Científico de datos: mercado
Datos a 19 de noviembre de 2026: ofertas abiertas de Científico de datos — 3112, el 27% en remoto entre las ofertas que indican la modalidad; salario mediano anunciado $11.032/mes (de 410 ofertas que indican salario). Fuente: Zorky, actualizado a diario.
Data Scientist: el segundo rol de ML/IA más grande después de ML Engineer. El enfoque NO está en la infraestructura de producción, sino en el planteamiento de problemas de negocio: entender la tarea de negocio, diseñar el experimento, construir el modelo/insight, hacer pruebas A/B y comunicarse con los stakeholders. Familia de roles: Junior Data Scientist (entrada en ML, normalmente después de Analyst), Data Scientist (mid: lleva una hipótesis de producto desde el análisis hasta el modelo), Senior Data Scientist (responsabilidad de extremo a extremo + colaboración con varios equipos + dominio de las pruebas A/B), Lead Data Scientist/Principal DS (estrategia de DS para un área de producto, contratación + mentoría), Product Data Scientist (enfoque profundo en producto, experimentos de growth). Stack: Python (domina), SQL (obligatorio: un DS lee SQL con fluidez y escribe funciones de ventana complejas + CTEs), pandas+NumPy+Polars (manipulación de datos), scikit-learn+XGBoost+LightGBM+CatBoost (ML clásico: el arsenal central), PyTorch/TensorFlow (deep learning: un extra, no obligatorio en todos los roles de DS), statsmodels+SciPy (estadística), Jupyter+VS Code (desarrollo), Tableau/Looker/Power BI/Apache Superset/Metabase (visualización para stakeholders), matplotlib+seaborn+plotly (gráficos en notebooks), MLflow/Weights & Biases (seguimiento de experimentos), plataformas de pruebas A/B (internas o Statsig/Eppo/Optimizely/GrowthBook). Stack principal: python, sql, cloud, llm, aws. Entre las vacantes con modalidad de trabajo indicada, el 27% es remoto.
Datos al:
Las cifras clave del mercado de Científico de datos: ofertas abiertas, salario mediano, grupo de especialistas observado y proporción de remoto.
El mercado de Científico de datos tiene ahora 3112 puestos abiertos, 2757 de ellos observados recientemente. Median salary $11.032/mo.
Entre las vacantes con modalidad de trabajo indicada, el 27% es remoto. El trabajo de DS: data warehouse en la nube + Jupyter / VS Code. Empresas de outsourcing: casi siempre en remoto. Bancos rusos: híbrido/oficina por la seguridad de los datos. Empresas tecnológicas internacionales: remoto total como estándar.
⚠ salario conocido en 410 de 3112 empleos; cuota de remoto a partir de 2481 con formato indicado; 2757 contados como observaciones recientes; no se muestran la tendencia ni la dificultad de contratación
Cronología: ofertas y fuentes
Cuántas ofertas de Científico de datos aparecieron cada semana desde el 1 jun y de cuántas fuentes. El gráfico inferior separa el crecimiento del mercado del crecimiento de nuestra cobertura: un salto en la semana en que se conectaron nuevas fuentes significa que empezamos a ver más, no que el mercado creció.
Nuevas ofertas por semana
Datos del gráfico
| Periodo | Nuevas ofertas por semana |
|---|---|
| 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 | 1090 |
| 2026-10-19 | 719 |
| 2026-10-26 | 684 |
| 2026-11-02 | 636 |
| 2026-11-09 | 730 |
Fuentes activas por semana
Fuentes en el periodo: 250. ▲ — semana en la que se conectaron muchas fuentes nuevas.
