Un regard sur les tendances des emplois de développeur : une méta-analyse des enquêtes sur les débordements de pile

Je suis vraiment intéressé par les tendances que nous voyons sur le marché du travail en génie logiciel. Parfois, il est vraiment difficile de raconter un récit cohérent et précis sur ce qui se passe parce que ça se passe tellement vite, et très peu de gens collectent des données à ce sujet. Par exemple, voici quelques questions auxquelles j'aimerais connaître la réponse : Est-ce que « DevOps » et une utilisation accrue du cloud signifient moins de tâches d'exploitation traditionnelles ? Est-ce que des choses comme Firebase et Supabase signifient moins de tâches back-end ? Est-ce que des choses comme vent arrière signifient moins de designers ? Allons-nous vers des rôles plus ou plus ? spécialisés généralistes Les gens se spécialisent-ils toujours en tant que DBA? J'ai regroupé toutes les réponses sur l'emploi des développeurs des 9 dernières années d'enquêtes Stack Overflow afin de commencer à pouvoir répondre à certaines de ces questions. Si vous êtes curieux de connaître les , nous espérons que ces données seront utiles. perspectives d'emploi pour les développeurs Tout d'abord, une note sur les données Tous les chiffres dans les tableaux représentent le pourcentage de personnes interrogées qui se sont identifiées comme un type d'emploi donné. Les questions posées par SO ont changé au fil des ans, nous devons donc prendre cela avec un grain de sel géant. J'ai normalisé les réponses. Par exemple, "développeur, back-end" et "développeur web back-end" que j'ai regroupés en "backend". Le débordement de pile a permis aux gens de sélectionner 0 à plusieurs titres d'emploi après 2015, avant cela, il semble qu'ils étaient limités à un. Certaines années, les développeurs avaient plus d'options d'emploi parmi lesquelles choisir. J'ai jeté beaucoup de types d'emplois hors sujet comme "développeur de services d'entreprise" et "élu". Il ne s'agit que de données Stack Overflow, elles sont donc biaisées par la taille de leur base d'utilisateurs chaque année. Cela dit, entrons dans les données. Je vais supprimer le script que j'ai écrit pour créer les données agrégées ainsi qu'un lien vers les données brutes au bas de cet article. Tendances Web : Full-Stack, Front-end et Back-end an un paquet entier l'extrémité avant backend 2013 24,5 4.31 7,88 2014 25,72 5.02 9.3 2015 25,93 4,76 8.07 2016 37,88 5.13 10.82 2017 51.05 2.47 5.08 2018 44,87 35.22 53,92 2019 47,5 29,98 45,75 2020 42.08 28.38 42.24 2021 39.42 21.85 34,84 2022 39.17 21.72 36,99 En 2013, le ratio développeurs "front-end"/développeurs "full-stack" était de 15/85, tandis que le ratio développeurs "back-end"/développeurs "full-stack" était de 24/76. La tendance "plus de full-stack, moins de spécialisation" se poursuit tout au long des dix années de données. Il est important de noter qu'en 2017/2018, l'enquête a radicalement changé, c'est pourquoi nous constatons un grand changement dans les chiffres. Interprétation #1 Il semble raisonnable de conclure que la tendance de la dernière décennie a été qu'il y a un pourcentage décroissant de développeurs qui ne font du travail frontal ou du travail principal. De plus en plus sont doublés en tant qu'ingénieurs full-stack. que uniquement Gardez à l'esprit que cela également être dû au fait qu'il y a eu davantage de petites et moyennes entreprises au fil des ans. Les petites entreprises ont généralement besoin de plus de généralistes, mais maintenant je ne fais que deviner. pourrait Interprétation #2 Le ratio ingénieurs front-end/back-end est resté assez constant, avec un peu moins de deux fois plus d'ingénieurs back-end que d'ingénieurs front-end. Cela m'a en fait surpris, je m'attendais à ce que le rapport entre les ingénieurs front-end et back-end soit plus proche au fil des ans. Tendances des opérations informatiques : back-end, DevOps et opérations traditionnelles an backend DevOps