🥇Data Engineer és Data Scientist: mit tudnak, és mennyit keresnek

Elenával Geraszimovával, a "Data Science és analitika" vezetőjével a Netology-n tovább vizsgáljuk, hogy hogyan működnek együtt és miben különböznek az Adatmérnök és az Adatkutató.

Az első részben megismertettük az Adatkutató és Adatmérnök közötti főbb különbségeket.

Ebben az anyagban arról beszélünk, hogy milyen tudás és készségek szükségesek a szakembereknek, milyen végzettséget értékelnek a munkáltatók, hogyan zajlanak a felvételi beszélgetések, és mennyit keresnek az adatkutatók és adatfeldolgozók.

Mit kell tudniuk az adatkutatóknak és mérnököknek

A szakirányú végzettség mindkét szakember számára - Számítástechnika.

Bármely adat szakértőnek - adatkutató vagy elemző - képesnek kell lennie arra, hogy bizonyítsa a következtetései helyességét. Ehhez elengedhetetlen a statisztika és a statisztikához kapcsolódó alap matematikai ismeretek.

A gépi tanulás és az adatelemző eszközök nélkülözhetetlenek a mai világban. Ha a megszokott eszközök nem állnak rendelkezésre, szükség van a új eszközök gyors elsajátítására, egyszerű szkriptek készítésére a feladatok automatizálásához.

Fontos megjegyezni, hogy az adatkezelő szakembernek hatékonyan kell bemutatnia az elemzés eredményeit. Ebben segíthet a adatvizualizáció vagy a végzett kutatások és a hipotézisek ellenőrzésének eredményei. A szakembereknek képesnek kell lenniük diagramok és grafikonok létrehozására, vizualizáló eszközök használatára, valamint az adatok megértésére és magyarázatára a műszerfalból.

Az adat mérnök számára három terület a legfontosabb.

Algoritmusok és adatszerkezetek. Fontos, hogy gyakorlatot szerezzünk a kódírásban és az alapvető struktúrák és algoritmusok használatában:

az algoritmusok bonyolultságának elemzése,
olvasható, karbantartható kód írása,
tömeges feldolgozás,
valós idejű feldolgozás.

Adatbázisok és tárolók, Üzleti intelligencia:

az adatok tárolása és feldolgozása,
teljes rendszerek tervezése,
Adat Befogadása,
elosztott fájlrendszerek.

Hadoop és Nagy Adatok. A rendelkezésre álló adatok folyamatosan növekednek, és 3-5 éven belül ezek a technológiák elengedhetetlenné válnak minden mérnök számára. Plusz:

Adat Tavak,
felhőszolgáltatókkal való együttműködés.

Gépi tanulás Széles körben alkalmazni fogják, és fontos megérteni, hogy milyen üzleti problémák megoldásában segíthet. Nem szükséges tudni modelleket készíteni (ezt az adatszakértők megoldják), de fontos a felhasználásuk és a kapcsolódó követelmények ismerete.

Mennyit keresnek az mérnökök és a tudósok?

Az adatelemzők jövedelme

Nemzetközi gyakorlatban a kezdő fizetés általában évi 100 000 dollár, és a tapasztalat függvényében jelentősen nő, a Glassdoor adatai szerint. Ezen kívül a cégek gyakran részvényopciókat és évi 5-15%-os bónuszokat kínálnak.

Oroszországban a karrier elején a fizetés általában nem kevesebb, mint 50 ezer rubel a régiókban és 80 ezer Moszkvában. Ezen a szinten nem szükséges tapasztalat, kivéve a befejezett képzést.

1-2 év munkaviszony után – 90-100 ezer rubel.

A bér 2-5 év alatt 120-160 ezer rubelre nő. Olyan tényezők is megjelennek, mint a korábbi cégek specializációja, a projektek mérete, big data kezelése, és így tovább.

5 év munkaviszony után könnyebb állásokat keresni a kapcsolódó osztályokban, vagy jelentkezni olyan szakképzett pozíciókra, mint:

Architekt vagy vezető fejlesztő egy bankban vagy telekom cégnél – körülbelül 250 ezer rubel.

Pre-Sales a beszállítónál, akinek a technológiáival a legszorosabban dolgoztak – 200 ezer rubel, plusz lehetséges bónusz (1-1,5 millió rubel).

Vállalati üzleti alkalmazások bevezetési szakértők, mint például a SAP – akár 350 ezer rubel.

A data scientist-ek jövedelme

Kutatás a Normális Kutatások cég és a New.HR toborzó ügynökség piackutatásai azt mutatják, hogy a Data Science szakemberek átlagosan nagyobb fizetést kapnak, mint más szakmák elemzői.

