Skip to main content
Career公司消息

實習心得分享 – Project Management Intern (一)

By 2023年4月27日4 5 月, 2023No Comments

白日明 Jeffery Bai

國立台灣大學
工商管理學系 四年級

個人背景介紹

我是台大工商管理學系應屆的畢業生,在大四下學期進到 MoBagel 實習。
我對於資料分析和機器學習很有興趣,是一個典型的管院轉碼生(近幾年似乎越來越常見 哈),我從大三開始慢慢轉換跑道、累積資料分析相關的經歷和技術底子。過去有在新創做過資料分析實習、在台大數據分析與決策社(NTUDAC)有過數據建模的專案經歷外、也從學校各種資管、電資學院的課程中建立資料處理應用和機器學習算法的技術觀念和能力。
(當時我的能力大概就是修過李宏毅的 ML 課、能理解並自己寫 Python 實作一些 ML Pipeline 的處理而已,提供參考)
結合自己本身商管背景和在台大管顧社(NTUCC)學的一些方法論,希望能奠基在原本商業應用的命題上,更進一步往資料科學演算法去發展求職

前言

在 MoBagel 實習十個月的時間,前半年在 ESG for Supply Chain Management 部門下擔任數位轉型顧問的實習生,協助商務專案的洽談管理,後來四個月藉由內轉到 Data Science 部門擔任資料科學實習生,直接碰觸技術累積開發技能。分別站在商業與技術開發的角度深入認識公司營運與產業生態,一方面讓我更清楚目前機器學習在商業應用的發展定位,也更釐清自己的職涯方向
我希望能在這篇文章中分享自己實習期間換位思考的過程、職位的工作內容,還有在這裡的成長和感想~

為什麼選擇 MoBagel?

當初選擇 MoBagel 主要基於幾個原因:

產品價值主張 — ML as a Service

在自已的職涯探索過程中,我隱約觀察到台灣的資料科學生態圈不如美國那般、在應用端已經有完善的基礎建設和應用資料的觀念,反而在產業鍊上還在很雛形的階段,「資料科學家 Data Scientist」在台灣是一個相當模糊的職稱,不同公司可能涵蓋多種完全不同的技能包。我對資料科學家的想像越是不清楚、就越難定位自己的成長曲線和未來發展。

在這個階段,我在一堂 NTUDAC 的線上企業參訪第一次聽到 MoBagel 和他們提出「自動化機器學習 AutoML 」的新穎想法。MoBagel 本身是一家做 AutoML 的軟體原廠新創,很概念化的將「資料科學家的工作流程」產品化,在我眼裡這簡直神到不行!!!「我連資料科學家在幹嘛都不確定,為什麼有辦法系統化成統一的流程?」 「資料科學家在企業中的商業價值到底是什麼?」 「難道未來資料科學家會被取代?」在這間主打自動化機器學習產品的公司中,卻擁有一群資料科學團隊,那這個團隊裡的人,對這些問題應該會有所解答吧!

抱持著這一大堆的疑問和想法,我認為 MoBagel 獨特的商業模式能夠給我更宏觀的視角去探索資料科學的商業應用生態圈。

新創文化 — SOLVE

基於自己上份也在新創實習的經驗,我覺得一般對於新創的既定印象(比如開放自由、自主權高、任務內容廣泛等)都很符合我的個性和學習方式,尤其在尋找資源這一塊,從商管轉跑道去弄 Data 的人應該都有很多尋找學習資源的經驗,因為系上的學科給不了你需要的技術能力。

除了比較共同認知的新創氣息 ,MoBagel 的官網上還有特別公告他們的企業文化:SOLVE,分別代表 Share、Open、Lead、Vision、Engage,對於各個元素也都有相對明確的說明文字。其中 Share (分享)是最吸引我的一項,「S for Share:願意分享資訊、知識、想法及感受」,我覺得分享是一種快速學習的方式,彼此之間教學相長的風氣也象徵這家公司中是整體共榮,以實習生的立場也能夠得到更多資源和幫助。

辦公室看起來蠻漂亮的

面試的時候沒有說,但真的還蠻喜歡的哈哈哈

為什麼選擇專案管理實習生?

