Наука о данных умирала 7 месяцев назад?
Это тоже умирало 2 года назад.
И умер 3 года назад.
И надо ли говорить, что оно умирало еще 5 лет назад.
Однако, насколько я понимаю, это определенно не так. Люди по-прежнему находят работу в качестве специалистов по данным.
Я имею в виду, что в своей коучинговой программе я буквально помогаю людям делать это каждую неделю.
Итак, что же происходит?
Итак, в этой статье я хочу объяснить:
- Как выглядит текущий рынок данных
- Что на самом деле значит быть специалистом по данным
- И что вам следует сделать, чтобы получить работу в нынешних условиях?
Давайте присоединимся!
Перспективы рынка
Как многие из вас, возможно, знают, в 2022 и 2023 годах происходили значительные увольнения: только в январе 2023 года было уволено около 90 000 технических работников.
На самом деле, ситуация была настолько серьезной, что TechCrunch даже создал архив всех увольнений, произошедших за этот период!
Однако, согласно исследованию 365DataScience, эти увольнения не повлияли на работу с данными; Он обнаружил, что:
Интересно, что самая большая группа уволенных работников в нашей выборке не имела технических должностей – 27,8% работали в сфере HR и поиска талантовТогда как инженер-программист занял второе место с 22,1%. За ними следуют сотрудники отдела маркетинга с 7,1%, службы поддержки клиентов с 4,6%, PR, коммуникаций и стратегии с 4,4% и т.д.
Например, только 2,7% людей, уволенных из Amazon за этот период, имели звание специалиста по обработке данных.
Согласно другому исследованию:
Количество объявлений о вакансиях в области науки о данных увеличилось на 130% по сравнению с прошлым годом после достижения рекордно низкого уровня в июле 2023 года, а количество вакансий аналитиков данных увеличилось на 63% за тот же период.
И мы также видим, что зарплаты в сфере обработки данных в целом с годами растут.
Итак, ясно, что наука о данных ни в коем случае не исчезнет; Во всяком случае, оно увеличивается.
Однако почему сейчас так сложно получить работу специалиста по данным, особенно на начальном и младшем уровнях?
Чтобы объяснить это, нам нужно взглянуть на цифры и по-настоящему понять, что такое современный специалист по данным.
развитие науки о данных
Как инсайдер в этой области, позвольте мне открыть вам секрет.
Наука о данных не уходит; Оно развивается.
10 лет назад компании наняли специалистов по обработке данных, чтобы они поработали с моделями машинного обучения в блокнотах Jupyter.
Фактически, это именно то, чем была моя первая работа в области науки о данных.
Раньше специалист по данным был похож на швейцарский армейский нож: от человека требовалось делать все: от очистки данных до построения моделей и представления их генеральному директору.
Однако со временем компании поняли, что эта стратегия не приносит никакой отдачи от инвестиций, поэтому они стали более строго относиться к ролям и обязанностям, чтобы не тратить деньги зря.
Это фрагментировало работу по науке о данных и сделало название бессмысленным, поскольку в разных компаниях ученые, занимающиеся данными, занимаются совершенно разными вещами.
В целом сегодня существует три типа специалистов по данным.
аналитик
Этот тип специалиста по данным тесно связан с бизнесом и фокусируется в первую очередь на отчетах о рабочих процессах и экспериментах.
Например, вы бы сделали это:
- Получите данные из базы данных компании или других источников.
- Напишите некоторый код, который будет очень линейным и специфичным по своей природе, начните с приема данных, немного очистите их, затем проведите EDA и некоторую работу по прогнозированию или базовому моделированию.
- После завершения вы создаете отчет, в котором подробно описан анализ, представлены визуализации и другие показатели, а также предлагаются рекомендации, основанные на целях анализа.
Этот тип специалиста по данным больше похож на аналитика данных и обычно требует большего знания предметной области бизнеса.
Инженерное дело
Этот тип специалиста по данным фокусируется на создании и внедрении решений. Это могут быть самые разные вещи, например:
- внутренние программные инструменты
- Модели машинного обучения, которые помогают принимать решения
- строительство библиотек
Эта роль больше ориентирована на разработку программного обеспечения, но, в отличие от инженера-программиста, она требует больше знаний в области математики, машинного обучения и статистики.
В настоящее время этот тип работы вышел за рамки названия «специалист по данным» и теперь называется инженером по машинному обучению.
Это не позиция начального уровня, и обычно сначала требуется 2–3 года опыта работы на смежной должности, например, инженера-программиста или аналитика. Многим выпускникам и людям с меньшим опытом будет сложно занять эту конкретную позицию в области науки о данных.
инфраструктура
Этот тип специалиста по данным является самым редким, главным образом потому, что у него есть собственное звание: инженер данных.
Целью этой роли является создание инфраструктуры данных и конвейеров для размещения бизнес-данных. Эти данные затем используются инженерами машинного обучения, аналитиками и даже нетехническими заинтересованными сторонами.
Эта роль становится все более важной, особенно в последние годы с появлением генеративного искусственного интеллекта, который требует способности эффективно хранить большие объемы данных и передавать их с низкой задержкой.
