В 2021 году спрос на Data Scientists все еще превышает количество доступных специалистов, актуальность профессии обусловлена также увеличением спроса на прогнозную аналитику. Поскольку 2020 год стал невероятно трудным практически для всех отраслей экономики, многие компании все больше нуждаются в основанных на данных решениях и прогнозах. Без специалистов по анализу данных уже невозможно оперативно отслеживать рыночные тренды и моделировать стратегии продвижения бизнеса.
Оценка рынка
Согласно отчету LinkedIn Emerging Jobs Report, начиная с 2012 года только в течение пяти лет количество рабочих мест в области науки о данных увеличилось на 650%. В докладе LinkedIn Emerging Jobs Report 2020 года роль искусственного интеллекта и науки о данных продолжает расти почти во всех отраслях. А по данным Glassdoor 50 Best Jobs in America, Data Scientist остается в тройке лучших вакансий в США. В совместном исследовании Академии больших данных MADE и hh.ru также сообщается, что за прошедшие 5 лет вакансий в области анализа данных стало больше в 9,6 раза, а в области машинного обучения — в 7,2 раза.
О чём специалисту по анализу данных следует задуматься при переговорах о зарплате в 2021 году?
Персональные факторы:
- Опыт работы: новичок (junior), 1-3 года (middle) или 6+ лет (senior);
- Уровень образования: самостоятельное обучение через курсы, опыт работы над проектами, степень магистра или PhD;
- Владение необходимыми навыками: Python, R, SQL, TensorFlow, Deep Learning и т.д.;
- Предыдущая работа: ожидание такой же или более высокой заработной платы на следующей позиции.
Особенности компании:
- Расположение: зарубежная или российская компания, большой/маленький город, удаленно/в офисе;
- Тип компании: компании-гиганты (Google, Amazon, Yandex и т.д.), средний и малый бизнес, НКО, университет, государственная компания;
- Другие Data Scientists в команде: распределение обязанностей, нагрузка, общий бюджет на команду Data Science;
- Должность: например, Senior Data Scientist, Junior Data Scientist, Data Science инженер, стажер и т.д.
Даже если вы знакомы со средней зарплатой на желаемой позиции, чтобы во время интервью определить корпоративные и личные ожидания, придется принять во внимание указанные факторы.
Насколько реально сменить профессию?
Для специалистов из смежных областей
Если вы хотите перейти в науку о данных из смежных областей, вроде математики и статистики, физики, программирования и компьютерных наук, у вас есть большое преимущество. Имеющиеся навыки и опыт работы позволят вам намного быстрее погрузиться в новую специализацию. При выборе специализации Data Science, не спешите сразу к ней переходить. Изучите смежные с вашей нынешней профессией сферы – это может облегчить смену рода занятий. Например, математику будет лучше освоить алгоритмы машинного обучения и Deep Learning, а разработчику программного обеспечения не составит труда перейти к анализу данных.
Для абсолютных новичков
Насколько погружение в Data Science с нуля может показаться пугающим минусом, настолько оно может оказаться большим плюсом на практике. У новичков в любой профессии есть огромное преимущество, которое заключается в их высокой мотивированности и желании стремительно погрузиться в новое. Это будет отличной основой для работы в Data Science, так как специалисты в данной сфере часто сталкиваются с необходимостью осваивать техники и инструменты с нуля.
Способы получить профессию
Навыки и образование
Одним из распространенных заблуждений является мнение, будто для работы в Data Science необходима степень в компьютерных науках или математике. Вам не нужно стремиться получить степень магистра. Для работы с алгоритмами машинного обучения и Deep Learning действительно могут понадобиться знание математического анализа, линейной алгебры и теории вероятностей, но это не означает, что вы не сумеете получить навыки самостоятельно. Владение различными инструментами управления данными, а также умение учиться намного важнее, чем формальное образование. Если верить описаниям актуальных вакансий, наиболее востребованными навыками и инструментами для Data Scientist являются следующие:
- Основы статистики и прикладной математики. Ознакомьтесь с предыдущими статьями о знаниях по математике и статистике, которые нужны специалисту по анализу данных.
