Data Science — сфера не новая. Обработкой данных занимаются уже более 50 лет, что не мешает сфере оставаться на пике популярности: аналитики данных и Data Scientist сегодня очень востребованы среди работодателей. Редакция Нетологии решила расспросить у экспертов рынка — агентства New.HR, которое специализируется на направлении Data Science, и ведущих IT-компаний — о реальном положении дел в области работы с данными.
Сколько получают специалисты разного уровня? Как повысить свою ценность в глазах работодателя? Где компании ищут себе сотрудников? На что HR смотрят в первую очередь при выборе кандидата?
Рынок труда в сфере DS быстро развивается. Только за два последних года мы обучили более 800 студентов по специализации Data Science, большинство из них работают на профильных позициях в российских и зарубежных компаниях. Всего у нас более 10 программ обучения по теме Data Science, но самые востребованные направления — это «Аналитик данных», «Аналитик BI», «Data Scientist» и «Машинное обучение».
У всех студентов разные цели: кто-то приходит кардинально поменять профессию, кто-то — вырасти на своей позиции и начать зарабатывать больше. Заработная плата, конечно же, одна из главных причин, почему желающих изучать Data Science становится всё больше.
В июне 2019 года агентство New.HR выпустит большое исследование рынка аналитиков и Data Scientist, а пока Оксана Прутьянова, руководитель практики аналитики и Data Scientists в New.HR, согласилась поделиться данными по заработной плате в сфере и дать советы специалистам.
Данные получены с помощью прямого опроса специалистов по Data Science. Учитываются показатели, полученные от респондентов, работающих в Москве. Цифры зарплат указаны после выплаты налогов, «на руки»:
Из чего складывается уровень дохода Data Scientist:
Есть пункты, которые повышают ценность Data Scientist в глазах работодателя:
Итого, можно выделить список советов для тех специалистов по работе с данными, которые стремятся зарабатывать больше. Большинство из них довольно универсальны и банальны — но тем не менее, они работают:
Мы поговорили с HR-менеджерами и руководителями направления аналитики в IT-компаниях и узнали, где они обычно ищут сотрудников себе в команду, а также на что смотрят в первую очередь при отборе кандидатов.
Александра Головина, руководитель it подбора «Авито»:
В Авито Data Scientist — это отдельная позиция, отличная от аналитика данных. Аналитики данных оценивают качество существующей функциональности или продукта и помогают принять решения об изменениях в них: разрабатывают и внедряют метрики, проверяют гипотезы, проводят A/B-тесты — выявляют основные узкие места, боли пользователей и продумывают, как их решить.
Data Scientist же отвечает за построение ML-моделей, которые помогают решить проблемы, уже найденные аналитиками данных: подготавливают данные, пишут прототипы, и т. д.
Обычно к нам приходит довольно много откликов на обе позиции, но, к сожалению, большинство резюме нерелевантны. По большей степени, люди не работали с алгоритмами, либо не владеют нужным нам стеком. Поэтому чаще всего мы ищем самостоятельно: по альтернативным источникам (например, соревнования) и по внутренним рекомендациям.
При выборе сотрудника смотрим на комплекс факторов: какие задачи решал кандидат, участвовал ли в каких-то проектах, как он хочет развиваться, и т. д. Также для нас важно, чтобы у кандидата было фундаментальное физико-математическое образование. Наши сотрудники пришли из разных сфер и компаний: от FMCG до профильных компаний-конкурентов, но всех объединяет одно: наличие фундаментального образования. Сам опыт работы также важен, но конкретная специфика компании в меньшей степени.
Наличие портфолио для нас не обязательно, но может сильно помочь кандидату при прохождении собеседований.
Для каждого подразделения у нас есть подготовленное тестовое задание, которое максимально приближено к будущим задачам сотрудника. Это win-win ситуация для всех: мы понимаем уровень кандидата, а кандидат в свою очередь узнает, чем именно ему предстоит заниматься.
Но если у человека есть портфолио и он готов прислать исходный код любого своего проекта на Python, который на его взгляд хорошо демонстрирует уровень владения языком, и готов пояснить любую часть кода, либо готов предоставить решение какого-либо конкурса, — техническое задание излишне.
Никита Пестров, Data Science Lead, Habidatum:
В Habidatum мы создаем продукты для анализа городских данных и клиентские проекты. Проекты требуют сбора данных, например, маршрутов общественного транспорта или объявлений о продаже недвижимости, и понимания, как их обработать. Этим, а также созданием отчётных материалов, поиском закономерностей и выводов обычно занимается аналитик данных. Data Scientist разрабатывает модели для этих проектов и внедряет часть из них совместно с Data Engineer в наши продукты и сервисы. Эти два человека работают в связке.
