По исследованиям HeadHunter и Mail.ru спрос на специалистов в области Data Science превышает предложение, но даже так молодым специалистам не всегда удается найти работу. Рассказываем, чего не хватает выпускникам курсов и где учиться тем, кто планирует большую карьеру в Data Science.
«Они приходят и думают, что сейчас будут зарабатывать 500к в секунду, потому что знают названия фреймворков и как из них запустить модель в две строчки»
Эмиль Магеррамов руководит группой сервисов вычислительной химии в компании biocad и на собеседованиях сталкивается с тем, что у кандидатов нет системного понимания профессии. Они заканчивают курсы, приходят с хорошо прокачанными Python и SQL, могут за 2 секунды поднять Hadoop или Spark, выполнить задачу по четкому ТЗ. Но при этом шаг в сторону — уже нет. Хотя именно гибкости решений работодатели ждут от своих специалистов в области Data Science.
Что происходит на рынке Data Science
Компетенции молодых специалистов отражают положение на рынке труда. Здесь спрос существенно превышает предложение, поэтому отчаявшиеся работодатели часто действительно готовы брать на работу совсем зеленых специалистов и доращивать их под себя. Вариант рабочий, но подходит лишь в том случае, если в команде уже есть опытный тимлид, который возьмет на себя обучение джуниора.
По исследованию HeadHunter и Mail.ru, специалисты по анализу данных — одни из самых востребованных на рынке:
- В 2019 году вакансий в области анализа данных стало больше в 9,6 раза, а в области машинного обучения – в 7,2 раза, чем в 2015 году.
- По сравнению с 2018 годом количество вакансий специалистов по анализу данных увеличилось в 1,4 раза, по машинному обучению – в 1,3 раза.
- 38% открытых вакансий приходится на ИТ-компании, 29% — компании из финансового сектора, 9% — сфера услуг для бизнеса.
Ситуацию подогревают многочисленные онлайн-школы, которые готовят тех самых джуниоров. В основном обучение идет от трех до шести месяцев, за которые ученики успевают на базовом уровне освоить главные инструменты: Python, SQL, анализ данных, Git и Linux. На выходе получается классический джуниор: может решить конкретную задачу, а понять проблему и самостоятельно сформулировать задачу еще не может. Однако высокий спрос на специалистов и хайп вокруг профессии часто рождает высокие амбиции и требования к зарплате.
К сожалению, собеседование по Data Science сейчас обычно выглядит так: кандидат рассказывает, что попробовал применять пару-тройку библиотек, на вопросы о том, как именно работают алгоритмы, ответить не может, затем просит 200, 300, 400 тысяч рублей в месяц на руки.
Из-за большого количества рекламных лозунгов вроде «стать аналитиком данных может каждый», «освой машинное обучение за три месяца и начни получать кучу денег» и жажды быстрой наживы, в нашу область хлынул огромный поток поверхностных кандидатов совершенно без системной подготовки.
Виктор Кантор
Chief Data Scientist в МТС
Кого ждут работодатели
Любой работодатель хотел бы, чтобы его джуниоры работали без постоянного контроля и могли развиваться под руководством тимлида. Для этого новичок должен сразу владеть нужными инструментами, чтобы решать текущие задачи, и обладать достаточной теоретической базой, чтобы постепенно предлагать собственные решения и подступаться к более сложным задачам.
С инструментами у новичков на рынке все достаточно хорошо. Краткосрочные курсы позволяют быстро освоить их и приступить к работе.
По исследованию HeadHunter и Mail.ru, самый востребованный навык — владение Python. Оно упоминается в 45% вакансий специалистов по анализу данных и в 51% вакансий в области машинного обучения.
Также работодатели хотят, чтобы специалисты по анализу данных знали SQL (23%), владели интеллектуальным анализом данных (DataMining) (19%), математической статистикой (11%) и умели работать с большими данными (10%).
Работодатели, которые ищут специалистов по машинному обучению, наряду со знанием Python ожидают, что кандидат будет владеть C++ (18%), SQL (15%), алгоритмами машинного обучения (13%) и Linux (11%).
Но если с инструментами у джуниоров все хорошо, то дальше их руководители сталкиваются с другой проблемой. У большинства выпускников курсов нет глубокого понимания профессии, поэтому новичку сложно прогрессировать.
Я сейчас ищу специалистов по машинному обучению себе в команду. При этом вижу, что зачастую кандидаты освоили отдельные инструменты Data Science, но у них недостаточно глубокое понимание теоретических основ, чтобы создавать новые решения.
