Сколько сейчас платят разработчикам

Все говорят, что в ИТ сейчас нужны новые кадры и за это компании готовы хорошо платить. Мы зашли на Хедхантер и проверили — всё так.

В вакансиях часто пишут «желаемый опыт работы — от 1 года» или что-то в таком духе. На самом деле это не главный критерий, а просто пожелание работодателя. Если всё, что у вас есть — это курсы и учебные проекты, но вы хорошо разбираетесь в нужных технологиях, то опыт работы будет не так критичен.

Фронтенд: 200—250 тысяч

Фронтенд-разработчик отвечает за внешний вид сайтов, сервисов и программ, основанных на веб-движках. Он следит за тем, чтобы не разъехалась вёрстка, все кнопки и картинки стояли на своих местах, чтобы интерфейс отрисовывался плавно и правильно реагировал на все действия пользователя. Это непростая работа, потому что в вебе много стандартов, много браузеров и много костылей. Но интересно.

Что нужно знать и уметь:

HTML и CSS;
программировать на JavaScript (и иногда на TypeScript);
основные и популярные фреймворки;
писать код на React, чтобы делать классные интерфейсы;
работу препроцессоров;
что такое Git;
что делает бэкенд и как он может повлиять на внешний вид сайта.

Что почитать по теме:

Где научиться: на курсе «Веб-разработчик».

Бэкенд: 120—200 тысяч

Если фронты делают видимую часть интернета, то бэкенд-разработчики делают невидимую: настраивают серверы, пишут код под капотом сайта, настраивают базы данных, делают движки для сайта и придумывают архитектуру. Проще говоря, на бэкенде лежит всё, что происходит на сервере.

Что нужно знать и уметь:

Python или Java;
Django или другой фреймворк для работы;
PHP для поддержки существующих проектов;
SQL и принципы работы с такими базами данных;
умение работать с Git или подобным сервисом контроля версий;
API — конкретные реализации зависят от профиля работы.

Что почитать по теме:

Где научиться: на курсе «Python-разработчик». Он не только про Python, а про весь бэкенд в целом.

Инженер по тестированию: 50—200 тысяч

Чтобы всё, что сделали предыдущие ребята, не ломалось и работало как следует, это надо протестировать. Для этого зовут тестировщиков (или инженеров по тестированию, или QA, или QC). Они проверяют разные ИТ-решения и код со всех сторон, чтобы он работал в любых условиях, а если ломался, то делал это правильно и сразу сообщал об ошибке.

Что нужно знать и уметь:

JavaScript (в большинстве случаев);
Python (если нужно будет автоматизировать тесты);
REST API;
Postman, Charles или что-то подобное для работы с запросами и HTTP-трафиком;
пользоваться баг-трекером;
Git — без него в разработке уже никуда.

Что почитать по теме:

Какой софт нужен, чтобы стать тестировщиком
«Я нашла работу в Альфа-Банке за месяц до окончания учёбы» Выпускница Практикума Ника Малинина рассказывает о профессии инженера по тестированию
Что такое технический долг
Тестирование: зачем тыкать на 1 000 кнопок в секунду
Словарь тестировщика: автотесты, юнит-тесты и другие важные слова

Где научиться: на курсе Практикума «Инженер по тестированию».

Аналитик данных и специалист по Big Data

В мире огромное количество данных — информация о покупках, регистрации на сайтах, количество скачанных приложений, сколько раз человек разблокировал телефон или совершил звонков в день и ещё тысячи подобных примеров. Если проанализировать эти данные правильным образом, можно найти разные полезные закономерности. Например, можно выяснить, когда люди звонят чаще всего, и в это время включать резервные вышки связи. Или найти связь между количеством негативных отзывов и временем ожидания от техподдержки и оптимизировать работу магазина.

Всем этим занимаются аналитики данных и дата-сайентисты. В зависимости от специализации они могут выявлять связи, рисовать наглядные графики, писать программы для машинного обучения.

Что нужно знать и уметь:

математику и статистику;
программировать на Python или R;
как визуализировать данные;
объяснять свои находки и идеи;
как работает машинное обучение и нейросети.

Что почитать по теме:

Где научиться: у Практикума есть два курса на эту тему — «Специалист по Data Science» и «Аналитик данных». У них много общего, только первый направлен больше на машинное обучение и прикладное использование, а второй — на аналитику и представление данных.