Arbeitsmarktanalysten und Datenwissenschaftler

Data Science ist kein neues Gebiet. Sie beschäftigen sich seit mehr als 50 Jahren mit Datenverarbeitung, was nicht verhindert, dass die Sphäre auf dem Höhepunkt ihrer Popularität bleibt: Datenanalyse und Data Scientist sind heute bei Arbeitgebern sehr beliebt. Die Redakteure von Netologiya beschlossen, Marktexperten - die auf Data Science spezialisierte Agentur New.HR und führende IT-Unternehmen - nach der tatsächlichen Situation im Bereich der Arbeit mit Daten zu befragen.

Wie viel bekommen Spezialisten unterschiedlicher Niveaus? Wie können Sie Ihren Wert in den Augen des Arbeitgebers steigern? Wo suchen Unternehmen Mitarbeiter? Was sieht die Personalabteilung bei der Auswahl eines Kandidaten zuerst?

Der DS-Arbeitsmarkt entwickelt sich rasant. Allein in den letzten zwei Jahren haben wir mehr als 800 Studenten im Bereich Data Science ausgebildet, von denen die meisten in spezialisierten Positionen in russischen und ausländischen Unternehmen tätig sind. Insgesamt haben wir mehr als 10 Schulungsprogramme zum Thema Data Science, aber die beliebtesten Bereiche sind Data Analyst, BI Analyst, Data Scientist und Machine Learning.

Alle Schüler haben unterschiedliche Ziele: Jemand kommt, um seinen Beruf radikal zu ändern, jemand - um in seiner Position zu wachsen und mehr zu verdienen. Das Gehalt ist natürlich einer der Hauptgründe, warum es immer mehr Menschen gibt, die Data Science studieren möchten.

Wie viel zahlen sie für Data Scientist-Positionen?

Im Juni 2019 wird die Agentur New.HR eine umfassende Marktstudie für Analysten und Data Scientist veröffentlichen. Derzeit hat Oksana Prutyanova, Leiterin Analytics and Data Scientists bei New.HR , zugestimmt, Gehaltsdaten vor Ort auszutauschen und Spezialisten zu beraten.

Daten, die durch eine direkte Befragung von Spezialisten für Data Science erhalten wurden. Indikatoren von Befragten, die in Moskau arbeiten, werden berücksichtigt. Die Gehaltsangaben werden nach Steuern „vor Ort“ angezeigt:



Woraus besteht das Einkommensniveau von Data Scientist:

• allgemeine Berufserfahrung in der Spezialität;
• Tiefe der Fachkompetenz;
• Ausbildung in einem Status und zitierte Universität. Beispielsweise werden starke Analysten bei MIPT, MSU, ITMO geschult.
• Lage - in Moskau gibt es mehr Geld. Aber auch in den Regionen kann man vergleichbares Geld verdienen. Zum Beispiel in Städten mit einer starken akademischen Basis wie Nowosibirsk. Außerdem kann bei der Remote-Arbeit an einem Projekt mit dem Kapitalgehalt gerechnet werden.
• Englischkenntnisse erweitern die Möglichkeiten erheblich und ermöglichen es Ihnen, Mitglied der globalen Fachwelt zu werden. Folgen Sie Veröffentlichungen, studieren Sie im Rahmen der Programme der besten Universitäten der Welt, prüfen Sie offene Stellen im Ausland und schreiben Sie Artikel auf Englisch.

Wie Data Scientist seinen Wert auf dem Arbeitsmarkt steigern kann

Es gibt Punkte, die Data Scientist in den Augen des Arbeitgebers einen Mehrwert bieten:

