Ilmu Data bukan bidang baru. Mereka telah terlibat dalam pemrosesan data selama lebih dari 50 tahun, yang tidak mencegah bola dari tetap berada di puncak popularitas: analitik data dan Data Scientist sangat populer di kalangan pengusaha saat ini. Para editor Netologiya memutuskan untuk bertanya kepada para pakar pasar - agensi New.HR, yang berspesialisasi dalam Ilmu Data, dan perusahaan-perusahaan TI terkemuka - tentang situasi nyata di bidang bekerja dengan data.
Berapa banyak yang diperoleh spesialis dari berbagai tingkatan? Bagaimana cara meningkatkan nilai Anda di mata majikan? Di mana perusahaan mencari karyawan? Apa yang dilihat SDM saat pertama kali memilih kandidat?Pasar tenaga kerja DS berkembang pesat. Dalam dua tahun terakhir saja, kami telah melatih lebih dari 800 siswa di bidang Ilmu Data, sebagian besar dari mereka bekerja di posisi khusus di perusahaan Rusia dan asing. Secara total, kami memiliki lebih dari 10 program pelatihan tentang topik Ilmu Data, tetapi bidang yang paling populer adalah Analis Data, Analis BI, Ilmuwan Data, dan Pembelajaran Mesin.
Semua siswa memiliki tujuan yang berbeda: seseorang datang untuk secara radikal mengubah profesi mereka, seseorang - untuk tumbuh di posisi mereka dan mulai menghasilkan lebih banyak. Gaji, tentu saja, adalah salah satu alasan utama mengapa ada semakin banyak orang yang ingin belajar Ilmu Data.
Berapa yang mereka bayar untuk posisi Data Scientist
Pada Juni 2019, agensi
New.HR akan merilis studi besar pasar untuk analis dan Data Scientist, tetapi untuk saat ini,
Oksana Prutyanova, kepala analytics dan Data Scientists di New.HR , setuju untuk berbagi data gaji di lapangan dan memberikan saran kepada spesialis.
Data diperoleh melalui survei langsung spesialis dalam Ilmu Data. Indikator yang diterima dari responden yang bekerja di Moskow diperhitungkan. Angka gaji ditampilkan setelah pajak, "siap sedia":
Terdiri dari apa tingkat pendapatan Data Scientist:
- pengalaman kerja umum dalam bidang spesialisasi;
- kedalaman keahlian profesional;
- pendidikan dalam status dan universitas yang dikutip. Misalnya, analis kuat dilatih di MIPT, MSU, ITMO;
- lokasi - di Moskow ada lebih banyak uang. Tetapi bahkan di daerah Anda bisa mendapatkan uang yang sebanding. Misalnya, di kota-kota dengan basis akademik yang kuat, seperti Novosibirsk. Juga, tingkat modal dari gaji dapat dihitung saat bekerja pada proyek dari jarak jauh;
- pengetahuan bahasa Inggris sangat memperluas peluang dan memungkinkan Anda untuk menjadi anggota komunitas profesional global. Ikuti publikasi, belajar di bawah program-program universitas dunia terbaik, pertimbangkan lowongan di luar negeri, tulis artikel dalam bahasa Inggris.
Bagaimana Data Ilmuwan Meningkatkan Nilainya di Pasar Tenaga Kerja
Ada poin yang menambah nilai bagi Data Scientist di mata pemberi kerja:
- Pengetahuan tentang teknologi unik. Ketika seorang spesialis menjadi ahli dalam bidang profesional yang sempit, misalnya, ia keren dalam NLP - ini meningkatkan nilainya di pasar.
- Pengalaman kerja dalam bidang sensasi yang berkembang: segala sesuatu yang terkait dengan visi komputer, robot, drone, dan sebagainya. Biaya spesialis tergantung pada persimpangan permintaan pasar, tren umum dan pengetahuan tentang segmen yang sempit dan spesifik.
- Pengalaman serba guna. Beberapa pengusaha menganggap spesialis hanya dari bidangnya, misalnya, dari bank. Tetapi mereka yang terlihat lebih luas dan mengundang analis dari bidang lain mendapat manfaat. Karena kandidat dapat membawa visi baru, terapkan alat dan pendekatan yang tidak jelas.
- Pengalaman membuat startup Anda sendiri. Untuk majikan, ini berarti bahwa spesialis dapat memahami tugas-tugas di tingkat bisnis.
- Partisipasi dalam proyek internasional. Anda bisa mendapatkan hibah atau bersaing di Kaggle .
- Pengalaman di perusahaan asing. Perusahaan asing telah mengadopsi standar dan pendekatan lain untuk bisnis, dan ini dihargai oleh perusahaan Rusia.
Total, Anda dapat memilih daftar kiat untuk para profesional data yang ingin mendapatkan lebih banyak. Sebagian besar dari mereka cukup universal dan dangkal - namun demikian, mereka bekerja:
- Teruslah belajar dan kembangkan keahlian Anda dengan tepat. Untuk melakukan ini, penting untuk memantau tren pasar untuk memompa kompetensi permintaan.
- Mampu berbicara dalam bahasa bisnis. Agar proaktif, pahami dan komunikasikan manfaat pekerjaan mereka kepada para pemimpin.
- Bentuk tim di sekitar Anda. Anda dapat menjadi pemimpin atau pemimpin tim dari tim kecil atau proyek pelatihan. Pengalaman manajemen di tingkat mana pun sangat dibutuhkan.
- Profesi Ilmuwan Data sangat diminati di pasar. Oleh karena itu, ada cara yang malas - pergi saja dari perusahaan ke perusahaan. Jadi Anda bisa meningkatkan penghasilan hingga 20-30%. Tetapi ini hanya dapat dilakukan pada tingkat tertentu.
Apa pendapat pengusaha tentang Data Scientist
Kami berbicara dengan manajer SDM dan manajer analitik di perusahaan IT dan menemukan di mana mereka biasanya mencari karyawan untuk bergabung dengan tim mereka, dan juga apa yang mereka lihat pertama-tama ketika memilih kandidat.
Alexandra Golovina, kepala seleksi Avito :
Dalam Avito, Data Scientist adalah item terpisah, berbeda dari analitik data. Analis data mengevaluasi kualitas fungsionalitas atau produk yang ada dan membantu membuat keputusan tentang perubahan di dalamnya: mengembangkan dan mengimplementasikan metrik, menguji hipotesis, melakukan tes A / B - mengidentifikasi hambatan utama, rasa sakit pengguna dan memikirkan cara menyelesaikannya.
Data Scientist bertanggung jawab untuk membangun model ML yang membantu menyelesaikan masalah yang sudah ditemukan oleh analis data: menyiapkan data, menulis prototipe, dll.
Biasanya kami mendapat cukup banyak umpan balik pada kedua posisi, tetapi, sayangnya, sebagian besar resume tidak relevan. Sebagian besar, orang tidak bekerja dengan algoritma, atau tidak memiliki tumpukan yang kami butuhkan. Oleh karena itu, paling sering kita mencari secara independen: dengan sumber alternatif (misalnya, kompetisi) dan oleh rekomendasi internal.
Ketika memilih seorang karyawan, kita melihat serangkaian faktor: tugas apa yang dipecahkan oleh kandidat, apakah dia berpartisipasi dalam proyek apa pun, bagaimana dia ingin berkembang, dll. Juga penting bagi kita bahwa kandidat memiliki pendidikan fisik dan matematika yang mendasar. Karyawan kami berasal dari berbagai bidang dan perusahaan: dari FMCG hingga perusahaan pesaing yang berspesialisasi, tetapi semuanya memiliki satu kesamaan: keberadaan pendidikan dasar. Pengalaman kerja itu sendiri juga penting, tetapi spesifik perusahaan kurang penting.
Memiliki portofolio tidak perlu bagi kami, tetapi dapat sangat membantu seorang kandidat selama wawancara.
Untuk setiap unit, kami memiliki tugas uji yang disiapkan, yang sedekat mungkin dengan tugas karyawan di masa depan. Ini adalah situasi win-win untuk semua orang: kami memahami tingkat kandidat, dan kandidat, pada gilirannya, akan mencari tahu apa tepatnya yang akan ia lakukan.
Tetapi jika seseorang memiliki portofolio dan dia siap untuk mengirim kode sumber dari setiap proyeknya dengan Python, yang menurutnya menunjukkan tingkat kemahiran bahasa yang baik, dan siap untuk menjelaskan bagian mana pun dari kode, atau siap memberikan solusi untuk kompetisi, tugas teknis tidak diperlukan.
Nikita Pestrov, Pimpinan Ilmu Data, Habidatum :
Di Habidatum, kami membuat produk analisis data perkotaan dan proyek pelanggan. Proyek membutuhkan pengumpulan data, seperti rute angkutan umum atau daftar real estat, dan pemahaman tentang cara menanganinya. Ini, serta pembuatan bahan pelaporan, pencarian pola dan kesimpulan biasanya dilakukan oleh seorang analis data. Data Scientist mengembangkan model untuk proyek-proyek ini dan mengimplementasikannya bersama dengan Insinyur Data dalam produk dan layanan kami. Kedua orang ini bekerja bersama.
Setiap tahun kami melakukan magang tim untuk memilih karyawan baru untuk analitik. Selama beberapa minggu, spesialis muda dari berbagai bidang telah melakukan penelitian, mencoba masalah nyata yang kita hadapi di perusahaan. Selama masa ini, kami berhasil memahami kekuatan seseorang dan memutuskan kelanjutan kerja dengannya.
Kami tidak pernah mengambil analis atau Ilmuwan Data tanpa terlebih dahulu bekerja dengan kandidat sebagai bagian dari magang.
Kami juga mengadakan lokakarya dan ceramah tentang berbagai topik, setelah itu kami menerima resume dari spesialis yang tertarik dan dengan senang hati mengulasnya. Dan tentu saja saluran #jobs di komunitas Open Data Science - ketika kita secara aktif mencari seseorang untuk tugas tertentu.
Bagi perusahaan-perusahaan muda yang inovatif, pengetahuan dan keinginan karyawan baru untuk berkembang di bidang perusahaan (bagi kami ini adalah kota)
lebih penting daripada pengetahuannya di posisi tertentu. Oleh karena itu, ketika memilih kandidat, kami mencari minat dalam masalah perkotaan, pengalaman kerja tim, dan kemampuan untuk mengubah kondisi sulit menjadi model sederhana dalam resume seseorang. Dalam ringkasan, ini dapat dilihat dengan berpartisipasi dalam konferensi, magang atau proyek yang relevan tentang topik yang menarik bagi kami.
Vera Mashkova, Wakil Presiden, Sumber Daya Manusia, ABBYY Grup Perusahaan :
Di berbagai perusahaan, Data Scientist dapat berarti orang dengan tugas yang berbeda. Kami terutama mempekerjakan karyawan universal yang terlibat dalam analisis data dan pengembangan 50/50. Ini adalah kebutuhan bisnis kami.
Ada posisi Data Scientist di perusahaan, termasuk dalam kerangka program magang besar, tetapi kami tidak menerjemahkannya sebagai "analis data", kami berbicara lebih banyak tentang "peneliti" di dua departemen penelitian dan pengembangan yang menjanjikan. Kami paling sering memanggil posisi seperti Junior Data Scientist (NLP).
Popularitas Ilmu Data semakin meningkat. Pasar menjadi lebih berkembang, banyak universitas menjadi lebih aktif dalam mengajarkan ilmu data. Ada banyak kursus tambahan. Semakin banyak kandidat yang dipindahkan.
Situs rekrutmen eksternal terbesar adalah HeadHunter. Selain itu, kami dengan senang hati mempekerjakan anak-anak dari dua departemen kami di MIPT. Ada resume yang baik dan terstruktur, tetapi tidak semua kandidat dapat menggambarkan pengalaman mereka. Untuk membantu profesional pemula dengan ini, kami mengadakan pertemuan pengembangan karir untuk siswa di Sekolah Tinggi Ekonomi dan Institut Fisika dan Teknologi Moskow.
Kami juga telah mengembangkan program rujukan di dalam perusahaan: kolega menyarankan teman-teman mereka sebagai kandidat untuk posisi terbuka - jadi kami sering mendapatkan rekomendasi yang sangat bagus.
Ketika memilih seorang karyawan, pertama-tama kita memperhatikan pendidikan dasar: universitas mana dan ke arah mana seseorang lulus atau lulus.
Jika kandidat memiliki pendidikan non-inti (misalnya, kemanusiaan), ia sangat mungkin tidak dapat mengatasi tugasnya. Yang paling penting bagi kita adalah kesediaan kita untuk belajar, kesiapan kita untuk penelitian independen, jika kita berbicara secara khusus tentang tim penelitian dan pengembangan yang menjanjikan.
Penting untuk bersiap membawa ide-ide baru.
Jika seseorang terlibat dalam kegiatan ilmiah, ini tentu saja merupakan nilai tambah. Portofolio tidak diperlukan bagi kami jika seseorang datang ke posisi spesialis junior.
Alexey Kuzmin, direktur pengembangan, kepala DS-direction di DomKlik :
Di DomClick, kami tidak berbagi posisi Data Scientist dan analitik data. Kami jelas memiliki peran lain yang disorot - analis / analis bisnis. Tugas utamanya adalah membangun pelaporan bisnis. Data Scientist terlibat dalam pembangunan model dan memperoleh wawasan dari data berdasarkan pembelajaran mesin. Area tanggung jawab analis data berjalan kira-kira di tengah, dan karena itu tugas-tugas dibagi kira-kira setengah. Bagian diberikan ke aliran "analisis bisnis", sebagian - ke arah Ilmu Data.
Menurut pendapat saya, pasar tenaga kerja di bidang Ilmu Data sekarang sangat panas - permintaan tinggi dengan sejumlah kecil spesialis yang benar-benar kompeten. Karena itu, ketika mencari, kami menggunakan komunitas dan grup tematik, atau mencoba untuk secara aktif menggunakan rekomendasi internal.
Saat memilih kandidat, pertama-tama kita melihat pekerjaan dan tugas sebelumnya. Portofolio tidak diperlukan, tetapi dianjurkan, karena membantu memahami tugas-tugas apa yang telah dipecahkan oleh pemohon sebelumnya dan dengan pengalaman apa ia dapat memperkuat tim kami. Kami dihadapkan dengan berbagai tugas yang sangat luas (dari visi komputer hingga pemrosesan kata dan sinyal suara) dan kami juga membutuhkan berbagai kompetensi.
Kami mencoba mempelajari semua CV yang dikirim, satu-satunya hal yang tabu adalah ketika seseorang yang merespons posisi Data Scientist tidak memiliki satu baris pun dalam CV dengan keterampilan dalam Ilmu Data. Dalam hal ini, tidak terlalu jelas apa yang diandalkan seseorang, karena bahkan seorang spesialis tanpa pengalaman harus menjalani pelatihan apa pun di lapangan.
Dmitry Malkov, manajer proyek di Data Monsters , kepala proyek pendidikan dan ilmiah dari Laboratorium solusi bisnis berdasarkan MIPT Kecerdasan Buatan :
Di perusahaan kami, posisi Ilmuwan Data membutuhkan pengetahuan matematika dan Python, sementara seorang analis data dapat memiliki pendidikan seni liberal. Misalnya, kami memiliki sejumlah proyek dengan sejarawan profesional tentang statistik ekonomi. Analis diharuskan untuk bekerja secara manual dengan data dan perendaman yang lebih dalam di area subjek.
Kami memberi perhatian besar kepada personel pelatihan untuk mengganti diri sejak usia muda: kami menyelenggarakan kursus untuk siswa sekolah menengah di sekolah fisika dan matematika, dan bekerja dengan siswa universitas. Butuh waktu lama untuk menunggu hasilnya, tetapi mereka membenarkan diri mereka sendiri - ini adalah bagaimana orang-orang "kita" benar-benar terbentuk. Adapun karyawan tersayang yang berpengalaman, kami datang dengan hati-hati. Hanya dengan menempatkan lowongan dan memilih mereka yang merespons tidak cukup. Untungnya, ada banyak spesialis matang di antara lulusan MIPT.
Kami mencatat bahwa selama beberapa tahun terakhir, semakin banyak orang, tidak hanya teknisi fisik, yang tertarik dalam karier di persimpangan sains dan bisnis, dan kami memiliki ruang lingkup yang luas untuk pekerjaan semacam itu dan proyek-proyek internasional yang menarik.
Saat memilih kandidat, kami mencoba untuk mengambil orang sesuai dengan rekomendasi pribadi.
Kami menarik perhatian pada pengalaman kerja sebelumnya dan kedekatan orang tersebut dengan kami dalam semangat.
Yah, ada baiknya jika, selain matematika, seseorang memiliki pengetahuan subjek.
Kami khawatir dengan kandidat yang melompat dari satu perusahaan ke perusahaan lain dan bekerja di posisi yang tidak jelas. Sebagai contoh, sekarang arah pembelajaran mesin berada di puncak popularitas, tetapi kami menyaring orang-orang yang masuk ke profesi karena hype. Mereka melakukan blockchain tahun lalu, AI melakukannya. Namun, bagi sains, kerja bertahun-tahun dan pandangan yang sesuai diperlukan.
Maxim Chikurov, seorang ahli dalam Ilmu Data dalam Netologi dan kepala tim analisis di sebuah bank besar Rusia , percaya bahwa meskipun pasar tenaga kerja maju di bidang Ilmu Data, itu tidak bisa disebut sangat dinamis:
Di sektor perbankan, menurut pendapat saya, Ilmu Data kurang relevan daripada analisis data.
Fitur bola sekarang adalah sejumlah besar orang yang ingin "memasuki profesi." Pencari kerja seperti itu membutuhkan pendekatan kreatif, karena resume dengan tajuk Ilmuwan Data, tetapi tanpa pengalaman yang relevan, terlihat tidak menarik. Saya menyarankan, misalnya, untuk membuat presentasi video penelitian Anda, ini akan sangat meningkatkan Anda di antara pelamar lainnya. Di sisi lain, pengusaha, juga, sering masih memiliki harapan yang tinggi dari Ilmu Data secara umum, dan sebagai hasil dari kandidat. Oleh karena itu, hubungan penawaran-permintaan penuh tidak keluar.
Hampir semua ahli mencatat kurangnya spesialis yang kompeten di pasar dan fakta bahwa perusahaan terus-menerus memiliki persyaratan baru untuk kandidat di bidang Ilmu Data. Oleh karena itu, mereka yang ingin mengikuti kecepatan pasar harus berinvestasi sebanyak mungkin dalam mengembangkan diri mereka sebagai seorang spesialis: membaca materi pelatihan secara mandiri, mempelajari kasus dan artikel praktisi, berpartisipasi dalam lokakarya, magang, dan mengambil kursus. Semua ini akan memungkinkan untuk tetap diminati dan menerima upah yang layak.
Dari para editor