A HeadHunter és a Mail.ru kutatása szerint az adattudományi szakemberek iránti kereslet meghaladja a kínálatot, de még így sem sikerül a fiatal szakembereknek munkát találni. Eláruljuk, hogy mely szakot végzettek hiányoznak, és hol tanuljanak azok, akik nagy karriert terveznek az adattudományban.
„Jönnek és azt hiszik, hogy most 500 ezret fognak keresni másodpercenként, mert tudják a keretrendszerek nevét és azt, hogy hogyan lehet két sorban modellt futtatni belőlük”
Emil Maharramov számítógépes kémia szolgáltatási csoportot vezet a Biocadnál, és az interjúk során szembesül azzal, hogy a jelöltek nem ismerik szisztematikusan a szakmát. Tanfolyamokat teljesítenek, jól képzett Python- és SQL-lel érkeznek, 2 másodperc alatt telepíthetik a Hadoop-ot vagy a Spark-ot, és egy világos specifikáció szerint teljesítenek egy feladatot. De ugyanakkor már egy lépés sincs oldalra. Bár a munkaadók a megoldások rugalmasságát várják el adattudományi szakembereiktől.
Mi történik az adattudományi piacon
A fiatal szakemberek kompetenciái a munkaerő-piaci helyzetet tükrözik. Itt a kereslet jelentősen meghaladja a kínálatot, így a kétségbeesett munkaadók gyakran valóban készek teljesen zöld szakembereket felvenni, és kiképezni őket maguknak. Az opció működik, de csak akkor megfelelő, ha a csapatnak már van egy tapasztalt csapatvezetője, aki átveszi a junior képzését.
A HeadHunter és a Mail.ru kutatása szerint az adatelemző szakemberek az egyik legkeresettebbek a piacon:
- 2019-ben az adatelemzés területén 9,6-szor, a gépi tanulás területén 7,2-szer több betöltetlen állás volt, mint 2015-ben.
- 2018-hoz képest 1,4-szeresére nőtt az adatelemző szakemberek, 1,3-szorosára a gépi tanulással foglalkozó szakemberek betöltetlen állásainak száma.
- A megüresedett állások 38%-a informatikai cégeknél, 29%-a a pénzügyi szektor vállalatainál, 9%-a pedig az üzleti szolgáltatásoknál van.
A helyzetet számos online iskola gerjeszti, amelyek ugyanazokat a juniorokat képezik. A képzés alapvetően háromtól hat hónapig tart, amely alatt a hallgatók alapszinten elsajátítják a főbb eszközöket: Python, SQL, adatelemzés, Git és Linux. Az eredmény egy klasszikus junior: meg tud oldani egy konkrét problémát, de még mindig nem tudja megérteni a problémát és önállóan megfogalmazni a problémát. A szakemberek iránti nagy kereslet és a szakma körüli felhajtás azonban gyakran magas ambíciókat és fizetési követelményeket szül.
Sajnos a Data Science-ben az interjúk általában így néznek ki: a jelölt azt mondja, hogy megpróbált néhány könyvtárat használni, nem tud válaszolni az algoritmusok pontos működésére vonatkozó kérdésekre, majd havi 200, 300, 400 ezer rubelt kér a kezében.
Az olyan reklámszlogenek nagy száma miatt, mint „bárkiből lehet adatelemző”, „három hónap alatt sajátítsd el a gépi tanulást, és kezdj el sok pénzt keresni” és a gyors pénz iránti szomjúság miatt felületes jelöltek hatalmas áradata özönlött be a szervezetünkbe. szisztematikus képzés nélkül.
Viktor Kantor
Az MTS vezető adattudósa
Kire várnak a munkaadók?
Bármely munkáltató szeretné, ha a juniorok állandó felügyelet nélkül dolgoznának, és csapatvezető irányításával fejlődhetnének. Ehhez egy kezdőnek azonnal rendelkeznie kell az aktuális problémák megoldásához szükséges eszközökkel, és kellő elméleti alappal kell rendelkeznie ahhoz, hogy fokozatosan javaslatokat tegyen saját megoldásaira, illetve a bonyolultabb problémák megközelítésére.
Az újoncok a piacon elég jól boldogulnak eszközeikkel. A rövid távú tanfolyamok lehetővé teszik, hogy gyorsan elsajátítsd őket, és munkába állj.
A HeadHunter és a Mail.ru kutatása szerint a Python a legkeresettebb készség. Az adatkutatói állások 45%-ában és a gépi tanulással foglalkozó állások 51%-ában szerepel.
A munkaadók azt is szeretnék, hogy az adatelemzők ismerjék az SQL-t (23%), az adatbányászatot (19%), a matematikai statisztikát (11%), és képesek legyenek nagy adatokkal dolgozni (10%).
A gépi tanulással foglalkozó szakembereket kereső munkaadók a Python ismerete mellett a C++ (18%), SQL (15%), gépi tanulási algoritmusok (13%) és Linux (11%) területén is jártasságot várnak el a jelölttől.
De ha a juniorok jól boldogulnak az eszközökkel, akkor menedzsereik újabb problémával szembesülnek. A legtöbb tanfolyamot végzett hallgató nem ismeri mélyen a szakmát, ami megnehezíti a kezdők fejlődését.
Jelenleg gépi tanulással foglalkozó szakembereket keresek csapatomba. Ugyanakkor azt látom, hogy a jelöltek gyakran elsajátítottak bizonyos Data Science eszközöket, de nem ismerik elég mélyen az elméleti alapokat ahhoz, hogy új megoldásokat hozzanak létre.
