"हाँ, वे मौजूद हैं!" कजाकिस्तान में डेटा साइंस विशेषज्ञ क्या करते हैं और कितना कमाते हैं?

कॉल्सा समूह में डेटा एनालिटिक्स टीम लीड दिमित्री कज़कोव, डेटा विशेषज्ञों के पहले कजाकिस्तान सर्वेक्षण से अंतर्दृष्टि साझा करती है।


फोटो में: दिमित्री कज़कोव

लोकप्रिय वाक्यांश याद रखें कि बिग डेटा सबसे अधिक बारीकी से किशोर सेक्स जैसा दिखता है - हर कोई इसके बारे में बात करता है, लेकिन कोई नहीं जानता कि क्या यह वास्तव में है। डेटा विशेषज्ञों के बाजार के बारे में भी यही कहा जा सकता है (कजाकिस्तान में) - एक प्रचार है, लेकिन इसके पीछे कौन है ( और वहाँ कोई भी है ), यह पूरी तरह से स्पष्ट नहीं था - न तो ईशर के लिए, न ही प्रबंधकों के लिए , और न ही वैज्ञानिकों का डेटा।

हमने एक अध्ययन किया, जिसमें हमने 300 से अधिक विशेषज्ञों को उनके वेतन, कार्यों, कौशल, उपकरण और बहुत कुछ के बारे में बताया।

स्पॉइलर:हां, वे निश्चित रूप से मौजूद हैं, लेकिन सब कुछ इतना सरल नहीं है।

अच्छी अंतर्दृष्टि। सबसे पहले, हमारी अपेक्षा से अधिक डेटा विशेषज्ञ हैं। हम 300 लोगों का साक्षात्कार करने में कामयाब रहे, जिनके बीच न केवल उत्पाद-, विपणन- और द्वि-विश्लेषक थे, बल्कि एमएल-, डीडब्ल्यूएच-इंजीनियर भी थे, जो विशेष रूप से प्रसन्न थे। सबसे बड़े समूह में वे सभी थे जो खुद को डेटा वैज्ञानिक कहते हैं - यह उत्तरदाताओं का 36% है। यह कहना मुश्किल है कि क्या यह बाजार की मांग को कवर करता है या नहीं, क्योंकि बाजार ही बन रहा है।



नौकरी के स्तर का वितरण शर्मनाक है - वहाँ लगभग टीम के कई नेता और नेता हैं जैसे कि दूज हैं। इस के लिए कई कारण हो सकते है। उदाहरण के लिए, 2-3 लोगों की छोटी टीमों की एक बड़ी संख्या, जिसमें सिर मध्य या वरिष्ठ स्तर पर एक विशेषज्ञ हो सकता है।



भूमिकाओं और कार्यक्षमता के वितरण में मानकों के संदर्भ में बाजार में प्रचलित अराजकता का एक अन्य कारण हो सकता है। Timlids कभी-कभी उन लोगों द्वारा नियुक्त किए जाते हैं जो कौशल और ज्ञान के स्तर के संदर्भ के बिना, बस एक या दो साल तक काम करते हैं। हम इसे स्थिति द्वारा कार्यों के वितरण में भी देखते हैं - 38% प्रबंधक और टीम के नेता पूर्व-प्रसंस्करण में लगे हुए हैं और अन्य 33% बुनियादी सांख्यिकीय विश्लेषण में लगे हुए हैं।





यहां हमने उत्तरदाताओं को उनकी कंपनियों में विश्लेषणात्मक स्तर का आकलन करने के लिए कहा। यदि आप बारीकी से देखते हैं, तो आप देख सकते हैं कि 10% उत्तरदाता जो 2-3 लोगों के विश्लेषणात्मक विभागों में काम करते हैं, उन्हें लगता है कि उनके पास "उन्नत कार्य" है।

