Według badań przeprowadzonych przez HeadHunter i Mail.ru popyt na specjalistów w dziedzinie Data Science przewyższa podaż, jednak nawet w takich warunkach młodym specjalistom nie zawsze udaje się znaleźć pracę. Opowiadamy, czego brakuje absolwentom kursów oraz gdzie uczyć się osobom, które planują dużą karierę w Data Science.
„Przychodzą i myślą, że teraz będą zarabiać 500k na sekundę, ponieważ znają nazwy frameworków i jak z nich uruchomić model w dwóch linijkach.”
Emil Mageramow kieruje grupą serwisów chemii obliczeniowej w firmie biocad i na rozmowach kwalifikacyjnych spotyka się z tym, że kandydaci nie mają systemowego zrozumienia zawodu. Kończą kursy, przychodzą z dobrze rozwiniętymi umiejętnościami w Pythonie i SQL, potrafią w 2 sekundy uruchomić Hadoop lub Spark, wykonać zadanie według konkretnego zadania. Jednak krok w bok — już nie potrafią. Chociaż właśnie elastyczności rozwiązań oczekują od swoich specjalistów w dziedzinie Data Science pracodawcy.
Co dzieje się na rynku Data Science
Kompetencje młodych specjalistów odzwierciedlają sytuację na rynku pracy. Tutaj popyt znacznie przewyższa podaż, dlatego zdesperowani pracodawcy często są gotowi zatrudniać zupełnie zielonych specjalistów i rozwijać ich pod siebie. To jest wykonalne, ale sprawdzi się tylko wtedy, gdy w zespole znajduje się już doświadczony lider zespołu, który weźmie na siebie szkolenie juniora.
Z badania przeprowadzonego przez HeadHunter i Mail.ru wynika, że specjaliści w dziedzinie analizy danych są jednymi z najbardziej poszukiwanych na rynku:
- W 2019 roku liczba ofert pracy w dziedzinie analizy danych wzrosła 9,6 razy, a w dziedzinie uczenia maszynowego – 7,2 razy w porównaniu do roku 2015.
- W porównaniu do roku 2018 liczba ofert pracy dla specjalistów w dziedzinie analizy danych zwiększyła się 1,4 razy, a w uczeniu maszynowym – 1,3 razy.
- 38% otwartych ofert pracy przypada na firmy IT, 29% – na firmy z sektora finansowego, 9% – na sektor usług dla biznesu.
Sytuację podgrzewają liczne szkoły online, które przygotowują przyszłych juniorów. Główne kursy trwają od trzech do sześciu miesięcy, podczas których uczniowie na podstawowym poziomie opanowują najważniejsze narzędzia: Python, SQL, analizę danych, Git i Linux. Na koniec powstaje klasyczny junior: potrafi rozwiązać konkretny problem, ale nie jest jeszcze w stanie zrozumieć problemu i samodzielnie sformułować zadanie. Jednak wysoki popyt na specjalistów i szum wokół zawodu często rodzą wysokie ambicje i wymagania płacowe.
Niestety, rozmowa kwalifikacyjna na stanowisko Data Scientist zazwyczaj wygląda tak: kandydat opowiada, że próbował zastosować kilka bibliotek, ale nie potrafi odpowiedzieć na pytania dotyczące działania algorytmów, a następnie prosi o 200, 300, 400 tysięcy rubli miesięcznie na rękę.
Z powodu ogromnej liczby reklamowych haseł takich jak „każdy może zostać analitykiem danych”, „opanowuj uczenie maszynowe w trzy miesiące i zacznij zarabiać duże pieniądze” oraz pragnienia szybkiego wzbogacenia się, nasza branża przyciągnęła ogromną rzeszę powierzchownych kandydatów, całkowicie bez systematycznego przygotowania.
Wiktor Kantor
Chief Data Scientist w MTS
Kogo oczekują pracodawcy
Każdy pracodawca chciałby, aby jego juniorzy pracowali bez ciągłej kontroli i mogli rozwijać się pod okiem team leada. W tym celu nowicjusz powinien od razu opanować potrzebne narzędzia do rozwiązywania bieżących zadań oraz posiadać wystarczającą wiedzę teoretyczną, aby stopniowo proponować własne rozwiązania i zabierać się za bardziej skomplikowane zadania.
Z narzędziami nowicjusze na rynku radzą sobie nieźle. Krótkoterminowe kursy pozwalają szybko je opanować i przystąpić do pracy.
Według badania HeadHunter i Mail.ru, najbardziej pożądana umiejętność to znajomość Pythona. Występuje ona w 45% ofert pracy dla specjalistów analizy danych i w 51% ofert w obszarze uczenia maszynowego.
Pracodawcy oczekują również, że specjaliści ds. analizy danych będą znać SQL (23%), będą mieli doświadczenie w inteligentnej analizie danych (Data Mining) (19%), matematycznej statystyce (11%) i umieli pracować z dużymi danymi (10%).
Pracodawcy, którzy poszukują specjalistów ds. uczenia maszynowego, oprócz znajomości Pythona oczekują, że kandydat będzie znał C++ (18%), SQL (15%), algorytmy uczenia maszynowego (13%) i Linux (11%).
Ale jeśli narzędzia u juniorów działają dobrze, to ich przełożeni stają przed innym problemem. Większość absolwentów kursów nie ma głębokiego zrozumienia zawodu, dlatego nowicjuszom trudno jest się rozwijać.
Szukam teraz specjalistów od uczenia maszynowego do swojego zespołu. Widzę jednak, że często kandydaci opanowali pojedyncze narzędzia Data Science, ale brakuje im wystarczającej wiedzy teoretycznej, aby tworzyć nowe rozwiązania.
