Snabb start och låg tröskel. Vad väntar unga Data Science-specialister på arbetsmarknaden

Enligt undersökningar av HeadHunter och Mail.ru överstiger efterfrågan på specialister inom Data Science utbudet, men även så har unga specialister inte alltid lätt att hitta arbete. Vi berättar vad som saknas för examensstudenter från kurserna och var man kan studera för dem som planerar en stor karriär inom Data Science.

„De kommer in och tror att de nu kommer att tjäna 500 000 i sekunden för att de känner till namnen på ramverken och hur man kör en modell med två rader kod.”

Emil Magerramov leder en grupp av tjänster inom beräkningskemi på företaget biocad och under intervjuer möter han att kandidater saknar en systematisk förståelse för yrket. De avslutar kurser, kommer med välutvecklade kunskaper i Python och SQL, kan på två sekunder starta Hadoop eller Spark, och lösa uppgifter enligt tydliga krav. Men ett steg vid sidan om — det kan de inte. Det är dock just den flexibiliteten som arbetsgivare förväntar sig av sina specialister inom Data Science.

Vad händer på marknaden för Data Science

Kompetenserna hos unga specialister återspeglar situationen på arbetsmarknaden. Här överstiger efterfrågan avsevärt utbudet, därför är desperata arbetsgivare ofta villiga att anställa helt oerfarna specialister och utveckla dem internt. Detta alternativ fungerar, men det är lämpligt endast om det redan finns en erfaren teamledare i laget som kan ta hand om utbildningen av juniorkandidater.

Enligt en studie av HeadHunter och Mail.ru är dataanalytiker en av de mest efterfrågade yrkesgrupperna på marknaden:

• År 2019 ökade antalet lediga tjänster inom dataanalys med 9,6 gånger och inom maskininlärning – med 7,2 gånger, jämfört med 2015.
• Jämfört med 2018 ökade antalet lediga tjänster för dataanalytiker med 1,4 gånger och för maskininlärning – med 1,3 gånger.
• 38% av de öppna jobbannonserna kommer från IT-företag, 29% från företag inom finanssektorn och 9% från tjänstesektorn för företag.

Situationen förvärras av de många online-skolor som utbildar just dessa juniorer. Vanligtvis pågår utbildningen i tre till sex månader, under vilken tid eleverna lär sig de grundläggande verktygen på en basal nivå: Python, SQL, dataanalys, Git och Linux. Ut kommer en klassisk junior: kan lösa ett specifikt problem, men har fortfarande svårt att förstå problemet och självständigt formulera uppgiften. Det höga efterfrågan på specialister och hypen kring yrket föder ofta höga ambitioner och krav på lön.

Tyvärr ser en intervju kring Data Science oftast ut så här: kandidaten berättar att hen har försökt använda ett par tre bibliotek, kan inte svara på frågor om hur algoritmer fungerar, och ber sedan om 200, 300, 400 tusen rubel per månad netto.

På grund av det stora antalet reklamslogans som "vem som helst kan bli dataanalytiker", "lär dig maskininlärning på tre månader och börja tjäna stora pengar" och girigheten efter snabba vinster, har vårt område drabbats av en enorm ström av ytliga kandidater utan systematisk förberedelse.

Viktor Kantor
Chief Data Scientist på MTS

Vad arbetsgivare väntar sig

Varje arbetsgivare skulle vilja att deras juniorer arbetade utan konstant övervakning och kunde utvecklas under ledning av en teamledare. För detta måste nykomlingen omedelbart behärska de nödvändiga verktygen för att lösa aktuella uppgifter, och ha tillräcklig teoretisk grund för att successivt kunna föreslå egna lösningar och närma sig mer komplexa uppgifter.

Med verktygen har nykomlingarna på marknaden det ganska bra. Korta kurser möjliggör en snabb behärskning av dem och en snabb start i arbetet.

Enligt en studie av HeadHunter och Mail.ru är den mest efterfrågade färdigheten - kunskap om Python. Det nämns i 45% av jobben inom dataanalys och i 51% av jobben inom maskininlärning.

Arbetsgivare vill också att dataanalytiker ska känna till SQL (23%), behärska datamining (19%), matematisk statistik (11%) och kunna arbeta med big data (10%).

Arbetsgivare som söker specialister inom maskininlärning förväntar sig, utöver kunskap om Python, att kandidaten ska behärska C++ (18%), SQL (15%), maskininlärningsalgoritmer (13%) och Linux (11%).

Men om verktygen fungerar bra för juniorerna, så stöter deras chefer på ett annat problem. De flesta nyutexaminerade från kurserna har inte en djup förståelse för yrket, vilket gör det svårt för nykomlingar att göra framsteg.

Jag letar just nu efter specialister inom maskininlärning till mitt team. Samtidigt ser jag att kandidater ofta har bemästrat vissa verktyg inom Data Science, men de har inte en tillräckligt djup förståelse för de teoretiska grunderna för att kunna skapa nya lösningar.

