Почему так много специалистов по данным бросают свою работу
Да, я занимаюсь данными. И да, вы правильно прочитали название, но все таки кто-то должен был это сказать. Мы так много читаем о безумной привлекательности науки о данных (ее называют самой сексуальной работой XXI века и о внушительных суммах денег, которые data scientist может заработать, что это занятие может показаться работой мечты. Прибавьте к тому, что в индустрии уже есть множество высококвалифицированных людей, заморачивающихся со сложными проблемами ( и да, заморачиваться — это хорошо), и в эту работу можно будет влюбиться.
Но правда в том, что data scientists обычно «проводят 1-2 часа в неделю в поисках новой работы», как указано в этой статье Financial Times. Кроме того, в статье также говорится, что «… специалисты по машинному обучению возглавили список разработчиков, которые заявили, что ищут новую работу (14,3%). Data scientists оказались на втором месте (13,2%)». Stack Overflow собрали эти данные из опроса 64 000 разработчиков.
Я сам недавно был в подобном положении и только что сменил работу в области data science.
Так почему же так много data scientists ищут новые рабочие места?
Прежде чем ответить на этот вопрос, я должен уточнить, что до сих пор являюсь data scientist. В целом, я люблю работу, и я не хочу мешать тем, кто хочет стать data scientists, потому что это классная работа, она приносит хорошие деньги и весьма увлекательна. Цель этой статьи — сыграть адвоката дьявола и выявить некоторые негативные аспекты работы.
С моей точки зрения, существует 4 важные причины почему многие data scientist могут быть недовольны своей работой.
1. Ожидание не соответствует действительности
“Большие данные похожи на подростковый секс: все об этом говорят, никто не знает, как это делается, все думают, что все им занимаются, поэтому все утверждают, что они им тоже занимаются” — Дэн Ариэли
Эта цитата очень к месту. Многие junior data scientists, которых я знаю (и я в их числе), хотели попасть в науку о данных, потому что речь шла о решении сложных проблем с применением новых алгоритмов машинного обучения, и оказывают огромное влияние на бизнес. Это был шанс почувствовать, что работа, которую мы делали, важнее всего, что мы делали раньше. Однако это часто бывает не так.
На мой взгляд, тот факт, что ожидание не соответствует действительности, является истинной причиной ухода многих ученых. Есть много факторов, я не могу здесь привести полный список, но этот пост по сути является перечнем некоторых причин, с которыми я столкнулся.
Все компании — разные, поэтому я не могу говорить за всех, но многие компании нанимают ученых-специалистов без подходящей инфраструктуры, желая начать получать выгоду от ИИ. Это вызывает проблему холодного запуска ИИ. Прибавьте сюда то, что эти компании не нанимают опытных senior data scientists до найма джуниоров, и у вас получится рецепт разочарования и плохих взаимоотношений. Data scientist, скорее всего приходит создавать алгоритмы машинного обучения и выдавать результат, но не может это делать, поскольку его первой задачей является сортировка инфраструктуры данных и / или создание аналитических отчетов. А компания всего лишь хочет получить красивый график чтобы показывать его каждый день на совещаниях. Затем компания разочаровывается, не видя быстрой отдачи, и все это приводит к тому, что data scientist несчастлив в своей роли.
Важно оценить, насколько наши стремления совпадают с основным направлением нашей сферы. Найдите проекты, команды и компании, чье основное направление наилучшим образом соответствует вашим требованиям.
Здесь подчеркиваются двухсторонние отношения между работодателем и data scientist. Если компания занимается не тем, или имеет цели, отличные от целей data scientists, то становится только вопросом времени, когда data scientist найдет что-то еще.
Еще одна причина, по которой data scientists разочаровываются — это та же самая причина, по которой я разочаровался в академических кругах: я полагал, что смогу оказать огромное влияние на людей во всем мире, а не только внутри компании. На самом деле, если основной бизнес компании не является машинным обучением (мой предыдущий работодатель — издательская компания для СМИ), то вы скорее всего будете заниматься data science только для того, чтобы немного увеличить прибыли компании. Может быть, это выльется во что-то более серьезное, вы можете даже наткнуться на золотую жилу, но я бы на это не рассчитывал.
