Secondo le ricerche di HeadHunter e Mail.ru, la domanda di specialisti nel campo della Data Science supera l'offerta, ma anche in queste condizioni i giovani professionisti non riescono sempre a trovare lavoro. Spieghiamo cosa manca ai laureati dei corsi e dove dovrebbero studiare coloro che pianificano una carriera importante nella Data Science.
«Arrivano e pensano che ora guadagneranno 500k al secondo, perché conoscono i nomi dei framework e sanno come far partire un modello in due righe»
Emil Magarremov gestisce un gruppo di servizi di chimica computazionale presso biocad e durante i colloqui si trova di fronte a candidati privi di una comprensione sistematica della professione. Finiscono i corsi, arrivano con competenze solide in Python e SQL, possono avviare Hadoop o Spark in 2 secondi, eseguire compiti seguendo un chiaro brief. Ma a quel punto, un passo laterale, non ci riescono. Eppure, è proprio la flessibilità delle soluzioni che i datori di lavoro si aspettano dai loro specialisti nel campo della Data Science.
Cosa succede nel mercato della Data Science
Le competenze dei giovani professionisti riflettono la situazione del mercato del lavoro. Qui, la domanda supera notevolmente l'offerta, quindi i datori di lavoro scoraggiati sono spesso davvero disposti ad assumere professionisti alle prime armi e formarli secondo le proprie esigenze. Questo approccio funziona, ma è valido solo se nel team c'è già un team leader esperto che si occuperà della formazione del junior.
Secondo uno studio di HeadHunter e Mail.ru, gli specialisti in analisi dei dati sono tra i più richiesti sul mercato:
- Nel 2019, il numero di offerte di lavoro nel campo dell'analisi dei dati è aumentato di 9,6 volte e nel campo dell'apprendimento automatico – di 7,2 volte rispetto al 2015.
- Rispetto al 2018, il numero di offerte di lavoro per specialisti in analisi dei dati è aumentato di 1,4 volte, per l'apprendimento automatico – di 1,3 volte.
- Il 38% delle offerte di lavoro aperte proviene da aziende IT, il 29% da aziende del settore finanziario, il 9% dal settore dei servizi per le imprese.
La situazione è alimentata da numerose scuole online che addestrano i cosiddetti junior. In generale, la formazione dura da tre a sei mesi, durante i quali gli studenti riescono a padroneggiare a livello base gli strumenti principali: Python, SQL, analisi dei dati, Git e Linux. Alla fine si ottiene un classico junior: capace di risolvere un compito specifico, ma non è ancora in grado di comprendere il problema e di formulare autonomamente il compito.
Sfortunatamente, un colloquio di lavoro in Data Science di solito si presenta così: il candidato racconta di aver provato a utilizzare un paio di librerie, non è in grado di rispondere a domande su come funzionano esattamente gli algoritmi, e poi chiede 200, 300, 400 mila rubli al mese netti.
A causa del gran numero di slogan pubblicitari come "chiunque può diventare analista di dati", "impara il machine learning in tre mesi e inizia a guadagnare tanti soldi" e della ricerca di guadagni rapidi, nel nostro campo è arrivato un enorme afflusso di candidati superficiali, completamente privi di una preparazione sistematica.
Viktor Kantor
Chief Data Scientist in MTS
Chi cercano i datori di lavoro
Ogni datore di lavoro vorrebbe che i suoi junior lavorassero senza supervisione costante e potessero crescere sotto la guida di un team leader. Per questo, il neofita deve subito padroneggiare gli strumenti necessari per affrontare le attività correnti e avere una base teorica sufficiente per proporre gradualmente soluzioni proprie e affrontare compiti più complessi.
Con gli strumenti, i neofiti sul mercato se la cavano abbastanza bene. I corsi a breve termine permettono di apprenderli rapidamente e di iniziare a lavorare.
Secondo uno studio di HeadHunter e Mail.ru, la competenza più richiesta è la conoscenza di Python. Questa viene menzionata nel 45% degli annunci di lavoro per specialisti in analisi dei dati e nel 51% degli annunci nel campo del machine learning.
Inoltre, i datori di lavoro desiderano che gli specialisti in analisi dei dati conoscano SQL (23%), siano esperti in data mining (19%), abbiano competenze in statistica matematica (11%) e sappiano lavorare con i big data (10%).
I datori di lavoro che cercano specialisti in machine learning, oltre alla conoscenza di Python, si aspettano che il candidato conosca C++ (18%), SQL (15%), algoritmi di machine learning (13%) e Linux (11%).
Ma se per gli strumenti i principianti se la cavano, i loro supervisori si trovano di fronte a un'altra problematica. La maggior parte dei laureati dei corsi non ha una comprensione profonda della professione, quindi è difficile per un neofita progredire.
Attualmente sto cercando specialisti in machine learning per il mio team. Nota che spesso i candidati hanno appreso strumenti specifici di Data Science, ma non possiedono una comprensione sufficiente delle basi teoriche per sviluppare nuove soluzioni.
