🥇Տվյալների ինժեներ և տեղեկությունների գիտնական: ինչ կարողություններ ունեն և որքան վարձ է ստանում

Ելենա Գերասիմովայի, «Data Science և վերլուծություն» ֆակուլտետի ղեկավարի հետ միասին, շարունակել ենք ուսումնասիրել, թե ինչպես են փոխազդում միմյանց և ինչով են տարբերվում Data Scientist-ը և Data Engineer-ը:Data Science և վերլուծություն» Նետոլոգիայում շարունակել ենք խոսել, թե ինչպես են փոխազդում միմյանց և ինչով են տարբերվում Data Scientist-ը և Data Engineer-ը:

Առաջին մասում մենք խոսեցինք Data Scientist-ի և Data Engineer-ի հիմնական տարբերությունների մասին.

Այս նյութում կխոսենք այն մասին, թե ինչ գիտելիքներով և հմտություններով պետք է զինված լինեն մասնագետները, ինչ կրթություն է գնահատվում գործատուների կողմից, ինչպես են անցնում հարցազրույցները, ինչպես նաև որքան են վաստակում տվյալ-հանողները և տվյալ-वैज्ञानिकները:

Ինչ պետք է գիտեն սայենտիստները և ինժեներները

Երկուսն մասնագետների համար մասնագիտական կրթությունը՝ Computer Science է:

Յուրաքանչյուր տվյալների մասնագետ՝ թե նա լինի տվյալ-հաննակ կամ վերլուծաբան՝ պետք է կարողանա ապացուցել իր արդյունքների ճիշտությունը: Bunun için, statistik bilgisi olmadan olmaz և համայնքային վիճակագրության կարևոր մաթեմատիկայի知识ի մասին.

Մեքենայական ուսուցումը և տվյալների վերլուծության գործիքները անփոխարինելի են ժամանակակից աշխարհում: Եթե սովորական գործիքները հասանելի չեն, անհրաժեշտ է ունենալ նոր գործիքների արագ ուսումնասիրելու հմտություններ, էական առաջադրանքների ավտոմատացման համար պարզ ուսումնասիրություններ կազմելու հմտություններ.

Լինում է կարևոր, որ տվյալների մասնագետը արդյունավետ կերպով փոխանցի վերլուծության արդյունքները: Դա նրան կօգնի տվյալների վիզուալացում կամ իրականացված հետազոտությունների և հիպոթեզների ստուգման արդյունքները: Մասնագետները պետք է կարողանան ստեղծել դիագրամներ և գրություններ, օգտագործել վիզուալացման գործիքներ, հասկանալ և բացատրել տվյալները դաշբորդներից:

Տվյալների ինժեներների համար առաջնակարգ երեք ուղղություն են տարբեր երկրներ:

Ալգորիթմներ և տվյալների կառուցվածքներ. կարևորը է ծանոթանալ կոդի գրելու և հիմնական կառուցվածքների և ալգորիթմների օգտագործման մասին:

ալգորիթմների դժվարության վերլուծություն,
ընթանում է պարզ ու պահվող կոդ գրելու կարողությունը,
պակտային մշակման գործունեություն,
իրավիճակի մշակում:

Տվյալների պահոցներ և բիզնեսի ինտելիգենսիա:

տվյալների պահպանություն և մշակման գործունեություն,
ամբողջական համակարգերի ձևավորում,
Data Ingestion,
բաշխված ֆայլային համակարգեր:

Hadoop և Big Data. Տվյալները դառնում են ավելի շատ, և 3–5 տարվա հեռավորության վրա այս տեխնոլոգիաները անհրաժեշտ կլինեն յուրաքանչյուր ինժեներին: Ցուցանիշ՝

Data Lakes,
կամութի պրոբլեմների հետ աշխատելու մասին:

Մեքենայական ուսուցում կանոնավոր կօգտագործվի ամենուր, և կարևոր է հասկանալ, թե որոնք գործնական խնդիրները կկարգավորեն: Ուսումնասիրելու անհրաժեշտություն չկա մոդելները մշակելու (այլ է, որ տվյալ-հանողները դա անում են), բայց պետք է հասկանալ նրանց կիրառումը և համապատասխան պահանջները:

