AnalitykaPracaPolecane tematy
Szukasz atrakcyjnej pracy w IT? Sprawdź co musisz umieć, aby pracować jako Data Scientist
Analityka coraz częściej wspiera użytkowników biznesowych w podejmowaniu strategicznych decyzji, zaś firmie pozwala nadążyć za dynamicznie zmieniającym się otoczeniem i zdobyć konkurencyjną przewagę. Z tego powodu zainteresowanie firm specjalistami w tej dziedzinie rośnie, a osoby na stanowiskach Data Scientist mogą liczyć na atrakcyjne oferty pracy. Jakie kompetencje są potrzebne na tym stanowisku? Jakich umiejętności oczekują pracodawcy od kandydatów? Podsumujmy.
Umiejętność obsługi nowoczesnych systemów analityki biznesowej na potrzeby sprawnej interpretacji danych pod kątem oceny sytuacji rynkowej czy preferencji konsumentów ogrywa coraz większą rolę w kontekście wielu procesów biznesowych typowych dla dzisiejszych organizacji biznesowych. Firmy gromadzą dziś coraz większe ilości danych biznesowych. Coraz szersze są też obszary potencjalnego wykorzystania wiedzy zapisanej w danych.
Kluczową umiejętnością Data Scientist jest umiejętność programowania. Językami, które wiodą prym w tej dziedzinie jest R i Python wraz z bibliotekami Numpy i Pandas. Ze względu na częstą pracę z bazami danych niezbędna staje się też umiejętność praktycznego wykorzystania zapytań SQL. Ważna jest również znajomość technologii typowych dla przetwarzania Big Data, na przykład platformy Apache Hadoop i narzędzi pokrewnych – Impala, Hive, Spark.
Niezbędne stają się dziś osoby, które dysponują kompetencjami z zakresu biznesowego wykorzystania analityki Big Data. Praca badacza danych (Data Scientist) polega na opracowaniu takich metod czy mechanizmów przetwarzania oraz analizy danych, by wspomagały realizację wyznaczonych przez organizację celów biznesowych. Rola osoby na stanowisku związanym z data science wiąże się zatem z umiejętnością programowania, zastosowania technik analitycznych takich jak uczenie maszynowe, uczenie pogłębione czy analiza tekstu oraz znajomością zagadnień z zakresu matematyki i statystyki. Ważna jest również znajomość raportowania i wizualizacji danych. Podsumujmy zatem jakimi umiejętnościami powinny dysponować osoby starające się o pracę na stanowisku Data Scientist, jak je uzyskać, a także – jakich pytań można spodziewać się na rozmowie kwalifikacyjnej.
Jakie kompetencje powinien posiadać Data Scientist?
Kluczową umiejętnością Data Scientist jest umiejętność programowania. Językami, które wiodą prym w tej dziedzinie jest R i Python wraz z bibliotekami Numpy i Pandas. Ze względu na częstą pracę z bazami danych niezbędna staje się też umiejętność praktycznego wykorzystania zapytań SQL. Ważna jest również znajomość technologii typowych dla przetwarzania Big Data, na przykład platformy Apache Hadoop i narzędzi pokrewnych – Impala, Hive, Spark.
W kontekście przetwarzania zbiorów Big Data bardzo popularny staje się model przetwarzania danych oparty na chmurze obliczeniowej, a co za tym idzie – wśród pracodawców rośnie zainteresowanie tymi pracownikami, którzy dysponują wiedzą niezbędną do sprawnego wykorzystania możliwości najpopularniejszych platform chmury publicznej – szczególnie Amazon Web Services, Google Cloud, czy Microsoft Azure – na potrzeby zaawansowanej analityki dużych zbiorów danych.
Kompetencje Data Scientist są unikatowe i przekładają się na realne korzyści biznesowe. Przyszłościowy charakter tej profesji potwierdza raport serwisu LinkedIn, według którego badacz danych będzie najbardziej pożądanym zawodem w USA w 2019 roku. Data Scientist to nie tylko możliwość rozwoju umiejętności twardych i miękkich, lecz także satysfakcjonujące wynagrodzenie i szansa na poszerzanie swoich zawodowych horyzontów.
Gdzie zdobyć odpowiednie kompetencje?
Specjalności z obszaru Big Data czy Data Science są dziś dostępne na kilku uczelniach w Polsce, na przykład na Politechnice Warszawskiej, w Szkole Głównej Handlowej, w Szkole Głównej Gospodarstwa Wiejskiego czy na Uniwersytecie Ekonomicznym we Wrocławiu.
Rola osoby na stanowisku związanym z data science wiąże się zatem z umiejętnością programowania, zastosowania technik analitycznych takich jak uczenie maszynowe, uczenie pogłębione czy analiza tekstu oraz znajomością zagadnień z zakresu matematyki i statystyki. Ważna jest również znajomość raportowania i wizualizacji danych.
W Internecie znaleźć można również szeroki wybór bezpłatnych kursów on-line o różnym stopniu zaawansowania. Wśród najpopularniejszych wymieniane są Coursera, EdX i Udacity. Na tych platformach można uzyskać bezpłatny dostęp do większości materiałów. Płatne jest natomiast uzyskanie certyfikatu potwierdzającego ukończenie kursu.
