Dmitry Kazakov, Data Analytics Team Lead bei Kolesa Group, deelt Abléck vun der éischter Kasachstan Ëmfro vun Dateprofesser.
Op der Foto: Dmitry Kazakov
Denkt un de populäre Saz datt Big Data am meeschte wéi Teenager Sex ass - jiddereen schwätzt doriwwer, awer kee weess ob et tatsächlech existéiert. Datselwecht kéint iwwer de Maart fir Datespezialisten (am Kasachstan) gesot ginn - et gëtt en Hype, awer wien hannendrun ass (an ob et iwwerhaapt een do ass) war net ganz kloer - weder dem HR, nach dem Manager, nach fir d'Datenwëssenschaftler selwer.
Mir hunn verbruecht , an deem si méi wéi 300 Spezialisten iwwer hir Paien, Funktiounen, Fäegkeeten, Tools a vill méi befrot hunn.
Spoiler: Jo, si existéieren definitiv, awer alles ass net sou einfach.
Schéin Asiicht. Als éischt ginn et méi Datewëssenschaftler wéi mir erwaart hunn. Mir hunn et fäerdeg bruecht 300 Leit ze interviewen, dorënner net nëmmen Produkt-, Marketing- a BI Analysten, mee och ML- an DWH-Ingenieuren, wat besonnesch erfreelech war. Déi gréisste Grupp enthält all déi, déi sech Datenwëssenschaftler nennen - dat sinn 36% vun de Befroten. Et ass schwéier ze soen ob dëst d'Demande vum Maart deckt oder net, well de Maart selwer just geformt gëtt.
D'Verdeelung vun den Aarbechtsniveauen ass konfus - et gi bal sou vill Teamleit a Manager wéi Junioren. Et kënne verschidde Grënn dofir sinn. Zum Beispill, eng grouss Zuel vu klenge Équipen vun 2-3 Leit, an deem de Leader kann Mëtt oder Senior Niveau Spezialist ginn.
En anere Grond kann de Chaos sinn, deen am Moment um Maart regéiert betreffend Normen an der Rollverdeelung a Funktionalitéit. Team Leads ginn heiansdo un déi zougewisen, déi einfach e Joer oder zwee méi laang schaffen wéi anerer, ouni Referenz op den Niveau vu Fäegkeeten a Wëssen. Mir gesinn dat an der Verdeelung vu Funktiounen no Positioun - 38% vun de Manager an Teamleader sinn an der Pre-Veraarbechtung engagéiert an eng aner 33% an der Basis statistescher Analyse.
Hei hu mir d'Befroten gefrot fir den Niveau vun der Analyse an hire Firmen subjektiv ze bewäerten. Wann Dir genau kuckt, kënnt Dir gesinn datt 10% vun de Befroten, déi an Analysedepartementer vun 2-3 Leit schaffen, gleewen datt se en "fortgeschrattenen Niveau" hunn.
Wat ass "Fortgeschratt Niveau"? De BI System funktionnéiert super. Et gëtt DWH a Big Data. A / B Tester gi regelméisseg duerchgefouert. Et gi schaffen ML an DS Systemer an Produktioun. Entscheedunge ginn nëmme baséiert op Daten. D'Datenveraarbechtung an d'Datewëssenschaftsdepartement ass ee vun de Schlësselen an der Firma.
Et ass bal onméiglech all vun den uewe mat engem Departement vun 2-3 Leit ze erreechen. Ech mengen, datt dëst Resultat vun der Ëmfro e liichte Wuesstum ass - d'Jongen hunn nach kee Mënsch fir sech selwer ze vergläichen fir hiren Niveau méi objektiv ze bestëmmen.
Wéi erwaart verbréngen d'Datewëssenschaftler déi meescht vun hirer Zäit net op super komplex Mathematik oder Ingenieur, mee op Virveraarbechtung, Eroflueden a Botzen vun Daten. An all Spezialisatioun gesi mir Virveraarbechtung an den Top 3. Awer mir gesinn selten komplex Saachen wéi ML Modeller z'entwéckelen oder mat Big Data an den Top 3 ze schaffen - nëmmen ënner ML an DWH Ingenieuren.
Et ginn och e puer traureg Abléck. Experten setzen 40% vun den Aufgaben fir sech selwer. Am Kasachstan, bis elo nëmmen Top Eenhoornfirmen hunn d'Virdeeler probéiert mat Big Data ze schaffen a geléiert wéi et kompetent ze maachen. Si iwwerdroen op de Maart datt Big Data a Machine Learning cool sinn, an den zweeten Echelon follegt hannendrun, awer versteet net ëmmer wéi d'Aarbecht mat Daten funktionnéiert. Dofir gesi mir datt d'Spezialisten sech selwer Aufgaben setzen, an d'Betriber net ëmmer wëssen wat se wëllen.
Ech war iwwerrascht datt 20% vun de Spezialisten net emol wëssen ob hir Firma en Data Warehouse huet. Jo, a mat Datebankmanagementsystemer ass net alles sou gutt - 41% benotzen MySQL, an aner 34% benotzen PostgreSQL. Wat kéint dat bedeiten? Si schaffen éischter mat klengen Donnéeën.
An der Fro iwwer Späichersystemer gesi mir erëm MySQL a souguer (!) Excel. Mä dëst kann zum Beispill uginn datt déi meescht Firmen einfach nach keng Ufro hunn fir mat Big Data ze schaffen.
Hei ass alles erëm zweedeiteg. Allgemeng waren d'Salairen e bësse méi niddereg wéi ech erwaart hunn.
Perséinlech ass et schwéier fir mech en ML Ingenieur virzestellen dee prett ass fir 200 Tausend Tenge ze schaffen - hien ass wahrscheinlech e Stagiaire. Entweder d'Kompetenzen vun esou Spezialisten si ganz schwaach, oder et ass nach ëmmer schwéier fir Firmen d'Aarbecht vun Data Science adequat ze bewäerten. Awer vläicht weist dat och un datt de Maart nach am Ufank vu senger Reifung ass. A mat der Zäit gëtt den Niveau vun de Gehälter op engem méi adäquate Niveau etabléiert.
Source: will.com