• Kenntnisse der einzigartigen Technologie. Wenn ein Spezialist beispielsweise ein Experte in einem engen Berufsfeld wird, ist er in NLP cool - dies erhöht seinen Wert auf dem Markt.
• Berufserfahrung in einem entwickelten Hype-Bereich: alles, was mit Computer Vision, Robotik, Drohnen usw. zu tun hat. Die Kosten eines Spezialisten hängen von der Schnittstelle zwischen Marktnachfrage, allgemeinen Trends und Kenntnissen eines bestimmten, engen Segments ab.
• Vielseitige Erfahrung. Einige Arbeitgeber betrachten Spezialisten nur aus ihrem Bereich, beispielsweise von Banken. Aber diejenigen, die breiter aussehen und Analysten aus anderen Bereichen einladen, profitieren davon. Da der Kandidat eine neue Vision einbringen kann, wenden Sie nicht offensichtliche Werkzeuge und Ansätze an.
• Die Erfahrung, ein eigenes Startup zu erstellen. Für den Arbeitgeber bedeutet dies, dass der Spezialist die Aufgaben auf Unternehmensebene verstehen kann.
• Teilnahme an internationalen Projekten. Sie können ein Stipendium erhalten oder bei Kaggle antreten.
• Erfahrung in ausländischen Unternehmen. Ausländische Unternehmen haben andere Standards und Geschäftsansätze übernommen, und dies wird von russischen Unternehmen geschätzt.

Insgesamt können Sie eine Liste mit Tipps für Datenprofis auswählen, die mehr verdienen möchten. Die meisten von ihnen sind ziemlich universell und banal - aber sie funktionieren trotzdem:

• Lernen und entwickeln Sie Ihr Fachwissen ständig weiter. Dazu ist es wichtig, die Markttrends zu überwachen, um die Nachfragekompetenzen zu steigern.
  
• In der Lage sein, die Geschäftssprache zu sprechen. Um proaktiv zu sein, verstehen und kommunizieren Sie die Vorteile ihrer Arbeit an Führungskräfte.
  
• Bilden Sie ein Team um Sie herum. Sie können Leiter oder Teamleiter eines kleinen Teams oder Trainingsprojekts werden. Managementerfahrung auf jeder Ebene ist gefragt.
  

• Der Beruf des Data Scientist ist auf dem Markt sehr gefragt. Daher gibt es einen faulen Weg - gehen Sie einfach von Unternehmen zu Unternehmen. So können Sie das Einkommen um 20-30% steigern. Dies ist jedoch nur bis zu einem bestimmten Grad möglich.
  

Was Arbeitgeber über Data Scientist denken

Wir haben mit Personalmanagern und Analytics-Managern in IT-Unternehmen gesprochen und herausgefunden, wo sie normalerweise nach Mitarbeitern suchen, die ihrem Team beitreten können, und was sie bei der Auswahl der Kandidaten zuallererst sehen.

Alexandra Golovina, Leiterin der Auswahl von Avito :

In Avito ist Data Scientist ein separates Element, das sich von der Datenanalyse unterscheidet. Datenanalysten bewerten die Qualität vorhandener Funktionen oder eines Produkts und helfen bei Entscheidungen über Änderungen: Entwickeln und implementieren Sie Metriken, testen Sie Hypothesen, führen Sie A / B-Tests durch - identifizieren Sie die wichtigsten Engpässe, Benutzerprobleme und überlegen Sie, wie Sie diese lösen können.

Data Scientist ist verantwortlich für die Erstellung von ML-Modellen, mit deren Hilfe bereits von Datenanalysten festgestellte Probleme gelöst werden können: Daten vorbereiten, Prototypen schreiben usw.

Normalerweise erhalten wir ziemlich viel Feedback zu beiden Positionen, aber leider sind die meisten Lebensläufe irrelevant. Zum größten Teil arbeiteten die Leute nicht mit Algorithmen oder besaßen nicht den Stapel, den wir brauchten. Daher suchen wir meistens unabhängig: nach alternativen Quellen (z. B. Wettbewerben) und nach internen Empfehlungen.

Bei der Auswahl eines Mitarbeiters berücksichtigen wir eine Reihe von Faktoren: Welche Aufgaben hat der Kandidat gelöst, ob er an Projekten teilgenommen hat, wie er sich entwickeln möchte usw. Für uns ist es auch wichtig, dass der Kandidat über eine grundlegende physische und mathematische Ausbildung verfügt. Unsere Mitarbeiter kamen aus verschiedenen Bereichen und Unternehmen: von FMCG bis zu spezialisierten konkurrierenden Unternehmen, aber alle haben eines gemeinsam: das Vorhandensein einer Grundbildung. Die Berufserfahrung selbst ist ebenfalls wichtig, aber die Besonderheiten des Unternehmens sind weniger wichtig.

