Белоруска Татьяна Анкудо – выпускница биофака БГУ, работала микробиологом в лабораториях Беларуси, Венгрии, Швеции и Германии, получила PhD по биологии. Несколько лет назад изменила жизнь – выучилась на аналитика данных.
7 месяцев Татьяна работает в международной компании dunnhumby в Венгрии, анализирует данные крупной сети продуктовых магазинов и растет как дата-аналитик. dev.by поговорил с ней о том, каково это – уйти в ИТ-сферу, когда тебе за 40, и начать строить карьеру заново.
Как решила все изменить: «Первые два месяца плакала и говорила: не мое»
– Почему решила получить новую специальность и построить карьеру заново?
– Исчезла возможность роста. Реактивы, оборудование – все это стоит больших денег, а Венгрия – не самая обеспеченная страна. Выбрать новый путь показалось логичным. На последней работе было очень много данных, аналитик не успевал их обрабатывать, пришлось взяться самой. Неожиданно это оказалось интереснее, чем ставить эксперименты.
– Одно дело – попробовать, другое – сменить профессию. Не страшно?
– Всегда пыталась жить так, чтобы страхи не руководили выбором. Мысль об уходе пугала: профессию биолога выбирала осознанно. Полгода принимала решение.
– Сколько времени и ресурсов ушло на учебу?
– Для перехода в Data Science нужны знания в нескольких областях: программировании, предметной области, математике. Только программированию учатся минимум полгода.
Первым шагом стало поступление на курсы Java, которые проходили в офлайне. По 5-6 часов в день 5 раз в неделю мы занимались с преподавателями, это обошлось примерно в 500 тысяч форинтов в месяц – это около 1500 долларов.
Затем примерно за такую же сумму купила двухлетний курс Data Science в онлайне.
Мне всегда нравились компьютеры и программирование, курсы дали понять, смогу ли заниматься этим на профессиональном уровне. Первые два месяца плакала и говорила: не мое – потом стало получаться.
– Из-за чего плакала?
– Программирование требует определенного склада ума. Когда учишь первый язык, нужно соблюдать много правил и условностей. Погружение в них непонятно, не все запоминается. Ты понимаешь, что говорит преподаватель, а потом дают задание на время – и начинаешь «плавать». Надо думать, вспоминать и быстро соображать.
Фото из архива Татьяны: 1999 год, в лаборатории города Гёдёллё в Венгрии.
– Не слишком ли это много на вхождение в специальность – 2 года?
– Курсы позволяют параллельно работать и учиться, достаточно 6 часов в неделю, чтобы идти в очень хорошем темпе.
Процесс получения знаний в Data Science надо рассматривать как циркулярный. Ты проходишь линейную алгебру, статистику, программирование, а через какое-то время возвращаешься к ним, углубляясь с каждым циклом.
Мой работодатель оплачивает курсы Udemy и дает 2 дня в месяц на самообразование, в моем карьерном плане прописано обучение. А еще Data Science – это общение с большой группой людей, встречи, конференции, соревнования и постоянный рост.
О поиске работы: «После тестовых заданий посыпались отказы»
– На каком этапе ты начала искать работу?
– В двухлетние курсы, которые я проходила, вшит карьерный модуль; после года обучения можно искать работу. Этот год я прошла за 5 месяцев и начала рассылать резюме.
Написала примерно в 60 компаний, отдавая преимущество тем, что работали в сфере биологии. Мной интересовались, однако после тестовых заданий посыпались отказы.
– Сколько собеседований прошла?
– Около 10. Это хороший процент отклика – у меня был опыт работы, который дала полугодовая стажировка в американской фирме: во время учебы мне предложили бесплатно поработать с клиентами на реальных данных.
– Много ли времени ушло на поиски?
– 2 месяца. Собеседование в компании, которая в итоге наняла меня, проходило в 4 этапа. Сперва выполнила 2 тестовых задания на знание программирования и теории.
Затем была встреча с нанимателем – все в онлайн-формате. Мне поставили задачу: подготовить отчет, презентацию и сторителлинг для выдуманной компании с выдуманными проблемами. Было странно говорить о несуществующей компании. Но в начале интервью работодатель начал активно кивать, показывая, что ему нравится ход моих мыслей и я иду в правильном направлении, – полчаса демонстрации слайдов превратились в удовольствие.
Четвертое интервью было своеобразным фейсконтролем: сотрудник компании выяснял, подхожу ли я их команде как личность. Я подошла.
Фото из архива Татьяны: 1998 год, когда она только переехала в Будапешт.
О проблемах эйджизма: «У людей в возрасте 40+ преимущества перед молодыми»
– Что из предыдущего опыта помогло при смене карьеры?