W ramach usystematyzowania wiedzy z dziedziny Data Science warto również skorzystać z portalu kaggle.com, który znany jest m.in. z licznych konkursów dotyczących analityki danych, a zarazem pełni rolę platformy wymiany doświadczeń dla specjalistów z zakresu inżynierii danych. Ciekawe i merytoryczne filmy znajdziemy również w serwisie YouTube. Potencjalnie warto też sięgnąć do treści na forach specjalistycznych, na przykład StackOverflow.
Jak istotny jest samodzielny rozwój?
Osoba zajmująca się obszarem Data Science powinna poświęcić dużo czasu na samodzielny rozwój kompetencji. Od pracowników na tego typu stanowiskach wymagana jest zdolność ustawicznego uczenia się i adaptacji do zmieniających się warunków pracy. Umiejętności, które warto rozwijać w domu, dotyczą między innymi programowania, statystyki czy matematyki.
Istotne jest również doświadczenie, które okazuje się niezbędne, aby wykorzystać poznane wcześniej narzędzia i technologie do rozwiązywania konkretnych problemów biznesowych. Można bowiem poznać narzędzia i technologie we własnym zakresie, ale dla potencjalnych pracodawców kluczowa jest umiejętność wyciągania wniosków z dostępnych danych, a więc nabycie umiejętności przełożenia wiedzy technicznej na korzyści biznesowe.
Kompetencje miękkie, czyli kto odnajdzie się w tym zawodzie?
W kontekście biznesowych oczekiwań względem specjalistów na stanowiskach Data Scientist szczególnie cenioną umiejętnością jest zrozumienie potrzeb biznesu i przekazywania wiedzy w sposób zrozumiały dla użytkowników biznesowych. Istotne jest również, by stworzone rozwiązanie stanowiło jednocześnie odpowiedź na problem biznesowy, a nie pełniło jedynie roli prototypu. Pracodawcy cenią u kandydatów także skrupulatność i dociekliwość w poszukiwaniu rozwiązań. Nie sposób też posiąść wiedzę na temat wszystkich algorytmów i metod analitycznych, dlatego konieczne są kreatywność i determinacja w szukaniu nowych możliwości i sprawdzanie ich dopasowania do określonego celu.
Co podkreślić w CV?
Profil w serwisie LinkedIn oraz CV to wizytówka kandydata – nie tylko ubiegającego się o pracę na stanowisku Data Scientist. Informacje, które tam publikujemy powinny być konkretne i prawdziwe. Jednocześnie, prawidłowe CV nie powinno zawierać więcej niż dwie strony.
Warto również pamiętać o dopasowaniu CV do oferty pracy. Skupienie się na szczegółach ról niezwiązanych z aplikowanym stanowiskiem może negatywnie wpłynąć na efekt końcowy procesu rekrutacji. Natomiast większą wartość wniesie podsumowanie, w którym kandydat w kilku zdaniach opisze, jakie umiejętności posiada i jaki obrał cel zawodowy. W CV lub na naszym profilu w serwisie LinkedIn nie powinno również zabraknąć informacji dotyczących dotychczasowego doświadczenia zawodowego – pełnionych ról, zakresu obowiązków, znajomości języków obcych, narzędzi i technologii.
Co podkreślić w rozmowie kwalifikacyjnej?
Z rekruterem warto podzielić się przede wszystkim informacją o zrealizowanych dotąd projektach – tak, aby pokazać swoje kompetencje w praktyce. Jeżeli kandydat nie ma jeszcze odpowiedniego komercyjnego doświadczenia, warto stworzyć portfolio, które zawiera listę samodzielnie zrealizowanych projektów. Pomysłu na własny projekt, a także danych niezbędnych do jego realizacji warto szukać na różnych serwisach internetowych. Możemy skorzystać się z platformy kaggle.com, gdzie są zaprezentowane realne problemy biznesowe, z którymi może spotkać się badacz danych w swojej codziennej pracy. To tematy zgłaszane zarówno przez niewielkie firmy, jak i duże korporacje. Organizacje przedstawiają tam problem biznesowy i proponują atrakcyjne wynagrodzenie dla osoby, która stworzy najlepszy algorytm lub znajdzie rozwiązanie odpowiadające potrzebom biznesu. Stanowią one prawdziwą kopalnię informacji, źródło pomysłów na własne projekty oraz możliwość wymiany doświadczeń i uczenia się od innych.
Czego spodziewać się na rozmowie kwalifikacyjnej?
Najczęściej zadawane pytania dotyczą realizowanych projektów, zainteresowań oraz preferowanych kierunków rozwoju. Kandydat może usłyszeć również pytania o kwestie techniczne. Pracodawcy, aby sprawdzić umiejętności praktyczne, mogą poprosić potencjalnego pracownika o rozwiązanie zadania typu design task. Pozwoli ono również sprawdzić jego umiejętność zaprojektowania systemu jako całości, przy okazji weryfikując znajomość różnych typów baz danych. Niekiedy rekruterzy stosują coding task do wykonania w domu, który można samodzielnie ćwiczyć na różnych platformach typu HackerRank.
Alina Yanchenko, IT Talent Acquisition Professional w agencji rekrutacyjnej Experis