Від офісного працівника до Data Scientist: покрокове керівництво зі зміни професії

З джуна до тім-ліда за 3 роки? Неможливо? А ось Ростислав Скомороха, викладач курсу Data Science у DAN.IT, доводить власним прикладом, що можливо все — головне бажання, наполегливість і правильний підхід до навчання.

Він починав свій шлях у сфері фінансів, працював адміністратором у ресторані, а потім вирішив круто змінити своє життя та увійти в IT. Без профільної освіти, самостійно вивчаючи Python та працюючи на фрілансі, він отримав першу роботу, а за три роки виріс до керівника команди розробників.

У цьому інтерв’ю Ростислав розповідає:

• Чому Data Science — одна з найперспективніших сфер в IT?
• З чого почати вивчення data science?
• Як перейти в data science?
• Зміна професії в IT: які помилки найчастіше роблять початківці та як їх уникнути?
• Як курси допомагають швидше освоїти професію?
•  Чому Data Science не для тих, хто прийшов лише за грошима?

Чому Data Science – перспективний напрям для кар’єрного зростання

По-перше, тому що ми зараз переходимо на новий етап еволюції. Дані всюди, їх стає дедалі більше, і бізнесу потрібні спеціалісти, які не просто вміють їх збирати, а й правильно обробляти та застосовувати. Саме цим і займається Data Science.

Як це працює? Ми створюємо рішення на основі даних: моделі машинного навчання, алгоритми, які оптимізують роботу бізнесу й збільшують прибуток.

Чим відрізняються Data Science і Data Analytics

Часто новачки плутають Data Science і Data Analytics. У цих напрямів є спільний інструмент – робота з даними, але суть відрізняється. Аналітики готують та візуалізують інформацію, щоб бізнес міг зрозуміти тенденції та ухвалити правильні рішення. А Data Scientist бере ці підготовлені дані та будує на їх основі моделі, які прогнозують майбутнє. Наприклад, маркетингова кампанія збирає дані про продажі, аналітик візуалізує їх, а дата-саєнтист на основі цих даних будує алгоритм, що передбачає поведінку клієнтів.

Ця сфера стрімко розвивається. Ті ж чат-боти, як-от ChatGPT – це результат роботи Data Science. Я навіть вважаю, що в майбутньому дата-саєнтисти частково замінять традиційних програмістів.

Як стати data scientist: необхідні базові навички та знання

Технічні навички (hard skills)

1. Найперше, що потрібно, – це розуміння математики та статистики. Дані – це цифри, тому без цього буде важко.
2. Друге – програмування. Тут вибір між Python і R, але R менш популярна. Python – це як швейцарський ніж: для аналізу даних є десятки готових бібліотек, плюс він дозволяє розробляти повноцінні продукти. До того ж Python має простий синтаксис, майже як псевдокод, що робить його доступним для вивчення.
3. Ще одна важлива навичка – робота з базами даних. Data Scientist має вміти отримувати, обробляти й аналізувати великі обсяги інформації.
4. Щодо англійської, без неї в IT складно. Весь код, документація, статті – англійською. В українських компаніях інколи достатньо рівня A2, якщо потрібно лише читати документацію. Але якщо плануєш рости, то без хорошого знання мови ніяк. За статистикою, розробники зі знанням англійської на рівні Upper-Intermediate заробляють у 1,5 раза більше.

Софт-скіли (soft skills)

1. Найголовніше – аналітичне мислення. Навіть якщо людина не ідеально знає код, але має хороше логічне мислення, вона швидко знайде рішення. Коли я набираю людей у команду, то в першу чергу оцінюю не знання синтаксису, а саме аналітичні здібності.
2. Ще важлива уважність до деталей. У Data Science помилка може дорого коштувати. Наприклад, команда працює з трейдингом і будує модель, яка прогнозує ціни акцій. Якщо аналітик припустився помилки, компанія може втратити мільйони.
3. Також потрібно вміти комунікувати. Data Scientist працює з аналітиками, розробниками, менеджерами. Взагалі, в IT треба вміти продавати: спочатку себе як спеціаліста, а потім – свої продукти.
4. І найголовніше – бажання розвиватися. Без цього в Data Science не вижити. Якщо йти сюди лише за грошима, то можна швидко вигоріти. Як я жартую, гроші – це добре, але ними сльози не витреш (сміється). Якщо ж тобі подобається те, що ти робиш, то ти сам будеш шукати шляхи для зростання. І саме такі люди досягають успіху.

Навчання data science: з чого почати

Я починав доволі специфічно: просто відкрив перший доступний ресурс і почав вчитися. Це зайняло багато часу, і зараз я б радше рекомендував знайти ментора або піти на курси. Там буде більше мотивації, а складні моменти пояснюватимуть у зрозумілій формі.

Багато хто думає, що можна вивчати Data Science із ChatGPT, адже він замінює викладача. Але, щоб отримати корисні відповіді, потрібно вміти правильно ставити запитання. А щоб їх правильно ставити — потрібно мати базові знання.