और "उन्नत स्तर" क्या है? BI सिस्टम ठीक काम करता है। डीडब्ल्यूएच और बिग डेटा हैं। ए / बी परीक्षण नियमित रूप से किए जाते हैं। उत्पादन में काम कर रहे एमएल और डीएस सिस्टम हैं। निर्णय केवल आंकड़ों के अनुसार किए जाते हैं। डेटा और डेटा साइंस के साथ काम करने वाला विभाग कंपनी में महत्वपूर्ण है।

उपरोक्त सभी 2-3 लोगों के एक विभाग के साथ प्राप्त करना लगभग असंभव है। मेरा मानना ​​है कि इस तरह के सर्वेक्षण का परिणाम एक छोटी वृद्धि बीमारी है - लोगों के पास अपने स्तर को अधिक निष्पक्षता से निर्धारित करने के लिए खुद की तुलना करने वाला कोई नहीं है।





यह उम्मीद की जाती है कि अधिकांश समय डेटा विशेषज्ञ सुपर कॉम्प्लेक्स गणित या इंजीनियरिंग पर खर्च नहीं करते हैं, लेकिन डेटा को प्रीप्रोसेसिंग, अपलोड करने और साफ करने पर। प्रत्येक विशेषज्ञता में, हम शीर्ष 3 में प्रीप्रोसेसिंग देखते हैं। लेकिन जटिल आंकड़े जैसे कि ML मॉडल विकसित करना या बिग डेटा के साथ काम करना शीर्ष 3 में अत्यंत दुर्लभ हैं - केवल ML और DWH इंजीनियरों के बीच।



दुखद अंतर्दृष्टि के एक जोड़े हैं। 40% कार्य विशेषज्ञ स्वयं निर्धारित करते हैं। कजाकिस्तान में, अब तक केवल शीर्ष इकसिंगों ने बड़े डेटा के साथ काम करने के लाभों का परीक्षण किया है और सीखा है कि यह कैसे सक्षम है। वे बाजार में प्रसारित करते हैं कि बिग डेटा और मशीन लर्निंग शांत हैं, और दूसरा स्तर निम्नलिखित है, लेकिन हमेशा यह समझने से दूर है कि डेटा के साथ काम कैसे व्यवस्थित किया जाता है। इसलिए, हम देखते हैं कि विशेषज्ञ अपने लिए कार्य निर्धारित करते हैं, और व्यवसाय को हमेशा यह नहीं पता होता है कि वह क्या चाहता है।



मुझे आश्चर्य हुआ कि 20% विशेषज्ञ यह नहीं जानते हैं कि उनकी कंपनी का डेटा वेयरहाउस है या नहीं। हाँ, और डेटाबेस प्रबंधन प्रणालियों के साथ, सब कुछ इतना अच्छा नहीं है - 41% MySQL का उपयोग करते हैं, और एक और 34% PostgreSQL का उपयोग करते हैं। यह किस बारे में बात कर सकता है? वे छोटे डेटा के साथ अधिक काम करते हैं।



भंडारण प्रणालियों के बारे में सवाल में, हम फिर से MySQL और यहां तक ​​कि (!) एक्सेल देखते हैं। लेकिन यह संकेत कर सकता है, उदाहरण के लिए, कि ज्यादातर कंपनियों के पास अभी तक बड़े डेटा के साथ काम करने का अनुरोध नहीं है।



यहां सब कुछ फिर से अस्पष्ट है। सामान्य तौर पर, वेतन मेरी अपेक्षा से थोड़ा कम था।



व्यक्तिगत रूप से, मेरे लिए एक ऐसे एमएल इंजीनियर की कल्पना करना मुश्किल है जो 200 हज़ार के लिए काम करने को तैयार हो - शायद यह एक इंटर्न है। या तो ऐसे विशेषज्ञों की दक्षता बहुत कमजोर है, या कंपनियों के लिए डेटा साइंस के काम का पर्याप्त मूल्यांकन करना अभी भी मुश्किल है। लेकिन शायद इससे यह भी पता चलता है कि बाजार अभी भी अपने बड़े होने की शुरुआत में है। और समय के साथ, वेतन का स्तर अधिक पर्याप्त स्तर पर स्थापित किया जाएगा।

Source: https://habr.com/ru/post/undefined/