมของ Client Value มากขึ้น ผมได้เรียนรู้มากขึ้นว่าบางครั้งคำตอบที่ดีที่สุด ไม่ใช่คำตอบที่ยากที่สุดหรือแอดวานซ์ที่สุด แต่คือคำตอบที่เหมาะกับบริบทของลูกค้าและสร้างผลลัพธ์ได้จริง การเปลี่ยนมุมมองแบบนี้ ทำให้ผมรู้สึกว่าได้เติบโตจาก Data Scientist ไปสู่การเป็น Trusted Advisor มากขึ้นครับ”
6 Checklists of EXCELLENCE: 6 บรรทัดฐานสำคัญสู่ความเป็นเลิศ
และท้ายที่สุดนี้ เมื่อถามถึงความเป็นเลิศหรือ ‘Excellence’ คุณไทด์ได้บอกเล่าถึง ‘เช็กลิสต์ส่วนตัว’ ที่มีอยู่ 6 ข้อด้วยกัน ได้แก่
1. Problem is Clear
“อย่างที่ผมย้ำเสมอว่าโจทย์ต้องชัดก่อน เวลาทำงานผมมักจะถามตัวเองเสมอว่าที่เรากำลังแก้ไขปัญหาให้กับธุรกิจนี้ เป้าหมายคืออะไร ดัชนีชี้วัดคืออะไร เพราะถ้าโจทย์ยังไม่ชัด ต่อให้โมเดลดี มันก็อาจจะไม่สามารถใช้งานได้จริง”
2. Data is Trustworthy
“ข้อมูลของเราต้องเชื่อถือได้ ผมจะตรวจสอบคุณภาพของข้อมูลทุกครั้ง ทั้งในด้านความครบถ้วน (Missing Value) ความสมเหตุสมผลของตรรกะ (Logic Consistency) และสมมติฐาน (Assumption) ที่ใช้ สำหรับผมงานจะยัง Excellent ไม่ได้ ถ้าเรายังไม่มั่นใจในคุณภาพของ Input ที่รับเข้ามา”
3. Method is Appropriate
“การเลือกใช้วิธีการไม่ได้วัดกันที่ความซับซ้อนหรือความแม่นยำเพียงอย่างเดียว แต่ต้องพิจารณาความสอดคล้องกับโจทย์ (Fit for Purpose) เพราะในบางสถานการณ์ โมเดลที่ซับซ้อนเกินไปจนขาดความสามารถในการอธิบายเหตุผล (Interpretability) อาจไม่ใช่โซลูชันที่ดีที่สุด ดังนั้นผมจึงให้ความสำคัญกับการเลือกเครื่องมือที่ตอบโจทย์ความต้องการของธุรกิจได้อย่างตรงจุด”
4. Output Must be Accurate and Complete
“ผลลัพธ์ที่ส่งมอบต้องมีความแม่นยำและครบถ้วนในทุกมิติ ไม่ใช่เพียงการนำเสนอตัวเลขหรือ์ Insight ลอยๆ แต่ต้องผ่านการทดสอบ (Validation) อย่างเข้มข้น มีการระบุข้อจำกัดของข้อมูล (Limitations) ให้ลูกค้าทราบอย่างโปร่งใส และมีกระบวนการตรวจสอบคุณภาพ (Quality Assurance) ก่อนการส่งมอบงานทุกครั้ง”
5. Insights Lead to Action
“งานของผมต้องนำไปสู่ Action ได้เสมอ โดยผมจะถามตัวเองว่าหลังจากเห็นผลลัพธ์นี้แล้ว Stakeholders จะสามารถทำอะไรต่อได้บ้าง ถ้ามันจบแค่รายงาน สำหรับผมแปลว่ามันยังมีพื้นที่ในการพัฒนาเสมอ”
6. Reusability and Sustainability
“โซลูชันที่สร้างขึ้นต้องรองรับการใช้งานได้อย่างยั่งยืน ตั้งแต่การเขียน Code ที่เป็นระเบียบตามมาตรฐาน การหลีกเลี่ยงตรรกะที่ยืดหยุ่นยาก (Hard Logic) ไปจนถึงสามารถผลิตซ้ำ และติดตามผลได้ นั่นก็เพื่อให้ทีมของลูกค้าสามารถรับช่วงต่อหรือต่อยอดระบบได้อย่างมีประสิทธิภาพในระยะยาวครับ”
—
