Article original : Types of Software Development Training – New Data for Choosing the Best IT Career Training Resource
Il y a très, très longtemps – fin novembre 2021 pour être précis – j'ai écrit "A Data Analysis of IT Career Training Tool Efficacy" pour aider à la tâche difficile de faire des choix intelligents en matière d'éducation professionnelle.
Croyez-le ou non, il y a déjà eu quelques mises à jour importantes.
Cet article commençait par présenter certains outils de données puissants pour évaluer les conséquences économiques probables de l'inscription dans des collèges américains individuels.
Ces outils sont conçus pour nous donner des informations sur les taux d'achèvement et de défaut de prêt. Et sur les programmes les plus susceptibles de mener à la réussite financière - ou au moins de fournir suffisamment de revenus pour couvrir vos frais de scolarité. Alerte spoiler : tous n'y parviendront pas.
Rien n'a beaucoup changé dans ce domaine, donc je n'ai rien de plus à dire sur ce sujet.
Mais la deuxième moitié de l'article se concentrait sur l'analyse des données de l'enquête freeCodeCamp New Coder Survey de 2018. Cette enquête nous a permis d'explorer certains des coûts et avantages réels de l'inscription dans des bootcamps de codage, des ressources d'apprentissage en ligne et, bien sûr, freeCodeCamp.
En particulier, nous avons examiné les revenus et la dette étudiante déclarés par de nombreux répondants parmi les 30 000 personnes qui ont répondu à l'enquête. Les bootcamps coûteux se traduisent-ils par des salaires plus élevés ? Et les plateformes de formation en ligne à but lucratif ? Les diplômes universitaires garantissent-ils un revenu plus élevé ?
L'enquête freeCodeCamp New Coder Survey de 2021
Depuis lors, les résultats de la version 2021 de l'enquête sont sortis. Les nouvelles questions ne suivaient pas exactement le même format que celles de 2018.
Par exemple, les répondants n'étaient pas répartis par pays, mais par région. Par conséquent, au lieu de regarder uniquement les apprenants américains, nous travaillerons avec toute l'Amérique du Nord. Et le revenu était déclaré par tranches (c'est-à-dire de 40 000 $ à 49 999 $) plutôt que par des chiffres réels.
Pour simplifier les choses, j'ai converti les tranches en une moyenne (ce qui signifie que "40 000 $ à 49 999 $" est devenu 45 000 $) afin qu'ils soient des approximations.
Comme avant, les chiffres de l'enquête ne sont que des chiffres. Le fait que l'apprenant moyen de freeCodeCamp ait connu un plus grand ou un moindre succès avec une ressource particulière ne signifie pas que tout le monde aura la même expérience.
Et le fait que le diplômé universitaire moyen de l'enquête soit confronté à une dette étudiante importante – 59 % de son revenu annuel, en fait – ne signifie pas que ce sera votre cas.
Et, bien sûr, la corrélation n'est pas la même que la causalité. Le fait que les consommateurs d'une ressource gagnent plus de revenus que les consommateurs d'une autre ne signifie pas que c'est la ressource qui a fait la différence. Il peut y avoir des facteurs importants que nous ne prenons tout simplement pas en compte.
Néanmoins, ces chiffres peuvent être vraiment utiles, et nous serions fous de les ignorer alors que nous faisons nos plans.
Bootcamps vs Plateformes d'apprentissage en ligne
Selon notre analyse de l'enquête de 2018, les bootcamps en personne sous-performaient, les outils d'apprentissage en ligne comme Pluralsight et Coursera se sont avérés beaucoup plus rentables, et freeCodeCamp – naturellement – offrait une valeur fantastique.
Cela a-t-il changé ? Le résultat incroyable de Pluralsight en 2018 (le revenu de l'apprenant moyen de Pluralsight était de 52 895 $ – environ 10 % de plus que les diplômés BA) était-il juste un coup de chance ?
