От офисного работника до Data Scientist: пошаговое руководство по смене профессии

С джуна до тим-лида за 3 года? Невозможно? А вот Ростислав Скомороха, преподаватель курса Data Science в DAN.IT, доказывает собственным примером, что возможно все — главное желание, настойчивость и правильный подход к обучению.

Он начинал свой путь в сфере финансов, работал администратором в ресторане, а потом решил круто изменить свою жизнь и войти в IT. Без профильного образования, самостоятельно изучая Python и работая на фрилансе, он получил первую работу, а за три года вырос до руководителя команды разработчиков.

В этом интервью Ростислав рассказывает:

• Почему Data Science — одна из самых перспективных сфер в IT?
• С чего начать изучение data science?
• Как перейти в data science?
• Смена профессии в IT: какие ошибки чаще всего совершают начинающие и как их избежать?
• Как курсы помогают быстрее освоить профессию?
• Почему Data Science не для тех, кто пришел только за деньгами?

Почему Data Science — перспективное направление для карьерного роста

Во-первых, потому что мы сейчас переходим на новый этап эволюции. Данные повсюду, их становится все больше, и бизнесу нужны специалисты, которые не просто умеют их собирать, но и правильно обрабатывать и применять. Именно этим и занимается Data Science.

Как это работает? Мы создаем решения на основе данных: модели машинного обучения, алгоритмы, которые оптимизируют работу бизнеса и увеличивают прибыль.

Чем отличаются Data Science и Data Analytics

Часто новички путают Data Science и Data Analytics. У направлений есть общий инструмент — работа с данными, но суть отличается. Аналитики готовят и визуализируют информацию, чтобы бизнес мог понять тенденции и принять правильные решения. А Data Scientist берет эти подготовленные данные и строит на их основе модели, которые прогнозируют будущее. Например, маркетинговая кампания собирает данные о продажах, аналитик визуализирует их, а дата-саентист на основе этих данных строит алгоритм, предсказывающий поведение клиентов.

Эта сфера стремительно развивается. Те же чат-боты, например ChatGPT — это результат работы Data Science. Я даже считаю, что в будущем дата-саентисты частично заменят традиционных программистов.

Как стать data scientist: необходимые базовые навыки и знания

Технические навыки (hard skills)

1. Первое, что нужно, — это понимание математики и статистики. Данные — это цифры, поэтому без этого будет трудно.
2. Второе — программирование. Здесь выбор между Python и R, но R менее популярна. Python — это как швейцарский нож: для анализа данных есть десятки готовых библиотек, плюс он позволяет разрабатывать полноценные продукты. Кроме того, Python имеет простой синтаксис, почти как псевдокод, что делает его доступным для изучения.
3. Еще один важный навык — работа с базами данных. Data Scientist должен уметь получать, обрабатывать и анализировать большие объемы информации.
4. Что касается английского, без него в IT сложно. Весь код, документация, статьи — на английском. В украинских компаниях иногда достаточно уровня A2, если нужно только читать документацию. Но если планируешь расти, то без хорошего знания языка никак. По статистике, разработчики со знанием английского на уровне Upper-Intermediate зарабатывают в 1,5 раза больше.

Софт-скиллы (soft skills)

1. Самое главное — аналитическое мышление. Даже если человек не идеально знает код, но имеет хорошее логическое мышление, он быстро найдет решение. Когда я набираю людей в команду, то в первую очередь оцениваю не знание синтаксиса, а именно аналитические способности.
2. Еще важна внимательность к деталям. В Data Science ошибка может дорого стоить. Например, команда работает с трейдингом и строит модель, которая прогнозирует цены акций. Если аналитик допустил ошибку, компания может потерять миллионы.
3. Также нужно уметь коммуницировать. Data Scientist работает с аналитиками, разработчиками, менеджерами. Вообще, в IT надо уметь продавать: сначала себя как специалиста, а потом — свои продукты.
4. И самое главное — желание развиваться. Без этого в Data Science не выжить. Если идти сюда только за деньгами, то можно быстро выгореть. Как я шучу, деньги — это хорошо, но ими слезы не вытрешь (смеется). Если же тебе нравится то, что ты делаешь, то ты сам будешь искать пути для роста. И именно такие люди достигают успеха.

Обучение data science: с чего начать

Я начинал довольно специфически: просто открыл первый доступный ресурс и начал учиться. Это заняло много времени, и сейчас я бы скорее рекомендовал найти ментора или пойти на курсы. Там будет больше мотивации, а сложные моменты будут объяснять в понятной форме.

Многие думают, что можно изучать Data Science с ChatGPT, ведь он заменяет преподавателя. Но, чтобы получить полезные ответы, нужно уметь правильно задавать вопросы. А чтобы их правильно задавать — нужно иметь базовые знания.

