Światowe Forum Ekonomiczne oczekuje 41% firm na całym świecie Do roku 2030 firma, w związku z rozwojem sztucznej inteligencji, zredukowała zatrudnienie, podczas gdy firmy takie jak Meta ogłosiły Plany redukcji liczby pracowników w tym roku.
Oznacza to jedno: Plus zwolnienia w branży technologicznej w 2025 r.
Osobiście znam kilku kolegów, których w zeszłym roku dotknęły zwolnienia w branży technologicznej. To sprawiło, że coraz bardziej martwiłem się o swoją karierę w dziedzinie data science, więc zacząłem robić rozeznanie. Rozmawiałem ze starszymi analitykami danych i liderami zespołów, a także inżynierami oprogramowania i menedżerami produktów, aby zrozumieć wpływ zwolnień w branży technologicznej na naukę danych.
Miałem dwa pilne pytania:
- Jak mogę uchronić się przed zwolnieniami w pracy naukowca zajmującego się danymi?
- Czy w 2025 roku nadal warto zostać naukowcem zajmującym się danymi?
Na podstawie zebranych informacji i mojego osobistego doświadczenia uważam, że praca w dziedzinie data science nadal będzie istnieć w ciągu najbliższych pięciu lat. Jednak pozostaną tylko „naukowcy danych generujący wartość dodaną”, a ci, którzy nie poprawiają wyników finansowych firmy, zostaną wyeliminowani.
Chociaż żadna praca nie jest w 100% bezpieczna przed zwolnieniami, podzielę się z Tobą 3 sposobami, aby stać się Niezbędny naukowiec zajmujący się danymi.
Pod koniec tego artykułu dowiesz się:
- Jak zdobyć i utrzymać dobrze płatną pracę w dziedzinie nauki o danych
- Jak chronić swoją karierę naukowca ds. danych przed zwolnieniami i szybko awansować na stanowiska kierownicze
1. Budowanie solidnego fundamentu
Jako analityk danych powinieneś skupić się na budowaniu solidnych podstaw w zakresie statystyki, uczenia maszynowego i matematyki. Chociaż narzędzia i języki programowania stale się zmieniają, podstawowe koncepcje pozostają niezmienne. Jak wiadomo, modele sztucznej inteligencji mogą pomóc firmom w szybszym podejmowaniu decyzji dzięki uczeniu maszynowemu i programowaniu.
Jednak żadna firma nie będzie polegać wyłącznie na pracy modelu AI, aby podejmować decyzje warte wiele milionów dolarów. Firmy będą musiały zatrudnić analityków danych – ekspertów, którzy będą w stanie pokierować sztuczną inteligencją, korygować jej błędy i szybko dostarczać wniosków. Analityk danych omówi najlepsze techniki, zmieni kurs, gdy jedno podejście okaże się nieskuteczne, i zweryfikuje wszelkie wyniki generowane przez sztuczną inteligencję.
Jednak firma będzie potrzebowała mniej osób do wykonania tego zadania ze względu na wzrost wydajności spowodowany sztuczną inteligencją. Ci specjaliści ds. danych będą dobrze opłacani, ale muszą posiadać solidną wiedzę z zakresu podstawowych pojęć związanych ze statystyką i uczeniem maszynowym, a także wysokie umiejętności logicznego myślenia i rozumowania. Podczas gdy większość firm koncentruje się obecnie na realizacji i szybkości, organizacje zaczną faworyzować specjalistów ds. danych z solidną wiedzą teoretyczną na temat modeli uczenia maszynowego.
Oto kilka bezpłatnych źródeł, które polecam do nauki matematyki i teorii stojącej za zastosowaniami nauki o danych:
- Kanał YouTube 3Blue1Brown Do pojęć matematycznych takich jak algebra liniowa, rachunek różniczkowy i całkowy oraz sieci neuronowe.
- Lista odtwarzania Krisha Naika dotycząca uczenia maszynowego Zrozumieć podstawowe koncepcje uczenia maszynowego
- Kanał YouTube Statquest Do celów statystycznych
2. Wybieraj role zorientowane na biznes.
Każdy pracownik, który bezpośrednio generuje przychody dla firmy, jest cenny. Niestety, wiele stanowisk w obszarze data science koncentruje się na przyszłym wpływie, a nie na natychmiastowym wzroście przychodów.