Oroszországban egy kezdő data scientist, aki kevesebb mint egy éves tapasztalattal rendelkezik, legalább 113 ezer rubelt keres.

A munkatapasztalat részeként jelenleg a képzési programok elvégzése is beszámít.

1-2 év után ilyen szakember már legfeljebb 160 ezer rubelt kereshet.

4-5 éves tapasztalattal rendelkező munkavállalók esetében a bér akár 310 ezer rubelre is nőhet.

Hogyan zajlanak az interjúk?

Nyugaton a szakmai képzésből frissen végzett diákok átlagosan 5 héttel a tanulmányok befejezése után tartják meg az első interjút. Körülbelül 85% talál állást 3 hónapon belül.

Az adatelemzők és data scientist-ek pozícióira történő interjúztatás folyamata gyakorlatilag nem különbözik. Általában öt szakaszból áll.

Összefoglaló. A jelölteknek, akiknek nem megfelelő a korábbi tapasztalatuk (például a marketing területéről), részletes kísérőlevelet kell készíteniük minden cég számára, vagy ajánlásokat kell beszerezniük az adott cég képviselőjétől.

Technikai szűrés. Általában telefonon történik. Egy-két nehéz és annyi egyszerű kérdésből áll, amelyek a munkáltató jelenlegi technológiai stackjére vonatkoznak.

HR-interjú. Telefonon is zajlikhat. Ezen a szakaszon a jelöltet általános alkalmasságra és kommunikációs képességekre tesztelik.

Technikai interjú. Leggyakrabban személyesen zajlik. Különböző cégeknél a pozíciók szintje eltérő, és jóléti elnevezések is változhatnak. Ezért ebben a szakaszban a technikai tudásokat vizsgálják.

Interjú a műszaki igazgatóval / főépítésszel. Az engineer és a scientist stratégiai pozíciók, és sok cég számára újak. Fontos, hogy a leendő kolléga szimpatikus legyen a vezetőnek, és hasonló nézeteket valljanak.

Mi segíthet a tudósoknak és mérnököknek a karrierjük előmozdításában

Sok új eszköz jelent meg az adatokkal való munkához. És kevesen vannak, akik mindegyikben egyformán jól értenek.

Sok cég nem kész arra, hogy tapasztalat nélküli munkavállalókat alkalmazzon. Azonban a minimális alapokkal és a népszerű eszközök alapjainak ismeretével rendelkező jelöltek szükséges tapasztalatot szerezhetnek, ha önállóan tanulnak és fejlődnek.

Hasznos tulajdonságok adat-engineer és data-scientist számára

A tanulás iránti vágy és képesség. Nem szükséges azonnal tapasztalatért rohangálni vagy új eszköz miatt munkahelyet váltani, de készen kell állni az új területekre való átállásra.

A rutinfeladatok automatizálásának vágya. Ez fontos nemcsak a termelékenység, hanem az adatok magas szintű minősége és a fogyasztóhoz való gyors eljuttatása szempontjából is.

Figyelem és a folyamatok „mi van a motorháztető alatt” megértése. A feladatot gyorsabban oldja meg az a szakember, akinek van tapasztalata, és teljeskörűen ismeri a folyamatokat.

Az algoritmusok, adatstruktúrák és pipeline-ok kiváló ismerete mellett szükséges a termékek gondolkodásának elsajátítása — látni az architektúrát és az üzleti megoldást egy egységes képként.

Például hasznos lehet választani egy ismert szolgáltatást, és elképzelni egy adatbázist hozzá. Ezután érdemes végiggondolni, hogyan lehetne kifejleszteni az ETL-t és a DW-t, amelyek feltöltik adatokkal, kik lesznek a fogyasztók, és mit fontos tudniuk az adatokkal kapcsolatban, valamint hogyan lépnek kapcsolatba az alkalmazásokkal: munkakeresés és ismerkedés, autókölcsönzés, podcast alkalmazás, oktatási platform.

Az adatelemző, a data scientist és a mérnök pozíciók nagyon közel állnak egymáshoz, ezért az egyik irányból a másikba való váltás gyorsabban lehetséges, mint más területekről.

Bármely IT háttérrel rendelkező személy számára egyszerűbb lesz, mint azok számára, akik nem rendelkeznek ilyennel. A középkorú, motivált emberek átlagosan 1,5–2 évente váltanak pályát. Ezt könnyebben megtehetik azok, akik csoportban és mentorral tanulnak, ahelyett, hogy csak nyílt forrásokra támaszkodnának.