В некоторых компаниях вы также можете быть инженером-аналитиком, который в большей степени ориентирован на бизнес-инженер данных.
Я знаю, столько титулов, что трудно угнаться!
младший против старшего
Исследование, опубликованное в сентябре 2025 года, вызывает настоящий переполох в области данных и машинного обучения.
В исследовании было изучено 285 000 компаний в период с 2015 по 2025 год и показано, как внедрение GenAI повлияло на их процессы подбора персонала на младшие и старшие должности.
Примечание. Это относится ко всем вакансиям в этих компаниях, а не только к вакансиям специалиста по данным.
На графике ниже вы можете видеть, что набор на руководящие должности по-прежнему растет, а набор на младшие должности снижается.
Это имеет интуитивный смысл, поскольку обязанности младших сотрудников легче автоматизировать с помощью ИИ, чем обязанности пожилых людей, благодаря опыту, накопленному с годами.
Однако я хочу уточнить, что компании не сокращают юниоров, и на рынке больше не осталось младших должностей.
Большинство людей посмотрят на этот график и подумают, что рынок младшей обработки данных исчезает. Но объективно это не так.
Назначения продолжаются, но количество назначений на новые должности не увеличивается. Кривая предложения остается неизменной, а спрос остается высоким.
Вот почему в наши дни так сложно получить работу начального уровня.
Что ты можешь сделать?
Позвольте мне быть честным: заниматься наукой о данных становится все более конкурентоспособным, но это не невозможно.
Прошли те времена, когда все, что вам было нужно, это базовые знания Python и SQL, а также курс машинного обучения Эндрю Нга.
Сегодня это вещи, которые есть у каждого, поэтому вам нужно приложить дополнительные усилия и выделиться больше, чем когда-либо.
Есть много способов сделать это, например, вы освоите и специализируетесь в какой-то технической области, такой как:
- ГенАИ
- развертывание модели
- прогнозирование временных рядов
- система рекомендаций
- Специализированная экспертиза
Эксперты, возможно, становятся более важными, поскольку знания все больше демократизируются с помощью ИИ. Наличие глубокого опыта в наши дни почти редкость.
Другой вариант — перейти на должность более низкого уровня, например роль бизнес-аналитика или аналитика данных, которая больше подходит для должностей младшего и начального уровня, а затем постепенно продвигаться до должности специалиста по данным с полной занятостью.
Вам также следует сосредоточиться на областях, которые ИИ не может заменить:
- Эффективное общение с различной аудиторией
- Понимание влияния вашей работы на бизнес
- Критическое мышление и знание того, какую проблему решить
- Сильные основы математики и статистики
- Отношения и сети
Это вечные навыки, особенно терминальные навыки.
Вы наверняка слышали такую поговорку:
Важно не то, что ты знаешь, а то, кого ты знаешь
Я действительно не согласен с этим.
настоящая сила заключена внутри кто тебя знает.
Если у вас есть прочная сеть связей и отношения со многими людьми в этом районе, которые ценят вас и доверяют вам, вы можете использовать это для получения рекомендаций, возможностей или даже дальнейшего расширения своей сети.
Леверидж, который он предоставляет, невероятен. Я всегда говорю своим клиентам по коучингу, что рекомендации и сети на самом деле являются золотым билетом для получения высококлассной работы в области науки о данных.
И нужно просто приложить усилия и выйти из зоны комфорта, чтобы поговорить с людьми, с которыми вы хотите общаться.
Технологии будут приходить и уходить, но настоящие человеческие отношения останутся в центре всей вашей карьеры.
Правда в том, что вам, как специалисту по данным, придется заново изобретать себя каждые 3–5 лет, потому что технологии меняются очень быстро.
поэтому я спрашиваю «Наука о данных умирает?». Я упускаю суть.
Наука о данных всегда технологически умирает, поскольку она постоянно развивается и меняется.
Но именно это делает его захватывающим.
И если вы готовы усовершенствовать свои навыки и приложить больше усилий, чем другие, вы будете щедро вознаграждены.
Если после прочтения этой статьи вы готовы заняться наукой о данных, это отличный первый шаг.
Но вот реальность: я работаю в этой области пять лет и, оглядываясь назад, понимаю, что весь свой первый год я занимался вещами, которые были пустой тратой времени. На сегодняшнем гиперконкурентном рынке вы не можете позволить себе роскошь метода проб и ошибок.
Чтобы избежать моих ошибок и ускорить ваш прогресс, ознакомьтесь с этим руководством, где я подробно объясняю, как мне снова стать специалистом по данным.
Еще одна вещь!
Подпишитесь на мою бесплатную рассылку, где я еженедельно делюсь советами, идеями и советами, основанными на моем опыте практикующего специалиста по данным и инженера по машинному обучению. Кроме того, как подписчик, вы получите моюБесплатные шаблоны резюме!
уничтожить данные
Еженедельные электронные письма, которые помогут вам получить первую работу в области науки о данных или машинного обучения.информационный бюллетень.egorhowell.com
