Как найти работу data scientist

Считается, что Data Science — это очень сложное направление, в котором обязательно нужны математические знания и техническое образование. Это верно только отчасти: внутри Data Science есть сайентисты, аналитики и инженеры. У них разные задачи и им нужен разный бэкграунд. О том, на кого легче выучиться гуманитарию, что нужно знать, чтобы войти в новую специальность и можно ли стать хорошим аналитиком данных без профильного опыта, рассказывает преподаватель GeekBrains, Data Analyst с уклоном в Data Engineering Никита Васильев.

В Data-Science (по крайней мере, в крупных компаниях) работают не только Data-сайентисты, но и аналитики с инженерами. Это разные профессии, для которых нужны разные знания и навыки. Например, если банку нужно определить, какой клиент вернёт кредит, а какой нет, аналитик найдёт источники данных для анализа. Он исследует их доступность, а результаты передаст инженеру. Тот обработает эти данные для сайентиста, приведёт их в нужный вид и формат. Сайентист, в свою очередь, будет решать задачи бизнеса. Получив данные от инженера, он переведёт их на математический язык и найдёт метрику для измерения проблемы. Именно этот специалист может посчитать, с какой вероятностью клиент вернёт кредит, построив модель из данных. После этого сайентист передает её обратно аналитику. Тот с помощью AB-тестов и других методов оценит эффективность модели и её статистическую значимость, а в конце проекта аналитик визуализирует полученные данные в виде графика или других наглядных материалов. Он презентует результат руководству и объяснит свои выводы.

Что нужно знать аналитикам, инженерам и сайентистам

Из этих трех профессий в Data Science углублённо разбираться в математике должен только сайентист. Data-инженеру достаточно школьной базы, но нужно знать программирование и фреймворки, уметь читать документацию. Ещё не помешает владение понятиями нормального распределения, отклонения, понимать теорию вероятности на очень базовом уровне и знать основы статистики. Иногда людям кажется, что это скучная профессия, но если вы любите читать, изучать документацию, то Data-инженер — очень интересная специальность. 

Data-аналитику важнее всего софт-скиллы — разговорные навыки, умение вести документацию и процессы в Jira. Этот специалист делает вспомогательную работу в Data Science, поэтому на базовом уровне ему тоже стоит понимать теорию вероятности и статистику. Но на работе эти знания ему могут и не пригодиться. Всё зависит от специфики компании, в которую он устроится. Но точно понадобится понимание бизнеса, того, как там всё устроено, какие есть боли, задачи и проблемы.

Data Scientist действительно должен хорошо разбираться в математике: чтобы строить модели, нужно понимать, как они работают. Например, он должен знать, чем можно пренебречь, чтобы модель построилась быстрее, как её использовать и подать данные. Работать с ними, как с черным ящиком — нельзя.

Некоторые думают, что Искусственный интеллект — это отдельное направление, специальность внутри Data Science. На самом деле, это просто определенные алгоритмы, которые в него заложены. Сайентист получает модель в результате их применения. Если модель умеет предсказывать какое-то значение, расшифровывать речь, вести диалог или распознавать изображение — это и есть искусственный интеллект. 

ИИ занимаются специалисты по компьютерному зрению и обработке естественного языка (Natural Language Processing). Требования к этим специалистам аналогичны тем, что предъявляются к сайентистам, но вдобавок нужны знания про направление, которым они занимаются. Тем, кто занимается компьютерным зрением важно понимать, как работают алгоритмы по распознаванию видео и картинок, владеть С++. Специалисты по NLP должны знать Python.

Как учиться на Data Science

Стать специалистом в Data Science можно с любым (даже гуманитарным) бэкграундом, было бы желание. Моя сестра — студентка, учится на социолога. Сейчас она проходит курсы по SQL и Python, хочет стать аналитиком данных. Я ей рассказываю что нужно знать, на каком уровне и зачем. Она отлично справляется. 