Datos del gráfico
| Periodo | Fuentes activas |
|---|---|
| 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 |
Nuevas fuentes conectadas: 22 jun +21 · 29 jun +35 · 6 jul +25 · 13 jul +19 · 20 jul +20 · todas las semanas (22) en la tabla
| Semana | Fuentes nuevas | Ofertas nuevas |
|---|---|---|
| 8 jun | +6 | 94 |
| 15 jun | +9 | 95 |
| 22 jun | +21 | 289 |
| 29 jun | +35 | 305 |
| 6 jul | +25 | 370 |
| 13 jul | +19 | 473 |
| 20 jul | +20 | 303 |
| 27 jul | +12 | 203 |
| 3 ago | +6 | 235 |
| 10 ago | +2 | 167 |
| 24 ago | +1 | 139 |
| 31 ago | +1 | 149 |
| 7 sept | +2 | 181 |
| 14 sept | +3 | 226 |
| 21 sept | +9 | 661 |
| 28 sept | +4 | 471 |
| 5 oct | +7 | 446 |
| 12 oct | +8 | 1090 |
| 19 oct | +13 | 719 |
| 26 oct | +6 | 684 |
| 2 nov | +10 | 636 |
| 9 nov | +9 | 730 |
La semana actual aún no ha terminado y no se muestra: una semana incompleta parecería una caída.
Semana = fecha en que se detectó la oferta por primera vez, todos los estados; las ofertas se seleccionan con la misma regla que el contador de esta página. Las fuentes son canales de recopilación distintos; sus nombres no se publican.
Datos del gráfico
| Semana | Nuevas ofertas por semana | Fuentes activas |
|---|---|---|
| 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 | 1090 | 65 |
| 2026-10-19 | 719 | 82 |
| 2026-10-26 | 684 | 70 |
| 2026-11-02 | 636 | 79 |
| 2026-11-09 | 730 | 85 |
Salarios a lo largo del tiempo
Salario mediano de Científico de datos por semana, USD al mes.
Salario mediano, USD al mes
Datos del gráfico
| Periodo | Mediana | Ofertas con salario por semana (n) |
|---|---|---|
| 2026-09-21 | 12.162 | 13 |
| 2026-09-28 | 8625 | 28 |
| 2026-10-05 | 8583 | 39 |
| 2026-10-12 | 11.583 | 60 |
| 2026-10-19 | 8875 | 111 |
| 2026-10-26 | 8940 | 112 |
| 2026-11-02 | 10.545 | 118 |
| 2026-11-09 | 10.417 | 127 |
La serie empieza el 21 sept: antes no hay datos.
Solo ofertas con salario en USD y periodo conocido (mes o año), de 500 a 50 000 $ al mes. Las semanas con menos de 10 ofertas así quedan en blanco: significa sin datos, no cero.
Datos del gráfico
| Semana | Mediana |
|---|---|
| 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 | 8625 |
| 2026-10-05 | 8583 |
| 2026-10-12 | 11.583 |
| 2026-10-19 | 8875 |
| 2026-10-26 | 8940 |
| 2026-11-02 | 10.545 |
| 2026-11-09 | 10.417 |
El trabajo remoto a lo largo del tiempo
Proporción de ofertas de Científico de datos con trabajo totalmente remoto, por semana.
Ofertas remotas, %
Datos del gráfico
| Periodo | Remoto |
|---|---|
| 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 |
La proporción se calcula entre las ofertas que indican la modalidad (remoto, híbrido, oficina). Las semanas con menos de 10 ofertas así quedan en blanco.
Datos del gráfico
| Semana | Remoto |
|---|---|
| 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 |
Tecnologías a lo largo del tiempo
Cómo cambió la proporción de ofertas de Científico de datos que mencionan cada una de las principales tecnologías.
Ofertas que mencionan la tecnología, %
Datos del gráfico
| Periodo | 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 |
Proporción entre las ofertas con stack etiquetado; la serie empieza el 10 ago: antes las etiquetas de stack se asignaban de otra forma. Las semanas con menos de 20 ofertas etiquetadas quedan en blanco.
Datos del gráfico
| Semana | 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 |
Países a lo largo del tiempo
Cómo cambió por semana la proporción de ofertas de Científico de datos en cada uno de los principales países.