Ինչքան են վաստակում ինժեներները և սայենտիստները

Տվյալների մշակման ինժեներների եկամուտը

Միջազգային պրակտիկայում սկզբնական աշխատավարձը սովորաբար կազմում է $100 000 տարեկան և զգալիորեն զգալիորեն բարձրանում է փորձով, ըստ Glassdoor-ի: Բացի դրանից, ընկերությունները հաճախ են տալիս բաժնետոմսերի հնարավորություններ և 5–15% տարեկան բոնուսներ:

Ռուսաստանում աշխատանքային կարիերայի սկզբում աշխատավարձը սովորաբար չի փոքրանում 50,000 ռուբլի տարածաշրջաններում և 80,000 Մոսկվայում: Այս փուլում փորձ հարկավոր չէ, բացի անցնելուց:

1–2 տարի աշխատանքով — միջակայքը 90–100,000 ռուբլի է։

Դիապազոնը կհասնի 120‒160 հազարի 2‒5 տարի հետո: Ավելանում են այնպիսի գործոններ, ինչպիսիք են նախկին ընկերությունների մասնագիտացումը, նախագծերի չափը, աշխատել big data-ի հետ և այլն:

5 տարվա աշխատանքի արդյունքում հեշտ է գտնել աշխատատեղեր հարակից բաժիններում կամ դիմել ավելի սեղմ մասնագիտացված դիրքերին, ինչպիսիք են:

Արխիտեկտ կամ գլխավոր մշակող բանկում կամ հեռահաղորդակցության ոլորտում՝ մոտ 250 հազար:

Pre-Sales ընկերությունում, որի տեխնոլոգիաներով դուք ամենակենսականորեն աշխատել եք,՝ 200 հազար, plus հնարավոր բոնուս (1‒1.5 միլիոն ռուբլի):

Enterprise business application-ների ներմուծման փորձագետները, որպիսիները SAP,՝ մինչև 350 հազար:

Տվյալների գիտելիքների մասնագետների եկամուտը

Հետազոտություն «Նորմալ հետազոտություններ» ընկերության վերլուծաբանների շուկայի հետազոտությունն ու New.HR տարածման գործակալությունը ցույց են տալիս, որ տվյալների գիտության մասնագետները ստանում են միջինից բարձր աշխատավարձ, քան այլ մասնագիտությունների վերլուծաբանները:

Ռուսաստանում տվյալների գիտնականի սկսնակ աշխատավարձը՝ մինչև մեկ տարվա աշխատանքային փորձ,կազմում է 113 հազար ռուբլի:

Այսօրվա աշխատանքային փորձը հաշվեց նաև ուսումնական ծրագրերի անցում:

1‒2 տարվա ընթացքում նման մասնագետը կարող է получать до 160 հազար:

4‒5 տարվա աշխատանքային experiencia ունեցող աշխատակցի համար դիապազոնը աճում է մինչև 310 հազար:

Ինչպես կատարվում են հարցազրույցները

Արևմուտքում մասնագիտական ուսուցման ծրագրերի շրջանավարտները առաջին հարցազրույցն անցնում են միջինը 5 շաբաթ անց ուսուցումն ավարտելուց: Ամեն վեց 85%-ը գտնում է աշխատանք 3 ամսվա ընթացքում:

Հրապարակքում տվյալների ինժեների և տվյալների գիտնականի գործակալության անցկացման գործընթացները գրեթե չեն տարբերվում: Անդամները սովորաբար բաղկացած են հինգ քայլերից:

Վերանայել. Առանց մասնագիտական նախորդ փորձ ունեցող թեկնածուները (օրինակ՝ մարքեթինգից) հարկավոր է մատչելի լինի մանրամասն կցված նամակ կամ ունենալ առաջարկներ այդ կազմակերպության ներկայացուցիչից:

Տեխնիկական սքրինինգ. Ինչպես правило проходит по телефону. Состоит из одного-двух сложных и столько же простых вопросов, касающихся текущего стека работодателя.

