- PVSM.RU - https://www.pvsm.ru -
Data Science — сфера не новая. Обработкой данных занимаются уже более 50 лет, что не мешает сфере оставаться на пике популярности: аналитики данных и Data Scientist сегодня очень востребованы среди работодателей. Редакция Нетологии решила расспросить у экспертов рынка — агентства New.HR, которое специализируется на направлении Data Science, и ведущих IT-компаний — о реальном положении дел в области работы с данными.
Сколько получают специалисты разного уровня? Как повысить свою ценность в глазах работодателя? Где компании ищут себе сотрудников? На что HR смотрят в первую очередь при выборе кандидата?
Рынок труда в сфере DS быстро развивается. Только за два последних года мы обучили более 800 студентов по специализации Data Science, большинство из них работают на профильных позициях в российских и зарубежных компаниях. Всего у нас более 10 программ обучения по теме Data Science, но самые востребованные направления — это «Аналитик данных», «Аналитик BI», «Data Scientist» и «Машинное обучение».
У всех студентов разные цели: кто-то приходит кардинально поменять профессию, кто-то — вырасти на своей позиции и начать зарабатывать больше. Заработная плата, конечно же, одна из главных причин, почему желающих изучать Data Science становится всё больше.
В июне 2019 года агентство New.HR [1] выпустит большое исследование рынка аналитиков и Data Scientist, а пока Оксана Прутьянова, руководитель практики аналитики и Data Scientists в New.HR, согласилась поделиться данными по заработной плате в сфере и дать советы специалистам.
Данные получены с помощью прямого опроса специалистов по Data Science. Учитываются показатели, полученные от респондентов, работающих в Москве. Цифры зарплат указаны после выплаты налогов, «на руки»:
Из чего складывается уровень дохода Data Scientist:
Есть пункты, которые повышают ценность Data Scientist в глазах работодателя:
Итого, можно выделить список советов для тех специалистов по работе с данными, которые стремятся зарабатывать больше. Большинство из них довольно универсальны и банальны — но тем не менее, они работают:
Мы поговорили с HR-менеджерами и руководителями направления аналитики в IT-компаниях и узнали, где они обычно ищут сотрудников себе в команду, а также на что смотрят в первую очередь при отборе кандидатов.
Александра Головина, руководитель it подбора «Авито»:
В Авито Data Scientist — это отдельная позиция, отличная от аналитика данных. Аналитики данных оценивают качество существующей функциональности или продукта и помогают принять решения об изменениях в них: разрабатывают и внедряют метрики, проверяют гипотезы, проводят A/B-тесты — выявляют основные узкие места, боли пользователей и продумывают, как их решить.
Data Scientist же отвечает за построение ML-моделей, которые помогают решить проблемы, уже найденные аналитиками данных: подготавливают данные, пишут прототипы, и т. д.
Обычно к нам приходит довольно много откликов на обе позиции, но, к сожалению, большинство резюме нерелевантны. По большей степени, люди не работали с алгоритмами, либо не владеют нужным нам стеком. Поэтому чаще всего мы ищем самостоятельно: по альтернативным источникам (например, соревнования) и по внутренним рекомендациям.
При выборе сотрудника смотрим на комплекс факторов: какие задачи решал кандидат, участвовал ли в каких-то проектах, как он хочет развиваться, и т. д. Также для нас важно, чтобы у кандидата было фундаментальное физико-математическое образование. Наши сотрудники пришли из разных сфер и компаний: от FMCG до профильных компаний-конкурентов, но всех объединяет одно: наличие фундаментального образования. Сам опыт работы также важен, но конкретная специфика компании в меньшей степени.
Наличие портфолио для нас не обязательно, но может сильно помочь кандидату при прохождении собеседований.
Для каждого подразделения у нас есть подготовленное тестовое задание, которое максимально приближено к будущим задачам сотрудника. Это win-win ситуация для всех: мы понимаем уровень кандидата, а кандидат в свою очередь узнает, чем именно ему предстоит заниматься.
Но если у человека есть портфолио и он готов прислать исходный код любого своего проекта на Python, который на его взгляд хорошо демонстрирует уровень владения языком, и готов пояснить любую часть кода, либо готов предоставить решение какого-либо конкурса, — техническое задание излишне.
Никита Пестров, Data Science Lead, Habidatum [3]:
В Habidatum мы создаем продукты для анализа городских данных и клиентские проекты. Проекты требуют сбора данных, например, маршрутов общественного транспорта или объявлений о продаже недвижимости, и понимания, как их обработать. Этим, а также созданием отчётных материалов, поиском закономерностей и выводов обычно занимается аналитик данных. Data Scientist разрабатывает модели для этих проектов и внедряет часть из них совместно с Data Engineer в наши продукты и сервисы. Эти два человека работают в связке.
