Data Science no es un campo nuevo. Han estado involucrados en el procesamiento de datos durante más de 50 años, lo que no impide que la esfera permanezca en la cima de la popularidad: el análisis de datos y el Data Scientist son muy populares entre los empleadores de hoy. Los editores de Netologiya decidieron preguntar a los expertos del mercado, la agencia New.HR, que se especializa en ciencia de datos y compañías de TI líderes, sobre la situación real en el campo del trabajo con datos.
¿Cuánto ganan los especialistas de diferentes niveles? ¿Cómo aumentar su valor a los ojos del empleador? ¿Dónde buscan las empresas empleados? ¿Qué miran primero los recursos humanos al elegir un candidato?El mercado laboral de DS se está desarrollando rápidamente. Solo en los últimos dos años, hemos capacitado a más de 800 estudiantes en la especialización de Data Science, la mayoría de ellos trabajan en puestos especializados en empresas rusas y extranjeras. En total, tenemos más de 10 programas de capacitación sobre el tema de Ciencia de datos, pero las áreas más populares son Analista de datos, Analista de BI, Científico de datos y Aprendizaje automático.
Todos los estudiantes tienen objetivos diferentes: alguien viene a cambiar radicalmente su profesión, alguien, a crecer en su posición y comenzar a ganar más. El salario, por supuesto, es una de las principales razones por las que cada vez hay más personas que desean estudiar Data Science.
¿Cuánto pagan por los puestos de Data Scientist?
En junio de 2019, la agencia
New.HR lanzará un gran estudio del mercado para analistas y Data Scientist, pero por ahora,
Oksana Prutyanova, jefa de análisis y Data Scientists en New.HR , acordó compartir datos salariales en el campo y asesorar a especialistas.
Datos obtenidos a través de una encuesta directa de especialistas en Data Science. Se tienen en cuenta los indicadores recibidos de los encuestados que trabajan en Moscú. Las cifras salariales se muestran después de impuestos, "en mano":
De qué está compuesto el nivel de ingresos de Data Scientist:
- experiencia laboral general en la especialidad;
- profundidad de experiencia profesional;
- educación en un estado y universidad citada. Por ejemplo, analistas fuertes están capacitados en MIPT, MSU, ITMO;
- ubicación: en Moscú hay más dinero. Pero incluso en las regiones puede ganar dinero comparable. Por ejemplo, en ciudades con una sólida base académica, como Novosibirsk. Además, se puede contar con el nivel de capital del salario mientras se trabaja en un proyecto de forma remota;
- El conocimiento del inglés amplía enormemente las oportunidades y le permite ser miembro de la comunidad profesional global. Siga publicaciones, estudie bajo los programas de las mejores universidades del mundo, considere vacantes en el extranjero, escriba artículos en inglés.
Cómo el científico de datos aumentará su valor en el mercado laboral
Hay puntos que agregan valor a Data Scientist a los ojos del empleador:
- Conocimiento de tecnología única. Cuando un especialista se convierte en experto en un campo profesional estrecho, por ejemplo, es bueno en PNL, lo que aumenta su valor en el mercado.
- Experiencia laboral en un campo desarrollado y exagerado: todo lo relacionado con la visión por computadora, la robótica, los drones, etc. El costo de un especialista depende de la intersección de la demanda del mercado, las tendencias generales y el conocimiento de un segmento específico y estrecho.
- Experiencia versátil Algunos empleadores consideran especialistas solo de su campo, por ejemplo, de los bancos. Pero quienes se ven más amplios e invitan a analistas de otras áreas se benefician. Debido a que el candidato puede aportar una nueva visión, aplique herramientas y enfoques no obvios.
- La experiencia de crear tu propia startup. Para el empleador, esto significa que el especialista puede comprender las tareas a nivel empresarial.
- Participación en proyectos internacionales. Puedes obtener una subvención o competir en Kaggle .
- Experiencia en empresas extranjeras. Las compañías extranjeras han adoptado otros estándares y enfoques para los negocios, y esto es apreciado por las compañías rusas.
