آگهی‌های استخدام دانشمند داده در آلمان، در سال ۲۰۲۶ واقعاً چه می‌خواهند؟

«دانشمند داده» در آلمان یک شغل نیست. تابلویی است که بالای چند در مختلف نصب شده است.

پشت یکی از این درها تحلیل محصول است: آزمایش، رفتار مشتری، قیمت‌گذاری و تصمیم‌گیری. پشت دری دیگر، آمار تخصصی در پزشکی، بیمه، انرژی یا صنعت قرار دارد. در سوم به یادگیری ماشین عملیاتی باز می‌شود؛ جایی که خط‌های پردازش داده و سامانه‌های ابری به اندازه‌ی انتخاب مدل اهمیت دارند. و تازه‌ترین در به برنامه‌های مبتنی بر مدل‌های زبانی، بازیابی اطلاعات و ایجنت‌ها می‌رسد.

درخواست برای هر چهار در با یک رزومه‌ی عمومی دشوار است. یادگیری برای هر چهار در به‌طور هم‌زمان از آن هم بدتر.

پس این یادداشت یک نقشه است، نه یک چک‌لیست جامع. با استفاده از آگهی‌های فعلی نشان می‌دهم زمین مشترک کجاست، شاخه‌های اصلی کدام‌اند و هر شاخه به چه شاهدی پاداش می‌دهد.

شناسنامه‌ی داده‌ها

پنج آگهی Agoda زیر شهرهای آلمان آمده بودند، در حالی که نقش صراحتاً در بانکوک و همراه با جابه‌جایی بود. IBM، KPMG، HiSolutions و یک شرکت مشاوره‌ی دورکار آگهی‌های یکسانی را در چند شهر تکرار کرده بودند. یک آگهی Instaffo هم بازنشر آگهی Peter Park بود. اگر این ردیف‌ها را جداگانه می‌شمردیم، برخی مهارت‌ها و شهرها مهم‌تر از آنچه هستند به نظر می‌رسیدند.

پس از این اصلاحات، ۸۸ نقش باقی ماند و همه‌ی درصدهای این یادداشت بر پایه‌ی همین عدد است. جدول تجمیعی هم به‌صورت فایل CSV قابل دریافت در دسترس است.

یک عنوان، چهار نوع کار

آگهی‌ها وقتی معنا پیدا می‌کنند که آن‌ها را بر اساس تصمیمی که کارفرما به آن نیاز دارد دسته‌بندی کنیم، نه فقط بر اساس عنوان شغلی.

۱. علم محصول و تصمیم

این نقش‌ها پرسش‌هایی از این دست می‌پرسند:

• کدام کاربران احتمالاً ما را ترک می‌کنند؟
• چه چیزی تقاضا یا نرخ تبدیل را تغییر می‌دهد؟
• قیمت، تخفیف یا پیشنهاد چطور باید تغییر کند؟
• آیا یک آزمایش روی محصول واقعاً بهبودی ایجاد کرد؟

SQL، پایتون، آمار، طراحی آزمایش، مصورسازی و کار با ذی‌نفعان بخش بزرگی از ارزش را می‌سازند. یک مدل پیچیده فقط وقتی مفید است که تصمیمی را بهتر کند.

بازارگاه‌های آنلاین، شرکت‌های گردشگری، فین‌تک‌ها، خرده‌فروشان و کسب‌وکارهای SaaS بیشتر در این شاخه دیده می‌شدند. عنوان‌ها شامل Data Scientist، Decision Scientist، Product Data Scientist و Customer Analytics Data Scientist بود.

۲. علم داده‌ی تخصصی و آماری

بازار آلمان کارهایی دارد که نمی‌شود آن‌ها را به یک پشته‌ی نرم‌افزاری استاندارد خلاصه کرد.