Глубокие знания статистики или теории вероятности потребуются далеко не всем: это зависит от компании. Аналитики ищут источники, находят данные, соединяют их, а затем передают заказчику. Это львиная часть их работы. Вторая часть — умение разговаривать с коллегами. Никакая математика здесь не нужна, главное — научиться пользоваться языком запросов для БД. Достаточно понять логику и уметь правильно её описать. 

Самостоятельно овладеть профессией из Data Science сложно. Нужно много работы, практики, придётся потратить массу времени. Курсы позволяют сделать это гораздо проще и быстрее, так как есть готовая программа, наставник, который отвечает на вопросы, помогает и даёт обратную связь.

Проблема самостоятельного обучения — обилие источников, часто слишком сложных или ошибочных. Обычно в профессиональной литературе публикуют информацию не для новичков, а для людей с опытом. В ней будет много терминов и слишком глубокое погружение в область. У меня так было с первым учебником: я его открыл и вообще ничего не понял. Продирался через дебри неизвестной мне терминологии — «бустинг», «линейная регрессия». Начинаешь читать — куча слов, значения которых не знаешь. В результате новички путаются, стартуют не с того, накапливают ошибочные или неправильные знания. На курсах информацию для вас структурируют и она всегда будет корректной. 

Как облегчить обучение Data Science

Главная проблема для тех, кто решает учиться на Data-аналитика — незнание, с чем придется столкнуться и что с этим нужно делать. Чтобы определить, подходит ли вам Data Science, посмотрите на YouTube-ролики, авторы которых рассказывают, чем занимаются и какие навыки нужны, чтобы справляться с обязанностями. На первом этапе это поможет сложить представление о профессии. Не стесняйтесь писать авторам этих видео или расспрашивать своих знакомых, уже работающих в этой сфере.

Как бы вы не решили учиться, сами или на курсах, начиная обучение, обязательно почитайте, на какое направление идёте и какие знания вам нужны. Советую открыть вакансии на HeadHunter и прочитать требования. Составьте список навыков и по нему начинайте изучать специальность. В сети всё есть — документация, курсы по Data Science, статьи, видео. 

Выбирайте литературу, с которой вам комфортно работать. Есть очень разнообразные варианты — и поверхностные, и углубленные. Легче будет тем, кто пришел из математических специальностей: у них было много статистики и теории вероятности. Есть бэкграунд, есть знания, которые нужны. Но если этих знаний нет — их не проблема быстро нагнать при желании.

Если вы заинтересованы в результате, найти время на учебу несложно. Посмотрите вебинар вместо фильма, решайте задачи, пока едете в метро. Устали — почитайте обзорные материалы. Если есть возможность, изучайте темы посложнее. 

Самое трудное — не бросить. Это актуально и для курсов, и для самостоятельного обучения. Начинать учить что-то новое всегда сложно и важно соблюдать баланс. Занимаясь по 8 часов в сутки, вы перегрузите себя, испугаетесь обилия информации, быстро выгорите и бросите. Лучше обучаться планомерно: понемногу, но каждый день. Можете выделить два часа — занимайтесь два часа. Можете 15 минут — занимайтесь 15 минут. Главное — не забрасывайте и возвращайтесь к учёбе каждый день.

Ко мне на курс приходят учиться разные люди:

• Самоучки, которые хотят структурировать знания, которыми обладают, получить базу и развиваться профессионально.

• Те, кто пришли из IT, но хотят переквалифицироваться. 

• Те, кто пришли из совсем другой сферы, так как хотят сменить профессию.

• Студенты технических и гуманитарных факультетов, которые хотят получить вторую специальность.  

