кто работает Data Analyst, Data Scientist, Mashine Learning Engeneer или на подобных позициях?

Добрый день!
Очень интересует опыт прохождения интервью (вопросы, общий порядок) и те задачи, которыми занимаетесь сейчас (хотя бы в общих чертах).
Как долго искали работу и заканчивали ли уже в США что-нибудь типа курсов?
На глассдор инфу читала и в гугле тоже темы типа 100 вопросов дата аналитику. Но хотелось бы знать из первых рук, так сказать.

Спросите конкретнее. Даже под фразой Data Analyst может крыться очень разный спектр обязанностей и используемых навыков. Без уточнения сложно сказать что-то кроме, что да анализ, да данных. Вас может быть интересует какая-то конкретная индустрия? Я сам quantitative risk analyst в финансовой сфере. Ежели Вас такие приложения интересуют, то могу рассказать.

Нет, конкретная индустрия не интересует. Будет очень интересно, если поделитесь опытом.

Так я Вам и объясняю, что без конкретики на вопрос ответить сложно. Описывать все возможные варианты, сделать обзор рынка ВСЕХ вакансий дата анализа как бы совсем не досуг, да и не знаю я их. Дата-аналитик может делать совершенно разную работу: начиная от расчетов по оптимизации логистики, если транспортная контора, эффектов рекламы для маркетинга, в банке, например, есть аналитики и в бухгалтери, и в рисках, и в IT - обязанности, соответственно, у них разнятся. Я заканчивал здесь M.S. по прикладной математике. В РФ специалиьность была экономист-математик. Просто с курсами в такую работу попасть вряд ли возможно, в требования вакансий скорее всего входит как минимум бакалавр в области статистики.

да, математика надо пожестче для Machine Learning
Аналитик это может быть кто угодно и где угодно…

Мне и не надо все возможные варианты, анализ рынка я уже провела. И мне будет интересно какие конкретно вы решаете задачи на работе и действительно ли необходим тот уровень знаний, для которого надо получать MS по прикладной математике. А то за громкими требованиями часто стоит три кнопки в самописном макросе экселя (так было на предпоследней работе в России- требовали мозгов как со слона, а на самом деле использовала их в мышином объеме, хотя компания международная).

В вакансиях дата аналитиков выставляются одинаковы формальные требования, редко учитывающие специфику работы и ничего конкретного не рассказывающие о будущих обязанностях.

Вот, это уже ценная информация! Мне уже говорили что надо будет здесь пойти доучиваться. Хотя в вакансиях часто стоит бакалавр по Data Science (это у меня имеется).

как правило используются готовые библиотеки, особенно в дебри редко кто лезет. просто надо понимать как устроен алгоритм и когда его применить. математики на конечном уровне там как раз-таки поменьше. у мну мушш пилит такую библиотеку, поэтому в курсе.

Просто понять как устроен алгоритм бывает не просто.Напишите ваши скиллы??Знания языка R или знание пакетов для анализа данных Python присутствуют?Знания в области теории вероятности и мат.статистики,линейной алгебры?Есть опыт работы с алгоритмами mashine learning?

занимался чисткой данных (data cleaning).
not fun.

Блин… Обожаю такие вопросы… Чем занимаются Data Analyst. Чем-чем… Анализом данных. Название позиции (да и требование в вакансии) могут мало соответствовать тому, с чем придется столкнуться на реальной работе. И, вероятнее всего, сколько есть работодателей, столько будет вариантов. У нас, например, “аналитики” сидят в “бизнес юнитах”, и тупо берут данные из одного файла, и вручную сравнивают с данными из другого файла. Сравнивают глазами (с минимумом скриптов). В то же время где-нибудь на Нью-Йоркской Фондовой Бирже, кто-нибудь может высчитывать тенденции рынка и принимать решения по управлению огромным хэдж-фондом, но позиция тоже может называться “аналитик”. Вам от этих двух примеров стало легче?

Если вы волнуетесь по-поводу интервью - готовьтесь к интервью. В первую очередь работодатели на собеседованиях обращают внимание на общую адекватность человека. Чтобы человека можно было научить делать требующиеся вещи.

1 симпатия

И только этим? А должностные обязанности соответствовали заявленному в вакансии?

