Laut Studien von HeadHunter und Mail.ru übersteigt die Nachfrage nach Fachkräften im Bereich Data Science das Angebot, aber selbst so haben es junge Fachkräfte nicht immer leicht, einen Job zu finden. Wir erklären, was Absolventen von Kursen fehlt und wo man lernen kann, wenn man eine große Karriere im Bereich Data Science anstrebt.
„Sie kommen und denken, dass sie jetzt 500k pro Sekunde verdienen werden, weil sie die Namen von Frameworks kennen und wissen, wie man in zwei Zeilen ein Modell startet.“
Emil Mageramow leitet eine Gruppe für computergestützte Chemie bei der Firma biocad und sieht in Vorstellungsgesprächen, dass den Bewerbern das systematische Verständnis für den Beruf fehlt. Sie beenden die Kurse, kommen mit gut ausgeprägtem Python und SQL, können in zwei Sekunden Hadoop oder Spark hochfahren und eine Aufgabe nach einem klaren Lastenheft ausführen. Aber einen Schritt zur Seite – das geht schon nicht mehr. Dabei erwarten Arbeitgeber genau diese Flexibilität von ihren Fachkräften im Bereich Data Science.
Was passiert auf dem Markt für Data Science
Die Kompetenzen junger Fachkräfte spiegeln die Lage auf dem Arbeitsmarkt wider. Hier übersteigt die Nachfrage das Angebot erheblich, weshalb verzweifelte Arbeitgeber oft bereit sind, ganz unerfahrene Fachkräfte einzustellen und sie nach ihren Bedürfnissen auszubilden. Diese Option funktioniert, wenn es im Team bereits einen erfahrenen Teamleiter gibt, der die Ausbildung des Juniors übernimmt.
Laut einer Studie von HeadHunter und Mail.ru gehören Datenanalysten zu den gefragtesten Fachleuten auf dem Markt:
- Im Jahr 2019 gab es 9,6-mal mehr Stellenangebote im Bereich Datenanalyse und 7,2-mal mehr im Bereich maschinelles Lernen als im Jahr 2015.
- Verglichen mit 2018 stieg die Anzahl der Stellenangebote für Datenanalysten um das 1,4-Fache und für maschinelles Lernen um das 1,3-Fache.
- 38% der offenen Stellen entfallen auf IT-Unternehmen, 29% auf Unternehmen aus dem Finanzsektor und 9% auf Dienstleistungen für Unternehmen.
Die Situation wird durch zahlreiche Online-Schulen angeheizt, die genau diese Junioren ausbilden. Das Training dauert in der Regel drei bis sechs Monate, in denen die Schüler die Hauptwerkzeuge auf einem grundlegenden Niveau erlernen: Python, SQL, Datenanalyse, Git und Linux. Am Ende steht der klassische Junior: Er kann eine spezifische Aufgabe lösen, hat jedoch noch Schwierigkeiten, das Problem zu verstehen und die Aufgabe selbst zu formulieren. Der hohe Bedarf an Fachkräften und der Hype um den Beruf führen jedoch oft zu hohen Ambitionen und Gehaltsforderungen.
Leider läuft ein Vorstellungsgespräch im Bereich Data Science derzeit oft so ab: Der Bewerber erzählt, dass er ein paar Bibliotheken ausprobiert hat, kann jedoch nicht auf die Fragen beantworten, wie genau die Algorithmen funktionieren, und fragt dann nach 200, 300, 400 Tausend Rubel im Monat netto.
Aufgrund der Vielzahl von Werbeslogans wie "Jeder kann Datenanalyst werden", "Lerne maschinelles Lernen innerhalb von drei Monaten und fang an, viel Geld zu verdienen" und dem Drang nach schnellem Geld strömt eine riesige Zahl oberflächlicher Kandidaten ohne systematische Ausbildung in unser Feld.
Wiktor Kantor
Chief Data Scientist bei MTS
Wen erwarten Arbeitgeber?
