R 語言資料科學家/分析師在企業面臨的困境 (3) — 建議
系列文章
本文筆者將延續前兩篇文章的內容，由 R 使用者、不懂 R 的資料工程師卻接到了 R 部署工作、企業等不同角度給予建議。
一、若你是 R 使用者，也許你可以…
筆者在系列文的第一篇曾說，由於 R 使用者專業背景多為統計、數學或社會科學，在數據團隊的角色多為商業分析師或資料科學家。另由於較缺乏資料工程的能力與經驗，故需要資料工程師的參與才能把 R 開發的專案部署 (deploy) 為正式服務。然而，在資料工程師不懂 R 的情況下，易導致 R 服務部署的困境。因此，筆者建議 R 使用者不妨嘗試往資料工程領域發展，補足一般 R 使用者不足之處，走出不同的路。
怎麼說呢？
我從職能發展的角度來說，以【圖一】輔助說明，簡單將專業能力分三個維度，分別為商業分析、資料科學、資料工程，再依專業能力值對應於職位，並給予 A , A+, B, B+, AB, ..., D 等定位編號。
(註：一般來說，大數據專業能力還有所謂的資料架構，在此為求簡化，將其歸類於資料工程的範疇)
如果你是 A 或 B
一般來說，R 使用者的職能定位多屬於 A 或 B，經過專案磨練後可能會往 AB 發展，或是往定位更專注的 A+或 B+發展。然而，事實上在企業可能有 80% 的問題無需用 A+或 B+的能力即可解決，更需要的是 AB、AC 或 BC 這類「通才」。若你往通才定位發展，不僅可作為各專業的「橋梁」，亦會因擁有「一條龍」的技能而在精兵策略的小型數據團隊生存。
而 AB、AC 或 BC 中，AB 應該又會是 R 使用者最常發展的路徑，畢竟專業背景多屬統計/數學/社會科學為主，往具資料工程能力的 AC 或 BC 發展門檻/難度較高。此時，若你能考慮嘗試往「稀有」的 AC 或 BC 發展，在職能上與大家「差異化」，不僅補足團隊中 R 使用者的不足，以企業的角度來說，你可能會更被企業需要。
如果你是 AB
相信在業界累積過實戰經驗的 R 使用者會屬於 AB，你擁有資料科學的基本能力並可以結合領域知識 (Domain Knowledge) 解決商業問題，若再加上出色的軟實力 (規劃、溝通、協調)，甚至可擔任商業分析或資料科學的管理者，因你有能力帶領團隊並讓商業分析及資料科學整合得宜。 此時筆者建議可嘗試往 D 類全能型人才發展，除了有能力「一條龍」完成工作之外，更有價值的是你能與各專業溝通，全面向地整合數據團隊，擔任數據團隊的掌舵者。
如果你是 A+、B+或 D
此類 R 使用者應在數據領域擁有多年經驗，或是付出許多心血專注於同職能發展，筆者認為自己等級不足以給予建議。A+、B+類厲害在企業中有 20% 只有你們有能力解決，而 D 類有足夠能力全方位整合數據團隊的工作，都是業界不可多得的人才。
該怎麼做？
相信在職場上，身為資料科學家/分析師的你，即使有意願往資料工程的職能發展，通常企業無法讓你如願以償，因為專案接踵而來，很難讓你放下原職責從實務上「做中學」工程技術。怎麼辦呢？
最快的辦法就是「靠自己」，在此分享筆者如何利用下班時間實作，學習資料工程相關的技術。你可以透過 VM 自己架設虛擬電腦，為了練習 Linux 環境的部署，筆者安裝的是 Ubuntu，接著你可在虛擬電腦內練習架設 R 的環境、執行 Terminal Console 指令、創建腳本 (Script)、架設 API，一直到 R 專案的部署，甚至可架設多台虛擬電腦，練習部署專案於不同環境的流程。
另外，筆者回想在學校時所修過 R 的課程或是坊間書籍/教科書，都只專注在資料處理或演算法理論說明與實作，卻完全沒有部署相關的教學。所以，如果你還是在校學生，除了主動學習外，不妨建議老師將部署工具加入課程的學習內容，因部署工程在企業「非常重要」。
學習不同程式語言
另外，我也會建議讀者多學習不同程式語言，較推薦先學習 Python，因 Python 是業界目前最受歡迎的語言，與資料工程人才的合作上也會比 R 順利許多。實務上也不會所有問題都用一種語言解決，通常會各語言搭配使用，筆者目前在工作上是 R、Python 都使用 (偶爾還需用到 SAS)，團隊成員也幾乎是雙刀流 (R + Python) 的資料科學家/分析師。而且，R 和 Python 非常相似，網路也很多學習資源，對 R 使用者來說，學習 Python 不是難事。
二、若你是不懂 R 的資料工程師卻接到了 R 部署工作，也許你可以...
若你看過了系列文的第二篇，應該會知道其實 R 有許多套件或工具可實現部署的工作，跟其他語言也可有很好的整合。如果你已了解 R 有這些工具，又懶得花時間學 R，較快的方式就是與資料科學/分析團隊中的 R 使用者協同合作，由他配合你在工程領域的專業知識，應該不難在符合企業規範下實現 R 服務的部署。
順帶一提，你也可以參考【圖一】的職能定位，往 BC、AC 或 D 的「通才」方向發展，筆者見過工程背景轉往資料科學/商業分析發展後表現相當好的人才，他們能讓分析與工程界接的順暢程度大幅提升，是成熟的分析團隊中不可或缺的人才。
三、企業該如何因應？
延續 R 語言的部署困境為議題，由於專業背景的原因，相信企業中比較受到工程團隊青睞/熟悉的程式語言為 Python。所以，若分析團隊能以 Python 開發專案後，頂多是程式書寫的習慣常不符合工程團隊的期待之外，部署工程通常不會有太大的問題。
因此，曾聽過企業規定分析團隊只能用 Python 開發專案，甚至在招募員工時只招募 Python 資料科學家/分析師。當然，這是最簡單/省事的辦法，卻也因此限制了 R 語言資料科學家/分析師的發揮空間或錯失許多良才，畢竟他們擁有的資料科學及商業分析能力，能幫助企業解決商業問題，帶來許多數據業務推動的動能。
建議企業應將之視為廣泛性問題來思考，在一個專業多樣性高的團隊，不同專業或熟悉不同程式語言的人，在合作時應該都會面臨類似的問題，重要的是該如何透過協同合作達到整合，規範或限制應不會是最好的方法。
因此，回歸 R 語言的部署問題，若企業面臨此問題，筆者考量了方案的優缺點後，由優到劣順序如下：
- 找到懂 R 又懂工程的人 (但這種人才很難找)
- R 資料科學家/分析師與資料工程師協同合作
- 外包
選擇上述方案後，接著需設計 R 專案的「程式架構」，簡單來說，設計一份內含部署程式元素的「模板」讓開發人員遵循，使程式開發完後可無痛於企業部署。當然，各企業的情況應不盡相同，還是要以數據團隊的狀況思考最適合的方案。
結語
本系列文章到此算告一段落，希望讀者們在 R 部署的技術問題透過第二篇文章可以迎刃而解，也希望讀者們透過第一、三篇文章，試著由不同角度思考此問題後有所收穫。
最後，有任何問題歡迎不吝與我聯繫或留言，謝謝！
(喜歡我的文章來點掌聲吧！歡迎分享文章連結，轉貼內文請載明出處)
