data engineer soft skills hard skills

ทำงานด้าน Data Engineer มา 2 ปี ได้เรียนรู้อะไรบ้าง? (Soft Skills & Hard Skills)

ตอนนี้ผมทำงานในสาย Data มาได้เกิน 2 ปีแล้วครับ ได้ลองทำทั้งด้าน Data Science ในช่วงแรก และช่วงหลังทำด้าน Data Engineer เต็มตัว สำหรับท่านที่ติดตามกันมานานแล้ว ก็อาจจะได้เห็นกันตั้งแต่ตอนที่ผมเริ่มเรียนปริญญาโทเลย ก็ขอขอบคุณมาก ๆ เลยนะครับที่ติดตามกันมาโดยตลอด และถ้าใครเพิ่งได้มารู้จักกัน ก็ยินดีที่ได้รู้จักนะครับผม

ในบทความนี้ อยากจะมาสรุปให้ฟังกันว่าการทำงานในปีที่ผ่านมาในงาน Data Science / Data Engineer เป็นอย่างไรบ้างครับ และสำหรับท่านใดยังไม่เคยอ่าน สรุปงาน Data Science หลังจากที่ทำมาแล้ว 1 ปี สามารถเข้าไปอ่านก่อนบทความนี้ได้เลยนะคร้าบ

คิดว่าบทความนี้น่าจะมีประโยชน์กับท่านที่สนใจเข้ามาทำงานในสาย Data Science / Data Engineer (อาชีพไหนก็ได้นะ เพราะผมมีโอกาสได้ผ่านมาแล้วทั้ง 2 ด้าน) จะได้ลองดูว่าถ้าต้องทำงานด้านนี้ทุกวัน จะเป็นงานสายที่ชอบมั้ยครับ

Hard Skills และ Soft Skills ในงาน Data Science

ความแตกต่างของสิ่งที่เราเรียกว่า Hard Skills กับ Soft Skills ก็คือ

  • Hard Skills หมายถึง ความรู้หลักที่ใช้ในการทำงาน และวัดผลได้ง่ายว่าเก่งหรือไม่เก่ง เช่น ถ้าเป็นงาน Data Science ก็คือ คณิตศาสตร์ กับโปรแกรมมิ่ง
  • Soft Skills คือ ความรู้ที่ไม่ใช่ความรู้หลักในการทำงานให้สำเร็จ และอาจจะเป็นความรู้ที่วัดได้ยากว่าเก่ง – ไม่เก่งขนาดไหนด้วย ซึ่งส่วนใหญ่จะเป็นความรู้ที่เก็บได้นอกห้องเรียน เช่น ถ้าเป็นงาน Data Science คือ การสื่อสาร การทำงานเป็นทีม

จากที่ถามใน Facebook Page: DataTH เอาไว้ว่าเพื่อน ๆ อยากอ่านเรื่องของ Soft Skills หรือ Hard Skills ในงาน Data มากกว่ากัน ก็มีคนโหวตมาทั้ง 2 ด้านเลย เลยตัดสินใจว่าไหน ๆ ก็เขียนแล้ว เขียนให้ครบไปเลยละกันครับ 😅

ขอแจ้งไว้ก่อนว่า ในบทความนี้อาจจะเจอคำศัพย์ใหม่ ๆ บ้าง อย่าเพิ่งกลัวกัน แต่อยากให้ลองเก็บ Keyword คำไหนที่ไม่รู้จักในบทความนี้ไปลองเสิร์จต่อครับ จะได้รู้ว่าคำไหนคืออะไร เผื่อเจอในการทำงานเราจะได้ไม่งง (หรือมาถามใน Facebook Group ของเราก็ได้นะ)

มาเริ่มกันเลยดีกว่าครับ

Hard Skills – ประสบการณ์เป็น Data Platform Engineer 1 ปีเต็ม

ในปีแรกที่เข้ามาทำงาน ผมได้มีโอกาสทำงานด้าน Data Engineer ในการสร้าง Data Pipeline บนระบบ Cloud Computing มาแล้วครับ พอมาปีนี้ก็ได้ขยับขยายมาสร้าง Data Platform สำหรับให้กับบริษัทในตลาดหุ้นออสเตรเลียแห่งหนึ่ง

ความรู้ที่ได้เพิ่มขึ้นมาในปีนี้ มี 2 ด้าน คือ ด้าน DevOps และ Software Engineering

DevOps + Data Engineer + Cloud = ???