Emil Magerramov
Gruppledare för datorsimulerings tjänster, Biocad

Själva strukturen och längden på kurserna tillåter inte en djupdykning till den nödvändiga nivån. Utexaminerade saknar ofta just de soft skills som vanligtvis förbises när man läser jobbeskrivningar. Vem av oss skulle egentligen säga att vi inte har ett systematiskt tänkande eller en vilja att utvecklas? Men i relation till en Data Science-specialist handlar det om en mer djupgående historia. För att utvecklas behövs en stark teoretisk och vetenskaplig inriktning, vilket endast är möjligt genom långvarig utbildning, exempelvis på universitetet.

Mycket beror på personen: om en tredagars intensivkurs med starka lärare med erfarenhet som teamledare på toppföretag genomförs av en deltagare med en bra grund i matematik och programmering, som tar in allt kursmaterial och "suger åt sig som en svamp", som vi sa i skolan, så finns det inga problem med en sådan medarbetare senare. Men för 90-95% av människor krävs det att man lär sig tio gånger mer och gör det systematiskt under flera år för att verkligen behålla kunskapen. Det gör masterprogram inom datanalys till ett utmärkt val för att få en bra kunskapsgrund, som gör att man inte behöver skämmas vid anställningsintervjuer, och även att arbete blir mycket enklare.

Viktor Kantor
Chief Data Scientist på MTS

Var ska man studera för att få jobb inom Data Science?

Det finns många bra kurser på Data Science på marknaden, och det är inte ett problem att få en grundutbildning. Men det är viktigt att förstå inriktningen för denna utbildning. Om kandidaten redan har en stark teknisk bakgrund, är intensiva kurser precis vad som behövs. Personen lär sig verktyg, kommer in i yrket och adapterar sig snabbt eftersom de redan kan tänka som en matematiker, se problem och formulera uppgifter. Om det inte finns en sådan bakgrund, kommer det efter kursen att bli en bra utförare, men med begränsade möjligheter för tillväxt.

Om du har en kortsiktig uppgift att byta yrke eller söka arbete inom detta område, passar det att ta någon form av systematiska kurser som är korta och snabbt ger en minimal uppsättning tekniska färdigheter så att du kan kvalificera dig för en ingångsposition inom detta område.

Ivan Yamshchikov
Akademisk direktör för den online-masterprogrammet "Data Science"

Problemet med kurser är just det att de ger en snabb, men minimal uppkick. En person hoppar bokstavligen in i yrket och når snabbt en gräns. För att komma in i yrket på lång sikt måste man lägga en bra grund genom en mer långsiktig utbildning, till exempel en magisterexamen.

Högre utbildning är lämplig när du förstår att detta område intresserar dig på lång sikt. Du strävar inte efter att börja arbeta så snabbt som möjligt. Du vill inte ha en karriärgräns och du vill inte möta problem med brist på kunskaper, färdigheter eller en bristande förståelse för den övergripande ekosystemet som driver innovationsprodukter. För detta krävs just högre utbildning, som inte bara ger en nödvändig uppsättning tekniska färdigheter, utan också strukturerar ditt tänkande på ett annat sätt och hjälper till att forma en vision för din karriär på längre sikt.

Ivan Yamshchikov
Akademisk direktör för den online-masterprogrammet "Data Science"

Avsaknad av karriärgräns är den största fördelen med masterprogrammet. Under två år får specialisten en stark teoretisk grund. Så här ser den första terminen i Data Science-programmet vid NITU "MISiS" ut:

• Introduktion till Data Science. 2 veckor.
• Grunderna i dataanalys. Databehandling. 2 veckor.
• Maskininlärning. Förbehandling av data. 2 veckor.
• EDA. Exploratorisk dataanalys. 3 veckor.
• Huvudsakliga algoritmer för maskininlärning. Del 1 + Del 2 (6 veckor)

Samtidigt kan man också få praktisk erfarenhet på jobbet. Inget hindrar en från att ta en juniorposition så snart studenten bemästrar de nödvändiga verktygen. Till skillnad från en kursavslutande student, slutar masterstudenten inte sin utbildning här, utan fortsätter att fördjupa sig inom yrket. I framtiden möjliggör detta att utvecklas inom Data Science utan begränsningar.

På universitetet för vetenskap och teknologi "MISiS" hålls Öppna hus och webbinarier för dem som vill arbeta inom Data Science. Representanter från NITU "MISiS", SkillFactory, HeadHunter, Facebook, Mail.ru Group och Yandex kommer att berätta om det viktigaste:

• "Hur hittar man sin plats inom Data Science?"
• "Kan man bli data scientist från grunden?"
• "Kommer behovet av data scientists att finnas kvar om 2–5 år?"
• "Vilka uppgifter arbetar data science-specialister med?"
• "Hur bygger man en karriär inom Data Science?"

Utbildning online, statlig examen. Ansökningar till programmet tas emot fram till 10 augusti.

Källa: habr.com