Jeder Arbeitgeber wünscht sich, dass seine Junior-Mitarbeiter ohne ständige Kontrolle arbeiten können und sich unter der Anleitung von Teamleitern weiterentwickeln. Dafür sollte der Neue sofort die benötigten Werkzeuge beherrschen, um aktuelle Aufgaben zu lösen, und über eine ausreichende theoretische Basis verfügen, um schrittweise eigene Lösungen vorzuschlagen und komplexeren Aufgaben zu begegnen.
Die Verfügbarkeit von Werkzeugen für Neulinge auf dem Markt ist insgesamt recht gut. Kurzzeitkurse ermöglichen es, diese schnell zu erlernen und mit der Arbeit zu beginnen.
Laut einer Umfrage von HeadHunter und Mail.ru ist die gefragteste Fähigkeit die Beherrschung von Python. Sie wird in 45% der Stellenangebote für Datenanalysten und in 51% der Stellenangebote im Bereich des maschinellen Lernens erwähnt.
Arbeitgeber möchten außerdem, dass Datenanalysten SQL (23%) verstehen, Kenntnisse in Data Mining (19%), mathematischer Statistik (11%) und Fähigkeiten im Umgang mit großen Datenmengen (10%) haben.
Arbeitgeber, die nach Spezialisten im Bereich des maschinellen Lernens suchen, erwarten neben Kenntnissen in Python auch Fähigkeiten in C++ (18%), SQL (15%), Algorithmen für maschinelles Lernen (13%) und Linux (11%).
Wenn die Junior-Experten mit den Werkzeugen gut zurechtkommen, stehen ihre Vorgesetzten vor einem anderen Problem. Die meisten Absolventen von Kursen haben kein tiefes Verständnis des Berufs, was es neuen Mitarbeitern schwer macht, Fortschritte zu erzielen.
Ich suche derzeit Spezialisten für maschinelles Lernen für mein Team. Dabei stelle ich fest, dass viele Kandidaten zwar bestimmte Data-Science-Werkzeuge beherrschen, ihnen jedoch das tiefere Verständnis der theoretischen Grundlagen fehlt, um neue Lösungen zu entwickeln.
Emil Mageramow
Leiter der Abteilung für Rechenchemie, Biocad
Die Struktur und Dauer der Kurse ermöglichen es nicht, das erforderliche Niveau zu erreichen. Oft fehlt den Absolventen genau das, was wir als Soft Skills bezeichnen, die normalerweise in Stellenanzeigen übersehen werden. Ehrlich gesagt, wer von uns würde sagen, dass er kein systematisches Denken oder den Wunsch hat, sich weiterzuentwickeln? Im Kontext eines Data-Science-Spezialisten handelt es sich jedoch um eine tiefere Thematik. Um sich weiterzuentwickeln, ist ein starkes Fundament in Theorie und Wissenschaft erforderlich, das nur durch eine längere Ausbildung, zum Beispiel an einer Universität, möglich ist.
Viel hängt von der Person ab: Wenn ein Teilnehmer eines dreimonatigen Intensivkurses bei starken Lehrern mit Erfahrung als Teamleiter in Top-Unternehmen über eine gute Basis in Mathematik und Programmierung verfügt, sich mit allen Kursinhalten auseinandersetzt und "wie ein Schwamm aufsaugt", wie man in der Schule sagt, gibt es später keine Probleme mit diesem Mitarbeiter. Aber 90-95 % der Menschen müssen, um etwas dauerhaft zu lernen, zehnmal mehr lernen und das systematisch über mehrere Jahre hinweg tun. Das macht Masterprogramme in Datenanalyse zu einer hervorragenden Möglichkeit, ein solides Wissensfundament zu erlangen, mit dem man sich sowohl in Vorstellungsgesprächen nicht schämen muss als auch die Arbeit erheblich einfacher wird.
