ហេតុអ្វីបានជាក្រុម Data Science ត្រូវការអ្នកជំនាញទូទៅ មិនមែនអ្នកឯកទេសទេ។

HIROSHI WATANABE / រូបភាព Getty

នៅក្នុង The Wealth of Nations អ័ដាម ស្ម៊ីធ បង្ហាញពីរបៀបដែលការបែងចែកកម្លាំងពលកម្មក្លាយជាប្រភពសំខាន់នៃការបង្កើនផលិតភាព។ ឧទាហរណ៍​មួយ​គឺ​ខ្សែ​ដំឡើង​របស់​រោងចក្រ​ម្ជុល៖ «កម្មករ​ម្នាក់​ទាញ​ខ្សែ ម្នាក់​ទៀត​តម្រង់​វា ទី​បី​កាត់​វា ទី​បួន​ធ្វើ​ឲ្យ​ចុង​មុត ទី​ប្រាំ​កិន​ចុង​ម្ខាង​ទៀត​ឲ្យ​សម​នឹង​ក្បាល»។ អរគុណចំពោះជំនាញដែលផ្តោតលើមុខងារជាក់លាក់ បុគ្គលិកម្នាក់ៗក្លាយជាអ្នកឯកទេសដែលមានសមត្ថភាពខ្ពស់ក្នុងកិច្ចការតូចចង្អៀតរបស់គាត់ ដែលនាំទៅដល់ការបង្កើនប្រសិទ្ធភាពដំណើរការ។ ទិន្នផលក្នុងមួយកម្មករកើនឡើងច្រើនដង ហើយរោងចក្រកាន់តែមានប្រសិទ្ធភាពក្នុងការផលិតម្ជុល។

ការបែងចែកកម្លាំងពលកម្មតាមមុខងារនេះ គឺមានជាប់ក្នុងចិត្តរបស់យើងខ្លាំងណាស់ សូម្បីតែសព្វថ្ងៃនេះ យើងបានរៀបចំក្រុមរបស់យើងយ៉ាងរហ័សទៅតាមនោះ។ វិទ្យាសាស្ត្រទិន្នន័យមិនមានករណីលើកលែងនោះទេ។ សមត្ថភាពធុរកិច្ច algorithmic ស្មុគ្រស្មាញ ទាមទារមុខងារការងារច្រើន ដូច្នេះក្រុមហ៊ុនជាធម្មតាបង្កើតក្រុមអ្នកឯកទេស៖ អ្នកស្រាវជ្រាវ វិស្វករទិន្នន័យ វិស្វកររៀនម៉ាស៊ីន អ្នកវិទ្យាសាស្ត្រមូលហេតុ និងផលប៉ះពាល់ជាដើម។ ការងាររបស់អ្នកឯកទេសត្រូវបានសម្របសម្រួលដោយអ្នកគ្រប់គ្រងផលិតផលជាមួយនឹងការផ្ទេរមុខងារក្នុងលក្ខណៈដែលស្រដៀងនឹងរោងចក្រម្ជុល: "មនុស្សម្នាក់ទទួលបានទិន្នន័យ ម៉ូដែលមួយទៀតវា ទីបីប្រតិបត្តិវា វិធានការទីបួន" ហើយដូច្នេះនៅលើ។

