ИТ для нового стиля бизнеса
отмена
Отображаются результаты для 
Вместо этого искать 
Вы имели в виду: 

Становимся специалистами по обработке и анализу данных: дорожная карта построения карьеры

HPE_Russia

GettyImages-755650737_800_0_72_RGB.jpg

Не секрет, что работа в сфере обработки и анализа данных является перспективным направлением карьеры. Специалисты этой сферы востребованы, заработные платы привлекательны, а сама работа интересна. Ну и как же попасть в эту профессию?

Скорее всего, Вилли Саттон (американский банковский грабитель 20-го века) и не произносил фразу о том, что он грабил банки «потому что там находятся деньги», но его мысль довольно ясна: найдите наиболее выгодный источник реализации ваших возможностей.

Если ваша карьера в ИТ находится в застое, вы, скорее всего, соблазнитесь более финансово выгодным карьерным поворотом. На сегодняшний день открыто множество карьерных возможностей в сфере науки о данных (data science). Вот что вам нужно, чтобы сменить карьерный путь.

Оцените статистику

Каждый раз, когда вы меняете направление своей карьеры, удостоверьтесь, что выбранное направление соответствует показателям растущей сферы: больше доступных вакансий вкупе с более интересной работой, значимыми результатами и в идеале более высокой заработной платой. Все перечисленное в полной мере относится к профессиям в сфере работы с данными.

Согласно отчету IEEE Spectrum, количество открытых вакансий для специалистов по обработке и анализу данных растёт быстрее, чем количество заинтересованных соискателей. Цитируя исследование сайта по поиску работы Indeed, «Предложения о работе для специалистов по обработке и анализу данных по отношению ко всем предложениям составили до 29% в декабре 2018 по сравнению с декабрём 2017 года, в то время как поисковые запросы были всего на уровне 14%».

Компании продолжают поиски специалистов. Множество компаний сталкиваются с недостатком соискателей, обладающих навыками работы с данными: «недостаток навыков в сфере data science существует в практически каждом крупном городе США», говорится в отчете LinkedIn «2018 LinkedIn Workforce Report». «На национальном уровне нам недостаёт 151 717 специалистов, обладающих навыками по работе с данными, с наиболее острой нехваткой в городах Нью-Йорк (34 032 человека), заливе Сан-Франциско (31 798 человек) и Лос-Анджелесе (12,251 человек)». И потребность в специалистах становится все более насущной: в списке наиболее перспективных профессий LinkedIn (Most Promising Jobs of 2019) профессия специалиста по обработке и анализу данных стоит на вершине с медианным базовым окладом в $130 000.

Что значит «data science»?

Хотя карьера специалиста по обработке и анализу данных безусловно привлекательна, существует множество смежных специальностей.

«Если бы кто-то подошёл ко мне и попросил совет, мой первый вопрос звучал бы так: «Что такое по вашему мнению наука о данных, и как вы представляете себе вашу идеальную работу?» – говорит Карли, специалист по обработке и анализу данных. – До сих пор не существует общепринятого определения науки о данных, и её роль существенно разнится от организации к организации. Меж тем общественное восприятие деятельности специалиста по обработке и анализу данных в большинстве случаев заметно отличается от реальности». Профессия может быть сосредоточена вокруг машинного обучения, продуктовой аналитики или же традиционной статистики, и все эти направления существенно различаются, добавляет Карли.

Если вы не уверены в своих знаниях o data science, не думайте, что дело в вашей неосведомлённости. Даже профессионалы спорят о том, что входит и что не входит в эту сферу. Тем не менее согласно словам одного профессионала, приведённым в статье Harvard Business Review под названием «Что в действительности делают специалисты по обработке и анализу данных по словам 35 специалистов по обработке и анализу данных», науку о данных можно классифицировать по трём направлениям: бизнес-анализ, который в сущности представляет собой «получение данных, которые есть у компании, и представление их перед лицом нужных людей» в виде специальных таблиц, отчётов и электронных сообщений; наука о принятии решений, заключающаяся в «получении и использовании данных для помощи компании в принятии решений»; и машинное обучение, которое отвечает на вопрос «как мы можем взять модели по работе и анализу данных и непрерывно внедрять их в производство».

Какое из этих направлений нравится вам больше всего?

К примеру, специалист по обработке и анализу данных Бейли Карл подчёркивает ценность структурирования данных. «Подготовка данных включает в себя множество шагов, начиная от перевода кодов определённых систем для обеспечения пригодности данных к дальнейшему использованию и заканчивая работой над ошибочными или неполными данными», – говорит Карл. Это значит, что спрос на квалифицированных специалистов, способных исключить некорректные данные и упорядочить их для получения ценных инсайтов, сохранится.

