Как это устроено: кто все эти люди?
Итак, вы решили идти в Data.

Только на “Data” начинается очень много вакансий — и, кажется, работы там на десять человек. Давайте посмотрим, кто есть кто на рынке дата-труда.

Представьте, что работа с данными — это дом. Да-да, со стенами и крышей.

➡️ Кто проектирует дом?

Конечно, архитектор. Data Architect проектирует системы хранения данных, а потом отвечает за их стабильность, безопасность и доступность. Он умеет работать с базами данных и строить пайплайны (планы процесса работы, которые потом использует команда). Архитектор нужен для работы с теми самыми большими данными. Его технологии: SQL, NoSQL, Spark, Hive, ETL/ELT.

➡️ Кто строит дом?

Строители и инженеры. Data Engineer воплощает план архитектора: собирает и структурирует данные, поддерживает и обновляет хранилище и пайплайны. Инженер тесно сотрудничает с аналитиками, обеспечивая им доступ к структурированным данным. Он умеет работать с Java, Scala, SQL, noSQL, Python, R.

➡️ И кто живет в этом доме?

В первую очередь — аналитики. Data Analyst анализирует данные и составляет отчеты, обрабатывает и готовит данные для анализа. Он виртуоз математической статистики, а еще умеет пользоваться BI-инструментами (Tableau, PowerBI, Metabase и другие).

Соседи аналитика — ученые. Data Scientist проводит исследования, проверяет гипотезы и строит прогнозы. Он эксперт статистического анализа и теории вероятностей, знает методы машинного обучения и отлично владеет R и Python.

Некоторые специалисты работают на стыке этих позиций (например, Analytics Engineer), некоторые выбирают узкую область (BI-специалист/визуализатор данных), а в соседнем доме поселился целый департамент машинного обучения.

Почитать больше про этих и других людей можно тут.

Ну что, кем захотелось поработать? А если уже работаете в данных — расскажете нам, как выбрали профессию? 👀 Ждем ваших мыслей в комментариях!

#into_data

Как понять, что вы переросли свою позицию?
Речь не о повышении зарплаты или смене работодателя: просто понять, в какой момент вы выросли из своей нынешней позиции бывает нелегко.

На что можно ориентироваться с осторожностью?
🔵стаж: он действительно коррелирует с грейдом, но и ваши собственные потребности, ресурсы и организация работы в вашей компании влияют на время, после которого стоит задуматься о росте.
🔵стагнация обучения: скорость измеримого роста скиллов обратно пропорциональна опыту, и не всякая должность предполагает непрерывное повышение технической квалификации.
🔵скука: хороший показатель, что вы переросли свою роль — но еще она может говорить о выгорании, плохой организации в компании, не соответствующих вашим навыкам задачах. Важно правильно определить её причину!

А что точно говорит о том, что можно двигаться дальше?
🔵уверенность: вы не просто закрыли все пробелы в опыте, нужные для прыжка на следующий грейд, но и чувствуете, что ресурсов у вас больше, чем вы тратите на текущие задачи — новая ответственность не пугает.
🔵универсальность: вы можете подхватить чужие обязанности и не потерять производительности, подменить руководителя без специальной подготовки — значит, вашего опыта хватает не только на вашу должность.
🔵внутренняя потребность: наверное, самый важный момент — если вы думаете не (только) о количестве знаков в зарплате и красивой строке в резюме, а с любопытством представляете, как будете делать что-то новое — нужно к этому идти!

Вот что говорит наша HR-специалистка:

Руководство может само предложить вам повышение, глядя на результаты, проактивность, рост технических навыков с момента приема на работу или последнего повышения и — прежде всего — софт-скиллы.
Но желание взять ответственность за собственный рост — составить четкий план, обсудить с руководителем свои результаты, интересы и цели — и есть самый главный показатель, что вы готовы к здоровому развитию.

Развитие специалиста — всегда индивидуальная история. Расскажите нам о ваших планах и повышениях, удачных и не очень!

#HR_на_связи

Тестовые задания: Нормально ли использовать ChatGPT, чтобы сделать тестовое?
Вопрос с подвохом, ведь использовать-то можно по-разному. Открещиваться от ИИ точно бессмысленно. Такой инструмент под рукой экономит аналитику данных много времени и сил на рутинных расчетах, а хороший специалист умеет определить такие задачи и грамотно поставить их роботу, чтобы максимизировать пользу.

Что же получается?

Парадоксально, использовать ChatGPT нормально и даже полезно, если вы можете выполнить задачу и без него. Такой подход даже не обязательно скрывать — работодатель вряд ли откажется от сотрудника, который знает, как грамотно делегировать рутинные задачи чатику.

«Списывать» же у ИИ бесполезно, а копипастить его без редактуры — тем более. Если копипаст не очевиден по тексту, то точно обнаружится на практике, когда вы не сможете повторить решение или объяснить ход мысли. Даже при лучшем исходе работа, которую вы не можете выполнять сами, вряд ли принесет вам полезный опыт.

Вот что говорит Николай Валиотти:

Иногда я встречаю тестовые написанные примерно таким образом:
Некоторая Мысль: Тут Объяснение Мысли.
Если вижу такое — сразу отсеиваю кандидата, т.к. это кусок текста на 100% сгенерированный ChatGPT без какой-либо редактуры. Зачем мне роботы в команде?