opérations 2013 7,88 0 2,96 2014 9.3 1.61 2,85 2015 8.07 1.23 1,77 2016 10.82 1,92 1,79 2017 5.08 7.81 13.66 2018 53,92 9.66 18h33 2019 45,75 11h43 15.93 2020 42.24 10.51 13.11 2021 34,84 9,75 10.82 2022 36,99 13.2 11.8 Dans mon script, j'ai essayé de diviser plus de rôles "ops traditionnels" dans la catégorie "ops", et les trucs "DevOps" dans le rôle "DevOps". Par exemple, "SRE" que j'ai considéré comme "DevOps", tandis que "administrateur système" est "ops". Mise en garde sur les données pour 2017 Que s'est-il passé en 2017 ? Honnêtement, les données semblent juste brisées. J'ai creusé les données manuellement car selon , ils affirment que 24% des développeurs Web ont déclaré qu'ils étaient back-end et 75% des répondants ont déclaré être des développeurs Web. le site Web Pour le moment, j'ai l'impression qu'ils ont dû avoir des qualifications sur ces chiffres, car cela ne correspond tout simplement pas à ma fin. Je vais exclure 2017 de mon analyse dans les interprétations. Interprétation 1 DevOps semble gagner du terrain sur les opérations traditionnelles. En 2013, personne ne s'identifiait comme une personne "DevOps", mais en 2020 et 2021, les chiffres sont similaires. très Il convient de souligner qu'en 2016, les chiffres DevOps ont en fait éclipsé les chiffres "ops" pendant une seule année. Ma meilleure hypothèse est que 2016 était à peu près le moment où de nombreuses entreprises ont simplement commencé à rebaptiser leurs équipes "ops" en équipes "DevOps" afin d'avoir l'air cool. Il est difficile de trop se soucier de ces chiffres, car à mon avis. Je ne crois pas que les titres "ops" et les titres "DevOps" soient si différents dans la plupart des entreprises. DevOps est généralement mal fait Interprétation 2 "DevOps" semble avoir le moins baissé ces dernières années, en fait, il a fait un bon bond en 2022. Cependant, si vous regardez "DevOps" et "ops" ensemble, alors la catégorie encore un peu tendance à baisser. a Fait intéressant, "ops" a eu une tendance à la baisse depuis le début, tandis que "back-end" a eu une tendance à la hausse jusqu'en 2016, date à laquelle la tendance s'est inversée et elle est en baisse depuis. Au début, j'ai supposé que nous voyions simplement la même tendance que celle que nous avons vue dans le développement Web : plus de généralistes, moins de spécialistes. Cependant, je suis devenu sceptique parce que lorsque j'ai examiné les catégories d'emplois, j'ai remarqué que presque avaient tendance à baisser... ce qui ne peut clairement pas être le cas lorsque nous examinons les pourcentages - c'est un jeu à somme nulle. toutes toutes J'ai décidé d'ajouter une nouvelle section à mon script pour approfondir. J'ai calculé combien d'emplois en moyenne chaque enquêteur revendiquait et j'ai obtenu ces données : an backend DevOps opérations avg_jobs_per_user 2013 7,88 0 2,96 1 2014 9.3 1.61 2,85 1 2015 8.07 1.23 1,77 1 2016 10.82 1,92 1,79 1,89 2017 5.08 7.81 13.66 2.48 2018 53,92 9.66 18h33 2,79 2019 45,75 11h43 15.93 2,84 2020 42.24 10.51 13.11 2,59 2021 34,84 9,75 10.82 2.21 2022 36,99 13.2 11.8 2.27 Il semble que de 2013 à 2015, les développeurs étaient limités à ne soumettre qu'une seule réponse, ce qui aide à tenir compte des nombres extrêmement bas. Cependant, de 2019 à 2021, le nombre moyen d'emplois par utilisateur a , ce qui est contraire à la théorie "plus généraliste". diminué Il convient également de souligner qu'au fil des années, Stack Overflow a en fait ajouté des catégories plus spécialisées, que j'ai ensuite pris la liberté de regrouper dans ces groupes plus larges. Il y a donc de bonnes preuves que les développeurs spécialisent davantage, ou à tout le moins qu'il existe plus de de se spécialiser. se façons possibles Cela dit, même après avoir examiné ces données, je pense qu'il y a encore de bonnes raisons de penser que , en particulier dans les petites entreprises. les développeurs back-end feront de plus en plus de travail "DevOps" Tendances des données : science des données, ingénierie des données et back-end an type_data_science data_engineer backend 2013 0 0 7,88 2014 0 0 9.3 2015 2.12 0,69 8.07 2016 3,83 0,7 10.82 2017 9.14 0 5.08 2018 7.17 0 53,92 2019 7.27 6,55 45,75 2020 6.19 5.8 42.24 2021 5.12 5 34,84 2022 4,67 4,91 36,99 Interprétation C'est super intéressant pour moi que l'ingénierie des données n'ait vraiment commencé à apparaître dans les données de l'enquête qu'en 2019. Jusque-là, je suppose que les ingénieurs back-end et les data scientists ont englouti ce rôle. Cette nouvelle spécialisation est certainement intéressante. L'apprentissage automatique s'est absolument développé au cours de la dernière décennie, mais il semble qu'il y ait eu une sorte de "bulle de battage médiatique" en 2017 ? Le reste des données J'ai parlé de mes interprétations personnelles concernant les données que j'ai trouvées les plus intéressantes, mais voici les données que j'ai agrégées pour que vous puissiez les inspecter vous-même : toutes an avg_jobs_per_user un paquet entier l'extrémité avant backend DevOps opérations portable bureau embarqué data_science data_engineer Jeu la gestion AQ éducation motif analyste agent de commercialisation ignorer 2013 1 24,5 4.31 7,88 0 2,96 6.48 9.53 2.16 0 0 0 7.49 0 0 0 0 0 34,7 2014 1 25,72 5.02 9.3 1.61 2,85 7,57 9.43 2.42 0 0 0 5.9 0 0 0 0 0 30.18 2015 1 25,93 4,76 8.07 1.23 1,77 7.28 6,65 2.33 2.12 0,69 0,63 1.44 0,63 0 0,57 0 0,23 35,66 2016 1,89 37,88 5.13 10.82 1,92 1,79 7.39 6.05 2.26 3,83 0,7 0,52 10.04 0,68 0 0,59 1.02 0,21 98,65 2017 2.48 51.05 2.47 5.08 7.81 13.66 16.2 20.3 6.52 9.14 0 3.37 0,5 2.44 1.42 3,94 3,69 0,3 100 2018 2,79 44,87 35.22 53,92 9.66 18h33 19.02 15,99 4,87 7.17 0 4.7 7,99 6.27 3,68 12.16 7,65 1.13 26.63 2019 2,84 47,5 29,98 45,75 11h43 15.93 16.54 19h48 8h15 7.27 6,55 4,99 6.34 7.15 10.18 10h33 7.08 1.1 28.37 2020 2,59 42.08 28.38 42.24 10.51 13.11 14.71 18.28 7.37 6.19 5.8 4.33 5.54 6.12 8,67 8.25 6.24 1 30.18 2021 2.21 39.42 21.85 34,84 9,75 10.82 11.74 13.23 5.51 5.12 5 2.53 6.37 4.33 5.56 5.53 4.54 0,76 34,51 2022 2.27 39.17 21.72 36,99 13.2 11.8 10h42 13.03 5.35 4,67 4,91 2.51 10h44 4.23 5,78 5.14 4.37 0,71 32.06 Données CSV brutes Voici un lien vers les sur Stack Overflow. données CSV brutes Mon Scénario Voici le script Python complet que j'ai utilisé pour calculer les chiffres. Désolé pour la négligence du code, je n'ai pas perdu beaucoup de temps dans le code. La partie la plus intéressante du script est probablement la fonction près du bas, c'est là que j'agrège tous les nombreux types de travaux signalés par les utilisateurs de débordement de pile dans les quelques-uns que j'ai inclus dans le graphique. get_mapped_job import csv outpath = "csv/out.csv" type_devops = "devops" type_ops = "ops" type_backend = "backend" type_frontend = "frontend" type_mobile = "mobile" type_fullstack = "fullstack" type_desktop = "desktop" type_embedded = "embedded" type_data_science = "data_science" type_ignore = "ignore" type_management = "management" type_education = "education" type_design = "design" type_marketer = "marketer" type_data_engineer = "data_engineer" type_game = "game" type_analyst = "analyst" type_qa = "qa" def main(): files = [ (2013, [6]), (2014, [6]), (2015, [5]), (2016, [8, 9, 10]), (2017, [14, 15, 16, 17]), (2018, [9]), (2019, [12]), (2020, [13]), (2021, [11]), (2022, [11]), ] out_dict = {} jobs_per_user_dict = {} for f_tup in files: counts = {} path = f"csv/{f_tup[0]}.csv" print(f"generating report for {path}") out_dict[f_tup[0]]: {} with open(path, "r") as csvfile: rows = csv.reader(csvfile, delimiter=",") count = 0 rows_cpy = [] jobs_per_user = [] for row in rows: count += 1 rows_cpy.append(row) for row in rows_cpy: try: jobs = get_jobtext_from_cells(f_tup[1], row) mapped_jobs = set() for job in jobs: mapped_jobs.add(get_mapped_job(job)) jobs_per_user.append(mapped_jobs) for mapped_job in mapped_jobs: if mapped_job not in counts: counts[mapped_job] = 0 