Become an efficient "Data Scientist"

Become an efficient "Data Scientist"
Photo by Christina Morillo: https://www.pexels.com/photo/man-standing-infront-of-white-board-1181345/
  • มีบทความมากมายเกี่ยวกับวิธีการทำงานให้มีประสิทธิภาพมากขึ้น แต่เราจะไม่เน้นที่เรื่องนี้ เพราะแนวคิดการเพิ่ม Productivity บางครั้งอาจสร้าง ความกดดัน หรือ ความเหนื่อยล้า มากจนเกินไป
  • Efficiency เป็นแนวคิดที่มาพร้อมกับ Flexibility โดยทำแต่ละสถานการณ์ให้เกิดประโยชน์สูงสุด แต่บางครั้งสถานการณ์เปลี่ยนแปลงไป ความวุ่นวายก็หลีกเลี่ยงไม่ได้ และ คนก็เป็นสิ่งมีชีวิตที่ซับซ้อน เมื่อเรามีประสิทธิภาพ การทำสิ่งต่างๆ จะเรียบง่ายขึ้น และ ประหยัดพลังงาน แทนที่จะเผาทิ้งไปทั้งหมด
  • การเป็น Data Scientist ที่มีประสิทธิภาพ คือ อะไร?
  • ในที่นี้รวบรวมจากหลายๆ บทความ ที่พยายามตอบคำถามนี้จากหลายมุม ไม่ว่าเราจะอยู่ในทีมขนาดใหญ่, ทำงานที่ปรึกษาคนเดียว, ผู้จัดการ หรือ นักวิเคราะห์ใหม่ในบริษัทฯ สามารถนำสิ่งเหล่านี้ไปทดลองปฏิบัติจริงได้
Photo by Andrea Piacquadio: https://www.pexels.com/photo/bored-formal-man-watching-laptop-at-desk-3760811/

Results matter more than the time you spend on a project (โดย Samuel Flender)

  • "ผลลัพธ์" มีความสำคัญมากกว่า "เวลา" ที่ใช้ในโครงการ
  • เสนอกลยุทธ์ 3 ประการ (1) บริหารเวลาให้ดี (2) เรียนรู้ให้มีประสิทธิภาพ (3) ตรวจสอบ Idea แต่เนิ่น ๆ ที่สามารถช่วยให้ Data Practitioners มุ่งเน้นความพยายามของในการสร้าง Impact ที่ยิ่งใหญ่ แทนที่จะทำงานหนักที่สุด หรือ นานที่สุด

The art of future-proofing your production data pipelines "ทั้งคุณภาพของ Data Products และ การนำไปใช้งานนั้น จะลดลงประสิทธิภาพลง เมื่อเวลาผ่านไป" โดย Marian Nodine

  • เพื่อให้ชีวิตของเรา และ เพื่อนร่วมงาน ง่ายขึ้น มีเกณฑ์สำคัญ 4 ประการ สำหรับ การสร้าง Pipeline ที่ดี และ มีอายุการใช้งานที่ยาวนาน
Photo by Tima Miroshnichenko: https://www.pexels.com/photo/focused-professional-man-using-laptop-7567529/

Learn how to prioritize data requests effectively (โดย Marie Lefevre)

  • เรียนรู้วิธีจัดลำดับความสำคัญของ Data requests อย่างมีประสิทธิภาพ การตั้งคำถามเกี่ยวกับเรื่อง timeline กับ Stakeholders ทำให้แผนของทีม Data สามารถจัดการได้อย่างมีประสิทธิภาพ
  • Marie Lefevre เสนอคำถามที่เป็นรูปธรรม 5 ข้อ เพื่อให้ได้บริบทที่สามารถแยกแยะความสำคัญของ Requests ได้

Good record-keeping is crucial (โดย Robert Yi)

  • การบันทึกเป็นสิ่งสำคัญ เพื่อจัดการกับ Challenges ต่าง ๆ ที่คล้ายกัน เกี่ยวกับ Ad-hoc Analysis
  • ความสำคัญของการบันทึกงานที่เราทำ ในการ Support ทีมอื่นๆ ภายในองค์กร ไม่เพียงทำให้ความพยายามเหล่านี้ถูกมองเห็นได้เท่านั้น แต่ยังสามารถช่วยเพิ่มประสิทธิภาพการทำงานในอนาคต และ เห็นรูปแบบที่เกิดขึ้นได้ เมื่อเวลาผ่านไป
Photo by Pixabay: https://www.pexels.com/photo/close-up-photo-of-ledger-s-list-164686/

A framework for determining the value of data projects (โดย Jordan G.)

  • Framework สำหรับกำหนดมูลค่าของโครงการข้อมูล วิธีการกำหนดว่าโครงการใดควรย้ายไปอยู่ด้านบนสุดของ List (มีความสำคัญที่สุด) เพื่อประเมินเวลาที่ต้องใช้ ความน่าจะเป็นของความสำเร็จ และ ผลกระทบที่อาจเกิดขึ้น นำไปสู่การตัดสินใจอย่างมีข้อมูลมากขึ้น

The importance of defining metrics you commit to (โดย Xiaoxu Gao)

  • หากข้อมูลไม่น่าเชื่อถือ เราก็ไม่น่าจะเป็นนักวิทยาศาตร์ข้อมูลที่มีประสิทธิภาพ Xiaoxu Gao แนะนำให้เขียน Commitment—เพื่อนำเสนอข้อมูลคุณภาพสูง และ ข้อมูลเชิงลึก (insights) โดยควรตกลงเกี่ยวกับตัวชี้วัด (Metrics) ที่ชัดเจน เพื่อวัดความสำเร็จ
Photo by RDNE Stock project: https://www.pexels.com/photo/person-using-black-laptop-computer-7948060/

ยังมีบทความอื่น ๆ ที่น่าสนใจอีกเช่น

******

ข้อมูลอ้างอิง - https://towardsdatascience.com/how-to-become-a-more-efficient-data-scientist-357df86cda4d