Dmitri Kazakov, Data Analytics Team Lead в Kolesa Group, делится инсайтами из первого казахстанского опроса специалистов по работе с данными.
A la foto: Dmitry Kazakov
Помните популярную фразу о том, что Big Data больше всего напоминает подростковый секс – все о нем говорят, но никто не знает, есть ли он на самом деле. То же самое можно было сказать и о рынке специалистов по работе с данными (в Казахстане) – хайп есть, а кто за ним стоит (и есть ли там вообще хоть кто-то), не было до конца понятно – ни эйчарам, ни менеджерам, ни самим дата-сайентистам.
Gastem , в рамках которого опросили более 300 специалистов об их зарплатах, функциях, скиллах, инструментах и много еще о чем.
Spoiler: Sí, segur que existeixen, però no tot és tan senzill.
Bona visió. En primer lloc, hi ha més científics de dades dels que esperàvem. Vam aconseguir entrevistar 300 persones, entre les quals no només hi havia analistes de producte, màrqueting i BI, sinó també enginyers de ML i DWH, cosa que va ser especialment agradable. El grup més gran incloïa tots els que es diuen científics de dades, això és el 36% dels enquestats. És difícil dir si això cobreix la demanda del mercat o no, perquè el mercat en si s'està formant.
Смущает распределение уровней должности – тимлидов и руководителей почти столько же, сколько джунов. Причин тому может быть несколько. Например, большое количество маленьких команд по 2-3 человека, в которых руководителем может быть специалист уровня миддла или сениора.
Un altre motiu pot ser el caos que impera actualment al mercat pel que fa als estàndards en la distribució de rols i funcionalitats. Els líders d'equip de vegades s'assignen a aquells que simplement treballen un any o dos més que altres, sense fer referència al nivell d'habilitats i coneixements. Ho veiem en la distribució de funcions per càrrec: el 38% dels directius i caps d'equip es dediquen al preprocessament i un altre 33% a l'anàlisi estadística bàsica.
Здесь мы попросили респондентов субъективно оценить уровень аналитики в их компаниях. Если присмотреться, можно увидеть, что 10% респондентов, которые работают в отделах аналитики из 2-3 человек, считают что у них “продвинутый уровень”.
Què és el "nivell avançat"? BI-система работает отлично. Есть DWH и Big Data. Регулярно проводятся A/B-тесты. Есть работающие системы ML и DS в production. Решения принимаются только по данным. Отдел работы с данными и Data Science – один из ключевых в компании.
Всего перечисленного практически невозможно добиться отделом из 2-3 человек. Считаю, что такой результат опроса – это небольшая болезнь роста – ребятам пока не с кем себя сравнивать, чтобы определить свой уровень более объективно.
Com era d'esperar, els científics de dades dediquen la major part del seu temps no a matemàtiques o enginyeria súper complexes, sinó a preprocessar, descarregar i netejar dades. En cada especialització veiem el preprocessament entre les 3 primeres. Però poques vegades veiem coses complexes com desenvolupar models ML o treballar amb Big Data entre els 3 primers, només entre els enginyers ML i DWH.
També hi ha un parell de visions tristes. Els experts estableixen ells mateixos el 40% de les seves tasques. Al Kazakhstan, fins ara només les principals empreses d'unicorns han provat els avantatges de treballar amb big data i han après a fer-ho de manera competent. Van transmetre al mercat que Big Data i Machine Learning són genials, i el segon esglaó els segueix, però no sempre entén com funciona el treball amb dades. Per tant, veiem que els especialistes es posen les tasques per si mateixos i les empreses no sempre saben què volen.
Удивило, что 20% специалистов вообще не знают, есть ли в их компании Data Warehouse. Да, и с системами управления базами данных не все так хорошо – 41% используют MySQL, а еще 34% – PostgreSQL. О чем это может говорить? Они работают скорее со small data.
В вопросе про системы хранения мы снова видим MySQL и даже (!) Excel. Но это может говорить, например, о том, что у большинства компаний просто-напросто еще нет запроса на работу с большими данными.
Здесь все снова неоднозначно. В целом зарплаты оказались чуть ниже, чем я ожидал.
Personalment, em costa imaginar un enginyer ML que estigui preparat per treballar per 200 mil tenge; probablement sigui un intern. O les competències d'aquests especialistes són molt febles, o encara és difícil per a les empreses avaluar adequadament el treball de Data Science. Però potser això també indica que el mercat encara es troba al començament de la seva maduració. I amb el temps, el nivell de sous s'establirà en un nivell més adequat.
Font: www.habr.com