在資訊科技日新月異的今天，資料人才的需求日益增加。這篇文章將帶領大家了解如何養成資料人才，並且每個階段都有其技能關注的重點。
資料人才養成路徑
資料人才的養成路徑分為三大階段：個人貢獻者的初期、中期、以及長期，並且在每個階段都有其專注的技能與重點。
個人貢獻者的初期：Junior
這個階段的適用狀況為 Intern, 新鮮人, 或者是從其他領域過來的轉職工作者。
- 工作與學習重點
一、培養全方位的資料人才基本能力
- 可以上各種機構的資料通才訓練課程
- 直接踏入職場當一個 Junior 的角色，從多元的從實務中學習，培養對數據的敏感度與業界解決問題的思維
二、探索自己的專長與熱情點在哪裡
藉由基本能力導入，會開始發現自己對哪一種資料職能比較擅長以及有興趣
- 目標：因資料職能非常多元，包含 Data Analyst、Data Scientist、Machine Learning Engineer 、Data Engineer 等，我們需要確立自己要往哪個職能發展。
資料職能光譜
資料職能光譜包含了數據分析師 (Data Analyst)，資料科學家 (Data Scientist)，機器學習工程師 (Machine Learning Engineer)，以及資料工程師 (Data Engineer)。每種職能都有其專長與重點，例如資料分析師專長於數據視覺化與商業分析；資料科學家專長於模型分析與演算法研究；機器學習工程師專長於模型優化與工程開發；資料工程師專長於資料串接與部署自動化。選擇適合自己的路徑，並不斷學習與成長，是資料人才養成的重要關鍵。
- 如果我們對 BI 工具 (Data Studio/Tableau…… )比較擅長，熱衷於透過資料視覺化解釋資料的意義、能將資料結果解讀給 stakeholder 了解、且對 SQL 查詢非常擅長，那會建議可以往 #資料分析師 (Data Analyst) 前進。
- 如果我們熱衷於 end to end 執行資料科學專案，Python, SQL 語言都難不倒我們、不討厭談需求且也能瞭解目標產業分析主題愛用的演算法，那可以往 #資料科學家 (Data Scientists) 前進。
- 如果我們同時對資料工程與演算法都有興趣，享受把自己做完的機器學習題目架構與流程化的過程，那可以往 #機器學習工程師 (Machine Learning Engineer) 前進。現在這個角色通常還可能另外專注在圖像或文字主題的模型建置，會深度學習演算法。
- 如果我們特別對資料工程有興趣，包含 ETL、MLOps、crawler 、Data pipeline 優化等議題有興趣，那 #資料工程師 (Data Engineer) 就是你可能可以發展的路。
個人貢獻者的中期：Professional Junior/Senior
這個階段的適用狀況為在資料職涯工作 2 年以上，並已確認自己要當 Data Analyst or Data Scientist、Machine Learning Engineer or Data Engineer。
- 工作重點
一、培養獨立解決問題的能力
過往可能會需要資深同事引導協助我們完成專案，現在需要的是降低資深同仁引導的時間，自己規劃自己的工作流，獨立查詢所需資訊與技術把專案如期完成。例如，以資料科學家為例，針對推薦系統題目，我們能獨立完成資料準備、資料清理、資料分析與部分的結果呈現的流程。(定義商業問題和結果呈現步驟還是偏難，可能還是需要領域專家引導是正常的)
二、從 Mentee 往 Mentor 的養成
當今天開始有 junior 的同事加入，因為已經有一些工作經驗，我們要能開始也有引導別人的能力，透過引導別人可以強化自己的知識架構，同時擴大自己的影響力。
- 目標：過往可能都比較像是被動接收任務的角度，我們需要能更主動創造與推動對公司有利的資料題目應用，這部分可以跟直屬主管有更多的討論。
個人貢獻者的長期：Expert
這個階段的適用狀況為在資料職涯工作 5 年以上，並已在以下職能 Data Analyst or Data Scientist、Machine Learning Engineer or Data Engineer 中工作多年。
- 工作重點
ㄧ、培養跨職能溝通能力
通常一個規模較大的數據題目，都需要透過不同職能之間的彼此合作才能最有效率的完成，所以我們需要在此階段培養自己能跟不同職能的同事溝通的能力。以資料科學家為例，我們要知道今天完成一個資料科學任務會需要資料工程師協助，因為需要他們幫忙匯入資料以及將我們的結果串接自動化程式，因此我們要了解完成這些項目應該要如何尋求支援與溝通，並確保能互相尊重與理解。
二、能站在公司的商業效益角度定義商業或技術問題
這件事情不容易，但我會期許大家都能努力看看，我們要變成主管最得力的目標管理幫手，了解主管發包問題的背景與原因，甚至開始能思考輕重緩急並發想新的且符合公司方向的題目。
- 目標：脫離個人成功的思維，轉而變成團隊成功思維，創造與完成更多規模更大的任務。
如果想當團隊領導者：Team Lead
- 適用狀況
在資料職涯工作 5 年以上，並已在以下職能 Data Analyst or Data Scientist、Machine Learning Engineer or Data Engineer 中工作多年。
- 工作重點
ㄧ、培養跨職能溝通能力
通常一個規模較大的數據題目，都需要透過不同職能之間的彼此合作才能最有效率的完成，所以我們需要在此階段培養自己能跟不同職能的同事溝通的能力。以資料科學家為例，我們要知道今天完成一個資料科學任務會需要資料工程師協助，因為需要他們幫忙匯入資料以及將我們的結果串接自動化程式，因此我們要了解完成這些項目應該要如何尋求支援與溝通，並確保能互相尊重與理解。
二、能站在公司的商業效益角度定義商業或技術問題
這件事情不容易，但我會期許大家都能努力看看，我們要變成主管最得力的目標管理幫手，了解主管發包問題的背景與原因，甚至開始能思考輕重緩急並發想新的且符合公司方向的題目。
- 目標：脫離個人成功的思維，轉而變成團隊成功思維，創造與完成更多規模更大的任務。
經驗分享
每個人的資料人才養成路徑都會有所不同，有些人 upgrade 的速度比較快、有些人比較慢，這都沒有關係，只要目標明確，跟著自己的步調，就能漸漸達到。最近還有跟資深前輩聊到一些資料職涯現象，其實現在更難的是以個人貢獻者 Expert 再往上爬成更資深的 Expert 或是 Team Lead 的角度再往上爬成引領全公司資料變現領導人需要具備的能力。所以既然這條路可能會是我們的長期目標，我會期許大家跟我一起來面對這個問題，在現階段初期與中期的資料職涯中，就要多問自己做這些題目的原因與背景是什麼？它們能為公司、產業、台灣、世界創造什麼貢獻？做完這一版專案後，未來我們要如何延續？透過反覆多問自己問題，培養批判式思考與更強大的規劃 roadmap 能力，在長期的資料職涯中，我們會更有機會比別人還要亮眼。
希望這篇資料人才養成路徑能帶給你們更多啟發，歡迎和我有更多討論！歡迎收藏同篇 IG 貼文！