ડેટા એન્જિનિયર અને ડેટા સાયન્ટિસ્ટ: તેઓ શું કરી શકે છે અને તેઓ કેટલી કમાણી કરી શકે છે

ફેકલ્ટીના વડા એલેના ગેરાસિમોવા સાથે મળીને "ડેટા સાયન્સ અને એનાલિટિક્સ» નેટોલોજીમાં અમે તેઓ એકબીજા સાથે કેવી રીતે ક્રિયાપ્રતિક્રિયા કરે છે અને ડેટા સાયન્ટિસ્ટ અને ડેટા એન્જિનિયર્સ કેવી રીતે અલગ પડે છે તે સમજવાનું ચાલુ રાખીએ છીએ.

પ્રથમ ભાગમાં તેઓએ કહ્યું ડેટા સાયન્ટિસ્ટ અને ડેટા એન્જિનિયર વચ્ચેના મુખ્ય તફાવતો વિશે.

આ સામગ્રીમાં આપણે તે વિશે વાત કરીશું કે નિષ્ણાતો પાસે શું જ્ઞાન અને કૌશલ્ય હોવું જોઈએ, નોકરીદાતાઓ દ્વારા કયા શિક્ષણનું મૂલ્ય છે, ઇન્ટરવ્યુ કેવી રીતે લેવામાં આવે છે અને ડેટા એન્જિનિયરો અને ડેટા વૈજ્ઞાનિકો કેટલી કમાણી કરે છે. 

વૈજ્ઞાનિકો અને એન્જિનિયરોએ શું જાણવું જોઈએ

બંને નિષ્ણાતો માટે વિશિષ્ટ શિક્ષણ એ કમ્પ્યુટર સાયન્સ છે.

કોઈપણ ડેટા સાયન્ટિસ્ટ-ડેટા સાયન્ટિસ્ટ અથવા વિશ્લેષક-તેમના તારણોની સાચીતા સાબિત કરવા માટે સક્ષમ હોવા જોઈએ. આ માટે તમે જ્ઞાન વિના કરી શકતા નથી આંકડા અને આંકડા-સંબંધિત મૂળભૂત ગણિત.

આધુનિક વિશ્વમાં મશીન લર્નિંગ અને ડેટા એનાલિટિક્સ ટૂલ્સ અનિવાર્ય છે. જો સામાન્ય સાધનો ઉપલબ્ધ ન હોય, તો તમારી પાસે કુશળતા હોવી જરૂરી છે ઝડપથી નવા સાધનો શીખવા, કાર્યોને સ્વચાલિત કરવા માટે સરળ સ્ક્રિપ્ટો બનાવવી.

એ નોંધવું અગત્યનું છે કે ડેટા વૈજ્ઞાનિકે વિશ્લેષણના પરિણામોને અસરકારક રીતે સંચાર કરવો જોઈએ. તે આમાં તેને મદદ કરશે ડેટા વિઝ્યુલાઇઝેશન અથવા અનુમાનોના સંશોધન અને પરીક્ષણના પરિણામો. નિષ્ણાતો ચાર્ટ અને ગ્રાફ બનાવવા, વિઝ્યુલાઇઝેશન ટૂલ્સનો ઉપયોગ કરવા અને ડેશબોર્ડ્સમાંથી ડેટાને સમજવા અને સમજાવવા માટે સક્ષમ હોવા જોઈએ.

ડેટા એન્જિનિયર માટે, ત્રણ ક્ષેત્રો સામે આવે છે.

અલ્ગોરિધમ્સ અને ડેટા સ્ટ્રક્ચર્સ. કોડ લખવામાં અને મૂળભૂત માળખાં અને અલ્ગોરિધમ્સનો ઉપયોગ કરીને સારું થવું મહત્વપૂર્ણ છે:

• અલ્ગોરિધમ જટિલતા વિશ્લેષણ,
• સ્પષ્ટ, જાળવી શકાય તેવા કોડ લખવાની ક્ષમતા, 
• બેચ પ્રક્રિયા,
• રીઅલ-ટાઇમ પ્રોસેસિંગ.

