Перевидано Платоном

читають: 0

Зарплата вченого даних проти інженера даних

= Попереднє повідомлення

Наступне повідомлення =>

Ключові слова: Кар'єра Поради, Інженер даних, Вчений з даних, Зарплата

Які відмінності між цими двома популярними технічними ролями?

коментарі

By Матвій Пшибила, старший науковий співробітник Favor Delivery

Фото Райан Квінтал on Unsplash [1].

Зміст

Вступ
Вчений з даних
Інженер даних
Підсумки
посилання

Вступ

Примітка: Ця стаття є третьою, частиною продовженої серії про зареєстровані зарплати між популярними посадами, пов’язаними з даними/технологіями. Я зв’яжу інші два в кінці цієї статті.

Ця стаття спрямована не на порівняння ролей, заслуговує хтось більше грошей чи ні, а натомість є посібником, який дозволяє професіоналам у цих двох галузях оцінювати свою поточну зарплату. Незважаючи на шаблонність, все ж важливо пам’ятати ці дві речі, коли просите вищу зарплату: просити не завадить, а іноді ви не отримаєте того, чого не просите. Майте на увазі, що це більш загальна статистика, тому що ви можете бути конкретними, як хочете бачити, якою має бути ваша зарплата. Натомість ці значення є орієнтиром для використання.

Науковці даних та інженери даних діляться певними навичками та досвідом один з одним, однак є деякі ключові відмінності, які можуть призвести до різних зарплат. З огляду на це, давайте відразу перейдемо до деяких прикладів зарплати для обох цих ролей, наведених нижче на основі реальних даних.

Вчений з даних

Фото Коперніко on Unsplash [2].

Оскільки я вже написав кілька статей про зарплату в галузі науки про дані, я включаю тут найважливішу інформацію разом із кількома різними прикладами.

Ось деякі з очікуваних посад, які ви можете побачити в якості спеціаліста з даних, які також можуть мати суттєві зміни в зарплаті:

Data Scientist початкового рівня → Data Scientist → Senior Data Scientist

Lead Data Scientist — Data Science Manager — Data Science Director

Окрім цих звань, існують також деякі рівні старшинства, такі як I, II та III.

Нижче я покажу діапазон зарплат за назвами з відповідними роками, необхідними або очікуваними.

Майте на увазі, що ці ролі базуються на середньому показнику США (на основі PayScale [3]):

Середній загальний дослідник даних → $96,455
Середній фахівець із обробки даних початкового рівня → $85,312 (1 рік)
Середньостатистичний фахівець з обробки даних на початку кар’єри → $95,121 (1–4 років)
Середній фахівець із обробки даних → $109,696 (5–9 років)
Середньостатистичний досвідчений спеціаліст з обробки даних → $136,051 (10–19 років)

Чи згоден я з цими цифрами?

Ні.

Якщо ви читали попередні статті, нижче я розповім про заявлені зарплати в різних містах, а також про різні набори навичок.

Енн-Арбор, Мічиган → $88,197
Кембридж, Массачусетс → $110,213
Денвер, Колорадо → $92,924

Ось конкретні міста та навички:

Шарлотт, Північна Кароліна + Обробка природної мови (NLP) → $70,000
Шарлотта, Північна Кароліна + програмне забезпечення Tableau → $79,096
Атланта, Джорджія + Ява → $80,000

Самі середні міські зарплати здаються більш відповідними реальності, тоді як конкретні навички, пов’язані з містами, здаються занадто низькими. Я вважаю, що причина полягає в тому, що коли ви фільтруєте певні навички, ви позбавляєтеся всіх інших навичок. Отже, обхідним шляхом може бути визначення середньої зарплати в місті, а потім порівняння різниці між наведеними вище навичками, щоб отримати більш реалістичну оцінку зарплати.

Я справді вважаю цікавим те, що навички НЛП є менш прибутковими, ніж Табло, однак я вважаю, що НЛП є, можливо, занадто специфічним і, можливо, менш неправильно зрозумілим, тоді як Табло широко розуміють, і більшість дослідників даних не думають додавати це до свого резюме, оскільки він більше орієнтований на аналітика даних — про цю примітку можна пам’ятати, коли ви визначите свою зарплату або редагуєте своє резюме — коротше кажучи, не робіть припущень і дивіться, щоб бути унікальним зі своїми навичками.

Я не знаю багатьох дослідників даних, які використовують Java, але я вважав, що було цікаво, що дані, включені в ці звіти, мали такий навик як варіант, тож, можливо, існує ринок для Java з причини, у якій я не впевнений (можливо, це інженери програмного забезпечення переходять на науковців з обробки даних).

Інженер даних

Фото Фотіс Фотопулос on Unsplash [4].

Тепер, коли ми маємо чітке уявлення про зарплати в галузі обробки даних, включно з різними факторами, такими як місцезнаходження та навички, давайте глибше розглянемо, як виглядає більш конкретна зарплата інженера з обробки даних.

З усіх цих порівнянь заробітна плата інженерів з обробки даних і вчених з обробки даних, здається, має більш схожий діапазон, як ми побачимо нижче.

