Према истраживању ХеадХунтер и Маил.ру, потражња за специјалистима у области науке о подацима премашује понуду, али и поред тога, млади специјалисти не успевају увек да нађу посао. Рећи ћемо вам који дипломирани курсеви недостају и где да студирају за оне који планирају велику каријеру у науци о подацима.
„Дођу и мисле да ће сада зарадити 500 хиљада у секунди, јер знају називе оквира и како да покрећу модел од њих у два реда“
Емил Махаррамов води групу услуга рачунарске хемије у биоцаду и током интервјуа се суочава са чињеницом да кандидати немају систематско разумевање струке. Они завршавају курсеве, долазе са добро обученим Питхон-ом и СКЛ-ом, могу да инсталирају Хадооп или Спарк за 2 секунде и заврше задатак у складу са јасном спецификацијом. Али у исто време, више нема ни корака у страну. Иако је флексибилност у решењима коју послодавци очекују од својих стручњака за науку о подацима.
Шта се дешава на тржишту науке о подацима
Компетенције младих стручњака одражавају стање на тржишту рада. Овде потражња знатно премашује понуду, па су очајни послодавци често заиста спремни да запосле потпуно зелене стручњаке и обуче их за себе. Опција функционише, али је погодна само ако тим већ има искусног вођу тима који ће преузети обуку јуниора.
Према истраживању ХеадХунтер и Маил.ру, стручњаци за анализу података су међу најтраженијим на тржишту:
- У 2019. години било је 9,6 пута више слободних радних места у области анализе података, а 7,2 пута више у области машинског учења него 2015. године.
- У поређењу са 2018. годином, број слободних радних места за специјалисте за анализу података повећан је 1,4 пута, а за специјалисте за машинско учење 1,3 пута.
- 38% отворених радних места је у ИТ компанијама, 29% у компанијама финансијског сектора и 9% у пословним услугама.
Ситуацију подстичу бројне онлајн школе које обучавају те исте јуниоре. У основи, обука траје од три до шест месеци, током којих полазници успевају да савладају главне алате на основном нивоу: Питхон, СКЛ, анализу података, Гит и Линук. Резултат је класичан јуниор: може да реши конкретан проблем, али и даље не може да разуме проблем и сам формулише проблем. Међутим, велика потражња за специјалистима и гужва око професије често изазивају високе амбиције и захтеве за платама.
Нажалост, интервјуи у Дата Сциенце сада обично изгледају овако: кандидат каже да је покушао да користи неколико библиотека, не може да одговори на питања о томе како тачно алгоритми функционишу, а затим тражи 200, 300, 400 хиљада рубаља месечно.
Због великог броја рекламних слогана попут „свако може да постане аналитичар података“, „савлада машинско учење за три месеца и почни да зарађујеш много новца“ и жеђи за брзим новцем, огроман ток површних кандидата слио се у наше поље без апсолутно никакве систематске обуке.
Виктор Кантор
Главни научник за податке у МТС-у
Кога чекају послодавци?
Сваки послодавац би желео да његови јуниори раде без сталног надзора и да могу да се развијају под вођством тима. Да би то урадио, почетник мора одмах да поседује неопходне алате за решавање актуелних проблема, и да има довољну теоријску основу да постепено предлаже сопствена решења и приступа сложенијим проблемима.
Почетници на тржишту прилично добро раде са својим алатима. Краткорочни курсеви вам омогућавају да их брзо савладате и почнете да радите.
Према истраживању ХеадХунтер и Маил.ру, најтраженија вештина је Питхон. Помиње се у 45% радних места научника података и 51% слободних места за машинско учење.
Послодавци такође желе да аналитичари података знају СКЛ (23%), рударење података (19%), математичку статистику (11%) и да буду у стању да раде са великим подацима (10%).
Послодавци који траже стручњаке за машинско учење очекују да кандидат, поред знања о Питхон-у, буде вешт у Ц++ (18%), СКЛ-у (15%), алгоритми за машинско учење (13%) и Линук (11%).
Али ако јуниори добро раде са алатима, онда се њихови менаџери суочавају са другим проблемом. Већина дипломираних студената нема дубоко разумевање професије, што отежава напредовање почетника.
Тренутно тражим стручњаке за машинско учење да се придруже мом тиму. Истовремено, видим да су кандидати често овладали одређеним алатима науке о подацима, али немају довољно дубоко разумевање теоретских основа за креирање нових решења.
