Según investigaciones de HeadHunter y Mail.ru, la demanda de especialistas en Data Science supera la oferta, pero incluso así, a los jóvenes profesionales no siempre les resulta fácil encontrar trabajo. Hablamos sobre lo que les falta a los graduados de los cursos y dónde estudiar aquellos que planean una gran carrera en Data Science.
«Vienen y piensan que ahora ganarán 500k en un segundo, porque saben los nombres de los frameworks y cómo lanzar un modelo en dos líneas»
Emil Maquerremov dirige un grupo de servicios de química computacional en la empresa biocad y en las entrevistas se enfrenta a que los candidatos no tienen una comprensión sistemática de la profesión. Terminan los cursos, vienen con un buen dominio de Python y SQL, pueden levantar Hadoop o Spark en 2 segundos, y realizar tareas según un Término de Referencia claro. Pero un paso al lado — ya no pueden. Sin embargo, precisamente esa flexibilidad en las soluciones es lo que los empleadores esperan de sus especialistas en Data Science.
Qué está pasando en el mercado de Data Science
Las competencias de los jóvenes profesionales reflejan la situación en el mercado laboral. Aquí la demanda supera significativamente a la oferta, por lo que los empleadores desesperados a menudo están realmente dispuestos a contratar a especialistas completamente inexpertos y formarlos según sus necesidades. Es una opción viable, pero solo si ya hay un team lead experimentado en el equipo, que se haga cargo de la formación del junior.
Según un estudio de HeadHunter y Mail.ru, los especialistas en análisis de datos son uno de los más demandados en el mercado:
- En 2019, el número de vacantes en el campo del análisis de datos aumentó 9,6 veces, y en el área de aprendizaje automático, en 7,2 veces, en comparación con 2015.
- En comparación con 2018, el número de vacantes para especialistas en análisis de datos aumentó 1,4 veces, mientras que en aprendizaje automático aumentó 1,3 veces.
- El 38% de las vacantes abiertas pertenecen a empresas de TI, el 29% a empresas del sector financiero, y el 9% al ámbito de servicios empresariales.
La situación es alimentada por numerosas escuelas en línea que preparan a los llamados juniors. Principalmente, la formación dura de tres a seis meses, durante los cuales los estudiantes logran dominar a nivel básico las principales herramientas: Python, SQL, análisis de datos, Git y Linux. Al final, se obtiene un clásico junior: puede resolver una tarea específica, pero aún no puede comprender el problema y formular la tarea de manera independiente. Sin embargo, la alta demanda de especialistas y el hype alrededor de la profesión a menudo generan altas ambiciones y expectativas salariales.
Desafortunadamente, la entrevista de Data Science suele verse así: el candidato dice que ha intentado utilizar un par de bibliotecas, no puede responder a las preguntas sobre cómo funcionan los algoritmos y luego solicita entre 200, 300 y 400 mil rublos al mes.
Debido a la gran cantidad de eslóganes publicitarios como 'cualquiera puede convertirse en analista de datos', 'domina el aprendizaje automático en tres meses y comienza a ganar mucho dinero', y la avidez por rápidas ganancias, ha llegado a nuestro campo una gran ola de candidatos superficiales totalmente sin preparación sistemática.
Víctor Kantor
Chief Data Scientist en MTS
Lo que buscan los empleadores
Cualquier empleador desearía que sus juniors trabajaran sin supervisión constante y pudieran desarrollarse bajo la dirección de un team lead. Para ello, el novato debe dominar de inmediato las herramientas necesarias para resolver las tareas actuales y tener una base teórica suficiente para proponer gradualmente sus propias soluciones y abordar tareas más complejas.
Los novatos en el mercado tienen una buena base en herramientas. Los cursos a corto plazo permiten dominarlas rápidamente y comenzar a trabajar.
Según un estudio de HeadHunter y Mail.ru, la habilidad más demandada es el dominio de Python. Se menciona en el 45% de las ofertas de empleo para especialistas en análisis de datos y en el 51% de las ofertas en el campo del aprendizaje automático.
Además, los empleadores esperan que los especialistas en análisis de datos conozcan SQL (23%), dominen el análisis de datos (Data Mining) (19%), la estadística matemática (11%) y sepan trabajar con grandes volúmenes de datos (10%).
Los empleadores que buscan especialistas en aprendizaje automático, además de conocimiento en Python, esperan que el candidato domine C++ (18%), SQL (15%), algoritmos de aprendizaje automático (13%) y Linux (11%).
Pero si los juniors manejan bien las herramientas, sus líderes se enfrentan a otro problema. La mayoría de los graduados de los cursos no tienen una comprensión profunda de la profesión, por lo que les resulta difícil progresar.
En este momento estoy buscando especialistas en aprendizaje automático para mi equipo. Al mismo tiempo, veo que a menudo los candidatos han dominado herramientas específicas de Data Science, pero carecen de una comprensión teórica suficiente para crear nuevas soluciones.
