Selon une étude de HeadHunter et Mail.ru, la demande de spécialistes dans le domaine de la science des données dépasse l'offre, mais malgré cela, les jeunes spécialistes ne parviennent pas toujours à trouver du travail. Nous vous expliquons quels cours manquent aux diplômés et où étudier pour ceux qui envisagent une grande carrière dans la science des données.
"Ils viennent et pensent que maintenant ils gagneront 500 XNUMX par seconde, car ils connaissent les noms des frameworks et comment exécuter un modèle à partir d'eux en deux lignes"
Émile Maharramov il dirige un groupe de services de chimie computationnelle chez biocad et lors des entretiens il est confronté au fait que les candidats n'ont pas une compréhension systématique du métier. Ils suivent des cours, sont livrés avec Python et SQL bien formés, peuvent installer Hadoop ou Spark en 2 secondes et accomplir une tâche selon une spécification claire. Mais en même temps, il n’y a plus de pas de côté. Bien que ce soit la flexibilité des solutions que les employeurs attendent de leurs spécialistes en science des données.
Que se passe-t-il sur le marché de la science des données
Les compétences des jeunes spécialistes reflètent la situation du marché du travail. Ici, la demande dépasse largement l'offre, de sorte que les employeurs désespérés sont souvent vraiment prêts à embaucher des spécialistes entièrement verts et à les former eux-mêmes. L'option fonctionne, mais ne convient que si l'équipe dispose déjà d'un chef d'équipe expérimenté qui prendra en charge la formation du junior.
Selon une étude de HeadHunter et Mail.ru, les spécialistes de l'analyse de données sont parmi les plus demandés du marché :
- En 2019, il y avait 9,6 fois plus de postes vacants dans le domaine de l'analyse des données et 7,2 fois plus dans le domaine de l'apprentissage automatique qu'en 2015.
- Par rapport à 2018, le nombre de postes vacants pour les spécialistes de l'analyse de données a augmenté de 1,4 fois et pour les spécialistes de l'apprentissage automatique de 1,3 fois.
- 38 % des postes vacants concernent des entreprises informatiques, 29 % des entreprises du secteur financier et 9 % des services aux entreprises.
La situation est alimentée par les nombreuses écoles en ligne qui forment ces mêmes juniors. En gros, la formation dure de trois à six mois, durant lesquels les étudiants parviennent à maîtriser les principaux outils à un niveau basique : Python, SQL, analyse de données, Git et Linux. Le résultat est un junior classique : il peut résoudre un problème spécifique, mais ne peut toujours pas comprendre le problème et formuler le problème par lui-même. Cependant, la forte demande de spécialistes et le battage médiatique autour de la profession donnent souvent lieu à des ambitions et à des exigences salariales élevées.
Malheureusement, les entretiens en science des données ressemblent désormais généralement à ceci : le candidat dit qu'il a essayé d'utiliser quelques bibliothèques, qu'il ne peut pas répondre aux questions sur le fonctionnement exact des algorithmes, puis demande 200, 300, 400 XNUMX roubles par mois en main.
En raison du grand nombre de slogans publicitaires tels que « n'importe qui peut devenir analyste de données », « maîtrisez l'apprentissage automatique en trois mois et commencez à gagner beaucoup d'argent » et la soif d'argent rapide, un énorme flux de candidats superficiels a afflué dans notre domaine sans aucune formation systématique.
Victor Kantor
Scientifique en chef des données chez MTS
Qui attendent les employeurs ?
Tout employeur souhaite que ses juniors travaillent sans supervision constante et puissent se développer sous la direction d'un chef d'équipe. Pour ce faire, un débutant doit posséder immédiatement les outils nécessaires pour résoudre les problèmes actuels, et avoir une base théorique suffisante pour proposer progressivement ses propres solutions et aborder des problèmes plus complexes.
Les nouveaux venus sur le marché s’en sortent plutôt bien avec leurs outils. Les cours de courte durée permettent de les maîtriser rapidement et de se mettre au travail.
Selon les recherches de HeadHunter et Mail.ru, la compétence la plus demandée est Python. Il est mentionné dans 45 % des postes vacants de data scientist et 51 % des postes vacants en machine learning.
Les employeurs souhaitent également que les analystes de données connaissent SQL (23 %), l'exploration de données (19 %), les statistiques mathématiques (11 %) et soient capables de travailler avec le Big Data (10 %).
Les employeurs à la recherche de spécialistes de l'apprentissage automatique s'attendent à ce qu'un candidat maîtrise C++ (18 %), SQL (15 %), les algorithmes d'apprentissage automatique (13 %) et Linux (11 %) en plus d'une connaissance de Python.
Mais si les juniors maîtrisent bien les outils, alors leurs managers sont confrontés à un autre problème. La plupart des diplômés du cours n’ont pas une compréhension approfondie du métier, ce qui rend difficile la progression d’un débutant.
Je suis actuellement à la recherche de spécialistes en apprentissage automatique pour rejoindre mon équipe. En parallèle, je constate que les candidats maîtrisent souvent certains outils de Data Science, mais qu’ils n’ont pas une compréhension suffisamment approfondie des fondements théoriques pour créer de nouvelles solutions.