کارآزمایی‌های بالینی به طراحی آماری، دانش مقررات و گزارش‌دهی دقیق نیاز دارند. قیمت‌گذاری بیمه به تفکر اکچوئری نیاز دارد. حسگرهای صنعتی ممکن است فیزیک و پردازش سیگنال بخواهند. نقش‌های انرژی و لجستیک ممکن است به پیش‌بینی یا بهینه‌سازی وابسته باشند.

در این شاخه، دانش حوزه‌ی کاری یک امتیاز جزئی در کنار پایتون نیست. روش، شاهد قابل‌قبول و هزینه‌ی اشتباه را همین دانش تعیین می‌کند. R، SAS، استانداردهای تخصصی یا تجربه‌ی علمی ممکن است از یک چارچوب محبوب یادگیری عمیق مهم‌تر باشد.

۳. یادگیری ماشین عملیاتی

بعضی کارفرمایان دانشمند داده‌ای می‌خواهند که بتواند کار را از مرحله‌ی کاوش فراتر ببرد.

کار ممکن است شامل خط پردازش داده، API، Docker، هماهنگ‌سازی، سرویس‌های ابری، استقرار، پایش یا همکاری نزدیک با مهندسان داده و پلتفرم باشد. توانایی‌های مرتبط با ابر در ۳۷ نقش دیده شد. AWS در ۲۴ نقش آمده بود و Azure و Google Cloud هر کدام در ۱۲ نقش.

این شاخه از هر متقاضی نمی‌خواهد معمار ابری شود. اما به کسانی پاداش می‌دهد که می‌دانند بعد از این‌که یک نوت‌بوک امتیاز امیدوارکننده‌ای گرفت، چه اتفاقی می‌افتد.

۴. هوش مصنوعی مولد کاربردی

کار با مدل‌های زبانی حالا آشکارا حضور دارد. مدل‌های زبانی بزرگ در ۲۶ نقش، RAG در ۱۱ نقش و ایجنت‌های هوش مصنوعی در هفت نقش دیده شدند.

آگهی‌ها نوشتن پرامپت را یک حرفه‌ی کامل توصیف نمی‌کردند. هوش مصنوعی مولد را با پایتون، یادگیری ماشین کلاسیک، ارزیابی، فرایندهای کسب‌وکار، تحویل ابری، پایش یا دانش حوزه‌ی کاری ترکیب می‌کردند.

پیام مفید همین ترکیب است: هوش مصنوعی مولد شاخه‌ی تازه‌ای در کار دانشمند داده ایجاد کرده، اما این شاخه به همان درخت قبلی متصل است.

زمین مشترک میان چهار شاخه

شاخه‌ها با هم فرق دارند، اما چند توانایی بارها تکرار شدند.

پایتون نزدیک‌ترین چیز به یک زبان مشترک در این بازار است. تحلیل، مدل‌سازی، خودکارسازی، API و کتابخانه‌های هوش مصنوعی را به هم وصل می‌کند.

اما SQL محک واقعی‌تری است. نیمی از نقش‌ها نامش را آورده بودند، چون علم داده‌ی مفید معمولاً از دل پایگاه‌های داده‌ی موجود، رویدادهای محصول، تراکنش‌ها، سامانه‌های عملیاتی و جدول‌های ناقص شروع می‌شود. پیش از آن‌که مدلی بتواند کمک کند، کسی باید بفهمد هر سطر چه معنایی دارد و آیا یک Join، سؤال را عوض کرده است یا نه.

یادگیری ماشین در ۶۱٫۴٪ نقش‌ها آمده بود؛ بیش از دو برابر مدل‌های زبانی. آمار تقریباً به همان اندازه‌ی مدل‌های زبانی تکرار شده بود. بازار گسترده‌تر شده، اما پیش‌بینی، طبقه‌بندی، طراحی آزمایش، قیمت‌گذاری، بهینه‌سازی، کشف تقلب و اندازه‌گیری از بین نرفته‌اند.