А Анатолий Карпов из @KarpovCourses отмечает, что

с большинством простых задачек на код нынешние LLM справятся спокойно, да еще и опишут процесс решения. Поэтому ответов на тестовые, хорошо сделанных нейронкой, теперь приходит заметно больше. Но проблема здесь не в ИИ, а в подходе кандидатов к работе — и теперь перед рекрутерами стоит задача придумать новые, более эффективные форматы ТЗ.

🔜 Послушать еще мыслей на эту тему можно в этом выпуске подкаста Data Heroes.

А вы стали бы использовать ИИ в тестовом? Или, может, уже использовали и знаете, как сделать это правильно? 👀

#HR_на_связи

Вакансия: Data Engineer (Middle) в Valiotti Analytics
Valiotti Analytics — компания, которая строит кастомные системы аналитики данных от инжиниринга до датавиза для digital-компаний по всему миру.

Сейчас мы в поисках Мидл дата-инженера!

Что нужно делать?
🔵Создавать и поддерживать ETL/ELT-процессы.
🔵Cоздавать и редактировать SQL-процедуры для наполнения таблиц хранилища.
🔵Следить за корректностью работы отчетов (проверять консистентность данных в источнике).
🔵Поддерживать и видоизменять имеющиеся модели данных.
🔵Решать проблемы импорта данных.
🔵Создавать и сопровождать витрины данных: настраивать индексы, оптимизировать таблицы, пересчитывать данные, предоставлять права доступа.
🔵Проектировать модели данных для новых сущностей хранилища.
🔵Документировать разработанный код.

Какие требования?
🔵Уверенное владение SQL, Python, Apache Airflow 2, bash.
🔵Опыт разработки ETL, проектирования и разработки хранилищ данных и аналитической отчетности (с примерами кейсов).
🔵Разговорный и письменный английский B2 и выше.
🔵Высшее техническое или другое релевантное образование.
🔵Поможет опыт работы с Kafka, S3 и dbt.

Какие условия?
🔵Полная занятость.
🔵Оплачиваемый отпуск и больничные.
🔵Корпоративный английский.
🔵Полностью удаленная работа.

🔜 Откликнуться можно здесь.

Teamwork: как дата-команда работает над сложными проектами
О том, чем вообще можно заниматься в данных, мы уже говорили. Сегодня посмотрим на то, как разные специалисты работают вместе в агенстве, которое строит сквозную аналитику для бизнеса на аутсорсе. Например, мы в Valiotti Analytics делали именно это для эдтех-стартапа Refocus.

Команда проекта:

🔵Проджект-менеджер: связь между командой и заказчиком, организация созвонов.
🔵Лид: организация работы команды и технические консультации.
🔵Инженер: настройка сервера и хранилища данных, создание пайплайнов.
🔵Аналитики: написание кода для выгрузки данных из хранилища, создание витрин данных и дашбордов, предиктивная аналитика.

Этапы проекта:

🔵Определение целей заказчика
🔵Аудит существующей системы
🔵Выбор инструментов
🔵Визуализация
🔵Настройка и автоматизация процессов
🔵Поддержка системы

Коммуникация

Проектный формат значит плотный контакт с клиентом и множество дедлайнов. Получение доступов, сбор требований и правок после каждой итерации работ — база не только для проджекта и лида, а для всех ребят в команде. Поэтому кроме внутреннего канала связи нужен общий с заказчиком, чтобы у всех был к нему доступ.

Задачи

Агентство работает над многими проектами параллельно, и нагрузка распределяется с учетом опыта и занятости спецов. Имеет смысл делить задачи не по используемым технологиям, а по содержанию: например, один аналитик работает только с данными по продажам, другой — по прогрессу студентов, а инженер подключается по запросу коллег на разных проектах. Важно держать команду в курсе и уметь передавать работу друг другу для равномерной нагрузки.

Софт-скиллы

В проектной работе над аналитикой, по сравнению с другими форматами, особенно важны коммуникабельность и способность к самоорганизации, умение переключаться между тасками и разобраться в разных инструментах.

Ну как, вам бы подошел такой формат работы — или хотели бы в обычный отдел аналитики?👀

#into_data

По просьбам трудящихся мы подготовили гайд, который поможет вам наполнить и продуктивно использовать страницу на LinkedIn.

В нем есть все, что нужно для начала — советы по оформлению, раскрутке и нетворкингу. Удачного пользования!

Понравилось? Сохраняйте, чтобы не потерять, и расскажите друзьям!🔥

🔜 @leftjoin_career

Британские ученые пока еще не установили причину стремления к непродуктивному «улучшайзингу». Как только появятся результаты — сразу же сообщим вам.

Продуктивной недели 🚀

🔜 @leftjoin_career

Вакансия: Forest Data Analyst в Land Life Company
Посреди рабочей недели обычно хочется разлогиниться и уехать жить в лес, не так ли?

А вот Лесной аналитик данных может так прямо на работе. В компании Land Life из Нидерландов, которая занимается восстановлением разрушенных ландшафтов, как раз существует такая позиция.

Что нужно делать?
🔵 Собирать и обрабатывать данные по росту и здоровью леса.
🔵 Участвовать в сборе образцов почвы и дерева на местах посадки леса.
🔵 Строить и анализировать модели данных, составлять отчёты.

Какие требования?
🔵 Владение Python, R.
🔵 5-10 лет опыта в статистике и аналитике данных.
🔵 Способность объяснять сложную информацию просто.
🔵 PhD в лесной экологии или смежной сфере.

Какие условия?
🔵 Возможность трогать траву ежедневно.
🔵 А что ещё нужно человеку?

@leftjoin_career