Переквалификация

Ранее мы поговорили о том, как найти баланс между работой и учебой, а еще детально разобрали метод deep work. Сегодня попробуем подступиться к теме с другой стороны поговорим о мотивации, методе юзабилиста и лайфхаках для тех, кто хотел бы быстро изучать все новое.

Начните с мотивации

Лекции в вузе, чтение профессиональной литературы, семинары в офисе лишь малая часть классических или инкрементальных образовательных форматов. Они широко распространены и доступны каждому, однако последовательное изучение тем, предметов и отдельных областей знаний, кажется, все чаще вызывает отрицательные эмоции и проблемы с концентрацией, а по мере завершения процесса стремительную выгрузку пройденного из памяти. Возможно, дело в актуальности материалов и в том, как их преподносят аудитории учитывают ли меняющийся информационный контекст, клиповую культуру и другие особенности, влияющие на изучение нового, или предпочитают не менять наполнение и подачу программ десятилетиями.

Если смотреть исключительно на работу, очевидно, что и тут найдется место для учебы. Как минимум, ни одна вакансия не обходится без подобных обещаний. В нашей компании вы будете постоянно изучать что-то новое, говорили они. Но на деле многим не удается даже близко подобраться к этой картине мира. Ожидания от будущей профессии, сформированные в вузе и в ходе общения с HR-специалистами, разбиваются о суровую реальность вместо комплексного сочетания опыта и новых знаний работодатель предлагает лишь компоненты для самостоятельного приготовления идиосинкразии к любым видам корпоративного обучения:

Вот файл с документацией на английском, нужно сделать перевод в виде краткого руководства, чтобы передать его клиенту вместе с оборудованием. Заодно и для себя что-то новенькое там найдешь, еще не самый плохой вариант по сравнению с:

Завтра у нас общая аттестация, будем тестировать всех сотрудников. Или: Это родственник моего знакомого, пожалуйста, помоги ему с изучением веб-фреймворков вроде Ruby on Rails или чего-то в этом роде, а попутно и свои знания освежишь.

На практике чем-то новым зачастую становятся отчеты, считающиеся в компании неплохой формой для закрепления знаний; подготовка к конференциям и командировкам, когда основная часть времени уходит не на проработку докладов, а на бесконечные согласования счетов за билеты, дорогу и проживание; однообразные задачи и в конечном счете отсутствие реальной заинтересованности руководства в вашем карьерном росте. Чего уж тут говорить, вы и сами знаете, что все это ведет к потере мотивации и интеллектуальной деградации, а не к развитию.

Однако так происходит только в том случае, если вы полагаетесь исключительно на внешние факторы то, как все заведено в офисе или в вузе. К счастью, даже весьма закостенелый инкрементальный подход в духе некогда объяснять, двигаемся от задачи к задаче, легко разнообразить трансформирующим обучением. Допустим, в формате тихих пятниц, когда инициативу отдают сотрудникам. В большинстве случаев им удается лучше мотивировать себя к постоянной прокачке на работе, после работы, а самое главное для эффективной работы.

Вообще для раскачки когнитивных способностей неплохо, как минимум, быть уверенными в том, что затея выполнима. Ведь речь не о том, чтобы пройти определенное число курсов, выучить тысячу-другую слов на английском или просто натренировать механическую память, хотя последняя задача представляет отдельный интерес в качестве соревновательной практики.

Мы говорим о более широких понятиях, таких как подвижный интеллект, проявляющий себя на всем спектре жизненных ситуаций от условного программирования на уже знакомом языке до изучения, осмысления и анализа меняющегося контекста [например, влияния на ваш бизнес экономического кризиса], незнакомых задач и инструментов для их реализации. Здесь возможности памяти играют не последнюю роль, по аналогии с оперативкой в работе компьютера, но подвижный интеллект тоже можно натренировать. Для этого не нужна специальная подготовка, а эффект зависит только от уровня вашей мотивации [зачем вам это, чего вы хотели бы добиться и в какие примерно сроки] и вдумчивой работы над собой.

Учитесь как юзабилист

Как только у вас появляется личная заинтересованность, важно не засиживаться в окопе не браузить неделями полезные публикации [да, вроде этой], добавляя находки в избранное, чтобы потом возвращаться и часами разбирать их. Лучше не бояться испачкать руки и максимально быстро перейти к действиям, пока заинтересованность в изучении нового еще не погрязла в рутине [кстати, если это все-таки произошло, переживать точно не стоит, просто в этот раз мотивации, скорее всего, было недостаточно]. Это может быть что угодно мокапы экранов приложения, диаграммы бизнес-процессов, элементы кода или гаджетов. Тогда попутное чтение материалов и руководств, просмотр туториалов и лекций по теме принесут пользу здесь и сейчас с практической точки зрения и для развития подвижного интеллекта.