Emil Maquerremov
Líder del grupo de servicios de química computacional, Biocad
La propia estructura y duración de los cursos no permiten profundizar al nivel necesario. A menudo, los graduados carecen de esas soft skills que normalmente se pasan por alto al leer una oferta laboral. La verdad es que, ¿quién de nosotros dirá que no tiene pensamiento sistémico o deseo de desarrollarse? Sin embargo, en el caso de un especialista en Data Science, es una historia más profunda. Aquí, para desarrollarse, se necesita una inclinación bastante fuerte hacia la teoría y la ciencia, lo cual solo es posible con una formación prolongada, por ejemplo, en una universidad.
Mucho depende de la persona: si un oyente con una buena base en matemáticas y programación asiste a un intensivo de tres meses con excelentes profesores con experiencia como líderes de equipo en empresas top, y se sumerge en todo el material del curso y 'absorbe como esponja', como decíamos en la escuela, después no habrá problemas con ese empleado. Pero el 90-95% de las personas necesitan aprender diez veces más para asimilarlo de forma permanente y hacerlo sistemáticamente durante varios años. Y eso hace que los programas de maestría en análisis de datos sean una excelente opción para obtener una buena base de conocimientos, con la que no habrá que sonrojarse en una entrevista, y será mucho más fácil hacer el trabajo.
Víctor Kantor
Chief Data Scientist en MTS
¿Dónde estudiar para encontrar trabajo en Data Science?
En el mercado hay muchos buenos cursos de Data Science, y no es un problema obtener una educación inicial. Pero es importante entender la dirección de esta educación. Si un candidato ya tiene un sólido trasfondo técnico, entonces los cursos intensivos son lo que necesita. La persona dominará las herramientas, se integrará rápidamente en el puesto y se adaptará pronto, porque ya sabe pensar como un matemático, ver problemas y formular tareas. Si no hay tal trasfondo, después del curso habrá un buen ejecutor, pero con oportunidades limitadas para crecer.
Si se enfrenta a una tarea a corto plazo de cambio de profesión o búsqueda de trabajo en esta especialidad, entonces le convienen ciertos cursos sistemáticos, que son cortos y ofrecen rápidamente un conjunto mínimo de habilidades técnicas para que pueda aspirar a una posición inicial en este campo.
Ivan Yamshchikov
Director académico del máster online en «Ciencia de Datos»
El problema de los cursos es precisamente que ofrecen un impulso rápido, pero mínimo. La persona literalmente salta a la profesión y alcanza rápidamente un techo. Para entrar en la profesión a largo plazo, es necesario sentar una buena base mediante un programa más prolongado, por ejemplo, en un máster.
La educación superior es adecuada cuando comprende que este campo le interesa a largo plazo. No tiene prisa por conseguir un trabajo. Y no quiere tener un techo profesional, tampoco quiere enfrentarse al problema de la falta de conocimientos, habilidades, o de comprensión del ecosistema general a través del cual se desarrollan los productos innovadores. Para esto, se necesita precisamente una educación superior que no solo forme el conjunto de habilidades técnicas necesarias, sino que también estructure su pensamiento de una manera diferente y ayude a formar una visión de su carrera en un horizonte más a largo plazo.
Ivan Yamshchikov
Director académico del máster online en «Ciencia de Datos»
La ausencia de un techo profesional es la principal ventaja del programa de maestría. En dos años, el especialista adquiere una poderosa base teórica. Así es como se ve el primer semestre en el programa de Data Science de la Universidad Nacional de Tecnología de la Información, Misis:
- Introducción a Data Science. 2 semanas.
- Fundamentos del análisis de datos. Procesamiento de datos. 2 semanas.
- Aprendizaje automático. Preprocesamiento de datos. 2 semanas.
- EDA. Análisis exploratorio de datos. 3 semanas.
- Principales algoritmos de aprendizaje automático. Parte 1 + Parte 2 (6 semanas)
Al mismo tiempo, se puede obtener experiencia práctica en el trabajo. Nada impide conseguir un puesto de junior tan pronto como el estudiante domine las herramientas necesarias. Sin embargo, a diferencia de un graduado de un curso, un máster no detiene su formación aquí, sino que continúa profundizando en la profesión. En el futuro, esto permite crecer en Data Science sin limitaciones.
En el sitio web de la Universidad de Ciencia y Tecnología "MISIS" se llevan a cabo para quienes desean trabajar en Data Science. Representantes de NITU "MISIS", SkillFactory, HeadHunter, Facebook, Mail.ru Group y Yandex compartirán lo más importante:
- "¿Cómo encontrar su lugar en Data Science?"
- "¿Se puede convertirse en data scientist desde cero?"
- "¿Seguirá habiendo necesidad de data scientists en 2-5 años?"
- "¿En qué tareas trabajan los especialistas en data science?"
- "¿Cómo construir una carrera en Data Science?"
Educación en línea, diploma de educación estatal. se aceptan hasta 10 de agosto.
Fuente: habr.com
