Datenwissenschaftler: Markt
Stand 19. November 2026: offene Stellen Datenwissenschaftler — 3.112, 27% remote unter den Stellen mit Angabe des Arbeitsmodells; Mediangehalt in Stellenanzeigen $11.032/Monat (aus 410 Anzeigen mit Gehaltsangabe). Quelle: Zorky, täglich aktualisiert.
Data Scientist — nach dem ML Engineer die zweitgrößte ML/AI-Rolle. Der Fokus liegt NICHT auf der Produktionsinfrastruktur, sondern auf der Problemformulierung im Business: die Geschäftsaufgabe verstehen, das Experiment entwerfen, das Modell / die Erkenntnis erarbeiten, A/B-Tests durchführen, mit Stakeholdern kommunizieren. Rollenfamilie: Junior Data Scientist (ML-Einstieg — meist nach dem Analyst), Data Scientist (Mid — verantwortet eine Produkthypothese von der Analyse bis zum Modell), Senior Data Scientist (End-to-End-Verantwortung + teamübergreifende Zusammenarbeit + Meisterschaft bei A/B-Tests), Lead Data Scientist/Principal DS (DS-Strategie für einen Produktbereich, Recruiting + Mentoring), Product Data Scientist (starker Produktfokus, Growth-Experimente). Stack: Python (dominiert), SQL (Pflicht — ein DS liest SQL fließend und schreibt komplexe Window Functions + CTEs), pandas+NumPy+Polars (Datenmanipulation), scikit-learn+XGBoost+LightGBM+CatBoost (klassisches ML — das Kernarsenal), PyTorch/TensorFlow (Deep Learning — Bonus, nicht für jede DS-Rolle Pflicht), statsmodels+SciPy (Statistik), Jupyter+VS Code (Entwicklung), Tableau/Looker/Power BI/Apache Superset/Metabase (Visualisierung für Stakeholder), matplotlib+seaborn+plotly (Plots im Notebook), MLflow/Weights & Biases (Experiment-Tracking), A/B-Test-Plattformen (intern oder Statsig/Eppo/Optimizely/GrowthBook). Top-Stack: python, sql, cloud, llm, aws. Unter den Stellen mit angegebenem Arbeitsmodell sind 27% vollständig remote.
Datenstand:
Die wichtigsten Zahlen des Datenwissenschaftler-Markts: offene Jobs, Mediangehalt, beobachteter Fachkräftepool und Remote-Anteil.
Der Markt für Datenwissenschaftler hat derzeit 3.112 offene Rollen, davon 2.757 frisch beobachtet. Median salary $11.032/mo.
Unter den Stellen mit angegebenem Arbeitsmodell sind 27% vollständig remote. DS-Arbeit — Cloud-Data-Warehouse + Jupyter / VS Code. Outsourcer — fast immer remote. Russische Banken — hybrid/Büro wegen Datensicherheit. Internationale Tech-Unternehmen — vollständig remote als Standard.
⚠ Gehalt bekannt bei 410 von 3112 Stellen; Remote-Anteil aus 2481 mit angegebenem Arbeitsformat; 2757 als frische Beobachtungen gezählt; Trend und Besetzungsschwierigkeit werden nicht gezeigt
Zeitachse: Ausschreibungen und Quellen
Wie viele Datenwissenschaftler-Ausschreibungen jede Woche seit 1. Juni erschienen sind und aus wie vielen Quellen. Das untere Diagramm trennt Marktwachstum von Abdeckungswachstum: Ein Sprung in der Woche, in der neue Quellen angebunden wurden, bedeutet, dass wir mehr sehen — nicht, dass der Markt gewachsen ist.
Neue Ausschreibungen pro Woche
Diagrammdaten
| Zeitraum | Neue Ausschreibungen pro Woche |
|---|---|
| 2026-06-01 | 106 |
| 2026-06-08 | 94 |
| 2026-06-15 | 95 |
| 2026-06-22 | 289 |
| 2026-06-29 | 305 |
| 2026-07-06 | 370 |
| 2026-07-13 | 473 |
| 2026-07-20 | 303 |
| 2026-07-27 | 203 |
| 2026-08-03 | 235 |
| 2026-08-10 | 167 |
| 2026-08-17 | 171 |
| 2026-08-24 | 139 |
| 2026-08-31 | 149 |
| 2026-09-07 | 181 |
| 2026-09-14 | 226 |
| 2026-09-21 | 661 |
| 2026-09-28 | 471 |
| 2026-10-05 | 446 |
| 2026-10-12 | 1.090 |
| 2026-10-19 | 719 |
| 2026-10-26 | 684 |
| 2026-11-02 | 636 |
| 2026-11-09 | 730 |
Aktive Quellen pro Woche
Quellen im Zeitraum: 250. ▲ — Woche, in der viele neue Quellen angebunden wurden.