Чтобы не застревать в процессе поиска таких источников, первым делом проводите их беглое юзабилити-тестирование посмотрите на аффорданс. Как и при взаимодействии с гаджетами, интерфейсами и навигационными указателями в городской среде, вам должно быть понятно: как подступиться к представленной информации, нужна ли она в моменте, приведет ли ее изучение к ощутимым результатам, сможете ли вы воспользоваться предложенными инструкциями и так далее. Зачастую все это зависит от того, каким опытом и знаниями вы уже обладаете, а не от объема издания или популярности авторов [хотя и эти факторы не стоит списывать со счетов]. Понятная структура материала, примеры и ссылки на репозитории с кодом придадут уверенности в том, что время на чтение или просмотр не будет потрачено зря.

В этом и заключается аналогия. Продуманный дизайн условного рулевого колеса не требует чтения руководства по эксплуатации. Даже если автомобиль новый, вам будет достаточно пары минут, чтобы разобраться с регулировками они сами подскажут, как и что функционирует.

Так и работают аффордансы, заложенные проектировщиками в качестве отсылок к уже знакомым поведенческим паттернам [опыту водителя, а в случае с подбором источников потенциальному уровню подготовки аудитории и ее ожиданиям от изучения книги / лекции / хабрпоста]. Кстати, данную терминологию и логику вывел и описал в Дизайне привычных вещей Дональд Норман она стала частью методологической базы всемерно известного консалтингового бизнеса. Так что попробовать в деле подход юзабилистов определенно стоит.

Главное не плодить идиосинкразии на ровном месте. Если выступление или пост какого-то спикера показались вам очень уж общими, это не повод ставить на нем крест или отказываться от записей в этих форматах в дальнейшем. Придерживайтесь взвешенной позиции и старайтесь задействовать разнообразные источники, чтобы не замыкаться на чем-то одном при изучении выбранной темы и заведомо не отрезать себя от новых идей и инсайтов. Помните про аффордансы, чтобы выбирать те материалы, которые помогут максимально быстро получить необходимые знания здесь и сейчас.

Сам по себе поиск нового это тоже учеба. Он запускает процесс формирования синаптических связей, а работа с разнообразными источниками гарантированно повышает нейропластичность мозга [увеличивается количество и устойчивость связей, влияющих на скорость появления новых]. Она объясняет то, как быстро и эффективно человек, обладающий базовым уровнем навыков и экспертизой в своей области, может адаптироваться к изменениям контекста [информационного, рабочего, жизненного], то есть влияет на уровень его интеллекта.

Периодические и продуманные вылазки за новыми знаниями еще и стимулируют выработку дофамина нейромедиатора, вознаграждающего мозг за проделанную работу. Он служит мощным механизмом внутреннего подкрепления того или иного поведения, плюс играет важную роль в поддержании когнитивного тонуса, а значит и мотивации для занятий.

Погружайтесь без опасений

Так называемые ноуледж джанки часто становятся жертвами собственной привязанности к поверхностному подходу. В погоне за новыми впечатлениями они впадают в цикл переходов от изучения китайского к игре на барабанах, от увлечения журналистикой данных к туториалам по Python и так далее. Базовый объем знаний по каждой из тем позволяет им воспринимать более детальную информацию и общаться со специалистами. Вот только придерживаться первого более трудоемкого и энергозатратного способа развития предпочитают как раз немногие.

Чаще всего первичные знания о какой-то области путают с универсальными концепциями и понятиями, считая их достаточными, чтобы ухватиться за соседнюю сферу деятельности лихо переключиться с Python на Ассемблер или начать от бедра переводить экономическую литературу после продолжительной работы с техническими терминами. С уверенностью в том, что перепроверять себя не нужно.

Ложные представления о собственных способностях к переработке поверхностной информации в полезный скилл могут здорово навредить окружающим, если после беглого чтения пары книг вы перейдете к пыткам коллег о том, как все-таки делать правильно. Такие разговоры будут только отвлекать опытных специалистов от дела, а вы заработаете репутацию, как минимум, дистрактора. Если вы сможете собраться, приложить усилие и погрузиться в тему, избежать этой участи будет легче даже новичкам в своей области. Ваши вопросы станут более точными, все вокруг увидят проделанную работу и воспримут уточнения с пониманием и добродушием.