Я учу студентов строить модели на основе линейной регрессии, градиентного бустинга, дерева решений и делать на этой основе выводы. Все задачи взяты из реальных бизнес-кейсов. Например, в конце обучения ребята сдают итоговый проект. В формате соревнования нужно пройти все этапы работы с данными, построить модель и предсказать стоимость домов по датасету. Для этого задания есть лидерборд, в котором каждый студент может видеть, как он справился со своей задачей по сравнению с теми, кто проходил курс раньше. Бывает, что человек стесняется спрашивать. Если что-то непонятно, но кажется, что вопрос глупый, лучше его задать, чем упустить возможность и не усвоить материал.

Приходя на курсы, большинство студентов облегченно выдыхает. У них наконец начинает складываться представление о профессии, её методах и задачах. А практикуясь, они понимают, что работа им под силу. Есть и те, кто разочаровывается. В основном это те, кто приходит в Data Science с нуля из-за денег и не хочет вникать в детали. Когда таким людям приходится писать много кода, они разочаровываются. Но по-другому учиться не получится. Нужно трудиться, выполнять практические задания. Если готов работать, будет легко.

Я пришел в Data Science с физического факультета. Из базы у меня были знания статистики и теории вероятности, но я ничего не знал о программировании. Учился сам — смотрел курсы на Youtube, читал книги. 

Без практики выучиться на профессию невозможно. Если решили обучаться своими силами, обязательно используйте тренажеры типа SoloLearn, чтобы набивать руку на кодинге. Научившись решать абстрактные задачи, вы сможете решать и реальные.

Некоторые скачивают простой датасет, строят несложную модель по шаблону и считают, что они полностью разобрались в теме. На самом деле этого мало и не хватит для работы — в Data Science можно разбираться всю жизнь и не получить даже половины знаний.

Чтобы было понятнее, вот пример задачи из моей работы. Нужно построить модель, которая измеряет эффективность сотрудника на основе данных: стажа, пола, возраста, того, как он проходит сертификации и тесты на знание продукта внутри организации. Отталкиваясь от этих данных моя команда построила модель, которая с высокой финансовой точностью предсказывала, выполнит ли сотрудник план к концу следующего месяца. Выявление таких людей позволяет на них влиять. Руководитель может прорабатывать с ними проблемы и добиться улучшения производительности. Такого рода задачи мы и решаем в Data-Science.

Зачем в Data Science программирование и Excel

Если вы уже знаете какой-то язык, будет легче. В Data Science используют Python, но у всех языков программирования есть общие паттерны. Из Python понадобится умения соединять таблицы, группировать, работать с аналитическими функциями. Также стоит изучить некоторые библиотеки. Для работы с массивами данных это NumPy, Pandas и Matplotlib для их визуализации. Ещё пригодятся TensorFlow и Keras — это готовые библиотеки с алгоритмами машинного обучения.

Частый вопрос — нужны ли для работы в Data Science глубокие познания в Excel. На самом деле, да. Хотя без Excel и можно обойтись, некоторые задачи в Python придётся делать гораздо дольше. 

Например, если аналитик подготовит простой график в таблице, он потратит на это меньше времени, чем если будет писать его на Python. Единственная проблема Excel в том, что он начинает медленно считать, если в таблице больше полумиллиона строк. Пользоваться макросами в Excel сейчас не стоит: Python удобнее и быстрее.

Бывает, что процессы уже написаны на макросах, и тогда переводить их на Python — пустая трата времени. Многие компании не хотят этим заниматься, поэтому бывает, что специалистам приходится поддерживать эти технологии.

Резюмируя, Excel в Data Science знать нужно как минимум на уровне формул, графиков и сводной таблицы. Тем более, в вашей компании многие будут знакомы с Excel, но ничего не знать про Python.

Если вы аналитик, у вас много раз возникнет ситуация, когда нужно быстренько выгрузить данные в Excel и отдать коллегам, чтобы они их посмотрели.

Как устроиться на работу без «вышки»

Первое место найти тяжело. Вам может потребоваться полгода или даже год. Начинать её искать стоит сразу после учебы — обязательно такую, где будет обратная связь. В одних компаниях это код-ревью, в других — ментор. Он проверяет, какими методами джун решил задачу, правильно ли, подсказывает более лаконичное и красивое решение.