2. Политика превыше всего
О политике уже есть блестящая статья The most difficult thing in data science: politics, и я призываю вас ее прочитать. Первые несколько предложений из этой статьи в значительной степени подытоживают то, что я хочу сказать:
Когда я просыпался в 6 часов утра и садился изучать курс по методам опорных векторов, я думал: «Это слишком сложно… Так, стоп! Я же могу стать очень ценным для своего будущего работодателя!». Если бы у меня был DeLorean с машиной времени, я бы вернулся назад во времени и сам себе сказал бы: “Ни фига подобного!”.
Если вы серьезно думаете, что знание множества алгоритмов машинного обучения сделает вас самым ценным data scientist, вернитесь к моему первому пункту: ожидание не соответствует действительности.
Истина заключается в том, что самые влиятельные люди бизнеса должны хорошо воспринимать вас. Это может означать, что вам приходится постоянно выполнять специфическую работу. Например, доставать данные из базы данных, чтобы дать нужным людям в нужное время, делать простые проекты, чтобы нужные люди имели правильное представление о вас. Мне много приходилось этим заниматься на моем предыдущем месте. Это бесило ровно настолько, насколько вы может себе представить, но от этого было некуда деться.
3. Вы будете тем человеком, которому задают любые вопросы о данных
Разобравшись с необходимостью постоянно удовлетворять важных людей, нужно сказать, что те же самые важные люди часто не понимают, что подразумевается под data scientist. Это означает, что именно вы будет заниматься аналитикой, а также писать отчеты, и давайте не будем забывать, что вы еще будете и экспертом по базам данных.
Не только управленцы будут переоценивать ваши навыки. Другие коллеги по цеху предполагают, что вы знаете все о данных. Вы знакомы со Spark, Hadoop, Hive, Pig, SQL, Neo4J, MySQL, Python, R, Scala, Tensorflow, A / B Testing, NLP, всем, что связано с машинным обучением, а еще всем, что приходит в голову при слове “данные”. Кстати, если вы видите вакансию, где указаны все эти навыки, бегите! Дело попахивает тем, что компания не знает свою стратегию по данным, и они хотят нанять хоть кого-нибудь, поскольку считают, что найм любого специалиста устранит все проблемы с их данными.
Но это еще не конец. Поскольку вы все это знаете, и вы, очевидно, имеете доступ ко всем данным то, вы должны предоставить ответы на ВСЕ вопросы через . ну, ответы уже пять минут назад должны были придти на почту всем заинтересованным лицам.
Может быть сложно рассказать всем, что вы на самом деле знаете, и контролировать их. Не потому, что кто-то на самом деле думает о вас меньше, а потому, что, будучи junior scientist с небольшим опытом работы в отрасли, вы будете беспокоиться, что люди будут думать о вас плохо. Ситуация не из простых!
4. Работа в изолированной команде
Когда мы видим успешные data продукты, мы часто имеем дело с умело разработанными интеллектуальными пользовательскими интерфейсами и, самое главное, c практически применимыми результатами. Эти результаты воспринимаются пользователями, как минимум, как пригодные для решения определенных проблем. Теперь, если data scientist тратит свое время только на изучение того, как писать и выполнять алгоритмы машинного обучения, он может быть только небольшой (хотя и необходимой) частью команды, создающей потенциально успешный продукт. Это означает, что data science коллективам, работающим изолированно, будет трудно обеспечить продуктивность.
Несмотря на это, во многих компаниях все еще есть data science команды, которые придумывают свои собственные проекты и пишут код для решения проблем. В некоторых случаях этого может быть достаточно. Например, если требуемый результат является электронной таблицей, создаваемой один раз в квартал, то команда может быть продуктивной. С другой стороны, если целью является оптимизация, обеспечивающая интеллектуальные предложения в специализированном продукте для создания веб-сайтов, то от команды потребуется множество разных навыков, которых нельзя ожидать от подавляющего большинства data scientists (только магический волшебник из мира данных может решить эту проблему в одиночестве). Поэтому, если проект будет проводиться изолированной data science командой, то он, скорее всего, потерпит неудачу (или займет очень много времени, потому что в больших компаниях сложно координировать работу изолированных команд над единым проектом).
Поэтому, чтобы быть эффективным специалистом в прикладной науке о данных, недостаточно делать успехи в соревнованиях Kaggle и закончить какие-нибудь онлайн-курсы. К счастью, или к сожалению (в зависимости от того, каким образом вы смотрите на ситуацию), от вас ожидается понимание того, как иерархия и политика работают в бизнесе. Поиск компании, которая соответствует вашему критическому пути, должна быть ключевой целью при поиске такой работы в науке о данных, которая будет удовлетворять ваши потребностям. Тем не менее, вам все равно полезно изменить свои ожидания от работы в сфере данных.
