Текст книги "Data Science для карьериста"

Когда вы начинаете читать описания вакансий, может показаться, что вся работа в Data Science попадает в одну из двух категорий:

• Бизнес-аналитик. На этой должности вы будете использовать инструменты бизнес-аналитики, такие как Excel и Tableau, и, возможно, немного SQL, но, как правило, вы не будете писать код. Если вы хотите улучшить навыки программирования, знания в области статистики и инженерии данных или расширить набор инструментов для машинного обучения, эти вакансии вам не подходят.

• Единорог. С другой стороны, есть целый ряд вакансий с такими требованиями: наличие кандидатской степени в области компьютерных наук, опыт работы дата-сайентистом более пяти лет; эксперт в области передовой статистики, глубокого обучения и общения с деловыми партнерами; имеет опыт выполнения широкого круга обязанностей, от машинного обучения на производственном уровне до создания информационных панелей и проведения A/B-тестов. Такие описания обычно означают, что компания сама не знает, кого ищет, и ожидает, что специалист по данным решит все ее проблемы самостоятельно.

Но не спешите расстраиваться: даем слово, что бывает и другая работа. Лучше думать о вакансии с точки зрения квалификации. Компании нужен кто-то для создания нового отдела, при том что никакой инфраструктуры конвейера данных пока что нет? Или же она ищет пятого сотрудника в существующую продуктивную DS-команду с надеждой, что новый человек сможет сразу же внести свой вклад в работу, но при этом от него не ждут, что он будет одновременно отлично управлять данными, иметь навыки делового общения и к тому же разрабатывать ПО? Чтобы разобраться, внимательно прочтите описание должности и постарайтесь понять, что на самом деле ищет работодатель. Представьте себе сайт, на котором пристраивают животных в добрые руки. Вы увидели фото кошки Дыньки и описание: «Любит интересоваться, как у вас дела». Вы должны понимать: на самом деле это означает, что кошка постоянно мяукает и требует внимания – сомнительная перспектива.

В описаниях вакансий есть клише, на которые также стоит обратить внимание. Фраза: «Хорошо поработал – хорошо отдохнул» означает, что вам придется много работать, но зато вы сможете посещать неформальные корпоративные мероприятия (например, поход в бар). Или, например, если ищут «инициативного и независимого» сотрудника, значит, вам будут мало помогать. Умение читать между строк поможет найти подходящую работу.

Прежде всего, следует иметь в виду, что список требований – это, скорее, пожелания, так что здесь есть место для маневра. Если вы отвечаете 60 % требований (возможно, вам не хватает года до необходимого опыта работы или вы не работали с одним из компонентов технологического стека компании), но в остальном подходите, смело откликайтесь на вакансию. Не придавайте существенного значения таким формулировкам, как «будет вашим плюсом». Кроме того, требования к многолетнему опыту работы лишь указывают на необходимые навыки; если вы программировали во время учебы в магистратуре, этот опыт может быть учтен. Однако если вы начинающий дата-сайентист и пришли из сферы маркетинга, то идея откликаться на должность старшего специалиста, где от кандидата требуется пятилетний опыт работы, отличные знания Spark и Hadoop и умение развертывать модели МО, – не лучший вариант, если, конечно, вы не хотите потратить время впустую. В этом случае компания ищет кандидата с другим уровнем квалификации.

ТРЕБОВАНИЯ К ОБРАЗОВАНИЮ Многие вакансии в Data Science требуют наличие образования по «количественной дисциплине» (например, статистика, инженерия, информатика или экономика). Можно ли откликнуться, если соответствующего диплома у вас нет? Как правило, да. В главе 6 мы обсудим это подробнее, но если вы посещали занятия по этим направлениям (включая буткемпы или онлайн-обучение), то можете это указать. Если вы последовали совету из главы 4 – создали портфолио и публиковали статьи в блоге, можете показать эти проекты работодателям как доказательство, что справитесь с работой.

Один из нюансов вакансий в этой сфере заключается в том, что разные слова могут означать одно и то же. В машинном обучении и статистике это встречается довольно часто. В одной компании требуется опыт регрессионного анализа или классификации, в другой – опыт контролируемого обучения, но в целом эти термины эквивалентны. То же самое касается A/B-тестирования, онлайн-экспериментов и рандомизированных контрольных испытаний. Если вы не знаете термин, загуглите его; вы можете обнаружить, что уже делали такое, просто оно по-другому называлось! Если вы не работали с какой-то технологией, заявленной в вакансии, вспомните, сталкивались ли вы в принципе с чем-то подобным. Если в списке упоминаются, например, Amazon Web Services (AWS), а вы работали с Microsoft Azure или Google Cloud, значит, у вас есть навыки работы с сервисами облачных вычислений.