Для этого потребуется немало терпения и вам самим изучение отдельных тем может занять несколько дней или недель, но бояться этого не стоит. Зачастую лучше растянуть сессии на максимальные временные отрезки в ходе вашего дня насколько позволяют другие дела и отвлекающие факторы и пользоваться методиками вроде deep work, в том числе и для учебы. Тогда, казалось бы, черепаший темп, каким бы мучительным он ни казался на первый взгляд, даст действительно быстрый и долговременный результат. Но нужно чувствовать меру.

Для прокачки когнитивных способностей важно не буксовать на месте, иначе не за горами спад той самой нейропластичности. К счастью, отловить этот момент можно достаточно глубокое погружение в тему обычно совпадает с выходом на плато с точки зрения кривой обучаемости [похожим образом работает и кривая Альберта Бандуры]. Мозг просто-напросто завершает адаптацию к новой информации и перераспределяет ресурсы на более значимые процессы, поэтому важно вовремя аккуратно и без слома об колено подкидывать ему что-то на вход.

Ищите аналогии и повторяйте

Внимательное погружение в тему обязательно окупится в ситуации неопределенности, когда потребуется быстро переключиться на новую технологию, освоить финансовый менеджмент или разобраться с отчетностью компании.Если при этом вы применяете проектный подход и следуете методу юзабилиста [см. все это выше], у вас еще и формируется привычка к смешанному обучению. Оно эффективнее последовательного, так как резкое включение новых задач не вызывает особых проблем и сопутствующего стресса, а interleaved-подход к ним развивает дивергентное мышление. Оно влияет на то, как легко вам удается охватывать широкий спектр тем и вырабатывать решения, используя уже имеющиеся знания и поиск аналогий.

Все это, конечно же, не имеет отношения к тому, какой половинкой мозга лучше думать об учебе и творчестве. Речь о смешивании навыков. Другое дело, что при переключении с одного на другой важно не заблудиться в чертогах разума и не растерять накопленный опыт с ходом времени. Помимо естественных механизмов вроде кривой забывания этому способствует беспрерывное и безальтернативное использование сервисов: для проверки текста на качество, навигаторов и других помощников, без которых вполне можно легко обходиться время от времени.

Технологии обладают безусловной ценностью, но если мы говорим о развитии когнитивных способностей, иногда стоит задействовать собственную память или потратить чуть больше времени, чтобы поднять условные правила правописания и изучить дополнительные источники. Это работает и на уровне физической активности постоянная езда на автомобиле за кофе в соседний двор, скорее всего, не поспособствует набору хорошей формы, а прогулка по городу вполне может, плюс положительно повлияет и на работу мозга [об этом наш предыдущий материал].

Чтобы закрепить пройденное, пользуйтесь доступными лайфхаками:

• Правило шести секунд вспомните одну из тем и попытайтесь в рамках этого временного промежутка сформулировать основную концепцию изученного.

• Правило второго захода если вы прослушали лекцию, перескажите ее знакомым или прочитайте вслух заметки [смысл в переключении с одного формата на другой, поэтому можете и хабрапост написать так вы заодно и узнаете, как глубоко погрузились в тему].

• Интервальное повторение стоит использовать для ключевых моментов и наиболее ценных знаний, чтобы добиться эффекта долговременной потенциации.

• Метод чистого листа, когда нужно выписать все, что помните по теме, без подсказок.

• Сложные тренажеры для раскачки вроде тех, что предлагают проходить задачу n-назад.

Поддерживайте связь с окружающими

Сегодня следовать этому совету стало чуть сложнее, чем обычно в силу известных всем обстоятельств. Но без него не обойтись общение с коллегами и близкими обогатит и разнообразит все те процессы, что мы разобрали выше, плюс поможет по-новому взглянуть на привычные вопросы. При разумной дозировке улучшит ваше эмоциональное состояние.

Начать можно и с комментария по теме к этому материалу. Расскажите, за счет чего вам удается быстрее учиться новому, что работает для вас, а какие рекомендации, наоборот, не подходят.

Очень много людей с самым разным бэкграундом, и не всегда даже техническим, в последнее время пытаются перейти в data science. И такой ажиотажный интерес - проблема для всех, кто рассматривает переквалификацию в эту сферу. Потому что рынок труда может оказаться наводнён соискателям без опыта.