Alas, យើងមិនគួរបង្កើនប្រសិទ្ធភាពក្រុម Data Science របស់យើងដើម្បីបង្កើនផលិតភាពនោះទេ។ ទោះយ៉ាងណាក៏ដោយ អ្នកធ្វើដូចនេះនៅពេលអ្នកយល់ពីអ្វីដែលអ្នកកំពុងផលិត៖ ម្ជុល ឬអ្វីផ្សេងទៀត ហើយគ្រាន់តែព្យាយាមបង្កើនប្រសិទ្ធភាព។ គោលបំណងនៃការដំឡើងបន្ទាត់គឺដើម្បីបំពេញភារកិច្ចមួយ។ យើងដឹងយ៉ាងច្បាស់នូវអ្វីដែលយើងចង់បាន - ម្ជុល (ដូចក្នុងឧទាហរណ៍របស់ Smith) ប៉ុន្តែផលិតផល ឬសេវាកម្មណាមួយអាចត្រូវបានលើកឡើង ដែលតម្រូវការពណ៌នាយ៉ាងពេញលេញគ្រប់ទិដ្ឋភាពទាំងអស់នៃផលិតផល និងអាកប្បកិរិយារបស់វា។ តួនាទីរបស់និយោជិតគឺដើម្បីបំពេញតម្រូវការទាំងនេះប្រកបដោយប្រសិទ្ធភាពតាមដែលអាចធ្វើទៅបាន។

ប៉ុន្តែគោលដៅរបស់ Data Science គឺមិនមែនដើម្បីបំពេញភារកិច្ចនោះទេ។ ផ្ទុយទៅវិញ គោលដៅគឺដើម្បីស្វែងរក និងអភិវឌ្ឍឱកាសអាជីវកម្មថ្មីៗដ៏រឹងមាំ។ ផលិតផល និងសេវាកម្មជាក្បួនដូចជាប្រព័ន្ធណែនាំ អន្តរកម្មអតិថិជន ចំណាត់ថ្នាក់នៃចំណូលចិត្តរចនាប័ទ្ម ការកំណត់ទំហំ ការរចនាសម្លៀកបំពាក់ ការបង្កើនប្រសិទ្ធភាពផ្នែកដឹកជញ្ជូន ការរកឃើញនិន្នាការតាមរដូវកាល និងអ្វីៗជាច្រើនទៀតមិនអាចអភិវឌ្ឍជាមុនបានទេ។ ពួកគេត្រូវតែត្រូវបានសិក្សា។ មិនមានប្លង់មេសម្រាប់ចម្លងទេ ទាំងនេះគឺជាលទ្ធភាពថ្មីជាមួយនឹងភាពមិនច្បាស់លាស់ពីកំណើត។ មេគុណ គំរូ ប្រភេទគំរូ ប៉ារ៉ាម៉ែត្រខ្ពស់ ធាតុចាំបាច់ទាំងអស់ត្រូវតែរៀនតាមរយៈការពិសោធន៍ ការសាកល្បង និងកំហុស និងពាក្យដដែលៗ។ ជាមួយនឹងម្ជុល ការបណ្តុះបណ្តាលនិងការរចនាត្រូវបានធ្វើឡើងមុនពេលផលិត។ ជាមួយនឹង Data Science អ្នករៀនដូចដែលអ្នកធ្វើ មិនមែនពីមុនទេ។

នៅក្នុងរោងចក្រម្ជុល នៅពេលដែលការបណ្តុះបណ្តាលមកមុនគេ យើងក៏មិនរំពឹង ឬចង់ឱ្យកម្មករនិយោជិតធ្វើការច្នៃប្រឌិតលើលក្ខណៈពិសេសណាមួយនៃផលិតផល ក្រៅពីការបង្កើនប្រសិទ្ធភាពផលិតកម្មនោះទេ។ ការងារពិសេសធ្វើឱ្យយល់បានព្រោះវានាំទៅរកប្រសិទ្ធភាពដំណើរការ និងភាពស៊ីសង្វាក់ផលិតកម្ម (ដោយគ្មានការផ្លាស់ប្តូរផលិតផលចុងក្រោយ)។

ប៉ុន្តែនៅពេលដែលផលិតផលនៅតែកំពុងអភិវឌ្ឍ ហើយគោលដៅគឺការបណ្តុះបណ្តាល ជំនាញនឹងរំខានដល់គោលដៅរបស់យើងនៅក្នុងករណីដូចខាងក្រោម៖

