Laut Untersuchungen von HeadHunter und Mail.ru übersteigt die Nachfrage nach Datenwissenschaftlern das Angebot, dennoch gelingt es jungen Fachkräften nicht immer, einen Job zu finden. Wir sagen Ihnen, was den Absolventen der Studiengänge fehlt und wo Sie studieren können, wenn Sie eine große Karriere im Bereich Data Science planen.
„Sie kommen und denken, dass sie jetzt 500 pro Sekunde verdienen werden, weil sie die Namen der Frameworks kennen und wissen, wie man daraus ein zweizeiliges Modell ausführt.“
Emil Maharramov leitet eine Gruppe von Computational-Chemie-Diensten bei Biocad und wird bei Vorstellungsgesprächen mit der Tatsache konfrontiert, dass Kandidaten kein systematisches Verständnis des Berufs haben. Sie absolvieren Kurse, verfügen über gut gepumptes Python und SQL, können Hadoop oder Spark in 2 Sekunden erstellen und die Aufgabe gemäß einem klaren TOR erledigen. Aber gleichzeitig ist ein Schritt zur Seite nicht mehr da. Dabei ist es die Flexibilität der Lösungen, die Arbeitgeber von ihren Spezialisten im Bereich Data Science erwarten.
Was passiert auf dem Data Science-Markt?
Die Kompetenzen junger Fachkräfte spiegeln die Situation auf dem Arbeitsmarkt wider. Hier übersteigt die Nachfrage das Angebot deutlich, sodass verzweifelte Arbeitgeber oft wirklich bereit sind, völlig umweltfreundliche Fachkräfte einzustellen und für sich selbst weiterzubilden. Die Option funktioniert, ist aber nur dann geeignet, wenn das Team bereits über einen erfahrenen Teamleiter verfügt, der die Ausbildung des Nachwuchses übernimmt.
Laut einer Studie von HeadHunter und Mail.ru gehören Datenwissenschaftler zu den gefragtesten auf dem Markt:
- Im Jahr 2019 gab es im Bereich Datenanalyse 9,6-mal mehr offene Stellen und im Bereich Maschinelles Lernen 7,2-mal mehr als im Jahr 2015.
- Im Vergleich zu 2018 ist die Zahl der offenen Stellen für Datenanalysespezialisten um das 1,4-fache und für maschinelles Lernen um das 1,3-fache gestiegen.
- 38 % der offenen Stellen entfallen auf IT-Unternehmen, 29 % auf Unternehmen aus dem Finanzsektor und 9 % auf Unternehmensdienstleistungen.
Die Situation wird durch zahlreiche Online-Schulen verschärft, die dieselben Junioren ausbilden. Grundsätzlich dauert die Ausbildung drei bis sechs Monate, in denen die Studierenden Zeit haben, die wichtigsten Tools auf einem grundlegenden Niveau zu beherrschen: Python, SQL, Datenanalyse, Git und Linux. Die Ausgabe ist ein klassischer Junior: Er kann ein bestimmtes Problem lösen, kann das Problem aber immer noch nicht verstehen und das Problem nicht selbstständig formulieren. Der hohe Bedarf an Fachkräften und der Hype um den Beruf führen jedoch häufig zu hohen Ambitionen und Gehaltsanforderungen.
Leider sieht ein Interview in Data Science heute normalerweise so aus: Der Kandidat sagt, dass er versucht hat, ein paar Bibliotheken zu nutzen, er kann Fragen zur Funktionsweise der Algorithmen nicht beantworten und verlangt dann 200, 300, 400 Rubel pro Monat in seinen Händen.
Aufgrund der großen Anzahl von Werbeslogans wie „Jeder kann Datenanalyst werden“, „Beherrsche maschinelles Lernen in drei Monaten und fange an, viel Geld zu verdienen“ und dem Durst nach schnellem Gewinn strömte ein riesiger Strom oberflächlicher Kandidaten in unser Fachgebiet, die keinerlei Systemschulung hatten.
Victor Kantor
Chefdatenwissenschaftler bei MTS
Wen suchen Arbeitgeber?