Diagrammdaten
| Zeitraum | Aktive Quellen |
|---|---|
| 2026-06-01 | 22 |
| 2026-06-08 | 19 |
| 2026-06-15 | 24 |
| 2026-06-22 | 42 |
| 2026-06-29 | 62 |
| 2026-07-06 | 52 |
| 2026-07-13 | 66 |
| 2026-07-20 | 67 |
| 2026-07-27 | 71 |
| 2026-08-03 | 57 |
| 2026-08-10 | 32 |
| 2026-08-17 | 38 |
| 2026-08-24 | 35 |
| 2026-08-31 | 39 |
| 2026-09-07 | 39 |
| 2026-09-14 | 40 |
| 2026-09-21 | 68 |
| 2026-09-28 | 60 |
| 2026-10-05 | 58 |
| 2026-10-12 | 65 |
| 2026-10-19 | 82 |
| 2026-10-26 | 70 |
| 2026-11-02 | 79 |
| 2026-11-09 | 85 |
Neue Quellen angebunden: 22. Juni +21 · 29. Juni +35 · 6. Juli +25 · 13. Juli +19 · 20. Juli +20 · alle Wochen (22) in der Tabelle
| Woche | Neue Quellen | Neue Ausschreibungen |
|---|---|---|
| 8. Juni | +6 | 94 |
| 15. Juni | +9 | 95 |
| 22. Juni | +21 | 289 |
| 29. Juni | +35 | 305 |
| 6. Juli | +25 | 370 |
| 13. Juli | +19 | 473 |
| 20. Juli | +20 | 303 |
| 27. Juli | +12 | 203 |
| 3. Aug. | +6 | 235 |
| 10. Aug. | +2 | 167 |
| 24. Aug. | +1 | 139 |
| 31. Aug. | +1 | 149 |
| 7. Sept. | +2 | 181 |
| 14. Sept. | +3 | 226 |
| 21. Sept. | +9 | 661 |
| 28. Sept. | +4 | 471 |
| 5. Okt. | +7 | 446 |
| 12. Okt. | +8 | 1.090 |
| 19. Okt. | +13 | 719 |
| 26. Okt. | +6 | 684 |
| 2. Nov. | +10 | 636 |
| 9. Nov. | +9 | 730 |
Die aktuelle Woche ist noch nicht vorbei und wird nicht gezeigt: Eine unvollständige Woche sähe wie ein Rückgang aus.
Woche = Datum der ersten Erfassung der Ausschreibung, alle Status; Ausschreibungen werden nach derselben Regel ausgewählt wie der Zähler dieser Seite. Quellen sind unterschiedliche Erfassungskanäle; ihre Namen werden nicht veröffentlicht.
Diagrammdaten
| Woche | Neue Ausschreibungen pro Woche | Aktive Quellen |
|---|---|---|
| 2026-06-01 | 106 | 22 |
| 2026-06-08 | 94 | 19 |
| 2026-06-15 | 95 | 24 |
| 2026-06-22 | 289 | 42 |
| 2026-06-29 | 305 | 62 |
| 2026-07-06 | 370 | 52 |
| 2026-07-13 | 473 | 66 |
| 2026-07-20 | 303 | 67 |
| 2026-07-27 | 203 | 71 |
| 2026-08-03 | 235 | 57 |
| 2026-08-10 | 167 | 32 |
| 2026-08-17 | 171 | 38 |
| 2026-08-24 | 139 | 35 |
| 2026-08-31 | 149 | 39 |
| 2026-09-07 | 181 | 39 |
| 2026-09-14 | 226 | 40 |
| 2026-09-21 | 661 | 68 |
| 2026-09-28 | 471 | 60 |
| 2026-10-05 | 446 | 58 |
| 2026-10-12 | 1.090 | 65 |
| 2026-10-19 | 719 | 82 |
| 2026-10-26 | 684 | 70 |
| 2026-11-02 | 636 | 79 |
| 2026-11-09 | 730 | 85 |
Gehälter im Zeitverlauf
Mediangehalt Datenwissenschaftler pro Woche, USD pro Monat.
Mediangehalt, USD pro Monat
Diagrammdaten
| Zeitraum | Median | Stellen mit Gehalt pro Woche (n) |
|---|---|---|
| 2026-09-21 | 12.162 | 13 |
| 2026-09-28 | 8.625 | 28 |
| 2026-10-05 | 8.583 | 39 |
| 2026-10-12 | 11.583 | 60 |
| 2026-10-19 | 8.875 | 111 |
| 2026-10-26 | 8.940 | 112 |
| 2026-11-02 | 10.545 | 118 |
| 2026-11-09 | 10.417 | 127 |
Die Reihe beginnt am 21. Sept.: davor gibt es keine Daten.
Nur Ausschreibungen mit Gehalt in USD und bekanntem Zeitraum (Monat oder Jahr), 500–50.000 $ pro Monat. Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer — das heißt keine Daten, nicht null.
Diagrammdaten
| Woche | Median |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | — |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | 12.162 |
| 2026-09-28 | 8.625 |
| 2026-10-05 | 8.583 |
| 2026-10-12 | 11.583 |
| 2026-10-19 | 8.875 |
| 2026-10-26 | 8.940 |
| 2026-11-02 | 10.545 |
| 2026-11-09 | 10.417 |
Remote-Arbeit im Zeitverlauf
Anteil der Datenwissenschaftler-Ausschreibungen mit vollständig remoter Arbeit, pro Woche.
Remote-Ausschreibungen, %
Diagrammdaten
| Zeitraum | Ortsunabhängig |
|---|---|
| 2026-06-01 | 57,3 |
| 2026-06-08 | 31,7 |
| 2026-06-15 | 45,5 |
| 2026-06-22 | 39,3 |
| 2026-06-29 | 34,4 |
| 2026-07-06 | 35,4 |
| 2026-07-13 | 30,5 |
| 2026-07-20 | 35,3 |
| 2026-07-27 | 44,2 |
| 2026-08-03 | 28,8 |
| 2026-08-10 | 36,8 |
| 2026-08-17 | 31,3 |
| 2026-08-24 | 39,6 |
| 2026-08-31 | 28,6 |
| 2026-09-07 | 29,7 |
| 2026-09-14 | 24 |
| 2026-09-21 | 22 |
| 2026-09-28 | 25,2 |
| 2026-10-05 | 38,6 |
| 2026-10-12 | 34,7 |
| 2026-10-19 | 31,2 |
| 2026-10-26 | 34,9 |
| 2026-11-02 | 29,2 |
| 2026-11-09 | 27,7 |
Der Anteil bezieht sich auf Ausschreibungen mit Angabe des Arbeitsmodells (remote, hybrid, Büro). Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer.
