По исследованиям HeadHunter и Mail.ru спрос на специалистов в области Data Science превышает предложение, но даже так молодым специалистам не всегда удается найти работу. Рассказываем, чего не хватает выпускникам курсов и где учиться тем, кто планирует большую карьеру в Data Science.
Эмиль Магеррамов руководит группой сервисов вычислительной химии в компании biocad и на собеседованиях сталкивается с тем, что у кандидатов нет системного понимания профессии. Они заканчивают курсы, приходят с хорошо прокачанными Python и SQL, могут за 2 секунды поднять Hadoop или Spark, выполнить задачу по четкому ТЗ. Но при этом шаг в сторону — уже нет. Хотя именно гибкости решений работодатели ждут от своих специалистов в области Data Science.
Компетенции молодых специалистов отражают положение на рынке труда. Здесь спрос существенно превышает предложение, поэтому отчаявшиеся работодатели часто действительно готовы брать на работу совсем зеленых специалистов и доращивать их под себя. Вариант рабочий, но подходит лишь в том случае, если в команде уже есть опытный тимлид, который возьмет на себя обучение джуниора.
По исследованию HeadHunter и Mail.ru, специалисты по анализу данных — одни из самых востребованных на рынке:
Ситуацию подогревают многочисленные онлайн-школы, которые готовят тех самых джуниоров. В основном обучение идет от трех до шести месяцев, за которые ученики успевают на базовом уровне освоить главные инструменты: Python, SQL, анализ данных, Git и Linux. На выходе получается классический джуниор: может решить конкретную задачу, а понять проблему и самостоятельно сформулировать задачу еще не может. Однако высокий спрос на специалистов и хайп вокруг профессии часто рождает высокие амбиции и требования к зарплате.
Любой работодатель хотел бы, чтобы его джуниоры работали без постоянного контроля и могли развиваться под руководством тимлида. Для этого новичок должен сразу владеть нужными инструментами, чтобы решать текущие задачи, и обладать достаточной теоретической базой, чтобы постепенно предлагать собственные решения и подступаться к более сложным задачам.
С инструментами у новичков на рынке все достаточно хорошо. Краткосрочные курсы позволяют быстро освоить их и приступить к работе.
По исследованию HeadHunter и Mail.ru, самый востребованный навык — владение Python. Оно упоминается в 45% вакансий специалистов по анализу данных и в 51% вакансий в области машинного обучения.
Также работодатели хотят, чтобы специалисты по анализу данных знали SQL (23%), владели интеллектуальным анализом данных (DataMining) (19%), математической статистикой (11%) и умели работать с большими данными (10%).
Работодатели, которые ищут специалистов по машинному обучению, наряду со знанием Python ожидают, что кандидат будет владеть C++ (18%), SQL (15%), алгоритмами машинного обучения (13%) и Linux (11%).
��о если с инструментами у джуниоров все хорошо, то дальше их руководители сталкиваются с другой проблемой. У большинства выпускников курсов нет глубокого понимания профессии, поэтому новичку сложно прогрессировать.
На рынке много хороших курсов по Data Science и получить первоначальное образование не проблема. Но важно понимать направленность этого образования. Если у кандидата уже есть мощный технический бэкграунд, то интенсивные курсы — то что надо. Человек освоит инструменты, придет на место и быстро вработается, потому что уже умеет думать как математик, видеть проблему и формулировать задачи. Если такого бэкграунда нет, то после курса будет хороший исполнитель, но с ограниченными возможностями для роста.
При этом можно параллельно получать и практический опыт на работе. Ничто не мешает устроиться на позицию джуниора, как только студент освоит нужные инструменты. Вот только, в отличие от выпускника курсов, магистр не останавливает на этом свое обучение, а продолжает углубляться в профессию. В будущем это позволяет развиваться в Data Science без ограничений.
«Они приходят и думают, что сейчас будут зарабатывать 500к в секунду, потому что знают названия фреймворков и как из них запустить модель в две строчки»
Эмиль Магеррамов руководит группой сервисов вычислительной химии в компании biocad и на собеседованиях сталкивается с тем, что у кандидатов нет системного понимания профессии. Они заканчивают курсы, приходят с хорошо прокачанными Python и SQL, могут за 2 секунды поднять Hadoop или Spark, выполнить задачу по четкому ТЗ. Но при этом шаг в сторону — уже нет. Хотя именно гибкости решений работодатели ждут от своих специалистов в области Data Science.