Каждый год для отбора новых сотрудников в аналитику мы проводим командные стажировки. В течение нескольких недель молодые специалисты из разных областей проводят исследование, пробуют настоящие задачи, с которыми мы сталкиваемся в компании. За это время нам удается понять сильные стороны человека и принять решение о продолжении работы с ним.
Также мы проводим воркшопы и лекции на различные темы, после них мы получаем резюме от заинтересованных специалистов и с радостью их рассматриваем. Ну и конечно канал #jobs в сообществе Open Data Science — когда мы активно ищем человека на конкретную задачу.
Для молодых инновационных компаний знания и желание нового сотрудника развиваться в сфере деятельности компании (для нас это город) важнее его знаний в рамках конкретной должности. Поэтому при отборе кандидатов мы ищем в резюме человека интерес к городской проблематике, опыт командной работы и способность превращать сложные условия в простые модели. В резюме это можно увидеть по участию в релевантных конференциях, стажировках или проектах на интересные нам темы.
Вера Машкова, вице-президент по работе с персоналом группы компаний ABBYY:
В различных компаниях под позицией Data Scientist могут подразумеваться люди с разными задачами. У нас в основном работают сотрудники-универсалы, которые занимаются анализом данных и разработкой 50/50. Это необходимость нашего бизнеса.
В компании есть позиции Data Scientist, в том числе, в рамках большой стажерской программы, но мы не переводим их как «аналитик данных», речь скорее об «исследователях» в двух отделах перспективных исследований и разработок. Такие позиции мы называем чаще всего Junior Data Scientist (NLP).
Популярность направления Data Science сейчас растет. Рынок стал более развитым, многие вузы стали активнее преподавать науку о данных. Есть много дополнительных курсов. Все большее число кандидатов перепрофилируются.
Самая большая внешняя площадка для рекрутмента — HeadHunter. Кроме этого, мы с радостью трудоустраиваем ребят с двух наших кафедр в МФТИ. Есть хорошие и структурированные резюме, но не все кандидаты умеют описывать свой опыт. Чтобы помочь в этом начинающим специалистам, мы проводим встречи по развитию карьеры для студентов НИУ ВШЭ и МФТИ.
Также у нас развита реферальная программа внутри компании: коллеги советуют своих знакомых в качестве кандидатов на открытые позиции — так мы нередко получаем очень хорошие рекомендации.
При выборе сотрудника мы в первую очередь обращаем внимание на базовое образование: какой вуз и по какому направлению человек окончил, либо оканчивает.
Если у кандидата непрофильное (например, гуманитарное) образование, он с высокой долей вероятности не сможет справиться со своими задачами. Наиболее важна для нас готовность обучаться, готовность к самостоятельным исследованиям, если мы говорим именно о командах перспективных исследований и разработок.
Если человек занимается научной деятельностью, это, конечно же, плюс. Портфолио для нас не обязательно, если человек приходит на позицию junior-специалиста.
Алексей Кузьмин, директор разработки, руководитель DS-направления в ДомКлик:
В ДомКлик мы не разделяем позиции Data Scientist и аналитика данных. У нас явно выделена другая роль — аналитик/бизнес-аналитик. Его основная задача — построение бизнес-отчетности. Data Scientist занимается построением моделей и получением инсайтов из данных на основе машинного обучения. Зона ответственности аналитика данных проходит примерно посередине, поэтому и задачи делятся примерно пополам. Часть отдается стриму «бизнес-аналитика», часть — направлению Data Science.
По моему мнению, рынок труда в сфере Data Science сейчас сильно перегрет — высокий спрос при малом количестве действительно грамотных специалистов. Поэтому при поиске мы используем либо тематические сообщества и группы, либо стараемся активно использовать внутренние рекомендации.
При выборе кандидата в первую очередь смотрим на предыдущие места работы и задачи. Наличие портфолио не обязательно, но приветствуется, так как помогает понять, какие задачи соискатель решал раньше и каким опытом он может усилить нашу команду. Перед нами стоит очень широкий спектр задач (от компьютерного зрения до обработки текстов и звуковых сигналов) и компетенции нам также нужны самые разные.
