АНАЛІЗ ВИМОГ ДО ПОЗИЦІЙ DATA ANALYST ТА DATA SCIENTIST НА РИНКУ ПРАЦІ
Notice bibliographique
Résumé
The labour market in the field of data analytics was analysed in this article. Specifically, there were analysed the requirements for vacancies Data Analyst and Data Scientist. The analysis covered such job search platforms as Work.ua (Ukraine), Robota.ua (Ukraine), DOU (Ukraine), Djinni (Ukraine), The Muse (USA), Technojobs (France), Careerjet (Canada), Profesia (Czech Republic, Slovakia), Reed (UK). The study was consisted of 4 stages: semi-automated data collection, processing of key job requirements, data storage and structuring, and data analysis. Such tools as Python (streamlit, pandas, re) and AirTable were used in the study. The structure and style of job postings on job search sites were analysed. Patterns were discovered that could be used to derive key indicators. Algorithms for replacing missing data, such as work experience, were discovered. An application was developed to automate the process of analysing of the text of vacancies. The user interface was implemented using the Streamlit framework. A total of 1000 vacancies were collected for analysis. Of these, 586 were collected from Ukrainian sources, and the rest were from abroad. The research was based on the analysis of the following indicators: the frequency of vacancies by position (junior, middle, senior); the type of companies looking for Data Analyst or Data Scientist; the mode of work (offline, online and hybrid); the level of English proficiency; visualisation tools that the candidate should know; preferred programming language; desired database; requirements for office tools; requirements for knowledge of specialised libraries for data analysis and machine learning. All these indicators were quantitatively analysed and a conclusion was drawn. A table, that clearly demonstrates the researched trends, have been developed by authors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».