จรัล งามวิโรจน์เจริญ
คราวที่แล้วผมได้พูดถึงเรื่องการตีกรอบและการกำหนดกลยุทธขององค์กร (Framing Strategy) เพื่อเป็นวิธีที่ช่วยให้คนในองค์กรได้ทราบถึงปัญหาและเข้าใจเป้าหมาย รวมถึง Strategy ของบริษัทร่วมกัน
ในคราวนี้ผมจะขอพูดถึงปัญหาในลำดับถัดมาซึ่งเป็นสิ่งที่ผมได้พบเจอบ่อยครั้งจากการทำ Workshop และการพูดคุยกับผู้คนจากหลายองค์กรที่เกี่ยวข้องกับการสร้าง Data Analytics Capability ซึ่งพบว่าหลายองค์กรประสบปัญหาอย่างเดียวกัน คือ การขาดแคลนบุคลากรที่มีความสามารถเข้ามาทำงาน หรือ ความไม่แน่ใจว่าจะหาบุคคลที่มีคุณสมบัติที่เหมาะสมมาได้อย่างไร (ที่จริงแล้วปัญหานี้ยังเป็นปัญหาระดับประเทศในหลายวงการด้านเทคโนโลยี) จากเรื่องดังกล่าวผมจึงอยากเสนอแนวความคิดซึ่งน่าจะเป็นประโยชน์ต่อองค์กรในการเลือกสรรบุคลากรมาทำงานในด้านนี้
1.การหาบุคลากรที่มีความสามารถ (Talent Search) จากภายนอกองค์กรอาจเป็นเรื่องที่ยาก เปรียบเสมือนการหาเพชรที่ยังไม่เจียระไน เนื่องจากตลาดในปัจจุบันยังขาดคนที่มีทักษะทางด้านนี้ ผมขอแนะนำให้องค์กรต่าง ๆ ลองมองหาคนเหล่านั้นจากภายในองค์กรไปด้วยควบคู่กัน โดยอาจเริ่มต้นจากการสนับสนุนให้เกิดการทำงานร่วมกันระหว่างหน่วยงานเพื่อให้เกิดการแลกเปลี่ยนความรู้ เช่น สร้างกลุ่มทีมงานใหม่และกำหนดให้มี Mindset ที่จะเรียนรู้และทำงานร่วมกัน หรือ การจัดกิจกรรมเพื่อเปิดโอกาสให้คนจากทุกหน่วยงานมาลองแก้ไขปัญหาภายในองค์กรด้วยการใช้ Data และ การทำ Data Hachathon เพื่อค้นหาบุคคลที่มีความสามารถหลายทักษะทั้งด้าน Business และ ด้าน Technical (Programming, Analytical)
2.นอกจากความรู้ความเข้าใจและ Mindset ที่เหมาะสมกับงานทางด้าน Data Analytics / Data Science / AI แล้ว สิ่งอื่นที่บุคคลากรที่จะเข้ามาทำงานในด้านนี้ควรจะมี ได้แก่
a.Passion to Live and Breath Data
ในองค์กรที่สนใจในเรื่อง Data Transformation ส่วนใหญ่นั้นมักจะพบปัญหาตั้งแต่ ไม่รู้จะเริ่มต้นเก็บข้อมูลอย่างไร, ไม่รู้ว่าข้อมูลที่มีอยู่สามารถนำมาใช้ได้หรือไม่, ไม่รู้ว่าจะนำข้อมูลที่มีอยู่มาใช้ประโยชน์ด้านไหนและอย่างไร ดังนั้นผู้ที่เหมาะสมกับงานทางด้าน Data Analytics / Data Science / AI ควรเป็นผู้ที่มีอุปนิสัยช่างสังเกต มองเห็นข้อมูลในสิ่งต่าง ๆ รอบตัวและสนใจที่จะนำข้อมูลเหล่านั้นมาใช้ประโยชน์ให้เกิดประสิทธิ์ภาพตรงตามวัตถุประสงค์ขององค์กร นอกจากนี้เนื่องด้วยในแต่ละบุคคลย่อมมีมุมมองต่อข้อมูลที่แตกต่างกันออกไป หากมีการอภิปรายแลกเปลี่ยนความรู้ในประเด็นต่าง ๆ ร่วมกันในทีม ก็จะช่วยพัฒนาความสามารถและเปิดมุมมองซึ่งกันและกันในทีมให้ทุกคนในทีมมีประสิทธิ์ภาพมากขึ้น
b.English Skill
