Selon des études de HeadHunter et Mail.ru, la demande de spécialistes en Data Science dépasse l'offre, mais même ainsi, les jeunes professionnels n'arrivent pas toujours à trouver un emploi. Nous expliquons ce qui manque aux diplômés des cours et où étudier pour ceux qui envisagent une grande carrière en Data Science.
« Ils viennent en pensant qu'ils vont gagner 500k par seconde parce qu'ils connaissent les noms des frameworks et savent comment lancer un modèle en deux lignes »
Émil Maghéramov dirige un groupe de services de chimie computationnelle chez Biocad et constate lors des entretiens que les candidats n'ont pas une compréhension systématique de la profession. Ils terminent leurs cours, arrivent avec de solides compétences en Python et SQL, peuvent déployer Hadoop ou Spark en deux secondes, et résoudre des tâches selon un cahier des charges précis. Mais dès qu'il s'agit d'une pensée latérale, ils sont perdus. Or, c'est la flexibilité des solutions que recherchent les employeurs dans le domaine de la Data Science.
Que se passe-t-il sur le marché de la Data Science
Les compétences des jeunes professionnels reflètent la situation du marché du travail. Ici, la demande dépasse largement l'offre, c'est pourquoi des employeurs désespérés sont souvent vraiment prêts à embaucher des spécialistes totalement débutants et à les former selon leurs besoins. Cela fonctionne, mais seulement si l'équipe a déjà un chef d'équipe expérimenté qui prendra en charge la formation des juniors.
Selon une étude de HeadHunter et Mail.ru, les spécialistes de l'analyse de données sont parmi les plus demandés sur le marché :
- En 2019, le nombre d'offres d'emploi dans le domaine de l'analyse de données a augmenté de 9,6 fois, tandis que dans le domaine de l'apprentissage automatique, il a augmenté de 7,2 fois par rapport à 2015.
- Comparé à 2018, le nombre d'offres d'emploi pour les spécialistes de l'analyse de données a augmenté de 1,4 fois, tandis que pour l'apprentissage automatique, il a augmenté de 1,3 fois.
- 38 % des offres d'emploi ouvertes sont dans les entreprises informatiques, 29 % dans le secteur financier et 9 % dans le secteur des services aux entreprises.
La situation est exacerbée par de nombreuses écoles en ligne qui préparent ces fameux juniors. En général, la formation dure de trois à six mois, durant lesquels les élèves parviennent à acquérir à un niveau basique les principaux outils : Python, SQL, analyse de données, Git et Linux. Au final, on obtient un classique junior : capable de résoudre une tâche spécifique, mais incapable de comprendre le problème et de formuler soi-même la tâche. Cependant, la forte demande pour des spécialistes et le buzz autour de la profession suscitent souvent des ambitions élevées et des exigences salariales.
Malheureusement, les entretiens en Data Science ressemblent généralement à cela : le candidat explique qu'il a essayé d'appliquer quelques bibliothèques, mais il ne peut pas répondre aux questions sur le fonctionnement des algorithmes, puis il demande 200, 300, 400 mille roubles par mois net.
En raison d'un grand nombre de slogans tels que « tout le monde peut devenir analyste de données », « maîtrisez l'apprentissage automatique en trois mois et commencez à gagner beaucoup d'argent », et de la quête de gains rapides, notre domaine a reçu un énorme influx de candidats superficiels complètement dépourvus de préparation systématique.
Victor Kantor
Chief Data Scientist chez MTS
Ce que recherchent les employeurs
Tout employeur aimerait que ses juniors travaillent sans contrôle constant et puissent se développer sous la direction d'un team lead. Pour cela, le novice doit maîtriser immédiatement les outils nécessaires pour résoudre les tâches en cours et posséder une base théorique suffisante pour proposer progressivement ses propres solutions et s'attaquer à des tâches plus complexes.
Les novices sur le marché ont plutôt bien maîtrisé les outils. Les cours à court terme permettent de les apprendre rapidement et de commencer à travailler.
Selon une étude de HeadHunter et Mail.ru, la compétence la plus demandée est la maîtrise de Python. Elle est mentionnée dans 45 % des offres d'emploi pour les spécialistes de l'analyse de données et dans 51 % des offres dans le domaine de l'apprentissage automatique.
Les employeurs souhaitent également que les spécialistes en analyse de données sachent SQL (23 %), maîtrisent l'analyse intellectuelle des données (Data Mining) (19 %), la statistique mathématique (11 %) et soient capables de travailler avec de grandes données (10 %).
Les employeurs à la recherche de spécialistes en apprentissage automatique s'attendent, en plus de la connaissance de Python, à ce que le candidat maîtrise C++ (18 %), SQL (15 %), les algorithmes d'apprentissage automatique (13 %) et Linux (11 %).
Mais si les juniors maîtrisent bien les outils, leurs supérieurs rencontrent un autre problème. La plupart des diplômés des formations n'ont pas une compréhension approfondie de la profession, ce qui rend difficile le progrès pour un novice.