Ein Portfolio zu haben ist für uns nicht notwendig, kann aber einem Kandidaten bei Interviews sehr helfen.

Für jede Einheit haben wir eine vorbereitete Testaufgabe, die den zukünftigen Aufgaben des Mitarbeiters so nahe wie möglich kommt. Dies ist eine Win-Win-Situation für alle: Wir verstehen das Niveau des Kandidaten, und der Kandidat wird wiederum herausfinden, was genau er tun wird.

Wenn eine Person jedoch über ein Portfolio verfügt und bereit ist, den Quellcode eines ihrer Projekte in Python zu senden, der seiner Meinung nach gute Sprachkenntnisse aufweist und bereit ist, einen Teil des Codes zu erläutern oder eine Lösung für einen Wettbewerb bereitzustellen, ist die technische Aufgabe nicht erforderlich.

Nikita Pestrov, Data Science Lead, Habidatum :

Bei Habidatum erstellen wir Produkte zur Analyse städtischer Daten und Kundenprojekte. Projekte erfordern die Erfassung von Daten wie öffentlichen Verkehrsmitteln oder Immobilienanzeigen sowie ein Verständnis für deren Umgang. Dies sowie die Erstellung von Berichtsmaterialien, die Suche nach Mustern und Schlussfolgerungen wird normalerweise von einem Datenanalysten durchgeführt. Data Scientist entwickelt Modelle für diese Projekte und implementiert einen Teil davon zusammen mit Data Engineer in unseren Produkten und Dienstleistungen. Diese beiden Personen arbeiten zusammen.

Jedes Jahr führen wir Teampraktika durch, um neue Mitarbeiter für die Analyse auszuwählen. Seit einigen Wochen forschen junge Spezialisten aus verschiedenen Bereichen und probieren die wirklichen Probleme aus, mit denen wir im Unternehmen konfrontiert sind. In dieser Zeit gelingt es uns, die Stärken eines Menschen zu verstehen und über die Fortsetzung der Arbeit mit ihm zu entscheiden.

Wir haben nie einen Analysten oder Data Scientist genommen, ohne zuvor im Rahmen eines Praktikums mit einem Kandidaten zusammengearbeitet zu haben.

Wir führen auch Workshops und Vorträge zu verschiedenen Themen durch. Danach erhalten wir Lebensläufe von interessierten Fachleuten und prüfen diese gerne. Und natürlich der # Jobs-Kanal in der Open Data Science-Community - wenn wir aktiv nach einer Person für eine bestimmte Aufgabe suchen.

Für junge innovative Unternehmen ist das Wissen und der Wunsch eines neuen Mitarbeiters, sich im Bereich des Unternehmens zu entwickeln (für uns ist dies eine Stadt) , wichtiger als sein Wissen in einer bestimmten Position. Daher achten wir bei der Auswahl der Kandidaten auf ein Interesse an städtischen Themen, Teamwork-Erfahrung und der Fähigkeit, schwierige Bedingungen im Lebenslauf einer Person in einfache Modelle umzuwandeln. Zusammenfassend lässt sich dies durch die Teilnahme an relevanten Konferenzen, Praktika oder Projekten zu für uns interessanten Themen erkennen.

Vera Mashkova, Vizepräsidentin, Personalabteilung, ABBYY Unternehmensgruppe :

In verschiedenen Unternehmen kann Data Scientist Menschen mit unterschiedlichen Aufgaben bedeuten. Wir beschäftigen hauptsächlich universelle Mitarbeiter, die an der Datenanalyse und der 50/50-Entwicklung beteiligt sind. Dies ist die Notwendigkeit unseres Geschäfts.

Es gibt Data Scientist-Positionen im Unternehmen, auch im Rahmen eines großen Praktikumsprogramms, aber wir übersetzen sie nicht als „Datenanalysten“, sondern sprechen mehr über „Forscher“ in zwei Abteilungen mit vielversprechender Forschung und Entwicklung. Wir nennen solche Positionen am häufigsten Junior Data Scientist (NLP).

Die Popularität von Data Science wächst. Der Markt ist weiter entwickelt, viele Universitäten sind aktiver im Unterrichten von Datenwissenschaften geworden. Es gibt viele zusätzliche Kurse. Eine wachsende Anzahl von Kandidaten wird neu zugewiesen.