ทุกวันนี้ความรู้หรืองานวิจัยทางด้าน Data Science / AI ส่วนใหญ่มักเป็นบทความภาษาอังกฤษ ซึ่งมีหลากหลายรูปแบบทั้ง Online Course จากสถาบันต่าง ๆ เช่น Coursera, edX, Udacity รวมถึงผลงานวิจัยบน arxiv.org (arxiv-sanity เป็นที่คัดกรอง top paper ในหัวข้อที่สมาชิกสนใจ) ดังนั้นทักษะด้านการอ่าน การฟัง รวมถึงการจดเป็นภาษาอังกฤษเป็นสิ่งสำคัญที่ต้องฝึกอย่างต่อเนื่องเพื่อขยายช่องทางการเรียนรู้ของคุณให้กว้างขึ้น พูดง่ายๆ คือ พยายามสร้างสภาพแวดล้อม (Immersive Experience) ให้เหมือนใช้ชีวิตอยู่ในต่างประเทศ เมื่อฝึกจนเกิดความชำนาญแล้ว คุณก็จะสามารถซึมซับความรู้ใหม่ๆ ที่เกิดขึ้นทุกวันบนโลกออนไลน์ได้เป็นอย่างดี ซึ่ง Siraj Raval ผู้สอนวิชา Deep Learning ที่ได้รับความนิยมในช่วงปีที่ผ่านมา ได้ให้เคล็ดลับในการเรียนรู้ คือ การเรียนรู้และค้นคว้าจากหลายๆ ช่องทาง โดยเริ่มต้นด้วยการหาอะไรที่อธิบายเรื่องยากให้เข้าใจได้ง่าย เมื่อเจออะไรที่สนใจแล้ว จึงค่อยเจาะลึกศึกษาลงรายละเอียดต่อไป (reference: how to learn advanced concepts fast)
c.Critical Thinking
คนที่จะทำงานในสายงานด้านข้อมูลควรพัฒนานิสัยให้เป็นคนชอบตั้งคำถาม มีกระบวนการกำหนดปัญหาที่ชัดเจน ขวนขวายหาข้อมูล รวมถึงคิดวิเคราะห์เพื่อที่จะหาข้อสรุปจากสิ่งที่อ่านและสิ่งที่เห็นจากข้อมูล ซึ่งทักษะเหล่านี้หากทำจนเป็นนิสัยจะทำให้เราเรียนรู้ได้ลึกซึ้งยิ่งขึ้น จะทำให้การวิเคราะห์และสร้างข้อสรุปมีเหตุผลตลอดจนมีหลักฐานที่มีน้ำหนักมาสนับสนุน โดยในเว็ปไซต์ Foundation for Critical Thinking มีข้อมูลที่เป็นประโยชน์ให้เรียนรู้อย่างหลากหลาย รวมทั้งเคล็ดลับที่จะช่วยเราฝึกฝนในชีวิตประจำวัน (reference: Critical Thinking in Everyday Life)
d.Inferential & Computational Thinking
กระบวนการของความคิดและการตัดสินใจของคนเรานั้นเป็นการสรุป (Infer) จากหลักฐานหรือข้อมูลที่ไม่ครบถ้วน (Partial information) ที่ได้รับมา หากเรามีการนำเครื่องมือทางสถิติและคอมพิวเตอร์มาใช้ควบคู่ในการคิด ประกอบกับความก้าวหน้าของเทคโนโลยีในยุคปัจจุบันที่มีการพัฒนาให้ Computer มีศักยภาพที่สูงเพียงพอที่ทำให้ Algorithm สามารถวิเคราะห์ข้อมูลขนาดใหญ่และหลากหลายรูปแบบ ก็จะช่วยทำให้ข้อมูลมีน้ำหนักและชัดเจนขึ้นและทำให้เราสามารถตัดสินใจได้อย่างถูกต้องมากยิ่งขึ้น ในมุมของการพัฒนาทักษะ Inferential Thinking & Computational Thinking จึงเป็นพื้นฐานของคนที่ทำงานทาง Data Science ควรมี เปรียบเหมือนการสวมหมวก 2 ใบ คือ หมวกของนักสถิติ ที่คิดว่าข้อมูลแต่ละตัวแปรมีความเกี่ยวข้องกันอย่างไร ลักษณะหน้าตาของข้อมูลมีการกระจายตัวอย่างไร และหมวกของนักคอมพิวเตอร์ ที่คิดว่าจะนำเสนอปัญหาในรูปแบบของโปรแกรมอย่างไรเพื่อใช้ประมวลผลข้อมูล และใช้ Algorithm แบบไหนที่จะมีประสิทธิภาพที่เหมาะสม
e.Systems Thinking
การมองปัญหาในมุมมองของ Systems Thinking หรือ การมองความสัมพันธ์ของส่วนต่างที่เกี่ยวโยงกับระบบและปัญหาที่เราสนใจ เป็นอีกทักษะหนึ่งที่จะทำให้เรามองเห็นปัญหากว้างขึ้นได้อย่างเป็นภาพรวม ภาพด้านล่างเป็นตัวอย่างของ System Map แบบคร่าว ๆ ที่สร้างด้วยโปรแกรม Kumu ที่แสดงความสัมพันธ์ของปัจจัยต่าง ๆ ขององค์กรที่ต้องการจะสร้าง Data Product ที่มีคุณภาพ เช่น Visualization Predictive Model หรืองาน Analytics อื่น ๆ
- เมื่อเริ่มดูจากวงกลมสีเขียวอ่อนและสีเขียวเข้มทางด้านขวา จะเห็นว่าความสามารถของทีมงาน Data Engineer (Data Engineering Skill) ที่มีหน้าที่ดูแล Data analytics infrastructure ในองค์กร เป็นส่วนหนึ่งที่ช่วยผลักดันให้เกิดการนำข้อมูลไปใช้งานที่มีประสิทธิภาพ (Efficient Analytics Deployment)