Emil Mageramow
Kierownik grupy usług obliczeniowej chemii, Biocad
Struktura i długość kursów nie pozwala na zgłębienie tematu na potrzebnym poziomie. Absolwentom często brakuje tzw. umiejętności miękkich, które zwykle są pomijane podczas czytania ogłoszenia o pracy. Prawda jest taka, że niewielu z nas przyzna, że nie ma myślenia systemowego czy chęci rozwoju. Jednak w kontekście specjalisty ds. Data Science chodzi o coś głębszego. Aby się rozwijać, potrzeba naprawdę solidnego podejścia do teorii i nauki, co jest możliwe tylko przy długoterminowym kształceniu, na przykład na uniwersytecie.
Wiele zależy od osoby: jeśli uczestnik intensywnego kursu, trwającego trzy miesiące, prowadzonego przez silnych wykładowców z doświadczeniem liderów zespołów w najlepszych firmach, ma dobrą podstawę w matematyce i programowaniu, przyswaja wszystkie materiały kursu i "wchłania jak gąbka", jak to mówiono w szkole, to potem nie ma problemów z takim pracownikiem. Ale 90-95% osób, aby coś przyswoić na stałe, musi nauczyć się dziesięć razy więcej i robić to systematycznie przez kilka lat. Dlatego programy magisterskie z analizy danych są doskonałą opcją na zdobycie solidnych podstaw wiedzy, które pozwolą uniknąć zakłopotania na rozmowie kwalifikacyjnej i znacznie ułatwią pracę.
Wiktor Kantor
Chief Data Scientist w MTS
Gdzie uczyć się, aby znaleźć pracę w Data Science
Na rynku jest wiele dobrych kursów z zakresu Data Science, a zdobycie podstawowego wykształcenia nie stanowi problemu. Ważne jest jednak zrozumienie celu tego wykształcenia. Jeśli kandydat ma już solidne zaplecze techniczne, intensywne kursy będą idealne. Osoba opanuje narzędzia, wejdzie na stanowisko i szybko się zaadaptuje, ponieważ już potrafi myśleć jak matematyk, dostrzegać problemy i formułować zadania. Jeśli takiego zaplecza nie ma, to po kursie będzie dobrym wykonawcą, ale z ograniczonymi możliwościami rozwoju.
Jeśli przed Tobą stoi krótko-terminowe zadanie zmiany zawodu lub szukania pracy w tej specjalności, to wtedy odpowiednie będą krótkie, systematyczne kursy, które szybko dostarczą minimalny zestaw umiejętności technicznych, abyś mógł ubiegać się o stanowisko początkowe w tej dziedzinie.
Iwan Jamyszczkow
Dyrektor Akademicki online- programu magisterskiego „Nauka o danych”
Problem kursów polega na tym, że dają szybki, ale minimalny start. Osoba dosłownie wskakuje do zawodu i szybko osiąga sufit. Aby na dłużej wejść w ten zawód, trzeba od razu położyć solidne podstawy w postaci dłuższej programu, na przykład w ramach studiów magisterskich.
Wykształcenie wyższe jest odpowiednie, gdy rozumiesz, że ta dziedzina interesuje Cię na dłuższą metę. Nie spieszysz się, aby jak najszybciej znaleźć pracę. Nie chcesz mieć kariery z ograniczeniami, ani nie chcesz stawić czoła problemowi braku wiedzy, umiejętności i zrozumienia ogólnego ekosystemu, w którym rozwijają się innowacyjne produkty. Do tego potrzebne jest właśnie wykształcenie wyższe, które nie tylko dostarcza niezbędnego zestawu umiejętności technicznych, ale także strukturyzuje Twoje myślenie i pomaga ukształtować wizję Twojej kariery na dłuższą perspektywę.
Iwan Jamyszczkow
Dyrektor Akademicki online- programu magisterskiego „Nauka o danych”
Brak ograniczeń kariery to główna zaleta programu magisterskiego. Przez dwa lata specjalista zdobywa solidne podstawy teoretyczne. Oto jak wygląda pierwszy semestr w programie Data Science NITU „MISiS”:
- Wprowadzenie do Data Science. 2 tygodnie.
- Podstawy analizy danych. Przetwarzanie danych. 2 tygodnie.
- Uczenie maszynowe. Wstępne przetwarzanie danych. 2 tygodnie.
- EDA. Eksploracyjna analiza danych. 3 tygodnie.
- Podstawowe algorytmy uczenia maszynowego. Część 1 + Część 2 (6 tygodni)
Jednocześnie można równolegle zdobywać praktyczne doświadczenie zawodowe. Nic nie stoi na przeszkodzie, aby zająć stanowisko juniora, gdy student opanuje potrzebne narzędzia. Jednak w przeciwieństwie do absolwenta kursów, magister nie przestaje kształcić się, lecz nadal pogłębia swoją wiedzę w zawodzie. W przyszłości pozwala to rozwijać się w Data Science bez ograniczeń.
Na stronie internetowej Uniwersytetu Nauki i Technologii „MISiS” odbywają się dla tych, którzy chcą pracować w Data Science. Przedstawiciele NITU „MISiS”, SkillFactory, HeadHunter, Facebook, Mail.ru Group oraz Yandex opowiadają o najważniejszych kwestiach:
- „Jak znaleźć swoje miejsce w Data Science?”
- „Czy można zostać data scientist od zera?”
- „Czy zapotrzebowanie na data scientistów utrzyma się przez 2-5 lat?”
- „Nad jakimi zadaniami pracują specjaliści od data science?”
- „Jak zbudować karierę w Data Science?”
Edukacja online, dyplom z państwowym uznaniem. przyjmowane są do 10 sierpnia.
Źródło: habr.com