1. វាបង្កើនការចំណាយលើការសម្របសម្រួល។

នោះគឺការចំណាយទាំងនោះដែលកកកុញក្នុងកំឡុងពេលដែលចំណាយក្នុងការទំនាក់ទំនង ពិភាក្សា បង្ហាញភាពត្រឹមត្រូវ និងផ្តល់អាទិភាពដល់ការងារដែលត្រូវធ្វើ។ ការចំណាយទាំងនេះមានទំហំលើសលីនេអ៊ែរជាមួយនឹងចំនួនមនុស្សចូលរួម។ (ដូចដែល J. Richard Hackman បានបង្រៀនយើង ចំនួននៃទំនាក់ទំនង r លូតលាស់ស្រដៀងគ្នាទៅនឹងមុខងារនៃចំនួនពាក្យ n យោងទៅតាមសមីការនេះ៖ r = (n^2-n)/2។ ហើយទំនាក់ទំនងនីមួយៗបង្ហាញពីចំនួនមួយចំនួននៃ ទំនាក់ទំនងតម្លៃ។ ) នៅពេលដែលអ្នកវិទ្យាសាស្ត្រទិន្នន័យត្រូវបានរៀបចំឡើងដោយមុខងារ នៅគ្រប់ដំណាក់កាល ជាមួយនឹងការផ្លាស់ប្តូរ រាល់ការប្រគល់ ជាដើម អ្នកឯកទេសជាច្រើនត្រូវបានទាមទារ ដែលបង្កើនការចំណាយលើការសម្របសម្រួល។ ឧទាហរណ៍ អ្នកធ្វើគំរូស្ថិតិដែលចង់ពិសោធន៍ជាមួយមុខងារថ្មីៗនឹងត្រូវសម្របសម្រួលជាមួយវិស្វករទិន្នន័យដែលបន្ថែមទៅក្នុងសំណុំទិន្នន័យរាល់ពេលដែលពួកគេចង់សាកល្បងអ្វីថ្មី។ ដូចគ្នាដែរ ម៉ូដែលថ្មីនីមួយៗដែលបានទទួលការបណ្តុះបណ្តាលមានន័យថា អ្នកបង្កើតគំរូនឹងត្រូវការនរណាម្នាក់សម្របសម្រួលជាមួយដើម្បីដាក់ចូលទៅក្នុងផលិតកម្ម។ ការចំណាយលើការសម្របសម្រួលដើរតួជាតម្លៃសម្រាប់ការធ្វើឡើងវិញ ដែលធ្វើឲ្យពួកគេកាន់តែពិបាក និងថ្លៃ ហើយទំនងជាបណ្តាលឱ្យការសិក្សាត្រូវបានបោះបង់ចោល។ នេះអាចរំខានដល់ការសិក្សា។

2. វាធ្វើឱ្យពេលវេលារង់ចាំមានការលំបាក។

សូម្បីតែអ្វីដែលគួរឱ្យខ្លាចជាងការចំណាយលើការសម្របសម្រួលគឺជាពេលវេលាដែលបាត់បង់រវាងការផ្លាស់ប្តូរការងារ។ ខណៈពេលដែលការចំណាយលើការសម្របសម្រួលជាធម្មតាត្រូវបានវាស់ជាម៉ោង - ពេលវេលាដែលវាត្រូវការដើម្បីធ្វើការប្រជុំ ការពិភាក្សា ការត្រួតពិនិត្យការរចនា - ពេលវេលារង់ចាំជាធម្មតាត្រូវបានវាស់វែងជាថ្ងៃ សប្តាហ៍ ឬរាប់ខែ! កាលវិភាគរបស់អ្នកឯកទេសដែលមានមុខងារពិបាកនឹងថ្លឹងថ្លែងព្រោះអ្នកឯកទេសនីមួយៗត្រូវតែចែកចាយតាមគម្រោងជាច្រើន។ ការប្រជុំរយៈពេលមួយម៉ោងដើម្បីពិភាក្សាអំពីការផ្លាស់ប្តូរអាចចំណាយពេលជាច្រើនសប្តាហ៍ដើម្បីសម្រួលដល់ដំណើរការការងារ។ ហើយបន្ទាប់ពីបានយល់ព្រមលើការផ្លាស់ប្តូរវាចាំបាច់ត្រូវរៀបចំផែនការការងារជាក់ស្តែងដោយខ្លួនឯងនៅក្នុងបរិបទនៃគម្រោងផ្សេងទៀតជាច្រើនដែលកាន់កាប់ពេលវេលាធ្វើការរបស់អ្នកឯកទេស។ ការងារដែលពាក់ព័ន្ធនឹងការកែកូដ ឬការស្រាវជ្រាវដែលចំណាយពេលតែពីរបីម៉ោង ឬថ្ងៃដើម្បីបញ្ចប់អាចចំណាយពេលយូរជាងនេះ មុនពេលធនធានមាន។ រហូត​ដល់​ពេល​នោះ ការ​ធ្វើ​ឡើង​វិញ និង​ការ​រៀន​ត្រូវ​បាន​ផ្អាក។

