За дослідженнями HeadHunter та Mail.ru попит на фахівців у галузі Data Science перевищує пропозицію, але навіть так молодим фахівцям не завжди вдається знайти роботу. Розповідаємо, чого не вистачає випускникам курсів і де навчатись тим, хто планує велику кар'єру в Data Science.
«Вони приходять і думають, що зараз зароблятимуть 500к в секунду, тому що знають назви фреймворків і як із них запустити модель у два рядки»
Еміль Магеррамов керує групою сервісів обчислювальної хімії в компанії biocad і на співбесідах стикається з тим, що кандидати не мають системного розуміння професії. Вони закінчують курси, приходять із добре прокачаними Python і SQL, можуть за 2 секунди підняти Hadoop або Spark, виконати завдання з чіткого ТЗ. Але при цьому крок убік уже немає. Хоча саме гнучкості рішень роботодавці чекають від своїх фахівців у галузі Data Science.
Що відбувається на ринку Data Science
Компетенції молодих фахівців відбивають становище ринку праці. Тут попит суттєво перевищує пропозицію, тому зневірені роботодавці часто дійсно готові брати на роботу зовсім зелених фахівців і дорощувати їх під себе. Варіант робітник, але підходить лише в тому випадку, якщо в команді вже є досвідчений тимлід, який візьме на себе джуніор.
За дослідженнями HeadHunter і Mail.ru, фахівці з аналізу даних — одні з найбільш популярних на ринку:
- У 2019 році вакансій у галузі аналізу даних побільшало у 9,6 раза, а в галузі машинного навчання – у 7,2 раза, ніж у 2015 році.
- Порівняно з 2018 роком кількість вакансій фахівців з аналізу даних збільшилась у 1,4 раза, з машинного навчання – у 1,3 раза.
- 38% відкритих вакансій припадає на ІТ-компанії, 29% - компанії з фінансового сектора, 9% - сфера послуг для бізнесу.
Ситуацію підігрівають численні онлайн-школи, які готують тих самих джуніорів. В основному навчання триває від трьох до шести місяців, за які учні встигають на базовому рівні освоїти головні інструменти: Python, SQL, аналіз даних, Git та Linux. На виході виходить класичний джуніор: може вирішити конкретне завдання, а зрозуміти проблему та самостійно сформулювати завдання ще не може. Проте високий попит на фахівців та хайп навколо професії часто породжує високі амбіції та вимоги до зарплати.
На жаль, співбесіда з Data Science зараз зазвичай виглядає так: кандидат розповідає, що спробував застосовувати пару-трійку бібліотек, на питання про те, як саме працюють алгоритми, відповісти не може, потім просить 200, 300, 400 тисяч рублів на місяць на руки .
Через велику кількість рекламних гасел на кшталт «стати аналітиком даних може кожен», «освій машинне навчання за три місяці та почни отримувати купу грошей» та спраги швидкої наживи, в нашу область ринув величезний потік поверхневих кандидатів абсолютно без системної підготовки.
Віктор Кантор
Chief Data Scientist у МТС
На кого чекають роботодавці
Будь-який роботодавець хотів би, щоб його джуніори працювали без постійного контролю та могли розвиватися під керівництвом тимліду. Для цього новачок повинен відразу володіти потрібними інструментами, щоб вирішувати поточні завдання, і мати достатню теоретичну базу, щоб поступово пропонувати власні рішення і підступатися до більш складних завдань.
Із інструментами у новачків на ринку все досить добре. Короткострокові курси дозволяють швидко освоїти їх і розпочати роботу.
За дослідженням HeadHunter і Mail.ru, найпопулярніший досвід - володіння Python. Воно згадується у 45% вакансій фахівців з аналізу даних та у 51% вакансій у галузі машинного навчання.
Також роботодавці хочуть, щоб фахівці з аналізу даних знали SQL (23%), володіли інтелектуальним аналізом даних (DataMining) (19%), математичною статистикою (11%) та вміли працювати з великими даними (10%).
Роботодавці, які шукають фахівців з машинного навчання, поряд зі знанням Python очікують, що кандидат матиме C++ (18%), SQL (15%), алгоритми машинного навчання (13%) та Linux (11%).
Але якщо з інструментами у джуніорів усе гаразд, то далі їхні керівники стикаються з іншою проблемою. Більшість випускників курсів не мають глибокого розуміння професії, тому новачкові складно прогресувати.
Я зараз шукаю спеціалістів з машинного навчання собі в команду. При цьому бачу, що найчастіше кандидати освоїли окремі інструменти Data Science, але вони недостатньо глибоке розуміння теоретичних основ, щоб створювати нові рішення.