Если у кого-то есть дополнительные комментарии, вопросы или возражения, пожалуйста, не стесняйтесь комментировать, потому что конструктивное обсуждение необходимо , чтобы помочь специалистам в сфере данных сделать обоснованные решения относительно их карьерного пути.
Привет, я Data Scientist в «Тинькофф»
Глеб Синяков закончил МФТИ и пошел на работу аналитиком-разработчиком в «Тинькофф». Уже имея академическое образование, он продолжает учиться и берет курсы по математике и другим фундаментальным дисциплинам. Войти в профессию не сложно, уверен Глеб, но нужно интересоваться данными и быть усидчивым.
Глеб Синяков, 26 лет Образование : МФТИ Место работы : аналитик-разработчик в «Тинькофф» Skillfactory : готовил кейсы по временным рядам для курса Data Science
Освойте профессию «Data Scientist»
Кто такой Data Scientist?
В Data Science несколько разных профессий. Есть собственно Data Scientist: те, кто хорошо понимают математику, модели данных и руководят аналитикой. А есть ML-инженеры: их задача — писать код для моделей машинного обучения. ML-инженерами становятся бывшие программисты: им надоедает заниматься каким-нибудь Java и они идут в Data Science. Среди профессионалов есть и те, к кому ML приходит сам. Например, специалисты по биоинформатике начинают учить науку о данных, чтобы решать задачи в своем деле. Мне повезло попасть на работу в Data Scienсe после специальных кафедр технического вуза. На самом деле наука о данных — еще слишком новая для российского высшего образования область. В профессию попадают люди с самым разным бэкграундом. Есть те, кто переучиваются после технических вузов или работы программистом в других областях.
Профессия / 24 месяца
Data Scientist
Решайте амбициозные задачи с помощью нейросетей
5 491 ₽/мес 9 983 ₽/мес
Читайте также Как успешно пройти собеседование на Data Scientist?
Кто такой аналитик-разработчик?
Я работаю аналитиком-разработчиком, занимаюсь системой автоматического мониторинга данных компании «Тинькофф» с помощью машинного обучения. Банковские продукты компании генерируют много данных: они помогают отслеживать эффективность бизнес-процессов, например изменения доходности по вкладам или продаж страховок. Обычно за каждым из процессов следят аналитики. Моя задача — помочь им автоматизировать этот процесс, чтобы они могли получать своевременные оповещения, если в их данных что-то пошло не так. Так аналитики могут увидеть нестандартное поведение своих параметров и изменить свои процессы. Моя специализация — временные ряды. По сути, это зависимости разных величин во времени. Эти данные можно анализировать с помощью математических моделей, чтобы спрогнозировать будущие значения. Например, так прогнозируют спрос на товары в супермаркетах. Если знать статистику продаж творога в прошлые годы, этой весной можно выложить на полки нужное покупателям количество пачек с высокой точностью. В «Тинькофф» по тому же принципу мы предсказываем продажи продуктов экосистемы.
Почему я пошел в Data Science
Я закончил МФТИ: сначала учился на факультете физической и квантовой электроники. После бакалавриата я попал в научную организацию, которая занимается фотоприемниками, приборами для регистрации оптических сигналов. Там я не видел больших перспектив, поэтому решил сменить направление. Это довольно стандартная история для Data Scientist из российских технических вузов, вроде МФТИ. В российской науке, к сожалению, нет больших перспектив, а работать простым кодером для многих скучно. Поэтому я пошел в Data Science: в этой области есть баланс интереса и перспектив. В магистратуре я перешел на факультет инноваций и высоких технологий. На этом факультете «Тинькофф» открыл первый набор на кафедру финансовых технологий. После конкурса я попал туда на работу. Я выбирал между разными крупными IT-компаниями: в «Тинькофф» к тому моменту уже была полноценная работа с технологиями.
