„Ja, es gibt sie!“ Was machen Data-Science-Spezialisten in Kasachstan und wie viel verdienen sie?

Dmitry Kazakov, Leiter des Data Analytics-Teams bei der Kolesa Group, gibt Erkenntnisse aus der ersten kasachischen Umfrage unter Datenwissenschaftlern weiter.

Auf dem Foto: Dmitry Kazakov

Denken Sie an den beliebten Satz, dass Big Data am ehesten mit Teenager-Sex vergleichbar sei – alle reden darüber, aber niemand weiß, ob es das wirklich gibt. Dasselbe ließe sich über den Markt für Datenwissenschaftler (in Kasachstan) sagen – es herrscht ein Hype, aber wer dahinter steckt (und ob überhaupt jemand dahinter steckt), war nicht ganz klar – weder der Personalabteilung noch den Managern noch den Datenwissenschaftlern selbst.

Wir verbrachten Studie, in der über 300 Fachkräfte zu ihrem Gehalt, ihren Funktionen, Fähigkeiten, Werkzeugen und vielem mehr befragt wurden.

Spoiler: Ja, die gibt es definitiv, aber so eindeutig ist es nicht.

Eine erfreuliche Erkenntnis. Erstens gibt es mehr Datenwissenschaftler als wir erwartet hatten. Besonders erfreulich war, dass wir 300 Personen interviewen konnten, darunter nicht nur Produkt-, Marketing- und BI-Analysten, sondern auch ML- und DWH-Ingenieure. Die größte Gruppe umfasste alle, die sich selbst als Datenwissenschaftler bezeichnen – 36 % der Befragten. Ob dies der Marktnachfrage entspricht, lässt sich nur schwer sagen, da sich der Markt selbst gerade erst herausbildet.

Die Verteilung der Job-Level ist verwirrend – es gibt fast genauso viele Teamleiter und Manager wie Junioren. Dafür kann es mehrere Gründe geben. Beispielsweise eine große Anzahl kleiner Teams mit 2–3 Personen, in denen der Leiter ein Spezialist auf mittlerer oder höherer Ebene sein kann.

Ein weiterer Grund könnte das Chaos sein, das derzeit auf dem Markt hinsichtlich der Standards für die Rollen- und Funktionsverteilung herrscht. Manchmal werden Teamleiter aus den Reihen derjenigen ernannt, die einfach ein oder zwei Jahre länger arbeiten als andere, ohne Rücksicht auf ihr Qualifikations- oder Wissensniveau. Dies lässt sich an der Funktionsverteilung nach Positionen erkennen: 38 % der Manager und Teamleiter sind mit der Vorverarbeitung beschäftigt und weitere 33 % mit grundlegenden statistischen Analysen.

Hier haben wir die Befragten gebeten, den Grad der Analytik in ihrem Unternehmen subjektiv einzuschätzen. Bei genauerem Hinsehen fällt auf, dass 10 % der Befragten, die in Analytics-Abteilungen mit 2–3 Mitarbeitern arbeiten, sich selbst als „fortgeschritten“ einstufen.

Was bedeutet „fortgeschrittenes Niveau“? Das BI-System funktioniert hervorragend. Es gibt DWH und Big Data. Es werden regelmäßig A/B-Tests durchgeführt. Es gibt funktionierende ML- und DS-Systeme in der Produktion. Entscheidungen werden ausschließlich auf Grundlage von Daten getroffen. Die Data Science-Abteilung ist eine der Schlüsselabteilungen im Unternehmen.

Es ist praktisch unmöglich, all die oben genannten Ziele mit einer Abteilung von 2–3 Personen zu erreichen. Ich denke, dass dieses Umfrageergebnis eine kleine Anfangsschwierigkeit ist – die Jungs haben noch niemanden, mit dem sie sich vergleichen können, um ihr Niveau objektiver einzuschätzen.

Wie erwartet verbringen Datenwissenschaftler die meiste Zeit nicht mit hochkomplexer Mathematik oder Ingenieurswissenschaften, sondern mit der Vorverarbeitung, dem Entladen und der Bereinigung von Daten. In jeder Spezialisierung sehen wir die Vorverarbeitung in den Top 3. Aber wir sehen selten komplexe Dinge wie die Entwicklung von ML-Modellen oder die Arbeit mit Big Data in den Top 3 – nur unter ML- und DWH-Ingenieuren.

Es gibt auch ein paar traurige Erkenntnisse. 40 % der Aufgaben werden von den Fachkräften selbst gestellt. In Kasachstan haben bisher nur die Top-Einhorn-Unternehmen die Vorteile der Arbeit mit Big Data kennengelernt und gelernt, diese kompetent umzusetzen. Sie verbreiten auf dem Markt, dass Big Data und maschinelles Lernen cool sind, und die zweite Ebene zieht nach, versteht aber nicht immer, wie die Datenarbeit organisiert ist. Daher stellen wir fest, dass Spezialisten sich selbst Aufgaben stellen und Unternehmen nicht immer wissen, was sie wollen.

Ich war überrascht zu erfahren, dass 20 % der Fachkräfte nicht einmal wissen, ob ihr Unternehmen über ein Data Warehouse verfügt. Und mit den Systemen Datenbankverwaltung Nicht alles läuft so gut – 41 % nutzen MySQL und weitere 34 % PostgreSQL. Was bedeutet das? Sie arbeiten eher mit kleineren Datenmengen.

Bei der Frage nach Speichersystemen stoßen wir erneut auf MySQL und sogar (!) Excel. Dies könnte aber beispielsweise darauf hindeuten, dass in den meisten Unternehmen schlicht noch kein Bedarf für die Arbeit mit Big Data besteht.

Auch hier ist alles zweideutig. Insgesamt fielen die Gehälter etwas niedriger aus als erwartet.

Persönlich kann ich mir nur schwer einen ML-Ingenieur vorstellen, der bereit ist, für 200 Tenge zu arbeiten – wahrscheinlich ist er ein Praktikant. Entweder sind die Kompetenzen solcher Spezialisten sehr schwach ausgeprägt oder es fällt Unternehmen immer noch schwer, die Arbeit der Data Science angemessen zu bewerten. Aber vielleicht deutet dies auch darauf hin, dass sich der Markt noch in einem frühen Reifestadium befindet. Und mit der Zeit wird sich das Lohnniveau auf einem angemesseneren Niveau einpendeln.

Source: habr.com