دوره‌های پایتون و SQL و پایگاه داده این پایه‌ی مشترک را پوشش می‌دهند. آموزش Pandas و SQLite هم نمونه‌ی جمع‌وجوری است از این‌که داده‌ی استخراج‌شده با کوئری را مستقیم به تحلیل وصل کنیم، نه این‌که این دو را دو دنیای جدا ببینیم.

پنج آگهی به‌عنوان یادداشت میدانی

آگهی‌های زیر در زمان بررسی، ۲۶ ژوئیه‌ی ۲۰۲۶، فعال بودند. این‌ها پنج نسخه از یک نقش ایدئال نیستند؛ هر کدام بخش متفاوتی از نقشه را نشان می‌دهند.

Peter Park تحلیل را به درآمد، انتخاب‌های محصول، خط‌های پردازش داده و سلف‌سرویس کسب‌وکار وصل می‌کند. Vinted نماینده‌ی علم تصمیم در محصول و بازارگاه است. Moss یادگیری ماشین کلاسیک را با سامانه‌های عملیاتی مدل زبانی ترکیب می‌کند. DHL گستردگی هوش مصنوعی سازمانی را نشان می‌دهد. و Boehringer Ingelheim مثال نقض مهم است: طراحی بالینی، مقررات و عمق آماری بیش از پشته‌ی رایج پایتون این نقش را تعریف می‌کنند.

همین تنوع، خودش شاهد است.

هوش مصنوعی مولد لبه‌ی نقش را تغییر می‌دهد، نه مرکز آن را

خیلی راحت می‌شود «۲۶ نقش به مدل زبانی اشاره کرده‌اند» را خواند و یکراست به سمت RAG و ایجنت‌ها دوید.

برداشت درست‌تر محدودتر است: بعضی نقش‌های دانشمند داده در آلمان حالا به کسانی نیاز دارند که بتوانند مدل‌های زبانی را در محصولات و گردش‌کارهای واقعی به کار بگیرند. این افراد همچنان باید مسئله را صورت‌بندی کنند، داده را بررسی کنند، ارزیابی تعریف کنند، خطا را اندازه بگیرند، تغییرات را مستقر کنند و بده‌بستان‌ها را توضیح دهند.

ترتیب فنی مهم است:

مهارت‌های اعتبارسنجی کلاسیک به‌خوبی منتقل می‌شوند. کسی که نشت داده، نمونه‌گیری، دقت، فراخوانی و تحلیل خطا را می‌فهمد، برای ارزیابی یک سامانه‌ی مدل زبانی آماده‌تر است تا کسی که چند چارچوب ایجنت را می‌شناسد اما هیچ‌وقت یک آزمون قابل‌اعتماد طراحی نکرده است.

دوره‌ی یادگیری ماشین این پایه را فراهم می‌کند. آموزش‌های پیش‌پردازش داده و اولین مدل یادگیری ماشین هم نقطه‌ی شروع خوبی هستند، چون آماده‌سازی داده و اعتبارسنجی را قابل‌دیدن می‌کنند.

سیگنال ورود برای تازه‌کارها ضعیف است

فقط پنج نقش برچسب «سطح ورود» داشتند. سی‌وپنج نقش «ارشد» و شش نقش «سرپرست یا مدیر» بودند. ۴۲ نقش دیگر هم دسته‌بندی قابل‌اعتمادی از سطح تجربه نداشتند.

این گروه نامشخص مانع می‌شود که سهم واقعی نقش‌های ارشد را دقیق بگوییم. اما این واقعیت را تغییر نمی‌دهد که فرصت‌های صریحاً سطح پایه در این نمونه کمیاب بودند.

اگر در ابتدای مسیر شغلی هستید، واکنش اشتباه این است که رزومه‌تان را با ابزارهایی پر کنید که ارشد به نظر می‌رسند. واکنش بهتر این است که یک پروژه‌ی کوچک را به‌شکلی غیرمعمول قابل‌ارزیابی کنید.