Ofertas en el país, %
Datos del gráfico
| Periodo | EE. UU. | Reino Unido | Polonia |
|---|---|---|---|
| 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 |
Proporción entre las ofertas con país conocido; el gráfico muestra los cinco países con más ofertas en seis meses. Las semanas con menos de 20 ofertas con país conocido quedan en blanco. Una proporción al alza puede deberse a una fuente recién conectada en ese país y no al crecimiento del mercado.
Datos del gráfico
| Semana | EE. UU. | Reino Unido | Singapur | India | Polonia |
|---|---|---|---|---|---|
| 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 |
Mercado limpio: índice de contratación
Los mismos 7505 portales de empleo de empresas; el número de ofertas se toma del propio portal. Conectar nuevas fuentes no mueve este índice: muestra el mercado, no nuestra cobertura. Es todo el mercado del panel, no solo Científico de datos.
Índice de contratación, 16 oct = 100
Datos del gráfico
| Periodo | Índice de contratación |
|---|---|
| 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 |
Índice encadenado: cada día compara solo los portales consultados ese día y el anterior; se excluyen los valores atípicos y las caídas de consulta de toda una plataforma. Los días sin pares comparables quedan en blanco.
Datos del gráfico
| Día | Índice de contratación |
|---|---|
| 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 |
Cuántas ofertas abiertas de Científico de datos hay y cuántos especialistas adecuados observa Zorky.
Demanda y oferta observada
Datos del gráfico
| Indicador | Valor |
|---|---|
| Demanda abierta | 3112 |
| Demanda abierta | 3112 |
| Oferta observada | — no publicado |
Data Scientist es el segundo segmento más grande y estable de IA/ML después de ML Engineer. Motores de crecimiento 2026: empresas de producto, bancos, retail, startups de producto internacionales a través de canales remotos.
⚠ los candidatos que encajan con una vacante aún no se cuentan: se muestran la demanda y el pool observado
Cómo se distribuyen los salarios en las ofertas de Científico de datos, en dólares estadounidenses al mes.
Distribución de salarios
Datos del gráfico
| Indicador | Valor |
|---|---|
| <$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 |
- apto para el cálculo: 410 (13,2%)
- indicado, pero no convertido a USD/mes: 572 (18,4%)
- no indicado: 2130 (68,4%)
Una de cada diez ofertas paga menos de $5166 y una de cada diez más de $17.916. La mitad de las ofertas ofrece entre $7391 y $14.888. Muestra: 410.
Datos del gráfico
| Indicador | Límite inferior | Límite superior | Cantidad |
|---|---|---|---|
| <$1k | 0 | 1000 | 2 |
| $1–2k | 1000 | 2000 | 4 |
| $2–3k | 2000 | 3000 | 7 |
| $3–4k | 3000 | 4000 | 11 |
| $4–5k | 4000 | 5000 | 15 |
| $5–6k | 5000 | 6000 | 25 |
| $6–7k | 6000 | 7000 | 22 |
| $7–8k | 7000 | 8000 | 39 |
| $8–9k | 8000 | 9000 | 23 |
| $9–10k | 9000 | 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 |
En qué países hay más ofertas abiertas de Científico de datos.
Geografía de la demanda
| país | empleos | proporción |
|---|---|---|
| Estados Unidos | 938 | 35,2% |
| Reino Unido | 277 | 10,4% |
| Singapur | 200 | 7,5% |
| India | 164 | 6,2% |
| Polonia | 160 | 6% |
| Alemania | 117 | 4,4% |
| Francia | 89 | 3,3% |
| Canadá | 85 | 3,2% |
| Rusia | 57 | 2,1% |
| Brasil | 37 | 1,4% |
| Otros países | 541 | 20,3% |
El líder por número de vacantes de DS es EE. UU. (938 vacantes). Polonia — hub de la UE DS-friendly.