3. វាបង្រួមបរិបទ។

ការបែងចែកកម្លាំងពលកម្មអាចកំណត់ការរៀនសូត្រដោយសិប្បនិមិត្តដោយផ្តល់រង្វាន់ដល់មនុស្សសម្រាប់នៅសល់ក្នុងជំនាញពិសេសរបស់ពួកគេ។ ឧទាហរណ៍ អ្នកវិទ្យាសាស្ត្រស្រាវជ្រាវដែលត្រូវតែស្ថិតនៅក្នុងវិសាលភាពនៃមុខងាររបស់គាត់នឹងផ្តោតលើថាមពលរបស់គាត់លើការពិសោធន៍ជាមួយប្រភេទផ្សេងៗនៃក្បួនដោះស្រាយ៖ តំរែតំរង់ បណ្តាញសរសៃប្រសាទ ព្រៃចៃដន្យ និងអ្វីៗផ្សេងទៀត។ ជាការពិតណាស់ ការជ្រើសរើសក្បួនដោះស្រាយដ៏ល្អអាចនាំទៅរកការកែលម្អបន្ថែម ប៉ុន្តែជាធម្មតាមានច្រើនទៀតដែលត្រូវទទួលបានពីសកម្មភាពផ្សេងទៀត ដូចជាការរួមបញ្ចូលប្រភពទិន្នន័យថ្មី។ ដូចគ្នានេះដែរ វានឹងជួយបង្កើតគំរូដែលទាញយកថាមពលពន្យល់ទាំងអស់ដែលមាននៅក្នុងទិន្នន័យ។ ទោះជាយ៉ាងណាក៏ដោយ កម្លាំងរបស់វាអាចស្ថិតនៅក្នុងការផ្លាស់ប្តូរមុខងារគោលបំណង ឬបន្ធូរបន្ថយឧបសគ្គមួយចំនួន។ នេះពិបាកមើល ឬធ្វើនៅពេលដែលការងាររបស់នាងមានកម្រិត។ ដោយសារតែអ្នកវិទ្យាសាស្ត្របច្ចេកទេសមានជំនាញក្នុងការបង្កើនប្រសិទ្ធភាព algorithms គាត់ទំនងជាមិនធ្វើអ្វីផ្សេងទៀតទេ ទោះបីជាវានាំមកនូវអត្ថប្រយោជន៍សំខាន់ៗក៏ដោយ។