- Программирование на Python или R (выбору языка посвящена статья «От "R против Python" к "R и Python"»);
- Владение инструментами для задач Data science. Для специалистов, которые работают в Python, это библиотеки Pandas, NumPy, Matplotlib или Plotly и scikit-learn (подробнее в статье «11 популярных библиотек Python для Data Science»);
- Очистка и предварительная обработка данных, анализ и визуализация данных;
- Навыки машинного обучения и моделирования (подробнее в материале «Осваиваем Python и машинное обучение с помощью Kaggle»);
- Написание SQL-запросов (подробнее в статье-гайде по работе с SQL в Data Science);
- Soft skills: навыки решения проблем, коммуникативные навыки, командная работа, инновационное мышление, навыки наблюдения, критическое мышление;
- Тонкости рабочего процесса и навыки совместной работы (Git, командная строка/bash и т. д.). Подробнее о работе над проектами в GitHub и распределении ролей в команде.
Направления и обзор вакансий
Существует несколько основных ролей специалистов по Data Science, каждая из которых направлена на решение определенных проблем с помощью данных:
- Data Scientist – специалист, который с помощью различных инструментов, методов, методологий и алгоритмов получает инсайты из огромного объема информации. Он выполняет исследовательский анализ, а также использует различные виды алгоритмов машинного обучения для составления прогнозов. Data Scientist сосредоточен на выявлении неизвестных корреляций, скрытых моделей и рыночных тенденций.
- Data Engineer отвечают за поиск тенденций в наборах данных и разработку алгоритмов, помогающих компаниям извлекать инсайты из необработанной информации. Эти специалисты работают с большими объемами информации, и занимаются разработкой, конструированием, тестированием и поддержкой архитектуры крупномасштабных систем обработки и баз данных. Data Engineers также должны понимать, как оптимизировать поиск данных, как сделать информационные панели, отчеты и другие виды визуализации понятными для всех заинтересованных сторон.
- Аналитик данных отвечает за получение и обработку больших объемов информации. В его обязанности также включены проектирование и обслуживание информационных систем и баз данных: исправление ошибок кодирования и других проблем. Аналитик будет использовать статистические инструменты для интерпретации данных, уделяя особое внимание тенденциям и закономерностям, которые могут быть полезны для диагностической и прогностической аналитики. В его задачи также входит предоставление отчетности и визуализация анализа данных, которые будут использованы для принятия наиболее эффективных бизнес-решений.
Противоречия
Если взвесив все плюсы и минусы вы решили, что Data Science точно для вас, обратите внимание на курс «Профессия Data Scientist PRO»: обучение на специалиста по Data Science онлайн от Skillbox. Он предназначен для программистов и аналитиков, а также для желающих кардинально сменить профессию. Цель курса – дать студентам знания и навыки, которые могут понадобиться в реальной работе Data Scientist. Программа включает основательную математическую подготовку, занятия по Python, R и SQL, а также по аналитике и машинному обучению. Особенность курса заключается в проектно-ориентированном обучении, во время которого вы сможете на практике понять, как применять методы Data Science для решения бизнес-проблем.
Бонус для читателей
Если вас заинтересовала возможность построить карьеру в новой и перспективной области, но вы не готовы принять решение здесь и сейчас, Skillbox предоставляет возможность начать обучение и ознакомиться с 3 модулями программы бесплатно. За время пробного периода вы познакомитесь с основными профессиями в Data Science, научитесь собирать бизнес-требования и работать в Excel. Для своих студентов в Skillbox предусмотрели удобные условия по рассрочке оплаты за обучение – оплата курсов возможна через 6 месяцев начала занятий.
Комментарии