ડેટાબેસેસ અને ડેટા વેરહાઉસ, બિઝનેસ ઇન્ટેલિજન્સ:

• ડેટા સ્ટોરેજ અને પ્રોસેસિંગ,
• સંપૂર્ણ સિસ્ટમોની ડિઝાઇન,
• ડેટા ઇન્જેશન,
• વિતરિત ફાઇલ સિસ્ટમ્સ.

હડુપ અને બિગ ડેટા. ત્યાં વધુ ને વધુ ડેટા છે, અને 3-5 વર્ષની ક્ષિતિજમાં, આ તકનીકો દરેક એન્જિનિયર માટે જરૂરી બની જશે. વત્તા:

• ડેટા લેક્સ
• ક્લાઉડ પ્રદાતાઓ સાથે કામ કરવું.

મશીન લર્નિંગ દરેક જગ્યાએ ઉપયોગ કરવામાં આવશે, અને તે સમજવું મહત્વપૂર્ણ છે કે તે કઈ વ્યવસાયિક સમસ્યાઓ હલ કરવામાં મદદ કરશે. મોડેલ બનાવવા માટે સક્ષમ હોવું જરૂરી નથી (ડેટા વૈજ્ઞાનિકો આને હેન્ડલ કરી શકે છે), પરંતુ તમારે તેમની એપ્લિકેશન અને અનુરૂપ આવશ્યકતાઓને સમજવાની જરૂર છે.

એન્જિનિયરો અને વૈજ્ઞાનિકો કેટલી કમાણી કરે છે?

ડેટા એન્જીનીયર આવક

આંતરરાષ્ટ્રીય વ્યવહારમાં પ્રારંભિક પગાર સામાન્ય રીતે દર વર્ષે $100 છે અને અનુભવ સાથે નોંધપાત્ર રીતે વધે છે, Glassdoor મુજબ. વધુમાં, કંપનીઓ ઘણીવાર સ્ટોક વિકલ્પો અને 000-5% વાર્ષિક બોનસ પ્રદાન કરે છે.

રશિયામાં કારકિર્દીની શરૂઆતમાં, પગાર સામાન્ય રીતે પ્રદેશોમાં 50 હજાર રુબેલ્સ અને મોસ્કોમાં 80 હજાર કરતા ઓછો હોતો નથી. આ તબક્કે પૂર્ણ કરેલ તાલીમ સિવાય અન્ય કોઈ અનુભવની જરૂર નથી.

કામના 1-2 વર્ષ પછી - 90-100 હજાર રુબેલ્સનો કાંટો.

120-160 વર્ષમાં કાંટો વધીને 2-5 હજાર થાય છે. અગાઉની કંપનીઓની વિશેષતા, પ્રોજેક્ટનું કદ, મોટા ડેટા સાથે કામ વગેરે જેવા પરિબળો ઉમેરવામાં આવે છે.

5 વર્ષ કામ કર્યા પછી, સંબંધિત વિભાગોમાં ખાલી જગ્યાઓ શોધવી અથવા અત્યંત વિશિષ્ટ હોદ્દા માટે અરજી કરવી સરળ બને છે જેમ કે:

• બેંક અથવા ટેલિકોમમાં આર્કિટેક્ટ અથવા લીડ ડેવલપર - લગભગ 250 હજાર.

• વિક્રેતા પાસેથી પ્રી-સેલ્સ જેની ટેક્નોલોજીઓ સાથે તમે સૌથી વધુ નજીકથી કામ કર્યું છે - 200 હજાર ઉપરાંત સંભવિત બોનસ (1-1,5 મિલિયન રુબેલ્સ). 

• એન્ટરપ્રાઇઝ બિઝનેસ એપ્લિકેશન્સના અમલીકરણમાં નિષ્ણાતો, જેમ કે SAP - 350 હજાર સુધી.

ડેટા વૈજ્ઞાનિકોની આવક

સંશોધન કંપની "નોર્મલ રિસર્ચ" અને ભરતી એજન્સી New.HR ના વિશ્લેષકોનું બજાર દર્શાવે છે કે ડેટા સાયન્સ નિષ્ણાતો અન્ય વિશેષતાઓના વિશ્લેષકો કરતાં સરેરાશ વધારે પગાર મેળવે છે. 

