Ifølge undersøgelser fra HeadHunter og Mail.ru overgår efterspørgslen efter specialister inden for Data Science udbuddet, men selv under sådanne omstændigheder har unge specialister ikke altid held til at finde arbejde. Vi fortæller, hvad der mangler for kandidaterne, og hvor man kan studere for dem, der planlægger en stor karriere inden for Data Science.
»De kommer ind og tror, at de nu vil tjene 500.000 på et sekund, fordi de kender navnene på rammerne og ved, hvordan man starter en model på to linjer«
Emil Magerramov leder en gruppe inden for beregningskemi i virksomheden biocad og møder i ansættelsessamtaler kandidater, der ikke har en systematisk forståelse af professionen. De afslutter kurser, kommer med stærke færdigheder i Python og SQL, kan på to sekunder oprette Hadoop eller Spark og udføre opgaver efter en fast TSK. Men straks at træde til siden – det kan de ikke. Netop den fleksibilitet i løsninger forventer arbejdsgiverne fra deres specialister inden for Data Science.
Hvad sker der på Data Science markedet
Kompetencerne hos unge specialister afspejler situationen på arbejdsmarkedet. Her overstiger efterspørgslen væsentligt udbuddet, derfor er fortvivlede arbejdsgivere ofte virkelig villige til at ansætte helt grønne specialister og udvikle dem til deres behov. Denne mulighed er effektiv, men er kun velegnet, hvis der allerede er en erfaren teamleder i gruppen, som kan tage sig af træningen af junioren.
Ifølge en undersøgelse fra HeadHunter og Mail.ru er dataanalytikere nogle af de mest eftertragtede på markedet:
- I 2019 steg antallet af stillinger inden for dataanalyse med 9,6 gange, og inden for maskinlæring – med 7,2 gange sammenlignet med 2015.
- Sammenlignet med 2018 er antallet af ledige stillinger for dataanalytikere steget med 1,4 gange, for maskinlæring – med 1,3 gange.
- 38% af de åbne stillinger tilhører IT-virksomheder, 29% til virksomheder i den finansielle sektor, 9% til forretningsservicetjenester.
Mange online skoler medvirker til situationen ved at forberede netop de juniorer, vi taler om. Som regel varer uddannelsen mellem tre og seks måneder, hvor eleverne i basale træk lærer de vigtigste værktøjer: Python, SQL, dataanalyse, Git og Linux. Resultatet bliver en klassisk junior: de kan løse en konkret opgave, men kan endnu ikke forstå problemet eller selv formulere opgaven. Det høje efterspørgsel på specialister og hypen omkring professionen skaber ofte høje ambitioner og lønkrav.
Desværre foregår Data Science-interviewet i øjeblikket typisk sådan: kandidaten fortæller, at de har prøvet at anvende et par biblioteker, men kan ikke svare på spørgsmål om, hvordan algoritmerne egentlig fungerer, og derefter beder de om 200.000, 300.000, 400.000 rubler om måneden.
På grund af det store antal reklameskilt som "enhver kan blive dataanalytiker", "lær maskinlæring på tre måneder og begynd at tjene masser af penge" og ønsket om hurtig profit, er der strømmet en kæmpe mængde overfladiske kandidater ind i vores område uden systematisk forberedelse.
Viktor Kantor
Chief Data Scientist hos MTS
Hvad arbejdsgivere forventer
Enhver arbejdsgiver ønsker, at deres juniorer kan arbejde uden konstant overvågning og kunne udvikle sig under ledelse af en teamleder. For dette skal nykommeren straks have de nødvendige værktøjer til at løse aktuelle opgaver og have en tilstrækkelig teoretisk baggrund til gradvist at kunne foreslå egne løsninger og tage fat på mere komplekse opgaver.
Markedsføringen på værktøjets side er god for nybegyndere. Kortvarige kurser giver mulighed for hurtigt at mestre dem og komme i gang med arbejdet.
Ifølge en undersøgelse fra HeadHunter og Mail.ru er den mest efterspurgte færdighed - kendskab til Python. Det nævnes i 45% af jobopslagene for dataanalyse og i 51% af jobopslagene inden for maskinlæring.
Arbejsgivere ønsker også, at dataanalytikere kender SQL (23%), har færdigheder i data mining (19%), matematik statistik (11%) og evner til at arbejde med big data (10%).
Arbejsgivere, der søger maskinlæringsspecialister, forventer, at kandidaten, udover kendskab til Python, også behersker C++ (18%), SQL (15%), maskinlæringsalgoritmer (13%) og Linux (11%).
Men hvis juniorernes værktøjer er i orden, står deres ledere over for et andet problem. De fleste nyuddannede har ikke en dyb forståelse af professionen, hvilket gør det svært for nybegyndere at udvikle sig.
Jeg leder lige nu efter specialister inden for maskinlæring til mit team. Jeg ser, at kandidater ofte har mestret enkelte værktøjer inden for Data Science, men de mangler en dybere teoretisk forståelse for at kunne skabe nye løsninger.