Что происход��т на рынке Data Science
Компетенции молодых специалистов отражают положение на рынке труда. Здесь спрос существенно превышает предложение, поэтому отчаявшиеся работодатели часто действительно готовы брать на работу совсем зеленых специалистов и доращивать их под себя. Вариант рабочий, но подходит лишь в том случае, если в команде уже есть опытный тимлид, который возьмет на себя обучение джуниора.
По исследованию HeadHunter и Mail.ru, специалисты по анализу данных — одни из самых востребованных на рынке:
- В 2019 году вакансий в области анализа данных стало больше в 9,6 раза, а в области машинного обучения – в 7,2 раза, чем в 2015 году.
- По сравнению с 2018 годом количество вакансий специалистов по анализу данных увеличилось в 1,4 раза, по машинному обучению – в 1,3 раза.
- 38% открытых вакансий приходится на ИТ-компании, 29% — компании из финансового сектора, 9% — сфера услуг для бизнеса.
Ситуацию подогревают многочисленные онлайн-школы, которые готовят тех самых джуниоров. В основном обучение идет от трех до шести месяцев, за которые ученики успевают на базовом уровне освоить главные инструменты: Python, SQL, анализ данных, Git и Linux. На выходе получается классический джуниор: может решить конкретную задачу, а понять проблему и самостоятельно сформулировать задачу еще не может. Однако высокий спрос на специалистов и хайп вокруг профессии часто рождает высокие амбиции и требования к зарплате.
К сожалению, собеседование по Data Science сейчас обычно выглядит так: кандидат рассказывает, что попробовал применять пару-тройку библиотек, на вопросы о том, как именно работают алгоритмы, ответить не может, затем просит 200, 300, 400 тысяч рублей в месяц на руки.
Из-за большого количества рекламных лозунгов вроде «стать аналитиком данных может каждый», «освой машинное обучение за три месяца и начни получать кучу денег» и жажды быстрой наживы, в нашу область хлынул огромный поток поверхностных кандидатов совершенно без системной подготовки.
Виктор Кантор
Chief Data Scientist в МТС
Кого ждут работодатели
Любой работодатель хотел бы, чтобы его джуниоры работали без постоянного контроля и могли развиваться под руководством тимлида. Для этого новичок должен сразу владеть нужными инструментами, чтобы решать текущие задачи, и обладать достаточной теоретической базой, чтобы постепенно предлагать собственные решения и подступаться к более сложным задачам.
С инструментами у новичков на рынке все достаточно хорошо. Краткосрочные курсы позволяют быстро освоить их и приступить к работе.
По исследованию HeadHunter и Mail.ru, самый востребованный навык — владение Python. Оно упоминается в 45% вакансий специалистов по анализу данных и в 51% вакансий в области машинного обучения.
Также работодатели хотят, чтобы специалисты по анализу данных знали SQL (23%), владели интеллектуальным анализом данных (DataMining) (19%), математической статистикой (11%) и умели работать с большими данными (10%).
Работодатели, которые ищут специалистов по машинному обучению, наряду со знанием Python ожидают, что кандидат будет владеть C++ (18%), SQL (15%), алгоритмами машинного обучения (13%) и Linux (11%).
��о если с инструментами у джуниоров все хорошо, то дальше их руководители сталкиваются с другой проблемой. У большинства выпускников курсов нет глубокого понимания профессии, поэтому новичку сложно прогрессировать.
Я сейчас ищу специалистов по машинному обучению себе в команду. При этом вижу, что зачастую кандидаты освоили отдельные инструменты Data Science, но у них недостаточно глубокое понимание теоретических основ, чтобы создавать новые решения.Сама структура и продолжительность курсов не позволяет углубиться на необходимый уровень. Выпускникам зачастую не хватает тех самых soft skills, которые обычно пропускаются при чтении вакансии. Ну правда, кто из нас скажет, что у него нет системного мышления или желания развиваться. Однако применительно к специалисту Data Science речь о более глубокой истории. Здесь, чтобы развиваться, нужен достаточно сильный уклон в теорию и науку, который возможен только на продолжительном обучении, например, в университете.
