По информации сайта SuperJob, в апреле 2024 года рынок труда в сфере IT продолжил испытывать дефицит кадров, а средний рост зарплат составил 9,4%. Сложнее всего приходится начинающим специалистам, так как компаниям в основном нужны сотрудники среднего или высокого уровня. Бизнес понижает для джуниоров оплату до 40−50 тысяч рублей в месяц, в то время как до середины 2023 года эти цифры составляли 60−80 тысяч на старте карьеры. Ожидания кандидатов при этом не изменились — в среднем они составляют 80−100 тысяч рублей для позиций junior и junior+.
Текущая ситуация на рынке труда в Data Science
Примерно с середины 2022 года требования к junior специалистам в DS повысились: новичкам теперь нужно знать и уметь больше, чем раньше. Например, ранее джунам хватало знания базовых SQL запросов. Сейчас компании в основном ожидают от кандидата умения написать сложный SQL запрос и применить оконные функции. При этом компаний, готовых взять джунов с базовыми знаниями «на вырост», стало меньше. Дело в том, что многие зарубежные компании, у которых была выстроена система обучения и развития сотрудников (типа EPAM), ушли из России.
Полностью удаленных вакансий также стало меньше. Компании иногда готовы подстраиваться под ожидания опытных кандидатов, например, предоставлять дистанционный формат работы. Однако частым условием является нахождение в России, а не за рубежом. Крупные организации из Big Tech уже реже дают полную удаленку или предлагают гибридный формат. Джуниор-специалистов компании предпочитают брать в офис оффлайн, потому что с таким подходом их можно обучать быстрее, а адаптация проходит эффективнее. Можно сказать, что в IT «рынок кандидатов» сейчас есть для позиций middle и выше. Аналитики, Data scientists, Data и ML инженеры с опытом могут вести переговоры об индивидуальных условиях. А среди junior специалистов высокая конкуренция. Так, на платформе HeadHunter в сутки на вакансию может поступить более тысячи откликов от начинающих специалистов.
Кому делают оффер крупные компании
Бизнес тщательно оценивает резюме соискателей в секторе Data Science. Работодателям интересны кандидаты, имеющие опыт работы с данными. У junior соискателей из некоторых сфер такой опыт есть.
У специалистов, которые приходят обучаться Data Science с опытом научных исследований, есть хорошая база статистики. Но на практике они применяли немного другие методы обработки данных — SPSS, Excel, R. Работодателям интересны кандидаты, имеющие реальный опыт оценки данных и навыки аналитики даже с помощью таких консервативных инструментов.
Анализировать данные кандидатов кандидаты могли научиться на предыдущей работе: в сфере научных исследователей, продаж, закупок или категорийного менеджмента. Например, сотрудник мог ранее анализировать товарную матрицу, спрос, сравнивал результаты продаж в разных сегментах.
Интересны работодателям и джуны, у которых, помимо учебных проектов, есть Pet-проекты. Важно при описании такой работы продемонстрировать вашу логику размышлений и действий — так рекрутер или техлид увидит ваш подход к выполнению задач и навыки владения инструментарием.
У государственного сектора рынка IT есть своя специфика. На нем как раз чаще ищут аналитиков с продвинутым владением Excel. Такие организации могут дополнительно к Excel внедрять скрипты на Python. Выпускникам с широким стеком подобные проекты могут быть менее интересны, однако для junior аналитиков это может быть хорошим входом в профессию — компании госсектора лояльнее относятся к hard skills джун кандидатов и готовы обучать. Отметим, что в областях Data Science важно базово владеть Excel, несмотря на распространенность Python, SQL или BI-инструментов.
Для входа в Data Science нужно иметь высшее техническое образование — оно дает хорошую базу статистики, которой часто не хватает выпускникам курсов. Кандидатам без этой базы сложно отвечать на вопросы по статистике или решать нестандартные задачи. Такая крепкая база может быть также у выпускников экономических специальностей или социологов. Если вы не проходили статистику в вузе, стоит уделить внимание ее самостоятельному углубленному изучению.
При этом, помимо навыков, рекрутеры оценивают soft skills (гибкие навыки, метакомпетенции) — важно уделять внимание их развитию наравне с hard skills. Soft skills могут помочь получить оффер, даже если часть «хардов» еще нужно подтянуть.
Как распланировать поиск работы
Поиск работы — это не только отклики на вакансии. Важно делить свою активность на несколько блоков: поиск этих вакансий, развитие навыков и дополнительное обучение. Для каждого это время, когда есть много неопределенности и переживаний. Но чем лучше вы подготовитесь к нему, тем проще будет путь к заветному офферу.