Пока ищите, есть смысл продолжать практиковаться. Это не сложно: сами для себя находите датасеты и решайте какие-то задачи. Например, можно оценить количество людей в городе возрастом от 45 до 70 лет. Затем сделать модель, которая определит долю этой возрастной группы среди покупателей хлеба или посмотреть, какие продукты они берут в магазинах чаще всего. Ставьте себе подобные задачи и решайте их всё время поисков.

Если вы хотите попасть на работу в определенную компанию, а вас туда не берут из-за отсутствия опыта, расстраиваться не стоит. Можно попробовать поработать полгода в другом месте, а затем, получив опыт, попытаться еще раз.

Открою секрет: устроиться джуном проще, чем попасть на стажировку в крупную компанию. Там настолько серьёзный отбор, что порой кандидаты по скиллам бывают выше джуниоров. 

Главное на собеседовании — вести себя адекватно, не замыкаться, откликаться, если тебе пытаются помочь или подсказать. Идти на контакт, показывать свою обучаемость. 

На профильное высшее образование в резюме смотрят только у новичков без опыта. Если на работу пришли устраиваться два таких кандидата, возьмут того, что с дипломом. Еще смотрят на профильные курсы, сертификаты, если уже сталкивались и есть доверие к какой-то школе.

Главное — опыт, если он есть, образование неважно. Будут задавать технические вопросы и смотреть на прошлые места работы. Можете рассказать о проектах: что делали, как решали задачи и какими методами. Этого для собеседования достаточно.

Из софтскиллов смотрят на умение общаться и работать в команде. Для Data Science это важно, чтобы правильно выстраивать рабочий процесс. Однажды я был сотрудником компании, где мы перекидывались одной фразой за весь день, в других же местах мы целый день о чем-то говорили. Важно не бояться спрашивать у коллег и наставников. Это единственный путь быстро прокачаться в профессии.

После неудачных собеседований я никогда не стеснялся задавать вопросы о том, чего мне не хватило. На всякий случай возьмите у технического специалиста, который с вами говорил, контакты, чтобы задать этот вопрос, если вам откажут. HR оставит стандартный ответ и вы не узнаете, что именно было не так. Например, устраиваясь на работу, я видел, что везде нужен SQL. Когда не справился с собеседованием, попросил поделиться материалами. В итоге мне посоветовали сайт SQL-ex и я там его осваивал.

В практике моего друга была ситуация, когда он хотел переквалифицироваться в Java-разработчика, пошел на собеседование и завалил его. Он спросил, где не дотянул; ему посоветовали книгу. Сказали, если изучишь — приходи через полгода и попробуй снова. В итоге его действительно взяли на работу в ту же компанию. 

Если хотите получить большое конкурентное преимущество, есть смысл поизучать статистику и теории вероятности, чем глубже, тем лучше. Можно даже взять пару уроков у репетитора. 

Не расстраивайтесь, если собеседование не удалось. Любая оценка очень субъективна. Даже если в одном месте сказали, что профессия «не ваше», в другом ваш опыт может быть ценен. Чем больше собеседований вы пройдете, тем легче они будут даваться. С какого-то момента страх уйдет совсем. Встречи с работодателями — это полезно. Они локализуют те знания и скиллы, которых вам не хватает и позволяют не останавливаться. 

Этот текст написан в Сообществе, в нем сохранены авторский стиль и орфография

Работа, особенно если это новая работа, может открыть заново человека, главное чтобы у него было желание.