Data Engineer + Cloud ยังไม่ใช่เรื่องใหม่ครับ เพราะ Cloud Computing ก็เปิดตัวมาสักพักใหญ่ ๆ แล้ว (Amazon Web Services หรือ AWS ที่เป็นผู้ให้บริการ Public Cloud ชื่อดังที่สุดในโลก เปิดตัวในปี 2006 ครับ แต่ตอนนั้นเค้ายังไม่ได้เอาดีด้าน Data นะ)

จนมาถึงยุคนี้ที่เราอยากให้การใช้ Data ในองค์กรสะดวกมากขึ้น เลยกลายมาเป็นการสร้าง Data Platform ให้คนอื่นเข้ามาใช้แทน เลยต้องมีหลักการจาก DevOps เข้ามาร่วมด้วย

อย่างที่เคยเล่าไปใน Live ตอนปลายปีที่ผ่านมาครับ ว่าเทรนด์ Data Engineer มีการนำแนวคิดจาก DevOps มาใช้มากขึ้น

ถ้าท่านใดไม่ได้ชม Live อยากให้ได้ชมกันครับ ผมมีอธิบายไว้ว่า DevOps คืออะไร และ Data + DevOps จะกลายเป็นยังไง รับชมได้ด้านล่างนี้เลยคร้าบ (หรือถ้าอยากชม Session ของแอดมินท่านอื่น ๆ ด้วย คลิกชม Playlist – DataTH Live Special ได้เลย)

ปีนี้ผมก็ได้มีโอกาสนำแนวคิดจาก DevOps เช่น การทำ CI/CD (Continuous Integration / Continuous Development) Pipeline เข้ามาช่วยสร้าง Data Platform

DevOps + Data ทำให้กระบวนการในการติดตั้งและอัพเดท Data Platform เป็นไปอย่างสะดวกมากขึ้น

เพิร์ธ DataTH.com

ตัวอย่างการใช้ DevOps กับการทำ Data Platform ก็เช่น:

  • ใช้เครื่องมือสำหรับแปลง Infrastructure ให้กลายเป็นโค้ด (Infrastructure as a Code) เพื่อให้สามารถสร้างระบบได้เหมือนเดิมทุกครั้ง เช่น Terraform
  • ใช้ CI/CD Pipeline ในการทำให้ระบบสามารถดึงโค้ดจากเครื่องมือจัดการเวอร์ชั่นโค้ด (Version Control – เช่น Git ที่หลายคนน่าจะรู้จัก) ไปติดตั้งได้อัตโนมัติ เช่น Azure DevOps หรือ AWS CodePipeline

โดยเมื่อมีการนำแนวคิดจาก DevOps เข้ามาแล้ว ก็จะทำให้การทำงานโดยลดความกังวล ทำให้รวดเร็วขึ้นไปด้วยครับ

เราสามารถติดตั้งระบบ (Deployment) โดยมั่นใจได้ว่าจะไม่มีปัญหาที่เกิดจากมนุษย์ หรือที่เรามักจะเรียกว่า Human Error เพราะถ้าให้คนมานั่งกดทีละปุ่ม ต่อให้เก่งแค่ไหน ก็มีโอกาสที่จะล้าจนกดผิดปุ่ม แล้วระบบพังได้

แนวคิดสำคัญอีกอันที่พ่วงมากับ DevOps คือ Software Engineering นั่นเองครับ ซึ่งผมคิดว่าปีนี้ได้ใช้เยอะขึ้นมาก

