Jak wynika z badań HeadHunter i Mail.ru, popyt na specjalistów w dziedzinie Data Science przewyższa podaż, ale mimo to młodym specjalistom nie zawsze udaje się znaleźć pracę. Podpowiadamy, czego brakuje absolwentom kierunków i gdzie studiować dla tych, którzy planują dużą karierę w Data Science.
„Przychodzą i myślą, że teraz będą zarabiać 500 tys. na sekundę, bo znają nazwy frameworków i wiedzą, jak uruchomić z nich model w dwóch linijkach”
Emil Maharramov kieruje grupą usług chemii obliczeniowej w firmie Biocad i podczas rozmów kwalifikacyjnych spotyka się z faktem, że kandydaci nie mają systematycznego zrozumienia zawodu. Ukończyli kursy, dysponują dobrze wyszkolonym językiem Python i SQL, potrafią zainstalować Hadoop lub Spark w 2 sekundy i wykonać zadanie zgodnie z jasną specyfikacją. Ale jednocześnie nie ma już kroku w bok. Chociaż to właśnie elastyczności w rozwiązaniach oczekują pracodawcy od swoich specjalistów data science.
Co się dzieje na rynku Data Science
Kompetencje młodych specjalistów odzwierciedlają sytuację na rynku pracy. Tutaj popyt znacznie przewyższa podaż, więc zdesperowani pracodawcy często są naprawdę gotowi zatrudnić całkowicie ekologicznych specjalistów i przeszkolić ich dla siebie. Opcja działa, ale nadaje się tylko wtedy, gdy w drużynie jest już doświadczony lider zespołu, który przejmie szkolenie juniora.
Według badań HeadHunter i Mail.ru specjaliści od analizy danych należą do najbardziej poszukiwanych na rynku:
- W 2019 r. wakatów na kierunku analiza danych było 9,6 razy więcej, a na obszarze uczenia maszynowego 7,2 razy więcej niż w 2015 r.
- W porównaniu do 2018 r. liczba wakatów dla specjalistów ds. analizy danych wzrosła 1,4-krotnie, a dla specjalistów zajmujących się uczeniem maszynowym - 1,3-krotnie.
- 38% wolnych stanowisk pracy dotyczy firm IT, 29% – firm z sektora finansowego, a 9% – usług biznesowych.
Sytuację napędzają liczne szkoły internetowe, które kształcą tych samych juniorów. Zasadniczo szkolenie trwa od trzech do sześciu miesięcy, podczas których studentom udaje się opanować główne narzędzia na poziomie podstawowym: Python, SQL, analiza danych, Git i Linux. Rezultatem jest klasyczny junior: potrafi rozwiązać konkretny problem, ale nadal nie jest w stanie samodzielnie go zrozumieć i sformułować. Jednak duże zapotrzebowanie na specjalistów i szum wokół zawodu często powodują wysokie ambicje i wymagania płacowe.
Niestety rozmowy kwalifikacyjne w Data Science obecnie zwykle wyglądają tak: kandydat mówi, że próbował korzystać z kilku bibliotek, nie potrafi odpowiedzieć na pytania, jak dokładnie działają algorytmy, po czym prosi o 200, 300, 400 tysięcy rubli miesięcznie do ręki.
W związku z dużą ilością haseł reklamowych typu „każdy może zostać analitykiem danych”, „opanuj uczenie maszynowe w trzy miesiące i zacznij zarabiać duże pieniądze” oraz żądzy szybkiego zarobienia, do naszej firmy napłynął ogromny strumień powierzchownych kandydatów dziedzinie bez żadnego systematycznego szkolenia.
Wiktor Kantor
Główny analityk danych w MTS
Na kogo czekają pracodawcy?
Każdy pracodawca chciałby, aby jego juniorzy pracowali bez stałego nadzoru i mogli się rozwijać pod okiem lidera zespołu. Aby tego dokonać, początkujący musi od razu posiadać niezbędne narzędzia do rozwiązywania bieżących problemów oraz posiadać wystarczającą bazę teoretyczną, aby stopniowo proponować własne rozwiązania i podchodzić do bardziej złożonych problemów.
Nowicjusze na rynku radzą sobie całkiem nieźle ze swoimi narzędziami. Kursy krótkoterminowe pozwalają szybko je opanować i zabrać się do pracy.
Według badań przeprowadzonych przez HeadHunter i Mail.ru najbardziej pożądaną umiejętnością jest język Python. Jest ona wymieniana w 45% ofert pracy dla analityków danych i 51% ofert pracy w zakresie uczenia maszynowego.
Pracodawcom zależy także na tym, aby analitycy danych znali SQL (23%), data mining (19%), statystykę matematyczną (11%) i potrafili pracować z big data (10%).
Pracodawcy poszukujący specjalistów zajmujących się uczeniem maszynowym oczekują od kandydata biegłości w C++ (18%), SQL (15%), algorytmach uczenia maszynowego (13%) i Linuksa (11%), a także znajomości Pythona.
Jeśli jednak młodsi pracownicy dobrze radzą sobie z narzędziami, ich menedżerowie stają przed innym problemem. Większość absolwentów kursów nie ma głębokiego zrozumienia zawodu, co utrudnia początkującym postęp.
Obecnie poszukuję specjalistów zajmujących się uczeniem maszynowym, którzy dołączą do mojego zespołu. Jednocześnie widzę, że kandydaci często opanowali pewne narzędzia Data Science, ale nie mają na tyle głębokiego zrozumienia podstaw teoretycznych, aby tworzyć nowe rozwiązania.
