Дмитриј Казаков, Водечкиот тим за анализа на податоци во Колеса Груп, споделува сознанија од првото истражување во Казахстан со професионалци за податоци.
На фотографијата: Дмитриј Казаков
Сетете се на популарната фраза дека Big Data е најмногу како тинејџерски секс - сите зборуваат за тоа, но никој не знае дали навистина постои. Истото може да се каже и за пазарот за специјалисти за податоци (во Казахстан) - има возбуда, но кој стои зад тоа (и дали воопшто има некој таму) не беше целосно јасно - ниту на HR, ниту на менаџерите, ниту на самите научници за податоци.
Ние потрошивме , во која анкетираа повеќе од 300 специјалисти за нивните плати, функции, вештини, алатки и многу повеќе.
Спојлер: Да, тие дефинитивно постојат, но сè не е толку едноставно.
Убав увид. Прво, има повеќе научници за податоци отколку што очекувавме. Успеавме да интервјуираме 300 луѓе, меѓу кои не беа само аналитичари на производи, маркетинг и БИ, туку и инженери за ML и DWH, што беше особено пријатно. Најголемата група ги вклучуваше сите оние кои себеси се нарекуваат научници за податоци - тоа е 36% од испитаниците. Тешко е да се каже дали ова ја покрива побарувачката на пазарот или не, бидејќи самиот пазар штотуку се формира.
Распределбата на нивоата на работни места е збунувачка - има речиси исто толку тимски водачи и менаџери колку и јуниори. Може да има неколку причини за ова. На пример, голем број мали тимови од 2-3 лица, во кои лидер може да биде специјалист од средно или повисоко ниво.
Друга причина може да биде хаосот што моментално владее на пазарот во однос на стандардите во распределбата на улогите и функционалноста. Тимските води понекогаш се доделуваат на оние кои едноставно работат една или две години подолго од другите, без упатување на нивото на вештини и знаење. Ова го гледаме во распределбата на функциите по позиции - 38% од менаџерите и лидерите на тимовите се ангажирани во претходна обработка и уште 33% во основна статистичка анализа.
Овде побаравме од испитаниците субјективно да го проценат нивото на аналитика во нивните компании. Ако погледнете внимателно, можете да видите дека 10% од испитаниците кои работат во оддели за аналитика од 2-3 луѓе веруваат дека имаат „напредно ниво“.
Што е „напредно ниво“? Системот БИ работи одлично. Има DWH и Big Data. А/Б тестовите се вршат редовно. Во производство има работни системи ML и DS. Одлуките се носат само врз основа на податоци. Одделот за обработка на податоци и наука за податоци е еден од клучните во компанијата.
Речиси е невозможно да се постигне сето горенаведено со оддел од 2-3 лица. Мислам дека резултатот од оваа анкета е мала болка што расте - момците сè уште немаат со кого да се споредат за пообјективно да го одредат нивното ниво.
Како што се очекуваше, научниците за податоци го поминуваат поголемиот дел од своето време не на супер сложена математика или инженерство, туку на претходна обработка, преземање и чистење на податоците. Во секоја специјализација гледаме преработка во првите 3. Но, ретко гледаме сложени работи како развој на ML модели или работа со Big Data во првите 3 - само кај инженерите за ML и DWH.
Има и неколку тажни сознанија. Експертите сами си поставуваат 40% од задачите. Во Казахстан, досега само врвните компании на еднорог ги испробаа придобивките од работењето со големи податоци и научија како да го прават тоа компетентно. Тие пренесуваат на пазарот дека Big Data и Machine Learning се кул, а вториот ешалон следи позади, но не секогаш разбира како функционира работата со податоци. Затоа, гледаме дека специјалистите си поставуваат задачи, а бизнисите не секогаш знаат што сакаат.
Бев изненаден што 20% од специјалистите дури и не знаат дали нивната компанија има складиште на податоци. Да, и со системите за управување со бази на податоци не е сè толку добро - 41% користат MySQL, а други 34% користат PostgreSQL. Што може да значи ова? Тие работат прилично со мали податоци.
Во прашањето за системите за складирање, повторно гледаме MySQL, па дури и (!) Excel. Но, ова може да укаже, на пример, дека повеќето компании едноставно сè уште немаат барање да работат со големи податоци.
Тука сè е повторно двосмислено. Општо земено, платите беа малку пониски отколку што очекував.
Лично, тешко ми е да замислам ML инженер кој е подготвен да работи за 200 илјади тенге - тој веројатно е практикант. Или компетенциите на таквите специјалисти се многу слаби, или се уште е тешко за компаниите соодветно да ја оценат работата на Data Science. Но, можеби и ова укажува дека пазарот се уште е на самиот почеток на своето созревање. И со текот на времето, нивото на платите ќе се воспостави на поадекватно ниво.
Извор: www.habr.com