⚠ solo número de empleos: el salario por país no se publica
Datos del gráfico
| País | Ofertas |
|---|---|
| US | 938 |
| GB | 277 |
| SG | 200 |
| IN | 164 |
| PL | 160 |
| DE | 117 |
| FR | 89 |
| CA | 85 |
| RU | 57 |
| BR | 37 |
Qué tecnologías se piden con más frecuencia en la misma oferta que Científico de datos.
Se usa junto con
Cuota: cuántas de las 3112 ofertas del mercado Científico de datos mencionan esta tecnología. Ordenado por número de ofertas, no por «fuerza de asociación». Términos genéricos como cloud no son una nube concreta (AWS, Azure).
Stack principal de DS 2026: Python (monopolio), dominio de SQL, pandas + NumPy + Polars (datos), scikit-learn (clásico), XGBoost + LightGBM + CatBoost (los caballos de batalla del gradient boosting), statsmodels + SciPy (estadística), Jupyter + VS Code, matplotlib + seaborn + plotly (en notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (dashboards para stakeholders), MLflow / W&B (tracking de experimentos), plataformas de A/B testing (Statsig / Eppo / Optimizely / GrowthBook), inferencia causal (DoWhy / EconML, bonus de Senior), bayesiano (PyMC, bonus de Senior), Prophet / NeuralProphet / statsforecast (series temporales), Hugging Face (DS con conocimiento de LLM).
Parejas habituales: Python + pandas + sklearn + XGBoost + Jupyter, SQL + Python + Tableau, LightGBM + statsmodels + scipy + matplotlib, Snowflake + dbt + Python (stack moderno), Databricks + PySpark + MLflow, Pinecone / Weaviate + Hugging Face (flujo de DS con LLM), DoWhy + EconML + pandas (inferencia causal). Hoja de ruta de aprendizaje: dominio de SQL → Python + pandas → estadística → ML clásico (sklearn / XGBoost) → dominio de las pruebas A/B → visualización y storytelling → especialización en un dominio → inferencia causal (Senior).
Datos del gráfico
| Nombre | Cantidad |
|---|---|
| python | 1626 |
| sql | 1148 |
| cloud | 712 |
| llm | 471 |
| aws | 451 |
| azure | 317 |
| databricks | 289 |
| pandas | 276 |
| pytorch | 268 |
| scikit-learn | 254 |
| mlops | 242 |
| spark | 229 |
Cuántas ofertas de Científico de datos hay en cada nivel, de junior a principal.
Demanda por nivel
| nivel | empleos |
|---|---|
| senior | 1055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Junior: lo típico es vía Data Analyst (1-2 años) → Junior DS. Trayectoria: Junior (1-2 años) → Middle (2-3 años) → Senior → luego Lead / Principal DS (estrategia + contratación), giro a ML Engineer (vía técnica), giro a Product Manager o fundador.
⚠ solo el lado de la demanda: el nivel del pool observado se desconoce en su mayor parte
Datos del gráfico
| Nivel | Cantidad |
|---|---|
| senior | 1055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Quién contrata más en Científico de datos y cuánto se concentra la demanda en las empresas más grandes.
Empleadores
La demanda se reparte entre 1852 empleadores. El mayor concentra el 2.0%, los diez primeros el 7.3%; el 92.7% restante es cola larga.
| proporción | valor |
|---|---|
| top-1 | 2.0% |
| top-3 | 4.1% |
| top-10 | 7.3% |
| cola larga | 92.7% |
⚠ no se muestran nombres: el clasificador aún no distingue entre agencias de selección y empleadores finales
De qué webs de empresas y portales de empleo recoge Zorky las ofertas de Científico de datos.
Dónde ve Zorky este mercado
Observado en 120 fuentes; la mayor concentra el 16.9%: este mercado no depende de un solo canal.
