[OC] SWE durchschnittliche Jahre Erfahrung im Vergleich zu Level bei Faang

Mit allem, was KI auf dem SWE -Arbeitsmarkt gemacht hat, wurde darüber gesprochen, dass Ingenieure aufgrund der Geschwindigkeit, mit der sich die KI entwickelt hat, schneller als gewöhnlich gefördert werden.

Nachdem ich die YOE-Vergleiche zwischen KI und Nicht-AI-Ingenieuren überprüft hatte und versuchte, über andere Blickwinkel nachzudenken, um unsere Daten zu betrachten, begann ich über die Werbequote bei verschiedenen Unternehmen nachzudenken.

Insbesondere, wenn ich ein Ingenieur wäre, der nach neuen Jobs sucht, würde ein weiteres Element, das ich wahrscheinlich über die Vergütung berücksichtigen würde, das Unternehmen zu den schnelleren Werbeaktionen führen würde.

Die Berechnungen hier sind jedoch etwas rau Levels.fyi (Da das alles ist, worauf ich Zugriff habe!) Aber dennoch dachte ich, es wäre ein interessanter Datensatz, um dort herauszubringen, und ich könnte es wieder durcharbeiten, nachdem ich ein paar Feedback von Ihnen erhalten hatte.

Nur für diese Daten einige coole Imbissbuden:

• META (Facebook) scheint auf jeder Ebene den niedrigsten Durchschnitts -YOE für ihre Ingenieure zu haben, was bedeutet, dass Meta im Gegensatz zu längeren Amtszeiten wahrscheinlich höher ist (obwohl die beiden natürlich verbunden sind).
• Netflix scheint für die ersten beiden technischen Ebenen eine niedrigere Balken zu haben, wird jedoch auf Senioren- und Personalebene schnell selektiver und erfordert im Vergleich zu Meta ~ 4 Jahre mehr.
• Andererseits scheint Google eine höhere Bar für ihre früheren Levels zu haben, erhält jedoch etwas lockerer für die Niveaus für Senioren und Mitarbeiter, die für durchschnittliche Jahre am unteren Ende sind.

Ich bin mir sicher, dass es viel mehr gibt, die wir hier ansehen können, wenn wir für verschiedene Dinge filtern, aber diese Daten sind bereits ziemlich aufregend und ich wollte sie vor Ihnen für Ihre Perspektive und Nimmhöhe stellen.

Was denken Sie? Sollte ich den Mix mehr Unternehmen hinzufügen oder die Daten auf andere Weise betrachten? Oder ist dies für einen Datensatz zu nicht schlüssig, um wirklich viel zu bedeuten? Würde gerne Ihr Feedback hören