Voici à quoi tout cela ressemble maintenant en utilisant les données de l'enquête de 2021 :
Revenu (en bleu) VS Dette (en orange)
Comme vous pouvez le voir, les barres bleues représentent le revenu d'une ressource particulière, tandis que l'orange nous montre la dette. Heureusement, l'utilisateur moyen de toutes les ressources incluses gagne plus en un an que sa dette moyenne.
Les étudiants de tous les bootcamps en personne ont déclaré un niveau de dette étudiante (22 476 $) qui était le deuxième plus élevé après les diplômés universitaires ("All_Degrees"). Leur revenu, cependant, n'était même pas proche de celui des diplômés universitaires (41 972 $ vs 48 576 $). Cela qualifie-t-il de "sous-performance" ? Je ne peux pas dire.
Vous pouvez facilement voir que la dette étudiante la plus élevée est pour les diplômés de tous les programmes de diplôme. Compte tenu du coût des frais de scolarité et des dépenses de vie, c'est exactement ce à quoi nous nous attendions. De manière tout aussi prévisible, nous avons déjà vu comment le revenu des diplômés universitaires est également plus élevé.
Comme je l'ai divulgué dans l'article précédent, je produis des cours pour Pluralsight, donc j'ai un intérêt personnel ici. Je vous pardonnerai donc de ricaner lorsque je vous dirai à quel point je crois que leur bibliothèque de cours est efficace.
Mais ce vieux résultat n'était clairement pas un coup de chance. L'apprenant moyen de Pluralsight gagne maintenant plus de 59 000 $ par an – une augmentation de 9 % par rapport à 2018 – et ne porte que 22 180 $ de dette étudiante.
Affichage des résultats de revenu et de dette par éducation
Avoir une bonne idée des expériences de revenu de nos répondants de freeCodeCamp peut être délicat. Il s'avère qu'il y a quelques valeurs aberrantes, ce qui signifie que quelques personnes dans chaque catégorie gagnent beaucoup plus (ou ont beaucoup plus de dettes) que la plupart de leurs pairs.
Je pourrais supprimer manuellement la plupart ou toutes les valeurs aberrantes et me concentrer sur le corps principal des résultats, mais cela risque de fausser artificiellement les données restantes. Et cela implique également beaucoup trop de travail à mon goût.
Je vais donc visualiser les données en utilisant des boîtes à moustaches. L'avantage d'une boîte à moustaches est que les valeurs aberrantes restent visibles, mais le fait qu'elles soient représentées par des points bien au-dessus ou en dessous des "boîtes" principales signifie que leur relation avec le reste des données est évidente.
Dans le graphique ci-dessus montrant le revenu par niveau d'éducation, le revenu médian est représenté par la ligne au milieu d'une boîte, la boîte elle-même englobe les 50 % du milieu de l'ensemble de données, et les "moustaches" sont les valeurs minimales et maximales n'incluant pas les valeurs aberrantes.
Comme vous pouvez le voir, les individus avec des diplômes professionnels et des doctorats gagnent les revenus les plus élevés, tandis que ceux sans diplôme d'études secondaires ou certificats de commerce gagnent le moins. Aucune surprise là-bas.
Utilisons la même méthode de boîte à moustaches pour visualiser les dettes étudiantes :
Encore une fois, rien de choquant. Les diplômés universitaires détiennent la dette étudiante la plus élevée.
Cette valeur aberrante unique avec un diplôme d'études secondaires et 600 000 $ de dette étudiante est intéressante. Je suspecte que quelqu'un a cliqué sur la mauvaise option à un moment donné. Ce qui prouve à quel point les boîtes à moustaches peuvent être utiles pour ce type de visualisation.
Le fait que, dans l'ensemble, les résultats de revenu/dette que nous obtenons soient assez prévisibles confirme que l'enquête nous a fourni de bonnes données. Ce qui devrait rendre nos premières informations au moins un peu plus fiables.
N'hésitez pas à consulter le code Python original utilisé pour générer ces informations et visualisations.