Dig Down into Data สไตล์เด็กฝึกงาน SCB Data Analytics
“ใครเห็น Data คนนั้นเห็นอนาคต” ไม่ใช่คำกล่าวที่เกินจริงไปนักในยุคที่ข้อมูลมีค่ายิ่งกว่าทอง เพราะคนที่มีและใช้ข้อมูลเป็นย่อมเห็นโอกาสที่ซ่อนอยู่ภายใต้เหมืองข้อมูลมหาศาล ยิ่งขุดลึกลงไปเท่าไหร่ก็ยิ่งมองเห็นความเป็นไปได้มากขึ้นเท่านั้น
ฝึกงานสหกิจศึกษา
ค้นหานิสิตนักศึกษาที่พร้อมจะเรียนรู้เชิงลึกกับประสบการณ์ที่ได้ลงมือทำงานจริง ด้วยทักษะที่ไม่ได้อยู่แค่ในห้องเรียน ในรูปแบบธนาคารแห่งอนาคตในยุคดิจิทัล โครงการสหกิจศึกษา (Tech and Analytics) มีเป้าหมายในการให้ความรู้และความเข้าใจต่อบทบาทและหน้าที่การทำงานในธนาคาร อีกทั้งโครงการนี้ยังเป็นอีกช่องทางหนึ่งในการคัดเลือกบุคลากรที่มีคุณภาพเข้าทำงานกับธนาคารไทยพาณิชย์อีกด้วย
จึงไม่น่าแปลกใจที่เหล่า Data Scientist ผู้ทำงานกับ Big Data จะเห็นอนาคตก่อนใคร เพราะค้นพบ Insight บางอย่างที่เปรียบเหมือนกุญแจสำคัญที่สามารถนำมาเพิ่มมูลค่าธุรกิจ และผลิตภัณฑ์ได้ รวมทั้งยังช่วยในการตัดสินใจเรื่องต่าง ๆ ได้อย่างถูกต้องแม่นยำมากขึ้น
เรียกได้ว่าถ้าอยากทำนายอนาคตได้แม่นราวจับวางก็ต้องผ่านกระบวนการค้นคว้า ทดลอง วิเคราะห์ Data ให้เป็น จึงจะคลี่คลายความสงสัยที่ซ่อนอยู่ในกองข้อมูลมหาศาลนั้นได้
เช่นเดียวกับนักศึกษาที่เรียนมาทางสายวิทยาศาสตร์ข้อมูล (Data Science) ที่ต่างสงสัยว่าความรู้ที่ได้ร่ำเรียนมานั้น จะสามารถนำไปทำประโยชน์อะไรได้บ้าง แล้วถ้าต้องเข้าไปทำงานเป็น Data Scientist จริง ๆ จะต้องเจอกับอะไร นั่นจึงเป็นเหตุผลให้รุจ อรุณพฤกษากุล นักศึกษาชั้นปีที่ 3 จากจุฬาลงกรณ์มหาวิทยาลัย, ภาสพล เสาวคนธ์ (ซูม) และศิวกร เฟื่องกวินสมบัติ (ไท) นักศึกษาจาก Massachusetts Institute of Technology (MIT) ตัดสินใจเข้ามาฝึกงานที่ SCB
ในช่วงเริ่มต้นของการฝึกงานน้อง ๆ ได้เล่าให้ฟังว่าที่นี่มีโปรเจคให้เลือกหลากหลาย เมื่อแต่ละคนเลือกได้แล้วก็จะได้รับผิดชอบดูแลโปรเจคนั้นไปตลอดตั้งแต่ต้นจนจบแบบ end-to-end กันเลย ทำให้ไม่ได้ทำแค่เฉพาะงานที่เกี่ยวข้องกับ data เท่านั้นแต่ได้เห็นภาพรวมของงานในสเกลใหญ่ด้วย
เมื่อถามถึงเนื้องานที่ได้เจอว่ายากง่ายแค่ไหน ไทได้เล่าถึงโปรเจคที่รับผิดชอบอยู่ให้ฟังว่า “ผมได้ร่วมทำโปรเจค Credit Scoring Model ซึ่งจะสร้าง Machine Learning Model ใหม่เพื่อใช้ในการตัดสินใจว่าธนาคารจะอนุมัติคำขอบัตรเครดิตของลูกค้าไหม ในการทำโปรเจคครั้งนี้ ผมได้มีโอกาสทำงานตั้งแต่การศึกษาหา features ที่น่าสนใจ เพื่อนำ features เหล่านั้นมาใช้สร้างโมเดล ช่วงแรกอาจจะมีตะกุกตะกักอยู่บ้างเพราะต้องทำความเข้าใจกับศัพท์เฉพาะและชื่อบริการทางธนาคาร ซึ่งทุกครั้งก่อนที่จะเลือก features นอกจากต้องรู้ก่อนว่าสิ่งที่เราเอามาใช้มันคืออะไรแล้วนั้น ต้องมีการจัดการข้อมูลที่ดีก่อนนำมาใช้เพื่อที่จะได้โมเดลที่มีประสิทธิภาพ และไม่มีปัญหาเมื่อนำข้อมูลไปใช้จริง”