Рекомендации, меняющие карьеру 

Существуют несколько практик, которые следует взять на вооружение каждому ИТ-профессионалу, желающему попробовать себя в новой сфере. К примеру, прочтите «ожидаемые» книги. Также поищите онлайн-тренинги, особенно на LinkedIn Learning. Среди онлайн-курсов подходящим является курс Массачусетского технологического института «Матричные методы для анализа данных, обработка сигналов и машинное обучение». Также существуют и другие учебные программы.

В качестве альтернативы, по словам карьерного консультанта Эбони Джонсон, «ищите (возможности) на LinkedIn или внутри вашего круга профессиональных и личных знакомств в этой сфере. Попросите о встрече и проведении ознакомительного интервью, чтобы изучить, что требуется на этой работе».

Ищите встречи на тему науки о данных в вашем городе или посетите профильную конференцию. В дополнение к возможности научиться у практиков, вы получаете возможность завести друзей, что благотворно скажется на качестве вашего личного профессионального круга знакомств. Ваши новые друзья могут быть настолько впечатлены вашим энтузиазмом к изучению предмета, что попросят копию вашего резюме и отдадут его в руки рекрутёра. (Не воспринимайте это как сомнительный совет. Так я получил свою первую профессиональную работу в сфере программирования.)

Укрепите ваши знания. К примеру, специалист, работающий в банковских ИТ, скорее всего уже обладает опытом работы с базами данных, а также знаниями в сфере финтех. Один опытный специалист по обработке и анализу данных предлагает следующее: «Если у вас есть какие-то познания в анализе данных и статистике, полученные во время обучения, вы можете претендовать на позицию аналитика, работая с одними и теми же базами данных и в одной и той же индустрии. С опытом работы с базами данных вы также сможете расти в этом направлении: смотрите в сторону позиций администратора баз данных или дата-инженера».

Ещё один (более интровертный) способ – получите необходимые навыки. Хелена Гуут, количественный аналитик, работающий в сфере здравоохранения, рекомендует обратить внимание на требования в описании вакансии, которым вы ещё (пока) не соответствуете. Когда вы увидите вакансию, которая вам понравится, оцените требования вакансии и попытайтесь сделать так, чтобы ваши навыки соответствовали требуемым.

Итак, какие навыки нужны?

Сложно определить список навыков и технологических компетенций, который необходим к освоению для каждого соискателя перед началом поиска работы, поскольку само понятие «наука о данных» ещё окончательно не определено. Тем не менее некоторые базовые знания в сфере данных и аналитики обязательны. К примеру, по словам Карли, «свободное владение SQL – требование для большинства позиций в data science в настоящий момент».

Знания в математике также обязательны, по крайней мере для более «технических» позиций. «Наука о данных – возвышенная статистика с существенной примесью линейной алгебры и с языком программирования R или Python вместо SPSS (или похожих)», – говорит Исак Артци, доцент компьютерных наук в университете Grand Canyon. – Поэтому специалист с опытом в программировании сначала должен изучить фундаментальную статистику, в особенности линейную регрессию. Это должно подкрепляться фундаментальной линейной алгеброй, сфокусированной на векторах и матрицах. Машинное обучение и нейросети – всего лишь модные слова, заменяющие линейную регрессию и матричную алгебру».

«Изучайте машинное обучение, нейросети, программное обеспечение для работы с большими данными, – добавляет Готи. –  Учите Python и R». 

Python и R часто рекомендуются к изучению. К счастью, Python относится к наиболее популярным языкам программирования сегодня, скорее всего, вы уже с ним знакомы. «В наиболее современной науке о данных используется Python, в особенности Jupyter Notebooks для тестирования и анализа данных, поэтому вам следует знать, как использовать их эффективно, – сказал аналитик по имени Зак. – Хорошим базисом станут NumPy, SciPy, Matplotlib, и Scikit-learn также крайне полезен».

Готовы поменять работу?

Отправной точкой для желающих сменить карьерный путь могут стать небольшие компании. Они заинтересованы в аналитике данных и могут предоставить возможность использования широкого спектра инструментов для их анализа. «Специалистам по обработке и анализу данных начального уровня отдаётся предпочтение в небольших компаниях и стартапах в основном за счёт того, что соискатели приходят с широким спектром навыков, что благоприятно для небольших компаний, – говорит Карл. – Процесс найма в небольших компаниях также более быстрый в сравнении с крупными организациями». 

В качестве альтернативы Карл предлагает разделить смену карьерного направления на несколько этапов, на первоначальном этапе претендуя только на позиции, не подразумевающие полного погружения в аналитику данных.

Ключевые выводы

• Отыщите работу своей мечты, определите навыки, которых вам недостаёт, затем освойте их.

• Добавляйте новые знания к уже существующим. Ваши навыки в бизнес-среде или иные технические знания пригодятся на вашей новой работе в сфере обработки и анализа данных.

• Откликайтесь на вакансии небольших компаний вместо крупных. Небольшие компании менее строги в требованиях к позиции, а также у вас будет шанс освоить более широкий набор навыков.

Полная версия статьи доступна по ссылке.

0 баллов
Об авторе

HPE_Russia