HR-հարցազրույց. Может проходить по телефону. На этом этапе кандидата проверяют на общую адекватность и способность общаться.

Տեխնիկական հարցազրույց. Որպես կանոն, անցկացվում է հանրային: Տեղի տարբեր ընկերություններում հաստիքների մակարդակները տարբերվում են, և անվանումները կարող են տարբեր լինել: Կարևոր է, որ այս փուլում փաստացի ստուգեն տեխնիկական գիտելիքները:

Հարցազրույց տեխնիկական տնօրենով / գլխավոր խորհրդատուով. Инженер и сайентист — стратегические позиции, а для многих компаний к тому же новые. Важно, чтобы потенциальный коллега понравился руководителю и совпадал с ним во взглядах.

Что поможет сайентистам и инженерам в карьерном росте

Դրանք նոր գործիքի մեծ քանակություն են, որպեսզի աշխատեն տվյալներով: Եվ քիչ են նրանք, ովքեր նույն կերպ լավ հաղորդակցվում են բոլորի հետ:

Շատ ընկերություններ պատրաստ չեն աշխատանքի ընդունել նորեկների։ Սակայն թեկնածուները, ովքեր ունեն նվազագույն գիտելիքներ և հմտություններ հանրահայտ գործիքների վերաբերյալ, կարող են ստանալ անհրաժեշտ փորձ, եթե սովորեն և ինքնուրույն զարգանան։

Օգտակար հատկություններ տվյալների ինժեների և տվյալների գիտնականի համար

Ունեալ ցանկություն և ուղեղի ուսուցման կարողություն. Չկանոնավոր է անմիջապես փորձի ետևից վազելը կամ աշխատանքը փոխելը նոր գործիքի պատճառով, բայց պետք է պատրաստ լինել տեղափոխվել նոր ոլորտ։

Կրկնուսական գործընթացների ավտոմատացման ձգտում. Դա կարևոր է ոչ միայն արտադրողականության, այլև տվյալների բարձր որակի և սպառողին փոխանցման արագության պահպանման համար։

Բարձր ուշադրություն և ըմբռնում «ինչ է տեղի ունենում փաստաթղթերի տակ» գործընթացների վրա. Շուտ կներդնի խնդիրը այն մասնագետն, որն ունի շրջակայությունում տեսնել ու խորը գիտելիքներ գործիքների մասին։

Բացի գերազանց ալգորիթմների, տվյալների կառուցվածքների և պայփլայնների գիտելիքից, անհրաժեշտ է սովորել մտածել արտադրանքներով ՝ տեսնել ճարտարապետությունն ու բիզնես լուծումները մի ամբողջական տեսարան։

Օրինակ, օգտակար է ցանկացած հայտնի ծառայություն վերցնել ու մշակել դրա համար տվյալների բազա։ Այնուհետև մտածել, թե ինչպես զարգացնել ETL և DW, որոնք կլցնեն այն տվյալներով, ովքեր կլինեն սպառողները և ինչ կարևոր է նրանց համար իմանալ տվյալների մասին, ինչպես նաև, թե ինչպես են գնորդները հարաբերություն ծավալում հավելվածների հետ՝ աշխատանք փնտրելու և ծանոթանալու, մեքենաների վարձակալության, պոդկաստների հավելվածների, կրթական պլատֆորմի համար։

Վերլուծաբան, տվյալների գիտնական և ինժեների դիրքերը շատ մոտ են, ուստի մեկ ուղղությունից մյուսը տեղափոխվել կարելի է ավելի արագ, քան այլ ոլորտներից։

Հական դեպքում, որ որակվում են ինչ-որ ԻՏ-կրթություն, ավելի հեշտ կլինի, քան նրանց, ովքեր չունեն։ Միջինում, տարեց ոգեշնչված մարդիկ վերապատրաստվում և աշխատանք փոխում են յուրաքանչյուր 1.5-2 տարին մեկ։ Այն ավելի հեշտ է նրանց համար, ովքեր սովորում են խմբով և մենթորի հետ՝ համեմատած նրանց, ովքեր միայն հենվում են բաց աղբյուրների վրա։