La science des données n'est pas un nouveau domaine. Ils sont engagés dans le traitement des données depuis plus de 50 ans, ce qui n'empêche pas la sphère de rester à l'apogée de sa popularité: l'analyse de données et le Data Scientist sont aujourd'hui très appréciés des employeurs. Les éditeurs de Netologiya ont décidé d'interroger les experts du marché - l'agence New.HR, spécialisée dans la science des données et les principales sociétés informatiques - sur la situation réelle dans le domaine du travail avec les données.
Combien gagnent les spécialistes de différents niveaux? Comment augmenter votre valeur aux yeux de l'employeur? Où les entreprises recherchent-elles des employés? Qu'est-ce que les RH considèrent en premier lors du choix d'un candidat?Le marché du travail DS se développe rapidement. Au cours des deux dernières années seulement, nous avons formé plus de 800 étudiants dans le domaine de la science des données, la plupart d'entre eux occupant des postes spécialisés dans des entreprises russes et étrangères. Au total, nous avons plus de 10 programmes de formation sur le sujet de la science des données, mais les domaines les plus populaires sont Data Analyst, BI Analyst, Data Scientist et Machine Learning.
Tous les étudiants ont des objectifs différents: quelqu'un vient changer radicalement sa profession, quelqu'un - pour grandir dans sa position et commencer à gagner plus. Le salaire, bien sûr, est l'une des principales raisons pour lesquelles de plus en plus de personnes souhaitent étudier la science des données.
Combien paient-ils pour les postes de Data Scientist
En juin 2019, l'agence
New.HR publiera une grande étude du marché pour les analystes et Data Scientist, mais pour l'instant,
Oksana Prutyanova, responsable analytique et Data Scientists chez New.HR , a accepté de partager les données salariales sur le terrain et de conseiller les spécialistes.
Données obtenues grâce à une enquête directe auprès de spécialistes de la science des données. Les indicateurs reçus des répondants travaillant à Moscou sont pris en compte. Les chiffres des salaires sont indiqués après impôt, «en main»:
En quoi consiste le niveau de revenu du Data Scientist:
- expérience de travail générale dans la spécialité;
- profondeur de l'expertise professionnelle;
- éducation dans un statut et cité universitaire. Par exemple, des analystes solides sont formés au MIPT, MSU, ITMO;
- emplacement - à Moscou, il y a plus d'argent. Mais même dans les régions, vous pouvez gagner de l'argent comparable. Par exemple, dans les villes à forte base académique, comme Novossibirsk. En outre, le niveau de salaire en capital peut être compté tout en travaillant à distance sur un projet;
- la connaissance de l'anglais élargit considérablement les opportunités et vous permet d'être membre de la communauté professionnelle mondiale. Suivez les publications, étudiez dans le cadre des programmes des meilleures universités mondiales, envisagez les postes vacants à l'étranger, rédigez des articles en anglais.
Comment Data Scientist pour augmenter sa valeur sur le marché du travail
Il y a des points qui ajoutent de la valeur à Data Scientist aux yeux de l'employeur:
- Connaissance d'une technologie unique. Lorsqu'un spécialiste devient un expert dans un domaine professionnel étroit, par exemple, il est cool en PNL - cela augmente sa valeur sur le marché.
- Expérience de travail dans un domaine développé et hype: tout ce qui concerne la vision par ordinateur, la robotique, les drones, etc. Le coût d'un spécialiste dépend de l'intersection de la demande du marché, des tendances générales et de la connaissance d'un segment spécifique et étroit.
- Expérience polyvalente. Certains employeurs ne considèrent les spécialistes que dans leur domaine, par exemple les banques. Mais ceux qui semblent plus larges et invitent des analystes d'autres domaines en bénéficient. Parce que le candidat peut apporter une nouvelle vision, appliquez des outils et des approches non évidents.
- L'expérience de la création de votre propre startup. Pour l'employeur, cela signifie que le spécialiste peut comprendre les tâches au niveau de l'entreprise.
- Participation à des projets internationaux. Vous pouvez obtenir une subvention ou participer à Kaggle .
- Expérience dans des entreprises étrangères. Les entreprises étrangères ont adopté d'autres normes et approches commerciales, ce qui est apprécié par les entreprises russes.
