Всемирный экономический форум ожидает, что 41% компаний по всему миру Сократив свою рабочую силу из-за развития искусственного интеллекта к 2030 году, в то время как такие компании, как Meta, объявили Планы по сокращению численности персонала в этом году.
Это означает одно: Плюс увольнения в сфере технологий в 2025 году.
Я лично знаю нескольких коллег, которые в прошлом году пострадали от увольнений в сфере технологий. Это заставило меня все больше беспокоиться о своей карьере в области науки о данных, поэтому я начал проводить некоторые исследования. Я поговорил со старшими специалистами по обработке данных и руководителями групп, а также с инженерами-программистами и менеджерами по продуктам, чтобы понять влияние увольнений в сфере технологий на науку о данных.
У меня было два неотложных вопроса:
- Как защитить свою работу в сфере науки о данных от увольнений?
- Стоит ли становиться специалистом по анализу данных в 2025 году?
На основании собранной мной информации и моего личного опыта я считаю, что вакансии в сфере науки о данных будут востребованы в ближайшие пять лет. Однако останутся только «специалисты по обработке данных, добавляющие ценность», а те, кто не улучшает итоговый результат компании, будут уволены.
Хотя ни одна работа не застрахована от увольнений на 100%, я поделюсь с вами тремя способами стать Незаменимый специалист по обработке данных.
К концу этой статьи вы узнаете:
- Как получить и сохранить высокооплачиваемую работу в сфере науки о данных
- Как защитить свою карьеру в области науки о данных от увольнений и быстро подняться до руководящих должностей
1. Создание прочного фундамента
Как специалист по анализу данных, вы должны сосредоточиться на создании прочной основы в области статистики, машинного обучения и математики. Хотя инструменты и языки программирования постоянно меняются, основные концепции остаются прежними. Как вы знаете, модели ИИ могут помочь компаниям быстрее принимать решения с помощью машинного обучения и программирования.
Однако ни одна компания не будет полностью полагаться на работу модели ИИ при принятии многомиллионных решений. Компаниям необходимо будет нанимать специалистов по обработке данных — экспертов, которые смогут направлять работу ИИ, устранять его ошибки и быстро предоставлять аналитическую информацию. Специалист по анализу данных обсудит наилучшие методы использования, изменит курс, если один подход не работает, и проверит все результаты, предоставляемые ИИ.
Однако компании потребуется меньше людей для выполнения этой работы благодаря повышению эффективности, обеспечиваемому ИИ. Эти специалисты по обработке данных будут получать хорошую зарплату, но они должны обладать глубоким пониманием фундаментальных концепций, связанных со статистикой и машинным обучением, а также сильными навыками логики и рассуждения. В то время как большинство компаний сегодня уделяют особое внимание эффективности и скорости, организации начнут отдавать предпочтение специалистам по обработке данных с глубокими теоретическими знаниями в области моделей машинного обучения.
Вот несколько бесплатных ресурсов, которые я рекомендую для изучения математики и теории, лежащих в основе приложений науки о данных:
- Канал YouTube 3Blue1Brown Для таких математических концепций, как линейная алгебра, исчисление и нейронные сети.
- Плейлист Криша Наика по машинному обучению Понимать основные концепции МО
- Канал YouTube Статквест Для статистики
2. Выбирайте роли, ориентированные на бизнес.
Любой сотрудник, который напрямую приносит компании доход, является ценным сотрудником. К сожалению, многие специалисты по анализу данных ориентированы на будущее, а не на немедленный рост доходов.
Например, однажды я работал над 4-месячным проектом по сегментации нашей клиентской базы для лучшего таргетинга. По истечении четырех месяцев созданная нами модель сегментации клиентов не использовалась в производственной среде, поскольку она не работала должным образом на реальных пользовательских данных. В итоге мы отказались от всего проекта.
Многие должности в сфере науки о данных похожи на этот пример — они сосредоточены на экспериментировании. Специалисты по данным часто создают Вещи, которые могут сработать в будущем Вместо проектов, которые приносят деньги в данный момент. В результате, если происходит сокращение штата и компании приходится принимать решение об увольнении кого-то, они, скорее всего, будут нацелены на команду по анализу данных, которая не имеет решающего значения для достижения прямого эффекта от бизнеса.
Однако, если вы выберете должность специалиста по анализу данных, которая будет ближе к бизнесу, — такую, где вы будете напрямую работать с заинтересованными сторонами и отделами продаж для принятия решений, влияющих на прибыль, — ваша работа будет более стабильной. Например, если вы работаете в Google и можете консультировать команду по продукту по функции поиска, которая принесет компании больше прибыли, ваша работа будет напрямую влиять на доход. Это означает, что вы более значимы для бизнеса и менее склонны к замене.
3. Ставьте ясность превыше всего остального.
Если вы хотите сохранить свою работу и получить повышение, вам нужно быть заметным. Это касается любой должности, а не только науки о данных.
Позвольте мне проиллюстрировать это на примере двух коллег — Пэмми и Джима, которые оба работают в сфере науки о данных.
Джим хорошо справляется с цифрами. Он гениальный программист и создает модели машинного обучения, которые отличаются высокой точностью и представляют большую ценность для компании. Но Джим никогда не рекламирует свою работу. На совещаниях он обычно молчит, и никто не использует его модели, потому что на самом деле не понимает, что он делает. Когда командам требуется анализ от Джима, они часто сидят, уставившись в его электронные таблицы, и тратят много времени, пытаясь превратить его цифры в решение.
С другой стороны, Пами хороша в программировании и обработке чисел. Но она тратит часы на продвижение своих моделей в различных бизнес-подразделениях. Документируйте любой полученный вами анализ с помощью презентации или отображайте его на панели мониторинга, выделяя важные сведения для принятия решений командами. Она также активно высказывает свои идеи во время совещаний команды и четко объясняет технические концепции заинтересованным сторонам бизнеса. В результате Пэмми постоянно получает более высокие оценки своей работы, чем Джим. Большинство руководящих команд знают, кто они, и им нравится с ними работать. Вас быстрее повышают по службе, поэтому меньше вероятность, что вас уволят, если компания решит сократить расходы.
Умение общаться и продвигать свою работу — это то, что необходимо всем техническим специалистам, чтобы быстро продвигаться по карьерной лестнице, и специалисты по работе с данными не являются исключением.
основные моменты
Ситуация на рынке труда неопределенная, и, похоже, увольнения в сфере технологий не прекратятся в ближайшее время. Для специалистов по анализу данных (или даже для тех, кто только начинает этим заниматься) это может оказаться запутанным.
Однако все еще есть способы оставаться конкурентоспособными на этом рынке труда и добиваться успеха: сосредоточившись на основных концепциях, тесно сотрудничая с командами по генерированию доходов и продвигая свой бизнес среди заинтересованных сторон.
Комментарии закрыты.