Конечно легче стало. По ответам становится понятно насколько узкоспециализированной должность может быть. Про ручное сравнивание данных треш конечно…если не секрет, сколько ж они получают?
Просто в вакансиях такие перечни требований к знаниям. А на деле…

Гринка уже есть?

Мы уже второй год не очень успешно пытаемся выйти на спонсора H1B, по этой специальности (((

Не нужны спецы или вы не подходите?

Сначала английский был слабоват, за это время муж до 7 по IELTS подтянул, теперь не можем найти компанию спонсора

Уровень образования как критерий при поиске сотрудников, из того, что я для себя уяснил, используется не столько в смысле, что человек будет им строго пользоваться (хотя это отчасти тоже подразумевается, я при найме показывал свои проекты-домашки по некоторым предметам, как образцы способности чётко и граммотно изглагать решения сложных задач, а также уровень владения конкретной прикладной областью, это довольно специфичные дисциплины уровня магистра-раннего доктора, при этом, опираются они на костяк математической подготовки типа лин. алгебры, матана, дифуров и прочего), а сколько в том смысле, что человек со степенью обладает определённым уровнем упорства, умения учиться и разбираться в различных проблемах. Бывают конечно и некомпетентные люди со степенями и очень сильные люди без них (как правило они набирают навыки с нуля на месте, дальше у нас, например, им помогают оплатить учёбу на того же магистра, чтобы дальше развивать их карьеру), но в общем и целом уровень образования (в некоторой степени конечно и его конкретный профиль, а также выпускающая школа) используются как фильрационный критерий при работе с кандидатами. Я бы не был на своей текущей работе без конкретных знаний, которые получил на M.S. здесь (конкретно нужные мне предметы ещё и не каждая программа даёт, в том числе и элитные аналоги) и упёротого самообразования.

Макросы я и свои пишу, и чужие проверяю, куда же без этого. Многие серьёзные финансовые программы экспортируют результаты в Excel – от этого никуда не деться. Время от времени удобнее делать некоторые вещи в MatLab, R или SAS, но и это часто течёт через эксель. Про R я, кстати, и не слышал, до своей магистратуры здесь, за время учебы был принудительно ему обучен. Далее примеры решаемых задач. Стороннему человеку это проблемы будут казаться запутанными, поэтому в работе аналитика моего профиля категорически важен очень хороший устный и письменный английский.

1) В этом году Федеральный Резерв выпустил сценарии стресс-тестирования (CCAR), в которых были заложены отрицательные процентные ставки. Не все модели их хорошо переваривают (особенно отличались модели тех фирм, которые не имели клиентов в ЕС, где отрицательные ставки имеют место быть довольно давно). Особенности пищеварения были выявлены и задокументированы. В связи со стресс тестом занимлись мы и скучной сверкой данных за другими подразделениями. Это и скучно, и ответсвтенно, так как если накосячить в стресс-тесте, то нужно заново публикоать свою фин. отчетность. А это дорого и вообще не айс с для всех вовлечённых.
2) Модель досрочного погашения по ипотечным ценным бумагам (MBS prepayment) прогнозирует неожиданно большие/маленькие денежные потоки для определенной категории бумаг. Нужно понять где косяк (конечная цифра результат взаимодействия нескольких независимых моделей), и куда бечь (что можно сделать для его исправления).
3) Некая модель при оценки кредитного продукта с опцией досрочного погашения заёмщиком выдаёт ожидаемый срок до погашения (для примера) 5 лет, а по факту мы знаем, что гасят такие кредиты меньше, чем за год. Опять же задача: что пошло не так, почему, и как исправить.
4) В модели (например) операционного риска произошло существенное изменение результатов моделирования (вверх или вниз - не суть), при этом входные данные едва поменялись. Опять же нужно разбираться и чинить. Для этого нужно по косточкам разобрать модель (концепции и код) и потоки входящих данных.
5) Запилить (или проверить, как кто-то запилил, что не особо легче) в некую модель процентной ставки OIS-дисконтирование и мульти-тенорную генерацию кривых (так правильнее делать, чем не делать; если инетерсно что это – гляньте в гугле). Здесь тоже в конечном итоге-то алгебра, но её довольно густо и она весьма специфическая.