Total, vous pouvez sélectionner une liste de conseils pour les professionnels des données qui souhaitent gagner plus. La plupart d'entre eux sont assez universels et banals - mais néanmoins, ils fonctionnent:
- Apprenez constamment et développez précisément votre expertise. Pour ce faire, il est important de suivre les tendances du marché afin de pomper les compétences de la demande.
- Être capable de parler la langue des affaires. Pour être proactif, comprendre et communiquer les avantages de son travail aux dirigeants.
- Formez une équipe autour de vous. Vous pouvez devenir le leader ou le chef d'équipe d'une petite équipe ou d'un projet de formation. Une expérience en gestion à tous les niveaux est recherchée.
- La profession de Data Scientist est très demandée sur le marché. Par conséquent, il existe un moyen paresseux - il suffit de passer d'une entreprise à l'autre. Vous pouvez donc augmenter vos revenus de 20 à 30%. Mais cela ne peut se faire qu'à un certain niveau.
Ce que les employeurs pensent de Data Scientist
Nous avons discuté avec les responsables RH et les responsables de l'analyse dans les entreprises informatiques et avons découvert où ils recherchent habituellement des employés pour rejoindre leur équipe, et aussi ce qu'ils recherchent tout d'abord lors de la sélection des candidats.
Alexandra Golovina, responsable de la sélection informatique d'Avito :
Dans Avito, Data Scientist est un élément distinct, différent de l'analyse de données. Les analystes de données évaluent la qualité des fonctionnalités existantes ou d'un produit et aident à prendre des décisions sur les changements à y apporter: développer et implémenter des métriques, tester des hypothèses, effectuer des tests A / B - identifier les principaux goulots d'étranglement, les difficultés des utilisateurs et réfléchir à la façon de les résoudre
Data Scientist est responsable de la construction de modèles ML qui aident à résoudre les problèmes déjà rencontrés par les analystes de données: préparer des données, écrire des prototypes, etc.
Habituellement, nous recevons beaucoup de commentaires sur les deux positions, mais, malheureusement, la plupart des CV ne sont pas pertinents. Pour la plupart, les gens ne travaillaient pas avec des algorithmes ou ne possédaient pas la pile dont nous avions besoin. Par conséquent, le plus souvent, nous recherchons indépendamment: par des sources alternatives (par exemple, des concours) et par des recommandations internes.
Lors du choix d'un employé, nous examinons un ensemble de facteurs: quelles tâches le candidat a-t-il résolues, s'il a participé à des projets, comment il veut se développer, etc. Il est également important pour nous que le candidat ait une éducation physique et mathématique fondamentale. Nos employés provenaient de différents domaines et sociétés: du FMCG aux sociétés concurrentes spécialisées, mais tous ont un point commun: la présence d'une éducation fondamentale. L'expérience de travail elle-même est également importante, mais les spécificités de l'entreprise sont moins importantes.
Avoir un portfolio n'est pas nécessaire pour nous, mais cela peut grandement aider un candidat lors des entretiens.
Pour chaque unité, nous avons une tâche de test préparée, qui est aussi proche que possible des tâches futures de l'employé. Il s'agit d'une situation gagnant-gagnant pour tout le monde: nous comprenons le niveau du candidat, et le candidat, à son tour, saura exactement ce qu'il fera.
Mais si une personne a un portefeuille et qu'elle est prête à envoyer le code source de l'un de ses projets en Python, qui, à son avis, montre un bon niveau de compétence linguistique et est prêt à expliquer n'importe quelle partie du code, ou est prêt à fournir une solution à un concours, la tâche technique n'est pas nécessaire.
Nikita Pestrov, responsable de la science des données, Habidatum :
Chez Habidatum, nous créons des produits d'analyse de données urbaines et des projets clients. Les projets nécessitent la collecte de données, telles que les itinéraires de transports publics ou les listes immobilières, et une compréhension de la façon de les gérer. Cela, ainsi que la création de documents de rapport, la recherche de modèles et de conclusions est généralement effectuée par un analyste de données. Data Scientist développe des modèles pour ces projets et en met en œuvre une partie en collaboration avec Data Engineer dans nos produits et services. Ces deux personnes travaillent ensemble.
Chaque année, nous organisons des stages en équipe pour sélectionner de nouveaux employés pour l'analyse. Depuis plusieurs semaines, de jeunes spécialistes de différents domaines mènent des recherches, testent les vrais problèmes auxquels nous sommes confrontés dans l'entreprise. Pendant ce temps, nous parvenons à comprendre les forces d'une personne et à décider de la poursuite du travail avec elle.
