УЗГОДЖЕННЯ ОСВІТНІХ ПРОГРАМ З ВИМОГАМИ РИНКУ ПРАЦІ ДЛЯ ФАХІВЦІВ У СФЕРІ ДАНИХ : КЛАСТЕРНИЙ ПІДХІД

Abstract

У цій статті розглядається проблема узгодження освітніх програм закладів вищої освіти зі швидко змінюваними вимогами ринку праці в галузі науки про дані. Використовуючи відкритий набір даних щодо вакансій в ІТ-сфері, ми застосували кластеризацію методом K-середніх для визначення чотирьох окремих категорій ролей фахівців з даних: аналітик і інженер даних, інженер платформи даних, спеціаліст із науки та інженерії даних, інженер хмарних даних. Кожен кластер представляє унікальну комбінацію затребуваних навичок, що дає уявлення про поточні вимоги галузі. Нами пропонується новий підхід для зіставлення цих кластерів навичок з освітніми програмами, використовуючи частку кредитів, виділених на відповідні компетентності. Цей метод демонструється на прикладі магістерської програми з інформаційних систем і технологій ХДУ. Для перевірки узгодженості вимог до навичок у кластері спеціаліста із науки та інженерії даних і структури компетенцій академічної програми застосовується χ²-тест. Наші результати свідчать про те, що цей підхід може ефективно сприяти розробці освітніх програм та допомагати студентам обирати відповідні програми, які узгоджуються з їхніми кар'єрними цілями. Це дослідження сприяє подоланню розриву між академічною сферою та індустрією, потенційно підвищуючи працевлаштованість випускників у галузі науки про дані, що стрімко розвивається. This paper consider the challenge of aligning higher education programs with rapidly evolving labour market demands in the field of data science. Using an open dataset of IT job postings, we applied K-means clustering to identify 4distinct categories of data specialist roles: Data Analyst & Engineer, Data Platform Engineer, Data Science & Engineering Specialist, and Cloud Data Engineer. Each cluster represents a unique combination of in-demand skills, providing insights into current industry requirements. We propose a novel approach to match these skill clusters with academic programs, using the proportion of credits allocated to relevant competencies. This method is demonstrated using a case study of a Master's program in Information Systems and Technologies at KSU. The χ² test is employed to validate the alignment between the skill requirements of the Data Science & Engineering Specialist cluster and the academic program's competency structure. Our findings suggest that this approach can effectively guide academic programdevelopment and help students select appropriate academic programs aligned with their career goals. This research contributes to bridging the gap between academia and industry, potentially improving graduate employability in the rapidly evolving field of data science.