Мы стараемся изучать все присылаемые резюме, единственное табу — когда человек, откликнувшийся на позицию Data Scientist, не имеет ни одной строчки в резюме с навыками в Data Science. В таком случае не очень понятно, на что рассчитывает человек, так как даже специалист без опыта хоть какое-то обучение в сфере должен был проходить.
Дмитрий Малков, project manager в компании Data Monsters, руководитель образовательных и научных проектов Лаборатории бизнес-решений на основе Искусственного Интеллекта МФТИ:
В нашей компании позиция Data Scientist требует знаний математики и Python, в то время как аналитик данных может иметь гуманитарное образование. Например, у нас есть ряд проектов с профессиональными историками по экономической статистике. От аналитика требуется ручная работа с данными и более глубокое погружение в предметную область.
Мы уделяем большое внимание подготовке кадров себе на смену с юных лет: проводим курсы для старшеклассников физмат школ, работаем со студентами вузов. Результатов приходится ждать долго, но они себя оправдывают — так формируются по-настоящему «наши» люди. Что касается опытных дорогих сотрудников, то тут мы подходим тщательно. Просто разместить вакансию и отбирать откликнувшихся недостаточно. К счастью, среди выпускников МФТИ есть много зрелых специалистов.
Мы отмечаем, что в последние несколько лет все больше людей, не только физтехи, заинтересованы в карьере на пересечении науки и бизнеса, а у нас широкий простор для такой работы и интересные международные проекты.
При отборе кандидатов мы стараемся брать людей по личной рекомендации.
Ну и хорошо, если кроме математики у человека есть предметные знания.
Нас настораживают кандидаты, которые прыгают из одной компании в другую и работают на непонятных должностях. Например, сейчас направление machine learning на пике популярности, но мы отсеиваем тех, кто приходит в профессию из-за хайпа. В прошлом году они blockchain делали, в этом занимаются AI. Для науки все-таки нужен многолетний труд и соответствующий кругозор.
Максим Чикуров, эксперт направления Data Science в Нетологии и руководитель команды аналитики в крупным российском банке, считает, что несмотря на развитие рынок труда в сфере Data Science, его нельзя назвать очень динамичным:
В банковской сфере, по моему мнению, Data Science менее актуален, чем анализ данных.
Особенность сферы сейчас — большое количество желающих «войти в профессию». Таким соискателям требуется креативный подход т. к. резюме с заголовком Data Scientist, но без релевантного опыта выглядят малоинтересно. Я советую, например, создавать видеопрезентации своих исследований, это сильно поднимет вас среди других соискателей. С другой стороны, у работодателей тоже зачастую пока завышенные ожидания от Data Science в целом, а как следствие и от кандидатов. Поэтому полноценного соотношения «спрос-предложение» не выходит.
Практически все эксперты отметили недостаток грамотных специалистов на рынке и тот факт, что у компаний постоянно появляются новые требования к кандидатам в сфере Data Science. Поэтому желающим не отставать от темпов рынка стоит как можно больше вкладывать усилий в развитие себя как специалиста: самостоятельно читать учебные материалы, изучать кейсы и статьи практиков, участвовать в воркшопах, стажировках, проходить курсы. Все это позволит оставаться востребованным и получать достойную заработную плату.
Сколько получают специалисты разного уровня? Как повысить свою ценность в глазах работодателя? Где компании ищут себе сотрудников? На что HR смотрят в первую очередь при выборе кандидата?
Рынок труда в сфере DS быстро развивается. Только за два последних года мы обучили более 800 студентов по специализации Data Science, большинство из них работают на профильных позициях в российских и зарубежных компаниях. Всего у нас более 10 программ обучения по теме Data Science, но самые востребованные направления — это «Аналитик данных», «Аналитик BI», «Data Scientist» и «Машинное обучение».
У всех студентов разные цели: кто-то приходит кардинально поменять профессию, кто-то — вырасти на своей позиции и начать зарабатывать больше. Заработная плата, конечно же, одна из главных причин, почему желающих изучать Data Science становится всё больше.