Джуниоры на текущем рынке труда могут искать работу довольно продолжительное время — 3−6 месяцев, срок зависит от многих факторов. Чтобы не потерять мотивацию и повысить вероятность успеха, мы рекомендуем следующее.
- Вести дневник поиска работы, чтобы фиксировать все отклики по определенным объективным критериям — числу обращений, собеседований и их результативности.
- Создать план активности в сети. Стоит зарегистрироваться на HeadHunter, искать вакансии в телеграм-каналах, подписаться на менторов, заходить на Habr Career, создать профиль в LinkedIn.
- Составить список задач на первые месяцы и разделить их на блоки: уделить время поиску, отклику на вакансии и практике, чтобы не растерять навыки после курсов. Например, использовать симулятор SQL.
- Запланировать работу над Pet-проектом, чтобы применить знания на практической задаче.
Также можно найти ментора, который поможет с разработкой Pet-проекта и оценкой хард-скиллов. Если резюме часто отклоняют или кандидату сложно пройти HR-собеседования, можно обратиться к карьерному консультанту или попросить «прожарить» резюме в телеграм-чатах аналитиков данных.
Пять лайфхаков для успешного прохождения собеседования на джуниор-позицию в Data Science
1. Не делайте упор на учебных проектах
Первый лайфхак для тех, кто недавно закончил обучение и выходит на рынок — не фокусироваться на учебном опыте. Это одна из распространенных ошибок, которую совершают в резюме, на собеседовании и в портфолио. На GitHub многие пишут заглавными буквами «учебный проект», а главное, копируют описание задачи на проект из текста курса. Такой фокус на учебном опыте создает представление, что человека придется учить и дальше. А значит, вкладывать ресурсы и время, тогда как бизнесу сразу нужен аналитик, который с первого дня начнет приносить пользу. Чтобы показать свою заинтересованность, умения, а главное — логическое мышление, рекомендуем описание учебных проектов делать по структуре: «цель/задача для бизнеса», «стек», «что делали по этапам», «какой результат получили». Кроме учебных проектов будет плюсом работать над Pet-проектами.
2. Опишите свой опыт коротко и по делу
Нужно грамотно раскрыть свой опыт в тексте резюме и на собеседовании. В резюме желательно сделать фокус на задачах, максимально близких к аналитике, и ваших сильных сторонах. Например, владением SQL на уровне сложных запросов. В сопроводительном письме продуктивнее прокомментировать требования и должностные обязанности из текста вакансии. Если там требуют знание Python, владение библиотеками и спрашивают о деталях выгрузки из базы данных и формировании дашборда, то об этом и надо рассказывать.
3. Раскройте свои достижения
Для этого стоит взять методику STAR и описать по ее этапам свои действия и получившийся результат.
S (situation) — ситуация
T (target) — задача
A (action) — действие
R (result) — результат
Нужно показать максимально подробную картину, чтобы работодатель понял, почему и какую пользу получил бизнес за счет действий специалиста. Например, у компании была задача что-то проанализировать на языке программирования, который никто не знал. Соискатель в короткие сроки изучил его и сделал проект.
Достижения могут быть связаны не только с рабочими задачами. Например, статьи по IT тематике, самостоятельно переведенные английского и выложенные на «Хабре», тоже могут положительно охарактеризовать кандидата как увлеченного исследователя и подсветить его мотивацию к работе. Иногда указать все курсы, которые вы прошли, важно, так как они демонстрируют мотивацию к развитию.
Тут же правильно будет рассказать про участие в хакатонах и соревнованиях на Kaggle. Также стоит отметить и дополнительное постоянное самообразование, когда соискатель учится на Stepik, подтягивает Python, SQL, статистику или A/B тесты.
4. Покажите навыки работы с информацией
При поиске аналитиков и ML-специалистов работодатели тщательно оценивают, как соискатели работают с информацией. Смотрят, что и как описано в резюме, потому что, если человек не может понятно и коротко описать свои задачи, ему будет сложно работать с данными. Кандидат может показать этот навык и если изучил информацию о компании: знает ее цели, читал статьи о ее разработках или изучил сайт с корпоративными ценностями.
5. Продемонстрируйте аналитическое мышление
Помимо крепких знаний статистики и hard skills, важно аналитическое мышление кандидата. Например, почему он выбрал именно такой способ разработки проекта или решения задачи. Важно и то, как соискатель рассуждает на собеседовании: задает дополнительные вопросы по заданию и размышляет о подходах к решению бизнес-задач.