counts[mapped_job] += 1 except Exception as e: print(e) avg_jobs_per_user = 0 for user_jobs in jobs_per_user: avg_jobs_per_user += len(user_jobs) jobs_per_user_dict[f_tup[0]] = round( avg_jobs_per_user / len(jobs_per_user), 2 ) for job in counts: counts[job] /= count counts[job] *= 100 counts[job] = round(counts[job], 2) out_dict[f_tup[0]] = counts write_out(out_dict, jobs_per_user_dict) def get_jobtext_from_cells(indexes, row): if len(indexes) == 0: return [] job_texts = [] for i in indexes: cell = row[i] cell_job_texts = cell.split(";") job_texts += cell_job_texts return job_texts def write_out(out_dict, jobs_per_user_dict): types = [ type_fullstack, type_frontend, type_backend, type_devops, type_ops, type_mobile, type_desktop, type_embedded, type_data_science, type_data_engineer, type_game, type_management, type_qa, type_education, type_design, type_analyst, type_marketer, type_ignore, ] with open(outpath, "w") as csvfile: w = csv.writer(csvfile) w.writerow(["year", "avg_jobs_per_user"] + types) for year in out_dict: row = [year, jobs_per_user_dict[year]] for t in types: row.append(out_dict[year][t] if t in out_dict[year] else 0) w.writerow(row) def get_mapped_job(job): job = job.lower().strip() if job == "": return type_ignore if job == "devops specialist": return type_devops if job == "designer": return type_design if job == "c-suite executive": return type_management if job == "analyst or consultant": return type_analyst if job == "back-end developer": return type_backend if job == "windows phone": return type_mobile if job == "i don't work in tech": return type_ignore if job == "growth hacker": return type_marketer if job == "desktop developer": return type_desktop if job == "analyst": return type_analyst if job == "executive (vp of eng., cto, cio, etc.)": return type_management if job == "mobiledevelopertype": return type_mobile if job == "engineer, data": return type_data_engineer if job == "graphics programmer": return type_game if job == "systems administrator": return type_ops if job == "developer, game or graphics": return type_game if job == "desktop software developer": return type_desktop if job == "nondevelopertype": return type_ignore if job == "elected official": return type_ignore if job == "engineering manager": return type_management if job == "web developer": return type_fullstack if job == "machine learning specialist": return type_data_science if job == "data or business analyst": return type_analyst if job == "devtype": return type_fullstack if job == "response": return type_ignore if job == "developer, qa or test": return type_qa if job == "machine learning developer": return type_data_science if job == "developer, front-end": return type_frontend if job == "database administrator": return type_ops if job == "android": return type_mobile if job == "webdevelopertype": return type_fullstack if job == "blackberry": return type_mobile if job == "system administrator": return type_ops if job == "mobile developer - android": return type_mobile if job == "developertype": return type_fullstack if job == "ios": return type_mobile if job == "developer with a statistics or mathematics background": return type_ignore if job == "qa or test developer": return type_qa if job == "educator or academic researcher": return type_education if job == "engineer, site reliability": return type_devops if job == "marketing or sales professional": return type_marketer if job == "student": return type_ignore if job == "back-end web developer": return type_backend if job == "educator": return type_education if job == "front-end developer": return type_frontend if job == "developer, desktop or enterprise applications": return type_desktop if job == "senior executive/vp": return type_management if job == "occupation": return type_ignore if job == "scientist": return type_ignore if job == "developer, full-stack": return type_fullstack if job == "graphic designer": return type_design if job == "developer, embedded