Software Engineering เกี่ยวกับงาน Data อย่างไร

หลาย ๆ คนเข้าใจว่า Software Engineering เป็นการเขียนโปรแกรม แบบที่เราเรียนการเขียนโปรแกรม Hello World ในคอร์สต่าง ๆ ครับ

จริง ๆ แล้ว การเขียนโปรแกรมก็เป็นส่วนสำคัญส่วนหนึ่งของ Software Engineering แต่ไม่ใช่ทั้งหมดครับ

Software Engineering คือ กระบวนการตั้งแต่ต้นจนจบของการสร้างซอฟแวร์ ตั้งแต่ออกแบบ พัฒนา และดูแล เพื่อให้ซอฟแวร์ที่เราสร้างมีคุณภาพ และเสร็จตามไทม์ไลน์ ตามเงินทุนที่เราต้องการ

เพิร์ธ DataTH.com

ในบทความนี้ผมขอไม่ลงรายละเอียดเรื่องการเขียนโปรแกรมมากนะครับ เพราะเคยอธิบายแต่ละภาษาเขียนโปรแกรมไปแล้วในวีดิโอด้านล่างนี้ครับผม

ในการสร้าง Data Platform กระบวนก็จะคล้ายกับการสร้างซอฟแวร์ตัวหนึ่งครับ เพียงแค่ว่าจะมีเรื่องของ Data เข้ามาที่ทำให้เราต้องคำนึงถึงเพิ่มขึ้นด้วย เช่น

  • Data จะเก็บไว้ไหน – Database, Data Warehouse, Blob Storage ฯลฯ
  • Data ขนาดเท่าไหร่ – กี่ GB กี่ TB กี่ PB
  • Data เข้ามาด้วยความเร็วเท่าไหร่ – มาทุกวินาทีเลยมั้ย หรือมาวันละครั้ง และระบบที่เราสร้างรองรับได้มั้ย
  • ผู้ใช้ Data กี่คน เป็นใครบ้าง – Data Analyst, Data Scientist, Marketing Team, Sales Team ฯลฯ
  • ผู้ใช้ Data ต้องการทำอะไรบ้าง – ดึงข้อมูลด้วย SQL, ดึงข้อมูลไปวิเคราะห์ผ่าน R, สร้างโมเดล Machine Learning ผ่าน Python ฯลฯ

การใช้ Version Control (Git) ในงานสาย Data

อีกเทคโนโลยีที่ถ้าไม่พูดถึงคงไม่ได้ เพราะได้ใช้บ่อยมากในปีนี้ คือ Version Control (หรือหลายคนอาจจะรู้จักในชื่อ Git, Github, Gitlab, Bitbucket อะไรพวกนี้) ครับ

git version control data engineer 1
Github เครื่องมือ Version Control ที่หลาย ๆ คนน่าจะคุ้น ๆ ครับ จะเห็นว่าระบบนี้บอกเราได้หมดเลยว่ามีการเพิ่มบรรทัดไหนในโค้ดลงไป

Version Control เป็นเครื่องมือที่ดูง่าย ๆ เพราะบางคนอาจจะเคยใช้ Git แบบเบื้องต้นอย่างเดียวเช่น การ Push, Pull โค้ด ซึ่งก็มีประโยชน์เยอะมาก ๆ แล้ว ช่วยให้เวลาทำงานเป็นทีม (หรือแม้แต่ทำงานคนเดียว) ก็ย้อนกลับมาดูได้ว่าโค้ดเรามีการเปลี่ยนแปลงอะไรบ้าง

แถมถ้าใช้ Git ร่วมกับบริการต่าง ๆ อย่าง Github, Bitbucket ก็จะยังช่วย Backup โค้ดของเราไว้ให้ด้วย ไม่ต้องกลัวคนมาเตะปลั๊กคอมเรา แล้วฮาร์ดดิสก์เจ๊ง โค้ดหาย 😭

