ซึ่งนำข้อมูลขององค์กรมาวิเคราะห์เชิงลึกและนำไปสอนระบบ AI และ Machine Learning เพื่อให้ระบบเหล่านั้นช่วยประมวลผลข้อมูลของธนาคาร โดยข้อมูลที่ผ่านการคัดกรองแล้วจะถูกส่งต่อให้กับทีม Data Analytics เพื่อนำไปพัฒนาเป็น Product ของ SCB อีกที
ทีม Analytics Engineer จึงถือเป็นหัวแรงสำคัญที่ช่วยซัปพอร์ตการทำงานของ Data Science และ Data Analyst ทุกทีมในองค์กร
วันนี้เราจะมาคุยกับ คุณดำรงค์ ตงศิริ (กอล์ฟ) ตำแหน่ง Professional, Analytics Engineering ผู้ที่จะมาเล่าให้ฟังว่า กว่าจะได้เข้ามาร่วมทีม Data Analytics ของธนาคารไทยพาณิชย์ได้นั้น เขาต้องผ่านแบบทดสอบอะไรมาบ้าง ไปจนถึงเรื่องราวการทำงานในปัจจุบันของเขากับตำแหน่ง Analytics Engineer
เรามาดูเรื่องราว New Joiner Journey SCB Data Analytics ของพนักงานใหม่ไฟแรงผู้ที่จะมาเติมเต็ม Team Data Analytics และช่วยขับเคลื่อน SCB องค์กรยุคใหม่ให้ก้าวสู่ความเป็นผู้นำของ Technology Company ในประเทศไทยแห่งนี้ไปพร้อม ๆ กันเลย
กว่าจะได้เข้ามาเป็นสมาชิกในทีม Data Analytics นั้น ไม่ใช่เรื่องง่ายเลย การที่จะเข้ามาเป็นส่วนหนึ่งของที่นี่ได้นั้นต้องฝ่าฟันแบบทดสอบหลายรอบ รวมถึงการสอบสัมภาษณ์สุดหิน เพราะทีม Data Analytics ของ SCB ขึ้นชื่อว่าเป็นแหล่งรวบรวมคนที่มีศักยภาพและความเชี่ยวชาญด้าน Data ระดับหัวกะทิทั้งนั้น
กอล์ฟเล่าให้ฟังว่า เขาต้องเตรียมตัวในรอบสอบสัมภาษณ์ โดยอ่านหนังสือเกี่ยวกับ Statistics, Data structure และ Math มาอย่างดี เพื่อที่จะสามารถตอบคำถามได้อย่างมั่นใจและถูกต้อง ทั้งนี้เขายังฝึกทำโจทย์ Programming ต่าง ๆ อย่างเช่น Algorithms และ HackerRank มาอย่างชำนาญมืออีกด้วย
เมื่อถามถึงตอนที่ทำแบบทดสอบ กอล์ฟเล่าว่ารอบแรก ๆ คือการทำโจทย์ที่วัดความรู้พื้นฐานของ Software Engineering เช่น ความรู้ด้านคณิตศาสตร์ด้าน Algorithms และการเขียนโค้ด จากนั้นขั้นต่อไปก็จะยากและลึกลงไปเรื่อย ๆ ซึ่งกอล์ฟบอกว่า “ตอนทำโจทย์ก็รู้สึกท้าทายไม่น้อยเลยล่ะครับ อย่างตอนทำแบบทดสอบเกี่ยวกับ Programming ผมว่าโจทย์ค่อนข้างเดือดเลยทีเดียว เพราะผมต้องแก้โจทย์ตัวเลข โดยต้องหาวิธีแก้ที่มีประสิทธิภาพและตอบโจทย์ได้ดีมากที่สุด แทนที่จะใช้วิธีแก้แบบธรรมดาครับ” ด้วยความที่กอล์ฟเป็นคนที่มีทัศนคติแบบ “Can Do” และเชื่อมั่นในตัวเองมาก ๆ ในที่สุดเขาจึงฝ่าฟันแบบทดสอบสุดหินเหล่านั้นมาได้นั่นเอง