– Жизненный опыт. Когда кроме учебы в университете у тебя 3 года аспирантуры, 2 года постдока и 10-летний опыт работы, вырабатывается профессиональный подход к жизни и вера в себя. Устроившись на работу, узнала, что обошла 200 претендентов. Работодатель учел наличие опыта работы, научную степень и результаты, которые были раньше.
– Нередко компании ищут молодых – им проще войти в специальность. Работодателя не смущал твой возраст?
– Я искала работу в Венгрии, где проблемы эйджизма отходят на второй план. У людей в возрасте 40+ есть преимущества перед молодыми. Озвученная проблема характерна для России, когда возраст в резюме становится преградой, а фраза о наличии 20-летнего опыта работы играет роль сообщения, что соискателю больше 40 лет. Для Европы это нетипичная проблема.
– Без каких знаний нельзя состояться в Data Science?
– Без программирования, хотя многие обработки данных можно сделать в Excel. Этот путь снижает возможности – в Excel помещается ограниченное количество данных. Важен сторителлинг – умение рассказать о результатах работы доступным языком. Если классный программист не может объяснить, что сделал, просто и в картинках, ценность его аналитики невелика.
– Какого уровня ожидают от претендента на работу?
– Полагаю, что достаточно знаний Python, на котором обычно происходит программирование, и математики – на школьном уровне. Еще надо уметь разговаривать: интровертам в аналитике сложно. Хотя есть фундаментальная часть Data Science, когда необходимости в общении нет.
Фото из архива Татьяны: селфи в лаборатории.
– Овладеть каким навыком было сложнее всего?
– Все боятся математики. Преодолеть барьер, когда ты видишь формулу и не знаешь, что с ней делать, помогли сокурсники – парень из России и девушка из Австралии. Обратив внимание, что материал на двухлетних курсах недостаточно хорош, я предложила им самостоятельно изучать дополнительный материал. Составила план занятий и предложила формат: прослушивать тему, составлять на ее основе презентацию, раз в неделю проводить лекцию и отвечать на вопросы.
Мы были командой, тянули друг друга, и никто не хотел, чтобы этому пришел конец. Когда кто-то был не готов, на следующей неделе он рассказывал уже две лекции. Мы прошли курс за полгода и очень гордимся этим.
– Встречались ли тебе люди, которые пробовали себя в Data Science, но не справились?
– Да. Некоторым курсантам не понравилось качество материала, они забрали деньги, продолжили самостоятельное обучение и потерялись в дебрях бесплатных курсов – не хватило самоорганизации. Другие перешли на очные курсы, а это еще два года отсрочки. Третьи перестали выходить на связь.
Каково это – быть специалистом в трех областях?
– В каких сферах наиболее востребован аналитик?
– Везде, где есть данные. Наиболее развита аналитика в финансовой сфере, идет работа в продуктовом сегменте. В медицине и биологии все только начинается.
– Какое направление кажется тебе наиболее перспективным?
– Фармакология и поиск новых лекарств. К примеру, появляется задача: найти лекарство от простуды. Ученым требуется провести тысячу экспериментов и потратить очень много времени. Аналитик моделирует часть результатов на компьютере и предлагает 50 экспериментов, это уже решаемая задача.
– Должен ли такой аналитик разбираться в фармакологии?
– Он должен быть специалистом в трех областях. Когда объясняют, что такое Data Science, рисуют три перекрывающихся кружочка: знания в предметной области, математике и программировании.
– Ты планируешь использовать знания в микробиологии?
– Конечно. Результатом может стать успешная работа в фармакологической компании: я понимаю бизнес-задачу, читаю научную литературу, общаюсь с учеными на их языке.
– Нужно ли контролировать работу аналитика?
– Да, ведь от его выводов зависит успешность работы компании и финансовые вложения. Потому мы, аналитики, перепроверяем результаты друг друга. Уметь признать ошибку, обрадоваться, что она найдена вовремя, и пойти вперед – важное качество в Data Science.
Фото из архива Татьяны: в 2020 году с однокурсниками во время прохождения курсов.
О деньгах и возможностях: «Средняя зарплата – 117 000 долларов в год»
– Скажи честно, ты пришла в Data Science за деньгами?
– Скорее, за возможностями. Финансовая сфера привлекает, но и задачи ставятся интересные. Люди всегда хотели контролировать свою жизнь, ходили к гадалкам, раскладывали карты. Инструменты Data Science позволяют предугадывать развитие событий самостоятельно – и никакой магии.
– На какие деньги могут претендовать аналитики?
– По данным Glassdoor, средняя зарплата – 117 000 долларов в год.
– Что посоветуешь новичку, который решил работать с аналитикой данных?
– Не сдаваться и идти вперед. Часто слышу вопросы: мне уже 30, не поздно ли менять профессию? Мне 45, и я успела. В первой половине жизни сделала карьеру микробиолога, во второй добьюсь успеха в Data Science.
Фото: из личного архива.