У способности читать между строк есть еще один плюс: умение разглядеть тревожные сигналы (см. раздел 5.1.2). Ни одна компания не назовет предлагаемую работу плохой. Чем раньше вы распознаете, что с вакансией что-то не так, тем лучше, поэтому стоит отмечать любые странности в описании должности.

Поиск работы – это игра на двоих. В процессе поиска вам может казаться, что вся власть сосредоточена в руках компаний, которым нужно доказать, что вы достойны работы у них. Но вы (да, вы!) тоже можете быть избирательными. Попасть в токсичные условия или на ужасно скучную работу – не лучшая перспектива. И пусть вы не всегда сможете определить это по описанию, можно обратить внимание на несколько признаков:

• Отсутствие описания. Первый звоночек – это наличие только списка требований и отсутствие описания компании или обязанностей. Такие организации забывают, что прием на работу – это процесс, в котором участвует две стороны, и им попросту нет до вас дела. Либо компании, возможно, купились на ажиотаж в Data Science и просто хотят иметь собственных специалистов, ничего не вкладывая в создание условий для их эффективной работы.

• Слишком широкие требования. Второй звоночек – это вышеупомянутое описание единорога (см. раздел 5.1.1). Несмотря на то что это пример крайности, вам следует с осторожностью относиться к любому описанию обязанностей, в котором две или три сферы деятельности (поддержка принятия решений, аналитика и машинное обучение) указаны в качестве основных. Можно ожидать, что у кандидата есть базовые знания по каждой из них, но ни один человек не сможет выполнять все эти функции как эксперт. Даже если бы кто-то и мог, ему попросту не хватило бы времени на все.

• Несоответствия. Также обратите внимание на несоответствие между требованиями к кандидату и описанием обязанностей. Работодатель требует опыта в области глубокого обучения, но в обязанностях фигурирует создание информационных панелей, общение с заинтересованными сторонами и работа с экспериментальными программами? Если это так, компании нужен кто-то, кто умеет пользоваться наиболее трендовыми инструментами или она просто ищет «престижного» дата-сайентиста с докторской степенью Стэнфорда в области искусственного интеллекта, хотя на самом деле эти специализированные знания не пригодятся.

Хотя вы должны понимать, к чему стремиться, не следует гнаться за совершенством. Начинающие дата-сайентисты иногда видят свой путь развития примерно так: «Шаги 1–98: изучить Python, R, глубокое обучение, байесовскую статистику, облачные вычисления, A/B-тестирование, D3. Шаг 99: получить работу. Шаг 100: профит». Конечно, это преувеличение, но весь ажиотаж вокруг Data Science – это идеализация реальной ситуации. В конце концов, специалист по данным – «лучшая работа в Америке» (http://mng.bz/pyA2) с шестизначной зарплатой и высоким уровнем удовлетворенности. Вы можете вообразить, будто каждый день придется решать интереснейшие задачи с умнейшими коллегами. Необходимые данные всегда будут доступны и очищены, а любые проблемы будут моментально решены командой инженеров. Работа будет в точности соответствовать описанию в вакансии, и вам никогда не придется заниматься скучными вещами.

К сожалению, такой сценарий – утопия. Надеемся, что часть I этой книги убедила вас в том, что для устройства на работу не обязательно знать все; так же и компании не обязаны быть идеальными единорогами. По определенным причинам эта книга не заканчивается на том, как вас берут на должность. И хотя стать дата-сайентистом – это уже большое достижение, которым вы должны гордиться, учтите, что вы попали в ту сферу, в которой придется постоянно учиться. Вы столкнетесь с нерабочими моделями, с политикой компании, которая сводит на нет всю проделанную за последний месяц работу, а еще вам придется потратить не одну неделю на переговоры с инженерами и продакт-менеджерами, чтобы собрать необходимые данные.

Особенно легко идеализировать хорошо известные компании. Может быть, вы пришли на собеседование и кто-то из сотрудников поразил вас. Возможно, вы уже несколько месяцев читаете блог этого человека и знаете, насколько он продвинутый в своей области. А может, вы прочитали в какой-то статье, что в офисе компании можно спать, есть блюда высокой кухни и обниматься с милыми собачками. То, что привлекло вас, наверняка заинтересовало и других начинающих специалистов; большинство этих компаний получают сотни откликов и могут установить более высокую планку, чем в действительности необходимо для выполнения задач. В любом случае речь может идти о работе в другом подразделении, а сама должность окажется невероятно скучной.

