Data Scientist เป็นสายอาชีพโปรแกรมเมอร์ อีกหนึ่งสาย ที่มีโอกาสได้รับค่าตอบแทนที่ค่อนข้างสูง ก่อนที่จะรู้ว่า Data Scientist ทำเงินได้เท่าไหร่? มาดูเรื่องของ “กว่าจะมาเป็น Data Scientist ได้ต้องผ่านอะไรบ้าง? และ Data Scientist จริงๆมันคืออะไรกันแน่?”

ในปัจจุบันโลกยุคใหม่มีข้อมูลมหาศาล ข้อมูลในโลกของดิจิทัลนั้นสำคัญ และมีมูลค่ามาก สำหรับองค์กรหรือคนทำธุรกิจ ยิ่งมีข้อมูลที่เยอะกว่า และตรงจุดมากกว่าก็จะได้เปรียบในการแข่งขันมากกว่า อาชีพ Data Scientist เลยเป็นอาชีพที่ตอบโจทย์องค์กรและคนทำธุรกิจได้อย่างดี

Data Scientist แปลง่ายๆ คือ นักวิทยาศาสตร์ข้อมูล เพราะฉะนั้นแล้วการที่จะเป็น Data Scientist นั้น ต้องไม่ใช่เป็นโปรแกรมเมอร์ที่เขียนโปรแกรมได้เฉยๆ ต้องมีทักษะ อย่างอื่นมาช่วยในการ วิเคราะห์ Data หรือ เรียกอีกอย่าง คือ Big Data ศาสตร์ของ Data science ที่ต้องมี อย่างแรก ต้องเขียนโปรแกรมได้ ส่วนใหญ่การ วิเคราะห์ข้อมูลจะใช้ภาษา Python สาเหตุที่ Data science ต้องใช้ Python เนื่องจาก Python มี Libraries หรือ ฟังก์ชั่นเสริม ให้เลือกใช้ได้หลายตัว และ มีโปรแกรมเมอร์ท่านอื่นๆ ที่พัฒนาตัว Libraries มาให้ใช้ได้ฟรีๆ หรือ จะเสียเงินก็มีให้ใช้เหมือนกัน Python เลยเป็นภาษาที่นิยมของ Data science หลายๆคน 

ตัว Libraries ที่ Data science นำมาใช้ในการวิเคราะห์ข้อมูลจะแบ่งได้ 3 ประเภทดังนี้

1. Scientifics Computing Libraries 
   1. Pandas เป็น Libraries ที่นำข้อมูลจัดเรียงในแบบตาราง, กราฟแบบเส้น และกราฟแบบแท่ง Libraries ตัวค้อนข้างที่จะใช้ง่าย และเป็นนิยมใน Data science  
   2. NumPy เป็น Libraries ที่ใช้ในการคำนวณคณิตศาสตร์ จะใช้เพื่อจัดการอาเรย์หลายมิติ ให้ใช้งานได้ง่ายกับการคำนวณ
   3. SciPy เป็น Libraries คล้ายๆกับ NumPy จะใช้ช่วยเสริมกัน
2. Visualization Libraries
   1. Matplotlib เป็น Libraries กราฟเส้นที่สามารถนำมาใช้ กับ Libraries แบบคำนวณได้ด้วยเช่นกัน เป็นอันที่ใช้ได้ง่ายเหมาะ กับ การฝึกขั้นต้นเหมือนกัน
   2. Seaborn เป็น Libraries ที่เหมือนกับ Matplotlib แต่จะมีแบบกราฟให้เลือกหลายๆแบบ
3. Algorithmic Libraries 
   1. Scikit-learn เป็น Libraries ในการทำ Machine Learning คือจุดเริ่มต้นของการทำ AI ในภาษา Python