Эмиль Магеррамов
Руководитель группы сервисов вычислительной химии, Biocad
Многое зависит от человека: если трехмесячный интенсив от сильных преподавателей с опытом тимлидов в топовых компаниях проходит слушатель с хорошей базой в математике и программировании, вникает во все материалы курса и «впитывает как губка», как говорили в школе, то проблем с таким сотрудником потом нет. Но 90-95% людей, чтобы что-то усвоить навсегда, нужно выучить в десять раз больше и делать это систематично несколько лет подряд. И это делает магистерские программы по анализу данных великолепным вариантом получить хороший фундамент знаний, с которым и на собеседовании не придется краснеть, и работу делать будет сильно проще.
Виктор Кантор
Chief Data Scientist в МТС
Где учиться, чтобы найти работу в Data Science
На рынке много хороших курсов по Data Science и получить первоначальное образование не проблема. Но важно понимать направленность этого образования. Если у кандидата уже есть мощный технический бэкграунд, то интенсивные курсы — то что надо. Человек освоит инструменты, придет на место и быстро вработается, потому что уже умеет думать как математик, видеть проблему и формулировать задачи. Если такого бэкграунда нет, то после курса будет хороший исполнитель, но с ограниченными возможностями для роста.
Если перед вами стоит краткосрочная задача смены профессии или поиска работы в этой специальности, то тогда вам подходят какие-то систематические курсы, которые короткие и быстро дают минимальный набор технических навыков, чтобы вы смогли претендовать на начальную позицию в этой области.Проблема курсов именно в том, что они дают быстрый, но минимальный разгон. Человек буквально влетает в профессию и быстро достигает потолка. Чтобы прийти в профессию надолго, нужно сразу заложить хорошую основу в виде более долгосрочной программы, например, в магистратуре.
Иван Ямщиков
Академический директор онлайн-магистратуры «Наука о данных»
Высшее образование подходит, когда вы понимаете, что эта область интересна вам долгосрочно. Вы не стремитесь выйти на работу как можно скорее. И не хотите, чтобы у вас был карьерный потолок, также не хотите столкнуться с проблемой недостатка знаний, навыков, недостатка понимания общей экосистемы, с помощью которой развиваются инновационные продукты. Для этого нужно именно высшее образование, которое формирует не только необходимый набор технических навыков, но и структурирует по-другому ваше мышление и помогает сформировать некоторое видение вашей карьеры на более долгосрочную перспективу.Отсутствие карьерного потолка — главное преимущество магистерской программы. За два года специалист получает мощную теоретическую базу. Вот так выглядит уже первый семестр в программе Data Science НИТУ «МИСиС»:
Иван Ямщиков
Академический директор онлайн-магистратуры «Наука о данных»
- Введение в Data Science. 2 недели.
- Основы анализа данных. Обработка данных. 2 недели
- Машинное обучение. Предобработка данных. 2 недели
- EDA. Разведывательный анализ данных. 3 недели
- Основные алгоритмы машинного обучения. Ч1 + Ч2 (6 недель)
При этом можно параллельно получать и практический опыт на работе. Ничто не мешает устроиться на позицию джуниора, как только студент освоит нужные инструменты. Вот только, в отличие от выпускника курсов, магистр не останавливает на этом свое обучение, а продолжает углубляться в профессию. В будущем это позволяет развиваться в Data Science без ограничений.
На сайте университета науки и технологий «МИСиС» проходят Дни открытых дверей и вебинары для тех, кто хочет работать в Data Science. Представители НИТУ «МИСиС», SkillFactory, HeadHunter, Facebook, Mail.ru Group и Яндекс, рассказываю про самое важное:
- «Как найти свое место в Data Science?»,
- «Можно ли стать data scientist с нуля?»,
- «Сохранится ли необходимость в data scientist-ах через 2-5 лет?»,
- «Над какими задачами работают специалисты data science?»,
- «Как построить карьеру в Data Science?»
Обучение онлайн, диплом государственного образования. Заявки на программу принимаются до 10 августа.