Даже с вполне реалистичными ожиданиями вы вряд ли сразу получите работу мечты. Легче перейти на эту должность внутри компании или включить анализ данных в свои текущие обязанности; даже если вы в конечном итоге собираетесь уйти из своей сферы, для начала все же потребуется взять на себя другую роль, чтобы прокачать навыки. Это не значит, что у вас не должно быть определенных требований и предпочтений; просто проявите гибкость. Менять работу в сфере технологий даже через год или два – абсолютно нормально, так что вы не подписываетесь на это на ближайшие 15 лет. Но вы не можете точно знать заранее, чего хотите, и даже на плохой работе можно научиться чему-то полезному, так что сильно не переживайте.

Хотя порталы по трудоустройству – это распространенный способ найти открытые вакансии, как правило, давать отклик через них не особо эфективно. В главе 6 мы расскажем, что холодные онлайн-заявки часто дают очень низкий процент обратной связи. Согласно опросу, проведенному Kaggle в 2017 году (https://www.kaggle.com/surveys/2017), уже трудоустроенные дата-сайентисты ищут и получают работу через рекрутеров, друзей, членов семьи и коллег. Отличный способ собрать такую сеть контактов – посещать митапы.

Митапы обычно представляют собой личные встречи, которые проводятся по вечерам в будни. Как правило, на них выступает один докладчик или целая группа специалистов, представляющих заявленную тему мероприятия. Митапы должны быть бесплатными или иметь символическую стоимость, которая иногда уходит на еду. На некоторых может быть только двадцать человек; другие могут вмещать до трехсот. Одни участники проводят митапы каждый месяц, другие встречаются всего несколько раз в год. Где-то они остаются для дальнейшего общения или идут в ближайший бар; а в других местах все держится исключительно в рамках лекций. Одни митапы посвящены очень специфическим направлениям, таким как расширенная обработка естественного языка на Python, другие в этом месяце могут обсуждать введение во временные ряды, а в следующем – продвинутые модели глубокого обучения. Чтобы понять, что вам больше нравится, лучше посетить несколько форматов. Тема, безусловно, важна, но вы должны найти то место, где почувствуете себя желанным гостем и получите удовольствие от общения с другими участниками. Почти у всех митапов есть учетная запись на https://www.meetup.com, так что можно выполнять поиск по теме. Наберите в строке поиска «Data Science», «машинное обучение», «Python, R» или «аналитика», чтобы найти подходящие мероприятия в вашем регионе.

Вначале многих митапов люди заявляют о наборе сотрудников. Подойдите к ним и пообщайтесь: подбор персонала – это часть их работы, и даже если текущие вакансии вам не подходят, вам могут дать хороший совет или предложить альтернативные места для поиска.

Вы также можете встретить другого участника митапа, который работает в интересующей вас компании или отрасли. Спросите, есть ли у него время ответить на несколько вопросов, чтобы вы могли больше узнать об этой области. Такой разговор не является (или, скорее, не должен быть) пассивно-агрессивным способом поиска работы, скорее это отличная возможность получить взгляд изнутри и совет от специалиста. В главе 6 мы поговорим о преимуществах получения рекомендаций, однако не советуем просить о них людей, с которыми едва познакомились. Вы хотите слишком многого от человека, который вас толком не знает; кроме того, никому не нравится чувствовать, будто его используют. Если кто-то расскажет вам о вакансии в своей компании и предложит вас порекомендовать – отлично! Но даже если этого и не произойдет, вы все равно сможете многое извлечь из такого разговора.

Посещение митапов полезно и по другим причинам. Во-первых, они позволяют находить единомышленников рядом с вами. Если вы переехали в другой город или только что окончили колледж, то можете почувствовать себя чужим. Митапы – отличный шанс сделать карьеру и выстроить круг общения. Можно воспользоваться преимуществами митапов, чтобы просто пообщаться или завязать знакомства, которые могут помочь вам с чем угодно, начиная от конкретных вопросов по анализу данных до получения рекомендаций при поиске работы или менторинга. Учтите, что некоторые митапы публикуют записи выступлений в интернете, а другие – нет, поэтому личное присутствие – это единственный способ поучаствовать и увидеть все своими глазами.