Jeder Arbeitgeber möchte, dass seine Nachwuchskräfte ohne ständige Aufsicht arbeiten und sich unter der Anleitung eines Teamleiters weiterentwickeln können. Dazu muss ein Anfänger sofort die notwendigen Werkzeuge zur Lösung aktueller Probleme beherrschen und über eine ausreichende theoretische Grundlage verfügen, um nach und nach eigene Lösungen anzubieten und komplexere Probleme anzugehen.
Mit Werkzeugen für Einsteiger auf dem Markt ist alles ganz gut. Kurzzeitkurse ermöglichen es Ihnen, diese schnell zu beherrschen und mit der Arbeit zu beginnen.
Laut einer Studie von HeadHunter und Mail.ru sind Kenntnisse in Python die gefragtesten Fähigkeiten. Es wird in 45 % der Jobs als Datenwissenschaftler und in 51 % der Jobs im Bereich maschinelles Lernen erwähnt.
Arbeitgeber möchten außerdem, dass Datenwissenschaftler SQL kennen (23 %), sich mit Data Mining (Data Mining) (19 %), mathematischer Statistik (11 %) auskennen und mit Big Data arbeiten können (10 %).
Arbeitgeber, die Spezialisten für maschinelles Lernen suchen, erwarten vom Kandidaten neben Python-Kenntnissen auch Kenntnisse in C++ (18 %), SQL (15 %), Algorithmen für maschinelles Lernen (13 %) und Linux (11 %).
Aber wenn die Junioren mit den Tools gut zurechtkommen, stehen ihre Führungskräfte vor einem anderen Problem. Die meisten Kursabsolventen verfügen nicht über tiefgreifende Kenntnisse des Berufs, so dass es für einen Anfänger schwierig ist, Fortschritte zu machen.
Ich bin derzeit auf der Suche nach Spezialisten für maschinelles Lernen zur Verstärkung meines Teams. Gleichzeitig beobachte ich, dass Kandidaten oft zwar einzelne Data-Science-Tools beherrschen, aber nicht über ein ausreichend tiefes Verständnis der theoretischen Grundlagen verfügen, um neue Lösungen zu entwickeln.
Emil Maharramov
Leiter der Computational Chemistry Services Group, Biocad
Aufgrund der Struktur und Dauer der Kurse können Sie nicht tief in das erforderliche Niveau vordringen. Absolventen mangelt es oft an den gleichen Soft Skills, die beim Lesen einer Stellenausschreibung normalerweise übersehen werden. Nun ja, wer von uns würde schon sagen, dass er kein systemisches Denken oder den Wunsch hat, sich weiterzuentwickeln? In Bezug auf einen Data Scientist sprechen wir jedoch über eine tiefere Geschichte. Hier bedarf es zur Weiterentwicklung einer recht ausgeprägten theoretischen und wissenschaftlichen Ausrichtung, die nur im Rahmen eines Langzeitstudiums, beispielsweise an einer Universität, möglich ist.
Viel hängt von der Person ab: Wenn ein Student mit guten Kenntnissen in Mathematik und Programmierung einen dreimonatigen Intensivkurs bei starken Lehrern mit Erfahrung als Teamleiter in Top-Unternehmen absolviert, sich in alle Kursmaterialien vertieft und „saugt wie ein Schwamm auf“, wie man in der Schule früher sagte, dann gibt es mit einem solchen Mitarbeiter keine Probleme. Aber 90-95 % der Menschen müssen, um etwas für immer zu lernen, zehnmal mehr lernen und dies mehrere Jahre hintereinander systematisch tun. Und das macht Masterstudiengänge in Datenanalyse zu einer großartigen Option, um eine gute Wissensgrundlage zu erwerben, mit der Sie beim Vorstellungsgespräch nicht rot werden müssen und die Ihnen die Arbeit deutlich erleichtert.