ใน 2 ปีที่ผ่านมา ผมพบว่า ถ้าเราใช้ความสามารถของ Git เต็มที่ มันจะเป็นเครื่องมือที่มีประโยชน์ยิ่งกว่าเดิมอีกครับ ตัวอย่างฟังก์ชั่นอื่น ๆ ที่มีโอกาสได้ใช้ คือ

  • การจัดการ Branch แบบต่าง ๆ (Branching Strategy) เช่น Git flow – ช่วยให้การทำงานเป็นทีมง่ายขึ้นแบบมาก ๆ ๆ ๆ ๆ คนเขียนโค้ดเยอะก็ไม่พังง่าย ๆ
  • git reset – ย้อนการเปลี่ยนแปลงที่ทำไปแล้วได้ เช่น เราเขียน ๆ ไปแล้วพัง อยากจะย้อนกลับไปเริ่มต้นใหม่กับคนเดิม
  • git cherry-pick – เอา Commit บน Git มาใช้ เหมาะมากเวลา Push โค้ดผิด Branch
  • git stash – เก็บโค้ดที่ทำอยู่ไว้ชั่วคราว เหมาะมากเวลางานล้นแล้วต้องสลับงานไปมา แต่ยังไม่อยาก Push โค้ดที่เขียนอยู่ เพราะยังไม่สมบูรณ์
  • ฯลฯ

ใครที่ยังไม่เคยใช้คำสั่งไหน แนะนำให้ลองเอาคีย์เวิร์ดต่าง ๆ ไปเสิร์จดูได้ครับ คำสั่งด้านบนต่าง ๆ นี้ช่วยชีวิตผมมานักต่อนักแล้ว และเดี๋ยวถ้ามีโอกาส (และมีคนอยากรู้) จะทำบทความ / วีดิโอสอนเรื่องด้านนี้เพิ่มเติมนะครับ

เรียนการใช้ Docker, Kubernetes กับงานสาย Data

เรื่อง Hard Skill สุดท้าย ไฮไลท์ของการทำงานปีนี้น่าจะเป็น Docker, Kubernetes ครับ เพราะเข้ามาทำให้ชีวิตของ Data Engineer ง่ายขึ้นมาก ได้ยินชื่อมาสักพักแล้ว แต่เพิ่งได้มาใช้จริงจังในปีนี้ครับ

ประโยชน์อย่างหนึ่งของ Docker ที่ผมใช้ในงาน Data Engineer ก็คือ เวลาทำงานกับ Data เราจะมีการเขียนโปรแกรมเล็ก ๆ หลายตัว สำหรับใช้ในหลากหลายส่วนของระบบ ซึ่งถ้าเป็นสมัยก่อน เราต้องเอาโปรแกรมพวกนี้ไปเทสในเครื่อง Server ทีละตัวว่าใช้งานได้มั้ย หรือต้องติดตั้งอะไรเพิ่มมั้ย

Docker ทำให้เราไม่ต้องสนใจเลยว่าเครื่อง Server ที่เราจะไปติดตั้งโปรแกรมจะต้องมีอะไรบ้าง เพราะเราสามารถรวมทุกอย่างไว้ใน Docker ที่เราสร้างได้ (ลองนึกถึงการ ZIP File ครับ คล้าย ๆ กันเลย แต่คอนเซปต์อันนี้เราเรียกว่า Containerisation) แล้วเอาไปติดตั้งได้อย่างมั่นใจว่าทำงานได้แน่นอนไม่ว่าจะอยู่ใน Server แบบไหน

ส่วน Kubernetes ก็เป็นเทคโนโลยีที่ช่วยให้เราจัดการโปรแกรมที่เป็น Docker (หรือเทคโนโลยี Container อื่น) จำนวนมากได้อย่างสะดวกมากขึ้นครับ ซึ่งก็เป็นเทรนด์ที่มาแรงมาก ๆ แทบทุกบริษัทต้องพูดถึง