公司中幾個事業單位底下都有 AI Success Consultant 數位轉型顧問,因為在商務洽談過程中常常會先以 PoC (Proof of Concept)專案形式執行,因此內部也會俗稱為 PjM (Project Manager)。

站在我的身份和觀點考量,我認為對於認識資料科學產業實務應用、自身的背景經歷,以及定位自己在光譜上的位置來說,比起直接申請 DS 實習生, PjM 是一個擁有最好視野的位置。

從商業分析的角度來看,資料科學終歸來說也僅是一種方法論,而在學習方法本身之前,需要具備適合的命題和瞭解他實際的應用價值。

申請 PjM Intern 的動機

  • 從產業需求方面:能夠透過不同事業單位下的專案概覽企業端對於資料科學 / 機器學習的需求命題,清楚認識目前在各大產業(金融、製造、零售、供應鏈等)在乎的商業應用層面,也能概略知道當前資料科學家在企業中受到重視的程度和定位
  • 從 ML 技術方面:以既有的需求為基礎,將商業問題用量化建模的方式提出解決方案,一方面在資料集初步的檢查和處理上能夠練習資料清洗的程式操作,另一方面在溝通過程中能夠累積自己對於特殊命題的認識(例如供應鏈相關的領域知識),甚至藉由既有的成功經驗、反過來提供客戶 ML 相關的顧問服務,幫助他們定義需求
  • 從專案管理方面:PoC 可以說是數位產品廠商常見的合作模式,透過短期的試驗專案來驗證成效。這種輕量的合作模式能夠讓我快速接觸不同的案子,在第三方雲端服務崛起的時代中,體驗到產品推行和落地的過程

數據分析/資料科學是在技術、產業、分析能力這三個端點展開的光譜,在不同的落點上有著完全不同的職位和對應的能力。選擇 PjM 最大的原因就是希望藉由這個好視野,慢慢釐清自己嚮往發展的定位。後來申請內轉到 DS team 也是基於工作過程的感受,希望能夠深一步學習往技術去鑽研。

來源出處:台大資料分析社某次社課後的資料分享

專案實習生工作內容與生活日常

在 ESG for Supply Chain Management 部門下推動各項專案,半年的期間我完成了:

  • 支援協作 4 家國際企業和 2 家本土企業的專案執行
  • 完成 10 份 AI 數據驅動解決方案企劃、1 份資料健檢報告
  • 企劃並執行 1 項數據分析專案,內容涵蓋資料搜集處理、專家訪談、商業分析
  • 相關產品研究、簡報修訂、和各項會議統整記錄和文件

關於 PjM 的工作性質和細節,我的同袍戰友 Weber 寫了更詳細的描述,連結放在這邊,就不多做贅述了。

其實 PjM 的工作日常就是「開會、開會、再開會!」要抓緊零碎的時間去思考和準備會議文件,同步所有資訊並且給予客戶和內部團隊更明確地時程和執行方向,而實習生因為沒有權限獨立負責專案,因此會以助理的角色工作、學習。

從實習生的角度來看,我認為這項工作適合「觀察力好、自主性高且勇於表達想法的人」。 在繁忙的會議之間,其實並不存在明確可以遵循的準則,也因此很難會有指導和系統性的學習,我認為商務端上的眉角都發生在會議的細節中,像是如何定調會議的目標、如何在正確時機提問取得關鍵資訊、如何達成共識推行解決方案、處理客戶的疑難雜症,這些學習都取決於自己的洞察和理解力;而新創給予的自主空間和資源,更需要自己去規劃並爭取、適時表達意見想法才能夠取得良好的回饋,主管不會直接指示你要做什麼,而是反過來問你覺得怎麼做比較好,透過討論互動的過程得到收穫和成長。

PjM 的同事們雖然常常不在位子上(因為都在開會)但各個都是嗨咖,好玩又好笑

PjM 合照缺二(註:大家喝完酒後才不是這麼靦腆 哈哈哈)

結束半年的專案管理實習生旅程後,Jeffery 轉至資料科學部門進一步學習演算法的開發,附上下一篇心得的傳送門

Leave a Reply

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 Akismet 如何處理網站訪客的留言資料