Total, puede seleccionar una lista de consejos para aquellos profesionales de datos que desean ganar más. La mayoría de ellos son bastante universales y banales, pero sin embargo, funcionan:
- Aprenda constantemente y desarrolle con precisión su experiencia. Para hacer esto, es importante monitorear las tendencias del mercado para impulsar las competencias de la demanda.
- Poder hablar el idioma de los negocios. Para ser proactivo, comprender y comunicar los beneficios de su trabajo a los líderes.
- Forme un equipo a su alrededor. Puede convertirse en el líder o líder de un equipo pequeño o proyecto de capacitación. Se requiere experiencia en gestión a cualquier nivel.
- La profesión de Data Scientist tiene mucha demanda en el mercado. Por lo tanto, hay una manera perezosa: simplemente vaya de una compañía a otra. Para que pueda aumentar los ingresos en un 20-30%. Pero esto solo se puede hacer hasta cierto nivel.
Lo que los empleadores piensan sobre Data Scientist
Hablamos con gerentes de recursos humanos y gerentes de análisis en empresas de TI y descubrimos dónde suelen buscar empleados para unirse a su equipo, y también qué es lo que miran en primer lugar al seleccionar candidatos.
Alexandra Golovina, responsable de la selección de Avito :
En Avito, Data Scientist es un elemento separado, diferente del análisis de datos. Los analistas de datos evalúan la calidad de la funcionalidad existente o un producto y ayudan a tomar decisiones sobre los cambios en ellos: desarrollar e implementar métricas, probar hipótesis, realizar pruebas A / B: identificar los principales cuellos de botella, los dolores de los usuarios y pensar en cómo resolverlos.
Data Scientist es responsable de construir modelos de ML que ayuden a resolver los problemas que ya encuentran los analistas de datos: preparar datos, escribir prototipos, etc.
Por lo general, recibimos muchos comentarios sobre ambas posiciones, pero, desafortunadamente, la mayoría de los currículums son irrelevantes. En su mayor parte, las personas no trabajaban con algoritmos o no poseían la pila que necesitábamos. Por lo tanto, con mayor frecuencia buscamos de forma independiente: por fuentes alternativas (por ejemplo, concursos) y por recomendaciones internas.
Al elegir un empleado, observamos un conjunto de factores: qué tareas resolvió el candidato, si participó en algún proyecto, cómo quiere desarrollarse, etc. También es importante para nosotros que el candidato tenga una educación física y matemática fundamental. Nuestros empleados provenían de diversos campos y empresas: desde bienes de consumo a empresas competitivas especializadas, pero todos tienen una cosa en común: la presencia de la educación fundamental. La experiencia laboral en sí misma también es importante, pero los detalles de la empresa son menos importantes.
Tener un portafolio no es necesario para nosotros, pero puede ayudar mucho a un candidato durante las entrevistas.
Para cada unidad, tenemos una tarea de prueba preparada, que es lo más cercana posible a las tareas futuras del empleado. Esta es una situación de beneficio mutuo para todos: entendemos el nivel del candidato, y el candidato, a su vez, descubrirá qué hará exactamente.
Pero si una persona tiene una cartera y está listo para enviar el código fuente de cualquiera de sus proyectos en Python, que en su opinión muestra un buen nivel de dominio del idioma y está listo para explicar cualquier parte del código, o está listo para proporcionar una solución a una competencia, la tarea técnica es innecesaria.
Nikita Pestrov, responsable de ciencia de datos, Habidatum :
En Habidatum, creamos productos de análisis de datos urbanos y proyectos de clientes. Los proyectos requieren la recopilación de datos, como rutas de transporte público o listados de bienes inmuebles, y una comprensión de cómo manejarlos. Esto, además de la creación de materiales de informes, la búsqueda de patrones y conclusiones generalmente la realiza un analista de datos. Data Scientist desarrolla modelos para estos proyectos e implementa parte de ellos junto con Data Engineer en nuestros productos y servicios. Estas dos personas trabajan en conjunto.
Cada año realizamos pasantías en equipo para seleccionar nuevos empleados para análisis. Durante varias semanas, jóvenes especialistas de diferentes campos han estado realizando investigaciones, probando los problemas reales que enfrentamos en la empresa. Durante este tiempo, logramos comprender las fortalezas de una persona y decidir sobre la continuación del trabajo con ella.
