decor
decor

Як змінився найм дата-фахівців у 2020 році

< Назад
Як змінився найм дата-фахівців у 2020 році

21.08.2020

Використання математичних головоломок для оцінювання фахівців з data science вже застаріло і може навіть зашкодити іміджу роботодавця. Новим трендом є проектні завдання, коли претендент має продемонструвати свої навички аналітики даних на реальних дата-сетах і представити результати.

Історично спеціалістів у сфері data science наймали, як програмістів. Відмінною ознакою співбесіди програміста були “головоломки” — складні задачі, розв’язувати які кандидати готувалися тижнями чи навіть місяцями. У випадку дата-фахівців до задач на кодування додавались завдання на знання теорії ймовірності, на зразок “Яка ймовірність того, що сума результатів двох кидків грального кубика ділиться на 3 без решти?” 

З роками компанії почали розуміти, що ці “загадки” не надто ефективні і дедалі менше їх використовують, пише Майкл Лі, президент The Data Incubator — організації, що займається освітою у сфері data science та наймом відповідних фахівців.

Проєктні завдання замість “головоломок”

Натомість роботодавці переходять на використання проєктних завдань: кандидатів просять попрацювати з реальними даними, які використовуються для бізнес-аналізу. Зазвичай відповіддю є код та опис результатів. Немає єдиного правильного рішення, фахівців заохочують експериментувати та відкривати щось нове. Такий підхід має низку переваг, вважає експерт.

По-перше, умови виконання таких завдань набагато ближчі до реальних. На традиційній співбесіді з “головоломками” кандидат має написати код маркером на дошці без використання інтернету під наглядом інтерв’юерів. Однак, зазначає Лі, навряд чи дата-фахівець зазвичай аналізує великі дані в таких умовах — офлайн та коли хтось заглядає йому через плече. Проєктні завдання дозволяють претендентам на посаду виконати роботу у реальному ритмі та звичному середовищі програмування. 

По-друге, такі завдання більше нагадують повсякденні задачі. “Головоломки” зазвичай заплутані або перевіряють знання добре відомих алгоритмів. Проте у реальному житті ніхто ніколи не прописуватиме код вручну — у вільному доступі в інтернеті є десятки готових рішень — а типові завдання зазвичай набагато менш “каверзні”, підкреслює фахівець. Він переконананий, що, оскільки претенденти бачать реальні датасети та мають подати результати аналізу в тому вигляді, як це прийнято у компанії для дата-аналітики, проектні завдання набагато краще перевіряють необхідні навички.

Формат завдань може відрізнятися. Згідно з даними The Data Incubator, 60% американських підприємств дають змогу виконати тестове завдання вдома впродовж кількох днів. Ще 20% просять це зробити протягом співбесіди. Хоча останній варіант і звужує часові рамки, претендентам не потрібно витрачати багато часу і проводити над завданням кілька вечорів, що може бути особливо обтяжливо для людей з сім’єю.

Щоб виконувати менше тестових проектних завдань, запопадливі кандидати готують “проектне портфоліо”, яке б демонструвало їх навички. І все більше компаній задовольняються цим і не вимагають виконувати додаткові завдання, зазначає Лі.

Компанії, які покладаються на старомодні головоломки, є “вимираючим видом”, резюмує експерт. Лише 20% роботодавців все ще використовують такі завдання, найчастіше це великі, консервативні компанії, які зазвичай повільно пристосовуються до таких змін. 

Вони мають зрозуміти, що застарілі стратегії відбору кандидатів не лише виглядають дивно, але й навіть відлякують перспективних спеціалістів, підкреслює Лі. “Один фахівець з data science, з яким я нещодавно виступав на конференції, незадовго до цього шукав роботу і розповів, що відкидав вакансії, якщо вважав рівень скрінінгу компанії низьким”, – наводить приклад експерт. А це вже може погано вплинути на рівень всієї команди. І ті роботодавці, які не можуть пристосуватися до нової реальності, програють битву за найкращі кадри. 

< Назад