И много ещё чего.

Как видите суть многих задач в том, чтобы проверять и разбираться в том, что происходит на пересечении нескольких предметных областей и систем обработки информации. При этом зачастую может понадобиться знание моделируемых банковских продуктов, плотное знание внутренних или покупных моделей, и таки да, время от времени, определённые знания, которые сами по себе хоть и не откровение, но кроме как на специализированной образовательной программе, или будучи гением-самоучкой не без многолетнего богатого опыта в индустрии, получить невозможно. Если глядеть со стороны, то литература, которой мы пользуемся выглядит довольно сложной (fixed income, credit score modeling, prepayment modeling), она более-менее на уровне M.S. (дело субъективное: кому-то будет сложнее, кому-то наоборот). Но даже самые сложные модели, в том, числе те, о которых я лично ничего не знаю, в конечном счёте сводятся к алгебраическим вычислениям. Другой вопрос, что вычисления эти могут быть весьма громоздкими, и опираться на знание актуальной теории и особенностей её применения на практике.

Ещё хочу сказать немного насчёт спроса и предложения на рынке труда. Говорю опять же только о том, о чём знаю-занимаюсь - quantitative risk analysis in finance. После кризиса здесь риск-анализу стали уделять большее внимание по всей индустрии в целом. В добавок многие банки попали под обязательное стресс-тестирование (CCAR, DFAST), иные учреждения проводят такие же упражнения добровольно. Также после кризиса появляется и быстро растёт такая ниша, как model risk management/model validation. Опять же по всей индустрии. И это на фоне растущей информатизации и моделирования всего, что можно. В результате конкретно в quant risk нише рынка создалься резкий вал вакансий (многие тысячи, причем это не только сами фин. организации, но и те, кто их консультирует, на данный момент работы хватает и big 4 и малявкам, и ещё остаётся). Причём это по всему спектру quant risk работ, так как люди из того же market risk, к примеру, могли переходить в model risk/validation за внезапной денежкой. Уровень образования нужный для этой работы, как правило, начинается от M.S. А таких программ в США немного (штук 50 было ВРОДЕ когда я поступал в 11ом году, но это мало по сравнению с вакуумом на рынке труда), зарубежный опыт хоть и конвертируем, но и в ЕС избытка специалистов не наблюдается. Найм иностранцев на эти вакансии фактически неизбежен (в магистратурах до 95% иностранные студенты). Среди моих коллег много иностранцев, причём нанимают порой даже малокомпетентных людей или людей, которых на английском нельзя понять без субтитров (но они знают, что делают). Это даже не лазейка в Америку, это многополосный портал (h1b лотерея пока, к сожалению, никуда не делась, тем больше причин получить магистра по этому профилю, тем более это будет STEM, который теперь вроде +24 месяца, то есть сыграть дважды можно будет трижды). В общем вот такая пища для размышлений.

Много вышло, может, что-то лишнее написал, если что-то пропустил – спрашивайте – могу уточнить.

1 симпатия

ИМХО, это - одна из областей, где работодатели хотят кандидатов с местным опытом работы (даже при наличии гринки). Особенно, если вакансии в банках и прочих финансовых институтах. В консалтинговые фирмы - чуть проще, но тоже не с распростертыми объятиями, ибо потом работников все равно “продавать” в те же банки

1 симпатия

briv, спасибо, теперь понятно…от Европейских стран много предложений, сами находят в линкедине и предлагают переезд, но вот хотим именно в Америку. Получается нет смысла искать?

Я работаю c product data, assistant product manager была моя позиция, поначалу очень много занималась data clean-up в excel. Много работла с поставщиками, запрашивая у них необходимую информацию в необходимом для нас формате. С октября в новом h1b статусе уже должнa буду работать в аналитической области касательно продукта. На изначальную вакансию однозначно бы сразу на h1b не взяли. Нужно было себя зарекомендовать (я начала работать как j1 traniee, найдя данную работу сама уже на месте) + беглый английский просто необходим, не только в повседневном общении, но и уметь доходчиво объяснить - в моем случае это были поставщики, и не только.
Компания уволила местного сотрудника, нанятого одновременно со мой. Поэтому мне пришлось обучать нового сотрудника, вводить в специфику.