نشان دهید:

• داده از کجا آمده است؛
• کار شما از چه تصمیمی پشتیبانی می‌کند؛
• چرا مدل مبنا منطقی است؛
• نتیجه را چطور آزموده‌اید؛
• کدام موارد شکست خوردند؛
• دیگری چطور می‌تواند آن را بازتولید کند؛
• پس از انتشار، چه چیزی باید پایش شود.

جست‌وجویتان را هم به یک عنوان محدود نکنید. تحلیلگر داده، تحلیلگر محصول، تحلیلگر هوش تجاری، Decision Scientist، مهندس تحلیل، مهندس یادگیری ماشین تازه‌کار و نقش‌های کمّی تخصصی ممکن است همان کاری را داشته باشند که شما می‌خواهید. راهنمای آگهی‌های شغلی وین روش خوبی برای مقایسه‌ی «مجموعه‌ی کارها» به‌جای اعتماد به عنوان شغلی ارائه می‌دهد.

محل کار و زبان، نقشه را دوباره ترسیم می‌کنند

برلین ۲۷ نقش و مونیخ ۱۷ نقش داشتند؛ این دو با هم نیمی از نمونه را تشکیل می‌دادند. هامبورگ با شش نقش در رتبه‌ی بعد بود.

این اعداد همین خروجی را توصیف می‌کنند، نه همه‌ی آگهی‌های آلمان را. با این حال، ترکیب صنایع گویاست. برلین بازارگاه‌ها، فین‌تک، تبلیغات، کشف تقلب، تحلیل محصول و هوش مصنوعی مولد را نشان می‌داد. مونیخ خودروسازی، گردشگری، قیمت‌گذاری، SaaS و نقش‌های ارشد محصول داشت. گروه‌های کوچک‌تر شهرها هم بیمه، فناوری صنعتی، انرژی، لجستیک، مشاوره و پژوهش بالینی را اضافه می‌کردند.

پس جست‌وجوی صرفِ «Data Scientist Berlin» ممکن است فرصت‌های مناسب را پنهان کند. صنعت و نوع مسئله هم باید کنار نام شهر در عبارت جست‌وجو بیایند.

زبان هم از نوع کار پیروی می‌کند. بعضی آگهی‌ها آلمانی روان می‌خواستند، از جمله سطح C1 برای نقش‌های مشاوره‌ای در تماس با مشتری. بعضی دیگر از تیم‌های بین‌المللی حرف می‌زدند و انگلیسی قوی می‌خواستند. خیلی‌ها هم روشن نبودند.

به‌جای این‌که فرض کنید آگهی انگلیسی یعنی محیط کار صرفاً انگلیسی، گردش کار را بررسی کنید:

• تحلیل شما به دست چه کسی می‌رسد؟
• آیا مشتریان یا تیم‌های عملیاتی آلمانی‌زبان‌اند؟
• آیا اسناد، مقررات یا داده‌های منبع به آلمانی‌اند؟
• آیا باید یافته‌ها را به تیم‌های محلی کسب‌وکار ارائه کنید؟
• آیا سطح زبان مشخص‌شده الزامی است یا فقط ترجیحی؟

آلمانی می‌تواند بخش بیشتری از بازار را به روی متقاضیان بین‌المللی باز کند. اما جای شاهد فنی را نمی‌گیرد، و شاهد فنی هم الزام زبانیِ صریح را از بین نمی‌برد.

به‌جای گالری پروژه، یک پرونده‌ی کامل بسازید

پنج نوت‌بوک پراکنده بازبین را مجبور می‌کند حدس بزند شما چه کاری از دستتان برمی‌آید. یک پرونده‌ی کامل، قضاوت شما را قابل‌دیدن می‌کند.