Die größte externe Rekrutierungsseite ist HeadHunter. Darüber hinaus beschäftigen wir gerne Kinder aus unseren beiden Abteilungen bei MIPT. Es gibt gute und strukturierte Lebensläufe, aber nicht alle Kandidaten können ihre Erfahrungen beschreiben. Um Anfängern dabei zu helfen, veranstalten wir Treffen zur Karriereentwicklung für Studenten der Higher School of Economics und des Moskauer Instituts für Physik und Technologie.

Wir haben auch ein Empfehlungsprogramm innerhalb des Unternehmens entwickelt: Kollegen beraten ihre Freunde als Kandidaten für offene Stellen - daher erhalten wir oft sehr gute Empfehlungen.

Bei der Auswahl eines Mitarbeiters achten wir zunächst auf die Grundbildung: Welche Universität und in welche Richtung hat eine Person ihren Abschluss gemacht oder macht ihren Abschluss?

Wenn der Kandidat eine nicht zum Kerngeschäft gehörende (z. B. humanitäre) Ausbildung hat, ist es sehr wahrscheinlich, dass er seine Aufgaben nicht bewältigen kann. Das Wichtigste für uns ist unsere Lernbereitschaft, unsere Bereitschaft zur unabhängigen Forschung, wenn wir speziell über vielversprechende Forschungs- und Entwicklungsteams sprechen.

Es ist wichtig, bereit zu sein, neue Ideen einzubringen.

Wenn eine Person wissenschaftlich tätig ist, ist dies natürlich ein Plus. Ein Portfolio ist für uns nicht erforderlich, wenn eine Person zum Junior-Spezialisten wird.

Alexey Kuzmin, Entwicklungsleiter, Leiter DS-Regie bei DomKlik :

Bei DomClick teilen wir nicht die Position von Data Scientist und Data Analytics. Wir haben eindeutig eine andere Rolle hervorgehoben - Analyst / Business Analyst. Die Hauptaufgabe besteht darin, Geschäftsberichte zu erstellen. Data Scientist beschäftigt sich mit der Konstruktion von Modellen und der Gewinnung von Erkenntnissen aus Daten, die auf maschinellem Lernen basieren. Der Verantwortungsbereich des Datenanalysten liegt ungefähr in der Mitte, und daher sind die Aufgaben ungefähr in zwei Hälften geteilt. Ein Teil ist dem Strom der "Business Analytics" gewidmet, ein Teil der Richtung von Data Science.

Meiner Meinung nach ist der Arbeitsmarkt im Bereich Data Science inzwischen sehr überhitzt - hohe Nachfrage mit einer kleinen Anzahl wirklich kompetenter Spezialisten. Daher verwenden wir bei der Suche entweder thematische Gemeinschaften und Gruppen oder versuchen, interne Empfehlungen aktiv zu verwenden.

Bei der Auswahl eines Kandidaten betrachten wir zunächst frühere Jobs und Aufgaben. Ein Portfolio ist nicht notwendig, aber ermutigt, da es hilft zu verstehen, welche Aufgaben der Bewerber zuvor gelöst hat und mit welcher Erfahrung er unser Team stärken kann. Wir stehen vor einer Vielzahl von Aufgaben (von Computer Vision über Textverarbeitung bis hin zu Tonsignalen) und benötigen auch eine Vielzahl von Kompetenzen.

Wir versuchen, alle gesendeten Lebensläufe zu studieren. Das einzige Tabu ist, wenn eine Person, die auf die Position eines Data Scientist reagiert, keine einzige Zeile im Lebenslauf mit Kenntnissen in Data Science hat. In diesem Fall ist nicht ganz klar, worauf sich eine Person verlässt, da selbst ein Spezialist ohne Erfahrung eine Ausbildung auf diesem Gebiet hätte absolvieren müssen.

Dmitry Malkov, Projektmanager bei Data Monsters , Leiter von Bildungs- und wissenschaftlichen Projekten des Labors für Geschäftslösungen auf der Basis künstlicher Intelligenz MIPT :

In unserem Unternehmen erfordert die Position eines Datenwissenschaftlers Kenntnisse in Mathematik und Python, während ein Datenanalyst eine Ausbildung im Bereich der freien Künste haben kann. Zum Beispiel haben wir eine Reihe von Projekten mit professionellen Historikern zur Wirtschaftsstatistik. Der Analyst muss manuell mit Daten arbeiten und tiefer in den Themenbereich eintauchen.

