Jak zdobyć pierwszą pracę w Data Science?

Dzisiaj podzielę się z Tobą najlepszymi sposobami na znalezienie pierwszej pracy w Data Science. Poznałem je w ciągu 9 lat doświadczenia w tej branży.

Zakładam, że masz już za sobą zdobycie podstawowych umiejętności (możesz o nich poczytać tutaj) i uznałeś, że jest to dobry moment, by wyruszyć na rynek pracy. Zatem do dzieła!

Znajdź swoją motywację i określ cel

Znalezienie pierwszej pracy w Data Science zazwyczaj będzie wymagało od Ciebie pewnego wysiłku oraz wytrwałości, jeśli to jest nowa branża dla Ciebie.

Nie licz, że znajdziesz pierwszą pracę w kilka tygodni. Bardziej realna perspektywa to kilka miesięcy, a może to być nawet ponad rok.

Żeby szybko się nie zniechęcić, potrzebujesz mieć silne WHY (dlaczego?) – dlaczego chcę pracować w Data Science?

Im więcej powodów wypiszesz, tym większą będziesz mieć motywację.

Warto, żeby nie była to tylko motywacja finansowa. Dopisz, co jeszcze Cię motywuje.

Może lubiłeś w szkole matematykę? Może sprawia Ci satysfakcję porządkowanie i wyliczanie danych w Excelu?

Może pracujesz już w podobnej branży, np. jako programista, inżynier, czy księgowa?

A może po prostu chcesz być na czele innowacji i tworzyć sztuczną inteligencję?

Pamiętaj, że masz możliwość wybierania pomiędzy różnymi pokrewnymi rolami, takimi jak Data Analyst, Data Scientist, Machine Learning Engineer czy Data Engineer. Dlatego warto dobrze rozumieć swoje zdolności oraz zainteresowania, żeby od razu ukierunkować się na cel, który będzie dla Ciebie satysfakcjonujący.

Na tym etapie poprzeglądaj otwarte stanowiska w firmach (na portalach takich jak JustJoinIT, NoFluffJobs czy LinkedIn) i wybierz takie, które byłyby dla Ciebie idealne. Niekoniecznie na ten moment – wybierz swoje “wymarzone” stanowisko, do którego chciałbyś dojść docelowo.

Przygotuj mocne CV i dostosuj z pomocą ChataGPT

W sieci znajdziesz mnóstwo porad, jak przygotować dobre Curriculum Vitae (CV) pod kątem pracy w Data Science.

Mam dla Ciebie jednak ważną radę. Przygotuj jedno pełne CV, z wszystkimi Twoimi umiejętnościami, certyfikatami, doświadczeniem, wolontariatem, zainteresowaniami itp. A następnie zawsze dostosuj to CV pod konkretną ofertę pracy.

Najgorsze, co możesz zrobić, to wysyłać masowo jedno CV, nie czytając nawet wymagań oferty.

Z pomocą przychodzą LLM-y. Do ChataGPT możesz załadować swoje pełne CV oraz wkleić ogłoszenie o pracy z portalu. Następnie piszesz prompt w stylu:

Dostosuj moje CV do wymagań z oferty. Podkreśl i rozwiń umiejętności, które są wymagane. Pomiń nieistotne rzeczy. Pamiętaj, żeby nie wymyślać nowych umiejętności – trzymaj się tylko tego, co jest w moim CV.

Oczywiście chyba nie muszę przypominać, że tak wygenerowane CV należy jeszcze przeczytać i sprawdzić, czy nie ma halucynacji, zanim je wyślesz.

Zadbaj o profil na LinkedIn

Obecnie LinkedIn stał się monopolistą dla relacji biznesowych. Dlatego jeśli jeszcze nie masz tam konta, to najwyższy czas je założyć. Poczytaj kilka tutoriali, jak dobrze zbudować swój profil i dostosować go pod kątem branży Data Science.

W skrócie – musisz uzupełnić wszystkie sekcje, takie jak zdjęcie, nagłówek, doświadczenie wraz z opisem projektów i umiejętności, lista umiejętności (możesz je potwierdzać testami lub od innych użytkowników), rekomendacje od Twoich współpracowników / przełożonych, wykształcenie, certyfikaty.