- งานด้าน Analytics ที่เกิดขึ้นหากก่อให้เกิด Business value ก็จะเป็นการสร้าง Awareness แก่คนในองค์กรและเกิดความต้องการงานด้าน Analytics (Analytics Request) จากหน่วยงานต่าง ๆ เพื่อตอบโจทย์ธุรกิจมากขึ้น
- แต่ถ้าหากมีความต้องการและปริมาณงานเพิ่มขึ้น แต่ไม่มีทีมงานมารองรับงานที่เพียงพอ (Shortage of Analytics Building Pipeline) ก็จะส่งผลกระทบต่อคุณภาพของงาน เกิดความล่าช้า และยังส่งผลต่อคุณภาพคนที่จะมาทำงาน (Quality Analytics Capable Talents)
- แต่ถ้าองค์กรมีการบริหารจัดการทีมงาน Analytics ได้อย่างมีคุณภาพ (Quality Analytics Capable Talents) ก็จะช่วยให้กระบวนการต่าง ๆ ในการดูแลข้อมูลดีขึ้น ซึ่งรวมถึงการค้นคว้าทดลองข้อมูลใหม่ๆ (Data Exploration) การค้นหาการเก็บข้อมูล (Data Collection) กระบวนการดูแลคุณภาพของข้อมูล (Data Quality) และการเตรียมข้อมูล (Data Preparation) ซึ่งสิ่งเหล่านี้เป็นการพัฒนาทักษะ มีผลทำให้งานทาง Analytics มีประสิทธิภาพ
- คราวนี้มาดูกลุ่มวงกลมสีส้มด้านขวาบน หากเรามีคนที่มีทักษะและความเข้าใจการใช้เครื่องมือ (Tool Adoption) ก็จะมีส่วนช่วยให้องค์กรลงทุนกับการจัดซื้อเครื่องมือที่เหมาะสมกับธุรกิจขององค์กรมากขึ้น (Quality Tools Procurement) อันจะส่งผลให้มีการใช้เครื่องมือทาง Analytics อย่างแพร่หลายและเป็นการขยายฐานทักษะให้คนในองค์กรมากขึ้น ในทางกลับกันหากองค์กรขาดแคลนบุคลากรที่มีทักษะ ก็อาจจะทำให้เกิดการจัดซื้อเครื่องมือที่ผิดพลาด ไม่ตอบสนองความต้องการขององค์กร ทำให้เป็นการลงทุนที่สิ้นเปลือง
เมื่อมองจากภาพรวมของ System map นี้จะทำให้เรามองเห็นว่า การสร้างทักษะในการใช้เครื่องมือ (Skill for Effective Use of Analytics Tools) และ การมีทีม Analytics ที่มีคุณภาพ (Quality Analytics Capable Talent) เป็นปัจจัยหลักของการพัฒนาให้องค์กรเกิดการสร้าง Data Product ที่มีคุณภาพขึ้นได้ เนื่องจากเป็นจุด Leverage Point (จุดที่เป็นศูนย์กลางของการวิ่งไปมาของลูกศร)
การสร้างทีมด้วยการจ้างบุคคลจากภายนอกอาจเป็นวิธีที่ทำได้ง่าย รวดเร็ว แต่ไม่ยั่งยืน ดังนั้นการสร้างคนจากภายในจึงเป็นสิ่งสำคัญกว่าที่จะช่วยส่งเสริมและแก้ปัญหาในการพัฒนาทักษะและศักยภาพทางด้าน Analytics ขององค์กรในระยะยาว
แต่อย่างไรก็ตาม จากการที่ได้มีโอกาสพูดคุยกับหลายองค์กรทำให้ผมเกิดคำถามว่าทำไมปัญหาเรื่องการสรรหาบุคลากรที่มีความสามารถทางด้าน Data ถึงเกิดเหมือนกันในหลายที่ แท้จริงแล้วปัญหานี้เป็นเพียงปัญหาเฉพาะกลุ่ม หรือเป็นปัญหาที่ลึกและกว้างระดับประเทศกันแน่ หรือมีความเกี่ยวข้องกับประสิทธิภาพในการพัฒนาคนของเราตั้งแต่ระดับการศึกษาขั้นพื้นฐานไปจนถึงระดับองค์กรทั้งภาครัฐและเอกชน ถ้าหากเป็นเช่นนั้น เราควรมาช่วยกันคิดช่วยกันพัฒนาเพื่อแก้ปัญหาดังกล่าวร่วมกัน เพื่อสร้างอนาคตของชาติและเป็นพลังสำคัญในการขับเคลื่อนให้ประเทศเติบโต อนาคตอยู่ในมือพวกเราทุกคนครับ
ข่าวหรือบทความที่เกี่ยวข้อง
