Дмитрий Казаков, Колеса группын Мэдээллийн аналитик багийн ахлагч Казахстаны мэдээллийн мэргэжилтнүүдийн дунд явуулсан анхны судалгааны үр дүнг хуваалцаж байна.
Зураг дээр: Дмитрий Казаков
Big Data бол өсвөр үеийнхний секстэй хамгийн адилхан гэсэн алдартай хэллэгийг санаарай - хүн бүр энэ тухай ярьдаг, гэхдээ энэ нь үнэхээр байдаг эсэхийг хэн ч мэдэхгүй. Мэдээллийн мэргэжилтнүүдийн зах зээлийн талаар ижил зүйлийг хэлж болно (Казахстанд) - шуугиан тарьж байна, гэхдээ үүний ард хэн байгаа (мөн тэнд хэн нэгэн байгаа эсэх) бүрэн тодорхойгүй байсан - Хүний нөөцийн ажилтнууд ч, менежерүүд ч, мэдээлэл судлаачид өөрсдөө.
Бид өнгөрүүлсэн , тэд 300 гаруй мэргэжилтнүүдээс цалин, чиг үүрэг, ур чадвар, багаж хэрэгсэл болон бусад олон зүйлийн талаар санал асуулга явуулсан.
Спойлер: Тийм ээ, тэд гарцаагүй байдаг, гэхдээ бүх зүйл тийм ч хялбар биш юм.
Сайхан ойлголт. Нэгдүгээрт, бидний бодож байснаас олон тооны өгөгдөл судлаачид байна. Бид 300 хүнтэй ярилцлага хийж чадсан бөгөөд тэдний дунд зөвхөн бүтээгдэхүүн, маркетинг, BI шинжээчид төдийгүй ML, DWH инженерүүд ч байсан нь үнэхээр таатай байлаа. Хамгийн том бүлэгт өөрсдийгөө өгөгдөл судлаач гэж нэрлэдэг бүх хүмүүс багтсан бөгөөд энэ нь судалгаанд оролцогчдын 36% юм. Энэ нь зах зээлийн эрэлт хэрэгцээг хангаж байна уу, үгүй юу гэдгийг хэлэхэд хэцүү, учир нь зах зээл өөрөө дөнгөж бүрэлдэж байна.
Ажлын түвшний хуваарилалт нь төөрөгдөлтэй байдаг - багийн ахлагч, менежерүүд бараг бага насныхантай адил олон байдаг. Үүнд хэд хэдэн шалтгаан байж болно. Жишээлбэл, удирдагч нь дунд болон ахлах түвшний мэргэжилтэн байж болох 2-3 хүнтэй олон тооны жижиг баг.
Өөр нэг шалтгаан нь үүрэг, функциональ хуваарилалтын стандарттай холбоотой зах зээл дээр эмх замбараагүй байдал байж магадгүй юм. Багийн удирдагчдыг ур чадвар, мэдлэгийн түвшинг харгалзахгүйгээр бусдаас нэг юмуу хоёр жилээр илүү ажилладаг хүмүүст томилдог. Үүнийг бид чиг үүргийн хуваарилалтаас харж байна - менежерүүд болон багийн ахлагчдын 38% нь урьдчилсан боловсруулалт, өөр 33% нь статистикийн үндсэн шинжилгээнд оролцдог.
Энд бид судалгаанд оролцогчдоос компанийнхаа аналитикийн түвшинг субьектив байдлаар үнэлэхийг хүссэн. Хэрэв та анхааралтай ажиглавал 10-2 хүнтэй аналитик хэлтэст ажилладаг санал асуулгад оролцогчдын 3% нь өөрсдийгөө "дэвшилтэт" гэж үздэг.