Nous n'avons jamais pris un analyste ou un Data Scientist sans avoir d'abord travaillé avec un candidat dans le cadre d'un stage.
Nous organisons également des ateliers et des conférences sur divers sujets, après quoi nous recevons des CV de spécialistes intéressés et nous sommes heureux de les examiner. Et bien sûr, le canal #jobs dans la communauté Open Data Science - lorsque nous recherchons activement une personne pour une tâche spécifique.
Pour les jeunes entreprises innovantes, la connaissance et la volonté d'un nouvel employé de se développer dans le domaine de l'entreprise (pour nous c'est une ville) est
plus importante que ses connaissances dans un poste spécifique. Par conséquent, lors de la sélection des candidats, nous recherchons un intérêt pour les questions urbaines, une expérience de travail d'équipe et la capacité de transformer des conditions difficiles en modèles simples dans le curriculum vitae d'une personne. En résumé, cela peut être vu en participant à des conférences, des stages ou des projets pertinents sur des sujets qui nous intéressent.
Vera Mashkova, vice-présidente, Ressources humaines, ABBYY Group of Companies :
Dans diverses entreprises, Data Scientist peut désigner des personnes ayant des tâches différentes. Nous employons principalement des employés universels impliqués dans l'analyse des données et le développement 50/50. C'est le besoin de notre entreprise.
Il existe des postes de Data Scientist dans l'entreprise, y compris dans le cadre d'un vaste programme de stages, mais nous ne les traduisons pas en tant qu '«analyste de données», nous parlons plutôt de «chercheurs» dans deux départements de recherche et développement prometteurs. Nous appelons le plus souvent de tels postes Junior Data Scientist (NLP).
La popularité de la Data Science augmente. Le marché est devenu plus développé, de nombreuses universités sont devenues plus actives dans l'enseignement de la science des données. Il existe de nombreux cours supplémentaires. Un nombre croissant de candidats sont réaffectés.
Le plus grand site de recrutement externe est HeadHunter. De plus, nous sommes heureux d'employer des enfants de nos deux départements au MIPT. Il existe de bons CV structurés, mais tous les candidats ne sont pas en mesure de décrire leur expérience. Pour aider les professionnels novices dans ce domaine, nous organisons des réunions de développement de carrière pour les étudiants de l'École supérieure d'économie et de l'Institut de physique et de technologie de Moscou.
Nous avons également développé un programme de parrainage au sein de l'entreprise: les collègues conseillent leurs amis en tant que candidats à des postes ouverts - nous recevons donc souvent de très bonnes recommandations.
Lorsque nous choisissons un employé, nous prêtons tout d'abord attention à l'éducation de base: quelle université et dans quelle direction une personne a obtenu ou obtient son diplôme.
Si le candidat a une éducation non fondamentale (par exemple, humanitaire), il est très susceptible d'être incapable de faire face à ses tâches. La chose la plus importante pour nous est notre volonté d'apprendre, notre volonté de recherche indépendante, si nous parlons spécifiquement d'équipes de recherche et développement prometteuses.
Il est important d'être prêt à apporter de nouvelles idées.
Si une personne est engagée dans une activité scientifique, c'est bien sûr un plus. Un portfolio n'est pas nécessaire pour nous si une personne arrive au poste de spécialiste junior.
Alexey Kuzmin, directeur du développement, chef de la direction DS chez DomKlik :
Chez DomClick, nous ne partageons pas la position de Data Scientist et d'analyse de données. Nous avons clairement un autre rôle mis en évidence - analyste / analyste commercial. Sa tâche principale est de créer des rapports d'entreprise. Data Scientist est engagé dans la construction de modèles et l'obtention d'informations à partir de données basées sur l'apprentissage automatique. Le domaine de responsabilité de l'analyste de données se situe approximativement au milieu, et les tâches sont donc divisées environ en deux. Une partie est donnée au flux de "business analytics", une partie - à la direction de la science des données.
À mon avis, le marché du travail dans le domaine de la science des données est maintenant très surchauffé - une forte demande avec un petit nombre de spécialistes vraiment compétents. Par conséquent, lors de la recherche, nous utilisons soit des communautés et des groupes thématiques, soit nous essayons d'utiliser activement des recommandations internes.