กอล์ฟเห็นว่า SCB ให้โอกาสที่เขาจะได้เรียนรู้เรื่องการออกแบบ Solution ใหม่ ๆ ที่สามารถตอบโจทย์ Business Unit ของธนาคารได้ เขาเสริมว่า “ระบบการทำงานของธนาคารต้องอาศัยการจัดเก็บข้อมูลจำนวนมาก ผมเลยอยากเข้ามาทำงานและช่วยทีมออกแบบ Solution ที่ช่วยวิเคราะห์ข้อมูลต่าง ๆ ของธนาคารได้ เหมือนเราเข้ามาช่วยต่อยอดข้อมูลพวกนั้นให้ออกมาเป็นโปรดักต์ของธนาคารครับ”
เพราะหน้าที่ของตำแหน่ง Analytics Engineering คือการเข้าไปช่วยงานด้านข้อมูลที่จะถูกส่งต่อไปพัฒนาออกมาเป็นโปรดักต์ของธนาคาร ซึ่งการทำงานร่วมกับ Data เป็นหลักนั้น ก็เป็นแรงบันดาลใจในการทำงานของกอล์ฟ “การทำงานกับข้อมูลเป็นสิ่งที่น่าสนใจเพราะ ข้อมูลเป็นสิ่งที่มาจากพฤติกรรมของมนุษย์ ยิ่งหากเราสามารถเก็บข้อมูลได้เยอะมากเท่าไหร่ เราก็จะเข้าใจมนุษย์มากขึ้นเท่านั้นและสามารถสร้างโปรดักต์ให้ตรงกับความต้องการของมนุษย์ได้”
“ในฐานะ Machine Learning Engineer เราจะทำงานด้าน Software Engineer คู่กับ Machine Learning Model และ Data Pipeline เป็นหลัก เพื่ออำนวยความสะดวกด้านข้อมูลให้กับทีม Data Science และเรายังร่วมงานกับฝ่าย Business Unit (BU) อีกด้วย โดยเราจะทำงานกับข้อมูลของฝ่าย BU เพื่อหาแนวคิดต่าง ๆ และวิธีแก้ปัญหาส่งมอบกลับไปให้เขานำไปพัฒนาออกมาเป็นโปรดักต์ครับ”
นอกจากนี้กอล์ฟยังเสริมว่า ทีม Analytics Engineer มีหน้าที่ดูแลระบบจัดการข้อมูลของธนาคารให้มีความรวดเร็วและมีประสิทธิภาพมากที่สุด ซึ่งจะช่วยลดต้นทุนให้การรันโมเดลต่างบนระบบ Cloud ได้
ทีม Analytics Engineering มีส่วนช่วยในการทำโปรเจ็กต์มากมายที่สร้างอิมแพ็คให้กับทีม Data Analytics อย่างมาก “ตอนนี้ผมกำลังพัฒนา Feature Store ซึ่งเป็น Platform ช่วยประมวลผลและจัดเก็บข้อมูล โดยเรามีหน้าที่สร้างระบบที่ควบคุมการประมวลผลข้อมูลใหม่ๆ ซึ่งส่วนนี้จะช่วยให้ทีม Data Science ได้รับข้อมูลที่มีการอัปเดตอยู่เสมอ และสามารถนำข้อมูลไปสร้างโมเดลใหม่ ๆ ได้อย่างรวดเร็ว”
นอกจากนี้กอล์ฟบอกว่ายังมีโปรเจ็กต์อื่น ๆ ที่เขากำลังดูแลเช่น แอป Robinhood ซึ่งเขามีหน้าที่ดูแลในส่วนของ Search และ Recommendation system โดยหน้าที่ของทีม Analytics Engineering คือการนำ model ที่พัฒนาโดยทีม Data Analytics ไปทำงานบนระบบจริงๆ ซึ่งจะต้องมีการคอยดูแลว่า model นั้น รวมถึง data pipeline ทำงานได้ปกติหรือไม่ รวมทั้งในส่วนของการปรับปรุง code ให้ทำงานได้อย่างมีประสิทธิภาพสูงสุด