К сожалению, у митапов есть несколько недостатков. Может быть страшно участвовать в мероприятии, где у всех есть опыт и/или все друг друга знают. Синдром самозванца никто не отменял, но вы обязаны его побороть, так как мест с дружественной атмосферой все же больше, чем просто хороших митапов. Наконец, хотя такие мероприятия помогают увидеть кухню Data Science изнутри, они могут быть закрытыми или неразнообразными в плане состава участников: это зависит от приветливости организаторов и от связи митапа с разными сообществами.

Если вы не живете в городе или рядом с ним, то, возможно, не сможете найти DS-митапы поблизости. В этом случае вам отлично подойдут Twitter и LinkedIn. Если вы подписаны на нескольких известных дата-сайентистов, то по их хештегам или ретвитам сможете найти других людей, на которых можно подписаться. Вы также можете начать создавать личный бренд.

Нам нравится использовать Twitter несколькими способами:

• Делиться своей работой. После написания отличной статьи в блоге вы хотите, чтобы другие люди узнали о ней! Самореклама со ссылками на свою работу с кратким описанием – совершенно нормальная практика.

• Делиться работой других людей. Вы прочитали что-нибудь классное? Пакет сохранил вам кучу нервов? Увидели в выступлении слайд, который оказался особенно полезным? Если да, помогите другим людям. В главе 6 мы обсуждаем один из лучших способов связаться с кем-либо: рассказать о пользе, которую принесла вам работа этого человека. Отметить автора в своем посте с помощью хештега – отличный способ привлечь его внимание. Если вы делитесь выступлением, проверьте, есть ли у конференции или митапа свой хештег; с ним ваш твит станет заметнее.

• Обращаться за помощью. У вас есть задача, на которой вы застряли и не смогли решить даже с помощью Гугла? Вполне вероятно, что кто-то другой столкнулся с той же проблемой. В зависимости от типа задачи можно пойти на определенные форумы или веб-сайты, задать вопросы или кинуть клич, используя соответствующий хештег.

• Обмениваться советами. Не все нужно непременно публиковать в блоге, но если у вас есть совет по быстрому решению задачи – поделитесь им. Вы можете считать, что вопрос того не стоит и все и так все знают, но помните: начинающие специалисты многого не понимают. Даже люди, которые годами использовали определенный язык, могут не знать какой-то новый способ решения.

В соцсетях можно также писать, что вы ищете работу, и спрашивать других о потенциальных вариантах. Даже если у вас еще не сформировалась обширная сеть контактов, ваши друзья, бывшие одноклассники и коллеги могут знать о вакантных должностях в компаниях. Этот подход обычно эффективнее работает на платформах, объединяющих дата-сайентистов, например на LinkedIn или Twitter, но даже на Facebook можно найти полезные контакты.

В начале карьеры часто кажется, что связи есть только у тех, кто уже работает с данными. Секрет в том, что их нужно искать задолго до поиска работы. Чем больше вы сможете выйти из своей зоны комфорта и общаться с людьми на конференциях, митапах, в академических учреждениях, на барбекю и так далее, тем более подготовленными вы будете при следующем поиске вакансий.

Запасной аэродром

Распространенная ошибка при поиске работы – возложение больших надежд только на одну вакансию и отказ от собеседований в других компаниях. А вдруг вам откажут? Вы же не хотите снова начинать поиск с нуля. На каждом этапе у вас должно быть несколько запасных вариантов: отправленные отклики, отсеивание рекрутером, тестовое задание и собеседование. Не считайте, что все закончилось, пока не примете оффер в письменной форме.

Наличие нескольких вариантов также помогает проще реагировать на отказ. Когда вы ищете работу, отказы почти неизбежны, а не принимать их на свой счет или не воспринимать их как показатель вашей ценности иногда непросто. В некоторых случаях вам могут даже не сообщить об отказе – вам просто не ответят. Но многие причины отказа зависят вовсе не от вас. Компания могла закрыть вакансию, никого не наняв, взять кандидата внутри организации или принять того, кто откликнулся на порядок раньше вас. Получить отказ всегда обидно, особенно от компании, которая вас действительно заинтересовала, поэтому потребуется немного времени, чтобы осмыслить свои чувства. Наличие же других вариантов поможет вам сохранить мотивацию и двигаться дальше.