Datos del gráfico
| Clase | Nombre | Nombre en inglés | Cantidad | Proporción |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS y webs de empleo de empresas | 2018 | 0,6485 |
| board | джоб-борды и агрегаторы | portales de empleo y agregadores | 931 | 0,2992 |
| telegram | Telegram | Telegram | 157 | 0,0504 |
| comunidad | сообщества и публичные профили | comunidad y perfiles públicos | 6 | 0,0019 |
Las ofertas de Científico de datos más recientes de las webs de empleo de las empresas.
Vacantes recientes
- 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 · $7853
- Proxify AB: Senior Data Scientist
Últimas vacantes abiertas de DS: las 10 posiciones más recientes con una descripción de calidad suficiente. La lista completa está en nuestro CRM o en el enlace «ver todas» de abajo.
Mercados adyacentes
Data Scientist se solapa con Data Analyst (área de entrada), ML Engineer (ML en producción: despliegue / escalado), Research (metodología nueva + papers) y Product Manager (pensamiento de producto + dominio de las pruebas A/B). La comparación con ml-engineer/research/mlops está en el SiblingSubnichesChart de arriba.
⚠ los mercados adyacentes para comparar aún no están definidos
Cómo se mide
- Vacante
- un empleo abierto que superó el filtro de calidad y menciona al menos dos tecnologías
- Candidato observado
- un candidato cuyo stack contiene esta tecnología; es un agregado: ni un solo registro sale del perímetro
- Candidato emparejable
- aún no contabilizado
- Ventana
- empleos abiertos en el momento en que se generó el snapshot
Sobre los datos
- Algunos desgloses están ocultos: su cobertura de datos aún no es suficiente.
- Las estadísticas se muestran solo donde la muestra supera un control de calidad.
- Que falte un bloque no significa que el valor sea cero.
Desgloses ocultos actualmente: 8.
Área: IA / ML / Data Science
Especializaciones relacionadas
Dentro de Data Scientist: Junior DS (entrada: típicamente desde Analyst), Data Scientist (mid: responsable de una hipótesis de producto), Senior DS (responsabilidad de extremo a extremo + dominio de las pruebas A/B), Lead / Principal DS (estrategia + contratación), Product Data Scientist (foco profundo en producto + experimentos de crecimiento), Research DS (modelado nuevo + papers, a menudo vía doctorado). La comparación con ml-engineer/research/mlops está en la barra de abajo.
Preguntas frecuentes
Las preguntas más frecuentes sobre Data Scientist: salario, DS frente a Analyst frente a ML Engineer, sklearn frente a PyTorch frente a XGBoost — cuándo usar cuál (árbol de decisión de 10 pasos), diferencia con Product DS, trabajo remoto, cómo empezar (6-12 meses desde Analyst), skills de Senior (A/B testing + inferencia causal + experiencia de dominio). Las respuestas se recalculan automáticamente.
¿Cuánto gana un Data Scientist Junior, Middle, Senior o Lead?
Junior DS es la entrada más accesible al área ML/IA (camino típico: Analyst 1-2 años → Junior DS). El salto de Junior a Middle: tras el primer modelo en producción + la primera prueba A/B independiente. De Middle a Senior: responsabilidad sobre varios proyectos + responsabilidad sobre el impacto de negocio (mejora documentada de ingresos / retención / conversión). De Senior a Lead / Principal: estrategia de DS para un área de producto + contratar 3-7 DS + mentoría. Trayectoria: Data Analyst (1-2 años) → Junior DS (1-2 años) → Middle (2-3 años) → Senior → luego Lead / Principal DS (en profundidad), giro a ML Engineer (vía más técnica), giro a Product Manager o fundador.
¿Qué stack necesita con más frecuencia un Data Scientist?