กอล์ฟเล่าว่า “ปกติหลายคนจะติดภาพว่าการทำงานในองค์กรใหญ่นั้นมีความเข้มงวดมาก ๆ แต่พอได้เข้ามาทำงาน ผมรู้สึกว่าทีมความเป็นกันเองและยืดหยุ่นมาก จริง ๆ แล้วผมรู้สึกได้ตั้งแต่ตอนที่เข้ามาสัมภาษณ์เลยครับ”
หลังจากที่ได้มาร่วมงานแล้ว กอล์ฟบอกว่า “ทั้งการทำงานและการได้เจอกับเพื่อนร่วมทีม ค่อนข้างตรงกับสิ่งที่คาดไว้ในตอนแรก โดยรวมแล้วให้เต็มสิบคะแนนครับ! เพราะผมได้ทำงานที่ตรงกับสโคปที่คุยไว้ตั้งแต่แรก ทุกอย่างเลย แล้วก็เจอกับสภาพแวดล้อมการทำงานที่ดีมากครับ”
การทำงานในฝ่าย Data Analytics ของธนาคาร ไม่ได้เกี่ยวข้องกับด้านข้อมูลเพียงอย่างเดียว แต่ยังมีศาสตร์อีกหลายแขนงผสมผสานอยู่ด้วยเช่น การบริหารธุรกิจ และการเงิน การคำนวณ กอล์ฟเล่าว่า “การทำงานของผมจำเป็นต้องใช้สูตรตัวเลขต่าง ๆ ด้านการเงิน และข้อมูลอนุกรมเวลา (Time Series) เช่น วิธีคำนวณบัญชีคงคลังของธนาคาร ที่ต้องเอาสูตรเลขเก่ามาปรับสูตรเลขใหม่ให้เข้ากับการทำงานของ Machine Learning เพราะต้องปรับวิธีการคำนวณให้ตอบโจทย์องค์กรมากที่สุด”
แต่นั่นก็ไม่ได้เป็นอุปสรรคในการทำงานของน้องใหม่ไฟแรงคนนี้ที่เรียนจบ Computer Science มา กอล์ฟบอกว่าเขาใช้เวลาปรับตัวเพียงไม่นานในการเรียนรู้เรื่องใหม่ ๆ “ในตอนแรกพี่ ๆ ในทีมก็จะช่วยสอนผ่าน Training session ให้ครับ หากเราสงสัยอะไรพี่ ๆ ก็จะให้คำแนะนำและมี Practice มาให้ดูเป็นตัวอย่าง โดยเขาจะให้เราไปฝึกจากการทำงานจริงครับ”
นอกจากจะได้เรียนรู้สิ่งใหม่ ๆ และได้พัฒนาทักษะการทำงานผ่านโปรเจ็กต์ที่ได้รับมอบหมายแล้ว กอล์ฟบอกว่าเขายังได้พัฒนาทักษะการสื่อสาร ซึ่งเป็น Soft skill ที่สำคัญต่อยุคที่เราต้องประชุมผ่านช่องทางออนไลน์อีกด้วย “ในทีมจะมี Daily Meeting ครับ โดยเราจะมาประชุม อัปเดตและปรึกษาเรื่องงานกันตลอดเช่น เพื่อช่วยกันระดมความคิดเพื่อหาแนวทางต่าง ๆ ที่จะตอบโจทย์การทำงานในระยะสั้นและระยะยาวได้ครับ”
สุดท้ายนี้กอล์ฟทิ้งท้ายไว้ว่า “ทีมของเรายังมีคำถามด้านธุรกิจอีกมากที่ยังไม่ได้รับคำตอบ และยังมีสิ่งต่าง ๆ เกี่ยวกับ Data science ที่กำลังรอแนวคิดใหม่ ๆ อยู่ รวมถึงยังมี Data-driven product หลายอย่าง ที่กำลังรอคุณมา "Explore และ Create" อยู่นะครับ”