Читайте также 8 причин стать дата-сайентистом в 2023 году
Какие ошибки делают новички
Когда я только пришел на работу, мне хотелось применять как можно больше новых технологий и подходов. На самом деле это не всегда полезно. Например, мне нужно было смоделировать поведение данных по одному из банковских продуктов. У разных методов прогнозирования разная точность: среди моделей нужно выбирать наиболее быструю и точную. По неопытности я потратил много времени, чтобы создать сложную модель, а в итоге получил то же качество, что и у тривиальных (самых простых). Это достаточно стандартная ошибка новичков: многие сразу хотят сделать что-то сложное и интересное там, где это не нужно. Так я понял, что лучше вести разработку от простого к сложному. Не усложняйте свои задачи до тех пор, пока работают быстрые проверенные методы.
Мой рабочий день
Обычно я встаю где-то с 7 до 10 утра, делаю завтрак и кофе в любимой гейзерной кофеварке. Если встаю рано, то использую утро для задач с максимальной концентрацией: например, чтения статьи на Хабре или Archive. До 10:30 я разбираю рабочую и личную почту и обдумываю задачи на день. В 10:30 у нас ежедневный созвон с командой — после него я подключаюсь к VPN и начинается работа. В зависимости от загрузки я работаю до 5-8 вечера. Например, сейчас я работаю над классификатором временных рядов — это поможет выявить сезонность в банковских данных. Вечером я преподаю Python по Zoom, а если занятий нет, езжу на тренировки по сноуборду в комплекс Снеж.ком — он всего в пяти минутах от моего дома. Если хватает времени, то сам прохожу разные курсы или читаю что-нибудь актуальное по работе, чтобы не отставать от жизни. С самодисциплиной по вечерам не очень, поэтому, к сожалению, на учебу время есть редко. Перед сном обычно залипаю в интернете или доделываю какие-то задачи. В выходные четкого расписания нет. C утра катаюсь, а днем и вечером могу делать что угодно: работать, учиться, гулять или кодить что-нибудь для себя.
Станьте дата-сайентистом и решайте амбициозные задачи с помощью нейросетей
В нашей индустрии нужно постоянно учиться новому и освежать в голове старые знания
В нашей индустрии все постоянно занимаются самообразованием. Новые технологии и фреймворки (наборы инструментов для быстрой разработки) проще освоить самому на практике, а вот фундаментальные вещи со временем забываются. Например, недавно я взял курс по теории вероятностей, чтобы освежить знания из института. К тому же после нескольких лет работы в Data Science нужно выбирать специализацию. На этом этапе ты уже понимаешь основные подходы к данным и углубляешься в какую-то область, например, обработку естественного языка (NLP) или компьютерное зрение. Также я преподаю сам: уже 2,5 обучаю студентов Python, веду семинары по временным рядам для сотрудников «Сбербанка», помогал с кейсами для курса SkillFactory по Data Science. Мне нравится учить и понимать, как думают другие люди и какими вопросами задаются. К тому же многие приходят в IT после больших успехов в своих профессиональных областях. Мне очень интересно помочь им применить программирование для решения их задач. Например, один ученик работает аналитиком в известном интернет-магазине. У них была проблема с работниками склада — они часто увольнялись после нескольких месяцев работы. На курсах мы взяли его данные и построили модель, которая предсказывает вероятность увольнения соискателя в течении полугода по его социально-демографическим характеристикам.
Как войти в профессию с нуля
В профессию можно попасть и с нулевыми знаниями. Для этого нужно обладать двумя вещами: по-настоящему интересоваться данными и иметь высокую самодисциплину. Если с этим все в порядке, нужно просто брать курсы и учиться. Для классического пути в Data Science нужно знать несколько вещей: Python, математику (линейная алгебра, теория вероятности и статистика, матанализ) и пройти курс по ML.
Мало кто знает все это на отлично, да и не во всех компаниях это требуется. Хорошее освоение трех вещей если не гарантирует, то сильно увеличивает шансы найти первую работу. По времени это занимает минимум полгода для тех, кто пришел из технических областей. Совсем с нуля все можно выучить минимум за год. После этого уже можно подаваться на позиции стажера или джуниора.