สำหรับคนที่อยากรู้จัก Docker และ Kubernetes เพิ่มขึ้น ลองดูวีดิโออธิบาย Kubernetes ของคุณเดียร์ Google Developer Expert ด้าน Cloud ของประเทศไทยครับ ช่วงต้นมีการอธิบาย Docker ให้ด้วยและมี Demo ให้ดูของจริงด้วย อธิบายดีมาก ๆ ครับ

พูดเรื่อง Hard Skill กันไปเยอะแล้ว ต่อไปจะขอเล่าเรื่องงาน Consult และ Soft Skills ให้ฟังกันบ้างครับ

ประสบการณ์ทำงานสาย Consult ด้าน Data

บริษัทที่ผมทำมา 2 ปีนิด ๆ แล้ว เป็นบริษัทที่ให้บริการ Consult ด้าน Data ครับ (จริง ๆ ทำหลายอย่าง AI, Cloud, Digital อะไรพวกนี้ด้วย) ก็ตกผลึกมาระดับหนึ่ง เลยเอามาสรุปให้อ่านกันครับ

งาน Consult ด้าน Data เป็นแบบไหน

ขออธิบายเรื่องงานสาย Consult สักเล็กน้อย เผื่อใครสนใจหางานอยู่ แล้วเลือกไม่ถูกว่าสมัครงานด้านไหนดี

งาน Consult หลาย ๆ คนอาจจะเข้าใจว่า หมายถึงงานที่เข้าไปแนะนำลูกค้า (Advisory) อย่างเดียว ไม่ต้องลงมือทำ (Delivery)

แต่งาน Consult ด้าน IT หรือ Data มักจะเป็นการเน้นทำการลงมือทำ (Delivery) มากกว่าการแนะนำ (Advisory) ครับ หรือบางบริษัทใหญ่ ๆ ก็มักจะมีการแบ่งทีม ทีมแรกเน้น Advisory ส่วนอีกทีมเน้น Delivery

เพิร์ธ DataTH.com

อย่างไรก็ตาม ในงาน Consult เราไม่ได้แค่ก้มหน้าก้มตาเขียนโค้ดอย่างเดียว แต่เราต้องมีการพูดคุยกับลูกค้าด้วย ว่าลูกค้ามีปัญหาอะไร และสิ่งที่เราทำอยู่แก้ปัญหาให้เค้าได้มั้ย

นอกจากนั้นยังต้องมีความยืดหยุ่นในการทำงานค่อนข้างสูงครับ เพราะงานวันนี้กับงานพรุ่งนี้อาจจะเปลี่ยนไปก็ได้ ขึ้นอยู่กับสิ่งที่เราประชุมกับลูกค้ามาในแต่ละวัน

เพื่อให้เห็นภาพมากขึ้น ขอพูดถึงความแตกต่างของงานในบริษัท Consult กับงานในบริษัทที่ขายสินค้าหรือบริการของตัวเอง เช่น Facebook, Amazon, Microsoft, Apple ก็คือ

  • บริษัท Consult จะใช้วิธีการ Partner กับผู้ให้บริการเทคโนโลยีเจ้าต่าง ๆ เช่น Amazon Web Services, Google Cloud Platform, Databricks เพื่อทำงานให้ตอบโจทย์ลูกค้า มากกว่าการพัฒนาสินค้าขึ้นมาเอง (แต่หลาย ๆ เจ้าก็ใช้วิธีใช้ของ Partner ด้วย และพัฒนา Product ขึ้นมาเองเพื่อขายลูกค้าด้วยครับ)
  • บริษัท Consult จะรับโปรเจคมาจากลูกค้าหลายที่ ทำให้คนเป็น Consult มีโอกาสได้ลองไปทำงานกับหลายบริษัท ได้รู้จัก Culture วิธีการทำงานของเค้า บางบริษัทใหญ่ ๆ บางที่อาจจะมีข้อจำกัดด้านวีซ่า (เช่น การเข้าไปทำงานกับองค์กรรัฐบาลออสเตรเลีย ต้องถือสัญชาติประชากรออสเตรเลียเท่านั้น) แต่พอมาจากบริษัท Consult แล้วก็เข้าไปทำงานได้ไม่มีปัญหา เป็นการสร้างโปรไฟล์ที่ดีด้วยครับ
  • จากข้อข้างบน งาน Consult จะได้ทำงานกับคนมากหน้าหลายตา ทั้งฝั่งลูกค้า, ฝั่งทีม Consult, และฝั่ง Partner ผู้ให้บริการเทคโนโลยี เพราะเปลี่ยนโปรเจคทีก็เปลี่ยนคนที่ทำงานด้วย เป็นการผลัก (?) เราออกจาก Comfort Zone แบบหนีไม่ได้

