Enligt forskning från HeadHunter och Mail.ru överstiger efterfrågan på specialister inom datavetenskap utbudet, men trots det lyckas unga specialister inte alltid hitta arbete. Vi berättar vilka kursutexaminerade som saknas och var du ska studera för dem som planerar en stor karriär inom Data Science.
"De kommer och tror att nu kommer de att tjäna 500 XNUMX per sekund, eftersom de kan namnen på ramverken och hur man kör en modell från dem på två rader"
Emil Maharramov han leder en grupp beräkningskemitjänster på biocad och under intervjuer ställs han inför det faktum att kandidaterna inte har en systematisk förståelse för yrket. De genomför kurser, kommer med vältränad Python och SQL, kan installera Hadoop eller Spark på 2 sekunder och slutföra en uppgift enligt en tydlig specifikation. Men samtidigt finns det inte längre ett steg åt sidan. Även om det är flexibilitet i lösningar som arbetsgivare förväntar sig av sina datavetenskapsspecialister.
Vad händer på Data Science-marknaden
De unga specialisternas kompetens speglar situationen på arbetsmarknaden. Här överstiger efterfrågan markant utbudet, så desperata arbetsgivare är ofta verkligen redo att anställa helt gröna specialister och utbilda dem själva. Alternativet fungerar, men är bara lämpligt om laget redan har en erfaren lagledare som tar över träningen av junioren.
Enligt forskning från HeadHunter och Mail.ru är dataanalysspecialister bland de mest efterfrågade på marknaden:
- Under 2019 fanns det 9,6 gånger fler lediga tjänster inom området dataanalys och 7,2 gånger fler inom området maskininlärning än 2015.
- Jämfört med 2018 ökade antalet lediga tjänster för dataanalysspecialister med 1,4 gånger och för maskininlärningsspecialister med 1,3 gånger.
- 38 % av de lediga jobben finns inom IT-företag, 29 % inom finanssektorn och 9 % inom företagstjänster.
Situationen underblåses av många onlineskolor som utbildar samma juniorer. I grund och botten varar utbildningen från tre till sex månader, under vilken eleverna lyckas behärska de viktigaste verktygen på en grundläggande nivå: Python, SQL, dataanalys, Git och Linux. Resultatet är en klassisk junior: han kan lösa ett specifikt problem, men kan fortfarande inte förstå problemet och formulera problemet på egen hand. Den stora efterfrågan på specialister och hajpen kring yrket ger dock ofta upphov till höga ambitioner och lönekrav.
Tyvärr ser intervjuer i Data Science nu vanligtvis ut så här: kandidaten säger att han försökte använda ett par bibliotek, inte kan svara på frågor om exakt hur algoritmerna fungerar, och ber sedan om 200, 300, 400 tusen rubel i månaden i handen.
På grund av det stora antalet reklamslogans som "vem som helst kan bli dataanalytiker", "bemästra maskininlärning på tre månader och börja tjäna mycket pengar" och törsten efter snabba pengar, har en enorm ström av ytliga kandidater strömmat in i vår fält med absolut ingen systematisk utbildning.
Victor Kantor
Chief Data Scientist på MTS
Vilka väntar arbetsgivarna på?
Vilken arbetsgivare som helst vill att deras juniorer ska arbeta utan ständig övervakning och kunna utvecklas under ledning av en teamledare. För att göra detta måste en nybörjare omedelbart ha de nödvändiga verktygen för att lösa aktuella problem och ha en tillräcklig teoretisk grund för att gradvis föreslå sina egna lösningar och närma sig mer komplexa problem.
Nybörjare på marknaden klarar sig ganska bra med sina verktyg. Korttidskurser låter dig snabbt bemästra dem och komma igång.
Enligt forskning från HeadHunter och Mail.ru är den mest efterfrågade färdigheten Python. Det nämns i 45 % av lediga tjänster inom datavetare och 51 % av lediga tjänster för maskininlärning.
Arbetsgivare vill också att dataanalytiker ska kunna SQL (23 %), data mining (19 %), matematisk statistik (11 %) och kunna arbeta med big data (10 %).
Arbetsgivare som söker efter specialister på maskininlärning förväntar sig att en kandidat är skicklig i C++ (18 %), SQL (15 %), maskininlärningsalgoritmer (13 %) och Linux (11 %) förutom kunskaper i Python.
Men om juniorer klarar sig bra med verktygen, då ställs deras chefer inför ett annat problem. De flesta kursutexaminerade har ingen djup förståelse för yrket, vilket gör det svårt för en nybörjare att komma vidare.
Jag letar just nu efter specialister på maskininlärning som kan ansluta mig till mitt team. Samtidigt ser jag att kandidater ofta behärskar vissa Data Science-verktyg, men de har inte en tillräckligt djup förståelse för de teoretiska grunderna för att skapa nya lösningar.