Nunca tomamos un analista o un Data Scientist sin trabajar primero con un candidato como parte de una pasantía.
También llevamos a cabo talleres y conferencias sobre diversos temas, después de lo cual recibimos currículums de especialistas interesados y nos complace revisarlos. Y, por supuesto, el canal #jobs en la comunidad de Open Data Science, cuando estamos buscando activamente a una persona para una tarea específica.
Para las empresas jóvenes e innovadoras, el conocimiento y el deseo de un nuevo empleado de desarrollarse en el campo de la empresa (para nosotros, esta es una ciudad) es
más importante que su conocimiento en un puesto específico. Por lo tanto, al seleccionar candidatos, buscamos un interés en los problemas urbanos, la experiencia de trabajo en equipo y la capacidad de convertir condiciones difíciles en modelos simples en el currículum de una persona. En resumen, esto se puede ver participando en conferencias, pasantías o proyectos relevantes sobre temas de interés para nosotros.
Vera Mashkova, Vicepresidenta, Recursos Humanos, Grupo de Empresas ABBYY :
En varias compañías, Data Scientist puede significar personas con diferentes tareas. Empleamos principalmente empleados universales que participan en el análisis de datos y el desarrollo 50/50. Esta es la necesidad de nuestro negocio.
Hay puestos de Data Scientist en la empresa, incluso en el marco de un gran programa de pasantías, pero no los traducimos como "analistas de datos", estamos hablando más sobre "investigadores" en dos departamentos de investigación y desarrollo prometedores. A menudo llamamos a tales posiciones Junior Data Scientist (PNL).
La popularidad de Data Science está creciendo. El mercado se ha desarrollado más, muchas universidades se han vuelto más activas en la enseñanza de la ciencia de datos. Hay muchos cursos adicionales. Un número creciente de candidatos son reasignados.
El sitio de reclutamiento externo más grande es HeadHunter. Además, nos complace emplear a niños de nuestros dos departamentos en MIPT. Hay currículums buenos y estructurados, pero no todos los candidatos pueden describir su experiencia. Para ayudar a los profesionales novatos con esto, organizamos reuniones de desarrollo profesional para estudiantes de la Escuela Superior de Economía y el Instituto de Física y Tecnología de Moscú.
También hemos desarrollado un programa de referencia dentro de la empresa: los colegas aconsejan a sus amigos como candidatos para puestos vacantes, por lo que a menudo recibimos muy buenas recomendaciones.
Al elegir un empleado, en primer lugar prestamos atención a la educación básica: en qué universidad y en qué dirección se graduó o se está graduando una persona.
Si el candidato tiene una educación no básica (por ejemplo, humanitaria), es muy probable que no pueda hacer frente a sus tareas. Lo más importante para nosotros es nuestra disposición a aprender, nuestra disposición para la investigación independiente, si estamos hablando específicamente de equipos prometedores de investigación y desarrollo.
Es importante estar preparado para aportar nuevas ideas.
Si una persona se dedica a actividades científicas, esto, por supuesto, es una ventaja. Un portafolio no es necesario para nosotros si una persona llega al puesto de especialista junior.
Alexey Kuzmin, director de desarrollo, jefe de DS-direction en DomKlik :
En DomClick, no compartimos la posición de Data Scientist y el análisis de datos. Claramente tenemos otro papel destacado: analista / analista de negocios. Su tarea principal es construir informes comerciales. Data Scientist se dedica a la construcción de modelos y a la obtención de información a partir de datos basados en el aprendizaje automático. El área de responsabilidad del analista de datos se ejecuta aproximadamente en el medio y, por lo tanto, las tareas se dividen aproximadamente a la mitad. Parte se da a la corriente de "análisis de negocios", parte a la dirección de Data Science.
En mi opinión, el mercado laboral en el campo de la ciencia de datos ahora está muy sobrecalentado: alta demanda con un pequeño número de especialistas verdaderamente competentes. Por lo tanto, cuando buscamos, usamos comunidades y grupos temáticos, o tratamos de usar activamente recomendaciones internas.