Raczej bym tutaj unikał grafik i treści generowanych przez AI. Chyba że mocno je dostosujesz.

Ustaw, że jesteś otwarty na nowe oferty pracy.

Gdzie szukać pierwszej pracy w Data Science?

Zacznij od zapoznania się z platformami z ofertami pracy. Jest kilka dużych i znanych, takich jak NoFluffJobs, JustJoinIT, Glassdoor, czy LinkedIn Jobs.

Większość firm, które aktywnie poszukują pracowników, będzie się ogłaszać właśnie tam.

Są również mniejsze portale, takie jak Recbot, które aktywnie łączą pracodawców z pracownikami i dają dodatkowe ciekawe narzędzia.

Zachęcam jednak, by działać też proaktywnie. Wyszukuj firmy, w których chciałbyś pracować, zobacz – może mają zakładkę “Kariera” i tam otwarte pozycje? Nawet jeśli nie, to możesz zawsze napisać i zaproponować swoją pracę.

Pamiętaj, że czasem firmy nie szukają aktywnie w danym momencie, ale są otwarte na ciekawe zgłoszenia, mogą zachować sobie kontakt do Ciebie i wrócić, gdy otworzą nowe stanowiska.

Ważne jest, żebyś wysyłając swoje zgłoszenie, potraktował firmę indywidualnie. Czyli nie z pozycji “Szukam pracy w Data Science, czy chcecie mnie zatrudnić?”, tylko “Widzę, że z sukcesem realizujecie projekty w branży energetycznej. Co prawda zaczynam dopiero z Data Science, ale znam tę branżę od 10 lat, co może być dla Was dużym wsparciem.”

Czyli napisz, dlaczego akurat Ciebie mieliby zatrudnić i pokaż, że nie traktujesz tej firmy masowo, jak każdej innej. Chyba że tak jest, ale wówczas nie polecam pisać indywidualnych wiadomości.

Bezpłatne staże w Data Science

Jeśli masz taką możliwość, to zgłoś się na bezpłatny staż. Nie musi to być pełen etat, może być nawet 2-3 godziny dziennie. Pokaż pracodawcy swoje projekty i wykaż, że jesteś w stanie pracować samodzielnie. Jest to nie tylko dla Ciebie możliwość wpisania pierwszej pracy w Data Science do CV i na LinkedIn, ale również nieoceniona możliwość sprawdzenia się w prawdziwym biznesowym środowisku.

Ciągła nauka

Proponuję Ci, abyś nie dzielił swojego rozwoju na oddzielne etapy – najpierw uczenia się, a później szukanie pracy. Warto te rzeczy wykonywać równocześnie.

Zwłaszcza jeśli masz już opanowane podstawy (znajomość algorytmów, bibliotek, języka programowania), to może być Ci trudno ocenić, co jeszcze potrzebujesz umieć, by zdobyć pierwszą pracę.

Biorąc udział w różnych rekrutacjach, będziesz widzieć, na jakim etapie i z jakiego powodu odpadasz. Wówczas będziesz mieć czas na uzupełnienie tych braków i kolejne próby.

Działaj przez projekty i twórz własne portfolio

Równolegle z szukaniem pracy warto również tworzyć własne portfolio projektów.

Skąd brać pomysły?

Możesz zacząć od prostych projektów z Kaggle’a (a nawet startować w aktualnych konkursach – jeśli czujesz się na siłach).

Jednak znacznie lepiej przejrzeć różne otwarte dane, takie jak https://dane.gov.pl/pl czy https://api.um.warszawa.pl/ – poszukaj ciekawych zbiorów, a następnie, nawet z pomocą czata GPT, możesz wymyśl własne projekty.

Warto byś od początku myślał w kategoriach biznesowych – komu taki projekt mógłby się przydać? Jaka będzie z niego korzyść?

Taka postawa później bardzo Ci się przyda w pracy w środowisku biznesowym.

Kod z takich projektów umieszczaj w publicznym repozytorium – będziesz się miał czym pochwalić w CV oraz w rozmowie rekrutacyjnej.

Buduj sieć kontaktów i szukaj mentorów

Wspierające środowisko podobnych osób jest bardzo przydatne w rozwoju.

Masz obecnie bardzo dużo możliwości, by nawiązać kontakty z osobami, które już pracują w Data Science, albo – tak jak Ty – tworzą własne portfolio.