สรุปได้ว่า งานแบบ Consult เหมาะมากกับคนที่ชอบการ Challenge ตัวเองครับ เพราะอยู่เฉย ๆ ก็มี Challenge เข้ามาแล้ว 😅

data engineer meeting company 1
งาน Consult เหมือนเป็นงานกึ่ง ๆ Technical ที่ต้องคุยกับลูกค้าด้วย

ในปีแรกที่ผมเริ่มทำงานเมื่อ 2 ปีก่อน ผมพุ่งเป้าที่การพัฒนา Hard Skill ซึ่งมีโอกาสได้เรียน Cloud Computing เจ้าหลักครบทุกเจ้า (AWS + Google Cloud + Azure) และได้ทำโปรเจค Data Engineer + Cloud จนทะลุปรุโปร่งในระดับหนึ่งเลยครับ

แต่พอปีที่ผ่านมา ได้รับตำแหน่งที่สูงขึ้น จากเดิมที่เน้นทำงานเขียนโค้ด ก็ต้องมาดูแลทีมมากขึ้น ประชุมกับลูกค้ามากขึ้น (แต่ก็ยังต้องเขียนโค้ดบ้างนะ 😭) เลยพยายามเพิ่มสกิลตัวเองด้านการดูแลคนในทีมมากขึ้น รวมถึงเรื่องของการมองหาโอกาสในการพัฒนาทีมด้วย

แต่ก็ต้องยอมรับว่ายังต้องพัฒนาสกิลด้านนี้เพิ่มไปอีกขั้นในปีนี้ครับ มาลองดูกันว่าปีนี้จะพัฒนาไปถึงไหน

มาถึงเรื่องสุดท้ายที่อยากเล่าให้ฟัง คือ เรื่องของ Soft Skills ที่ต้องใช้การทำงานครับ

Soft Skills เป็นสิ่งสำคัญในการทำงาน Data

Communication – การสื่อสาร

“การสื่อสาร” เป็นเรื่องสำคัญในการทำงาน Data ครับ ถึงหลาย ๆ คนอาจจะเข้าใจผิดว่างานสาย IT จะคุยกับคนอื่นไม่รู้เรื่อง แต่งาน Data ได้คุยจนเบื่อแน่นอนครับ

ขออนุญาตยกเป็น Use Case ที่ผมได้มาจากการทำงานครับเพื่อให้เห็นว่า “การสื่อสาร” สำคัญกับงานของเราอย่างไรบ้าง:

