ซิติเซ่น ดาต้า ไซอันทิสต์ ตอบโจทย์ ดิจิทัล ทรานส์ฟอร์เมชั่น

ข้อมูลเป็นปัจจัยหลักขององค์กรที่ต้องการทำ ดิจิทัล ทรานส์ฟอร์เมชั่น และองค์กรก็ควรต้องมีดาต้า ไซอันทิสต์ (นักวิทยาศาสตร์ข้อมูล) ช่วยนำข้อมูลเหล่านั้นมาวิเคราะห์ให้เกิดการเปลี่ยนแปลง โดย ดาต้า ไซอันทิสต์ คือ ผู้ที่มีความรู้ทางคณิตศาสตร์และสถิติเป็นอย่างดีในการวิเคราะห์ข้อมูลและสร้างโมเดลต่างๆ เพื่อให้เกิดประโยชน์ทางธุรกิจ ดาต้า ไซอันทิสต์มืออาชีพ นอกจากต้องมีความรู้ทางด้านคณิตศาสตร์ การพัฒนาโปรแกรมแล้ว ควรมีความรู้และประสบการณ์ทางธุรกิจในอุตสาหกรรมที่วิเคราะห์ข้อมูล

ในปัจจุบันอาชีพนี้เป็นที่ต้องการของบริษัทขนาดใหญ่จำนวนมาก โดยเฉพาะบริษัทเทคโนโลยีอย่าง อะเมซอน กูเกิล เน็ตฟลิกซ์ หรืออูเบอร์แม้แต่ในบ้านเราเององค์กรต่างๆ ก็พยายามดึงดาต้า ไซอันทิสต์ ที่จบปริญญาโทหรือเอก หรือมีประสบการณ์ในการทำงานด้านนี้ในต่างประเทศเข้ามาทำงาน

ปัจจุบันสถาบันการศึกษาในบ้านเราต่างก็เร่งเปิดหลักสูตรระดับปริญญาตรีด้านดาต้า ไซอันทิสต์ ซึ่งเป็นสาขาที่เรียนยากเพราะผู้ที่จะจบการศึกษาด้านนี้ ต้องมีความเชี่ยวชาญด้านคณิตศาสตร์ในระดับสูง มีความสามารถที่จะพัฒนาโมเดลทางคณิตศาสตร์และเข้าใจอัลกอริธึมต่างๆ ได้เป็นอย่างดี ซึ่งหลักสูตรส่วนใหญ่มักจะเน้นสอนไปทางการพัฒนาโปรแกรม หรือการใช้เครื่องมือในการวิเคราะห์ข้อมูล ดังเช่น ดาต้า เวอร์ช่วลไลเซชั่น บิซิเนส อินเทลลิเจนซ์ เสียมากกว่า ประกอบกับการที่บัณฑิตจบใหม่มักจะขาดความรู้ทางธุรกิจในแต่ละอุตสาหกรรมจึงคงเป็นไปได้ยากที่องค์กรต่างๆ จะได้ดาต้า ไซอันทิสต์ มืออาชีพเข้าทำงานในช่วงระยะสั้นนี้

แต่ด้วยความก้าวหน้าของเทคโนโลยีปัญญาประดิษฐ์ทำให้โปรแกรมสำเร็จรูปสำหรับการวิเคราะห์ข้อมูลในปัจจุบันมีความง่ายขึ้น เช่น เครื่องมือที่เป็น Automated Machine Learning (Auto ML) ผู้ใช้ไม่จำเป็นต้องเขียนโปรแกรม หรือมีความรู้ด้านอัลกอริทึมทางคณิตศาสตร์มากนักก็สามารถทำงานให้ผลลัพธ์แบบดาต้า ไซอันทิสต์ได้