Emil Magarremov
Responsabile del gruppo dei servizi di chimica computazionale, Biocad
La struttura stessa e la durata dei corsi non consentono di approfondire al livello necessario. Spesso ai laureati mancano quelle soft skills che di solito vengono trascurate nella lettura delle offerte di lavoro. Bene, chi di noi può dire di non avere pensiero sistemico o voglia di svilupparsi. Tuttavia, nel campo del Data Science, si tratta di una storia molto più profonda. Qui, per progredire, è necessaria un’inclinazione sufficientemente forte verso la teoria e la scienza, che è possibile solo con un’istruzione prolungata, ad esempio, in un’università.
Molto dipende dalla persona: se uno studente, con una buona base in matematica e programmazione, partecipa a un intenso corso di tre mesi con insegnanti esperti e assorbe tutti i materiali del corso come una spugna, come si diceva a scuola, non avrà problemi con un tale dipendente. Ma il 90-95% delle persone ha bisogno di studiare dieci volte di più per assimilare qualcosa in modo permanente, e farlo in modo sistematico per diversi anni. E questo rende i programmi di master in analisi dei dati un'ottima opzione per acquisire una buona base di conoscenze, che aiuterà anche in sede di colloquio e renderà molto più semplice il lavoro.
Viktor Kantor
Chief Data Scientist in MTS
Dove studiare per trovare lavoro nel Data Science
Sul mercato ci sono molti buoni corsi di Data Science e ottenere una formazione iniziale non è un problema. Ma è importante comprendere la direzione di questa formazione. Se un candidato ha già un forte background tecnico, i corsi intensivi sono ciò di cui ha bisogno. La persona apprenderà gli strumenti, arriva al lavoro e si integra rapidamente, perché sa già pensare come un matematico, vedere il problema e formulare le questioni. Se non c'è tale background, dopo il corso si avrà un buon esecutore, ma con possibilità limitate di crescita.
Se hai un compito a breve termine di cambio professione o di ricerca di lavoro in questo campo, allora corsi sistematici brevi che forniscono rapidamente un insieme minimo di competenze tecniche possono fare al caso tuo, così potrai ambire a una posizione iniziale in quest'area.
Ivan Yamshchikov
Direttore accademico del master online in "Scienza dei Dati"
Il problema dei corsi sta nel fatto che forniscono un avvio rapido, ma minimo. La persona entra letteralmente nella professione e raggiunge rapidamente un limite. Per entrare nella professione a lungo termine, è necessario porre immediatamente una buona base attraverso un programma più lungo, ad esempio un master.
L'istruzione superiore è adatta quando si comprende che questo campo è di interesse a lungo termine. Non si cerca di entrare nel mondo del lavoro il prima possibile. E non si vuole avere un tetto di carriera, né si desidera affrontare il problema della mancanza di conoscenze, abilità e comprensione dell'ecosistema complessivo che sviluppa prodotti innovativi. Per questo è necessaria un'istruzione superiore, che fornisce non solo un insieme necessario di competenze tecniche, ma ristruttura anche il proprio modo di pensare e aiuta a formare una certa visione della propria carriera su una prospettiva a lungo termine.
Ivan Yamshchikov
Direttore accademico del master online in "Scienza dei Dati"
L'assenza di un tetto di carriera è il principale vantaggio del programma di master. In due anni, uno specialista acquisisce una solida base teorica. Ecco come si presenta il primo semestre del programma di Data Science presso il MIPT "MISIS":
- Introduzione alla Data Science. 2 settimane.
- Fondamenti dell'analisi dei dati. Elaborazione dei dati. 2 settimane
- Apprendimento automatico. Pre-elaborazione dei dati. 2 settimane
- EDA. Analisi esplorativa dei dati. 3 settimane
- Principali algoritmi di apprendimento automatico. Parte 1 + Parte 2 (6 settimane)
Allo stesso modo, è possibile ottenere esperienza pratica lavorando. Nulla impedisce di intraprendere un lavoro da junior non appena lo studente ha padroneggiato gli strumenti necessari. Tuttavia, a differenza di un laureato dei corsi, un master non si ferma qui con la sua formazione, ma continua ad approfondire la professione. In futuro, questo consente di svilupparsi nel Data Science senza limitazioni.
Sul sito dell'università delle scienze e delle tecnologie "MISIS" si svolgono per coloro che vogliono lavorare nel Data Science. I rappresentanti di NITU "MISIS", SkillFactory, HeadHunter, Facebook, Mail.ru Group e Yandex parlano delle questioni più importanti:
- "Come trovare il proprio posto nel Data Science?",
- "È possibile diventare data scientist da zero?",
- "Ci sarà ancora bisogno di data scientist nei prossimi 2-5 anni?",
- "Su quali problemi lavorano gli specialisti del data science?",
- "Come costruire una carriera nel Data Science?"
Formazione online, diploma di istruzione statale. saranno accettate fino al 10 agosto.
Fonte: habr.com