રશિયામાં, એક વર્ષ સુધીનો અનુભવ ધરાવતા ડેટા સાયન્ટિસ્ટનો પ્રારંભિક પગાર 113 હજાર રુબેલ્સથી છે. 

તાલીમ કાર્યક્રમોની પૂર્ણતાને હવે કાર્ય અનુભવ તરીકે પણ ધ્યાનમાં લેવામાં આવે છે.

1-2 વર્ષ પછી, આવા નિષ્ણાત પહેલેથી જ 160 હજાર સુધી પ્રાપ્ત કરી શકે છે.

4-5 વર્ષનો અનુભવ ધરાવતા કર્મચારી માટે, કાંટો વધીને 310 હજાર થાય છે.

ઇન્ટરવ્યુ કેવી રીતે લેવામાં આવે છે?

પશ્ચિમમાં, વ્યાવસાયિક તાલીમ કાર્યક્રમોના સ્નાતકો સ્નાતક થયાના સરેરાશ 5 અઠવાડિયા પછી તેમનો પ્રથમ ઇન્ટરવ્યુ લે છે. લગભગ 85% 3 મહિના પછી નોકરી શોધે છે.

ડેટા એન્જિનિયર અને ડેટા સાયન્ટિસ્ટ હોદ્દાઓ માટે ઇન્ટરવ્યુ પ્રક્રિયા વર્ચ્યુઅલ રીતે સમાન છે. સામાન્ય રીતે પાંચ તબક્કાઓનો સમાવેશ થાય છે.

સારાંશ. નોન-કોર પૂર્વ અનુભવ (દા.ત., માર્કેટિંગ) ધરાવતા ઉમેદવારોએ દરેક કંપની માટે વિગતવાર કવર લેટર તૈયાર કરવો અથવા તે કંપનીના પ્રતિનિધિનો સંદર્ભ હોવો જરૂરી છે.

ટેકનિકલ સ્ક્રીનીંગ. તે સામાન્ય રીતે ફોન પર થાય છે. એમ્પ્લોયરના વર્તમાન સ્ટેકને લગતા એક અથવા બે જટિલ અને ઘણા સરળ પ્રશ્નોનો સમાવેશ થાય છે.

એચઆર ઇન્ટરવ્યુ. ફોન પર કરી શકાય છે. આ તબક્કે, ઉમેદવારની સામાન્ય પર્યાપ્તતા અને વાતચીત કરવાની ક્ષમતા માટે પરીક્ષણ કરવામાં આવે છે.

ટેકનિકલ ઇન્ટરવ્યુ. મોટેભાગે તે વ્યક્તિમાં થાય છે. વિવિધ કંપનીઓમાં, સ્ટાફિંગ ટેબલમાં હોદ્દાઓનું સ્તર અલગ-અલગ હોય છે અને હોદ્દાઓનું નામ અલગ-અલગ હોઈ શકે છે. તેથી, આ તબક્કે તે તકનીકી જ્ઞાન છે જેનું પરીક્ષણ કરવામાં આવે છે.

CTO/ચીફ આર્કિટેક્ટ સાથે મુલાકાત. એન્જિનિયર અને વૈજ્ઞાનિક વ્યૂહાત્મક હોદ્દા છે, અને ઘણી કંપનીઓ માટે તેઓ નવા પણ છે. તે મહત્વનું છે કે મેનેજર સંભવિત સાથીદારને પસંદ કરે છે અને તેના વિચારોમાં તેની સાથે સંમત થાય છે.

વૈજ્ઞાનિકો અને એન્જિનિયરોને તેમની કારકિર્દીના વિકાસમાં શું મદદ કરશે?

ડેટા સાથે કામ કરવા માટે ઘણા બધા નવા સાધનો દેખાયા છે. અને થોડા લોકો દરેકમાં સમાન રીતે સારા હોય છે. 

ઘણી કંપનીઓ કામના અનુભવ વિના કર્મચારીઓને રાખવા તૈયાર નથી. જો કે, ન્યૂનતમ પૃષ્ઠભૂમિ અને લોકપ્રિય સાધનોની મૂળભૂત બાબતોનું જ્ઞાન ધરાવતા ઉમેદવારો જો તેઓ જાતે શીખે અને વિકાસ કરે તો તેઓ જરૂરી અનુભવ મેળવી શકે છે.