Каждый год для отбора новых сотрудников в аналитику мы проводим командные стажировки. В течение нескольких недель молодые специалисты из разных областей проводят исследование, пробуют настоящие задачи, с которыми мы сталкиваемся в компании. За это время нам удается понять сильные стороны человека и принять решение о продолжении работы с ним.
Мы никогда не брали аналитика или Data Scientist без предварительной работы с кандидатом в рамках стажировки.
Также мы проводим воркшопы и лекции на различные темы, после них мы получаем резюме от заинтересованных специалистов и с радостью их рассматриваем. Ну и конечно канал #jobs в сообществе Open Data Science — когда мы активно ищем человека на конкретную задачу.
Для молодых инновационных компаний знания и желание нового сотрудника развиваться в сфере деятельности компании (для нас это город) важнее [4] его знаний в рамках конкретной должности. Поэтому при отборе кандидатов мы ищем в резюме человека интерес к городской проблематике, опыт командной работы и способность превращать сложные условия в простые модели. В резюме это можно увидеть по участию в релевантных конференциях, стажировках или проектах на интересные нам темы.
Вера Машкова, вице-президент по работе с персоналом группы компаний ABBYY:
В различных компаниях под позицией Data Scientist могут подразумеваться люди с разными задачами. У нас в основном работают сотрудники-универсалы, которые занимаются анализом данных и разработкой 50/50. Это необходимость нашего бизнеса.
В компании есть позиции Data Scientist, в том числе, в рамках большой стажерской программы, но мы не переводим их как «аналитик данных», речь скорее об «исследователях» в двух отделах перспективных исследований и разработок. Такие позиции мы называем чаще всего Junior Data Scientist (NLP).
Популярность направления Data Science сейчас растет. Рынок стал более развитым, многие вузы стали активнее преподавать науку о данных. Есть много дополнительных курсов. Все большее число кандидатов перепрофилируются.
Самая большая внешняя площадка для рекрутмента — HeadHunter. Кроме этого, мы с радостью трудоустраиваем ребят с двух наших кафедр в МФТИ. Есть хорошие и структурированные резюме, но не все кандидаты умеют описывать свой опыт. Чтобы помочь в этом начинающим специалистам, мы проводим встречи по развитию карьеры для студентов НИУ ВШЭ и МФТИ.
Также у нас развита реферальная программа внутри компании: коллеги советуют своих знакомых в качестве кандидатов на открытые позиции — так мы нередко получаем очень хорошие рекомендации.
При выборе сотрудника мы в первую очередь обращаем внимание на базовое образование: какой вуз и по какому направлению человек окончил, либо оканчивает.
Если у кандидата непрофильное (например, гуманитарное) образование, он с высокой долей вероятности не сможет справиться со своими задачами. Наиболее важна для нас готовность обучаться, готовность к самостоятельным исследованиям, если мы говорим именно о командах перспективных исследований и разработок.
Важно быть готовым привносить новые идеи.
Если человек занимается научной деятельностью, это, конечно же, плюс. Портфолио для нас не обязательно, если человек приходит на позицию junior-специалиста.
Алексей Кузьмин, директор разработки, руководитель DS-направления в ДомКлик [5]:
В ДомКлик мы не разделяем позиции Data Scientist и аналитика данных. У нас явно выделена другая роль — аналитик/бизнес-аналитик. Его основная задача — построение бизнес-отчетности. Data Scientist занимается построением моделей и получением инсайтов из данных на основе машинного обучения. Зона ответственности аналитика данных проходит примерно посередине, поэтому и задачи делятся примерно пополам. Часть отдается стриму «бизнес-аналитика», часть — направлению Data Science.
По моему мнению, рынок труда в сфере Data Science сейчас сильно перегрет — высокий спрос при малом количестве действительно грамотных специалистов. Поэтому при поиске мы используем либо тематические сообщества и группы, либо стараемся активно использовать внутренние рекомендации.
При выборе кандидата в первую очередь смотрим на предыдущие места работы и задачи. Наличие портфолио не обязательно, но приветствуется, так как помогает понять, какие задачи соискатель решал раньше и каким опытом он может усилить нашу команду. Перед нами стоит очень широкий спектр задач (от компьютерного зрения до обработки текстов и звуковых сигналов) и компетенции нам также нужны самые разные.
Мы стараемся изучать все присылаемые резюме, единственное табу — когда человек, откликнувшийся на позицию Data Scientist, не имеет ни одной строчки в резюме с навыками в Data Science. В таком случае не очень понятно, на что рассчитывает человек, так как даже специалист без опыта хоть какое-то обучение в сфере должен был проходить.