شاخه‌ای را که می‌خواهید وارد آن شوید انتخاب کنید و نمونه‌کار را حول شاهد طبیعی همان شاخه بسازید:

هر شاخه‌ای را که انتخاب کنید، پرونده را در همین شش پوشه سامان دهید:

• تصمیم: چه کسی به نتیجه نیاز دارد و چه چیزی ممکن است تغییر کند؟
• داده: هر منبع چه چیزی را نشان می‌دهد و چه چیزی کم است؟
• روش: از چه مدل مبنا و چه فرض‌هایی استفاده کردید؟
• شاهد: چه شاخص، آزمون یا عدم‌قطعیتی از نتیجه پشتیبانی می‌کند؟
• تحویل: دیگری چطور کار را دریافت یا اجرا می‌کند؟
• محدودیت‌ها: کجا شکست می‌خورد و چه چیزی را پایش می‌کنید؟

برای کارهای عملیاتی، دوره‌ی Docker و Kubernetes برای داده کمک می‌کند پروژه را از محیط محلی فراتر ببرید. یادداشت مهارت‌های عملی هوش مصنوعی در بازار کار توضیح می‌دهد چرا شاهدِ قابل‌دیدن مهم است. اگر به سمت نقش‌های نرم‌افزارمحور می‌روید، می‌توانید این نقشه را با تحلیل آگهی‌های مهندس هوش مصنوعی مقایسه کنید.

از این نقشه برای برنامه‌ی هشت هفته‌ی آینده‌تان استفاده کنید

جدول فراوانی را به برنامه‌ی مطالعه‌ی ۲۰ ابزار تبدیل نکنید.

در دو هفته‌ی اول، ۲۰ آگهی مرتبط جمع کنید و هر کدام را به یکی از چهار شاخه نسبت دهید. نقش‌هایی را که فقط عنوانشان مشترک است اما کارشان آن چیزی نیست که می‌خواهید کنار بگذارید.

در هفته‌های سوم و چهارم، کمبودهای تکرارشونده را در شاخه‌ی انتخابی‌تان فهرست کنید. اگر همه‌ی نقش‌های مناسب محصول SQL و طراحی آزمایش می‌خواهند، این از یک گزارش روند جهانی که ایجنت‌ها را توصیه می‌کند مفیدتر است. اگر نقش‌های عملیاتی بارها Docker و تحویل ابری می‌خواهند، همان‌جا بسازید.

در هفته‌های پنجم تا هفتم، یک پرونده را بهتر کنید. کوئری، مدل مبنا، اعتبارسنجی، API، مجموعه‌ی ارزیابی یا برنامه‌ی پایشی را که کم است اضافه کنید. سه پروژه‌ی تازه شروع نکنید.

در هفته‌ی هشتم، شاهدها را برای یک خواننده‌ی انسانی بازنویسی کنید. مدیر استخدام باید بتواند مسئله، روش، نتیجه و محدودیت‌ها را پیدا کند بی‌آن‌که همه‌ی سلول‌های نوت‌بوک را باز کند.

بعد دوباره بازار را بررسی کنید. شواهد بازار کار تغییر می‌کند و مسیر شما هم باید اجازه‌ی تغییر داشته باشد.

نتیجه‌ی مفید، یک جهت است

این نمونه یک نیم‌رخ واحد از دانشمند داده در آلمان را توصیف نمی‌کند. یک هسته‌ی تحلیلی مشترک را توصیف می‌کند که به چهار نوع کار متفاوت تغذیه می‌دهد.

پایتون، SQL، یادگیری ماشین و قضاوت آماری درها را به هم وصل نگه می‌دارند. بعد، زمینه‌ی محصول، عمق در حوزه‌ی کاری، تحویل عملیاتی یا هوش مصنوعی مولد تعیین می‌کند که کارفرما واقعاً پشت کدام در نیرو می‌گیرد.

پیش از انتخاب ابزارهای بیشتر، آن در را انتخاب کنید.

نتیجه یک رزومه‌ی جهانی نخواهد بود، و نباید هم باشد. نتیجه روایت روشن‌تری خواهد بود از مسئله‌هایی که می‌توانید حل کنید، شاهدی که می‌توانید نشان دهید و بخشی از بازار داده‌ی آلمان که آن شاهد به آن تعلق دارد.