Поиск вакансий

У меня есть привычка накапливать и изучать разные данные, до которых удается дотянуться. В этот раз настала очередь перечня вакансий специалистов по качеству данных (Data Quality, DQ, КД) с hh.ru. Ссылки собирались в течение 2023 года, поэтому среди них есть как открытые, так и уже закрытые вакансии.

Вот фильтр для поиска по названию в Москве

(качество данных) OR (data quality) OR (data governance) OR (управление данными)

По нему за период с марта по октябрь 2023 было найдено 471 уникальных URL. Запрос охватывает и другие вакансии, например, на позиции экспертов по управлению данными. Поэтому ориентируясь на заголовки и содержимое вакансий, я постарался очистить выборку и оставить только вакансии, напрямую относящиеся к направлению качества данных. Все, что осталось (141 ссылка), +/- укладывается в более подходящий фильтр

(качество данных) OR (data quality)

Но он тоже не идеален. Вот пример не подпадающей под условие вакансии Data Governance специалиста, которую можно отнести к DQ: https://hh.ru/vacancy/83703097. Также по такому фильтру по-прежнему выводятся неподходящие вакансии: консультанты и presale с более широким функционалом, специалисты по НСИ, а также разработчики DQ-инструментов. Сюда же попадают вакансии, в названии которых просто встречаются эти слова, например, "Аналитик данных (анализ качества логистики)". Запрос можно улучшить, если включить поиск по тексту вакансии и настроить исключения. Примеры таких запросов можно посмотреть в статье: Анализ вакансий ИТ в Москве: системное администрирование, 2023г

В итоге получаем список вакансий, который включает в себя аналитиков качества данных (DQA), инженеров по качеству данных (DQE), менеджеров по качеству данных (DQM), руководителей направления, тимлидов, экспертов и специалистов. Причины такого разнообразия должностей кроются в их обязанностях, которые разбираются ниже.

Сбор датасета

Со списком ссылок далеко не уедешь, поэтому дальше пришлось задуматься, как составить набор данных, чтобы с ним было удобно работать и получить нужные результаты.

Конечный вид представлялся примерно таким:

[
    {
        'title': "Аналитик качества данных",
        'company': "Крупный банк",
        'description': "Ищем коллегу, который поможет навести порядок и прозрачность в данных и будет связующим звеном между дата-аналитиками, дата-инженерами и разработкой.",
        'responsibilities': [
            "Организация и выполнение работ по качеству данных",
            "Разработка стандартов и процедур контроля качества данных",
            "Поддержка и развитие проверок качества данных",
            "Ежедневный контроль качества данных в хранилищах"
        ],
        'requirements': [
            "Критическое мышление",
            "Стрессоустойчивость",
            "Усидчивость",
            "Гибкость мышления",
            "Продвинутые навыки решения проблем",
            "Склонность к анализу"
        ]
    }
]

Превратив список ссылок в набор html-файлов, я начал думать, как извлечь из них обязанности и требования. Уверен, что если бы я тратил свое время не на подобные занятия, а на изучение методов машинного обучения, то смог бы сделать это в 10 строчек кода. Но копипастить со 141 страницы — тоже не вариант. Пришлось половину работы автоматизировать, а другую половину доделать вручную.

Вся вакансия разбивается на блоки. Границы блоков определяются таким образом, чтобы последним элементом блока был список. Блок может не содержать списка только в двух случаях: если это последний блок вакансии либо если в вакансии нет ни одного списка. Дополнительно в блоке могут присутствовать еще два элемента: предваряющий текст (синий блок на картинке) и строка перед списком (заголовок списка, красный блок).

Разбивка на блоки была выполнена нехитрым скриптом. А вот классификация каждого блока — уже вручную. Это было несложно, так как заголовки списков говорят сами за себя.

Всего получилось 4 вида блоков: обязанности, требования, условия и остальное (например, какая-то информация о самой компании или проекте).

Таким образом, для каждой вакансии удалось получить и требования и обязанности.