"Дэвшилтэт түвшин" гэж юу вэ? BI систем маш сайн ажилладаг. DWH болон Big Data байдаг. A/B шинжилгээг тогтмол хийдэг. Үйлдвэрлэлд ажиллаж байгаа ML болон DS системүүд байдаг. Шийдвэрийг зөвхөн мэдээлэлд үндэслэн гаргадаг. Мэдээлэл боловсруулах, мэдээллийн шинжлэх ухааны хэлтэс нь компанийн гол салбаруудын нэг юм.
2-3 хүнтэй тасагтай бол дээрх бүх зүйлд хүрэх бараг боломжгүй юм. Энэхүү судалгааны үр дүн нь бага зэрэг нэмэгдэж буй өвдөлт гэж би бодож байна - залууст өөрсдийн түвшинг илүү бодитой тодорхойлохын тулд өөрсдийгөө харьцуулах хүн хараахан байхгүй байна.
Хүлээгдэж буйчлан өгөгдөл судлаачид ихэнх цагаа хэт нарийн төвөгтэй математик эсвэл инженерчлэлд бус, харин өгөгдлийг урьдчилан боловсруулах, татаж авах, цэвэрлэхэд зарцуулдаг. Мэргэшсэн мэргэжлээр бид эхний 3-т урьдчилсан боловсруулалтыг хардаг. Гэхдээ бид ML загвар боловсруулах, Big Data-тай ажиллах гэх мэт нарийн төвөгтэй зүйлсийг зөвхөн ML болон DWH инженерүүдийн дунд эхний 3-т орох нь ховор байдаг.
Мөн хэд хэдэн гунигтай ойлголтууд байдаг. Мэргэжилтнүүд даалгаврынхаа 40 хувийг өөрсдөө тавьдаг. Казахстанд одоогоор ганц эвэртний шилдэг компаниуд л том өгөгдөлтэй ажиллахын давуу талыг туршиж, үүнийг хэрхэн чадварлаг хийж сурсан байна. Тэд зах зээлд Big Data болон Machine Learning нь гайхалтай бөгөөд хоёр дахь шат нь араас нь ордог боловч өгөгдөлтэй ажиллах хэрхэн ажилладагийг тэр бүр ойлгодоггүй гэж зах зээлд нэвтрүүлдэг. Тиймээс мэргэжилтнүүд өөрсдөдөө даалгавар тавьдаг бөгөөд бизнес эрхлэгчид юу хүсч байгаагаа тэр бүр мэддэггүйг бид харж байна.
Мэргэжилтнүүдийн 20% нь компани нь мэдээллийн агуулахтай эсэхийг мэдэхгүй байгаад би гайхсан. Тиймээ, мэдээллийн баазын удирдлагын системтэй бол бүх зүйл тийм ч сайн байдаггүй - 41% нь MySQL, өөр 34% нь PostgreSQL ашигладаг. Энэ юу гэсэн үг вэ? Тэд жижиг өгөгдөлтэй ажилладаг.
Хадгалах системийн талаархи асуултанд бид MySQL, тэр ч байтугай (!) Excel-ийг дахин харж байна. Гэхдээ энэ нь жишээ нь ихэнх компаниудад том өгөгдөлтэй ажиллах хүсэлт гараагүй байгааг илтгэж магадгүй юм.
Энд бүх зүйл дахин хоёрдмол утгатай байна. Ерөнхийдөө цалин миний бодож байснаас арай бага байсан.
Миний хувьд 200 мянган тенгегээр ажиллахад бэлэн ML инженерийг төсөөлөхөд хэцүү байдаг - тэр магадгүй дадлагажигч юм. Ийм мэргэжилтнүүдийн ур чадвар маш сул, эсвэл компаниуд Data Science-ийн ажлыг зохих ёсоор үнэлэхэд хэцүү хэвээр байна. Гэхдээ энэ нь зах зээл төлөвшлийн эхэн үедээ байсаар байгааг илтгэж магадгүй юм. Цаг хугацаа өнгөрөхөд цалингийн түвшин илүү хангалттай түвшинд байх болно.
Эх сурвалж: www.habr.com