ដើម្បីដាក់ឈ្មោះសញ្ញាដែលលេចឡើងនៅពេលដែលក្រុមវិទ្យាសាស្ត្រទិន្នន័យដើរតួជារោងចក្រម្ជុល (ឧទាហរណ៍ នៅក្នុងការអាប់ដេតស្ថានភាពសាមញ្ញ): "ការរង់ចាំការផ្លាស់ប្តូរបំពង់ទិន្នន័យ" និង "ការរង់ចាំធនធាន ML Eng" គឺជាអ្នកទប់ស្កាត់ទូទៅ។ ទោះយ៉ាងណាក៏ដោយ ខ្ញុំជឿថាឥទ្ធិពលដ៏គ្រោះថ្នាក់ជាងនេះ គឺជាអ្វីដែលអ្នកមិនកត់សំគាល់ ព្រោះអ្នកមិនអាចសោកស្តាយចំពោះអ្វីដែលអ្នកមិនទាន់ដឹង។ ការប្រតិបត្តិដោយគ្មានកំហុស និងការពេញចិត្តដែលទទួលបានពីការសម្រេចបាននូវប្រសិទ្ធភាពនៃដំណើរការអាចបិទបាំងការពិតដែលអង្គការមិនដឹងពីអត្ថប្រយោជន៍នៃការសិក្សាដែលពួកគេកំពុងខកខាន។

ដំណោះស្រាយចំពោះបញ្ហានេះជាការពិតណាស់គឺការកម្ចាត់វិធីសាស្រ្តម្ជុលរោងចក្រ។ ដើម្បីលើកទឹកចិត្តដល់ការរៀន និងការធ្វើឡើងវិញ តួនាទីអ្នកវិទ្យាសាស្ត្រទិន្នន័យគួរតែមានលក្ខណៈទូទៅ ប៉ុន្តែដោយមានទំនួលខុសត្រូវយ៉ាងទូលំទូលាយដោយឯករាជ្យពីមុខងារបច្ចេកទេស ពោលគឺរៀបចំអ្នកវិទ្យាសាស្ត្រទិន្នន័យ ដើម្បីឱ្យពួកគេត្រូវបានធ្វើឱ្យប្រសើរសម្រាប់ការរៀន។ នេះមានន័យថាជួល "អ្នកឯកទេសជង់ពេញ" - អ្នកឯកទេសទូទៅដែលអាចអនុវត្តមុខងារជាច្រើន ចាប់ពីគំនិតរហូតដល់គំរូ ការអនុវត្តរហូតដល់ការវាស់វែង។ វាជារឿងសំខាន់ក្នុងការកត់សម្គាល់ថា ខ្ញុំមិនណែនាំថាការជួលអ្នកដែលមានទេពកោសល្យពេញមួយក្រុមគួរតែកាត់បន្ថយចំនួនបុគ្គលិកនោះទេ។ ផ្ទុយទៅវិញ ខ្ញុំនឹងសន្មត់ថានៅពេលដែលពួកគេត្រូវបានរៀបចំខុសគ្នា ការលើកទឹកចិត្តរបស់ពួកគេត្រូវបានតម្រឹមកាន់តែប្រសើរឡើងជាមួយនឹងអត្ថប្រយោជន៍នៃការសិក្សា និងការអនុវត្ត។ ជាឧទាហរណ៍ ឧបមាថាអ្នកមានក្រុមមនុស្សបីនាក់ដែលមានជំនាញអាជីវកម្មបី។ នៅក្នុងរោងចក្រម្ជុល អ្នកបច្ចេកទេសម្នាក់ៗនឹងលះបង់ពេលវេលាមួយភាគបីរបស់គាត់សម្រាប់ការងារនីមួយៗ ពីព្រោះគ្មាននរណាម្នាក់អាចធ្វើការងាររបស់គាត់បានទេ។ នៅក្នុងជង់ពេញលេញ អ្នកឯកទេសនីមួយៗត្រូវបានឧទ្ទិសយ៉ាងពេញលេញចំពោះដំណើរការអាជីវកម្មទាំងមូល ការបង្កើនទំហំ និងការបណ្តុះបណ្តាល។