Emil Maharramov
Kierownik Zespołu Usług Chemii Obliczeniowej, Biocad
Sama struktura i czas trwania kursów nie pozwala zejść głębiej do wymaganego poziomu. Absolwentom często brakuje tych bardzo miękkich umiejętności, których zazwyczaj brakuje czytając oferty pracy. No bo kto z nas powie, że nie ma systemowego myślenia i chęci rozwoju. Jednak w odniesieniu do specjalisty Data Science mówimy o głębszej historii. Tutaj, aby się rozwijać, potrzebne jest dość mocne nastawienie do teorii i nauki, co jest możliwe tylko poprzez długoterminowe studia, na przykład na uniwersytecie.
Wiele zależy od osoby: jeśli trzymiesięczny intensywny kurs prowadzony przez silnych nauczycieli z doświadczeniem w kierowaniu zespołami w najlepszych firmach zostanie ukończony przez studenta z dobrą znajomością matematyki i programowania, zagłębia się on we wszystkie materiały kursu i „chłonie jak gąbka” ”, jak mówili w szkole, później będą problemy z takim pracownikiem Nie. Ale 90-95% ludzi, aby nauczyć się czegoś na zawsze, musi uczyć się dziesięć razy więcej i robić to systematycznie przez kilka lat z rzędu. A to sprawia, że studia magisterskie z analizy danych są doskonałą opcją, aby zdobyć dobry fundament wiedzy, dzięki któremu nie będziesz musiał się rumienić na rozmowie kwalifikacyjnej i znacznie łatwiej będzie wykonać tę pracę.
Wiktor Kantor
Główny analityk danych w MTS
Gdzie studiować, aby znaleźć pracę w Data Science
Na rynku dostępnych jest wiele dobrych kursów Data Science i zdobycie wstępnej edukacji nie stanowi problemu. Ale ważne jest, aby zrozumieć, na czym skupia się ta edukacja. Jeśli kandydat ma już solidne zaplecze techniczne, potrzebne są mu intensywne kursy. Człowiek opanuje narzędzia, przyjedzie na miejsce i szybko się oswoi, bo już umie myśleć jak matematyk, widzieć problem i formułować problemy. Jeśli nie masz takiego doświadczenia, po kursie będziesz dobrym wykonawcą, ale z ograniczonymi możliwościami rozwoju.
Jeśli stoisz przed krótkoterminowym zadaniem zmiany zawodu lub znalezienia pracy w tej specjalności, odpowiednie będą dla Ciebie systematyczne kursy, które są krótkie i szybko zapewniają minimalny zestaw umiejętności technicznych, abyś mógł zakwalifikować się do pozycję podstawową w tej dziedzinie.
Iwan Jamszczikow
Dyrektor naukowy internetowego programu magisterskiego „Data Science”
Problem z torami polega właśnie na tym, że zapewniają szybkie, ale minimalne przyspieszenie. Osoba dosłownie leci do zawodu i szybko dociera do sufitu. Aby wejść do zawodu na dłużej, trzeba od razu stworzyć dobry fundament w postaci długoterminowego programu, na przykład tytułu magistra.
Wykształcenie wyższe jest odpowiednie, jeśli rozumiesz, że ta dziedzina interesuje Cię na dłuższą metę. Nie masz ochoty jak najszybciej zabrać się do pracy. A nie chcesz mieć pułapu kariery, nie chcesz też stawić czoła problemowi braku wiedzy, umiejętności, braku zrozumienia ogólnego ekosystemu, za pomocą którego powstają innowacyjne produkty. Do tego potrzebne jest wyższe wykształcenie, które nie tylko stworzy niezbędny zestaw umiejętności technicznych, ale także inaczej ustrukturyzuje Twoje myślenie i pomoże Ci stworzyć wizję swojej kariery w dłuższej perspektywie.
Iwan Jamszczikow
Dyrektor naukowy internetowego programu magisterskiego „Data Science”
Główną zaletą programu magisterskiego jest brak pułapu kariery. Za dwa lata specjalista otrzymuje potężną bazę teoretyczną. Tak wygląda pierwszy semestr programu Data Science w NUST MISIS:
- Wprowadzenie do nauki o danych. 2 tygodnie.
- Podstawy analizy danych. Przetwarzanie danych. 2 tygodnie
- Nauczanie maszynowe. Wstępne przetwarzanie danych. 2 tygodnie
- EDA. Analiza danych wywiadowczych. 3 tygodnie
- Podstawowe algorytmy uczenia maszynowego. Ch1 + Ch2 (6 tygodni)
Jednocześnie możesz jednocześnie zdobyć praktyczne doświadczenie w pracy. Nic nie stoi na przeszkodzie, aby otrzymać stanowisko juniora, gdy tylko uczeń opanuje niezbędne narzędzia. Jednak w przeciwieństwie do absolwenta kursu, tytuł magistra nie kończy tam studiów, ale pozwala na głębsze zgłębienie zawodu. Pozwala to w przyszłości rozwijać się w Data Science bez ograniczeń.
Na stronie internetowej Akademii Górniczo-Hutniczej „MISiS” dla tych, którzy chcą pracować w Data Science. Przedstawiciele NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group i Yandex, opowiem Wam o najważniejszych rzeczach:
- „Jak odnaleźć swoje miejsce w Data Science?”,
- „Czy można zostać analitykiem danych od zera?”,
- „Czy za 2–5 lat zapotrzebowanie na analityków danych będzie nadal istnieć?”
- „Jakimi problemami zajmują się badacze danych?”
- „Jak zbudować karierę w Data Science?”
Szkolenie online, dyplom edukacji publicznej. przyjęte do 10 sierpnia.
Źródło: www.habr.com