Laut Studien von HeadHunter und Mail.ru übersteigt die Nachfrage nach Fachleuten im Bereich Data Science das Angebot, aber selbst so fällt es jungen Fachleuten nicht immer leicht, einen Job zu finden. Wir erklären, was Absolventen von Kursen fehlt und wo diejenigen lernen sollten, die eine große Karriere in Data Science planen.
„Sie kommen und denken, dass sie jetzt 500k pro Sekunde verdienen werden, nur weil sie die Namen von Frameworks kennen und wissen, wie man mit zwei Zeilen eine Modellierung startet“
Emil Magerramov leitet eine Gruppe von Rechenchemiediensten bei biocad und stellt in Vorstellungsgesprächen fest, dass die Kandidaten kein systematisches Verständnis des Berufs haben. Sie beenden die Kurse, kommen mit gut ausgeprägtem Python- und SQL-Wissen, können in 2 Sekunden Hadoop oder Spark hochfahren und Aufgaben nach klaren Vorgaben ausführen. Aber ein Schritt zur Seite — das geht schon nicht mehr. Dabei erwarten Arbeitgeber gerade von ihren Spezialisten im Bereich Data Science flexible Lösungen.
Was passiert auf dem Data-Science-Markt
Die Kompetenzen junger Fachkräfte spiegeln die Lage auf dem Arbeitsmarkt wider. Hier übersteigt die Nachfrage erheblich das Angebot, weshalb verzweifelte Arbeitgeber oft bereit sind, ganz unerfahrene Fachkräfte einzustellen und diese nach ihren Bedürfnissen zu entwickeln. Diese Option funktioniert jedoch nur, wenn im Team bereits ein erfahrener Teamleiter vorhanden ist, der die Ausbildung des Juniors übernehmen kann.
Laut einer Studie von HeadHunter und Mail.ru sind Datenanalysten eine der gefragtesten Berufe 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.
- Im Vergleich zum Jahr 2018 hat sich die Anzahl der Stellenangebote für Datenanalysten um das 1,4-fache erhöht, für maschinelles Lernen um das 1,3-fache.
- 38 % der offenen Stellen entfallen auf IT-Unternehmen, 29 % auf Finanzunternehmen und 9 % auf die Dienstleistungsbranche für Unternehmen.
Die Situation wird durch zahlreiche Online-Schulen angeheizt, die genau diese Juniors ausbilden. In der Regel dauert die Ausbildung zwischen drei und sechs Monaten, während der die Schüler auf einem grundlegenden Niveau die wichtigsten Werkzeuge erlernen: Python, SQL, Datenanalyse, Git und Linux. Am Ende kommt ein klassischer Junior heraus: Er kann eine spezifische Aufgabe lösen, hat aber noch nicht die Fähigkeit, das Problem zu verstehen und selbstständig eine Aufgabe zu formulieren. Dennoch führt die hohe Nachfrage nach Spezialisten und der Hype um den Beruf oft zu großen Ambitionen und Gehaltsforderungen.
Leider sieht das Vorstellungsgespräch im Bereich Data Science derzeit meist so aus: Der Kandidat erzählt, dass er versucht hat, ein paar Bibliotheken zu verwenden, kann aber auf Fragen, wie die Algorithmen genau arbeiten, keine Antworten geben, und fordert dann 200, 300, 400 Tausend Rubel im Monat netto.
Aufgrund der Vielzahl von Werbeslogans wie 'Jeder kann Datenanalyst werden', 'Lerne Machine Learning in drei Monaten und beginne, viel Geld zu verdienen' und der Gier nach schnellem Geld strömt eine riesige Menge oberflächlicher Kandidaten ohne systematische Vorbereitung in unser Feld.
Viktor Kantor
Chief Data Scientist bei MTS
Wen Arbeitgeber erwarten
Jeder Arbeitgeber wünscht sich, dass seine Juniors eigenständig arbeiten und sich unter der Anleitung eines Teamleiters entwickeln können. Dafür muss der Neue sofort die erforderlichen Werkzeuge beherrschen, um aktuelle Aufgaben zu lösen, und über eine ausreichende theoretische Basis verfügen, um schrittweise eigene Lösungen vorzuschlagen und komplexere Aufgaben anzugehen.
Die Vertrautheit mit den Werkzeugen ist bei den Newcomern auf dem Markt ziemlich gut. Kurzfristige Kurse ermöglichen es, diese schnell zu erlernen und mit der Arbeit zu beginnen.
Laut einer Untersuchung von HeadHunter und Mail.ru ist die am meisten nachgefragte Fähigkeit die Beherrschung von Python. Diese wird in 45 % der Stellenangebote für Datenanalysten und in 51 % der Stellenangebote im Bereich Machine Learning erwähnt.
Darüber hinaus wünschen Arbeitgeber, dass Datenanalysten SQL (23 %) kennen, Kenntnisse in Data Mining (19 %), in mathematischer Statistik (11 %) und in der Arbeit mit Big Data (10 %) haben.
Arbeitgeber, die nach Spezialisten für Machine Learning suchen, erwarten neben Kenntnissen in Python auch, dass der Kandidat mit C++ (18 %), SQL (15 %), Machine Learning-Algorithmen (13 %) und Linux (11 %) vertraut ist.
Aber wenn die Werkzeuge bei den Junioren in Ordnung sind, stehen ihre Vorgesetzten vor einem anderen Problem. Die meisten Absolventen der Kurse haben kein tiefes Verständnis des Berufs, weshalb es für Neueinsteiger schwierig ist, Fortschritte zu machen.
Ich suche gerade Spezialisten für maschinelles Lernen für mein Team. Dabei sehe ich, dass viele Kandidaten zwar einzelne Werkzeuge der Datenwissenschaft gelernt haben, aber nicht genügend tiefes theoretisches Verständnis besitzen, um neue Lösungen zu entwickeln.