Еміль Магеррамов
Керівник групи сервісів обчислювальної хімії, Biocad
Сама структура та тривалість курсів не дозволяє заглибитись на необхідний рівень. Випускникам часто не вистачає тих самих soft skills, які зазвичай пропускаються під час читання вакансії. Ну, правда, хто з нас скаже, що у нього немає системного мислення чи бажання розвиватися. Проте стосовно фахівця Data Science йдеться про глибшу історію. Тут, щоб розвиватися, потрібний досить сильний ухил у теорію та науку, який можливий лише на тривалому навчанні, наприклад, в університеті.
Багато чого залежить від людини: якщо тримісячний інтенсив від сильних викладачів з досвідом тимлідів у топових компаніях проходить слухач із гарною базою в математиці та програмуванні, вникає у всі матеріали курсу та «вбирає як губка», як говорили в школі, то проблем із таким співробітником потім ні. Але 90-95% людей, щоби щось засвоїти назавжди, потрібно вивчити вдесятеро більше і робити це систематично кілька років поспіль. І це робить магістерські програми з аналізу даних чудовим варіантом здобути хороший фундамент знань, з яким і на співбесіді не доведеться червоніти, і роботу робити буде дуже простіше.
Віктор Кантор
Chief Data Scientist у МТС
Де вчитися, щоб знайти роботу в Data Science
На ринку багато хороших курсів з Data Science і отримати початкову освіту не проблема. Але важливо розуміти спрямованість цієї освіти. Якщо кандидат уже має потужний технічний бекграунд, то інтенсивні курси — то що треба. Людина опанує інструменти, прийде на місце і швидко впрацює, тому що вже вміє думати як математик, бачити проблему і формулювати завдання. Якщо такого бекграунду немає, то після курсу буде добрий виконавець, але з обмеженими можливостями для зростання.
Якщо перед вами стоїть короткострокове завдання зміни професії або пошуку роботи в цій спеціальності, тоді вам підходять якісь систематичні курси, які короткі і швидко дають мінімальний набір технічних навичок, щоб ви змогли претендувати на початкову позицію в цій галузі.
Іван Ямщиков
Академічний директор онлайн-магістратури «Наука про дані»
Проблема курсів у тому, що вони дають швидкий, але мінімальний розгін. Людина буквально влітає у професію та швидко досягає стелі. Щоб прийти у професію надовго, потрібно одразу закласти хорошу основу у вигляді більш довгострокової програми, наприклад, у магістратурі.
Вища освіта підходить, коли ви розумієте, що ця сфера цікава вам довгостроково. Ви не прагнете вийти на роботу якнайшвидше. І не хочете, щоб у вас була кар'єрна стеля, також не хочете зіткнутися з проблемою нестачі знань, навичок, нестачі розуміння загальної екосистеми, за допомогою якої розвиваються інноваційні продукти. Для цього потрібна саме вища освіта, яка формує не тільки необхідний набір технічних навичок, а й структурує інакше ваше мислення та допомагає сформувати деяке бачення вашої кар'єри на більш довгострокову перспективу.
Іван Ямщиков
Академічний директор онлайн-магістратури «Наука про дані»
Відсутність кар'єрної стелі – головна перевага магістерської програми. За два роки фахівець одержує потужну теоретичну базу. Ось так виглядає вже перший семестр у програмі Data Science НІТУ «МІСІС»:
- Введення у Data Science. 2 тижні.
- Основи аналізу даних. Обробка даних. 2 тижні
- Машинне навчання. Передобробка даних. 2 тижні
- EDA. Розвідувальний аналіз даних. 3 тижні
- Основні алгоритми машинного навчання. Ч1 + Ч2 (6 тижнів)
При цьому можна паралельно отримувати практичний досвід на роботі. Ніщо не заважає влаштуватися на позицію джуніора, щойно студент освоїть потрібні інструменти. Ось тільки, на відміну від випускника курсів, магістр не зупиняє на цьому навчання, а продовжує заглиблюватися в професію. У майбутньому це дозволяє розвиватися у Data Science без обмежень.
На сайті університету науки та технологій «МІСіС» проходять для тих, хто хоче працювати у Data Science. Представники НДТУ «МІСіС», SkillFactory, HeadHunter, Facebook, Mail.ru Group та Яндекс, розповідаю про найважливіше:
- "Як знайти своє місце в Data Science?",
- «Чи можна стати data scientist з нуля?»,
- «Чи збережеться необхідність у data scientist-ах через 2-5 років?»,
- «Над якими завданнями працюють фахівці data science?»,
- "Як побудувати кар'єру в Data Science?"
Навчання онлайн, диплом державної освіти. приймаються до 10 серпня.
Джерело: habr.com