Ось деякі з очікуваних посад, які ви можете побачити в якості інженера даних, які також можуть мати суттєві зміни в зарплаті:

Data Engineer → Senior Data Engineer → Data Engineering Manager

Lead Software Engineer — Data Scientist (так, зі спеціалізацією в інженерії даних)

Окрім цих звань, існують також деякі рівні старшинства, такі як I, II та III.

Нижче я покажу діапазон зарплат за назвами з відповідними роками, необхідними або очікуваними.

Майте на увазі, що ці ролі базуються на середньому показнику США (на основі PayScale [5]):

Середній загальний інженер даних → $92,519
Середній інженер з обробки даних початкового рівня → $77,350 (1 рік)
Середньостатистичний інженер з обробки даних на початку кар’єри → $87,851 (1–4 років)
Середній інженер з обробки даних → $103,467 (5–9 років)
Середній досвідчений інженер даних → $117,918 (10–19 років)

Чи згоден я з цими цифрами?

Ні.

Я вважаю, що кожну посаду слід змінити принаймні один раз, оскільки на початку кар’єри зарплата повинна відповідати зарплаті середнього або досвідченого інженера з обробки даних, залежно від того, де ви живете, — тому давайте глибше заглибимося в середні показники в конкретних місцях.

Нью-Йорк, Нью-Йорк → $104,615
Сіетл, Вашингтон → $105,076
Сан-Франциско, Каліфорнія → $123,859
Остін, Техас → $96,290

Ці середні показники по місту мають більше сенсу, ніж загальні середні показники. Найцікавіша відмінність Сан-Франциско, втім, все-таки очікувана, так як вартість життя там неймовірно висока.

Тепер давайте розглянемо конкретні навички для цих міст:

Нью-Йорк, Нью-Йорк + Scala → $121,755
Сіетл, Вашингтон + Big Data Analytics → $107,442
Сан-Франциско, Каліфорнія+ Навички Apache Hadoop → $123,672
Остін, Техас + веб-служби Amazon (AWS) → $97,436

З усіх цих зарплат у місті Сан-Франциско спостерігалося зниження зарплати після додавання навичок — це твердження повторює, що ви можете додати всі свої навички, а не лише одну, переглядаючи свій персоналізований звіт. У Нью-Йорку відбувся найбільший стрибок зі Scala, з чим особисто я згоден, оскільки це чудова навичка, і її досить важко освоїти.

Підсумки

Заробітна плата має кілька характеристик, які можуть дозволити їй збільшити або зменшити. Ми просто говорили про два фактори, багаторічний досвід, місцезнаходження (місто) і навички. Є й інші фактори, які також слід враховувати, зокрема, але не обмежуючись: сама співбесіда, саме резюме, навички ведення переговорів, бонуси, акції, освіта та сертифікати.

Підводячи підсумок, ось кілька ключових висновків щодо зарплат спеціаліста з обробки даних та інженера з обробки даних:

* Average US data scientist salary $96,455
* Average US data engineer salary $92,519
* These two roles share perhaps the most similar salary ranges
* Data scientists focus more on creating models from existing, packaged machine learning algorithms in Python, while data engineers focus more on utilizing SQL for ETL/ELT with regards to data
* Several factors contribute to salary, the most important most likely being seniority, city, and skills

Сподіваюся, моя стаття була вам цікава та корисна. Будь ласка, не соромтеся коментувати нижче, якщо ви згодні чи не згодні з цими порівняннями зарплат. Чому або чому ні? Які ще фактори, на вашу думку, важливо вказати щодо зарплати? Це, безперечно, можна уточнити ще більше, але я сподіваюся, що мені вдалося пролити світло на різницю між зарплатами спеціалістів із обробки даних та інженерів з обробки даних.

Нарешті, я можу знову поставити те саме запитання: як, на вашу думку, віддалені посади впливають на зарплати, особливо коли місто є таким важливим фактором у визначенні зарплати?

Дякую за читання!

Я не пов'язаний з жодною з цих компаній.

Перегляньте мій профіль,

Метт Пржибила, та інші статті, а також підписатися на отримання сповіщень електронною поштою для моїх блогів, перейшовши за посиланням нижче або за натиснувши піктограму підписки у верхній частині екрана біля піктограми підписки, і зв’яжіться зі мною на LinkedIn, якщо у вас виникнуть запитання чи коментарі.

Посилання на підписку: https://datascience2.medium.com/subscribe

Я також написав схожу статтю, в якій обговорював зарплати інженерів машинного навчання та зарплати науковців з даних тут [6], а також про різницю між зарплатами спеціалістів із обробки даних та аналітиків даних тут [7]. У цій статті описано та висвітлено подібні характеристики кожної відповідної зарплати. Майте на увазі, що для обох цих статей це не мої зарплати, а звіти PayScale та інших фактичних спеціалістів із обробки даних, інженерів із обробки даних, аналітиків даних та інженерів з машинного навчання. Отже, ці статті, у свою чергу, обговорюють реальні дані та призначені для того, щоб ви краще зрозуміли, що робить роль (в загальному), підвищення або зменшення розміру заробітної плати за певними факторами.

Знову ж таки, ці дані про заробітну плату збираються з PayScale, і якщо вам потрібна більш точна оцінка, ви можете скористатися обстеження заробітної плати [8].