Сколько платят на позиции Data Scientist
В июне 2019 года агентство New.HR выпустит большое исследование рынка аналитиков и Data Scientist, а пока Оксана Прутьянова, руководитель практики аналитики и Data Scientists в New.HR, согласилась поделиться данными по заработной плате в сфере и дать советы специалистам.Данные получены с помощью прямого опроса специалистов по Data Science. Учитываются показатели, полученные от респондентов, работающих в Москве. Цифры зарплат указаны после выплаты налогов, «на руки»:
Из чего складывается уровень дохода Data Scientist:
- общий опыт работы по специальности;
- глубина профессиональной экспертизы;
- образование в статусном и котируемом вузе. Например, сильных аналитиков готовят в МФТИ, МГУ, ИТМО;
- локация — в Москве денег больше. Но даже в регионах можно зарабатывать сопоставимые деньги. Например, в городах с сильной академической базой, таких как Новосибирск. Также на столичный уровень зарплаты можно рассчитывать, работая над проектом дистанционно;
- знание английского языка сильно расширяет возможности и позволяет состоять в мировом профессиональном сообществе. Следить за публикациями, учиться по программам лучших мировых вузов, рассматривать вакансии за рубежом, писать статьи на английском.
Как Data Scientist увеличить свою стоимость на рынке труда
Есть пункты, которые повышают ценность Data Scientist в глазах работодателя:
- Знание уникальной технологии. Когда специалист становится экспертом в узкой профессиональной области, например он крут в NLP — это увеличивает его стоимость на рынке.
- Опыт работы в развитой, хайповой сфере: всё что связано с компьютерным зрением, робототехникой, беспилотниками и так далее. Стоимость специалиста зависит от пересечения спроса рынка, общих трендов и знаний специфического, узкого сегмента.
- Разносторонний опыт. Некоторые работодатели рассматривают специалистов только из своей сферы, например, из банков. Но выигрывают те, кто смотрят шире и приглашают аналитиков из других областей. Потому что кандидат может привнести новое видение, применить неочевидные инструменты и подходы.
- Опыт создания собственного стартапа. Для работодателя это значит, что специалист может понимать поставленные задачи на уровне бизнеса.
- Участие в международных проектах. Можно получить грант или поучаствовать в конкурсе на Kaggle.
- Опыт работы в зарубежных компаниях. В иностранных компаниях приняты другие стандарты и подходы к бизнесу, и это ценится в российских компаниях.
Итого, можно выделить список советов для тех специалистов по работе с данными, которые стремятся зарабатывать больше. Большинство из них довольно универсальны и банальны — но тем не менее, они работают:
- Постоянно обучаться и точечно развивать свою экспертизу. Для этого важно следить за трендами рынка, чтобы прокачивать востребованные компетенции.
- Уметь разговаривать на языке бизнеса. Быть проактивным, понимать и доносить пользу своей работы руководителям.
- Формировать вокруг себя команду. Можно стать руководителем или тим-лидом небольшой команды либо учебного проекта. Опыт менеджерства на любом уровне востребован.
- Профессия Data Scientist очень востребована на рынке. Поэтому, есть и ленивый путь — просто переходить из компании в компанию. Так можно повышать уровень дохода на 20–30%. Но это возможно делать только до определенного уровня.
Что думают работодатели про Data Scientist
Мы поговорили с HR-менеджерами и руководителями направления аналитики в IT-компаниях и узнали, где они обычно ищут сотрудников себе в команду, а также на что смотрят в первую очередь при отборе кандидатов.
Александра Головина, руководитель it подбора «Авито»:
В Авито Data Scientist — это отдельная позиция, отличная от аналитика данных. Аналитики данных оценивают качество существующей функциональности или продукта и помогают принять решения об изменениях в них: разрабатывают и внедряют метрики, проверяют гипотезы, проводят A/B-тесты — выявляют основные узкие места, боли пользователей и продумывают, как их решить.
Data Scientist же отвечает за построение ML-моделей, которые помогают решить проблемы, уже найденные аналитиками данных: подготавливают данные, пишут прототипы, и т. д.
Обычно к нам приходит довольно много откликов на обе позиции, но, к сожалению, большинство резюме нерелевантны. По большей степени, люди не работали с алгоритмами, либо не владеют нужным нам стеком. Поэтому чаще всего мы ищем самостоятельно: по альтернативным источникам (например, соревнования) и по внутренним рекомендациям.
При выборе сотрудника смотрим на комплекс факторов: какие задачи решал кандидат, участвовал ли в каких-то проектах, как он хочет развиваться, и т. д. Также для нас важно, чтобы у кандидата было фундаментальное физико-математическое образование. Наши сотрудники пришли из разных сфер и компаний: от FMCG до профильных компаний-конкурентов, но всех объединяет одно: наличие фундаментального образования. Сам опыт работы также важен, но конкретная специфика компании в меньшей степени.
Наличие портфолио для нас не обязательно, но может сильно помочь кандидату при прохождении собеседований.