  • ถ้าเราอยากทำโปรเจค Machine Learning / Data Engineering เท่ ๆ แต่ไม่มีงบทำยังไง? – การสื่อสารที่ดี่ ช่วยให้ Pitch โปรเจคกับคนในบริษัทเดียวกัน และกับลูกค้าที่จะมาซื้องานของเราผ่านได้ง่ายขึ้น เค้าจะได้อนุมัติงบมาให้เราทำงานที่เรารัก (หรือเปล่า?)
  • ถ้าเราต้องทำงานกับคนมากหน้าหลายตาที่อาจจะไม่สนิท ทำยังไงให้เค้าอยากทำงานกับเรา? – การสื่อสารที่เข้าใจอีกฝ่าย (Empathy) ทำให้เราน่าทำงานด้วยครับ ยิ่งในงาน Consult เราต้องทำงานกับทั้ง Consult คนอื่น, กับลูกค้า, และกับ Partner เราต้องตั้งสติดี ๆ ในการสื่อสารให้ได้ผลสูงสุด ทำความเข้าใจว่าแต่ละฝ่ายต้องการอะไร จะได้ไม่ไปทำร้ายใครโดยไม่ตั้งใจครับ
  • ถ้าเราเจอปัญหาในการทำงาน ทำยังไงจะให้เพื่อนอยากช่วยเรา? – ในงาน Data มีส่วนที่เราต้องพยายามหาค่อนข้างเยอะครับ ไม่ว่าจะเป็นเรื่องที่ Requirement ไม่ชัดเจนบ้าง หรือเรื่องของ Data ที่ซับซ้อนมาก ๆ ในหลาย ๆ องค์กร ไม่รู้ว่าใครเป็นเจ้าของข้อมูลบ้าง (บางทีเจ้าของ Data อยู่ในมุมมืด หายังไงก็หาไม่เจอ) ถ้าเราสื่อสารได้ถูกต้อง ก็ช่วยให้เราหาคำตอบเจอได้เร็วขึ้นครับ

และสำหรับคนที่สนใจเรื่องการฝึกการสื่อสารให้ดีขึ้น ลองอ่านบลอคที่ผมเคยเขียนแชร์ไว้อันนี้ได้เลยครับ

Project Management – การจัดการงาน และโปรเจค

ความรู้ด้าน Project Management คือ เราต้องเข้าใจว่าการทำงานมี Workflow อย่างไร, ทำยังไงถึงจะทำให้งานเราตรวจเช็คได้ง่ายว่าถึงไหนแล้ว, และการทำงานร่วมกับคนอื่น ๆ ในทีมอีกด้วย

jira project management data
Jira โปรแกรมจัดการโปรเจคที่หลายบริษัทเลือกใช้

ในหลาย ๆ โปรเจคที่ผมเจอมา เราก็จะมีการใช้ Project Management Tool ครับ เช่น ตัวที่ฮิตสุด ๆ คือ Jira ครับ ซึ่งข้อดี คือ โปรแกรมมีความยืดหยุ่นมาก สามารถปรับแต่งได้หลากหลายตามความต้องการขององค์กรเลย เช่น อยากทำงานแบบ Agile, Kanban, etc. ก็ได้หมดเลย และยังมี JQL เป็นภาษาที่คล้ายกับ SQL แต่เอาไว้หาข้อมูลใน Jira โดยเฉพาะอีกด้วย ซึ่งผมเห็นแล้วรู้สึกว้าวมาก

อย่างไรก็ตาม จุดสำคัญของความรู้ด้าน Project Management ไม่ใช่การที่เรารู้วิธีใช้เครื่องมือให้เป็นอย่างเดียวครับ แต่ต้องเข้าใจด้วยว่า “เราทำแบบนี้ไปทำไม”

Project Management เป็นงานของ Senior / Team Lead / Project Manager หรือเปล่า ไม่ใช่งานของเรา

หลายคนอาจจะคิดว่าการจัดการโปรเจค เป็นงานของ Senior, Team Lead, หรือตำแหน่ง Project Manager หรือเปล่า คำตอบ คือ ไม่ใช่เสียทีเดียวครับ

สำหรับคนที่เพิ่งเริ่มงาน หรือยังเป็น Junior อยู่ ก็ต้องรู้จักการจัดการโปรเจคครับ แต่จะเน้นที่การจัดการงานของตัวเองให้สำเร็จ เพราะถ้างานที่เราได้รับมอบหมายยังไม่สามารถทำให้เสร็จได้ การที่โปรเจคทั้งโปรเจคจะสำเร็จก็เป็นไปได้ยากมากครับ