Victor Kantor
Chefdatenwissenschaftler bei MTS
Wo man studieren kann, um einen Job im Bereich Data Science zu finden
Es gibt viele gute Data-Science-Kurse auf dem Markt und eine Erstausbildung zu bekommen ist kein Problem. Es ist jedoch wichtig, die Richtung dieser Ausbildung zu verstehen. Wenn der Kandidat bereits über einen ausgeprägten technischen Hintergrund verfügt, sind Intensivkurse genau das Richtige für Sie. Eine Person wird die Werkzeuge beherrschen, an den Ort kommen und sich schnell daran gewöhnen, weil sie bereits weiß, wie man wie ein Mathematiker denkt, das Problem sieht und Probleme formuliert. Wenn kein solcher Hintergrund vorhanden ist, wird man nach dem Kurs einen guten Leistungsträger haben, allerdings mit begrenzten Wachstumschancen.
Wenn Sie das kurzfristige Ziel haben, den Beruf zu wechseln oder einen Job in diesem Fachgebiet zu finden, dann sind einige systematische Kurse für Sie geeignet, die kurz sind und schnell ein Mindestmaß an technischen Fähigkeiten vermitteln, damit Sie sich für eine Einstiegsposition in diesem Bereich qualifizieren können.
Iwan Jamschikow
Akademischer Leiter des Online-MSc in Data Science
Das Problem bei Kursen besteht darin, dass sie eine schnelle, aber minimale Übertaktung ermöglichen. Ein Mensch fliegt förmlich in den Beruf hinein und erreicht schnell die Obergrenze. Um langfristig in den Beruf einzusteigen, muss man sich sofort eine gute Grundlage in Form eines längerfristigen Studiums, zum Beispiel eines Masterstudiums, legen.
Eine Hochschulausbildung ist dann geeignet, wenn Sie verstehen, dass dieser Bereich für Sie langfristig von Interesse ist. Sie möchten nicht so schnell wie möglich zur Arbeit gehen. Und Sie möchten keine Karriereobergrenze haben, und Sie möchten auch nicht mit dem Problem mangelnder Kenntnisse, Fähigkeiten und mangelndem Verständnis für das allgemeine Ökosystem konfrontiert werden, in dem innovative Produkte entwickelt werden. Dies erfordert eine höhere Ausbildung, die nicht nur die notwendigen technischen Fähigkeiten vermittelt, sondern auch Ihr Denken auf andere Weise strukturiert und dabei hilft, eine langfristige Vision Ihrer Karriere zu entwickeln.
Iwan Jamschikow
Akademischer Leiter des Online-MSc in Data Science
Das Fehlen einer Karrieregrenze ist der Hauptvorteil des Masterstudiengangs. Innerhalb von zwei Jahren erhält der Spezialist eine fundierte theoretische Grundlage. So sieht das erste Semester des NUST MISIS Data Science-Programms aus:
- Einführung in die Datenwissenschaft. 2 Wochen.
- Grundlagen der Datenanalyse. Datenverarbeitung. 2 Wochen
- Maschinelles Lernen. Datenvorverarbeitung. 2 Wochen
- EDA. Analyse von Geheimdienstdaten. 3 Wochen
- Grundlegende Algorithmen für maschinelles Lernen. P1 + P2 (6 Wochen)
Gleichzeitig können Sie auch praktische Erfahrungen am Arbeitsplatz sammeln. Nichts hindert Sie daran, eine Juniorposition zu bekommen, wenn der Student erst einmal die notwendigen Werkzeuge beherrscht. Das heißt, im Gegensatz zu einem Absolventen von Studiengängen bricht der Meister seine Ausbildung hier nicht ab, sondern vertieft sich weiter in den Beruf. Dies ermöglicht Ihnen in Zukunft eine uneingeschränkte Weiterentwicklung im Bereich Data Science.
Auf der Website der Universität für Wissenschaft und Technologie „MISiS“ für diejenigen, die im Bereich Data Science arbeiten möchten. Vertreter von NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group und Yandex sprechen über das Wichtigste:
- Wie finden Sie Ihren Platz in Data Science?,
- „Ist es möglich, von Grund auf Datenwissenschaftler zu werden?“,
- „Wird es in 2–5 Jahren einen Bedarf an Datenwissenschaftlern geben?“,
- „An welchen Aufgaben arbeiten Datenwissenschaftler?“,
- „Wie baut man eine Karriere in der Datenwissenschaft auf?“
Online-Lernen, Diplom für öffentliche Bildung. akzeptiert bis 10 August.
Source: habr.com