Меня зовут Светлана, я мама в декрете, успешный маркетолог в прошлом, закончила учебу на курсе — «Аналитик данных» и сейчас продолжаю учиться уже в магистратуре по направлению «Наука о данных». Я нашла работу аналитиком данных, будучи в декрете, после курсов, без опыта и без математического высшего образования, живя не в Москве

Площадки для поиска вакансий

По факту поиск работы после курсов мало отличается от поиска работы после вуза. Знания вроде есть, но они не проверены в боевых условиях, глаза горят, но кто на них купится — непонятно. Как истинный маркетолог любое новое действие я перевожу в простые и понятные объекты. Попробуем представить себе трудоустройство как процесс поиска идеальной компании из всего пула компаний, представленных на рынке, и получение предложения о работе.

Если посмотреть на тот же процесс глазами HR, то будет то же самое — процесс поиска идеального кандидата из всех и предложение ему работы. Везде воронки, которые с каждым этапом отсеивают нерелевантные предложения и оставляют самый сок. В маркетинге — это воронка клиентов, тут — воронка трудоустройства.

Рассмотрим воронку трудоустройства со стороны компании. Слева у нас те кто перешел на следующий этап воронки, справа — те, которым отказали. Все цифры условны. На интересные позиции эйчар обычно получает много резюме. Наша задача — создать такое резюме которое заметят, отложат, отправят тестовое и впоследствии донесут до стола руководителя. Про резюме мы поговорим еще ниже, но только успех на каждом этапе приведет вас к получению предложения о работе. Понятно, что не всегда соискатель проходит все этапы воронки трудоустройства, иногда на связь сразу выходит руководитель, если заметил в резюме специалиста, которого ищет.

Хедхантер. Это популярный агрегатор вакансий и резюме. Плюсы: большая база данных, легкое заполнение резюме, есть свой бот в вайбере, который тоже помогает в поиске. Минусов для соискателей нет, зато они есть для компаний. Размещение вакансии платное, просмотр резюме платное, не очень удобный интерфейс, из-за которого ваше сопроводительное письмо может легко затеряться.

Хабр. Это крупное русскоязычное комьюнити. В огромной базе «Хабр.Карьеры» есть актуальные вакансии по всем ведущим сферам ИТ-индустрии и всё больше работодателей перебираются на эту площадку. Плюсы площадки для соискателя — это возможность создать свое резюме, которое легко связать со своим профилем на Хабре. Можно видеть рейтинги компании до трудоустройства. Сервис позволяет узнать текущую зарплату по любой специальности ИТ-отрасли

Сталкивалась с этим на Хедхантере — название вакансии не соответствует задачам. В этом примере искали маркетолога-аналитика, а по факту это описание ближе к product manager. Не знаю, как на других ресурсах с этим. Тут поможет поиск не по названию а по ключевым словам — анализ, SQL, Python, нейросети и т.д.

Резюме и дополнительный опыт

Есть в маркетинговой среде книга «Точки контакта». Она описывает процесс контактов клиента с компанией. Цель книги — объяснить, что чем больше клиент будет в восторге от этих контактов, тем больше у вас шансов ему продать. Резюме — это то, что продает. Эдакое коммерческое предложение с описанием выгод для покупателя (HR). Это то, что продает вас на начальных этапах воронки трудоустройства, поэтому оно должно быть великолепным, чтобы купили сразу и даже не сомневались в своем выборе.

Представим, что вы уже руководитель отдела Data Science, ищите человека. И вот на столе лежит резюме, вы бы себя взяли на работу? Вот так вот, только честно. За что этот руководитель будет вам платить? За то что закончили курсы — гм, нет мимо. Или за коммуникабельность и обучаемость — нет, за это тоже не платят. Платят за пользу компании, желательно выраженную в деньгах.

Указывайте итоги работы или учебы и достижения. Старайтесь использовать формулировки «делал, сделал, реализовал, улучшил — что-то конкретное и с конкретным результатом», а не «делаю уже три года одно и то же». Если есть возможность прописать цифры / + 30% к достижениям в World of Tanks за 1 месяц:) / обязательно пишите. Если вы проходите курсы параллельно работая, подумайте как можете применить новые знания на старом месте- во первых это реальный опыт а не учебный кейсы. Во вторых — этот опыт потом можно указать в резюме. В третьих — быть может и работу менять не придется — а новая должность и новый оклад ждет вас в старых стенах.