ดังนั้นการ์ทเนอร์จึงได้นิยามคำว่า ซิติเซ่น ดาต้า ไซอันทิสต์ ขึ้นมาโดยระบุว่า “เป็นผู้ที่ใช้โมเดลในการทำ Predictive หรือ Prescriptive Analytics เพื่อวิเคราะห์ข้อมูล แต่ไม่ได้เน้นความรู้ทางคณิตศาสตร์มากนัก กล่าวคือ ใช้เครื่องมือสำเร็จรูปในการวิเคราะห์ข้อมูล โดยทำหน้าที่เสมือนผู้เชื่อมโยงงานของบิซิเนส ยูสเซอร์ ที่ต้องการวิเคราะห์ข้อมูลกับดาต้า ไซอันทิสต์ที่มีความสามารถด้านการทำอนาไลติกส์ขั้นสูง”

ทั้งนี้เครื่องมือและเทคโนโลยีในปัจจุบันทำให้เราสามารถที่จะจัดการข้อมูลได้อย่างอัตโนมัติในหลายๆ ด้าน เช่น Augmented data preparation คือ การใช้ Auto ML ในการจัดเตรียมข้อมูลต่างๆ เช่น การทำ Data profiling หรือการปรับปรุงคุณภาพของข้อมูล

Augmented data discovery คือ ทำให้ ซิติเซ่น ดาต้า ไซอันทิสต์ สามารถใช้ Auto ML ในการค้นหาความสัมพันธ์, Pattern หรือคาดการณ์ข้อมูลได้

ทั้งนี้เครื่องมือเหล่านี้มักจะมี เวอร์ช่วลไลเซชั่น ทูลส์ ในลักษณะ Drag and drop หรือการใช้ภาษาทั่วไปในการสอบถามข้อมูล (Natural-language query) โดยไม่ต้องเขียนโปรแกรม ดังนั้นผู้ใช้ทั่วไปในหน่วยงานที่มีความรู้และความเข้าใจทางธุรกิจก็จะสามารถนำความเชี่ยวชาญเฉพาะด้านและประสบการณ์จากการทำงานมาใช้เชื่อมโยงด้านการวิเคราะห์และคาดการณ์ข้อมูลเพื่อประโยชน์สำหรับธุรกิจได้ และอาจตรงกับความต้องการมากกว่าใช้ ดาต้า ไซอันทิสต์ ที่ขาดความเข้าใจในธุรกิจนั้นๆ โดยตรง

การ์ทเนอร์ได้กำหนดให้ Augmented Analytics เป็นหนึ่งในแนวโน้มเทคโนโลยีที่น่าจับตามองในปี 2019 และคาดการณ์ว่าในปี 2020 จำนวน ซิติเซ่น ดาต้า ไซอันทิสตฺ์ จะเพิ่มขึ้นรวดเร็วกว่า ดาต้า ไซอันทิสต์ถึง 5 เท่า และคาดการณ์ว่าการทำ Advanced Analytics ในปีนี้จะถูกสร้างมาจากซิติเซ่น ดาต้า ไซอันทิสต์มากกว่าดาต้า ไซอันทิสต์ถึง 40% ของงาน Data Science จะกลายเป็นระบบอัตโตมัติที่ถูกสร้างมาจากเครื่องมือที่เก่งขึ้น

ดังนั้นองค์กรที่ปรับตัวสู่ยุคดิจิทัล แต่หา ดาต้า ไซอันทิสต์ มืออาชีพไม่ได้ อาจวางแผนพัฒนาซิติเซ่น ดาต้า ไซอันทิสต์ ให้เรียนรู้การใช้เครื่องมือการวิเคราะห์ข้อมูลที่เป็น Auto ML เช่นเดียวกับภาคการศึกษาก็อาจเน้นผลิตบัณฑิตให้เป็นซิติเซ่น ดาต้า ไซอันทิสต์ ซึ่งสามารถจะแฝงเข้ามาในหลายๆ อาชีพ เช่น การสอนเครื่องมือเหล่านี้ให้กับบัณฑิตสาขาเกษตรศาสตร์ สังคมศาสตร์ หรือสาขาทางการแพทย์ จะช่วยให้บุคลากรในอนาคตของประเทศพัฒนาตัวเองก้าวสู่ ซิติเซ่น ดาต้า ไซอันทิสต์ ได้ทันกับความต้องการของภาคอุตสาหกรรม