Na przykład, kiedyś pracowałem nad czteromiesięcznym projektem segmentacji naszej bazy klientów w celu lepszego targetowania. Po czterech miesiącach stworzony przez nas model segmentacji klientów nie był wykorzystywany w produkcji, ponieważ nie sprawdzał się w przypadku rzeczywistych danych użytkowników. W rezultacie porzuciliśmy cały projekt.
Wiele ról w nauce o danych przypomina ten przykład – koncentrują się na eksperymentach. Naukowcy zajmujący się danymi często tworzą Rzeczy, które mogą zadziałać w przyszłości Zamiast projektów, które obecnie generują przychody. W rezultacie, jeśli dojdzie do zwolnień i firma będzie zmuszona kogoś zwolnić, prawdopodobnie obierze za cel zespół ds. analizy danych, który nie jest niezbędny do osiągnięcia bezpośredniego wpływu na biznes.
Jeśli jednak wybierzesz stanowisko analityka danych bliższe firmie – takie, na którym będziesz bezpośrednio współpracować z interesariuszami i zespołami sprzedaży, aby podejmować decyzje generujące przychody – Twoja praca będzie bezpieczniejsza. Na przykład, jeśli pracujesz w Google i możesz doradzać zespołowi produktowemu w kwestii funkcji wyszukiwania, która będzie generować przychody dla firmy, Twoja praca będzie miała bezpośredni wpływ na przychody. Oznacza to, że będziesz odgrywać ważniejszą rolę w firmie i mniejsze jest prawdopodobieństwo, że zostaniesz zastąpiony.
3. Stawiaj jasność ponad wszystko.
Jeśli chcesz utrzymać pracę i awansować, musisz być widoczny. Dotyczy to każdego stanowiska, nie tylko analityka danych.
Pozwólcie, że zilustruję to przykładem dwóch współpracowników – Pammy i Jima – którzy oboje zajmują się nauką o danych.
Jim jest dobry w żonglowaniu liczbami. Jest genialnym programistą i tworzy niezwykle precyzyjne modele uczenia maszynowego, które są niezwykle cenne dla firmy. Jednak Jim nigdy nie promuje swojej pracy. Zazwyczaj milczy na spotkaniach i nikt nie korzysta z jego modeli, ponieważ tak naprawdę nie rozumie, do czego służą. Kiedy zespoły potrzebują analizy od Jima, często wpatrują się w jego arkusze kalkulacyjne, poświęcając mnóstwo czasu na przełożenie jego liczb na decyzje.
Z drugiej strony, Pammy jest dobra w programowaniu i żonglowaniu liczbami. Spędza jednak godziny promując swoje modele w różnych działach biznesowych. Dokumentuje każdą analizę, którą tworzy, w formie prezentacji lub wyświetla ją na pulpicie nawigacyjnym, podkreślając ważne wnioski, które zespoły mogą wykorzystać do podejmowania decyzji. Aktywnie wyraża swoje pomysły podczas spotkań zespołowych i jasno wyjaśnia zagadnienia techniczne interesariuszom biznesowym. W rezultacie Pammy konsekwentnie otrzymuje lepsze oceny okresowe niż Jim. Większość zespołów kierowniczych ją docenia i chętnie z nią współpracuje. Awansuje szybciej, co zmniejsza ryzyko zwolnienia, gdy firma zdecyduje się na cięcie kosztów.
Umiejętność komunikowania się i promowania swojej pracy to coś, co wszyscy profesjonaliści z branży technologicznej muszą posiąść, aby szybko piąć się po szczeblach kariery. Naukowcy zajmujący się danymi nie są tu wyjątkiem.
główne punkty
Rynek pracy jest niepewny, a zwolnienia w branży technologicznej raczej nie ustaną w najbliższym czasie. Dla naukowców zajmujących się danymi (a nawet dla tych aspirujących) może to być przytłaczające.
Istnieją jednak sposoby, aby pozostać konkurencyjnym na tym rynku pracy i osiągnąć sukces: należy skupić się na podstawowych koncepcjach, ściśle współpracować z zespołami generującymi przychody i promować swoją firmę wśród interesariuszy.
Możliwość dodawania komentarzy nie jest dostępna.