Вместо визитки

Рустам специализируется на data-инжиниринге, много работает с базами данных, создает коннекторы к различным API, делает витрины данных и строит визуализации в различных BI-системах. Для того, чтобы прийти к мечте и стать экспертом в области аналитики, прошел профильные курсы, освоил  Python, углубил знания в SQL, погрузился в специфику различных баз данных и изучил Data Science.Самостоятельно разобрался в различных дополнительных инструментах data-инженера: Prefect, AirFlow, DBT и других. Сейчас Рустам сам преподает Python, SQL, аналитику данных и берет заказы от бизнеса. В ближайшее время планирует  запустить агентство бизнес-аналитики.

Вопрос 1: Определяющий фактор при приеме на работу

Редакция. Мы уже говорили о том, что стать аналитиком данных может кто угодно, если к цифрам и исследованиям лежит сердце. Но правда ли, что сейчас компании смотрят не дипломную корочку, а на опыт – если ты владеешь нужными инструменты и тебе есть чем похвастаться в портфолио, то тебя точно могут нанять на позицию джуна?

Рустам. Конечно же, бывают случаи, когда диплом и даже оценки в нем являются определяющими. Некоторым компаниям это принципиально важно. Но часто практика показывает обратное: на работу устраивается человек с прекрасным высшим образованием, но в силу малого опыта и неимения кейсов не вытягивает должность и задачи, которые перед ним стоят. Поэтому наличие корочки для этой области далеко не показатель грейда.

Представь, что ты решил идти в науку, а у тебя совершенно нет никакого опыта за плечами, кроме учебы в престижном вузе. В этом случае несмотря на твои оценки, успешные тесты и блестящее знание теории путь от «джуна» потом до «мидла» и «сеньора» тебе предстоит долгий.

  • При этом помним, что уровень специалиста не обязательно определяется многолетним опытом работы: «джун» вполне может быть старше «сеньора» — это все в конечном итоге сводится к профессиональным навыкам и кейсам.

В большинстве же случаев в IT-сфере диплом является вторичным фактором. Важнее что ты сделал сам, насколько ты активен и самостоятелен в обучении и саморазвитии. Вот почему важно еще на этапе обучения не бояться брать на практику любые кейсы и проекты. Во время курсов важно сосредоточиться на своем портфолио — именно оно станет твоим трамплином в процессию.

  • В компаниях джуниору чаще всего поручают понятные задачи, чтобы освободить от них более опытного специалиста. Например, выгрузить или обработать данные, исследовать анализ рынка или ЦА, визуализировать и собрать витрину, подготовить отчет.
  • Специлист на уровне мидл куда самостоятельней: он уже имеет некоторый опыт в ИТ-сфере, он внедряет и дорабатывает, ведет переговоры и управляет, моделирует бизнес-процессы, проектирует базы данных, ставит задачи.
  • Сеньор — системный аналитик с большим опытом в руководстве командой и практикой менторства, рулит во всех IT-процессах. Он запросто может стать архитектором или уйти в организационное управление. Умеет анализировать бизнес-процессы и находит оптимальные решения в соответствии со стратегией компании.

Всем троим в работе понадобятся навыки использования искусственного интеллекта. К этому вопросу, думаю, мы еще вернемся.

Вопрос 2: Сколько стоит информация

Редакция.  Итак, очевидно: от уровня экспертизы аналитика зависит его зарплата. Вакансий аналитиков, в которых не требуется опыт работы, тоже достаточно много. Так сколько в среднем может заработать начинающий специалист и самый опытный?

Рустам. Сложно сказать однозначно, потому что вилка может варьироваться от десятков до сотен тысяч. Многое зависит от выбранного направления в аналитике, от предыдущего опыта, от региона (если работа в оффлайне) и от самой компании.

  • Если брать слишком условно, то, зарплата джуна начинается в среднем от 50-60 тысяч и может доходить до 100 тысяч в месяц. У мидла разброс куда шире: 100-150 тысяч, но может достигать 300 тысяч, например: зависит от задач, компании и степени ответственности. Ну и соответственно, оклад сеньора может быть 250-300 тысяч рублей и выше. Здесь зависит все от компании, проекта и опыта аналитика.

Чтобы попасть в профессию и начать зарабатывать, приходи на наш бесплатный онлайн-практикум. Расскажем, с чего начать и куда двигаться в области аналитики данных и нейросетей!

Вопрос 3: Место нейросетей в Data Science

Редакция. Преимущества нейросетей позволяют сэкономить время и деньги при решении массовых проблем и задач. Согласны ли вы с тем, что в скором времени именно искусственный интеллект облегчит работу аналитика, или даже станет ему верным проверенным инструментом?

Рустам. Безусловно, нейросети будут помогать аналитикам. Искусственный интеллект, представляющий собой набор алгоритмов, на сегодняшний день итак выполняет впечатляющий объем работы, связанный с анализом и обработкой информации. Применение вычислительной мощности ИИ встречается повсеместно.

Но я думаю, что ИИ также будет и повышать порог входа в профессию. Простые задачи в аналитике бизнес будет решать с помощью ИИ-ботов. Для аналитиков останутся более сложные или нестандартные задачи. И это может дать новый толчок к развитию отрасли.

  • Сфер, где нужны нейросети для аналитики данных, достаточно много, к ним прибегают, если нужно сортировать данные, классифицировать их, и на основе входной информации принимать какие-то решения. Одно из ключевых преимуществ — высокая скорость и производительность. Ну и благодаря автоматизации процессов, нейросети могут помочь компаниям значительно сэкономить на расходах по исследованиям в области Data Science.

Поэтому уже сейчас при выборе дальнейшей профессии стоит ориентироваться на эту тенденцию, постоянно развиваться и повышать свои soft и hard-скиллы. Думаю, что soft-скиллам надо уделять не меньше внимания, т.к. в этом ИИ-боты будут еще долго проигрывать людям.

Сайт Рустама Искендерова:Data-аналитика и BI-визуализация

Связаться с Рустамом можно в Телеграме: @isrustam