Для каждого подразделения у нас есть подготовленное тестовое задание, которое максимально приближено к будущим задачам сотрудника. Это win-win ситуация для всех: мы понимаем уровень кандидата, а кандидат в свою очередь узнает, чем именно ему предстоит заниматься.
Но если у человека есть портфолио и он готов прислать исходный код любого своего проекта на Python, который на его взгляд хорошо демонстрирует уровень владения языком, и готов пояснить любую часть кода, либо готов предоставить решение какого-либо конкурса, — техническое задание излишне.
Никита Пестров, Data Science Lead, Habidatum:
В Habidatum мы создаем продукты для анализа городских данных и клиентские проекты. Проекты требуют сбора данных, например, маршрутов общественного транспорта или объявлений о продаже недвижимости, и понимания, как их обработать. Этим, а также созданием отчётных материалов, поиском закономерностей и выводов обычно занимается аналитик данных. Data Scientist разрабатывает модели для этих проектов и внедряет часть из них совместно с Data Engineer в наши продукты и сервисы. Эти два человека работают в связке.
Каждый год для отбора новых сотрудников в аналитику мы проводим командные стажировки. В течение нескольких недель молодые специалисты из разных областей проводят исследование, пробуют настоящие задачи, с которыми мы сталкиваемся в компании. За это время нам удается понять сильные стороны человека и принять решение о продолжении работы с ним.
Мы никогда не брали аналитика или Data Scientist без предварительной работы с кандидатом в рамках стажировки.
Также мы проводим воркшопы и лекции на различные темы, после них мы получаем резюме от заинтересованных специалистов и с радостью их рассматриваем. Ну и конечно канал #jobs в сообществе Open Data Science — когда мы активно ищем человека на конкретную задачу.
Для молодых инновационных компаний знания и желание нового сотрудника развиваться в сфере деятельности компании (для нас это город) важнее его знаний в рамках конкретной должности. Поэтому при отборе кандидатов мы ищем в резюме человека интерес к городской проблематике, опыт командной работы и способность превращать сложные условия в простые модели. В резюме это можно увидеть по участию в релевантных конференциях, стажировках или проектах на интересные нам темы.
Вера Машкова, вице-президент по работе с персоналом группы компаний ABBYY:
В различных компаниях под позицией Data Scientist могут подразумеваться люди с разными задачами. У нас в основном работают сотрудники-универсалы, которые занимаются анализом данных и разработкой 50/50. Это необходимость нашего бизнеса.
В компании есть позиции Data Scientist, в том числе, в рамках большой стажерской программы, но мы не переводим их как «аналитик данных», речь скорее об «исследователях» в двух отделах перспективных исследований и разработок. Такие позиции мы называем чаще всего Junior Data Scientist (NLP).
Популярность направления Data Science сейчас растет. Рынок стал более развитым, многие вузы стали активнее преподавать науку о данных. Есть много дополнительных курсов. Все большее число кандидатов перепрофилируются.
Самая большая внешняя площадка для рекрутмента — HeadHunter. Кроме этого, мы с радостью трудоустраиваем ребят с двух наших кафедр в МФТИ. Есть хорошие и структурированные резюме, но не все кандидаты умеют описывать свой опыт. Чтобы помочь в этом начинающим специалистам, мы проводим встречи по развитию карьеры для студентов НИУ ВШЭ и МФТИ.
Также у нас развита реферальная программа внутри компании: коллеги советуют своих знакомых в качестве кандидатов на открытые позиции — так мы нередко получаем очень хорошие рекомендации.
При выборе сотрудника мы в первую очередь обращаем внимание на базовое образование: какой вуз и по какому направлению человек окончил, либо оканчивает.
Если у кандидата непрофильное (например, гуманитарное) образование, он с высокой долей вероятности не сможет справиться со своими задачами. Наиболее важна для нас готовность обучаться, готовность к самостоятельным исследованиям, если мы говорим именно о командах перспективных исследований и разработок.
Важно быть готовым привносить новые идеи.
Если человек занимается научной деятельностью, это, конечно же, плюс. Портфолио для нас не обязательно, если человек приходит на позицию junior-специалиста.
Алексей Кузьмин, директор разработки, руководитель DS-направления в ДомКлик:
В ДомКлик мы не разделяем позиции Data Scientist и аналитика данных. У нас явно выделена другая роль — аналитик/бизнес-аналитик. Его основная задача — построение бизнес-отчетности. Data Scientist занимается построением моделей и получением инсайтов из данных на основе машинного обучения. Зона ответственности аналитика данных проходит примерно посередине, поэтому и задачи делятся примерно пополам. Часть отдается стриму «бизнес-аналитика», часть — направлению Data Science.