Компании

С собранным датасетом дело пошло веселее. Прежде чем переходить к самой сути, обязательно нужно взглянуть на работодателей, чье виденье специальности будет отображено в результатах.

Всего получилось 48 компаний (экосистему Сбера посчитал за одну, извините), ниже мое очень условное деление на категории:

• 16 банков и страховых компаний (63 вакансии)

• 9 IT-компаний (13 вакансий)

• 7 ритейл (24 вакансии)

• 6 IT-подразделений не IT-компаний, в том числе добывающих (20 вакансий)

• 3 телекома (5 вакансий)

• 3 государственных конторы (8 вакансий)

• 2 интегратора (5 вакансий)

• 2 HR-агентства (3 вакансии)

По количеству вакансий наиболее выделяются Самолет, X5, ВТБ, Сбер, МТС Банк.

При беглом взгляде с этой статистикой можно не согласиться, так как представлено слишком мало компаний. Я попробовал посмотреть, почему так получается. Часть компаний, которые раньше нанимали DQ-специалистов, теперь выставляют другие вакансии: либо более специализированные, либо более широкого профиля по управлению данными. У некоторых компаний при развитой программе руководства данными кажется, что нет отдельных позиций аналитиков по качеству данных. Это в том числе намекает на то, что не стоит концентрироваться исключительно на одном сегменте круга DAMA, описание которого в книге занимает 60 страниц. Нужно либо усиливать свою позицию техническими компетенциями, либо охватывать соседние сектора (управление метаданными, дата-каталог, мастер данные и НСИ и т.д.).

Требования

На входе получилось 480 уникальных формулировок, но многие дублируют друг друга по смыслу. Не стал детально рассматривать требования к образованию и опыту работы. Понятно, что приветствуются опыт работы по специальности и высшее образование. В некоторых требованиях не отражена специфика DQ:

Совсем нерелевантных требований я не обнаружил, так как предварительно просеивал вакансии.

Резюмируя, получаем:

• SQL, Python, Git

• Опыт работы с СУБД: Oracle, MS SQL, PostgreSQL, ...

• Понимание принципов и знание методологий DWH, DG (DAMA), ETL, DataOps

• Опыт анализа и обработки данных, знание матстатистики: поиск аномалий, профилирование, EDA (разведочный анализ данных)

• Развитые коммуникативные навыки

• Навыки работы с BI-инструментами

• Опыт работы с большими данными: Hive, Spark, Greenplum, Teradata, ...

• Опыт работы с коробочными решениями: IBM, SAS, Informatica, Ataccama, ...

• Релевантный опыт работы и соответствующие навыки (см следующий пункт про обязанности)

• Понимание предметной области

• Дополнительный бэкграунд с уклоном в руководство данными (DG), аналитику данных (DA), системную аналитику (SA), бизнес-аналитику (BA), дата-инженерию (DE), тестирование (QA) или эксплуатацию

Думаю, что в дополнительных комментариях эти требования не нуждаются. Отдельно я бы отметил две формулировки, которые как-то выделяются на фоне остальных и близки лично мне:

• Наличие софт-скиллов для достижения договоренностей с поставщиками данных

• Понимание ценности качественных данных для бизнеса

Обязанности

Всего на входе получилось 458 сформулированных обязанностей и задач. Примерно четверть из них слишком размыты или не имеют отношения к качеству данных. Они были исключены. Оставшиеся я разделил на категории, которые затем изобразил на двух диаграммах.

На первой диаграмме отображены обязанности, связанные с внедрением, развитием и поддержкой практики DQ в целом. Они включают в себя:

• разработку стратегии, стандартов, политик, регламентов, методологий, чек-листов, а также определение SLA

• выбор и развитие DQ-инструмента

• подготовку отчетов и презентаций по качеству данных

• консультирование, обучение, развитие культуры работы с данными

На второй диаграмме отображены виды операционных задач по управлению качеством данных, которые в свою очередь делятся на меры по обеспечению текущего уровня качества данных и меры по повышению уровня качества данных до целевого значения.