Сопроводительное письмо

Я была со стороны HR и искала сотрудников, поэтому знаю что в интерфейсе Хедхантера возможно не заметить сопроводительное письмо, которое вы долго и старательно писали. Просто потому что интерфейс личного кабинета рекрутера такой. Но писать надо. Часто в вакансиях внизу можно увидеть: «Если вы дочитали до конца — отправьте нам сопроводительное с таким текстом». Эйчары не резиновые, а ответов может приходить очень много, большинство из которых не пройдут и первоначальных отбор. Наша задача отбор пройти — поэтому пишем.

Мне кажется сейчас не то время, когда можно относиться к работе только как к способу заработка денег. По большому счету устроиться на работу — это как начать новые отношения. Присматриваясь к описанию вакансии, отсылая сопроводительное мы посылаем друг другу слабые сигналы о том, что вот он тот единственный вариант который нужен. Веерная рассылка убивает всю возможность оставить о себе неизгладимое впечатление. А точно составленное сопроводительное письмо, которое расскажет о вас, и о том как приглянулась эта компания приведет к долгим и счастливым отношениям.

Я писала в сопроводительном о том, чем я могу помочь компании — даже если должность предполагает немного другой функционал. Такой формат сработает потому, что будет заметно что вам интересна компания, интересна вакансия, вы готовы тратить время чтобы изучить возможного работодателя. Одно из моих писем было размером А4. Потом уже, после переговоров, я узнала, что оно зацепило будущего руководителя.
Ответьте своим сопроводительным на немой вопрос рекрутера — “почему я должен пригласить именно тебя?”

Тестовые задания

Я кайфую от тестовых заданий — это такая серединка между курсами с подготовленными датасетами и реальной работой. Я использовала тестовые задания чтобы дополнительно прокачать те навыки которые на работе я не использовала или на курсах давали не развернуто. Например мы очень поверхностно прошли SQL, а он требуется в работе аналитика часто. Так же Excel, если основные знания уже есть — например ВПР, сводные таблицы и сложные, составные функции — проходить собеседование и работать в дальнейшем намного легче.
Тестовые это отличная практика в условиях приближенных к реальным. Ограниченное время, неясные формулировки и, возможно, задачи с которыми раньше не сталкивался.

Примеры тестовых заданий, в которых можно прокачать определенные навыки:

• качаем SQL;
• аналитика в Excel;
• тестовое Авито;
• кластеризация текстов;
• тестовое на английском + первый датасет + второй датасет;
• тестовые задания Яндекса.

Часто в компаниях от аналитика требуется уметь не только анализировать данные, но и представлять их в удобном виде для руководства и коллег.

В этом поможет задания на визуализацию в Bi системах на марафонах:
Для Bi системы Яндекса — Datalens

Марафон заданий для популярного Tableau

Собеседования

Вот мы прошли множество этапов и оказались лицом к лицу перед ясными очами руководства. Дальше только трудоустройство и поэтому этот этап надо пройти блестяще. Как нам показать себя и выделиться среди остальных претендентов? Ваша цель — максимально расписать выгоду для компании, которое принесет ваше сотрудничество.

Посмотрим на собеседование глазами руководителя — будь это руководитель группы аналитиков, продакт менеджер или генеральный директор. Цель найма одна — получить от нового сотрудника выгоды (прибыли) больше, чем этот сотрудник будет стоить для компании. Именно сейчас появляется шанс, которым обязательно надо воспользоваться и показать, что компания получит если возьмет именно вас на работу.