Что мне нравится в моей работе
Я работаю в «Тинькофф» уже три с половиной года. В нашей компании много задач для сайентистов и почти нет ограничений по развитию. Наука о данных — достаточно универсальная область. По сути тебе не важно какими данными ты занимаешься: о торговле продуктами или о поведении пользователей в интернете. Для всех задач есть одинаковая база: математика и программирование. Зная базовые вещи уже можно углубляться в конкретные области, например, компьютерное зрение или обработку естественного языка. Большинство задач в индустрии довольно стандартные, они ориентированы прежде всего на бизнес-результат. Поэтому в какой-то момент каждому специалисту хочется начать делать что-то свое параллельно основной работе. Я, например, хотел бы привнести что-то новое в open-source (программы и технологии для разработчиков), но пока своих значимых кейсов нет. Мне нравится создавать технологии, которые автоматизируют ручную работу. Например, известная в машинном обучении библиотека scikit-learn поделила профессию на «до» и «после»: у разработчиков появились инструменты для быстрой работы с алгоритмами ML. Еще мне хотелось бы углубиться в другие области машинного обучения. Я занимаюсь временными рядами, обычно в этой специализации лучше работают классические модели. И хочу поглубже копнуть в Deep Learning — глубинное обучение, где нейросети способны решать очень сложные задачи. Именно в этой области сейчас происходят наиболее интересные в машинном обучении вещи.
Data Scientist
Дата-сайентисты решают поистине амбициозные задачи. Научитесь создавать искусственный интеллект, обучать нейронные сети, менять мир и при этом хорошо зарабатывать. Программа рассчитана на новичков и плавно введет вас в Data Science.
Профессия Data Scientist
Data Scientist структурирует данные для бизнеса и разрабатывает перспективные решения. Вместе со специалистами выясним все тонкости профессии и узнаем, сколько зарабатывают эти специалисты в 2024 году
Data Scientist способен отыскать себе работу в любой отрасли: от розничных продаж до ядерной физики. Поэтому такого специалиста порою называют повелителем больших данных. Data Scientist трудится на стыке 3-х областей знаний: программирования, статистики и машинного обучения.
Кто такой Data Scientist
Data Scientist работает с данными компании, занимается их анализом, ищет потенциальные зависимости, на этой основе делает выводы и при надобности строит визуализации. Для решения таких задач специалист пользуется математическими алгоритмами, инструментами разработки и специальными программами. Data Scientist понимает, как выстроить прогноз и помогает принимать правильные решения.
Полезная информация о профессии Data Scientist
Мы собрали полезные данные об этой профессии в одну таблицу.
| Срок обучения | От 6 месяцев |
| Средняя зарплата | 170 000 рублей |
| Где можно получить профессию | На курсах и в вузах |
| Необходимые качества | Дальновидность, широкий кругозор, наблюдательность, аналитический склад ума |
| Востребованность профессии | Высокая |
| Где работать | На фрилансе, в штате различных компаний |
Чем занимается Data Scientist
Этот специалист использует методы Data Science, чтобы обрабатывать большие объемы информации. Он выстраивает и тестирует модели поведения данных. Так он находит в них закономерности и прогнозирует будущие значения. К примеру, зная всё о спросе на продукт раньше, Data Scientist помогает компании сделать прогноз о продажах на ближайшее будущее. Все модели выстраиваются благодаря алгоритмам машинного обучения.
Плюсы работы Data Scientist
В этой профессии достаточно плюсов:
- можно научиться решению нестандартных задач;
- реальное влияние на рабочие процессы в компании;
- высокая зарплата;
- получится работать в тех отраслях, в которых интересно лично вам;
- можно сотрудничать с зарубежными компаниями.
Минусы работы Data Scientist
В этой профессии есть и минусы:
- приходится постоянно заниматься самообучением, так как знания быстро устаревают;
- нужно знать математику;
- многозадачность.
Где учиться в 2024 году
Эту профессию можно получить в университетах. Программировать, работать со статистикой и пользоваться аналитическими данными вас научат на программах IT-направлений: «Прикладной анализ данных и искусственный интеллект», «Математическое моделирование», «Аналитика и управление данными». Также можно отучиться на онлайн-курсах.
Вузы
В Санкт-Петербургском государственном университете (СПбГУ) получить профессию можно на программе «Исследование операций и системный анализ». Для поступления обязательно надо знать информатику и прикладную математику. Предусмотрена только очная форма. Обучение проходит на базе бакалавриата и длится 2 года.
В Дальневосточном федеральном университете (ДВФУ) открыт профиль «Сквозные цифровые технологии». За 4 года обучения вы не только получите мощную теоретическую базу, но и пройдете практику в ведущих IT-компаниях Дальневосточного региона. Студенты этой образовательной программы разрабатывают проекты, которые проходят экспертизу у бизнес-партнеров ДВФУ. Впоследствии эти проекты-стартапы защищаются в качестве дипломной работы.
