Содержание
Разработка на Python, работа с алгоритмами прогнозирования и оптимизации, поиск математических решений для бизнес-задач – это то, чем занимаются аналитики-исследователи. Часто к нам приходят начинающие математики, которым интересно использовать на практике полученные в вузе знания, и в процессе работы над реальными задачами бизнеса они дорастают до профессиональных аналитиков-исследователей.
Здесь всё просто: работодатель хочет, чтобы вы были увлечены своей работой, могли с ней справляться, работать в команде и сохранять мотивацию. А если конкретнее, то самые распространенные требуемые навыки и качества приводим ниже.
· Желание разрабатывать математические алгоритмы анализа и обработки данных, прогнозирования, оптимизации. Это в некоторой степени упрощает работодателю ваше развитие и мотивацию, а вас самих предохраняет от выгорания.
· Уверенное знание алгоритмов и структур данных. Для работодателя это сигнал, что вы действительно специалист, а не стажер, которого нужно еще обучать или доучивать.
· Хорошая математическая подготовка в области вычислительной математики, теории вероятностей и математической статистики. Это просто база. Это то, что поможет вам в реализации идей.
· Опыт разработки вычислительно эффективных алгоритмов обработки данных, доведение их до продакшена. Работодатель хочет видеть, что вы можете не просто разработать модель, но и знаете остальные стадии ее жизненного цикла и можете пустить ее в дело.
· Опыт работы с Git, TFS, NUnit, YouTrack или аналогичными системами. Есть множество инструментов, которые делают работу удобнее, упорядочивают ее и позволяют включаться в процессы совместной работы. Хорошо, если вы знаете такие инструменты и пользуетесь ими.
· Знания и опыт работы с реляционными СУБД.
· Опыт решения задач оптимизации (линейное программирование, целочисленное линейное программирование, программирование в ограничениях) или анализа и прогнозирования временных рядов.
· Знание и опыт работы с моделями машинного обучения (модели временных рядов, линейная регрессия, деревья решений и их леса).
· Знание и опыт работы с моделями математической статистики, машинного обучения и глубокого обучения в следующих областях: Time Series, Classic ML, NLP, CV.
Требования на конкретные позиции вы можете найти в описаниях вакансий.
Аналитик-исследователь, с одной стороны, является универсальным солдатом, поскольку умеет работать с самыми разными математическими алгоритмами. С другой – он погружается в отраслевую специфику компаний, с которыми работает.
Например, мы создаем решения для управления цепями поставок и интегрированного бизнес-планирования. Соответственно, когда речь заходит о временных рядах, это значит, что математик работает над задачами прогнозирования спроса или управления запасами на складах. Классические модели машинного обучения используются при прогнозировании промо, поиске аномалий по доступности товаров на полках. Обработка естественного языка – при работе с большими объемами строковых данных от ОФД. Компьютерное зрение – при распознавании объектов по фотографиям товарных полок магазинов.
Чем больше проектного опыта вы нарабатываете, тем более ценным вы становитесь. Если вы развиваете при этом еще и софт-скилы и учитесь представлять результаты своей работы, рассказать, что именно вы сделали и к каким результатам это привело, то перспективы становятся еще более радужными. В силу образа мышления, в силу самого типа личности, среди математиков не так много экстравертов, готовых в проактивном режиме общаться с заказчиками, выступать на аудиторию и представлять свои организации в публичном пространстве. Если вы начинаете прокачивать эту сторону, вы становитесь еще привлекательнее для работодателей.
Приходя джунами на стартовую заработную плату по рынку, специалисты набираются навыков и опыта, нарабатывают портфолио выполненных проектов, погружаются в отраслевую экспертизу. В итоге миддлы и сеньоры получают уже в диапазоне 180-400 тысяч плюс премии, привязанные к результатам проектной работы.
Что касается повышений, то здесь многое зависит от политики работодателя и тактики специалиста.
Кто-то быстрее растет по карьерной лестнице, у кого-то развитие идет более плавно и поступательно. Причем, треки развития могут быть разными у людей даже внутри одной компании. К примеру, в нашей компании ежегодно проводятся карьерные ревью и аттестации, где специалист с руководителем оценивают прогресс в навыках и обсуждают дальнейшие возможности развития и взаимные ожидания. При этом поскольку работа проектная, то каждый получает возможность попробовать себя в различных отраслях (производство, промышленность, ритейл) и на разных наших продуктах. И здесь очень многое зависит от того, как вы сами для себя определяете, чего вы хотите – разнообразного опыта в разных отраслях с одним продуктом, расти как эксперт в рамках одной отрасли и одного вида решений, развиваться как лидер сначала рабочей группы, а затем и целой команды. Этими вводными и будет определяться ваш профессиональный и карьерный рост.
И кстати, очень часто бывает такое, что специалист не видит подходящей для себя вакансии, заходя на сайт компании. Не дорос, не хватает знаний, не хватает практики или наоборот хочется большего масштаба. Но это не является препятствием. Всегда можно написать в HR и узнать, готовы ли в компании рассмотреть вашу кандидатуру на позиции ниже или выше предложенных.
Автор: Елизавета Русских, директор по персоналу GoodsForecast