Кто такой Data Scientist и почему ему так много платят?

Обзор профессии Data Scientist. Как получить самую востребованную IT специальность и зарабатывать до 200 тысяч рублей.

Эта сфера переживает настоящий бум. В этом году количество вакансий с упоминанием специальности data scientist выросло в 9 раз по сравнению с 2017 годом, а вакансий с ключевыми словами machine learning — в 7 раз.
В интернет-компаниях и IT дата-сайентистам предлагают среднюю зарплату 145 000 руб., а в в области услуг для бизнеса — 170 000 руб.

Ведущий научный сотрудник лаборатории Philips Research в Сколково Ирина Федулова рассказывает, чем занимаются Data Scientists и где научиться работать с большими данными.

Мы сталкиваемся с «умными» технологиями практически каждый день: смартфоны распознают владельца по отпечатку пальца, социальные сети и интернет-магазины показывают нам товары, которые интересует именно нас, а на улицах городов уже появляются беспилотные автомобили. Растущее количество информации, необходимость её обработки и анализа, а также бурное развитие инноваций спровоцировали появление новой профессии — Data Scientist.

В чем суть работы Data Scientist

Это анализ данных и создание на их основе передовых ИТ-продуктов, прогнозов, рекомендаций и других полезных технологий.

В Data Science применяется машинное обучение, благодаря которому компьютеры обучаются самостоятельно, по подобию людей. Чем больше информации у человека о какой-то задаче и чем чаще он её выполняет, — тем лучше он решает эту задачу. Так работает и машинное обучение у компьютеров.

Data Scientist как раз делает так, чтобы компьютер «научился учиться». Так, компьютер обучается решать задачи, с которыми ежедневно сталкиваются люди в разных сферах бизнеса: в банковском деле, торговле, здравоохранении и др.

Пользу от анализа данных можно извлечь во всех более-менее прикладных областях, где есть достаточно данных. К примеру, в медицине алгоритмы позволяют более качественно диагностировать заболевания и назначать план лечения.

Можно проанализировать предпочтения потребителей в ритейле и изменить сервис. Сложные алгоритмы машинного обучения могут рассказывать о поведении, действиях людей в социальных сетях, отзывах — затем на основании полученных данных маркетолог меняет подход к работе с клиентами и повышает прибыль компании.

Анализ больших данных помогает принимать эффективные решения, будь то построение избирательной кампании на выборах или качественное управление персоналом в крупной компании. Разумеется, прежде чем компьютер начнет решать такие непростые задачи, его сначала нужно обучить с помощью доступных данных. В этом и состоит работа дата-сайентистов.

Какие задачи стоят перед специалистами в Data Science

Специалисту в Data Science уже недостаточно разбираться только в математике, программировании и статистике — нужно понимать, как решать бизнес-задачи. Одно дело, когда от специалиста по данным требуют повысить точность распознавания или предсказания уже работающей системы. И совсем другой случай, когда всё приходится создавать с нуля.

На Западе используют термин Unicorn Data Scientist. «Единорог» в отличие от обычного специалиста владеет навыками бизнес-аналитика: отлично разбирается в предметной области — например, в финансовых процессах или медицинской сфере, и знает её особенности. Эти знания помогают ему отвечать на реальные вопросы: какие риски сопровождают ту или иную компанию, какой набор генов соответствует определённому заболеванию, как распознать мошеннические транзакции.

Такой специалист не просто создает алгоритм, он ответственен за принятие важных решений, ему необходимо понимать, как устроены бизнес-процессы компании.

Важны коммуникационные навыки: дата-сайентисту нужно не только работать с цифрами, но и уметь находить общий язык с разными людьми. Помимо ИТ-грамотности, математических и статистических знаний, от «единорога» требуются такие качества, как креативность, проактивность и стратегическое мышление.

Чем отличается Data Engineer от Data Scientist?

Всё дело в данных

Считается, что больших успехов в развитии этих технологий удалось достичь благодаря сочетанию нескольких факторов.

Мощные компьютеры стали общедоступными, так что появилась возможность накапливать и обрабатывать огромные массивы данных. Одновременно были разработаны всевозможные устройства и сервисы, которые собирают данные об окружающей среде, о поведении людей.

Мобильные операторы собирают данные не только о звонках, но и о перемещении своих клиентов. Магазины хранят информацию о покупках и предпочтениях клиентов при помощи карт лояльности. Банки знают, где, когда и какие покупки совершает клиент. Интернет-сайты запоминают, какой контент пользователь просматривал. Вся эта информация затем используется для того, чтобы предлагать клиенту новые товары и услуги, оптимизировать процессы, автоматизировать рутинные операции.

Анализ данных и машинное обучение сейчас активно используются в инновационном бизнесе, фундаментальной науке и прикладных исследованиях. Профессию Data Scientist можно назвать одной из самых популярных специальностей XXI века.

Несмотря на огромное количество академических программ, курсов и онлайн-платформ для обучения, кадров всё ещё не хватает — спрос на них слишком велик. Средние зарплаты специалистов по анализу данных превышают зарплаты классических инженеров-программистов.

Data Science: взрывной рост сферы. Какие профессии выбрать для себя?

Нет конкуренции, есть возможности

Внутри профессии Data Scientist уже появилось множество специализаций: одни аналитики изучают зависимости в данных, другие строят модели, третьи общаются с заказчиком. Во многих из них конкуренция невысокая, а возможности для роста и карьерного развития обширны.

Кроме аналитиков есть ещё инженеры-программисты — они занимаются внедрением моделей в реальное производство, и инженеры, которые создают инфраструктуру для сбора, хранения и подготовки данных. Среди аналитиков тоже появились различные специализации: в банках, телекоме и ритейле «классическая» аналитика занимается обработкой табличных данных и построением рекомендаций.

Специалисты по компьютерному зрению (computer vision) разрабатывают модели для распознавания изображений или отдельных объектов на фото, извлечения информации из документов, распознавания людей на видео с камер наблюдения и даже для оценки эмоций клиента по выражению лица.

Другие специализируются на обработке текстов на естественном языке — natural language processing, NLP: строят всевозможные чат-боты вроде Siri и Алисы, создают модели для автоматического определения тем постов в соцсетях или для анализа отзывов о товарах на сайте интернет-магазина.

Без математики никуда?

Есть мнение, что аналитика и Data Science доступны только избранным, которые на «ты» с высшей математикой и программированием. На деле же основные языки работы с данными — Python и R — доступны для изучения без предварительной подготовки.

«В начале я бы не рекомендовал погружаться глубоко в математику. Сосредоточьтесь на решении практических задач и инструментах (библиотеках, методах). Мне сильно помог опыт разработки баз, очистки и переработки данных, первичного анализа. В реальной работе именно сбор и подготовка данных занимают большую часть времени», — говорит Вячеслав Потапов, руководитель направления анализа данных и машинного обучения Локо-Банка и выпускник курса Нетологии Data Scientist.

При этом даже новичок может найти место в аналитике данных. По мнению экспертов, математическая база не критически необходима. Десятки рабочих алгоритмов и библиотек уже способны всю математическую часть брать на себя без участия человека.

Как получить профессию в области Data Science

Многие специалисты по работе с данными начинали свою карьеру как математики, физики, инженеры и экономисты. Базовое профильное образование можно получить в МГУ, МФТИ, ВШЭ и Сколтехе. Также подготовкой таких специалистов занимаются, например, в Школе Анализа Данных Яндекса и в Техносфере компании Mail.ru Group.

Альтернатива для тех, кто уже IT специалист и хочет стать специалистом именно в Data Science – это онлайн-курсы, которые дают практические знания, позволяющие начать работу еще до окончания обучения.