это интересно
Профессия стример
О востребованности, зарплате, плюсах и минусах своей работы рассказывают представители профессии
Курсы
Курс «Data Scientist с нуля до middle» от «Нетологии» длится 20 месяцев. За все время обучения вы сделаете с десяток интересных проектов, получите диплом о профессиональной переподготовке и пройдете почти 800 часов теории и практики. Еще во время курса вы сможете найти первую работу по профессии. Кураторы оказывают полное содействие в трудоустройстве.
Курс «Специалист по Data Science плюс» от Яндекс Практикум рассчитан на 16 месяцев. Вы с нуля дорастете до востребованного специалиста. За 1,5 года у вас в портфолио появится 2 реальных и 22 учебных проекта. Курс отлично подходит даже тем, кто раньше никак не был связан с IT-сферой.
Курс «Математика для Data Science» от SkillFactory — это 2 месяца интенсивного обучения. Вы изучите математическую базу, чтобы быстро войти в сферу науки о данных. Выпускники курса отмечают, что информация подается доступно и структурировано. В план образовательной программы включено выполнение практических заданий.
Востребованность Data Scientist
Согласно данным Центра компетенций Национальной технологической инициативы на базе МФТИ, в 2021 году рынок больших данных оценивался в 46 миллиардов долларов. Бюро статистики труда США сообщает, что к 2026 году по объему вакансий сфера Data Science увеличится на 28%. За последние годы количество вакансий в разных странах увеличилось почти на 500%. Ожидается, что профессия станет еще востребованней в ближайшие 5 лет.
Павел Думин, кандидат технических наук, преподаватель Data Science в Elbrus Bootcamp, высказался о трендах на 2023 год:
— Наметился серьезный тренд на генерацию изображений. Только за последние полгода появилось много сильных моделей, которые работают с иллюстрациями и с текстом. Анализ текста — тоже мощная область, многие компании сейчас автоматизируют общение с помощью чат-ботов.
Устройство на работу
В России Data Scientist преимущественно ищут финансовые и IT-компании. И чаще всего специалистам требуется знать язык программирования Python. В вакансиях по машинному обучению этот навык требуется в 51% случаев, по аналитике данных в — 45%. Больше всего такие кадры нужны в Санкт-Петербурге и Москве.
Найти работу можно и на фрилансе. Вакансии выкладывают на каналах в Telegram, а также на соответствующих сайтах.
Построение карьеры
Карьера Data Scientist выглядит обычно так:
Обычно на эту позицию ставят человека после прохождения коротких курсов. Но нужно понимать, что стажеры чаще всего не нужны. Об этом говорит количество вакансий на HeadHunter: на начало ноября 2022 года их было всего 14.
Такой начинающий специалист решает в основном простые детализированные задачи: подготавливает данные к обработке, ищет ошибки, выстраивает таблицы. Всех тонкостей профессии Джун не знает, поэтому ему приходится полагаться на наставника. Новички тоже сейчас нужны редко, поэтому надо стараться выбраться из этой категории как можно скорее.
Он отлично ориентируется в Big Data, самостоятельно решает многие задачи, хорошо знает математику, разбирается в Python, умеет проводить эксперименты. Middle понимает, как создавать алгоритмы. Специалисты этого уровня — одни из самых востребованных.
Способен одновременно работать над несколькими крупными проектами, глубоко знает статистику и математику, умеет качественно визуализировать результаты. Он отлично разбирается в Python и SQL и является экспертом в Data Science. На этой позиции аналитик обучает младших специалистов. Вакансий для Сеньоров больше всего.
Специалистам без опыта и с минимальными знаниями следует искать вакансии в компаниях с опытными наставниками. Только так можно познать базовые основы профессии и впоследствии стать востребованным экспертом.
Уровень зарплаты
На уровень зарплаты специалиста по работе с Big Data влияют несколько факторов.
Стажерам обычно платят самый минимум на рынке. Профессионалы зарабатывают за счет своего опыта.
- Страна проживания
Data Scientist в США или Канаде получает в разы больше, чем в России.
- Прокаченные soft skills и hard skills
Отличное знание математики, статистики, языков программирования, английского языка, а также креативность, коммуникабельность и развитое критическое мышление: специалистам с таким набором навыков работодатели готовы платить больше.