Diagrammdaten
| Woche | Ortsunabhängig |
|---|---|
| 2026-06-01 | 57,3 |
| 2026-06-08 | 31,7 |
| 2026-06-15 | 45,5 |
| 2026-06-22 | 39,3 |
| 2026-06-29 | 34,4 |
| 2026-07-06 | 35,4 |
| 2026-07-13 | 30,5 |
| 2026-07-20 | 35,3 |
| 2026-07-27 | 44,2 |
| 2026-08-03 | 28,8 |
| 2026-08-10 | 36,8 |
| 2026-08-17 | 31,3 |
| 2026-08-24 | 39,6 |
| 2026-08-31 | 28,6 |
| 2026-09-07 | 29,7 |
| 2026-09-14 | 24 |
| 2026-09-21 | 22 |
| 2026-09-28 | 25,2 |
| 2026-10-05 | 38,6 |
| 2026-10-12 | 34,7 |
| 2026-10-19 | 31,2 |
| 2026-10-26 | 34,9 |
| 2026-11-02 | 29,2 |
| 2026-11-09 | 27,7 |
Technologien im Zeitverlauf
Wie sich der Anteil der Datenwissenschaftler-Stellen verändert hat, die jede der Top-Technologien nennen.
Ausschreibungen mit der Technologie, %
Diagrammdaten
| Zeitraum | Python | SQL | cloud |
|---|---|---|---|
| 2026-08-10 | 51,3 | 42,1 | 9,2 |
| 2026-08-17 | 59,3 | 35,2 | 18,5 |
| 2026-08-24 | 55,6 | 33,3 | 17,8 |
| 2026-08-31 | 70,2 | 45,6 | 10,5 |
| 2026-09-07 | 57,1 | 41,4 | 20 |
| 2026-09-14 | 60,5 | 39,5 | 21 |
| 2026-09-21 | 61,1 | 38 | 32,3 |
| 2026-09-28 | 75 | 55,5 | 30,8 |
| 2026-10-05 | 65,8 | 52,6 | 36,1 |
| 2026-10-12 | 70 | 45,7 | 29,9 |
| 2026-10-19 | 75,9 | 54,2 | 38,8 |
| 2026-10-26 | 80,5 | 60 | 30,9 |
| 2026-11-02 | 80,8 | 57,1 | 37,1 |
| 2026-11-09 | 82,2 | 59,6 | 35,5 |
Anteil unter Ausschreibungen mit getaggtem Stack; die Reihe beginnt am 10. Aug.: davor wurden Stack-Tags anders vergeben. Wochen mit weniger als 20 getaggten Ausschreibungen bleiben leer.
Diagrammdaten
| Woche | Python | SQL | cloud | llm | AWS |
|---|---|---|---|---|---|
| 2026-08-10 | 51,3 | 42,1 | 9,2 | 13,2 | 2,6 |
| 2026-08-17 | 59,3 | 35,2 | 18,5 | 14,8 | 7,4 |
| 2026-08-24 | 55,6 | 33,3 | 17,8 | 13,3 | 4,4 |
| 2026-08-31 | 70,2 | 45,6 | 10,5 | 12,3 | 7 |
| 2026-09-07 | 57,1 | 41,4 | 20 | 14,3 | 7,1 |
| 2026-09-14 | 60,5 | 39,5 | 21 | 21 | 7,4 |
| 2026-09-21 | 61,1 | 38 | 32,3 | 19,1 | 20,5 |
| 2026-09-28 | 75 | 55,5 | 30,8 | 19,5 | 17,7 |
| 2026-10-05 | 65,8 | 52,6 | 36,1 | 23,9 | 20 |
| 2026-10-12 | 70 | 45,7 | 29,9 | 22,8 | 18 |
| 2026-10-19 | 75,9 | 54,2 | 38,8 | 29 | 24,1 |
| 2026-10-26 | 80,5 | 60 | 30,9 | 33,8 | 22,1 |
| 2026-11-02 | 80,8 | 57,1 | 37,1 | 22 | 20 |
| 2026-11-09 | 82,2 | 59,6 | 35,5 | 25,5 | 20,7 |
Länder im Zeitverlauf
Wie sich der Anteil der Datenwissenschaftler-Stellen in jedem der Top-Länder pro Woche verändert hat.
Ausschreibungen im Land, %
Diagrammdaten
| Zeitraum | USA | Vereinigtes Königreich | Polen |
|---|---|---|---|
| 2026-06-01 | 35,1 | 2,1 | 27,8 |
| 2026-06-08 | 37,8 | 3,3 | 12,2 |
| 2026-06-15 | 25 | 8,3 | 20,2 |
| 2026-06-22 | 17,7 | 5,5 | 26,4 |
| 2026-06-29 | 18,6 | 5,3 | 11,8 |
| 2026-07-06 | 46,3 | 3,9 | 6,9 |
| 2026-07-13 | 33 | 4,1 | 6,3 |
| 2026-07-20 | 22,5 | 14,3 | 12,3 |
| 2026-07-27 | 15,6 | 10,4 | 10,4 |
| 2026-08-03 | 27,7 | 15,4 | 4,8 |
| 2026-08-10 | 39,7 | 9,6 | 3,7 |
| 2026-08-17 | 36 | 18 | 7,9 |
| 2026-08-24 | 35,7 | 18,3 | 1,7 |
| 2026-08-31 | 23,8 | 24,6 | 0,8 |
| 2026-09-07 | 33,8 | 28,6 | 2,6 |
| 2026-09-14 | 28,7 | 24,5 | 1,6 |
| 2026-09-21 | 32,3 | 11,5 | 3,2 |
| 2026-09-28 | 21,7 | 15,1 | 8,5 |
| 2026-10-05 | 21,2 | 20,9 | 12 |
| 2026-10-12 | 26,8 | 10,6 | 6,4 |
| 2026-10-19 | 22,2 | 14,7 | 9 |
| 2026-10-26 | 28,1 | 11,3 | 6,7 |
| 2026-11-02 | 25,3 | 17,9 | 3,8 |
| 2026-11-09 | 28,7 | 14,6 | 9,7 |
Anteil unter Ausschreibungen mit bekanntem Land; das Diagramm zeigt die fünf Länder mit den meisten Ausschreibungen über sechs Monate. Wochen mit weniger als 20 Ausschreibungen mit bekanntem Land bleiben leer. Ein steigender Anteil kann eine neu angebundene Quelle in diesem Land bedeuten statt Marktwachstum.