Емил Махаррамов
Руководилац групе за услуге рачунарске хемије, Биоцад
Сама структура и трајање курсева не дозвољавају да се дубље зађете до потребног нивоа. Дипломцима често недостају оне веома меке вештине које обично недостају када читају конкурс за посао. Па, заиста, ко ће од нас рећи да нема системско размишљање нити жељу да се развија. Међутим, у односу на стручњака за науку података, говоримо о дубљој причи. Овде, да бисте се развили, потребна вам је прилично јака пристрасност у теорији и науци, што је могуће само кроз дуготрајно студирање, на пример, на универзитету.
Много зависи од особе: ако тромесечни интензивни курс од јаких наставника са искуством као вође тима у врхунским компанијама заврши студент са добрим знањем математике и програмирања, удуби се у све материјале курса и „упија као сунђер ”, како су рекли у школи, онда ће са таквим запосленим бити проблема касније бр. Али 90-95% људи, да би нешто научили заувек, треба да научи десет пута више и то систематски неколико година заредом. И то чини магистарске програме анализе података одличном опцијом за добијање добре основе знања, уз које нећете морати да црвените на интервјуу, а биће много лакше обавити посао.
Виктор Кантор
Главни научник за податке у МТС-у
Где студирати да бисте пронашли посао у науци о подацима
На тржишту постоји много добрих курсева науке о подацима и није проблем добити почетно образовање. Али важно је разумети фокус овог образовања. Ако кандидат већ има јаку техничку позадину, онда су интензивни курсеви оно што му треба. Човек ће савладати алате, доћи на место и брзо се навићи, јер већ уме да размишља као математичар, види проблем и формулише проблеме. Ако не постоји таква позадина, онда ћете након курса бити добар извођач, али са ограниченим могућностима за раст.
Ако сте суочени са краткорочним задатком да промените професију или пронађете посао у овој специјалности, онда су за вас прикладни неки систематски курсеви, који су кратки и брзо обезбеђују минималан скуп техничких вештина како бисте се квалификовали за почетни ниво у овој области.
Иван Јамшчиков
Академски директор онлајн мастер програма „Наука о подацима“
Проблем са курсевима је управо у томе што пружају брз, али минималан оверклок. Особа буквално лети у професију и брзо стиже до плафона. Да бисте дуго ушли у професију, потребно је одмах поставити добре темеље у виду дуготрајнијег програма, на пример, магистратуру.
Високо образовање је погодно када схватите да вас ова област дугорочно интересује. Нисте жељни да што пре кренете на посао. И не желите да имате плафон у каријери, не желите да се суочите и са проблемом недостатка знања, вештина, неразумевања општег екосистема уз помоћ којег се развијају иновативни производи. За ово вам је потребно високо образовање, које не само да ствара неопходан скуп техничких вештина, већ и другачије структурише ваше размишљање и помаже вам да формирате неку визију ваше каријере на дужи рок.
Иван Јамшчиков
Академски директор онлајн мастер програма „Наука о подацима“
Одсуство плафона каријере је главна предност мастер програма. За две године, специјалиста добија моћну теоријску основу. Овако изгледа први семестар програма Дата Сциенце у НУСТ МИСИС:
- Увод у науку о подацима. 2 недеље.
- Основи анализе података. Обрада података. 2 недеље
- Машинско учење. Предобрада података. 2 недеље
- ЕДА. Анализа обавештајних података. 3 недеље
- Основни алгоритми машинског учења. Цх1 + Цх2 (6 недеља)
Истовремено, можете истовремено да стекнете практично искуство на послу. Ништа вас не спречава да добијете јуниорску позицију чим студент савлада неопходне алате. Али, за разлику од дипломираног курса, магистарска диплома не прекида своје студије тамо, већ наставља да се дубље бави професијом. У будућности, ово вам омогућава да се развијате у Дата Сциенце без ограничења.
На сајту Универзитета науке и технологије „МИСиС“ за оне који желе да раде у науци о подацима. Представници НУСТ МИСИС, СкиллФацтори, ХеадХунтер, Фацебоок, Маил.ру Гроуп и Иандек, рећи ћу вам о најважнијим стварима:
- „Како пронаћи своје место у науци о подацима?“,
- „Да ли је могуће постати научник података од нуле?“,
- „Да ли ће потреба за научницима података и даље постојати за 2-5 година?“
- „На којим проблемима раде научници података?“
- „Како изградити каријеру у науци о подацима?“
Онлајн обука, диплома јавног образовања. прихваћен до КСНУМКС август.
Извор: ввв.хабр.цом