applications or devices": return type_embedded if job == "embedded application developer": return type_embedded if job == "quality assurance": return type_qa if job == "graphics programming": return type_game if job == "senior executive (c-suite, vp, etc.)": return type_management if job == "it staff / system administrator": return type_ops if job == "business intelligence or data warehousing expert": return type_data_engineer if job == "full stack web developer": return type_fullstack if job == "developer, mobile": return type_mobile if job == "front-end web developer": return type_frontend if job == "desktop applications developer": return type_desktop if job == "other (please specify):": return type_ignore if job == "mobile developer": return type_mobile if job == "devops": return type_devops if job == "enterprise level services developer": return type_ignore if job == "data scientist": return type_data_science if job == "executive (vp of eng, cto, cio, etc.)": return type_management if job == "mobile developer - ios": return type_mobile if job == "game or graphics developer": return type_game if job == "which of the following best describes your occupation?": return type_ignore if job == "other": return type_ignore if job == "desktop or enterprise applications developer": return type_desktop if job == "c-suite executive (ceo, cto, etc.)": return type_management if job == "embedded applications/devices developer": return type_embedded if job == "product manager": return type_ignore if job == "mobile application developer": return type_mobile if job == "mobile developer - windows phone": return type_mobile if job == "data scientist or machine learning specialist": return type_data_science if job == "educator or academic": return type_education if job == "embedded applications or devices developer": return type_embedded if job == "quality assurance engineer": return type_qa if job == "enterprise level services": return type_ignore if job == "full-stack developer": return type_fullstack if job == "na": return type_ignore if job == "academic researcher": return type_education if job == "manager of developers or team leader": return type_management if job == "marketing or sales manager": return type_marketer if job == "developer, back-end": return type_backend if job == "full-stack web developer": return type_fullstack if job == "designer or illustrator": return type_design if job == "programmer": return type_ignore if job == "developer": return type_ignore if job == "manager": return type_management if job == "engineer": return type_ignore if job == "sr. developer": return type_ignore if job == "full stack overflow developer": return type_fullstack if job == "ninja": return type_ignore if job == "mobile dev (android, ios, wp & multi-platform)": return type_mobile if job == "expert": return type_ignore if job == "rockstar": return type_ignore if job == "hacker": return type_ignore if job == "guru": return type_ignore if job == "self_identification": return type_ignore if job == "occupation_group": return type_ignore if job == "cloud infrastructure engineer": return type_devops if job == "project manager": return type_management if job == "security professional": return type_ops if job == "blockchain": return type_backend if ( job == "mathematics developers (data scientists, machine learning devs & devs with stats & math backgrounds)" ): return type_data_science raise Exception(f"job not mapped: {job}") main() Également publié ici

Un regard sur les tendances des emplois de développeur : une méta-analyse des enquêtes sur les débordements de pile

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Valhalla de Floki se joint en tant que sponsor associé de la tournée indienne au Sri Lanka

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Valhalla de Floki se joint en tant que sponsor associé de la tournée indienne au Sri Lanka

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps