数据科学不是一个新领域。 他们从事数据处理已有50多年的历史了，但这并不妨碍该领域停留在流行的顶峰：如今，数据分析和数据科学家在雇主中非常受欢迎。 Netologiya的编辑决定向市场专家-专门从事数据科学的New.HR机构和领先的IT公司询问有关数据处理领域的实际情况。
不同级别的专家能得到多少？ 如何在雇主眼中提高您的价值？ 公司在哪里寻找员工？ 人力资源部在选择候选人时首先看什么？DS劳动力市场发展迅速。 仅在过去的两年中，我们就培训了800多名数据科学专业的学生，其中大多数在俄罗斯和外国公司的专业职位工作。 总共，我们有10多个关于数据科学的培训计划，但是最受欢迎的领域是数据分析师，BI分析师，数据科学家和机器学习。
所有学生都有不同的目标：有人要从根本上改变自己的职业，有人要提高自己的位置并开始增加收入。 当然，薪水是为什么越来越多的人想要学习数据科学的主要原因之一。
他们为数据科学家职位支付多少费用
New.HR机构
将在2019年6月发布针对分析师和数据科学家的大型市场研究报告，但就目前而言，
New.HR的分析和数据科学家主管Oksana Prutyanova同意共享该领域的薪资数据并向专家提供建议。
通过直接调查数据科学专家获得的数据。 考虑了从在莫斯科工作的受访者提供的指标。 工资数字显示在税后，“在手”：
数据科学家的收入水平由什么组成：
- 专业的一般工作经验；
- 专业知识的深度；
- 地位和被引用大学的教育水平。 例如，在MIPT，MSU和ITMO培训了强大的分析师；
- 位置-在莫斯科有更多的钱。 但是即使在这些地区，您也可以赚到可比的钱。 例如，在具有强大学术基础的城市，例如新西伯利亚。 同样，在进行远程项目时，可以指望薪资的资本水平；
- 英语知识极大地增加了机会，并使您成为全球专业社区的一员。 跟随出版物，在世界上最好的大学的计划下学习，考虑国外的空缺，用英语撰写文章。
数据科学家如何在劳动力市场中增加其价值
在雇主看来，有一些点可以为数据科学家增加价值：
- 独特技术知识。 例如，当某个专家成为狭窄专业领域的专家时，他在NLP中很酷-这将增加他在市场上的价值。
- 在发达的炒作领域的工作经验：与计算机视觉，机器人技术，无人机等相关的一切。 专家的成本取决于市场需求，总体趋势以及对特定狭窄市场的了解。
- 丰富的经验。 一些雇主仅从其领域（例如，银行）考虑专家。 但是那些看起来更广阔并邀请其他领域的分析师的人会受益。 因为候选人可以带来新的视野，所以请应用非显而易见的工具和方法。
- 创建自己的创业公司的经验。 对于雇主而言，这意味着专家可以了解业务级别的任务。
- 参与国际项目。 您可以在Kaggle获得资助或竞争。
- 在外国公司的经验。 外国公司采用了其他业务标准和方法，俄罗斯公司对此表示赞赏。
总计，您可以为那些希望获得更多收入的数据专业人员选择提示列表。 其中大多数是相当普遍和平庸的-但是尽管如此，它们仍然有效：
- 不断学习并精确发展您的专业知识。 为此，重要的是监视市场趋势以提高需求能力。
- 能够说商务语言。 要积极主动，了解领导者的工作利益并与之沟通。
- 在你周围组建一个团队。 您可以成为小型团队或培训项目的领导者或团队领导者。 需要任何级别的管理经验。
- 数据科学家行业在市场上非常需求。 因此，有一个偷懒的方法-只是从一家公司到另一家。 因此，您可以增加20-30％的收入。 但这只能做到一定程度。
雇主对数据科学家的看法
我们与IT公司的HR经理和分析经理进行了交谈，了解了他们通常在哪里寻找员工加入他们的团队，以及他们在选择候选人时首先要看什么。
亚历山德拉·戈洛维纳（Alexandra Golovina），阿维托（Avito）精选总监 ：
在Avito中，Data Scientist是与数据分析不同的单独项目。 数据分析师评估现有功能或产品的质量，并帮助他们做出有关更改的决定：开发和实施指标，测试假设，进行A / B测试-识别主要瓶颈，用户痛苦并思考如何解决它们。
数据科学家负责构建ML模型，以帮助解决数据分析人员已经发现的问题：准备数据，编写原型等。
通常我们在这两个职位上都会得到很多反馈，但是不幸的是，大多数简历都无关紧要。 在大多数情况下，人们没有使用算法，或者没有拥有我们需要的堆栈。 因此，大多数时候我们都在独立看待：通过替代来源（例如比赛）和内部建议。
在选择员工时，我们会考虑一系列因素：应聘者完成了哪些任务，他是否参与了任何项目，他想如何发展等。对于我们来说，应聘者接受基础的物理和数学教育也很重要。 我们的员工来自各个领域和公司：从FMCG到专业竞争的公司，但所有人都有一个共同点：基础教育的存在。 工作经验本身也很重要，但公司的具体情况则不太重要。
拥有一份档案袋对我们来说不是必需的，但可以在面试中极大地帮助应聘者。
对于每个部门，我们都有准备好的测试任务，该任务尽可能接近员工的未来任务。 这对每个人来说都是双赢的局面：我们了解候选人的水平，而候选人又将找出他将做什么。
但是，如果一个人有一个档案袋，并且准备好使用Python发送他的任何项目的源代码，他认为这显示出良好的语言水平，并且准备解释该代码的任何部分，或者准备为比赛提供解决方案，那么技术任务是不必要的。
Habidatum数据科学主管Nikita Pestrov ：
在Habidatum，我们创建城市数据分析产品和客户项目。 项目需要收集数据，例如公共交通路线或房地产清单，以及对如何处理它们的理解。 这以及报告材料的创建，模式和结论的搜索通常由数据分析师完成。 数据科学家为这些项目开发模型，并与数据工程师一起在我们的产品和服务中实施其中的一部分。 这两个人一起工作。
每年我们进行团队实习，以选择新员工进行分析。 几个星期以来，来自不同领域的年轻专家一直在进行研究，以尝试我们在公司中面临的实际问题。 在这段时间里，我们设法了解一个人的优势，并决定继续与他合作。
在实习之前，我们从未聘请分析师或数据科学家作为候选人。
我们还会举办有关各种主题的研讨会和讲座，之后我们会收到感兴趣的专家的简历，并乐意对其进行审查。 当然是开放数据科学社区中的#jobs频道-当我们正在积极寻找适合特定任务的人员时。
对于年轻的创新型公司而言，新员工在公司领域（对于我们来说，这是一个城市）发展的知识和愿望
比他在特定职位上的知识
更为重要 。 因此，在选择候选人时，我们会寻找对城市问题的兴趣，团队合作的经验以及在个人简历中将困难的条件变成简单模型的能力。 总之，可以通过参加有关我们感兴趣的主题的相关会议，实习或项目来看到这一点。
ABBYY集团公司人力资源副总裁Vera Mashkova ：
在各个公司中，数据科学家可能意味着具有不同任务的人员。 我们主要雇用从事数据分析和50/50开发的通用员工。 这是我们业务的需要。
公司中有数据科学家职位，包括在大型实习计划的框架内，但我们不将其翻译为“数据分析师”，而是在两个有前途的研发部门谈论更多“研究人员”。 我们通常将这类职位称为初级数据科学家（NLP）。
数据科学的受欢迎程度正在增长。 市场变得越来越发达，许多大学在数据科学教学方面也越来越活跃。 还有许多其他课程。 越来越多的候选人被重新分配。
最大的外部招聘网站是HeadHunter。 此外，我们很高兴雇用MIPT两个部门的孩子。 有不错的结构化简历，但并非所有候选人都能描述其经历。 为了帮助新手专业人员，我们在高等经济学院和莫斯科物理技术学院为学生举办了职业发展会议。
我们还制定了公司内部的推荐计划：同事建议朋友担任公开职位的候选人-因此我们经常会收到很好的建议。
在选择员工时，我们首先要注意基础教育：一个人毕业于哪个大学以及朝哪个方向毕业。
如果候选人接受非核心（例如人道主义）教育，那么他极有可能无法完成任务。 对于我们来说，最重要的是，如果我们专门谈论有前途的研发团队，那么我们的学习意愿，独立研究的意愿。
准备引入新的想法很重要。
如果一个人从事科学活动，那当然是一个加号。 如果一个人担任初级专家，对我们来说就不需要投资组合。
DomKlik开发总监，DS方向主管Alexey Kuzmin ：
在DomClick，我们不同意数据科学家和数据分析的立场。 显然，我们还强调了另一个角色-分析师/业务分析师。 它的主要任务是建立业务报告。 数据科学家从事模型的构建，并基于机器学习从数据中获取见解。 数据分析员的职责范围大约在中间，因此任务大约分为一半。 一部分提供给“业务分析”流，一部分提供给数据科学指导。
我认为，数据科学领域的劳动力市场现在非常过热-需求很少，只有少数真正称职的专家。 因此，在搜索时，我们使用主题社区和团体，或者尝试积极使用内部建议。
在选择候选人时，我们首先要查看以前的工作和任务。 投资组合不是必需的，而是受鼓励的，因为它有助于了解申请人之前完成的任务以及可以增强我们团队的经验。 我们面临着各种各样的任务（从计算机视觉到文字处理和声音信号），我们还需要各种能力。
我们尝试研究所有发送的简历，唯一的忌讳是，响应数据科学家职位的人在简历中没有一行具备数据科学技能的人。 在这种情况下，不清楚一个人在指望什么，因为即使没有经验的专家也应该接受过该领域的任何培训。
Dmitry Malkov， Data Monsters的项目经理，基于人工智能MIPT的业务解决方案实验室的教育和科学项目负责人 ：
在我们公司，数据科学家的职位需要数学和Python知识，而数据分析师可以接受文科教育。 例如，我们有许多与经济统计专业历史学家合作的项目。 分析人员需要手动处理数据，并要深入研究主题领域。
我们非常重视培训人员，使其从小就可以取代自己：我们为物理学校和数学学校的高中生开设课程，并与大学生一起工作。 等待结果需要很长时间，但它们证明了自己的理由-这就是“我们的”人真正形成的方式。 对于经验丰富的亲爱的员工，我们在这里很谨慎。 仅空缺并选择回应者是不够的。 幸运的是，MIPT毕业生中有许多成熟的专家。
我们注意到，在过去的几年中，越来越多的人，不仅是物理技术人员，对科学与商业的交汇处的职业感兴趣，而且我们从事这类工作和有趣的国际项目的范围很广。
在选择候选人时，我们会尝试根据个人建议招人。
我们提请注意以前的工作经验以及此人在精神上与我们的亲密关系。
好吧，如果一个人除了数学之外，还具有学科知识。
候选人从一家公司跳到另一家并担任晦涩的职位，令我们感到震惊。 例如，现在机器学习的方向正处于普及的高峰，但是由于炒作，我们正在筛选那些进入该行业的人。 他们去年做了区块链，人工智能正在这样做。 但是，对于科学来说，需要多年的工作和相应的视野。
Maxim Chikurov是Netology数据科学专家，一家大型俄罗斯银行的分析团队负责人 ，他认为，尽管Data Science领域的劳动力市场发达，但不能称其为动态的：
我认为，在银行业中，数据科学没有数据分析重要。
现在，该领域的一大特色是大量想“进入职业”的人。 这类求职者需要一种创新的方法，因为以数据科学家为首的简历，但没有相关经验，看起来很无趣。 我建议，例如，为您的研究创建视频演示，这将极大地提高您的其他申请人的知名度。 另一方面，雇主也常常对数据科学抱有很高的期望，这也是应聘者的期望。 因此，不能形成完整的供求关系。
几乎所有专家都指出，市场上缺乏称职的专家，而且公司对数据科学领域的候选人不断提出新要求。 因此，那些想跟上市场步伐的人应该尽可能多地投资以发展自己成为专家：独立阅读培训材料，学习案例和从业人员文章，参加研讨会，实习和参加课程。 所有这些将使需求保持不变并获得可观的工资。
来自编辑