Diagrammdaten
| Woche | USA | Vereinigtes Königreich | Singapur | Indien | Polen |
|---|---|---|---|---|---|
| 2026-06-01 | 35,1 | 2,1 | 0 | 9,3 | 27,8 |
| 2026-06-08 | 37,8 | 3,3 | 3,3 | 13,3 | 12,2 |
| 2026-06-15 | 25 | 8,3 | 0 | 3,6 | 20,2 |
| 2026-06-22 | 17,7 | 5,5 | 13,8 | 10,2 | 26,4 |
| 2026-06-29 | 18,6 | 5,3 | 29,3 | 4,9 | 11,8 |
| 2026-07-06 | 46,3 | 3,9 | 4,8 | 9,6 | 6,9 |
| 2026-07-13 | 33 | 4,1 | 12,1 | 16,5 | 6,3 |
| 2026-07-20 | 22,5 | 14,3 | 11,1 | 8,2 | 12,3 |
| 2026-07-27 | 15,6 | 10,4 | 13 | 10,4 | 10,4 |
| 2026-08-03 | 27,7 | 15,4 | 3,7 | 10,1 | 4,8 |
| 2026-08-10 | 39,7 | 9,6 | 3,7 | 9,6 | 3,7 |
| 2026-08-17 | 36 | 18 | 1,4 | 8,6 | 7,9 |
| 2026-08-24 | 35,7 | 18,3 | 1,7 | 13 | 1,7 |
| 2026-08-31 | 23,8 | 24,6 | 5,7 | 11,5 | 0,8 |
| 2026-09-07 | 33,8 | 28,6 | 3,9 | 9,7 | 2,6 |
| 2026-09-14 | 28,7 | 24,5 | 3,7 | 10,1 | 1,6 |
| 2026-09-21 | 32,3 | 11,5 | 13,4 | 7,7 | 3,2 |
| 2026-09-28 | 21,7 | 15,1 | 13,9 | 6,9 | 8,5 |
| 2026-10-05 | 21,2 | 20,9 | 6,9 | 5,4 | 12 |
| 2026-10-12 | 26,8 | 10,6 | 4,3 | 9,4 | 6,4 |
| 2026-10-19 | 22,2 | 14,7 | 10,7 | 5,9 | 9 |
| 2026-10-26 | 28,1 | 11,3 | 8,7 | 8,6 | 6,7 |
| 2026-11-02 | 25,3 | 17,9 | 6,1 | 6,5 | 3,8 |
| 2026-11-09 | 28,7 | 14,6 | 7 | 5,5 | 9,7 |
Bereinigter Markt: Einstellungsindex
Dieselben 7.505 Karriereseiten von Arbeitgebern; die Zahl der Ausschreibungen stammt direkt von der Seite. Neue Quellen bewegen diesen Index nicht — er zeigt den Markt, nicht unsere Abdeckung. Das ist der gesamte Panelmarkt, nicht nur Datenwissenschaftler.
Einstellungsindex, 16. Okt. = 100
Diagrammdaten
| Zeitraum | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Kettenindex: Jeder Tag vergleicht nur Seiten, die an diesem und am vorherigen Tag abgefragt wurden; Ausreißer und plattformweite Abfrageausfälle sind ausgeschlossen. Tage ohne vergleichbare Paare bleiben leer.
Diagrammdaten
| Tag | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Wie viele offene Datenwissenschaftler-Jobs es gibt und wie viele passende Fachkräfte Zorky sieht.
Nachfrage und beobachtetes Angebot
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| Offene Nachfrage | 3.112 |
| Offene Nachfrage | 3.112 |
| Beobachtetes Angebot | — nicht veröffentlicht |
Data Scientist — das stabile zweitgrößte KI/ML-Segment nach ML Engineer. Treiber des Wachstums 2026: Produktunternehmen, Banken, Einzelhandel, internationale Produkt-Startups über Remote-Kanäle.
⚠ zu einer Stelle passende Kandidaten werden noch nicht gezählt: gezeigt werden Nachfrage und der beobachtete Pool
Wie sich die Gehälter in Datenwissenschaftler-Jobs verteilen, in US-Dollar pro Monat.
Gehaltsverteilung
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| <$1k | 2 |
| $1–2k | 4 |
| $2–3k | 7 |
| $3–4k | 11 |
| $4–5k | 15 |
| $5–6k | 25 |
| $6–7k | 22 |
| $7–8k | 39 |
| $8–9k | 23 |
| $9–10k | 26 |
| $10–12k | 54 |
| $12–15k | 82 |
| $15–20k | 88 |
| $20k+ | 12 |
- für die Berechnung nutzbar: 410 (13,2%)
- angegeben, aber nicht in USD/Monat umgerechnet: 572 (18,4%)
- nicht angegeben: 2.130 (68,4%)
Jede zehnte Stellenanzeige bietet unter $5.166, jede zehnte über $17.916. Die Hälfte der Anzeigen bietet zwischen $7.391 und $14.888. Stichprobe: 410.
Diagrammdaten
| Kennzahl | Untergrenze | Obergrenze | Anzahl |
|---|---|---|---|
| <$1k | 0 | 1.000 | 2 |
| $1–2k | 1.000 | 2.000 | 4 |
| $2–3k | 2.000 | 3.000 | 7 |
| $3–4k | 3.000 | 4.000 | 11 |
| $4–5k | 4.000 | 5.000 | 15 |
| $5–6k | 5.000 | 6.000 | 25 |
| $6–7k | 6.000 | 7.000 | 22 |
| $7–8k | 7.000 | 8.000 | 39 |
| $8–9k | 8.000 | 9.000 | 23 |
| $9–10k | 9.000 | 10.000 | 26 |
| $10–12k | 10.000 | 12.000 | 54 |
| $12–15k | 12.000 | 15.000 | 82 |
| $15–20k | 15.000 | 20.000 | 88 |
| $20k+ | 20.000 | — | 12 |
In welchen Ländern es die meisten offenen Datenwissenschaftler-Jobs gibt.
