Как найти крутого спеца по данным: практические рекомендации

Область Data Science очень динамична. Неудивительно, что на рынке наблюдается дефицит квалифицированных специалистов.

Как решить кадровый вопрос? И где искать человека, способного привести ваш проект к успеху? Об этом мы сегодня и поговорим.

Коротко о сути понятий

Собственно, что такое Data Science? Nермин имеет широкое толкование, и его можно назвать “зонтичным”. Иными словами, это область знаний, служащая “зонтиком” для многих сопряженных наук: статистики, математики, информатики, машинного обучения и т.д.

Есть и более “бизнесовые” толкования, например: Data Science — искусство преобразования данных в конкретные решения.

Кто такой data scientist?

Специалист этой области, как и она сама, не имеет четкого определения и круга обязанностей.

Алексей Натекин, основатель компании Data Mining Labs:

«Когда человек называет себя data scientist, то бывает трудно понять, какой частью этого широкого круга задач он занимается. Узнать, на чем именно он специализируется, получится только при личном общении».

В узких кругах шутят: data scientist — это человек, который знает статистику лучше программиста, и программирует лучше статистика. Как известно, в каждой шутке есть доля правды, и, на самом деле, это определение достаточно близко к истине.

Все это хорошо, но как руководителю найти “того самого” data scientist’а? Первый вариант — классический: разместить вакансию на сайтах поиска работы или самостоятельно просмотреть резюме соискателей (минус в том, что резюме аналитиков там перемешаны с резюме инженеров, статистиков, программистов и пр.). Второй — более современный: попробовать найти специалиста в социальных сетях, например в одной из профильных групп на Facebook.

Кстати, недавно администраторы одного из таких сообществ собрали статистику о своих пользователях и выделили четыре типа data scientist’ов:

1. исследователи: люди, специализирующиеся на статистике, плохо знающие программирование и слабо ориентирующиеся в бизнес-вопросах.
2. разработчики: люди, которые отлично программируют, но не разбираются в статистике и, по большей части, занимаются техническими аспектами аналитического процесса;
3. креативщики: люди, способные заниматься всем — эдакие птицы свободного полета;
4. предприниматели: специалисты, которые наравне с техническими навыками прекрасно разбираются в бизнес-процессах.

Спросите коллег

Проблема, как и во многих других областях, заключается в том, что высококлассных специалистов мало. Как особенность можно выделить то, что с ними очень легко проводить собеседование – речь пойдет о портфолио и реализованных проектах. «Навешать лапши на уши» обеим сторонам при этом сложно.

Младших специалистов и тех, кто хочет ими стать, напротив, очень много, в том числе людей, прослушавших пару курсов и требующих зарплату почти как в Кремниевой долине. И как раз сложнее всего нанимать именно таких сотрудников. Ведь в перспективе мы хотим, чтобы они росли, становились все более самостоятельными и лучше разбирались в области.

Можно нанять 10 человек с красными дипломами Физтеха, однако невозможно угадать, кто из них окажется достаточно одаренным, чтобы самостоятельно “затащить” какой-либо проект. Это сложные психологические нюансы, которые приходится выявлять в процессе общения с человеком.

Специалистов средней руки также достаточно много, их можно найти за разумное количество встреч с кандидатами, отсеивая переоценивающих себя начинающих. А вот высококлассных экспертов обычным поиском не найти.

Если разместить такую вакансию на каком-либо рекрутинговом сайте, откликнется много неадекватных личностей, ни одного из которых вы не захотите пригласить к себе в офис для беседы», – полагает Натекин. Нужных специалистов приходится искать либо с помощью профессиональных хедхантеров, либо через личные связи и сообщества. Остальных вполне можно найти в открытых источниках и даже через академические связи и мероприятия. Впрочем, это касается многих категорий специалистов.

Самый эффективный вариант поиска специалистов высшего уровня – спросить рекомендацию у их коллег. Особенно им нравится, когда они могут напрямую пообщаться с людьми из команды потенциального работодателя. Это помогает и заранее познакомиться, и оценить свои перспективы. Таким образом, личные связи – самый быстрый и эффективный способ найма нужных людей.Самое важное в интервьюировании тех, кто называет себя data scientist, – как можно больше говорить об их практическом опыте и реализованных проектах, интересуясь причинами выбора тех или иных подходов и альтернативными вариантами решения задачи.

Есть большое количество «коварных» вопросов для собеседований, верные ответы на которые можно просто выучить. Интересующую компании теорию тоже можно зазубрить в процессе хождения по компаниям. А вот портфолио сфабриковать крайне сложно, если проекты есть – они видны. Причем в качестве своего багажа проделанной работы можно показывать не только коммерческие проекты, которые вы делали для компании. Вполне подойдут работы с хакатонов и конкурсов, и даже домашние проекты. Все это – явный признак наличия за плечами определенного опыта.

Советы специалиста

Алексей Натекин, основатель компании Data Mining Labs:

Если вы хотите, чтобы кандидаты не врали на собеседованиях, не врите в вакансиях. Например, очистка данных является рутинной, но необходимой процедурой любого проекта. Об этом следует честно сказать в вакансии, не ограничиваясь лишь привлекательными творческими обязанностями.

При выборе инструментов надо ориентироваться на открытые платформы. Они чрезвычайно популярны в среде разработчиков, и не стоит верить заказным исследованиям Gartner, называющим в числе лидеров известные коммерческие продукты. Выбор специалистов не случаен: разработка на свободных продуктах удобна и не менее качественна, чем на проприетарных решениях. И ни в коем случае не надо объяснять специалисту, как ему следует работать, особенно если сам далек от этой области.

Аналитики McKinsey еще в 2012 году предсказали громадный дефицит специалистов по данным, который только в США к 2018 году должен был составить от 140 до 190 тыс. человек. Этот прогноз часто цитировался, но никто не обратил внимания на следующий абзац того же отчета, говорящий о том, что будет не хватать 1,5 млн менеджеров, способных задавать аналитикам правильные вопросы.