Émile Maharramov
Chef du groupe de services de chimie computationnelle, Biocad
La structure même et la durée des cours ne permettent pas d'approfondir jusqu'au niveau requis. Les diplômés manquent souvent de ces compétences générales qui manquent généralement lors de la lecture d'une offre d'emploi. Eh bien, vraiment, qui d'entre nous dira qu'il n'a pas de pensée systémique ni le désir de se développer. Cependant, en ce qui concerne un spécialiste de la Data Science, nous parlons d’une histoire plus profonde. Ici, pour se développer, il faut un parti pris assez fort en théorie et en science, ce qui n'est possible que grâce à des études à long terme, par exemple dans une université.
Tout dépend de chaque personne : si un cours intensif de trois mois dispensé par des professeurs compétents et expérimentés en tant que chefs d'équipe dans de grandes entreprises est suivi par un étudiant ayant une bonne formation en mathématiques et en programmation, qui approfondit tous les supports du cours et « absorbe comme une éponge ». ", comme on le disait à l'école, alors il y aura des problèmes avec un tel employé plus tard. Non. Mais 90 à 95 % des gens, pour apprendre quelque chose pour toujours, ont besoin d'apprendre dix fois plus et de le faire systématiquement pendant plusieurs années de suite. Et cela fait des programmes de maîtrise en analyse de données une excellente option pour acquérir une bonne base de connaissances, avec laquelle vous n'aurez pas à rougir lors d'un entretien, et il sera beaucoup plus facile de faire le travail.
Victor Kantor
Scientifique en chef des données chez MTS
Où étudier pour trouver un emploi en Data Science
Il existe de nombreux bons cours de Data Science sur le marché et obtenir une formation initiale n'est pas un problème. Mais il est important de comprendre l’objectif de cette éducation. Si le candidat possède déjà une solide formation technique, des cours intensifs sont ce dont il a besoin. Une personne maîtrisera les outils, viendra sur place et s'y habituera rapidement, car elle sait déjà penser comme un mathématicien, voir un problème et formuler des problèmes. S'il n'existe pas une telle expérience, après le cours, vous serez un bon interprète, mais avec des opportunités de croissance limitées.
Si vous êtes confronté à la tâche à court terme de changer de métier ou de trouver un emploi dans cette spécialité, alors certains cours systématiques vous conviennent, qui sont courts et fournissent rapidement un ensemble minimum de compétences techniques afin que vous puissiez prétendre à un poste de débutant dans ce domaine.
Ivan Yamchtchikov
Directeur académique du programme de master en ligne "Data Science"
Le problème des parcours est justement qu’ils permettent une accélération rapide mais minime. Une personne s'envole littéralement dans le métier et atteint rapidement le plafond. Pour accéder à la profession depuis longtemps, il faut immédiatement poser de bonnes bases sous la forme d'un programme à plus long terme, par exemple une maîtrise.
L’enseignement supérieur est adapté lorsque vous comprenez que ce domaine vous intéresse à long terme. Vous n’avez pas envie de vous rendre au travail le plus tôt possible. Et vous ne voulez pas avoir de plafond de carrière ; vous ne voulez pas non plus être confronté au problème du manque de connaissances, de compétences, de méconnaissance de l’écosystème général à l’aide duquel les produits innovants sont développés. Pour cela, vous avez besoin d'une formation supérieure, qui non seulement crée l'ensemble nécessaire de compétences techniques, mais structure également votre réflexion différemment et vous aide à vous forger une certaine vision de votre carrière à plus long terme.
Ivan Yamchtchikov
Directeur académique du programme de master en ligne "Data Science"
L'absence de plafond de carrière est le principal avantage du programme de maîtrise. En deux ans, un spécialiste reçoit une base théorique puissante. Voici à quoi ressemble le premier semestre du programme Data Science de NUST MISIS :
- Introduction à la science des données. 2 semaines.
- Fondamentaux de l'analyse des données. Traitement de l'information. 2 semaines
- Apprentissage automatique. Prétraitement des données. 2 semaines
- EDA. Analyse des données de renseignement. 3 semaines
- Algorithmes d'apprentissage automatique de base. Ch1 + Ch2 (6 semaines)
Dans le même temps, vous pouvez simultanément acquérir une expérience pratique au travail. Rien ne vous empêche d’obtenir un poste junior dès que l’étudiant maîtrise les outils nécessaires. Mais contrairement à un diplômé de cursus, un master n’arrête pas là ses études, mais continue d’approfondir le métier. À l’avenir, cela vous permettra d’évoluer en Data Science sans restrictions.
Sur le site de l'Université des Sciences et Technologies "MISiS" pour ceux qui souhaitent travailler dans la Data Science. Représentants de NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group et Yandex, je vais vous parler des choses les plus importantes :
- "Comment trouver sa place en Data Science ?",
- "Est-il possible de devenir data scientist à partir de zéro ?",
- « Le besoin de data scientists existera-t-il encore dans 2 à 5 ans ?
- « Sur quels problèmes travaillent les data scientists ?
- « Comment bâtir une carrière en Data Science ? »
Formation en ligne, diplôme de l'enseignement public. accepté jusqu'à 10 Août.
Source: habr.com