Geografie der Nachfrage
| Land | Stellen | Anteil |
|---|---|---|
| Vereinigte Staaten | 938 | 35,2% |
| Vereinigtes Königreich | 277 | 10,4% |
| Singapur | 200 | 7,5% |
| Indien | 164 | 6,2% |
| Polen | 160 | 6% |
| Deutschland | 117 | 4,4% |
| Frankreich | 89 | 3,3% |
| Kanada | 85 | 3,2% |
| Russland | 57 | 2,1% |
| Brasilien | 37 | 1,4% |
| Übrige Länder | 541 | 20,3% |
Führend bei der Zahl der Stellen für DS: die USA (938 Stellen). Polen — DS-freundlicher EU-Hub.
⚠ nur Stellenzahlen: Gehalt nach Land wird nicht veröffentlicht
Diagrammdaten
| Land | Stellen |
|---|---|
| US | 938 |
| GB | 277 |
| SG | 200 |
| IN | 164 |
| PL | 160 |
| DE | 117 |
| FR | 89 |
| CA | 85 |
| RU | 57 |
| BR | 37 |
Welche Technologien am häufigsten im selben Job wie Datenwissenschaftler verlangt werden.
Wird zusammen verwendet mit
Anteil — wie viele der 3.112 Stellen im Markt Datenwissenschaftler diese Technologie nennen. Sortiert nach Stellenzahl, nicht nach „Stärke des Zusammenhangs“. Oberbegriffe wie cloud sind keine bestimmte Cloud (AWS, Azure).
Top-DS-Stack 2026: Python (Monopol), souveränes SQL, pandas + NumPy + Polars (Daten), scikit-learn (klassisch), XGBoost + LightGBM + CatBoost (Arbeitspferde des Gradient Boosting), statsmodels + SciPy (Statistik), Jupyter + VS Code, matplotlib + seaborn + plotly (im Notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (Dashboards für Stakeholder), MLflow / W&B (Experiment-Tracking), A/B-Testing-Plattformen (Statsig / Eppo / Optimizely / GrowthBook), Causal Inference (DoWhy / EconML — Senior-Bonus), Bayes (PyMC — Senior-Bonus), Prophet / NeuralProphet / statsforecast (Zeitreihen), Hugging Face (LLM-bewusste DS).
Häufige Paare: Python + pandas + sklearn + XGBoost + Jupyter, SQL + Python + Tableau, LightGBM + statsmodels + scipy + matplotlib, Snowflake + dbt + Python (moderner Stack), Databricks + PySpark + MLflow, Pinecone / Weaviate + Hugging Face (DS-Workflow mit LLM-Bezug), DoWhy + EconML + pandas (kausale Inferenz). Lern-Roadmap: Beherrschung von SQL → Python + pandas → Statistik → klassisches ML (sklearn / XGBoost) → Beherrschung von A/B-Tests → Visualisierung & Storytelling → fachliche Spezialisierung → kausale Inferenz (Senior).
Diagrammdaten
| Name | Anzahl |
|---|---|
| python | 1.626 |
| sql | 1.148 |
| cloud | 712 |
| llm | 471 |
| aws | 451 |
| azure | 317 |
| databricks | 289 |
| pandas | 276 |
| pytorch | 268 |
| scikit-learn | 254 |
| mlops | 242 |
| spark | 229 |
Wie viele Datenwissenschaftler-Jobs es auf jeder Stufe gibt — von Junior bis Principal.
Nachfrage nach Level
| Level | Stellen |
|---|---|
| senior | 1.055 |
| Principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Junior — typischerweise über Data Analyst (1-2 Jahre) → Junior DS. Karriereweg: Junior (1-2 Jahre) → Middle (2-3 Jahre) → Senior → entweder Lead / Principal DS (Strategie + Einstellung), Wechsel zum ML Engineer (technischer Pfad), Wechsel zum Product Manager oder Gründer.
⚠ nur die Nachfrageseite: das Level des beobachteten Pools ist größtenteils unbekannt
Diagrammdaten
| Stufe | Anzahl |
|---|---|
| senior | 1.055 |
| Principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Wer im Bereich Datenwissenschaftler am meisten einstellt und wie stark sich die Nachfrage auf die größten Unternehmen konzentriert.
Arbeitgeber
Die Nachfrage verteilt sich auf 1.852 Arbeitgeber. Der größte steht für 2.0 %, die Top Ten für 7.3 %; die übrigen 92.7 % sind Long Tail.
| Anteil | Wert |
|---|---|
| Top-1 | 2.0% |
| Top-3 | 4.1% |
| Top-10 | 7.3% |
| Long Tail | 92.7% |
⚠ Namen werden nicht angezeigt: Personalvermittler und Endarbeitgeber werden vom Klassifikator noch nicht unterschieden
Von welchen Unternehmensseiten und Jobbörsen Zorky Datenwissenschaftler-Jobs sammelt.
Wo Zorky diesen Markt sieht
Beobachtet in 120 Quellen; die größte steht für 16.9 % — dieser Markt hängt nicht an einem einzigen Kanal.
Diagrammdaten
| Klasse | Name | Englischer Name | Anzahl | Anteil |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS & Karriereseiten | 2.018 | 0,6485 |
| board | джоб-борды и агрегаторы | Jobbörsen & Aggregatoren | 931 | 0,2992 |
| telegram | Telegram | Telegram | 157 | 0,0504 |
| Community | сообщества и публичные профили | Community & öffentliche Profile | 6 | 0,0019 |
Die neuesten Datenwissenschaftler-Jobs von Karriereseiten der Unternehmen.