Эмиль Магеррамов
Руководитель группы сервисов вычислительной химии, Biocad
Сама структура и продолжительность курсов не позволяет углубиться на необходимый уровень. Выпускникам зачастую не хватает тех самых soft skills, которые обычно пропускаются при чтении вакансии. Ну правда, кто из нас скажет, что у него нет системного мышления или желания развиваться. Однако применительно к специалисту Data Science речь о более глубокой истории. Здесь, чтобы развиваться, нужен достаточно сильный уклон в теорию и науку, который возможен только на продолжительном обучении, например, в университете.
Многое зависит от человека: если трехмесячный интенсив от сильных преподавателей с опытом тимлидов в топовых компаниях проходит слушатель с хорошей базой в математике и программировании, вникает во все материалы курса и «впитывает как губка», как говорили в школе, то проблем с таким сотрудником потом нет. Но 90-95% людей, чтобы что-то усвоить навсегда, нужно выучить в десять раз больше и делать это систематично несколько лет подряд. И это делает магистерские программы по анализу данных великолепным вариантом получить хороший фундамент знаний, с которым и на собеседовании не придется краснеть, и работу делать будет сильно проще.
Виктор Кантор
Chief Data Scientist в МТС
Где учиться, чтобы найти работу в Data Science
На рынке много хороших курсов по Data Science и получить первоначальное образование не проблема. Но важно понимать направленность этого образования. Если у кандидата уже есть мощный технический бэкграунд, то интенсивные курсы — то что надо. Человек освоит инструменты, придет на место и быстро вработается, потому что уже умеет думать как математик, видеть проблему и формулировать задачи. Если такого бэкграунда нет, то после курса будет хороший исполнитель, но с ограниченными возможностями для роста.
Если перед вами стоит краткосрочная задача смены профессии или поиска работы в этой специальности, то тогда вам подходят какие-то систематические курсы, которые короткие и быстро дают минимальный набор технических навыков, чтобы вы смогли претендовать на начальную позицию в этой области.
Иван Ямщиков
Академический директор онлайн-магистратуры «Наука о данных»
Проблема курсов именно в том, что они дают быстрый, но минимальный разгон. Человек буквально влетает в профессию и быстро достигает потолка. Чтобы прийти в профессию надолго, нужно сразу заложить хорошую основу в виде более долгосрочной программы, например, в магистратуре.
Высшее образование подходит, когда вы понимаете, что эта область интересна вам долгосрочно. Вы не стремитесь выйти на работу как можно скорее. И не хотите, чтобы у вас был карьерный потолок, также не хотите столкнуться с проблемой недостатка знаний, навыков, недостатка понимания общей экосистемы, с помощью которой развиваются инновационные продукты. Для этого нужно именно высшее образование, которое формирует не только необходимый набор технических навыков, но и структурирует по-другому ваше мышление и помогает сформировать некоторое видение вашей карьеры на более долгосрочную перспективу.
Иван Ямщиков
Академический директор онлайн-магистратуры «Наука о данных»
Отсутствие карьерного потолка — главное преимущество магистерской программы. За два года специалист получает мощную теоретическую базу. Вот так выглядит уже первый семестр в программе Data Science НИТУ «МИСиС»:
- Введение в Data Science. 2 недели.
- Основы анализа данных. Обработка данных. 2 недели
- Машинное обучение. Предобработка данных. 2 недели
- EDA. Разведывательный анализ данных. 3 недели
- Основные алгоритмы машинного обучения. Ч1 + Ч2 (6 недель)
При этом можно параллельно получать и практический опыт на работе. Ничто не мешает устроиться на позицию джуниора, как только студент освоит нужные инструменты. Вот только, в отличие от выпускника курсов, магистр не останавливает на этом свое обучение, а продолжает углубляться в профессию. В будущем это позволяет развиваться в Data Science без ограничений.
На сайте университета науки и технологий «МИСиС» проходят для тех, кто хочет работать в Data Science. Представители НИТУ «МИСиС», SkillFactory, HeadHunter, Facebook, Mail.ru Group и Яндекс, рассказываю про самое важное:
- «Как найти свое место в Data Science?»,
- «Можно ли стать data scientist с нуля?»,
- «Сохранится ли необходимость в data scientist-ах через 2-5 лет?»,
- «Над какими задачами работают специалисты data science?»,
- «Как построить карьеру в Data Science?»
Обучение онлайн, диплом государственного образования. принимаются до 10 августа.
Источник: habr.com