ยังมี Libraries อีกเยอะไว้ให้ใช้ ทั้ง 3 หัวข้อที่แนะนำเป็นส่วนหนึ่งของ Libraries ที่จะนำมาใช้ กับ การวิเคราะห์ข้อมูลของ Data science และ Libraries สามารถใช้งานร่วมกันได้ เพื่อเสริมประสิทธิภาพสูงสุด และ Python คือเครื่องมือของ Data Science เพื่อวิเคราะห์ข้อมูล และจัดการข้อมูลที่มหาศาลให้ได้ง่ายขึ้น

ศาสตร์ของ Data Science นั้นต้องมีหลายองค์ประกอบ คณิตศาสตร์ วิทยาศาสตร์ การตลาด การจัดการ สถิติ โปรแกรมมิ่ง เป็นต้น การเป็น Data Scientist มันไม่ง่ายและไม่ยากแต่ต้องใช้ความเข้าใจ ในข้อมูล และ ต้องรู้ว่าข้อมูลที่ได้มานั้นถูกต้องด้วยเพราะการที่ได้รับ ข้อมูลที่ผิดๆมาประกอบในการวิเคราะห์ มันจะทำให้ข้อมูลส่วนที่ถูกอยู่แล้วผิดผลาดไปได้ จากการคำนวณของการเขียนโปรแกรมของ Data Science เพราะฉะนั้น แล้วผลตอบแทนของสายอาชีพ Data science ถึงได้มีมูลค่าที่สูง มีตั้งแต่หลักหมื่นกลางๆไปจนถึงหลักล้านก็มี แต่ว่าก็ต้องใช้เวลา และ ประสบการณ์ในการทำงานเหมือน กับอาชีพอื่นๆ 

อาชีพ Data Scientist สิ่งที่จำเป็นเหนือสิ่งอื่นใด คือความคิดค้นหาอะไรใหม่ๆมาสร้างสรรค์ การวิเคราะห์ข้อมูลวิธีการใหม่ๆเพื่อทำให้ ตัวเองได้ฝึกฝนอยู่ ตลอดเวลายิ่งทำมากยิ่งทำให้พัฒนาได้เพิ่มขึ้น

จากทั้งหมดที่กล่าวมา ผู้เขียนคิดว่า อาชีพ Data Scientist เป็นหนึ่งอาชีพที่ต้องใช้ความสามารถหลายศาสตร์ มารวมกันให้เกิดเป็น Data Scientist อย่างไรก็ตาม แม้ว่าผลตอบแทนจะสูงขนาดไหน แต่อย่าลืมว่า มันไม่ได้ทุกคนที่จะได้รับผลตอบแทนมากขนาดนั้น แค่เป็นเปอร์เซ็นในการทำรายได้สูงเท่านั้น มันขึ้นอยู่กับความสามารถ และโอกาสที่เหมาะสม คุณอาจจะเป็นหนึ่งในคนที่ประสบความสําเร็จในสายอาชีพ Data Scientist และอีกเรื่องที่สำคัญไม่แพ้กัน การหาแหล่งข้อมูลที่จะนำมาใช้ของ Data Scientist มีผลอย่างมากเหมือนกัน ข้อมูลที่ถูกต้องเป็นสิ่งที่สำคัญมากๆ 

ความพยายาม และ การฝึกฝน ถึงจะเก่งไม่เก่งแต่สุดท้ายแล้ว เราจะได้อะไรสักอย่างในการฝึกฝน และความพยายามของเราอย่างแน่นอน

โดย พัสดี แก้วอินทร์

Source:
https://www.coursera.org/lecture/data-analysis-with-python/python-packages-for-data-science-l4Gjq
https://techsauce.co/tech-and-biz/data-scientists-why-are-they-so-expensive-to-hire
https://medium.com/@thanyavuth/data-scientist-%E0%B8%97%E0%B8%B3%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%A3-%E0%B8%AD%E0%B8%A2%E0%B8%B2%E0%B8%81%E0%B9%80%E0%B8%9B%E0%B9%87%E0%B8%99%E0%B8%95%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%97%E0%B8%B3%E0%B8%AD%E0%B8%A2%E0%B9%88%E0%B8%B2%E0%B8%87%E0%B9%84%E0%B8%A3-16f1e8028d72