Principales 5: python, sql, cloud, llm, aws. Python, monopolio (R casi ha desaparecido de las vacantes nuevas 2026, se mantiene en legacy de healthcare/biostats). Dominio de SQL, obligatorio: consultas complejas con window functions + CTEs + dominio de JOIN + optimización de consultas (el DS lee planes de ejecución). Manipulación de datos: pandas (núcleo), NumPy (numérico), Polars (moderno, en auge, 10-100× más rápido para big data), PyArrow. ML clásico, el arsenal central: scikit-learn (model selection / preprocesado / pipelines / métricas), XGBoost + LightGBM + CatBoost (gradient boosting, el caballo de batalla para datos tabulares), statsmodels (regresión + series temporales + tests estadísticos). Estadística: scipy.stats, statsmodels, inferencia causal (DoWhy, EconML, un plus de Senior). Visualización: matplotlib + seaborn + plotly (en notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (para stakeholders). A/B testing: scipy.stats / statsmodels para el análisis, plataformas internas o Statsig / Eppo / Optimizely / GrowthBook. Comprensión de power analysis, cálculo de tamaño de muestra, corrección de múltiples tests, sequential testing. Deep Learning (un plus, no obligatorio): PyTorch / TensorFlow para tareas de DS de CV / NLP. Experiment tracking: MLflow o Weights & Biases. Herramientas de BI / dashboards: Tableau / Looker / Apache Superset / Metabase / Mode / Hex. Notebooks: Jupyter + VS Code (el mercado 2026 migra de Jupyter puro a híbrido). Workbenches de DS en cloud: AWS SageMaker Studio / GCP Vertex AI Workbench / Databricks / Snowflake Snowpark. Extras de Senior: inferencia causal (DoWhy / EconML / CausalImpact), uplift modelling, modelado bayesiano (PyMC / Stan), series temporales (Prophet / NeuralProphet / statsforecast).
Data Scientist frente a Analyst frente a ML Engineer: ¿cuál es la diferencia?
Data Analyst: enfoque en informes + dashboards + análisis ad hoc. SQL + Excel + Tableau / Looker / Power BI. Menos carga de ML. Adecuado para entrar en la dirección de datos. Data Scientist (esta página): enfoque en el planteamiento de problemas de negocio + modelado estadístico + pruebas A/B + comunicación de insights. SQL en profundidad + Python + sklearn + XGBoost + statsmodels + visualización. Hace ML, pero no es responsable de la infraestructura de producción (despliegue / serving / monitorización: eso es el ML Engineer). ML Engineer: enfoque en pipelines de ML en producción + despliegue + escalado + infraestructura LLM/RAG. Stack de DS + Docker / K8s + MLflow + Airflow + ML gestionado en la nube. Ver ML Engineer. Trayectoria: Analyst → DS Junior → DS Middle/Senior. Cambio DS ↔ ML Engineer en 3-6 meses (aprender MLOps + Docker / K8s + ML en la nube). Cambio DS ↔ Product Manager en 2-4 meses (el DS ya domina el pensamiento de producto + pruebas A/B; hay que sumar planificación de roadmap + gestión de stakeholders). DS → Research Engineer / Scientist: requiere un PhD o 3+ años de especialización profunda.
Sklearn frente a PyTorch frente a XGBoost: ¿cuándo usar cada uno?