Emil Magerramov
Leiter der Abteilung für rechnerische Chemie, Biocad
Die Struktur und Dauer der Kurse erlauben es oft nicht, das erforderliche Niveau zu erreichen. Absolventen fehlen häufig die wichtigen Soft Skills, die in Stellenanzeigen oft übersehen werden. Wer von uns würde schon sagen, dass er kein systematisches Denken oder keinen Wunsch zur Entwicklung hat? Allerdings spricht man im Bezug auf einen Datenwissenschaftler von einer noch tiefergehenden Thematik. Um sich weiterzuentwickeln, ist eine starke Ausrichtung auf Theorie und Wissenschaft erforderlich, die nur durch eine langwierige Ausbildung, zum Beispiel an einer Universität, möglich ist.
Vieles hängt von der Person ab: Wenn ein Teilnehmer mit einer soliden Grundlage in Mathematik und Programmierung einen dreimonatigen Intensivkurs von starken Dozenten mit Erfahrung als Teamleiter in führenden Unternehmen besucht, alle Kursmaterialien studiert und „wie ein Schwamm aufnimmt“, wie man in der Schule gesagt hat, 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 tun. Und das macht Masterprogramme in Datenanalyse zu einer hervorragenden Möglichkeit, ein solides Fundament an Wissen zu erwerben, mit dem man sich im Vorstellungsgespräch nicht schämen muss und die Arbeit deutlich einfacher wird.
Viktor Kantor
Chief Data Scientist bei MTS
Wo kann man lernen, um eine Stelle in der Datenwissenschaft zu finden?
Es gibt viele gute Kurse zu Data Science, und eine erste Ausbildung zu erhalten ist kein Problem. Aber es ist wichtig, die Ausrichtung dieser Ausbildung zu verstehen. Wenn ein Kandidat bereits einen starken technischen Hintergrund hat, sind intensive Kurse genau das Richtige. Die Person wird die Werkzeuge beherrschen, kommt ins Arbeitsleben und wird schnell eingearbeitet, weil sie bereits wie ein Mathematiker denken kann, Probleme sieht und Aufgaben formuliert. Wenn ein solcher Hintergrund nicht vorhanden ist, wird man nach dem Kurs ein guter Ausführender sein, aber mit begrenzten Möglichkeiten zum Wachsen.
Wenn Sie vor der kurzfristigen Aufgabe stehen, den Beruf zu wechseln oder in dieser Fachrichtung einen Job zu suchen, dann sind systematische Kurse, die kurz sind und schnell die grundlegenden technischen Fähigkeiten vermitteln, um für eine Einstiegsposition in diesem Bereich zu qualifizieren, ideal für Sie.
Ivan Jamshikov
Akademischer Direktor des Online-Masterstudiengangs "Data Science"
Das Problem der Kurse liegt darin, dass sie einen schnellen, aber minimalen Einstieg bieten. Man springt buchstäblich in den Beruf und erreicht schnell eine Grenze. Um lange in diesem Beruf zu bleiben, muss man von Anfang an eine solide Grundlage durch ein langfrisitges Programm, wie z.B. ein Masterstudium, legen.
Eine Hochschulausbildung ist geeignet, wenn man versteht, dass einem dieses Gebiet langfristig interessiert. Man strebt nicht danach, so schnell wie möglich ins Berufsleben einzutreten. Man möchte keinen Karriere-Stopp erleben und möchte auch nicht mit dem Mangel an Wissen, Fähigkeiten oder Verständnis der gesamten Ökosysteme konfrontiert werden, durch die innovative Produkte entstehen. Dafür ist eine Hochschulausbildung notwendig, die nicht nur die erforderlichen technischen Fähigkeiten vermittelt, sondern auch Ihr Denken strukturiert und ein gewisses Visionsbild Ihrer Karriere für die langfristige Perspektive aufbaut.
Ivan Jamshikov
Akademischer Direktor des Online-Masterstudiengangs "Data Science"
Das Fehlen einer Karrieredecke ist der Hauptvorteil eines Masterprogramms. Innerhalb von zwei Jahren erhält der Spezialist eine umfassende theoretische Basis. 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.
- Maschinelles Lernen. Datenvorverarbeitung. 2 Wochen.
- EDA. Explorative Datenanalyse. 3 Wochen.
- Wesentliche Algorithmen des maschinellen Lernens. Teil 1 + Teil 2 (6 Wochen)
Dabei kann man parallel praktische Erfahrungen im Job sammeln. Nichts hindert daran, sich auf eine Junior-Position zu bewerben, sobald der Student die notwendigen Werkzeuge erlernt hat. Im Gegensatz zu Absolventen von Kursen stoppt ein Master jedoch nicht seine Ausbildung, sondern vertieft sich weiterhin in das Berufsfeld. Dies ermöglicht es, sich in Data Science ohne Einschränkungen weiterzuentwickeln.
Auf der Website der Hochschule für Wissenschaft und Technologie "MISIS" finden für diejenigen, die im Bereich Data Science arbeiten möchten. Vertreter der NITU "MISIS", SkillFactory, HeadHunter, Facebook, Mail.ru Group und Yandex berichten über das Wichtigste:
- "Wie finde ich meinen Platz in der Data Science?"
- "Kann man von Grund auf Data Scientist werden?"
- "Wird der Bedarf an Data Scientists in 2-5 Jahren bestehen bleiben?"
- "An welchen Aufgaben arbeiten Data Science-Spezialisten?"
- "Wie baue ich eine Karriere in Data Science auf?"
Online-Studium, Diplom des staatlichen Bildungssystems. werden bis zum 10. August.
Quelle: habr.com