Дмитрий Малков, project manager в компании Data Monsters [6], руководитель образовательных и научных проектов Лаборатории бизнес-решений на основе Искусственного Интеллекта МФТИ:
В нашей компании позиция Data Scientist требует знаний математики и Python, в то время как аналитик данных может иметь гуманитарное образование. Например, у нас есть ряд проектов с профессиональными историками по экономической статистике. От аналитика требуется ручная работа с данными и более глубокое погружение в предметную область.
Мы уделяем большое внимание подготовке кадров себе на смену с юных лет: проводим курсы для старшеклассников физмат школ, работаем со студентами вузов. Результатов приходится ждать долго, но они себя оправдывают — так формируются по-настоящему «наши» люди. Что касается опытных дорогих сотрудников, то тут мы подходим тщательно. Просто разместить вакансию и отбирать откликнувшихся недостаточно. К счастью, среди выпускников МФТИ есть много зрелых специалистов.
Мы отмечаем, что в последние несколько лет все больше людей, не только физтехи, заинтересованы в карьере на пересечении науки и бизнеса, а у нас широкий простор для такой работы и интересные международные проекты.
При отборе кандидатов мы стараемся брать людей по личной рекомендации.
Обращаем внимание на предыдущий опыт работы и близость человека к нам по духу.
Ну и хорошо, если кроме математики у человека есть предметные знания.
Нас настораживают кандидаты, которые прыгают из одной компании в другую и работают на непонятных должностях. Например, сейчас направление machine learning на пике популярности, но мы отсеиваем тех, кто приходит в профессию из-за хайпа. В прошлом году они blockchain делали, в этом занимаются AI. Для науки все-таки нужен многолетний труд и соответствующий кругозор.
Максим Чикуров, эксперт направления Data Science в Нетологии и руководитель команды аналитики в крупным российском банке, считает, что несмотря на развитие рынок труда в сфере Data Science, его нельзя назвать очень динамичным:
В банковской сфере, по моему мнению, Data Science менее актуален, чем анализ данных.
Особенность сферы сейчас — большое количество желающих «войти в профессию». Таким соискателям требуется креативный подход т. к. резюме с заголовком Data Scientist, но без релевантного опыта выглядят малоинтересно. Я советую, например, создавать видеопрезентации своих исследований, это сильно поднимет вас среди других соискателей. С другой стороны, у работодателей тоже зачастую пока завышенные ожидания от Data Science в целом, а как следствие и от кандидатов. Поэтому полноценного соотношения «спрос-предложение» не выходит.
Практически все эксперты отметили недостаток грамотных специалистов на рынке и тот факт, что у компаний постоянно появляются новые требования к кандидатам в сфере Data Science. Поэтому желающим не отставать от темпов рынка стоит как можно больше вкладывать усилий в развитие себя как специалиста: самостоятельно читать учебные материалы, изучать кейсы и статьи практиков, участвовать в воркшопах, стажировках, проходить курсы. Все это позволит оставаться востребованным и получать достойную заработную плату.
Также ждем всех, кому интересна сфера Data Science на митапе «Карьера в Data Science для начинающих [11]» 11 августа в Москве (будет также трансляция)
Автор: blognetology
Источник [12]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/analitika/319497
Ссылки в тексте:
[1] New.HR: https://newhr.ru/
[2] Kaggle: https://www.kaggle.com/
[3] Habidatum: https://habidatum.com/
[4] важнее: http://news.mit.edu/2018/mit-media-lab-research-micromechanisms-industry-knowledge-1220
[5] ДомКлик: https://domclick.ru/
[6] Data Monsters: https://datamonsters.com/
[7] Data Scientist: https://netology.ru/programs/data-scientist?utm_source=blog&utm_medium=1492&utm_campaign=bds_ds_ou_habr_31052019_dsrynoktruda
[8] Аналитик данных: https://netology.ru/programs/data-analyst?utm_source=blog&utm_medium=1492&utm_campaign=bds_da_ou_habr_31052019_dsrynoktruda
[9] Python для работы с данными: https://netology.ru/programs/python-for-analytics?utm_source=blog&utm_medium=1492&utm_campaign=bds_pydp_ou_habr_31052019_dsrynoktruda
[10] Power BI & Excel PRO: https://netology.ru/programs/excelpbi?utm_source=blog&utm_medium=1492&utm_campaign=bds_pdx_ou_habr_31052019_dsrynoktruda
[11] Карьера в Data Science для начинающих: https://netology.ru/free-lessons/ds-meetup?utm_source=blog&utm_medium=1492&utm_campaign=bds_all_dod_habr_31052019_dsrynoktruda
[12] Источник: https://habr.com/ru/post/454320/?utm_campaign=454320
Нажмите здесь для печати.