Je suis actuellement à la recherche de spécialistes en apprentissage automatique pour mon équipe. Je constate cependant que souvent, les candidats ont maîtrisé certains outils de Data Science, mais manquent d'une compréhension théorique suffisante pour créer de nouvelles solutions.
Émil Maghéramov
Responsable du groupe des services de chimie computationnelle, Biocad
La structure même et la durée des cours ne permettent pas d'approfondir au niveau nécessaire. Les diplômés manquent souvent de ces soft skills qui sont généralement négligées lors de la lecture des offres d'emploi. Qui parmi nous dirait qu'il n'a pas de pensée systémique ou de désir de se développer ? Cependant, pour un spécialiste en Data Science, il s'agit d'une histoire plus complexe. Pour progresser, il faut une forte incline vers la théorie et la science, ce qui n’est possible qu'avec un apprentissage prolongé, par exemple, à l'université.
Beaucoup dépend de la personne : si un participant avec une bonne base en mathématiques et en programmation suit un programme intensif de trois mois dispensé par d'excellents enseignants ayant une expérience de leaders d'équipe dans des entreprises de premier plan, et assimile tous les matériaux du cours comme une éponge, comme on disait à l'école, alors il n'y a pas de problème avec un tel employé plus tard. Mais 90-95 % des personnes doivent apprendre dix fois plus et le faire systématiquement pendant plusieurs années pour acquérir définitivement des connaissances. Et cela fait des programmes de master en analyse de données une excellente option pour obtenir une bonne base de connaissances, grâce à laquelle l'entretien d'embauche sera moins stressant et le travail sera bien plus facile.
Victor Kantor
Chief Data Scientist 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'orientation de cette formation. Si un candidat a déjà un solide bagage technique, alors des cours intensifs sont ce qu'il lui faut. La personne maîtrisera les outils, arrivera au poste et s'adaptera rapidement, car elle sait déjà penser comme un mathématicien, identifier les problèmes et formuler des tâches. Si ce bagage n'existe pas, après le cours, elle sera un bon exécutant, mais avec des possibilités de croissance limitées.
Si vous avez une tâche à court terme de changement de profession ou de recherche d'emploi dans ce domaine, des cours systématiques qui sont courts et qui offrent rapidement un minimum de compétences techniques vous conviendront alors, afin que vous puissiez prétendre à un poste de débutant dans ce domaine.
Ivan Yamshchikov
Directeur académique du master en ligne « Science des données »
Le problème des cours réside précisément dans le fait qu'ils offrent un démarrage rapide, mais minimal. La personne entre littéralement dans la profession et atteint rapidement un plafond. Pour entrer dans un métier sur le long terme, il est nécessaire de poser dès le départ de bonnes bases sous forme d'un programme plus long, comme un master.
L'enseignement supérieur est approprié lorsque vous comprenez que ce domaine vous intéresse à long terme. Vous ne cherchez pas à entrer sur le marché du travail le plus vite possible. Vous ne voulez pas avoir un plafond de carrière, et vous ne voulez pas faire face à un manque de connaissances, de compétences, ou à un manque de compréhension de l'écosystème général qui développe des produits innovants. Pour cela, un enseignement supérieur est nécessaire, car il façonne non seulement un ensemble de compétences techniques nécessaires, mais restructure également votre pensée et vous aide à former une vision de votre carrière sur le long terme.
Ivan Yamshchikov
Directeur académique du master en ligne « Science des données »
L'absence de plafond de carrière est le principal avantage d'un programme de master. En deux ans, un spécialiste acquiert une solide base théorique. Voici à quoi ressemble le premier semestre du programme Data Science de NITU « MISiS » :
- Introduction à la Data Science. 2 semaines.
- Fondamentaux de l'analyse des données. Traitement des données. 2 semaines.
- Apprentissage automatique. Prétraitement des données. 2 semaines.
- EDA. Analyse exploratoire des données. 3 semaines.
- Algorithmes principaux d'apprentissage automatique. Partie 1 + Partie 2 (6 semaines)
En même temps, il est possible d'acquérir une expérience pratique au travail. Rien n'empêche de décrocher un poste de junior dès que l'étudiant maîtrise les outils nécessaires. Cependant, contrairement à un diplômé d'un cours, le master ne s'arrête pas là dans son apprentissage et continue à approfondir sa profession. À l'avenir, cela permet de se développer dans le Data Science sans limites.
Sur le site de l'université des sciences et technologies « MISIS », se déroulent pour ceux qui souhaitent travailler dans le Data Science. Des représentants de l'Institut national des technologies et des sciences « MISIS », SkillFactory, HeadHunter, Facebook, Mail.ru Group et Yandex, parlent des choses les plus importantes :
- « Comment trouver sa place dans le Data Science ? »
- « Est-il possible de devenir data scientist à partir de zéro ? »
- « La nécessité des data scientists persistera-t-elle dans 2 à 5 ans ? »
- « Sur quels problèmes les spécialistes du data science travaillent-ils ? »
- « Comment construire une carrière dans le Data Science ? »
Formation en ligne, diplôme de l'éducation d'État. sont acceptées jusqu'au 10 août.
Source : habr.com