ડેટા એન્જિનિયર અને ડેટા સાયન્ટિસ્ટ માટે ઉપયોગી ગુણો

ઈચ્છા અને શીખવાની ક્ષમતા. તમારે નવા ટૂલ માટે તરત જ અનુભવનો પીછો કરવાની અથવા નોકરી બદલવાની જરૂર નથી, પરંતુ તમારે નવા ક્ષેત્રમાં સ્વિચ કરવા માટે તૈયાર રહેવાની જરૂર છે.

નિયમિત પ્રક્રિયાઓને સ્વચાલિત કરવાની ઇચ્છા. આ માત્ર ઉત્પાદકતા માટે જ નહીં, પરંતુ ઉચ્ચ ડેટા ગુણવત્તા અને ઉપભોક્તા સુધી પહોંચાડવાની ઝડપ જાળવી રાખવા માટે પણ મહત્વપૂર્ણ છે.

પ્રક્રિયાઓના "હૂડ હેઠળ શું છે" ની સચેતતા અને સમજ. પ્રક્રિયાઓનું નિરીક્ષણ અને સંપૂર્ણ જ્ઞાન ધરાવતા નિષ્ણાત સમસ્યાને ઝડપથી હલ કરશે.

અલ્ગોરિધમ્સ, ડેટા સ્ટ્રક્ચર્સ અને પાઇપલાઇન્સના ઉત્તમ જ્ઞાન ઉપરાંત, તમારે જરૂર છે ઉત્પાદનોમાં વિચારવાનું શીખો - આર્કિટેક્ચર અને બિઝનેસ સોલ્યુશનને એક જ ચિત્ર તરીકે જુઓ. 

ઉદાહરણ તરીકે, કોઈપણ જાણીતી સેવા લેવી અને તેના માટે ડેટાબેઝ સાથે આવવું ઉપયોગી છે. પછી ETL અને DW કેવી રીતે વિકસિત કરવું તે વિશે વિચારો કે જે તેને ડેટાથી ભરી દેશે, ગ્રાહકો કેવા હશે અને ડેટા વિશે જાણવું તેમના માટે શું મહત્વનું છે, તેમજ ખરીદદારો એપ્લિકેશન્સ સાથે કેવી રીતે ક્રિયાપ્રતિક્રિયા કરે છે: જોબ શોધ અને ડેટિંગ, કાર ભાડા માટે , પોડકાસ્ટ એપ્લિકેશન, શૈક્ષણિક પ્લેટફોર્મ.

વિશ્લેષક, ડેટા સાયન્ટિસ્ટ અને એન્જિનિયરની સ્થિતિ ખૂબ જ નજીક છે, તેથી તમે અન્ય ક્ષેત્રો કરતાં એક દિશામાંથી બીજી દિશામાં ઝડપથી જઈ શકો છો.

કોઈ પણ સંજોગોમાં, જેઓ પાસે તે નથી તેમના કરતાં કોઈપણ આઈટી પૃષ્ઠભૂમિ ધરાવતા લોકો માટે તે સરળ રહેશે. સરેરાશ, પ્રેરિત પુખ્તો દર 1,5-2 વર્ષે ફરીથી તાલીમ આપે છે અને નોકરીઓ બદલે છે. જેઓ ફક્ત ખુલ્લા સ્ત્રોતો પર આધાર રાખે છે તેની તુલનામાં, જૂથમાં અને માર્ગદર્શક સાથે અભ્યાસ કરતા લોકો માટે આ સરળ છે.

નેટોલોજીના સંપાદકો તરફથી

જો તમે ડેટા એન્જિનિયર અથવા ડેટા સાયન્ટિસ્ટના વ્યવસાયને જોઈ રહ્યા છો, તો અમે તમને અમારા કોર્સ પ્રોગ્રામ્સનો અભ્યાસ કરવા માટે આમંત્રિત કરીએ છીએ:

• વ્યવસાય "ડેટા એન્જિનિયર».  
• વ્યવસાય "ડેટા સાયન્ટિસ્ટ».
• સારું"ડેટા એનાલિસ્ટ».

સોર્સ: www.habr.com