Árbol de decisión para elegir el kit de herramientas de DS en 2026: 1) Datos tabulares, clasificación/regresión, <1M filas → scikit-learn (LogisticRegression / RandomForest / GradientBoosting). Pipelines + preprocesamiento: sklearn gana por la facilidad de integración. 2) Datos tabulares, >100K filas, el rendimiento es crítico → XGBoost / LightGBM / CatBoost. El caballo de batalla estándar en 2026 para tareas tabulares: scoring crediticio, predicción de abandono, conversión, detección de fraude, previsión de demanda. LightGBM: el más rápido; XGBoost: el ecosistema más maduro; CatBoost: el mejor para variables categóricas sin preprocesamiento. 3) Series temporales → Prophet / NeuralProphet (Facebook) o statsforecast (Nixtla: lo último en métodos clásicos) o un enfoque de ML (LightGBM sobre series temporales con feature engineering: a menudo supera a las bibliotecas especializadas). 4) NLP / clasificación de texto → Hugging Face Transformers (fine-tuning de un BERT/DeBERTa/RoBERTa pequeño) o TF-IDF de scikit-learn + LogisticRegression si hay <10K documentos (una base más simple). 5) Visión artificial → PyTorch + torchvision (clasificación / detección / segmentación de imágenes). Para producción: vLLM / TGI. 7) Sistemas de recomendación → LightGBM / XGBoost sobre usuarios × ítems con feature engineering (el caballo de batalla en 2026), implicit / LightFM (clásicos de filtrado colaborativo), recsys profundos en PyTorch (NeuMF / Two-Tower / Transformer4Rec). 8) Inferencia causal / uplift modelling → DoWhy / EconML / CausalML. 9) Modelado bayesiano (cuando importa cuantificar la incertidumbre: medicina / finanzas) → PyMC / Stan / NumPyro. 10) Detección de anomalías → PyOD + Isolation Forest + enfoques basados en LightGBM.
¿Qué proporción de vacantes ofrece trabajo remoto?
Entre las vacantes con modalidad de trabajo indicada, el 27% es remoto. Las vacantes sin modalidad indicada se excluyen del denominador; el trabajo híbrido no se cuenta como remoto.
¿En qué se diferencia Product Data Scientist del DS general?
Product Data Scientist: un DS con un enfoque profundo en producto + responsabilidad sobre los experimentos de growth + modelado de la retención + análisis del impacto de funcionalidades. Trabaja de cerca con PM e ingeniería. El stack es el mismo, pero el enfoque: dominio de las pruebas A/B (experimentos multivariante, pruebas secuenciales, corrección por comparaciones múltiples, análisis de potencia), métricas de growth (DAU/MAU/curvas de retención/análisis de embudos), inferencia causal para datos observacionales. Retribución comparable a la de un Senior DS (mediana), pero en las startups de producto de EE. UU. el Product DS suele superar al DS Senior general por la responsabilidad sobre el impacto en el negocio. Data Scientist general: puede estar en cualquier dominio (riesgo bancario, demanda en retail, calidad en fabricación). Research DS (o simplemente «DS» en un contexto de investigación): enfoque en nuevos enfoques de modelado + papers (a menudo vía doctorado). Ver también Research Engineer / Scientist. Elección de carrera: Product DS si te interesa el impacto en el producto y disfrutas comunicándote con stakeholders, DS general para tener flexibilidad de dominio, Research DS para investigar nuevas metodologías. Las tres son vías legítimas para Senior+.
¿Por dónde empezar en Data Science en 2026?
Hoja de ruta: 1) Dominio de SQL: imprescindible (funciones de ventana / CTE / estrategia de JOIN / optimización de consultas). Libro "SQL for Data Scientists" de Tanimura. Curso "Mode SQL Tutorial" (gratis). 2) Python para DS: dominio de pandas + NumPy, no solo la sintaxis sino los patrones de rendimiento (vectorización, trampas de .apply). Libro "Python for Data Analysis" de McKinney. 3) Estadística: descriptiva + inferencial + contraste de hipótesis + ANOVA + regresión lineal a fondo. Curso "Statistical Learning" de Hastie / Tibshirani (StanfordOnline, gratis). Libro "Practical Statistics for Data Scientists" de Bruce. 4) ML clásico: dominio de scikit-learn (pipelines / validación cruzada / compromisos entre métricas / calibración), XGBoost / LightGBM / CatBoost (los caballos de batalla del gradient boosting). "Machine Learning Specialization" de Andrew Ng (Coursera) + "Introduction to Statistical Learning" de Hastie (ISL, PDF gratuito). 