С точки зрения потенциального работодателя: вы скорее возьмёте выпускника технического вуза, или человека за 40, без профильного опыта, решившего изменить свою жизнь? Ведь вузы тоже ведут активную подготовку профильных специалистов (пусть и не всегда высокого уровня). На рынке явный недостаток специалистов с профильным опытом. Но среди людей с непрофильным опытом - вероятно, больше шансов найти работу у выпускников с профильным образованием.

Написать этот пост меня натолкнуло то, что полгода назад я начал писать цикл статей о самообучении и переквалификации в data sceince. В итоге, за 5 месяцев мне написало больше сотни людей с разными вопросами по такой переквалификации. И, вероятно, многие недооценивают объем знаний, который необходимо получить для этого. В этом, наверное, виноваты и заголовки моих постов "с нуля до senior data scientist за 2 года". Как мне подсказали в комментариях к тому посту - мой начальный уровень был отнюдь не нулевой (был топовым разработчиком 1С).

Почему в data science сложно попасть

Это очень много учебы и практики

Идеальный data scientist - специалист максимально высокой квалификации, знающий, одновременно:

• всё что должны знать "простые аналитики" (SQL+визуализация данных)

• хороший Python программист

• с неплохим владением английским (подавляющее большинство инструментов имеют документацию только на английском языке; многие книги и курсы не переведены, или переводятся с большой задержкой)

• с отличным знанием хотя бы основ теории вероятностей (в идеале - значительно глубже + линал, мат.анализ)

• хорошие коммуникативные навыки и понимание бизнеса (невозможно эффективно обрабатывать данные из предметной области, если вы её не понимаете)

По большому счету, это несколько лет профильного (само)образования + опыт работы.

Это дорого

Даже с большим опытом работы в ИТ я потратил 8 месяцев, не работая и проедая все свои накопления, только на учебу, оставаясь без работы. Мой уровень ЗП в первый год после того как я нашёл работу, был ниже, чем до этого. Только спустя 2 года я вышел на тот же уровень дохода. И это всё было достаточно страшновато, при том что у меня были своя квартира, большая финансовая подушка, и отсутствие финансово зависимых родственников. Большая часть людей, желающих поменять свою жизнь, не могут себе позволить такую траекторию переобучения, по её финансовым ограничениям.

Аналитика - сестра Data science

Когда говорят о дата сайенс обычно имеют в виду высшую квалификацию человека, способного работать аналитиком данных. Но квалификации промежуточных уровней тоже ценны.

Отличие аналитика: нет нужды хорошо знать статистику, нет нужны заниматься машинным обучением.

Статистика нужна тогда, когда ценность небольшого улучшения так огромна, что важно научиться различать небольшие отличия в эффективности, разделяя реальные различия, от случайных колебания.

Машинное обучение нужно тогда, когда какой-то процесс принятия решения, основанных на данных, нужно автоматизировать. По сути, это значит подменить работу аналитика, в решении отдельной типовой задачи. Обычно это требует намного больше времени, чем одноразовый анализ. За то же время аналитик может решить множество разных задач. Но когда какой-то тип анализа нужно проводить постоянно или для тысяч объектов (клиентов, товаров) - целесообразно это делать автоматически.

То есть аналитик нужен тогда, когда не нужно различать колебания эффективности, измеряемые в процентах, и когда не нужно анализ делать полностью автоматическим. Требуется меньше точность/автоматизированность. Ценны: скорость проведения анализа, его правильность, умение понятно и убедительно объяснить свои результаты. При этом, ценность аналитика может быть очень высока, т.к. подобные разовые анализы данных могут использоваться для принятия различных стратегических решений.

Суть решаемых задач аналитка: разобраться в данных, понять их и найти интересные закономерности, представить результаты в удобном и понятном для коллег виде (обычно, графики и презентации).
Ключевой набор навыков для подобной работы: это прирожденные "аналитические способности" + знания базовых инструментов (SQL+Excel) + инструменты визуализации данных (Tableau, PowerBI).

Можно с этим набором знаний + знания специфичные для определенных областей, уже найти большое число вакансий, с хорошими зарплатами и интересными задачами.

Знаний SQL + инструмента визуализации достаточно чтобы работать на позиции специалиста по отчетности, создавающего необходимые отчеты и графики, для принятия каждодневных решений. Такая работа, обычно, требует большей усидчивости и чуть меньше креативности.

