Dmitry Kazakov, Data Analytics Team Lead sa Kolesa Group, ay nagbabahagi ng mga insight mula sa unang survey sa Kazakhstan ng mga propesyonal sa data.
Sa larawan: Dmitry Kazakov
Alalahanin ang tanyag na parirala na ang Big Data ay halos katulad ng teenage sex - pinag-uusapan ito ng lahat, ngunit walang nakakaalam kung talagang umiiral ito. Ang parehong ay maaaring masabi tungkol sa merkado para sa mga espesyalista sa data (sa Kazakhstan) - mayroong hype, ngunit kung sino ang nasa likod nito (at kung mayroon man doon) ay hindi ganap na malinaw - ni sa HR, o sa mga tagapamahala, o sa ang mga data scientist mismo.
Ginastos namin , kung saan sinuri nila ang higit sa 300 mga espesyalista tungkol sa kanilang mga suweldo, tungkulin, kasanayan, kasangkapan at marami pang iba.
Spoiler: Oo, tiyak na umiiral sila, ngunit ang lahat ay hindi gaanong simple.
Magandang insight. Una, mas maraming data scientist kaysa sa inaasahan namin. Nagawa naming makapanayam ang 300 katao, na kung saan ay hindi lamang mga analyst ng produkto, marketing at BI, kundi pati na rin ang mga inhinyero ng ML at DWH, na lalong nakalulugod. Kasama sa pinakamalaking grupo ang lahat ng tumatawag sa kanilang mga sarili na data scientist - iyon ay 36% ng mga respondent. Mahirap sabihin kung saklaw nito ang demand ng market o hindi, dahil ang market mismo ay kakabuo pa lang.
Ang distribusyon ng mga antas ng trabaho ay nakakalito - halos kasing dami ng mga pinuno at tagapamahala ng koponan bilang mga junior. Maaaring may ilang dahilan para dito. Halimbawa, isang malaking bilang ng mga maliliit na koponan ng 2-3 tao, kung saan ang pinuno ay maaaring maging isang espesyalista sa gitna o senior na antas.
Ang isa pang dahilan ay maaaring ang kaguluhan na kasalukuyang naghahari sa merkado tungkol sa mga pamantayan sa pamamahagi ng mga tungkulin at pag-andar. Ang mga pinuno ng koponan ay minsan ay itinatalaga sa mga nagtatrabaho lamang ng isang taon o dalawang mas mahaba kaysa sa iba, nang walang pagtukoy sa antas ng mga kasanayan at kaalaman. Nakikita namin ito sa pamamahagi ng mga function ayon sa posisyon - 38% ng mga tagapamahala at pinuno ng pangkat ay nakikibahagi sa pre-processing at isa pang 33% sa pangunahing istatistikal na pagsusuri.
Dito, hiniling namin sa mga respondent na suhetibong tasahin ang antas ng analytics sa kanilang mga kumpanya. Kung titingnan mong mabuti, makikita mo na 10% ng mga respondent na nagtatrabaho sa mga departamento ng analytics ng 2-3 tao ay naniniwala na sila ay may "advanced na antas."
Ano ang "advanced level"? Ang sistema ng BI ay gumagana nang mahusay. May DWH at Big Data. Ang mga pagsusuri sa A/B ay regular na isinasagawa. Mayroong gumaganang ML at DS system sa produksyon. Ang mga desisyon ay ginawa lamang batay sa data. Ang data processing at data science department ay isa sa mga susi sa kumpanya.
Halos imposibleng makamit ang lahat ng nasa itaas sa isang departamento ng 2-3 tao. Sa tingin ko ang resulta ng survey na ito ay bahagyang lumalagong sakit - ang mga lalaki ay wala pang sinumang pagkukumpara sa kanilang sarili upang matukoy ang kanilang antas nang mas obhetibo.
Gaya ng inaasahan, ginugugol ng mga data scientist ang karamihan sa kanilang oras hindi sa sobrang kumplikadong matematika o engineering, ngunit sa preprocessing, pag-download, at paglilinis ng data. Sa bawat espesyalisasyon nakikita namin ang preprocessing sa nangungunang 3. Ngunit bihira kaming makakita ng mga kumplikadong bagay tulad ng pagbuo ng mga modelo ng ML o pagtatrabaho sa Big Data sa nangungunang 3 - sa mga inhinyero lamang ng ML at DWH.
Mayroon ding ilang malungkot na pananaw. Itinakda mismo ng mga eksperto ang 40% ng kanilang mga gawain. Sa Kazakhstan, sa ngayon tanging ang mga nangungunang kumpanya ng unicorn ang sumubok ng mga benepisyo ng pagtatrabaho sa malaking data at natutunan kung paano ito gagawin nang mahusay. Ini-broadcast nila sa merkado na ang Big Data at Machine Learning ay cool, at ang pangalawang echelon ay sumusunod sa likod, ngunit hindi palaging nauunawaan kung paano gumagana ang data. Samakatuwid, nakikita namin na ang mga espesyalista ay nagtatakda ng mga gawain para sa kanilang sarili, at hindi palaging alam ng mga negosyo kung ano ang gusto nila.
Nagulat ako na 20% ng mga espesyalista ay hindi alam kung ang kanilang kumpanya ay may Data Warehouse. Oo, at sa mga sistema ng pamamahala ng database hindi lahat ay napakahusay - 41% ay gumagamit ng MySQL, at isa pang 34% ay gumagamit ng PostgreSQL. Ano kaya ang ibig sabihin nito? Gumagana sila sa halip na may maliit na data.
Sa tanong tungkol sa mga sistema ng imbakan, muli nating nakikita ang MySQL at kahit (!) Excel. Ngunit maaaring ipahiwatig nito, halimbawa, na ang karamihan sa mga kumpanya ay wala pang kahilingan na magtrabaho sa malaking data.
Narito ang lahat ay muling hindi maliwanag. Sa pangkalahatan, ang mga suweldo ay bahagyang mas mababa kaysa sa inaasahan ko.
Sa personal, mahirap para sa akin na isipin ang isang ML engineer na handang magtrabaho para sa 200 thousand tenge - marahil siya ay isang intern. Alinman sa mga kakayahan ng naturang mga espesyalista ay napakahina, o mahirap pa rin para sa mga kumpanya na sapat na suriin ang gawain ng Data Science. Ngunit marahil ito ay nagpapahiwatig din na ang merkado ay nasa pinakadulo simula pa lamang ng pagkahinog nito. At sa paglipas ng panahon, ang antas ng suweldo ay itatatag sa mas sapat na antas.
Pinagmulan: www.habr.com