Я не говорю, что самообучение невозможно — мне это удалось. Но есть два пути: сложный и простой. Я выбрал сложный, а вам советую более легкий. Если у вас мало времени на обучение, курсы — самый эффективный вариант. Но важно быть активным в процессе, тогда результат будет быстрее.

Математика и статистика

Кроме программирования, в Data Science важна математика и статистика. Я читал специализированные книги, например, «Грокаем алгоритмы» Адитья Бхаргава и решал задачи на codewars и leetcode и это помогло мне лучше понимать алгоритмы. Теория здесь важна: зная ее, легче работать с кодом и применять формулы на практике.

Программирование на Python

В программировании первое, что нужно изучить, — это основы языка: синтаксис, переменные, циклы, условные операторы. Затем можно переходить к библиотекам, которые помогают работать с данными.

На курсах мы подробно разбираем эти библиотеки, и, когда студент их осваивает, он уже может создавать модели машинного обучения. Кстати, Python упрощает процесс: не нужно знать все математические формулы, достаточно использовать готовые методы из библиотек.

Если говорить о дополнительных материалах, мне в свое время помогли книги издательства O’Reilly — там все доступно объясняется. Например, «Head First Python», «Fluent Python», «Head First Паттерны проектирования».

Карьера в анализе данных: создание портфолио проектов

Портфолио data scientist junior — это мастхэв. Без него найти работу будет сложно, ведь компании хотят видеть реальные навыки кандидата. Даже простые pet-проекты демонстрируют заинтересованность в профессии и уровень подготовки.

Я советую работать с платформой Kaggle — там есть большие наборы данных и даже готовые решения. Можно посмотреть, как работают другие специалисты, и попробовать воспроизвести их подход.

На курсах мы тоже постоянно работаем с разными наборами данных, и после обучения у студентов уже есть готовые pet-проекты. Это огромный плюс для резюме и первых собеседований.

Истории успеха: реальные примеры перехода и курсы data science 

Я пришел в IT без профильного образования. Окончил факультет «Финансы и кредит», а пока учился, работал в сфере обслуживания. После университета еще пять лет был официантом и администратором ресторана, но в какой-то момент вспомнил, что еще со школы мечтал программировать. Выбор между финансами и IT стоял передо мной давно, но тогда я пошел в финансы, и немного об этом пожалел — фактически отложил свой старт в программировании на несколько лет.

Поэтому, работая, я начал самостоятельно изучать Python: читал книги, пробовал кодить. Никакого волшебного лайфхака здесь нет — просто учиться и практиковаться. Когда почувствовал, что уже имею определенные знания, начал ходить на собеседования, но долго безрезультатно. Тогда решил параллельно работать на фрилансе, что, кстати, очень советую новичкам. Реальные задачи, даже небольшие, помогают получить опыт и наполнить портфолио. Именно это в итоге помогло мне получить первый оффер.

Дальше все развивалось быстро: я был проактивным, постоянно учился, и если отвечать на вопрос, сколько времени нужно, чтобы стать дата сайентистом, то я уже за три года прошел путь от джуниора до тимлида. Это реально. Главное — гореть своим делом, тогда все остальное подтянется.

Кстати, недавно один из моих коллег тоже сменил профессию: он работал сомелье, потом прошел курсы и получил работу в нашей компании. У него не было продуктового опыта, но он быстро освоил необходимые навыки. Вот почему я говорю, что курсы — это не панацея, но они значительно сокращают путь к профессии. Особенно важно, что там есть менторы, которые помогают разбирать сложные темы.

Его путь занял около года, и сейчас он уже работает джуниором. Понемногу движется вперед, и это отличный пример, что переход в Data Science возможен из любой сферы.

Распространенные ошибки и как их избежать

1. Самая первая ошибка — начинать обучение без плана. В интернете куча открытых ресурсов, но они разбросаны хаотично. Если нет четкой структуры, люди часто теряются и бросают обучение. Советую либо найти готовый roadmap, либо потратить время и составить его самостоятельно.
2. Вторая ошибка — фокус только на теории. Теория занимает максимум 20% обучения. Даже если перечитать материал десять раз, запомнится только часть. А вот когда добавляется практика, этот процент значительно возрастает. Поэтому главное правило: не просто читать, а сразу пробовать кодить.
3. Еще одна распространенная ошибка — идти в Data Science только за деньгами. Да, зарплаты здесь высокие, но на старте многие разочаровываются, потому что джуны получают не так много, как ожидают. Например, средняя стартовая ставка для Junior Data Scientist — около $700. Но в IT есть «фишка» — регулярный пересмотр зарплат. Через полгода-год-год доход может вырасти вдвое.

Недавно смотрел статистику на Djinni: топовая вакансия тимлида Data Science в украинской компании — $9 000. То есть перспективы огромные, но до них нужно дойти.

Главное — желание, последовательность и немного времени на обучение. Если это есть, то все получится.