และถ้าเราจัดการงานของตัวเองได้ ก็จะทำให้ Project Manager ทำงานได้สะดวกขึ้น ไม่ต้องมาคอยจี้เราว่างานเสร็จหรือยัง ถึงไหนแล้ว ทำให้อารมณ์เสียทั้ง 2 ฝ่ายครับ

ขอแชร์ให้ฟังว่า ในบริษัทที่ผมอยู่ตอนนี้ ในการประเมิณงาน ก็จะมีการเซ็ตความคาดหวัง (Expectation) ไว้เลยว่า “ตำแหน่ง Junior จะต้องเป็นคนที่สามารถทำงานที่ได้รับมอบหมายให้เสร็จได้” เพราะฉะนั้น คนที่ยังเป็น Junior อยู่ อยากให้โฟกัสที่การทำงานของตัวเองให้เสร็จ

ส่วนคนที่เป็น Senior, Team Lead ก็จะมองในระดับที่สูงขึ้นครับ ว่างานในแต่ละส่วนจะมาประกอบกันอย่างไร และสิ่งที่เรากำลังสร้างจะช่วยลูกค้าหรือองค์กรในทางไหนบ้าง

สรุปการทำงานในสาย Data มา 2 ปีกว่า

run away data science
อยากบอกทุกคนว่า “หนีไปปปป” #ผิด

สรุปว่า ปีที่ผ่านมาเป็นปีที่ถือว่าโหดหินมากครับ ได้เรียนรู้อะไรหลายอย่างมากทั้งด้าน Hard Skills และ Soft Skills นอกจากนั้นยังมีปรากฏการณ์ COVID19 เข้ามาอีก ซึ่งกระทบการใช้ชีวิตค่อนข้างมากเลยครับ

และด้วยความที่มีการเปลี่ยนจากตำแหน่งที่เป็น Junior / Mid-level หรือคนทำงานตามสั่ง เริ่มมาเป็น Team Lead ที่ดูแลทีม ดูแลโปรเจค ก็ทำให้ต้องเรียนรู้ฝั่ง Soft Skills เพิ่มขึ้นอีกพอสมควรเลยครับ และตอนนี้ก็ยังพยายามเรียนรู้เพิ่มเติมอยู่ทุกวัน

สุดท้ายนี้ นาน ๆ ผมจะมาเขียนแนวนี้ครับ (เพราะต้องเก็บประสบการณ์มาเล่าด้วย) ถ้าชอบเนื้อหาแนวนี้ อยากรบกวนมาคอมเม้นท์ และแชร์ให้กับเพื่อน ๆ ที่สนใจทำงานสาย Data / Consult หน่อยนะครับ ผมจะได้รู้ว่าเนื้อหาด้านนี้เป็นประโยชน์ และเขียนออกมาเพิ่มครับ

สามารถติดตามเรื่องราวดี ๆ ด้าน Data Science ได้จาก Facebook Page: DataTH ของเราเลยนะครับ และถ้าใครกำลังสนใจด้านนี้ หรือทำด้านนี้อยู่แล้ว

และถ้าอยากมาพูดคุย ถามคำถาม แลกเปลี่ยนกันกับเพื่อนที่ชอบด้านนี้เหมือนกัน สามารถมาร่วมกลุ่ม Facebook Group: Thai Data Scientists & Data Analysts & Data Engineers ได้เลยนะคร้าบ แล้วเจอกันในกรุ๊ปครับ

บทความอื่น ๆ ที่เกี่ยวข้อง

ผู้เขียน

Leave a comment

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.

คุณอยากเป็น Data Engineer มั้ย?

พบกับ คอร์สแรกในไทย ที่สอนความรู้ครบ
เรียนการสร้าง Data Pipeline บน Cloud จากต้นน้ำ - ปลายน้ำ พร้อม Workshop & Live สด

 

ไม่ต้องมีพื้นฐานมาก่อนก็เรียนได้

datath school logo

บทความแนะนำ