Анализ данных HeadHunter показывает, что в России стажёрам платят в среднем 25 000-40 000 рублей; Junior получает от 45 000 до 145 000. Заработок Middle составляет от 150 000 до 250 000 рублей; Senior зарабатывает от 250 000 до 500 000 рублей.
Перспективы Data Scientist в будущем
Чтобы быть востребованным на рынке и хорошо зарабатывать, следуйте приведенным ниже рекомендациям.
- Найдите свою нишу и активно в ней развивайтесь.
- Изучайте смежные направления — например, научитесь создавать голосовые помощники с помощью NLP или освойте машинное обучение на основании текстовых данных.
- Переквалифицируйтесь в ментора или откройте собственный бизнес.
Отзывы специалистов о работе Data Scientist
Сергей Гатауллин, декан факультета цифровой экономики и массовых коммуникации МТУСИ:
— Войти с нуля в профессию достаточно сложно. Надо понимать, что дата-сайентист, в отличие от аналитика данных, создает математические модели и модели машинного обучения, пусть и используя существующие алгоритмы. Для этого необходимо обладать продвинутым, а не базовым пониманием и умением применять сложный математический аппарат для решения прикладных задач бизнеса.
Никита Пестров, ведущий специалист по анализу данных ООО «Хабидатум Лаб»:
— Для инновационных компаний важно желание сотрудников расти в сфере деятельности компании, иногда даже важнее его знаний в рамках предметной должности. Поэтому при собеседовании кандидатов на позицию Data Scientist я смотрю на интерес к городской тематике, опыт командной работы. В резюме это можно увидеть по участию в релевантных стажировках или в проектах на важных для компании темы.
Популярные вопросы и ответы
Отвечает Павел Думин, кандидат технических наук, преподаватель Data Science в Elbrus Bootcamp.
Какие навыки должны быть у Data Scientist?
— Очень важна усидчивость. Во время работы приходится думать над множеством деталей, иногда возникают какие-то ошибки и нужно уметь их методично анализировать. Полезно научиться быстро разбираться в новом подходе, сходу попробовать его применить, чтобы оценить, работает он для твоих задач или нет.
Можно ли выучиться на Data Scientist бесплатно?
— Да, в интернете много открытых курсов от хороших университетов. Главное — понять, в каком формате вам удобно получать навыки. Практика показывает, что обучение в группе повышает эффективность обучения. И наоборот: в процессе самостоятельной подготовки люди теряют мотивацию и не доходят до результата.
Как начинающему Data Scientist откликаться на вакансии?
— Никто не любит собеседования, но их полезно проходить, даже если работать в конкретную компанию не хочется. Это хорошая тренировка коммуникативных навыков, отработка устойчивости в стрессовых ситуациях. С каждым новым интервью к собеседованиям начинаешь относиться не так трепетно. Впоследствии готовиться к действительно интересным вакансиям будет значительно проще, ведь вы будете опираться в том числе и на опыт «тренировочных» собеседований.
Профессия Data Scientist
Кто такой Data Scientist?Data Science — это сфера, связанная с обучением «умных» моделей, которые учатся находить закономерности в данных и выявлять зависимости. Data Scientist — тот самый супергерой, который обучает эти модели и с их помощью делает полезные для бизнеса выводы и прогнозы.Что даст вам этот курс?Профессия Data Scientist — это плавное погружение в мир Data Science. В результате обучения вы познакомитесь со всеми необходимыми инструментами, чтобы стать востребованным специалистом. По итогу вы сможете выбрать наиболее интересное направление для дальнейшего развития: классический ML, нейронные сети, компьютерное зрение, NLP (Natural Language Processing), рекомендательные системы, графовые методы.Вы освоите:- математическую базу. Вы научитесь применять математический анализ, линейную алгебру, теорию вероятности и статистику для задач анализа данных и машинного обучения;- работу с Python и библиотеками NumPy, Sklearn, SciPy, Pandas, Matplotlib и многими другими;- построение моделей машинного обучения;- работу с нейронными сетями с использованием PyTorch и PyTorch Lightning;- основы работы с компьютерным зрением;- основы работы с NLP.На кого рассчитан курс?- Новички, кто хочет войти в сферу Data Science с нуля;- Аналитики;- Программисты на любых языках.
115200 руб 144000 руб
Скидка 28800 руб -20%