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!