ជាមួយនឹងមនុស្សតិចជាងមុនដែលគាំទ្រវដ្តផលិតកម្ម ការសម្របសម្រួលត្រូវបានកាត់បន្ថយ។ អ្នកគ្រប់គ្រងទូទៅផ្លាស់ទីយ៉ាងរលូនរវាងលក្ខណៈពិសេស ពង្រីកបំពង់បង្ហូរទិន្នន័យ ដើម្បីបន្ថែមទិន្នន័យ សាកល្បងមុខងារថ្មីៗនៅក្នុងម៉ូដែល ការដាក់ពង្រាយកំណែថ្មីទៅផលិតកម្មសម្រាប់ការវាស់វែងមូលហេតុ និងជំហានម្តងទៀតភ្លាមៗនៅពេលដែលគំនិតថ្មីៗកើតឡើង។ ជា​ការ​ពិត​ណាស់ រទេះ​ភ្លើង​របស់​ស្ថានីយ​មាន​មុខងារ​ខុសៗ​គ្នា​ជា​បន្តបន្ទាប់ និង​មិន​ស្រប​គ្នា។ យ៉ាងណាមិញ វាគ្រាន់តែជាមនុស្សម្នាក់ប៉ុណ្ណោះ។ ទោះជាយ៉ាងណាក៏ដោយ ការបញ្ចប់កិច្ចការជាធម្មតាត្រូវចំណាយពេលតែផ្នែកខ្លះនៃពេលវេលាដែលត្រូវការដើម្បីចូលប្រើធនធានឯកទេសផ្សេងទៀត។ ដូច្នេះពេលវេលានៃការធ្វើឡើងវិញមានការថយចុះ។

អ្នកជំនាញទូទៅរបស់យើងប្រហែលជាមិនមានជំនាញដូចអ្នកឯកទេសក្នុងមុខងារការងារជាក់លាក់ណាមួយនោះទេ ប៉ុន្តែយើងមិនខិតខំដើម្បីភាពល្អឥតខ្ចោះនៃមុខងារ ឬការកែលម្អបន្ថែមតិចតួចនោះទេ។ ផ្ទុយទៅវិញ យើងខិតខំសិក្សា និងស្វែងរកបញ្ហាប្រឈមដែលមានជំនាញវិជ្ជាជីវៈកាន់តែច្រើនឡើង ជាមួយនឹងផលប៉ះពាល់បន្តិចម្តងៗ។ ជាមួយនឹងបរិបទរួមសម្រាប់ដំណោះស្រាយពេញលេញ គាត់មើលឃើញឱកាសដែលអ្នកឯកទេសនឹងខកខាន។ គាត់មានគំនិត និងលទ្ធភាពកាន់តែច្រើន។ គាត់ក៏បរាជ័យដែរ។ ទោះជាយ៉ាងណាក៏ដោយ តម្លៃនៃការបរាជ័យមានកម្រិតទាប ហើយអត្ថប្រយោជន៍នៃការរៀនសូត្រគឺខ្ពស់។ ភាពមិនស៊ីមេទ្រីនេះលើកកម្ពស់ការនិយាយឡើងវិញយ៉ាងឆាប់រហ័ស និងផ្តល់រង្វាន់ដល់ការរៀនសូត្រ។