На позиции "аналитика" нужно будет создавать точно такие же отчеты. Но, чаще, задачей аналитика будет самому в чём-то разобраться и самому решить какими графиками эту информацию представить. Эта работа более творческая, требующая большей самоотдачи. По уровню зарплат оба типа позиций сопоставими. Но с позиций аналитика талантливные специалисты чаще могут вырасти в менеджеров и отвественных за какие-то большие объемы задач. Надо помнить, что данное деление не всегда видно из названия позиций, т.к. "аналатиком" могут назвать и человека, не занимающегося самостоятельным анализом данных, и толького готовящим их для других людей (в виде отчетов и графиков).

Рекомендуемый набор знаний для аналитика:

• SQL + Excel

• Tableau / PowerBI

• Когортный анализ (принципы)

• Понимать парадокс симпсона, чтобы не делать ошибок, к которым он приводит

• Нужно знать основы теории вероятностей:

  • вероятности зависимых и независимых событий, условные вероятности

  • разные статистики: среднее, медиана, мода, стандартное отклонение.

• знать что такое АВ-тесты: понимать принципы, калькуляторы есть онлайн

• знать основы regexp. Например, веб-аналитике он используется в инструментах типа google analytics

Аналитики нужны везде. Ниже типы аналитиков, востребованные в изначально "цифровых" бизнесах (связанных с интернет продуктами и услугами)

Маркетинговая/веб аналитика

Анализ и визуализация даных по продажам - огромная сфера. Большая часть подобных вакансий, с интересными и более творческими задачами - в онлайн компаниях.

Знания специфические для веб-маркетинга (помимо обще-аналитических):

• Понимание принципов работы контекстной рекламы (основные метрики и схемы оплаты).

• Знание как работают UTM метки.

• Понимание основных принципов юнит-экономики.

• Желательно знание основ HTML

• Популярные инструменты: Google Analytics, Яндекс.Метрика (эти инструменты можно учить уже выйдя на первую работу)

Продуктовая аналитика

Это близко к маркетинговой аналитике. Пример задачи: понять паттерны по которым пользователи взаимодействуют с каким-то он-лайн продуктом (например, приложением интернет-банка).
По сути, тут могут быть достаточны только базовые знания, стандратные для любых аналитиков.

Data engineer - брат для Data scientist

Огромная часть задач в анализе данных, особенно в более продвинутом (статистический анализ, машинное обучение) требует хорошо организованных данных.
Задачи по организации данных занимают более половины всех усилий по работе с данными. Часть данных задач традиционная и решается специалистами по базам данных. Другая часть требует подготовки данных для обеспечения большего удобства и скорости анализа данных. Данными задачами занимаются дата инжененеры. Т.к. часто данная часть задач не решается ими полностью - квалифицированный дата сайентист должен уметь решать подобные задачи.

Но, потенциально, дата инженер, это не урезанный дата сайентист. К инженерам предъявляется больше требований по полной автоматизации процесса, по обеспечению высокого качества данных (без пропадания их кусков), высокой скорости их подготовки и доступности, настройке систем, способных обрабатывать данные о миллионах операций, товаров и клиентов за считанные секунды/минуты.
По сути, это позиция программиста, с акцентом на технологии и инструменты, позволяющие разрабывать системы работы с данными. И вместо создания интерфейса (как у фронтенд разработчиков, или разработчиков для андройд/ iOS), или какой-то бизнес-логики (бэкенд) - их продукт это система, автоматизировано готовящая данные для анализа. И поддержание это системы для работы коллег, занимающихся анализом данных.

Набор знаний в этой сфере очень сильно варьируется. Наверное, наиболее популярные навыки выглядят так:

• SQL

• Python (Java, Kotlin)

• bash

• Docker, Kubernets

Эта сфера отлично подходит для людей, которым интересно писать системы обработки больших данных (big data) и которым менее интересно придумывать как повысить эффективность бизнеса, стараясь убедить в этом каких-то коллег.

Ищете работу, которая вам подходит

Цель этого поста - показать что есть море вариантов интересной работы.

Многим, желающим попасть в дата сайенс - будет интересно работать на позициях аналитиков и дата инженеров. Найти такую работу может быть проще, и финансовое вознаграждение, в итоге, может быть на том же или очень близком уровне.

Идти в дата сайенс без опыта работы в ИТ, примерно как захотеть стать нейрохирургом, без опыта работы в медицине. Разумнее получить хотя бы часть более простых смежных навыков, начать работать в этой сфере, и далее расти в ней "естествнным путём", получая релевантный опыт не только из теории, но и из регулярной практики работы.