Przykłady takich grup to Data Science PL, Machine Learning PL, Data Science w Pythonie, Polish ML Community.

Jeszcze większa szansa na poznanie ciekawych osób, które pokierują Cię dalej, jest w czasie różnych wydarzeń branżowych, takich jak PyData , Data Science Summit, MLinPL, czy Warszawskie Dni Informatyki.

Przygotowanie do procesu rekrutacji

Proces rekrutacji na stanowisko Data Scientist wygląda w różnych firmach bardzo różnie, zwykle składa się z takich faz jak:

wysłanie Twojego CV,
wstępna rozmowa z HR (sprawdzenie języka angielskiego, pytania o doświadczenie, dostępność i oczekiwania finansowe),
zadanie rekrutacyjne: np. analiza zbioru danych, stworzenie prostego modelu ML,
rozmowa techniczna: pytania związane z Pythonem, SQL czy ML.

Na zadanie rekrutacyjne czasem masz kilka dni, a czasem jest to test do wykonania w określonym czasie. Może ten etap składać się z kilku różnych zadań.

Podobnie rozmowa techniczna – czasem są to ogólne pytania, czasem chodzi o live coding (pisanie kodu w momencie rozmowy z rekruterem). Czasem jest osobna rozmowa techniczna i osobna rozmowa sprawdzająca umiejętności miękkie.

Ważne jest, byś w czasie pierwszej rozmowy z HR (lub mailowo), poznał dokładnie, jak będzie wyglądał proces rekrutacji i jaka wiedza będzie sprawdzana na każdym etapie.

Nie możesz dopuścić do sytuacji, gdy idziesz na rozmowę techniczną, a nie wiesz, czy będzie sprawdzana wiedza ogólna z Machine Learningu, z Pythona, a może ze statystyki matematycznej?

Gdy już znasz zakres rozmowy, poszukaj najczęstszych pytań w sieci oraz przejdź kilka iteracji takich testów z czatem GPT (pamiętaj, że może halucynować). Tak naprawdę w czasie rekrutacji rzadko pojawiają się oryginalne pytania. Podobnie warto porobić zadania z Pythona, jeśli wiesz, że będzie live coding.

Przed rozmową jeszcze raz przejrzyj swoje CV – prawie zawsze rekruterzy pytają o Twoje doświadczenie lub projekty, jeśli jakieś masz. Wówczas oceniane jest Twoje zrozumienie tematu i umiejętność komunikatywnego przekazywania informacji.

Jak najlepiej wypaść w rekrutacji?

Oczywiście zadbaj o dobry sen i relaks. Stresu nie da się zwykle całkowicie wyeliminować, podobnie jak tego, że czasem po prostu będziesz miał gorszy dzień i nie pokażesz się od swojej najlepszej strony.

Ogólnie im częściej będziesz brać udział w rozmowach, tym będą Ci lepiej szły i dopracujesz swoje umiejętne podejście.

Przede wszystkim ważne jest Twoje zaangażowanie i szczerość. Pamiętaj, że rozmowa, to nie tylko sprawdzanie Ciebie przez pracodawcę, ale również sprawdzanie dopasowania w drugą stronę.

To, jak zostanie przeprowadzony proces rekrutacji, powie Ci dużo o tym, czy jest to firma, w której dobrze będzie Ci się pracowało. Dlatego dobrze wykorzystaj ten czas, przygotuj sobie pytania do menedżera. Poza tym, że więcej się dowiesz, zrobisz również lepsze wrażenie, że interesujesz się tą firmą.

Co robić, jeśli nie możesz znaleźć pracy w Data Science?

Przede wszystkim nie możesz się zrażać. Zachęcam Cię, byś dał sobie co najmniej rok na szukanie pracy. Znalezienie pierwszej pracy jest najtrudniejsze.

Wykorzystaj ten moment na szlifowanie swoich umiejętności i tworzenie projektów open source, na które później możesz już nie mieć czasu.

Pamiętaj, że rynek ma swoje fluktuacje. Jeśli chodzi o mnie, to jestem przekonany że Data Science będzie się rozwijać. Firmy gromadzą coraz więcej danych, a ich wykorzystanie w procesach biznesowych wciąż jest na wstępnym etapie.