Какие критерии при выборе будущей работы?

Критерии выбора работы Data Scientist

Выбор работы — одно из самых важных решений в карьере. После 10+ лет в ML/DS индустрии я определил ключевые критерии, которые отделяют хорошие позиции от плохих.

1. Качество Data и Problem Statement

Это самый важный критерий. Хороший датасайентист может решить любую техническую задачу, но если данные грязные или задача нечёткая, вся работа бесполезна.

На что смотреть:

• Есть ли у компании хороший data pipeline и инфраструктура?
• Как часто их ML модели используются в production?
• Есть ли реальная business impact от аналитики?
• Готова ли компания инвестировать в качество данных?

Красный флаг: "Модели готовы, но редко используются"
Зелёный флаг: "Мы A/B тестируем каждое изменение и видим ROI"

2. Team и Менторство

Качество окружения критично для роста.

Вопросы для интервью:

• Будет ли у меня senior менеджер или senior scientist на моей линии?
• Какова структура команды? (Один датасайентист или 5+?)
• Есть ли культура code review и knowledge sharing?
• Развивают ли люди свои skills или застояли?

Идеальный сценарий: Team из 3-5 человек с 1-2 seniors, культура обучения, регулярные knowledge sessions.

3. Tech Stack и Инфраструктура

Современный стек экономит месяцы работы, устаревший — тратит их впустую.

Good:

• Python/SQL для analysis, Spark/DBT для processing
• Kubernetes/Docker для production, MLflow/Weights&Biases для экспериментов
• Cloud (AWS/GCP/Azure) с хорошей инструментарий

Bad:

• Ручные Excel файлы для аналитики
• Устаревшие языки (Perl, R для production)
• Отсутствие версионирования моделей или A/B тестирования
• Всё в одном Jupyter notebook

# Хороший признак: reproducible experiments
import wandb

wandb.init(project="my_ml_project")
wandb.log({"accuracy": 0.95, "f1": 0.92})
wandb.log_artifact("model.pkl")

4. Карьерный рост и Развитие

Спроси у кандидатов на должность выше:

• За сколько лет они дошли до своей позиции?
• Какие skills они развивали на пути?
• Есть ли clear roadmap в компании: Junior → Mid → Senior?
• Платит ли компания за курсы, конференции, сертификаты?

Красные флаги:

• "Ты последний датасайентист в компании"
• Зарплата не растёт уже 2+ года
• Нет возможности перейти в management или principal track

5. Компенсация и Benefits

Это не #1, но важно!

На что смотреть:

• Зарплата (должна быть 50+ перцентиль для твоего рынка)
• Stock options (если startup)
• Remote work flexibility (сейчас это ожидаемо)
• Health insurance, 401k matching, отпуск
• Learning budget

Formula для оценки: Total Compensation = Зарплата + Бонус + Акции (amortized) + Benefits

6. Mission и Company Values

Подумай:

• Верю ли я в миссию компании?
• Хочу ли я работать для этих людей?
• Решаем ли мы важные проблемы?

Не недооценивай это. 8 часов в день × 5 дней в неделю = 40% твоей жизни.

Примеры missions:

• Хорошо: "Мы помогаем здоровью людей через precision medicine"
• Плохо: "Мы показываем больше рекламы"
• Нейтрально: "Мы B2B SaaS платформа"

7. Work-Life Balance и Culture

Вопросы:

• Сколько часов в неделю работают сейчас?
• Есть ли crunch periods? На сколько они частые?
• Как часто они работают в выходные?
• Есть ли flexible hours?
• Используют ли люди весь свой отпуск?

Зелёный флаг: "Никто не работает в выходные и не ожидается" Красный флаг: "Это стартап, поэтому ты должен работать 60 часов"

8. Domain Knowledge и Network

На выросте:

• Как часто я буду взаимодействовать с top tier специалистами?
• Развивается ли мой domain expertise (финансы, биотех, etc)?
• Будет ли сетевой эффект от этой работы?

Работа в FAANG даёт огромный boost в resume и сети. Нишевая роль в startup может дать глубокий domain expertise.

Матрица для принятия решения

          HIGH impact   LOW impact
High pay      ✅ YES      🤔 THINK
Low pay       ⚠️ RISKY    ❌ NO

My Personal Ranking (для меня лично):

1. Data Quality & Problem — 30% важности
2. Team Quality — 25%
3. Growth Opportunity — 20%
4. Compensation — 15%
5. Tech Stack — 10%

Цель: найти позицию, где ты будешь полезен, расти и наслаждаться работой. Все три — необходимы.

Главное не спешить. Правильная работа — это долгосрочная инвестиция в твою карьеру!