Я не кажу, що самонавчання неможливе — мені це вдалося. Але є два шляхи: складний і простий. Я обрав складний, а вам раджу легший. Якщо у вас мало часу на навчання, курси — найефективніший варіант. Але важливо бути активним у процесі, тоді результат буде швидшим.

Математика та статистика

Крім програмування, у Data Science важлива математика та статистика. Я читав спеціалізовані книги, наприклад, “Грокаємо алгоритми” Адіт’я Бхаргава та розв’язував задачі на codewars й leetcode і це допомогло мені краще розуміти алгоритми. Теорія тут важлива: знаючи її, легше працювати з кодом і застосовувати формули на практиці.

Програмування на Python

У програмуванні перше, що потрібно вивчити, — це основи мови: синтаксис, змінні, цикли, умовні оператори. Потім можна переходити до бібліотек, які допомагають працювати з даними.

На курсах ми детально розбираємо ці бібліотеки, і, коли студент їх опановує, він уже може створювати моделі машинного навчання. До речі, Python спрощує процес: не потрібно знати всі математичні формули, достатньо використовувати готові методи з бібліотек.

Якщо говорити про додаткові матеріали, мені свого часу допомогли книги видавництва O’Reilly — там усе доступно пояснюється. Наприклад, “Head First Python”, “Fluent Python”, “Head First Патерни проєктування”.

Кар’єра в аналізі даних: створення портфоліо проєктів

Портфоліо data scientist junior — це мастхев. Без нього знайти роботу буде складно, адже компанії хочуть бачити реальні навички кандидата. Навіть прості pet-проєкти демонструють зацікавленість у професії та рівень підготовки.

Я раджу працювати з платформою Kaggle — там є великі набори даних і навіть готові рішення. Можна подивитися, як працюють інші спеціалісти, і спробувати відтворити їхній підхід.

На курсах ми теж постійно працюємо з різними наборами даних, і після навчання у студентів вже є готові pet-проєкти. Це величезний плюс для резюме та перших співбесід.

Історії успіху: реальні приклади переходу та курси data science 

Я прийшов у IT без профільної освіти. Закінчив факультет “Фінанси і кредит”, а поки навчався, працював у сфері обслуговування. Після університету ще п’ять років був офіціантом і адміністратором ресторану, але в якийсь момент згадав, що ще зі школи мріяв програмувати. Вибір між фінансами та IT стояв переді мною давно, але тоді я пішов у фінанси, і трохи про це пошкодував — фактично відклав свій старт у програмуванні на кілька років.

Тому, працюючи, я почав самостійно вивчати Python: читав книжки, пробував кодити. Жодного чарівного лайфхаку тут немає — просто вчитися і практикуватися. Коли відчув, що вже маю певні знання, почав ходити на співбесіди, але довго безрезультатно. Тоді вирішив паралельно працювати на фрілансі, що, до речі, дуже раджу новачкам. Реальні задачі, навіть невеликі, допомагають отримати досвід і наповнити портфоліо. Саме це зрештою допомогло мені отримати перший офер.

Далі все розвивалося швидко: я був проактивним, постійно навчався, і якщо відповідати на питання, скільки часу потрібно, щоб стати дата сайентистом, то я вже за три роки пройшов шлях від джуніора до тімліда. Це реально. Головне — горіти своєю справою, тоді все решта підтягнеться.

До речі, нещодавно один із моїх колег теж змінив професію: він працював сомельє, потім пройшов курси й отримав роботу в нашій компанії. У нього не було продуктового досвіду, але він швидко освоїв необхідні навички. Ось чому я кажу, що курси — це не панацея, але вони значно скорочують шлях до професії. Особливо важливо, що там є ментори, які допомагають розібрати складні теми.

Його шлях зайняв близько року, і зараз він вже працює джуніором. Потроху рухається вперед, і це чудовий приклад, що перехід у Data Science можливий із будь-якої сфери.

Поширені помилки та як їх уникнути

1. Найперша помилка — починати навчання без плану. В інтернеті купа відкритих ресурсів, але вони розкидані хаотично. Якщо немає чіткої структури, люди часто губляться і кидають навчання. Раджу або знайти готовий roadmap, або витратити час і скласти його самостійно.
2. Друга помилка — фокус лише на теорії. Теорія займає максимум 20% навчання. Навіть якщо перечитати матеріал десять разів, запам’ятається лише частина. А от коли додається практика, цей відсоток значно зростає. Тому головне правило: не просто читати, а одразу пробувати кодити.
3. Ще одна розповсюджена помилка — йти в Data Science тільки за грошима. Так, зарплати тут високі, але на старті багато хто розчаровується, бо джуни отримують не так багато, як очікують. Наприклад, середня стартова ставка для Junior Data Scientist — близько $700. Але в IT є “фішка” — регулярний перегляд зарплат. Через півроку-рік дохід може вирости вдвічі.

Нещодавно дивився статистику на Djinni: топова вакансія тімліда Data Science в українській компанії — $9 000. Тобто перспективи величезні, але до них потрібно дійти.

Головне — бажання, послідовність і трохи часу на навчання. Якщо це є, то все вийде.