Emil Maharramov
Chef för Computational Chemistry Services Group, Biocad
Själva strukturen och varaktigheten av kurserna tillåter dig inte att gå djupare till den nivå som krävs. Utexaminerade saknar ofta de mycket mjuka färdigheter som vanligtvis missas när de läser ett ledigt jobb. Ja, egentligen, vem av oss kommer att säga att han inte har systemtänkande eller lust att utvecklas. Men i förhållande till en Data Science-specialist talar vi om en djupare historia. Här behöver man för att utvecklas en ganska stark partiskhet i teori och naturvetenskap, vilket bara är möjligt genom långtidsstudier, till exempel på ett universitet.
Mycket beror på personen: om en tre månader lång intensivkurs från starka lärare med erfarenhet som teamleader i toppföretag genomförs av en student med en bra bakgrund i matematik och programmering, fördjupar sig i allt kursmaterial och ”absorberar som en svamp ,” som de sa i skolan, då blir det problem med en sådan anställd senare Nr. Men 90-95% av människor, för att lära sig något för alltid, behöver lära sig tio gånger mer och göra det systematiskt flera år i rad. Och detta gör masterprogram i dataanalys till ett utmärkt alternativ för att få en bra kunskapsgrund, med vilken du inte behöver rodna vid en intervju, och det blir mycket lättare att göra jobbet.
Victor Kantor
Chief Data Scientist på MTS
Var man kan studera för att hitta ett jobb inom datavetenskap
Det finns många bra Data Science-kurser på marknaden och att få en grundutbildning är inget problem. Men det är viktigt att förstå fokus på denna utbildning. Om kandidaten redan har en stark teknisk bakgrund, så är intensivkurser vad de behöver. En person kommer att bemästra verktygen, komma till platsen och snabbt vänja sig vid det, eftersom han redan vet hur man tänker som en matematiker, ser ett problem och formulerar problem. Om det inte finns någon sådan bakgrund kommer du efter kursen att vara en bra artist, men med begränsade möjligheter till tillväxt.
Om du står inför den kortsiktiga uppgiften att byta yrke eller hitta ett jobb inom denna specialitet, är några systematiska kurser lämpliga för dig, som är korta och snabbt ger ett minimum av tekniska färdigheter så att du kan kvalificera dig för en instegsposition inom detta område.
Ivan Yamshchikov
Akademisk chef för online-masterprogrammet "Data Science"
Problemet med banorna är just att de ger snabb men minimal acceleration. En person flyger bokstavligen in i yrket och når snabbt taket. För att komma in i yrket under en längre tid behöver du omedelbart lägga en bra grund i form av ett längre program, till exempel en magisterexamen.
Högre utbildning är lämplig när du förstår att detta område intresserar dig långsiktigt. Du är inte sugen på att komma till jobbet så snart som möjligt. Och du vill inte ha ett karriärtak; du vill inte heller möta problemet med bristande kunskap, färdigheter, bristande förståelse för det allmänna ekosystemet med hjälp av vilka innovativa produkter utvecklas. För detta behöver du en högre utbildning, som inte bara skapar den nödvändiga uppsättningen tekniska färdigheter, utan också strukturerar ditt tänkande på ett annat sätt och hjälper dig att bilda dig en vision av din karriär på längre sikt.
Ivan Yamshchikov
Akademisk chef för online-masterprogrammet "Data Science"
Frånvaron av ett karriärtak är den största fördelen med masterprogrammet. På två år får en specialist en kraftfull teoretisk bas. Så här ser första terminen på Data Science-programmet på NUST MISIS ut:
- Introduktion till datavetenskap. 2 veckor.
- Grunderna i dataanalys. Databehandling. 2 veckor
- Maskininlärning. Dataförbehandling. 2 veckor
- EDA. Analys av intelligensdata. 3 veckor
- Grundläggande maskininlärningsalgoritmer. Ch1 + Ch2 (6 veckor)
Samtidigt kan du samtidigt få praktisk erfarenhet på jobbet. Det finns inget som hindrar dig från att få en juniortjänst så snart studenten har bemästrat de nödvändiga verktygen. Men till skillnad från en kursutexaminerad, stoppar inte en magisterexamen hans studier där, utan fortsätter att gräva djupare in i yrket. I framtiden låter detta dig utvecklas inom Data Science utan begränsningar.
På webbplatsen för University of Science and Technology "MISiS" för dig som vill arbeta inom Data Science. Representanter för NUST MISIS, SkillFactory, HeadHunter, Facebook, Mail.ru Group och Yandex, jag ska berätta om de viktigaste sakerna:
- "Hur hittar du din plats inom datavetenskap?",
- "Är det möjligt att bli datavetare från grunden?",
- "Kommer behovet av datavetare fortfarande att finnas om 2-5 år?"
- "Vilka problem arbetar dataforskare med?"
- "Hur bygger man en karriär inom datavetenskap?"
Onlineutbildning, examensbevis för offentlig utbildning. accepteras tills 10 augusti.
Källa: will.com