Neueste Ausschreibungen
- Вакансия Senior Data Scientist · BY
- Data Scientist / Monetization Analyst (OLX KZ) · KZ
- Data Scientist (Рекомендательные системы) · RU
- Аналитик данных | Data scientist в JDE · RU
- Senior Data Scientist · DE
- Data Scientist & Analytics Engineer · FR
- Staff Data Scientist · CA · $7.853
- Proxify AB: Senior Data Scientist
Die neuesten offenen Stellen für DS — die 10 jüngsten Positionen mit ausreichender Beschreibungsqualität. Die vollständige Liste finden Sie in unserem CRM oder über den Link „Alle ansehen“ unten.
Benachbarte Märkte
Data Scientist überschneidet sich mit Data Analyst (Einstiegsrichtung), ML Engineer (Produktions-ML — Deployment / Skalierung), Research (neue Methodik + Paper), Product Manager (Produktdenken + Beherrschung von A/B-Tests). Vergleich mit ml-engineer/research/mlops — im SiblingSubnichesChart oben.
⚠ angrenzende Märkte zum Vergleich sind noch nicht definiert
So wird gemessen
- Stelle
- eine offene Stelle, die das Qualitäts-Gate passiert hat und mindestens zwei Technologien nennt
- Beobachteter Kandidat
- ein Kandidat, dessen Stack diese Technologie enthält; ein Aggregat — kein einziger Datensatz verlässt den Perimeter
- Matchbarer Kandidat
- noch nicht gezählt
- Fenster
- Stellen, die zum Zeitpunkt der Erstellung des Snapshots offen waren
Über die Daten
- Einige Aufschlüsselungen sind ausgeblendet: Die Datenabdeckung reicht noch nicht aus.
- Statistiken erscheinen nur, wo die Stichprobe eine Qualitätsschwelle passiert.
- Ein fehlender Block bedeutet nicht den Wert null.
Derzeit ausgeblendete Aufschlüsselungen: 8.
Richtung: KI / ML / Datenwissenschaft
Verwandte Spezialisierungen
Innerhalb von Data Scientist: Junior DS (Einstieg — typischerweise vom Analyst), Data Scientist (Mid — verantwortet eine Produkthypothese), Senior DS (End-to-End-Verantwortung + Beherrschung von A/B-Tests), Lead / Principal DS (Strategie + Einstellung), Product Data Scientist (tiefer Produktfokus + Growth-Experimente), Research DS (neuartige Modellierung + Paper, oft PhD-Pfad). Vergleich mit ml-engineer/research/mlops — im Balken unten.
Häufig gestellte Fragen
Die häufigsten Fragen zu Data Scientist: Bezahlung, DS vs. Analyst vs. ML Engineer, sklearn vs. PyTorch vs. XGBoost — wann was einsetzen (10-stufiger Entscheidungsbaum), Unterschied zu Product DS, Remote, Einstieg (6-12 Monate ab Analyst), Senior-Fähigkeiten (A/B-Tests + kausale Inferenz + Domänenexpertise). Die Antworten werden automatisch neu berechnet.
Was verdient ein Data Scientist als Junior, Middle, Senior oder Lead?
Junior DS — der zugänglichste Einstieg in die Richtung ML/KI (typischer Weg: Analyst 1-2 Jahre → Junior DS). Der Sprung Junior → Middle — nach dem ersten produktiven Modell + dem ersten eigenständigen A/B-Test. Middle → Senior — Verantwortung für mehrere Projekte + Verantwortung für den Geschäftseffekt (dokumentierte Steigerung von Umsatz / Retention / Conversion). Senior → Lead / Principal — DS-Strategie für einen Produktbereich + Einstellung von 3-7 DS + Mentoring. Karriereweg: Data Analyst (1-2 Jahre) → Junior DS (1-2 Jahre) → Middle (2-3 Jahre) → Senior → entweder Lead / Principal DS (Tiefe), Wechsel zum ML Engineer (technischerer Pfad), Wechsel zum Product Manager oder Gründer.
Welchen Stack braucht a Data Scientist am häufigsten?
Top 5: python, sql, cloud, llm, aws. Python — Monopol (R ist aus neuen Stellen 2026 fast verschwunden, bleibt in Legacy im Gesundheitswesen/in der Biostatistik). Souveränes SQL — Pflicht: komplexe Abfragen mit Fensterfunktionen + CTEs + souveräne JOINs + Abfrageoptimierung (DS lesen Ausführungspläne). Datenmanipulation: pandas (Kern), NumPy (numerisch), Polars (modern, auf dem Vormarsch — 10-100× schneller bei großen Daten), PyArrow. Klassisches ML — das Kernarsenal: scikit-learn (Modellauswahl / Vorverarbeitung / Pipelines / Metriken), XGBoost + LightGBM + CatBoost (Gradient Boosting — Arbeitspferd für tabellarische Daten), statsmodels (Regression + Zeitreihen + statistische Tests). Statistik: scipy.stats, statsmodels, Causal Inference (DoWhy, EconML — Senior-Bonus). Visualisierung: matplotlib + seaborn + plotly (im Notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (für Stakeholder). A/B-Tests: scipy.stats / statsmodels für die Analyse, interne Plattformen oder Statsig / Eppo / Optimizely / GrowthBook. Verständnis von Power-Analyse, Berechnung der Stichprobengröße, Korrektur für multiples Testen, sequenziellem Testen. Deep Learning (Bonus, nicht Pflicht): PyTorch / TensorFlow für CV- / NLP-Aufgaben in DS. Experiment-Tracking: MLflow oder Weights & Biases. BI-Tools / Dashboards: Tableau / Looker / Apache Superset / Metabase / Mode / Hex. Notebooks: Jupyter + VS Code (der Markt 2026 wandert von reinem Jupyter zu Hybriden). Cloud-Workbenches für DS: AWS SageMaker Studio / GCP Vertex AI Workbench / Databricks / Snowflake Snowpark. Senior-Extras: Causal Inference (DoWhy / EconML / CausalImpact), Uplift-Modellierung, Bayes'sche Modellierung (PyMC / Stan), Zeitreihen (Prophet / NeuralProphet / statsforecast).
