Почему анализ данных, а не Data Science

Слышал, что при боевых действиях есть приём идти не основным путём, а параллельным. Типа всем говоришь, что пойдешь долиной, а отряд ведёшь по соседнему хребту. По основной дороге ходят чаще, поэтому там могут устроить засаду. А с хребта хорошо видно и саму дорогу, и все неприятности, которые там поджидают.

Применил нечто подобное при выборе новой специальности: в прошлом году закончил курс по аналитике данных в Яндекс Практикуме и сменил профессию.

Почему не в Data Science?

Аналитик данных — для меня это быстрый старт в новой отрасли; такой MVP. «Быстрый» — относительно Data Science:

  1. Ниже порог входа по необходимым знаниям. Соответственно, быстрее обучение.
  2. Больше потребность на рынке (167 вакансий по запросу «Data Scientist» против 2669 «аналитиков данных» по данным hh.ru). Соответственно, быстрее поиск новой работы.

Порог входа ниже: не нужны фундаментальные знания математики. Для таких как я — кто просто пугается слов «производная», «интеграл» или «дифференциальные исчисления» — это особо актуально. Чтобы подтянуть математику до необходимого уровня, нужно много времени; и можно это делать параллельно уже с новой работой аналитика.

Потребность на рынке выше, поэтому и выше шанс найти работу в разумные сроки (то есть пока не кончилась «взлётная полоса» — финансовая подушка).

Не во всех компаниях применяют машинное обучение: многим нужно просто помочь работать с их небольшими данными. А в тех компаниях, где уже применяют машинное обучение, работы с данными гораздо больше, поэтому и людей им нужно больше: встречал такую статистику, что на каждого дата саентиста нужно по два дата инженера, чтобы собирать и готовить данные для последующего применения.

С другой стороны, вокруг профессии аналитиков нет такого хайпа, и поэтому нет такого потока кандидатов на открытые вакансии. То есть спрос большой, а предложение не такое большое)

Иерархия потребностей Data Science из статьи на Towards Data Science:

Share
Send
Pin
 47   5 mon   data science
Popular