Emil Maharramov
A Biocad Számítógépes Kémiai Szolgáltatások Csoportjának vezetője
Maga a tanfolyamok felépítése és időtartama nem teszi lehetővé, hogy a kívánt szintre mélyüljön. A diplomásokból gyakran hiányoznak azok a nagyon puha készségek, amelyek általában hiányoznak az álláshirdetések olvasásakor. Nos, tényleg, ki mondja közülünk, hogy nincs benne rendszergondolkodás vagy fejlődési vágy. Egy Data Science specialistával kapcsolatban azonban egy mélyebb történetről beszélünk. Itt a fejlődéshez meglehetősen erős elfogultságra van szükség elméletben és tudományban, ami csak hosszú távú tanulással lehetséges, például egyetemen.
Sok múlik az emberen: ha egy három hónapos intenzív tanfolyamot olyan erős tanároktól, akik tapasztalattal rendelkeznek a legjobb cégek csapatvezetőjeként, egy jó matematikai és programozási múlttal rendelkező diák végez el, belemélyed az összes tananyagba, és „felszívódik, mint a szivacs ”, ahogy az iskolában mondták, akkor később gondok lesznek egy ilyen alkalmazottal Nem. De az emberek 90-95%-ának ahhoz, hogy valamit örökre megtanuljon, tízszer többet kell tanulnia, és ezt több éven keresztül szisztematikusan kell csinálnia. Emiatt pedig az adatelemző mesterképzések kiváló lehetőséget kínálnak arra, hogy megfelelő tudásalapot szerezzenek, amivel nem kell elpirulnod az interjún, és sokkal könnyebb lesz a munka.
Viktor Kantor
Az MTS vezető adattudósa
Hol tanulhat, hogy munkát találjon a Data Science területén
Sok jó adattudományi kurzus létezik a piacon, és az alapképzés megszerzése nem jelent problémát. De fontos megérteni ennek az oktatásnak a fókuszát. Ha a jelentkező már erős technikai háttérrel rendelkezik, akkor intenzív tanfolyamokra van szüksége. Az ember elsajátítja az eszközöket, a helyére jön és gyorsan megszokja, mert már tudja, hogyan kell matematikusként gondolkodni, látni a problémát és megfogalmazni a problémákat. Ha nincs ilyen háttér, akkor a tanfolyam után jó teljesítő leszel, de korlátozott növekedési lehetőségekkel.
Ha rövid távú feladattal kell szembenéznie, hogy szakmát váltson vagy munkát találjon ezen a szakterületen, akkor néhány szisztematikus kurzus alkalmas az Ön számára, amelyek rövidek és gyorsan biztosítanak egy minimális technikai készségkészletet, hogy alkalmassá váljon a szakmára. belépő szintű pozíciót ezen a területen.
Ivan Jamscsikov
Az "Adattudomány" online mesterképzés akadémiai igazgatója
A pályákkal éppen az a probléma, hogy gyors, de minimális gyorsulást biztosítanak. Egy személy szó szerint belerepül a szakmába, és gyorsan eléri a plafont. Ahhoz, hogy hosszú időre beléphessen a szakmába, azonnal jó alapot kell teremtenie egy hosszabb távú program, például mesterképzés formájában.
A felsőoktatás akkor megfelelő, ha megérti, hogy ez a terület hosszú távon érdekli. Nem vágyik arra, hogy mielőbb munkába álljon. És nem akarsz karrierplafont, nem akarsz szembenézni a tudás, a készségek hiányának, az általános ökoszisztéma megértésének hiányával, amely segítségével innovatív termékeket fejlesztenek. Ehhez felsőfokú végzettségre van szükség, amely nemcsak megteremti a szükséges technikai készségek készletét, hanem másképp strukturálja a gondolkodást, és segít kialakítani valamilyen jövőképet a karrieredről hosszabb távon.
Ivan Jamscsikov
Az "Adattudomány" online mesterképzés akadémiai igazgatója
A karrier felső határának hiánya a mesterképzés fő előnye. Két év alatt egy szakember erőteljes elméleti alapot kap. Így néz ki a NUST MISIS Data Science programjának első szemesztere:
- Bevezetés az adattudományba. 2 hét.
- Az adatelemzés alapjai. Adatfeldolgozás. 2 hét
- Gépi tanulás. Adatok előfeldolgozása. 2 hét
- EDA. Intelligencia adatok elemzése. 3 hét
- Alapvető gépi tanulási algoritmusok. Ch1 + Ch2 (6 hét)
Ezzel párhuzamosan gyakorlati tapasztalatot is szerezhet a munkahelyén. Semmi sem akadályozza meg abban, hogy junior pozíciót szerezzen, amint a hallgató elsajátította a szükséges eszközöket. De a tanfolyamot végzettekkel ellentétben a mesterképzés nem hagyja abba a tanulmányait, hanem tovább mélyül a szakmában. A jövőben ez lehetővé teszi, hogy korlátozások nélkül fejlessze a Data Science-ben.
A "MISiS" Tudományos és Műszaki Egyetem honlapján azoknak, akik az adattudományban szeretnének dolgozni. A NUST MISIS, a SkillFactory, a HeadHunter, a Facebook, a Mail.ru Group és a Yandex képviselői elmondom neked a legfontosabb dolgokat:
- „Hogyan találd meg a helyed az adattudományban?”,
- „Lehet-e nulláról adattudóssá válni?”
- „2-5 év múlva is szükség lesz adattudósokra?”
- "Milyen problémákon dolgoznak az adattudósok?"
- „Hogyan építsünk karriert az adattudományban?”
Online képzés, közoktatási oklevél. ig elfogadták 10 augusztus.
Forrás: will.com