Wir legen großen Wert darauf, Personal auszubilden, um uns schon in jungen Jahren zu ersetzen: Wir führen Kurse für Schüler an Physik- und Mathematikschulen durch und arbeiten mit Studenten zusammen. Das Warten auf die Ergebnisse dauert lange, aber sie rechtfertigen sich selbst - so werden „unsere“ Mitarbeiter wirklich geformt. Was die erfahrenen lieben Mitarbeiter betrifft, so kommen wir vorsichtig hierher. Es reicht nicht aus, nur eine freie Stelle zu platzieren und diejenigen auszuwählen, die geantwortet haben. Glücklicherweise gibt es unter MIPT-Absolventen viele reife Spezialisten.

Wir stellen fest, dass in den letzten Jahren immer mehr Menschen, nicht nur Physiker, an einer Karriere an der Schnittstelle von Wissenschaft und Wirtschaft interessiert sind, und wir haben einen großen Spielraum für solche Arbeiten und interessante internationale Projekte.

Bei der Auswahl der Kandidaten versuchen wir, Menschen nach persönlichen Empfehlungen aufzunehmen.

Wir machen auf frühere Arbeitserfahrungen und die geistige Nähe der Person zu uns aufmerksam.

Nun, es ist gut, wenn eine Person zusätzlich zur Mathematik über Fachkenntnisse verfügt.

Wir sind alarmiert von Kandidaten, die von einem Unternehmen zum anderen springen und in dunklen Positionen arbeiten. Zum Beispiel ist die Richtung des maschinellen Lernens jetzt auf dem Höhepunkt der Popularität, aber wir filtern diejenigen heraus, die aufgrund von Hype in den Beruf kommen. Sie haben letztes Jahr Blockchain gemacht, AI macht es. Für die Wissenschaft sind jedoch langjährige Arbeit und ein entsprechender Ausblick erforderlich.

Maxim Chikurov, Experte für Data Science in Netology und Leiter des Analyseteams einer großen russischen Bank , ist der Ansicht, dass dies trotz des entwickelten Arbeitsmarktes im Bereich Data Science nicht als sehr dynamisch bezeichnet werden kann:

Im Bankensektor ist Data Science meiner Meinung nach weniger relevant als die Datenanalyse.

Ein Merkmal der Sphäre ist jetzt eine große Anzahl von Menschen, die "in den Beruf eintreten" wollen. Solche Arbeitssuchenden erfordern einen kreativen Ansatz, da ein Lebenslauf mit der Überschrift Data Scientist, jedoch ohne einschlägige Erfahrung, uninteressant erscheint. Ich rate zum Beispiel, eine Videopräsentation Ihrer Forschung zu erstellen, dies wird Sie unter anderen Bewerbern stark anheben. Andererseits haben auch Arbeitgeber häufig noch hohe Erwartungen an Data Science im Allgemeinen und als Ergebnis von Kandidaten. Daher kommt keine vollständige Angebots-Nachfrage-Beziehung zustande.

Fast alle Experten stellten fest, dass es an kompetenten Spezialisten auf dem Markt mangelt und dass Unternehmen ständig neue Anforderungen an Kandidaten im Bereich Data Science stellen. Wer mit dem Tempo des Marktes Schritt halten möchte, sollte daher so viel wie möglich in die Entwicklung als Spezialist investieren: unabhängig voneinander Schulungsunterlagen, Studienfälle und Artikel von Praktikern lesen, an Workshops, Praktika teilnehmen und Kurse belegen. All dies wird es ermöglichen, gefragt zu bleiben und angemessene Löhne zu erhalten.

Von den Redakteuren

• Beruf " Data Scientist "
  
• Beruf " Data Analyst "
  
• Python für die Arbeit mit Daten Online-Kurs
  
• Power BI & Excel PRO Online-Kurs
  
  Wir warten auch auf alle, die sich für Data Science interessieren, bei der Rallye " Karriere in Data Science für Anfänger " am 11. August in Moskau (es wird auch eine Sendung geben).