Al elegir un candidato, primero observamos trabajos y tareas anteriores. No es necesario un portafolio, pero se recomienda, ya que ayuda a comprender qué tareas ha resuelto el solicitante antes y con qué experiencia puede fortalecer a nuestro equipo. Nos enfrentamos a una amplia gama de tareas (desde visión por computadora hasta procesamiento de texto y señales de sonido) y también necesitamos una variedad de competencias.
Intentamos estudiar todos los CV enviados, el único tabú es cuando una persona que responde al puesto de Data Scientist no tiene una sola línea en el CV con habilidades en Data Science. En este caso, no está muy claro con qué cuenta una persona, ya que incluso un especialista sin experiencia debería haber recibido capacitación en el campo.
Dmitry Malkov, gerente de proyectos de Data Monsters , jefe de proyectos educativos y científicos del Laboratorio de soluciones empresariales basadas en Inteligencia Artificial MIPT :
En nuestra empresa, el puesto de Data Scientist requiere conocimientos de matemáticas y Python, mientras que un analista de datos puede tener una educación en artes liberales. Por ejemplo, tenemos varios proyectos con historiadores profesionales sobre estadísticas económicas. Se requiere que el analista trabaje manualmente con datos y una inmersión más profunda en el área temática.
Prestamos gran atención a la capacitación del personal para reemplazarnos desde una edad temprana: llevamos a cabo cursos para estudiantes de secundaria en escuelas de física y matemáticas, y trabajamos con estudiantes universitarios. Lleva mucho tiempo esperar los resultados, pero se justifican a sí mismos: así es como realmente se forma "nuestra" gente. En cuanto a los queridos empleados experimentados, aquí venimos con cuidado. Simplemente colocar una vacante y seleccionar a los que respondieron no es suficiente. Afortunadamente, hay muchos especialistas maduros entre los graduados de MIPT.
Observamos que en los últimos años, más y más personas, no solo técnicos físicos, están interesados en una carrera en la intersección de la ciencia y los negocios, y tenemos un amplio alcance para ese trabajo y proyectos internacionales interesantes.
Al seleccionar candidatos, tratamos de tomar a las personas de acuerdo con sus recomendaciones personales.
Llamamos la atención sobre la experiencia laboral previa y la cercanía de la persona con nosotros en espíritu.
Bueno, es bueno si, además de las matemáticas, una persona tiene conocimiento de la materia.
Estamos alarmados por los candidatos que saltan de una compañía a otra y trabajan en posiciones oscuras. Por ejemplo, ahora la dirección del aprendizaje automático está en la cima de la popularidad, pero estamos filtrando a aquellos que ingresan a la profesión debido a la exageración. Hicieron blockchain el año pasado, AI lo está haciendo. Para la ciencia, sin embargo, se necesitan muchos años de trabajo y una perspectiva correspondiente.
Maxim Chikurov, experto en Data Science en Netología y jefe del equipo de análisis en un gran banco ruso , cree que a pesar del mercado laboral desarrollado en el campo de Data Science, no se puede llamar muy dinámico:
En el sector bancario, en mi opinión, Data Science es menos relevante que el análisis de datos.
Una característica de la esfera ahora es un gran número de personas que desean "ingresar a la profesión". Dichos solicitantes de empleo requieren un enfoque creativo, porque un currículum con el título de Científico de datos, pero sin experiencia relevante, parece poco interesante. Aconsejo, por ejemplo, crear una presentación en video de su investigación, esto lo elevará enormemente entre otros solicitantes. Por otro lado, los empleadores también suelen tener altas expectativas de Data Science en general, y como resultado de los candidatos. Por lo tanto, no surge una relación completa de oferta y demanda.
Casi todos los expertos señalaron la falta de especialistas competentes en el mercado y el hecho de que las empresas tienen constantemente nuevos requisitos para los candidatos en el campo de la ciencia de datos. Por lo tanto, aquellos que desean mantenerse al día con el ritmo del mercado deben invertir lo más posible en desarrollarse como especialistas: leen de forma independiente materiales de capacitación, casos de estudio y artículos de profesionales, participan en talleres, pasantías y toman cursos. Todo esto permitirá seguir en demanda y recibir salarios dignos.
De los editores