វាជារឿងសំខាន់ក្នុងការកត់សម្គាល់ថាចំនួនស្វ័យភាព និងភាពចម្រុះនៃជំនាញដែលផ្តល់ឱ្យអ្នកវិទ្យាសាស្ត្រពេញលក្ខណៈគឺពឹងផ្អែកភាគច្រើនលើភាពរឹងមាំនៃវេទិកាទិន្នន័យដែលត្រូវធ្វើការ។ វេទិកាទិន្នន័យដែលបានរចនាយ៉ាងល្អ បង្ហាញអ្នកវិទ្យាសាស្ត្រទិន្នន័យពីភាពស្មុគស្មាញនៃកុងតឺន័រ ដំណើរការចែកចាយ ការបរាជ័យដោយស្វ័យប្រវត្តិ និងគំនិតកុំព្យូទ័រកម្រិតខ្ពស់ផ្សេងទៀត។ បន្ថែមពីលើការអរូបី វេទិកាទិន្នន័យដ៏រឹងមាំអាចផ្តល់នូវការតភ្ជាប់យ៉ាងរលូនទៅនឹងហេដ្ឋារចនាសម្ព័ន្ធពិសោធន៍ ការត្រួតពិនិត្យដោយស្វ័យប្រវត្តិ និងការដាស់តឿន បើកការធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិ និងការមើលឃើញនៃលទ្ធផល algorithmic និងការបំបាត់កំហុស។ សមាសធាតុទាំងនេះត្រូវបានរចនាឡើង និងបង្កើតឡើងដោយវិស្វករវេទិកាទិន្នន័យ មានន័យថា ពួកវាមិនត្រូវបានបញ្ជូនបន្តពីអ្នកវិទ្យាសាស្ត្រទិន្នន័យទៅក្រុមអភិវឌ្ឍន៍វេទិកាទិន្នន័យនោះទេ។ វាគឺជាអ្នកឯកទេសផ្នែកវិទ្យាសាស្ត្រទិន្នន័យ ដែលទទួលខុសត្រូវចំពោះកូដទាំងអស់ដែលប្រើដើម្បីដំណើរការវេទិកា។

ខ្ញុំក៏ធ្លាប់ចាប់អារម្មណ៍លើការបែងចែកមុខងារនៃកម្លាំងពលកម្មដោយប្រើប្រាស់ប្រសិទ្ធភាពនៃដំណើរការ ប៉ុន្តែតាមរយៈការសាកល្បង និងកំហុស (មិនមានវិធីប្រសើរជាងក្នុងការរៀនទេ) ខ្ញុំបានរកឃើញថាតួនាទីធម្មតាជួយសម្រួលដល់ការរៀន និងការច្នៃប្រឌិតបានប្រសើរជាងមុន និងផ្តល់នូវរង្វាស់ត្រឹមត្រូវ៖ ការរកឃើញ និង ការកសាងឱកាសអាជីវកម្មជាច្រើនទៀតជាជាងវិធីសាស្រ្តឯកទេស។ (វិធីដែលមានប្រសិទ្ធភាពជាងក្នុងការស្វែងយល់អំពីវិធីសាស្រ្តក្នុងការរៀបចំនេះ ជាងការសាកល្បង និងកំហុសដែលខ្ញុំបានឆ្លងកាត់គឺការអានសៀវភៅរបស់ Amy Edmondson កិច្ចសហការជាក្រុម៖ របៀបដែលអង្គការរៀន ច្នៃប្រឌិត និងប្រកួតប្រជែងក្នុងសេដ្ឋកិច្ចចំណេះដឹង)។

មានការសន្មត់សំខាន់ៗមួយចំនួនដែលអាចធ្វើឱ្យវិធីសាស្រ្តនេះក្នុងការរៀបចំមានភាពជឿជាក់ច្រើន ឬតិចនៅក្នុងក្រុមហ៊ុនមួយចំនួន។ ដំណើរការឡើងវិញកាត់បន្ថយការចំណាយលើការសាកល្បង និងកំហុស។ ប្រសិនបើតម្លៃនៃកំហុសខ្ពស់ អ្នកប្រហែលជាចង់កាត់បន្ថយវា (ប៉ុន្តែនេះមិនត្រូវបានណែនាំសម្រាប់កម្មវិធីវេជ្ជសាស្រ្ត ឬការផលិតទេ)។ លើសពីនេះទៀត ប្រសិនបើអ្នកកំពុងដោះស្រាយជាមួយ petabytes ឬ exabytes នៃទិន្នន័យ ជំនាញផ្នែកវិស្វកម្មទិន្នន័យអាចត្រូវបានទាមទារ។ ដូចគ្នានេះដែរ ប្រសិនបើការរក្សានូវសមត្ថភាពអាជីវកម្មតាមអ៊ីនធឺណិត និងភាពអាចរកបានរបស់ពួកគេគឺសំខាន់ជាងការកែលម្អពួកគេ ភាពល្អឥតខ្ចោះនៃមុខងារអាចនឹងធ្វើឱ្យមានការរៀនសូត្រ។ ទីបំផុតគំរូជង់ពេញលេញពឹងផ្អែកលើគំនិតរបស់មនុស្សដែលដឹងអំពីវា។ ពួកគេមិនមែនជា unicorns; អ្នកអាចស្វែងរកពួកគេ ឬរៀបចំវាដោយខ្លួនឯង។ ទោះជាយ៉ាងណាក៏ដោយពួកគេមានតម្រូវការខ្ពស់ហើយការទាក់ទាញនិងរក្សាពួកគេនឹងត្រូវការសំណងដែលមានការប្រកួតប្រជែងតម្លៃសាជីវកម្មរឹងមាំនិងការងារដែលមានការប្រកួតប្រជែង។ ត្រូវប្រាកដថាវប្បធម៌ក្រុមហ៊ុនរបស់អ្នកអាចគាំទ្ររឿងនេះបាន។