Emil Magerramov
Leder af servicegruppen for beregningskemi, Biocad
Selve strukturen og varigheden af kurserne tillader ikke at komme ind på det nødvendige niveau. Kandidater mangler ofte de såkaldte soft skills, som ofte overses ved læsningen af jobopslaget. Hvem blandt os vil sige, at de ikke har systemisk tænkning eller vilje til at udvikle sig? Men hvad angår Data Science-specialisten, er det en mere kompleks historie. For at udvikle sig kræves der en solid teoretisk og videnskabelig baggrund, hvilket kun er muligt gennem længerevarende uddannelse, f.eks. på universitetet.
Meget afhænger af personen: hvis en tre måneders intensiv kurser med dygtige undervisere med erfaring som teamledere i topfirmaer gennemføres af en deltager med en god base i matematik og programmering, der engagerer sig i alt kursusmaterialet og "optager som en svamp", som man sagde i skolen, så er der ingen problemer med sådan en medarbejder senere. Men 90-95% af folk skal for at forstå noget for altid lære ti gange mere og gøre det systematisk i flere år i træk. Og det gør kandidatprogrammer inden for dataanalyse til en fremragende mulighed for at få et godt vidensfundament, som man heller ikke behøver at skamme sig over til jobsamtaler, og arbejdet vil være meget lettere.
Viktor Kantor
Chief Data Scientist hos MTS
Hvor skal man studere for at finde arbejde inden for Data Science?
Der er mange gode kurser inden for Data Science, og det er ikke et problem at få en grundlæggende uddannelse. Men det er vigtigt at forstå retningen af denne uddannelse. Hvis kandidaten allerede har en stærk teknisk baggrund, så er intensive kurser lige hvad man har brug for. Personen vil mestre værktøjerne, komme ind i stillingen og hurtigt vænne sig til arbejdet, fordi han allerede ved, hvordan man tænker som en matematiker, ser problemer og formulerer opgaver. Hvis sådan en baggrund ikke er til stede, vil man efter kurset være en dygtig medarbejder, men med begrænsede muligheder for vækst.
Hvis du står over for en kortsigtet opgave om at skifte karriere eller finde arbejde inden for dette område, så vil nogen systematiske kurser, der er korte og hurtigt giver et minimalt sæt af tekniske færdigheder, være passende, så du kan ansøge om en indgangsposition i dette felt.
Ivan Yamshchikov
Akademisk direktør for online kandidatuddannelsen i "Data Science"
Problemet med kurserne er netop, at de giver en hurtig, men minimal opstart. Personen springer bogstaveligt talt ind i professionen og når hurtigt sin grænse. For at komme ind i professionen for længe, skal man fra begyndelsen lægge et godt fundament i form af et mere langsigtet program, f.eks. i en kandidatuddannelse.
En videregående uddannelse er passende, når du forstår, at dette område interesserer dig på lang sigt. Du ønsker ikke at komme ud på arbejdsmarkedet så hurtigt som muligt. Du ønsker heller ikke at være begrænset af en karrieregrænse og ønsker ikke at stå over for problemet med mangel på viden, færdigheder og manglende forståelse af det overordnede økosystem, der gør det muligt at udvikle innovative produkter. Til dette er der brug for en videregående uddannelse, som ikke kun danner det nødvendige sæt af tekniske færdigheder, men også strukturerer din tænkning anderledes og hjælper med at skabe en vis vision for din karriere på længere sigt.
Ivan Yamshchikov
Akademisk direktør for online kandidatuddannelsen i "Data Science"
Fraværet af en karrieregrænse er den vigtigste fordel ved kandidatprogrammet. På to år får specialisten et solidt teoretisk fundament. Sådan ser det første semester i Data Science-programmet ved NITU "MISIS" ud:
- Introduktion til Data Science. 2 uger.
- Grundlæggende dataanalyse. Dataforarbejdning. 2 uger.
- Maskinlæring. Forbehandling af data. 2 uger.
- EDA. Udforskende dataanalyse. 3 uger.
- Vigtigste algoritmer inden for maskinlæring. Del 1 + Del 2 (6 uger)
Samtidig kan man få praktisk erfaring på arbejdspladsen. Intet forhindrer en i at få en junior stilling, så snart studenten har mestret de nødvendige værktøjer. Men i modsætning til en kursusafslutter stopper en kandidat ikke sit læring her; han fortsætter med at dygtiggøre sig inden for professionen. Dette giver mulighed for at udvikle sig i Data Science uden begrænsninger i fremtiden.
På hjemmesiden for videns- og teknologiuniversitetet "MISIS" afholdes for dem, der ønsker at arbejde inden for Data Science. Repræsentanter fra NITU "MISIS", SkillFactory, HeadHunter, Facebook, Mail.ru Group og Yandex vil fortælle om det vigtigste:
- "Hvordan finder man sin plads i Data Science?"
- "Kan man blive data scientist fra bunden?"
- "Vil der være behov for data scientists om 2-5 år?"
- "Hvilke opgaver arbejder specialister inden for data science med?"
- "Hvordan bygger man en karriere i Data Science?"
Uddannelse online, diplom fra en statslig institution. modtages indtil 10. august.
Kilde: habr.com