5) Dominio de las pruebas A/B: análisis de potencia, tamaño de muestra, pruebas secuenciales, corrección por comparaciones múltiples, reducción de varianza con CUPED. Libros: "Trustworthy Online Controlled Experiments" de Kohavi (lectura obligada), "Statistical Methods in Online A/B Testing" de Georgi. 6) Visualización y storytelling: matplotlib + seaborn + plotly para notebooks + Tableau / Looker / Power BI / Apache Superset para los stakeholders. Libros: "Storytelling with Data" de Knaflic, "The Visual Display of Quantitative Information" de Tufte (un clásico). 7) Especialización en un dominio: elige uno entre fintech / sanidad / retail / telecomunicaciones / e-commerce y estudia sus retos específicos. 8) Deep learning como extra: nociones de PyTorch para tareas de DS de CV / NLP. 9) Inferencia causal (extra para Senior): "The Effect" de Huntington-Klein (libro de texto gratuito en línea), librerías DoWhy / EconML. 10) Proyecto personal: proyecto de DS de extremo a extremo en Kaggle (exploración de datos → ingeniería de features → selección del modelo → calibración → presentación al negocio) + 1 proyecto de simulación de prueba A/B. Internacional (EN): DeepLearning.AI (Andrew Ng), fast.ai, Coursera IBM Data Science Professional. De analista a Junior DS: 6-12 meses. De Backend Middle a Junior DS: 8-14 meses (hueco de matemáticas + estadística).
¿Cuántas vacantes abiertas contiene esta muestra?
La muestra publicada contiene 3112 vacantes abiertas tras agrupar las republicaciones. Es la misma cifra del indicador principal. La sección geográfica describe la cobertura de la muestra; no es una estimación de todo el mercado.
¿Qué skills necesita un Senior Data Scientist?
Un Senior DS es responsable del ciclo completo, desde el problema de negocio hasta el modelo en producción + liderazgo técnico. Dominio de SQL: funciones de ventana / CTEs / JOINs complejos / optimización de consultas / lectura de planes de ejecución. Python para DS: patrones de rendimiento con pandas / NumPy / Polars, vectorización, optimización guiada por profiling. Dominio de la estadística: contraste de hipótesis a fondo, pensamiento bayesiano, inferencia causal (DoWhy / EconML), nociones de modelado bayesiano (PyMC). Dominio del ML clásico: feature engineering a fondo, justificación de la elección de modelos, calibración, métricas alineadas con el negocio, dominio de los hiperparámetros de gradient boosting (XGBoost / LightGBM / CatBoost). Dominio de las pruebas A/B: análisis de potencia, pruebas secuenciales, corrección por comparaciones múltiples, reducción de varianza con CUPED, manejo de efectos de red, efectos de novedad/primacía, experimentos switchback para marketplaces, geoexperimentos. «Trustworthy Online Controlled Experiments» de Kohavi: el libro de cabecera. Deep Learning (extra): PyTorch para tareas de DS de CV / NLP. DS con conocimiento de LLM: prompt engineering, nociones de RAG, LLM-as-judge para la evaluación, aplicaciones de LLM en el flujo de DS (exploración de datos / datos sintéticos / ayuda al etiquetado). Visualización y comunicación: dominio del storytelling con datos: convertir los resultados en decisiones de negocio para stakeholders no técnicos. DS en la nube: una de AWS SageMaker / GCP Vertex AI / Databricks / Snowflake a fondo. Soft: gestión de stakeholders (producto / negocio / ingeniería), redacción técnica (documentos de análisis, informes tras experimentos, memorandos de decisión), mentoría a DS Middle, contratación (entrevistar a candidatos de DS), comunicación ejecutiva. Experiencia en el dominio: comprensión profunda de uno o dos dominios (fintech / salud / retail / telecomunicaciones / e-commerce): el principal motor de la prima para Senior+. Inglés para Senior+ IMPRESCINDIBLE: los roles de DS tratan intensamente con stakeholders, y la mayoría de los materiales, papers y la comunidad están en inglés.
Dejar una solicitud
Describe la tarea y deja un contacto: la solicitud llega a nuestro CRM y respondemos al contacto que indiques.