И конечно, все эти активности дополняются и связаны между собой коммуникациями со всевозможными заинтересованными и ответственными лицами, среди которых: представители бизнес-подразделений, потребители данных, аналитики, разработчики, архитекторы, команды эксплуатации.

Для сравнения, вот как выглядит контекстная диаграмма в DAMA DMBOK 2

Заключение

Целью данной работы был не процесс, а результат, которым я был рад поделиться. Мне было интересно сформировать и посмотреть на усредненные (а точнее, просуммированные и почищенные) требования и схему обязанностей, в которые хорошо укладываются изученные мной вакансии на позицию DQ-специалиста.

Приложения и бонусы

О попытках применить методы NLP

После того, как все обязанности сложились в единую картинку, я подумал, что теперь можно попробовать с помощью методов NLP присвоить каждой формулировке вектор и отобразить это при помощи чего-то наподобие t-SNE. Вообще говоря, я ожидал, что как в лучших гайдах интернета, мои вектора красиво разложатся на несколько изолированных групп, каждая из которых будет соответствовать элементам диаграммы. Это бы подтвердило, что классификация проведена корректно.

Как видно, получилось не особо. Скорее всего это связано с тем, что во-первых, повторяющимися словами выражаются разные по своей сути работы, а во-вторых, одинаковые задачи формулируются совершенно разными словами. Возможно, что уловить эти тонкости может модель типа GPT-4, но проверять это я не планирую.

В блокноте есть пример обработки текста и визуализации полученных векторов в TensorBoard: https://github.com/BogdanPetrov/dq_vacancies/blob/main/06_embeddings.ipynb

С облаком слов получилось лучше, но для этого текст пришлось также немного обработать: https://github.com/BogdanPetrov/dq_vacancies/blob/main/03_wordcloud.ipynb

Советы по обработке и очистке данных по вакансиям

• Нечеткий поиск работает по умолчанию

• У hh.ru есть функция отправки новых вакансий по фильтру в Telegram

• Вакансии могут быть на английском языке: https://hh.ru/vacancy/76706470

• Вакансии могут дублироваться, то есть по разным ссылкам будут одинаковые тексты, см пример: https://hh.ru/vacancy/80903353 и https://hh.ru/vacancy/86454274

• Текст вакансии может быть отредактирован, именно поэтому в мой датасет просочились вакансии, которые раньше относились к DQ, а потом превратились, например, в Python-разработчика: https://hh.ru/vacancy/86548460

• Вакансия может быть недоступна: https://hh.ru/vacancy/81190478

• Списки могут задаваться не только разметкой, но и просто символами или цифрами: https://hh.ru/vacancy/76765451

• Дополнительные требования могут идти отдельным блоком (плюсом будет, преимуществом будет): https://hh.ru/vacancy/80903353

• В большинстве вакансий первый блок — это обязанности, а второй и иногда третий — требования. Однако бывает по всякому и закладываться не это не стоит. Также могут получиться вакансии, в которых по какой-то причине не оказалось блоков с требованиями или обязанностями (сложности парсинга или классификации).

• Извлечение требований и обязанностей можно автоматизировать

• Из вакансий можно вытащить больше информации, чем я использовал для этой статьи (длительность размещения вакансии, оклад, условия работы, уровень позиции и т.д.)

Подборка хабрастатей по качеству данных и смежным темам

• Философия SLA: что такое эскалация и зачем она нужна

• Как следить за тысячей метрик и не сойти с ума. Без программирования (почти)

• Контроль качества данных и точка. Как мы строили модуль DQM с нуля

• Промышленный мониторинг качества данных в Feature Store. Предпосылки и реализация

• Как не перестать быть data driven из-за data driften, или Пару слов о дрейфе данных

• Управление качеством данных: роли, процессы, инструменты

• Чтобы не терять деньги: оповещения о падениях продуктовых метрик

• Страдающее ML: как мы автоматизировали проверку данных, чтобы не было мучительно больно

• Как быстрее узнать, что сервису плохо, или Realtime-детекция разладок с помощью CatBoost