Lors du choix d'un candidat, nous examinons d'abord les emplois et tâches précédents. Un portfolio n'est pas nécessaire, mais encouragé, car il aide à comprendre quelles tâches le candidat a résolues auparavant et avec quelle expérience il peut renforcer notre équipe. Nous sommes confrontés à un très large éventail de tâches (de la vision par ordinateur au traitement de texte et aux signaux sonores) et nous avons également besoin d'une variété de compétences.
Nous essayons d'étudier tous les CV envoyés, le seul tabou est lorsqu'une personne qui répond au poste de Data Scientist n'a pas une seule ligne dans le CV avec des compétences en Data Science. Dans ce cas, on ne sait pas très bien sur quoi compte une personne, car même un spécialiste sans expérience aurait dû suivre une formation dans le domaine.
Dmitry Malkov, chef de projet chez Data Monsters , responsable des projets pédagogiques et scientifiques du Laboratoire de solutions d'affaires basées sur l'intelligence artificielle MIPT :
Dans notre entreprise, le poste de Data Scientist requiert des connaissances en mathématiques et en Python, tandis qu'un analyste de données peut avoir une formation en arts libéraux. Par exemple, nous avons un certain nombre de projets avec des historiens professionnels des statistiques économiques. L'analyste doit travailler manuellement avec les données et une immersion plus approfondie dans le domaine.
Nous accordons une grande attention à la formation du personnel pour nous remplacer dès le plus jeune âge: nous organisons des cours pour les lycéens dans les écoles de physique et de mathématiques, et travaillons avec des étudiants universitaires. Il faut beaucoup de temps pour attendre les résultats, mais ils se justifient - c'est ainsi que «nos» gens sont vraiment formés. Quant aux chers employés expérimentés, nous arrivons ici avec prudence. Il ne suffit pas de placer un poste vacant et de sélectionner ceux qui ont répondu. Heureusement, il existe de nombreux spécialistes matures parmi les diplômés du MIPT.
Nous notons qu'au cours des dernières années, de plus en plus de personnes, pas seulement des techniciens en physique, sont intéressées par une carrière à l'intersection de la science et des affaires, et nous avons une large marge pour ce travail et des projets internationaux intéressants.
Lors de la sélection des candidats, nous essayons de prendre les gens en fonction de recommandations personnelles.
Nous attirons l'attention sur l'expérience de travail antérieure et la proximité de la personne avec nous dans l'esprit.
Eh bien, c'est bien si, en plus des mathématiques, une personne a une connaissance de la matière.
Nous sommes alarmés par les candidats qui sautent d'une entreprise à l'autre et travaillent dans des postes obscurs. Par exemple, la direction de l'apprentissage automatique est maintenant au sommet de sa popularité, mais nous filtrons ceux qui entrent dans la profession à cause du battage médiatique. Ils ont fait de la blockchain l'année dernière, l'IA le fait. Pour la science, néanmoins, de nombreuses années de travail et une perspective correspondante sont nécessaires.
Maxim Chikurov, expert en science des données en netologie et chef de l'équipe d'analyse d'une grande banque russe , estime que malgré le marché du travail développé dans le domaine de la science des données, on ne peut pas dire qu'il soit très dynamique:
Dans le secteur bancaire, à mon avis, la science des données est moins pertinente que l'analyse des données.
Une caractéristique de la sphère est maintenant un grand nombre de personnes qui veulent «entrer dans la profession». Ces demandeurs d'emploi nécessitent une approche créative, car un CV avec la rubrique Data Scientist, mais sans expérience pertinente, ne semble pas intéressant. Je conseille, par exemple, de créer une présentation vidéo de votre recherche, cela vous élèvera grandement parmi les autres candidats. D'un autre côté, les employeurs, eux aussi, ont encore souvent des attentes élevées de la science des données en général, et par conséquent des candidats. Par conséquent, une relation complète offre-demande ne se produit pas.
Presque tous les experts ont noté le manque de spécialistes compétents sur le marché et le fait que les entreprises ont constamment de nouvelles exigences pour les candidats dans le domaine de la science des données. Par conséquent, ceux qui veulent suivre le rythme du marché devraient investir autant que possible dans leur développement en tant que spécialiste: lire de manière indépendante du matériel de formation, étudier des cas et des articles de praticiens, participer à des ateliers, des stages et suivre des cours. Tout cela permettra de rester en demande et de recevoir des salaires décents.
Des éditeurs