3. Wiedza na temat projektowania i wdrażania baz danych

W dzisiejszych czasach ważne jest, aby specjalista ds. danych był kimś między dociekliwym naukowcem i badaczem akademickim (co w zasadzie opisano w poprzednim punkcie), a deweloperem lub inżynierem oprogramowania: kimś, kto doskonale wie, jak dostosować narzędzia analityczne do potrzeb i nimi operować.

Mimo, że większość danych w obszarze Big Data jest nieuporządkowanych, to podstawowe rozumienie zarówno relacyjnych, jak i klasycznych baz danych może przydać się w pracy. Wiele korporacyjnych hurtowni danych to wciąż tradycyjne, wierszowe bazy danych. O ile rozwiązania analityczne Big Data są nowe i kuszące, większość możliwych do wykorzystania danych i trendów można wydobyć właśnie w oparciu o tradycyjne bazy danych.

Zobacz również:

• Trendy technologiczne 2024 według AWS

Co więcej, specjaliści ds. danych będą w przyszłości odgrywać kluczową rolę w tworzeniu analitycznych i produkcyjnych baz danych, umożliwiających czerpanie korzyści z nowych technologii. Doświadczenie w pracy z takimi bazami może stanowić dobrą podstawę w obszarze projektowania innowacyjnych systemów spełniających nowe zadania.

Ponadto, wielu deweloperów oprogramowania Big Data próbuje używać w produktach języka podobnego do SQL w celu przyciągnięcia uwagi administratorów tradycyjnych baz danych, którzy nie są skłonni do nauki takich języków jak MapReduce. Znajomość tradycyjnego SQL będzie procentować, umożliwiając współpracę i integrację z innymi specjalistami zajmującymi się bazami danych.

4. Biegłość w językach skryptowych

W procesie rekrutacji warto przyznać dodatkowe punkty kandydatom, którzy znają język programowania Python na dobrym poziomie. Wiele kwerend w odniesieniu do ogromnych zbiorów nieuporządkowanych danych jest uruchamianych w postaci skryptów, a ich wykonywanie jest dość czasochłonne.

Dzięki najwyższej zgodności i wszechstronności, Python jest powszechnie akceptowanym językiem skryptowym w obszarze kolumnowych baz danych, kwerend MapReduce i pozostałych elementów układanki, którą zajmuje się specjalista ds. danych. Jako język typu open source, Python jest dość prosty w użyciu i łatwo go odczytać, dlatego nie powinien stanowić przeszkody dla kandydatów na takie stanowisko.

Można rozważyć też umiejętności „pseudokodowania”, czyli umiejętność zapisania w języku ludzkim (np. angielskim) instrukcji dotyczących działania algorytmu lub kwerendy. Tego rodzaju test prezentuje jakość myślenia i podejście kandydata do rozwiązywania problemów, niezależnie od tego, czy rzeczywiście zna on określony język skryptowy.

5. Odpowiednia propozycja finansowa

W obliczu coraz większego zapotrzebowania na specjalistów ds. danych, tak długo, jak będzie ono przewyższać liczbę osób odpowiednio wykwalifikowanych, wynagrodzenia będą rosnąć. W Stanach Zjednoczonych średnia pensja naukowców ds. danych sięga sześciu zer (rocznie), przy czym najwyższe wynagrodzenie otrzymują oczywiście specjaliści w miastach o wysokich kosztach życiach np. na Zachodnim Wybrzeżu. Wysokie wynagrodzenia są standardem zwłaszcza w Dolinie Krzemowej.

Próby zaoferowania pensji poniżej stawek rynkowych najczęściej spełzną na niczym. Obecnie nawet start-upy oferują specjalistom ds. danych wysokie wynagrodzenia, a jednocześnie otwierają przed nimi możliwości pracy w pełnym wyzwań środowisku, nad innowacyjnymi produktami. Mówiąc inaczej: niskie stawki to gwóźdź do trumny w procesie rekrutacji talentów.