Data Scientist vs. Analyst vs. ML Engineer — was ist der Unterschied?
Data Analyst — Fokus auf Reporting + Dashboards + Ad-hoc-Analysen. SQL + Excel + Tableau / Looker / Power BI. Weniger ML-lastig. Geeignet als Einstieg in die Datenrichtung. Data Scientist (diese Seite) — Fokus auf Problemformulierung im Business + statistische Modellierung + A/B-Tests + Kommunikation von Erkenntnissen. SQL in der Tiefe + Python + sklearn + XGBoost + statsmodels + Visualisierung. Macht ML, verantwortet aber keine Produktionsinfrastruktur (Deployment / Serving / Monitoring — das ist der ML Engineer). ML Engineer — Fokus auf ML-Pipelines in Produktion + Deployment + Skalierung + LLM/RAG-Infrastruktur. Stack wie DS + Docker / K8s + MLflow + Airflow + Cloud-managed ML. Siehe ML Engineer. Karriereweg: Analyst → DS Junior → DS Middle/Senior. Wechsel DS ↔ ML Engineer in 3-6 Monaten (MLOps + Docker / K8s + Cloud-ML lernen). Wechsel DS ↔ Product Manager in 2-4 Monaten (DS bringt bereits Produktdenken + A/B-Tests mit — dazu Roadmap-Planung + Stakeholder-Management). DS → Research Engineer / Scientist — erfordert einen PhD oder 3+ Jahre tiefe Spezialisierung.
Sklearn vs. PyTorch vs. XGBoost — wann was einsetzen?
Entscheidungsbaum für die Wahl des DS-Toolkits 2026: 1) Tabellarische Daten, Klassifikation/Regression, <1M Zeilen → scikit-learn (LogisticRegression / RandomForest / GradientBoosting). Pipelines + Preprocessing — sklearn gewinnt bei einfacher Integration. 2) Tabellarische Daten, >100K Zeilen, performancekritisch → XGBoost / LightGBM / CatBoost. Das Standard-Arbeitspferd 2026 für tabellarische Aufgaben: Kreditscoring, Churn-Prognose, Conversion, Betrugserkennung, Nachfrageprognose. LightGBM — am schnellsten, XGBoost — das ausgereifteste Ökosystem, CatBoost — am besten für kategoriale Features ohne Preprocessing. 3) Zeitreihen → Prophet / NeuralProphet (Facebook) oder statsforecast (Nixtla — State of the Art im klassischen Bereich) oder ein ML-Ansatz (LightGBM auf Zeitreihen mit Feature Engineering — schlägt oft spezialisierte Bibliotheken). 4) NLP / Textklassifikation → Hugging Face Transformers (Fine-Tuning kleiner BERT/DeBERTa/RoBERTa) oder scikit-learn TF-IDF + LogisticRegression bei <10K Dokumenten (einfachere Baseline). 5) Computer Vision → PyTorch + torchvision (Bildklassifikation / Detektion / Segmentierung). Für die Produktion — vLLM / TGI. 7) Empfehlungssysteme → LightGBM / XGBoost auf Nutzer × Artikel mit Feature Engineering (das Arbeitspferd 2026), implicit / LightFM (Klassiker des Collaborative Filtering), PyTorch Deep Recsys (NeuMF / Two-Tower / Transformer4Rec). 8) Kausale Inferenz / Uplift-Modellierung → DoWhy / EconML / CausalML. 9) Bayessche Modellierung (wenn die Quantifizierung von Unsicherheit wichtig ist — Medizin / Finanzen) → PyMC / Stan / NumPyro. 10) Anomalieerkennung → PyOD + Isolation Forest + LightGBM-basierte Ansätze.
Welcher Anteil der Stellen ist vollständig remote?
Unter den Stellen mit angegebenem Arbeitsmodell sind 27% vollständig remote. Stellen ohne Angabe des Arbeitsmodells sind vom Nenner ausgeschlossen; hybride Arbeit wird nicht als vollständig remote gezählt.
Worin unterscheidet sich Product Data Scientist von allgemeinem DS?
Product Data Scientist — ein DS mit starkem Produktfokus + Verantwortung für Growth-Experimente + Retention-Modellierung + Analyse der Wirkung von Features. Arbeitet eng mit PM und Engineering zusammen. Der Stack ist derselbe, doch der Fokus: Meisterschaft bei A/B-Tests (Multivarianten-Experimente, sequenzielles Testen, Korrektur für multiples Testen, Power-Analyse), Growth-Kennzahlen (DAU/MAU/Retention-Kurven/Funnel-Analyse), kausale Inferenz für Beobachtungsdaten. Gehalt vergleichbar mit Senior DS (Median), aber in US-Produkt-Startups übertrifft Product DS oft den allgemeinen DS Senior — dank der Verantwortung für die Geschäftswirkung. Allgemeiner Data Scientist — kann in jeder Domäne arbeiten (Risiko im Bankwesen, Nachfrage im Handel, Qualität in der Fertigung). Research DS (oder einfach „DS“ im Forschungskontext) — Fokus auf neue Modellierungsansätze + Paper (oft PhD-Track). Siehe auch Research Engineer / Scientist. Karrierewahl: Product DS, wenn Sie die Produktwirkung reizt und Sie gern mit Stakeholdern kommunizieren, allgemeiner DS für Flexibilität bei der Domäne, Research DS für die Erforschung neuer Methoden. Alle drei sind legitime Wege ab Senior.
Wie fängt man 2026 mit Data Science an?