សូម្បីតែជាមួយនឹងអ្វីដែលបាននិយាយក៏ដោយ ខ្ញុំជឿថាគំរូជង់ពេញលេញផ្តល់នូវលក្ខខណ្ឌចាប់ផ្តើមដ៏ល្អបំផុត។ ចាប់ផ្តើមជាមួយពួកគេ ហើយបន្ទាប់មកដោយមនសិការឆ្ពោះទៅរកការបែងចែកមុខងារនៃកម្លាំងពលកម្មតែនៅពេលដែលចាំបាច់បំផុត។

មានគុណវិបត្តិផ្សេងទៀតនៃជំនាញមុខងារ។ នេះអាចនាំឱ្យបាត់បង់ទំនួលខុសត្រូវ និងអកម្មលើផ្នែកកម្មករ។ ស្មីតខ្លួនឯងបានរិះគន់ការបែងចែកការងារដោយលើកឡើងថាវានាំទៅរកការខ្វះទេពកោសល្យពោលគឺឧ។ កម្មករក្លាយជាមនុស្សល្ងង់ ហើយត្រូវដកខ្លួនចេញ ដោយសារតួនាទីរបស់ពួកគេត្រូវបានកំណត់ចំពោះការងារដដែលៗមួយចំនួន។ ខណៈពេលដែលឯកទេសអាចផ្តល់នូវប្រសិទ្ធភាពដំណើរការ វាហាក់ដូចជាមិនសូវជំរុញទឹកចិត្តកម្មករទេ។

ម៉្យាងវិញទៀត តួនាទីដែលមានលក្ខណៈចម្រុះផ្តល់នូវអ្វីៗទាំងអស់ដែលជំរុញការពេញចិត្តការងារ៖ ស្វ័យភាព ភាពជាម្ចាស់ និងគោលបំណង។ ស្វ័យភាពគឺថាពួកគេមិនពឹងផ្អែកលើអ្វីទាំងអស់ដើម្បីទទួលបានភាពជោគជ័យ។ ភាពស្ទាត់ជំនាញស្ថិតនៅក្នុងគុណសម្បត្តិប្រកួតប្រជែងខ្លាំង។ ហើយអារម្មណ៍នៃគោលបំណងស្ថិតនៅក្នុងឱកាសដើម្បីមានឥទ្ធិពលលើអាជីវកម្មដែលពួកគេបង្កើត។ ប្រសិនបើយើងអាចធ្វើឲ្យមនុស្សរំភើបចំពោះការងាររបស់ពួកគេ ហើយមានឥទ្ធិពលខ្លាំងលើក្រុមហ៊ុន នោះអ្វីៗផ្សេងទៀតនឹងធ្លាក់ចូលកន្លែង។

ប្រភព: www.habr.com