Wiktor Kantor
Chief Data Scientist bei MTS
Wo man lernen kann, um einen Job in Data Science zu finden
Es gibt viele gute Kurse zum Thema Data Science, und es ist nicht schwierig, eine Grundausbildung zu erhalten. Wichtig ist jedoch, die Ausrichtung dieser Ausbildung zu verstehen. Verfügt der Kandidat bereits über einen soliden technischen Hintergrund, sind intensive Kurse genau das Richtige. Eine Person wird die Werkzeuge beherrschen, schnell im Job Fuß fassen, weil sie bereits wie ein Mathematiker denkt, Probleme erkennt und Aufgaben formuliert. Fehlt dieser Hintergrund, wird man nach dem Kurs ein guter Ausführer sein, jedoch mit begrenzten Möglichkeiten zur Weiterentwicklung.
Wenn Sie vor der kurzfristigen Aufgabe stehen, die Berufung zu wechseln oder eine Stelle in diesem Bereich zu finden, dann sind für Sie systematische, kurze Kurse geeignet, die schnell einen minimalen Satz technischer Fähigkeiten vermitteln, damit Sie sich für eine Einstiegsposition in diesem Bereich qualifizieren können.
Ivan Jamshchikov
Akademischer Direktor des Online-Masterprogramms „Datenwissenschaft“
Das Problem mit Kursen liegt darin, dass sie schnelle, aber minimale Fortschritte bieten. Man springt förmlich in den Beruf und erreicht rasch eine Blockade. Um langfristig in der Profession zu bleiben, ist es nötig, von Anfang an eine solide Basis mit einem langfristigen Programm, wie zum Beispiel einem Masterstudium, zu legen.
Eine höhere Ausbildung ist sinnvoll, wenn Sie langfristig Interesse an diesem Bereich haben. Sie streben nicht danach, so schnell wie möglich in den Job einzusteigen, und möchten kein berufliches Limit erreichen. Zudem möchten Sie nicht mit Wissens- und Fähigkeitsmangel oder einem unzureichenden Verständnis für das Gesamtsystem konfrontiert werden, in dem innovative Produkte entwickelt werden. Dafür ist eine höhere Ausbildung notwendig, die nicht nur die erforderlichen technischen Fähigkeiten vermittelt, sondern auch Ihr Denken anders strukturiert und Ihnen hilft, eine langfristige Vision für Ihre Karriere zu entwickeln.
Ivan Jamshchikov
Akademischer Direktor des Online-Masterprogramms „Datenwissenschaft“
Das Fehlen eines beruflichen Limits ist der größte Vorteil eines Masterprogramms. In zwei Jahren erhält der Teilnehmer eine umfassende theoretische Grundlage. So sieht das erste Semester im Data Science Programm der NITU „MISIS“ aus:
- Einführung in Data Science. 2 Wochen.
- Grundlagen der Datenanalyse. Datenverarbeitung. 2 Wochen
- Maschinenlernen. Datenvorverarbeitung. 2 Wochen
- EDA. Explorative Datenanalyse. 3 Wochen
- Wichtige Algorithmen des Maschinenlernens. Teil 1 + Teil 2 (6 Wochen)
Dabei kann man parallel auch praktische Erfahrungen im Job sammeln. Nichts hindert daran, eine Junior-Position zu übernehmen, sobald der Student die erforderlichen Werkzeuge beherrscht. Im Gegensatz zu einem Absolventen der Kurse stoppt ein Master sein Lernen nicht, sondern vertieft sich weiter in den Beruf. Dies ermöglicht eine ungehinderte Entwicklung im Bereich Data Science in der Zukunft.
Auf der Website der Nationalen Wissenschafts- und Technologiestiftung "MISiS" finden für diejenigen, die im Bereich Data Science arbeiten möchten. Vertreter der NITU "MISiS", SkillFactory, HeadHunter, Facebook, Mail.ru Group und Yandex erzählen über das Wichtigste:
- "Wie finde ich meinen Platz in der Data Science?"
- "Kann man von Grund auf Data Scientist werden?"
- "Wird es in 2-5 Jahren weiterhin Bedarf an Data Scientists geben?"
- "An welchen Aufgaben arbeiten Data Science Spezialisten?"
- "Wie baue ich eine Karriere in der Data Science auf?"
Online-Lernen, staatlich anerkanntes Diplom. Anmeldungen bis 10. August.
Quelle: habr.com