Изучите компанию вдоль и поперек — их продукты, сайты. Попробуйте купить что то или заказать звонок. Найдите прямых или косвенных конкурентов и посмотрите их преимущества и недостатки. Найдите точки, где ваша работа, как аналитика, может быть полезна уже сейчас. Именно такой взгляд и эти идеи можно и нужно рассказывать на собеседовании. Именно эти идеи могут помочь вам попасть в компанию, а компании впоследствии использовать их для развития. Зачетно, если это будет сделано в Bi системе — закроем сразу вопрос знаний и умений в визуализации и анализа данных из открытых источников.

Если у вас есть опыт в веб-аналитике, но нет в продуктовой аналитике, говорите, что готовы показать свое мастерство работы в Яндекс.Метрике или Google Аналитике. Настроим аналитику там, а значит можем сэкономить компании деньги и быстрее впишемся в коллектив.

Возьмите и оцифруйте свой предыдущий опыт работы, даже если он не релевантен. Краткая презентация о себе с цифрами, успехами, заслугами и даже поражениями. Качаем PowerPoint, и показываем навыки презентации. Снижайте опасение компании из-за возможно неправильного найма.

Разговоры о зарплате. Для меня честно говоря это самый трудный момент, оценить себя в деньгах, надеюсь что для вас вопрос будет легким. Посмотрим на зарплату глазами человека, который платит деньги — если трудоустройство прошло успешно, тогда прибыль компании будет больше затрат на сотрудника. Зарплата может быть сколько угодно большой, если она меньше той прибыли, которую генерирует сотрудник, то есть вы.

Трудности

Как только я вышла на тропу войны (тропу поиска работы) я столкнулась с трудностями. Те руководители, для которых найм аналитика в компанию проходит впервые, стали спрашивать меня, как я могу использовать свои навыки с курсов в работе. Как бы да, они понимают что анализ им нужен и аналитик теперь это модно но… Как ему понять, что анализ данных и дальнейшие действия смогут увеличить прибыль компании…
Тавтология. В этот момент становиться понятно что многим не понятно как с помощью анализа делать реальные деньги.

Мы не берем в расчет большие компании со штатом аналитиков больше сотни. Но есть множество тех, кто только начинает свой путь в Data Driven и стремиться выстроить продажи, закупки с учетом аналитики.
Поиграем! Наша задача научиться показывать выгоду от аналитики любому человеку, даже тому, кто достаточно далек от этой сферы. Вы пришли к бабушке, дедушке, маме, подруге и ваша задача — придумайте 2-3 проекта в аналитике данных, который бы заинтересовал и был полезен в их деятельности.

Например, я начну: моя мама — учитель в школе. Можно спарсить олимпиадные задания по разным регионам последних лет и выдавать списки таких заданий для подготовки ее учеников. Ученики побеждают — учитель получает премию. А если бы это была частная школа — тогда я бы предложила построить модель, которая на основании оценок в школе могла предсказать какую сферу выберет потом школьник, где он будет сильнее и успешнее. Повышаем привлекательность школы в глазах будущих учеников.

Подруга работает в производстве и распространении медицинских вебинаров. Можно предложить ей кластеризовать базу клиентов и делать рассылки за счет этого более “умными”.С акциями которые сработают для конкретного кластера.А можно за счет анализа
статей на медицинских порталах — предсказывать тренды и темы для будущих семинаров. Ее компания растет и опережает конкурентов. Кажется, что это просто игра, но на самом деле возможность находить применение своим знаниям и умениям пригодиться не только на этапе собеседования но и в работе, когда вы будете генерировать гипотезы для роста и развития компании.

Выводы

1. Сделать идеальное резюме.
2. Подписаться на каналы в Телеграме, Фейсбуке.
3. Уменьшить конкуренцию — искать вакансии по описанию, ключевым словам.
4. Решить пять тестовых заданий.
5. Принять участие в двух хакатонах.
6. Применить новые навыки на старой работе или учебе.
7. Рассказать «бабушке» об аналитике.
8. Дойти до переговоров в двух компаниях.
9. Получить оффер.

Научитесь: Профессия Data Scientist
Узнать больше