По моему мнению, рынок труда в сфере Data Science сейчас сильно перегрет — высокий спрос при малом количестве действительно грамотных специалистов. Поэтому при поиске мы используем либо тематические сообщества и группы, либо стараемся активно использовать внутренние рекомендации.
При выборе кандидата в первую очередь смотрим на предыдущие места работы и задачи. Наличие портфолио не обязательно, но приветствуется, так как помогает понять, какие задачи соискатель решал раньше и каким опытом он может усилить нашу команду. Перед нами стоит очень широкий спектр задач (от компьютерного зрения до обработки текстов и звуковых сигналов) и компетенции нам также нужны самые разные.
Мы стараемся изучать все присылаемые резюме, единственное табу — когда человек, откликнувшийся на позицию Data Scientist, не имеет ни одной строчки в резюме с навыками в Data Science. В таком случае не очень понятно, на что рассчитывает человек, так как даже специалист без опыта хоть какое-то обучение в сфере должен был проходить.
Дмитрий Малков, project manager в компании Data Monsters, руководитель образовательных и научных проектов Лаборатории бизнес-решений на основе Искусственного Интеллекта МФТИ:
В нашей компании позиция Data Scientist требует знаний математики и Python, в то время как аналитик данных может иметь гуманитарное образование. Например, у нас есть ряд проектов с профессиональными историками по экономической статистике. От аналитика требуется ручная работа с данными и более глубокое погружение в предметную область.
Мы уделяем большое внимание подготовке кадров себе на смену с юных лет: проводим курсы для старшеклассников физмат школ, работаем со студентами вузов. Результатов приходится ждать долго, но они себя оправдывают — так формируются по-настоящему «наши» люди. Что касается опытных дорогих сотрудников, то тут мы подходим тщательно. Просто разместить вакансию и отбирать откликнувшихся недостаточно. К счастью, среди выпускников МФТИ есть много зрелых специалистов.
Мы отмечаем, что в последние несколько лет все больше людей, не только физтехи, заинтересованы в карьере на пересечении науки и бизнеса, а у нас широкий простор для такой работы и интересные международные проекты.
При отборе кандидатов мы стараемся брать людей по личной рекомендации.
Обращаем внимание на предыдущий опыт работы и близость человека к нам по духу.
Ну и хорошо, если кроме математики у человека есть предметные знания.
Нас настораживают кандидаты, которые прыгают из одной компании в другую и работают на непонятных должностях. Например, сейчас направление machine learning на пике популярности, но мы отсеиваем тех, кто приходит в профессию из-за хайпа. В прошлом году они blockchain делали, в этом занимаются AI. Для науки все-таки нужен многолетний труд и соответствующий кругозор.
Максим Чикуров, эксперт направления Data Science в Нетологии и руководитель команды аналитики в крупным российском банке, считает, что несмотря на развитие рынок труда в сфере Data Science, его нельзя назвать очень динамичным:
В банковской сфере, по моему мнению, Data Science менее актуален, чем анализ данных.
Особенность сферы сейчас — большое количество желающих «войти в профессию». Таким соискателям требуется креативный подход т. к. резюме с заголовком Data Scientist, но без релевантного опыта выглядят малоинтересно. Я советую, например, создавать видеопрезентации своих исследований, это сильно поднимет вас среди других соискателей. С другой стороны, у работодателей тоже зачастую пока завышенные ожидания от Data Science в целом, а как следствие и от кандидатов. Поэтому полноценного соотношения «спрос-предложение» не выходит.
Практически все эксперты отметили недостаток грамотных специалистов на рынке и тот факт, что у компаний постоянно появляются новые требования к кандидатам в сфере Data Science. Поэтому желающим не отставать от темпов рынка стоит как можно больше вкладывать усилий в развитие себя как специалиста: самостоятельно читать учебные материалы, изучать кейсы и статьи практиков, участвовать в воркшопах, стажировках, проходить курсы. Все это позволит оставаться востребованным и получать достойную заработную плату.
От редакции
- профессия «Data Scientist»
- профессия «Аналитик данных»
- онлайн-курс «Python для работы с данными»
- онлайн-курс «Power BI & Excel PRO»
Также ждем всех, кому интересна сфера Data Science на митапе «Карьера в Data Science для начинающих» 11 августа в Москве (будет также трансляция)