Roadmap: 1) SQL beherrschen — ein Muss (Fensterfunktionen / CTEs / JOIN-Strategie / Abfrageoptimierung). Buch „SQL for Data Scientists“ von Tanimura. Kurs „Mode SQL Tutorial“ (kostenlos). 2) Python für DS: pandas + NumPy beherrschen, nicht nur die Syntax, sondern auch Performance-Muster (Vektorisierung, Fallstricke von .apply). Buch „Python for Data Analysis“ von McKinney. 3) Statistik: deskriptive + inferenzielle Statistik + Hypothesentests + ANOVA + lineare Regression in der Tiefe. Kurs „Statistical Learning“ von Hastie / Tibshirani (StanfordOnline — kostenlos). Buch „Practical Statistics for Data Scientists“ von Bruce. 4) Klassisches ML: scikit-learn beherrschen (Pipelines / Kreuzvalidierung / Trade-offs von Metriken / Kalibrierung), XGBoost / LightGBM / CatBoost (die Arbeitspferde des Gradient Boosting). Andrew Ng „Machine Learning Specialization“ (Coursera) + „Introduction to Statistical Learning“ von Hastie (ISL — kostenloses PDF). 5) A/B-Tests beherrschen — Poweranalyse, Stichprobengröße, sequenzielle Tests, Korrektur für multiples Testen, Varianzreduktion mit CUPED. Bücher: „Trustworthy Online Controlled Experiments“ von Kohavi (Pflichtlektüre), „Statistical Methods in Online A/B Testing“ von Georgi. 6) Visualisierung & Storytelling — matplotlib + seaborn + plotly für Notebooks + Tableau / Looker / Power BI / Apache Superset für Stakeholder. Bücher: „Storytelling with Data“ von Knaflic, „The Visual Display of Quantitative Information“ von Tufte (Klassiker). 7) Domänenspezialisierung — eine von Fintech / Gesundheitswesen / Einzelhandel / Telekommunikation / E-Commerce wählen und domänenspezifische Herausforderungen studieren. 8) Deep Learning als Bonus: PyTorch-Grundlagen für DS-Aufgaben in CV / NLP. 9) Kausale Inferenz (Bonus für Senior): „The Effect“ von Huntington-Klein (kostenloses Online-Lehrbuch), Bibliotheken DoWhy / EconML. 10) Pet-Projekt: durchgängiges DS-Projekt auf Kaggle (Datenexploration → Feature Engineering → Modellauswahl → Kalibrierung → Präsentation für das Business) + 1 Projekt mit A/B-Test-Simulation. International (EN): DeepLearning.AI (Andrew Ng), fast.ai, Coursera IBM Data Science Professional. Analyst → Junior DS — 6-12 Monate. Backend Middle → Junior DS — 8-14 Monate (Lücke bei Mathematik + Statistik).
Wie viele offene Stellen enthält diese Stichprobe?
Die veröffentlichte Stichprobe enthält 3112 offene Stellen nach Zusammenführung erneuter Veröffentlichungen. Dies entspricht dem Wert der Hauptkennzahl. Der geografische Abschnitt beschreibt die Abdeckung der Stichprobe; dies ist keine Schätzung des gesamten Marktes.
Welche Fähigkeiten braucht ein Senior Data Scientist?
Ein Senior DS verantwortet den gesamten Zyklus vom Geschäftsproblem bis zum Produktionsmodell + technische Führung. Beherrschung von SQL: Window Functions / CTEs / komplexe JOINs / Abfrageoptimierung / Lesen von Ausführungsplänen. Python für DS: Performance-Muster für pandas / NumPy / Polars, Vektorisierung, profilgetriebene Optimierung. Beherrschung der Statistik: Hypothesentests in der Tiefe, bayessches Denken, kausale Inferenz (DoWhy / EconML), Grundlagen bayesscher Modellierung (PyMC). Beherrschung des klassischen ML: Feature Engineering in der Tiefe, Begründung der Modellauswahl, Kalibrierung, am Geschäft ausgerichtete Metriken, Beherrschung der Hyperparameter von Gradient Boosting (XGBoost / LightGBM / CatBoost). Beherrschung von A/B-Tests: Power-Analyse, sequenzielles Testen, Korrektur für multiples Testen, Varianzreduktion mit CUPED, Umgang mit Netzwerkeffekten, Novelty-/Primacy-Effekte, Switchback-Experimente für Marktplätze, Geo-Experimente. „Trustworthy Online Controlled Experiments“ von Kohavi — das Handbuch auf dem Schreibtisch. Deep Learning (Bonus): PyTorch für DS-Aufgaben in CV / NLP. LLM-bewusste DS: Prompt Engineering, RAG-Grundlagen, LLM-as-Judge für die Evaluierung, LLM-Anwendungen im DS-Workflow (Datenexploration / synthetische Daten / Unterstützung beim Labeling). Visualisierung & Kommunikation: Beherrschung von Storytelling mit Daten — Ergebnisse für nichttechnische Stakeholder in Geschäftsentscheidungen übersetzen. Cloud-DS: eines von AWS SageMaker / GCP Vertex AI / Databricks / Snowflake in der Tiefe. Soft Skills: Stakeholdermanagement (Produkt / Unternehmen / Engineering), technisches Schreiben (Analysedokumente, Berichte nach Experimenten, Entscheidungsmemos), Mentoring von Middle DS, Einstellung (Interviews mit DS-Kandidaten), Kommunikation mit der Führungsebene. Domänenexpertise: tiefes Verständnis von ein bis zwei Domänen (Fintech / Healthcare / Handel / Telekommunikation / E-Commerce) — der wichtigste Treiber für einen Aufschlag ab Senior+. Englisch ab Senior+ PFLICHT — DS-Rollen haben intensiven Kontakt mit Stakeholdern, und die meisten Materialien / Papers / die Community sind auf Englisch.
Anfrage hinterlassen
Beschreiben Sie die Aufgabe und hinterlassen Sie einen Kontakt — die Anfrage geht in unser CRM, und wir antworten über den angegebenen Kontakt.