Наконец, имея несколько возможных вариантов, вам проще отказать работодателю. Вы могли пройти собеседование с рекрутером и справиться с тестовым заданием только для того, чтобы в итоге обнаружить, что в компании нет инженеров по обработке данных, в команде по анализу данных всего несколько человек (и это при том, что компания крупная), или же понять, что реальные требования сильно отличаются от заявленных в описании вакансии. Несмотря на то что ждать идеальных условий не стоит (поскольку их попросту не существует), у вас наверняка есть несколько жестких требований, придерживаться которых гораздо легче, если вы понимаете, что в других организациях они будут соблюдены.

Сейчас у вас уже должен быть список как минимум из десятка вакансий, которые вам в той или иной мере интересны и могут подойти. Вы откликнетесь на все сразу?

Некоторые действительно откликаются на десятки или даже сотни вакансий. Они пытаются постелить себе соломки, полагая, что если шанс получить отклик на любую вакансию равен 10 %, то направление откликов в как можно большее количество компаний даст больше обратной связи. Но это не так: при ограниченных ресурсах и времени и распылении на 100 предложений вместо 10 шансы на положительный исход только падают. В главе 6 мы поговорим о том, как адаптировать отклики под каждую вакансию, но учтите, что метод работает только если вы будете избирательны. Если вы решите откликнуться на объявления 50 компаний, вы практически обречены.

R И PYTHON Следует ли откликаться на вакансию, если в требованиях указано знание Python, а вы знаете R, или наоборот? Зная один язык, вам, безусловно, будет проще освоить другой, однако вам уже и так предстоит многому учиться, например работать со стейкхолдерами, осваивать внутреннюю политику, статистику, датасеты и так далее. Даже если бы вас взяли, изучение нового языка в дополнение ко всему остальному может сложно даваться. Поэтому мы обычно рекомендуем откликаться только на те вакансии, где указан основной язык, который вы знаете. Держите руку на пульсе: если в описании сказано, что знание одного из языков является плюсом, а другой в требованиях не указан, это может означать, что на самом деле программировать вы не будете. Наконец, некоторые вакансии требуют знания обоих языков. Не расслабляйтесь: обычно это требование означает, что специалисты будут использовать любой язык, который знают, а это может усложнить совместную работу. Такая вакансия может вам подойти, но не забудьте уточнить во время собеседования, по какому принципу выбирается язык. Если в команде из 20 человек вы будете одним из двух, использующих Python, улучшить навыки программирования будет сложно.

Вспомните, что вы узнали из первых двух глав о типах DS-компаний и видах работы. Хотите ли вы заниматься всеми направлениями Data Science, настраивая в этом месяце систему рекомендаций, а в следующем создавая модель ценности? Если да, вероятно, вам следует попробовать себя в фирме, которая начала заниматься этим недавно, поскольку в более устоявшихся организациях будут специализированные должности. С другой стороны, в крупных технологических компаниях есть легионы дата-инженеров, поэтому всегда можно легко и быстро получить стандартные данные.

Что-то будет очевидно на основании фактов о компании; например, у стартапа из десяти человек явно не будет развитой системы обработки и анализа данных. Но как узнать больше?

Во-первых, посмотрите, есть ли у организации блог о Data Science. Обычно он есть только у технологических компаний, но изучение таких публикаций помогает понять, чем на самом деле занимаются специалисты по данным. Включите свои положительные отзывы о блоге в сопроводительное письмо (см. главу 6) – это обязательно оценят. Если вы прежде никогда не слышали о фирме, изучите ее веб-сайт. Когда вы знаете, чем занимается компания и как она зарабатывает деньги, вы можете предугадать, каким типом работы с данными придется заниматься. Наконец, если организация вам действительно интересна, посмотрите, есть ли у кого-нибудь из ее сотрудников блог, в котором они рассказывают о ней или о своей работе.

Читая о компании, не забывайте о том, что важно конкретно для вас. Хотите иметь возможность работать удаленно? А что насчет длительности отпуска? Выделяет ли компания время и деньги для поездок на конференции? Кроме того, информация, которую фирма дает о себе, может рассказать вам о ее ценностях. Настольный футбол, пиво в офисе и доставка обедов? Там, вероятно, будет много молодых сотрудников. Упор на гибкий график работы или отпуск по семейным обстоятельствам? Эта компания, скорее всего, будет хорошо относиться к родителям. В главе 8 мы расскажем, как договариваться не только о зарплате, но на этом этапе вы как минимум можете понять, соответствуют ли преимущества компании вашим приоритетам.

Теперь, когда у вас есть приемлемый перечень подходящих вакансий, пора откликаться! В главе 6 мы расскажем, как написать отличное резюме и сопроводительное письмо, а также адаптировать их для каждой компании.