Nous utilisons des cookies techniques et le journal de visites anonymisé de Zorky. Yandex Metrica (données stockées sur des serveurs en Russie) ne fonctionne qu'avec votre consentement. Nous ne vendons jamais de données. En savoir plus sur les cookies et les statistiques.
Zorky est en mode test — tout est gratuit. Les offres et les pages des entreprises sont ouvertes à tous ; les liens vers les annonces et votre sélection personnelle s'ouvrent après inscription. Inscription →

Data Scientist : marché

Données au 19 novembre 2026 : offres ouvertes Data Scientist — 3 112, 27% en télétravail parmi les offres qui précisent le mode de travail; salaire médian annoncé $11 032/mois (sur 410 offres qui indiquent un salaire). Source : Zorky, mis à jour chaque jour.

Data Scientist — le deuxième rôle ML/IA par taille après l'ML Engineer. Le focus n'est PAS l'infrastructure de production mais la formulation des problèmes métier : comprendre la tâche business, concevoir l'expérience, construire le modèle/l'insight, mener des tests A/B, communiquer avec les parties prenantes. Famille de rôles : Junior Data Scientist (entrée dans le ML — généralement après un poste d'Analyste), Data Scientist (mid — porte une hypothèse produit de l'analyse jusqu'au modèle), Senior Data Scientist (responsabilité de bout en bout + collaboration multi-équipes + maîtrise des tests A/B), Lead Data Scientist/Principal DS (stratégie DS pour un domaine produit, recrutement + mentorat), Product Data Scientist (focus produit approfondi, expériences de croissance). Stack : Python (dominant), SQL (obligatoire — un DS lit le SQL couramment et écrit des fonctions de fenêtrage complexes + CTE), pandas+NumPy+Polars (manipulation de données), scikit-learn+XGBoost+LightGBM+CatBoost (ML classique — l'arsenal de base), PyTorch/TensorFlow (deep learning — un plus, pas obligatoire pour chaque poste DS), statsmodels+SciPy (statistiques), Jupyter+VS Code (développement), Tableau/Looker/Power BI/Apache Superset/Metabase (visualisation pour les parties prenantes), matplotlib+seaborn+plotly (graphiques dans les notebooks), MLflow/Weights & Biases (suivi des expériences), plateformes de tests A/B (internes ou Statsig/Eppo/Optimizely/GrowthBook). Stack la plus demandée : python, sql, cloud, llm, aws. Parmi les offres dont le mode de travail est indiqué, 27% sont en télétravail.

Données au:

Les chiffres clés du marché Data Scientist : offres ouvertes, salaire médian, vivier de spécialistes observé et part du télétravail.

3 112
offres ouvertes — par intitulé de poste, republications fusionnées
$11 032
médiane $/mois
27%
télétravail

Le marché Data Scientist compte actuellement 3 112 postes ouverts, dont 2 757 observés récemment. Median salary $11 032/mo.

Parmi les offres dont le mode de travail est indiqué, 27% sont en télétravail. Le travail en DS — entrepôt de données cloud + Jupyter / VS Code. Sociétés d'outsourcing — presque toujours en télétravail. Banques russes — hybride/bureau pour la sécurité des données. Entreprises tech internationales — télétravail complet standard.

⚠ salaire connu pour 410 offres sur 3112 ; part du télétravail sur 2481 avec un format indiqué ; 2757 comptées comme observations récentes ; la tendance et la difficulté de recrutement ne sont pas affichées

Chronologie : offres et sources

Combien d'offres Data Scientist sont apparues chaque semaine depuis le 1 juin, et depuis combien de sources. Le graphique du bas sépare la croissance du marché de celle de notre couverture : un saut la semaine où de nouvelles sources ont été connectées signifie que nous voyons davantage, pas que le marché a grandi.

Nouvelles offres par semaine

Données du graphique
Nouvelles offres par semaine. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeNouvelles offres par semaine
2026-06-01106
2026-06-0894
2026-06-1595
2026-06-22289
2026-06-29305
2026-07-06370
2026-07-13473
2026-07-20303
2026-07-27203
2026-08-03235
2026-08-10167
2026-08-17171
2026-08-24139
2026-08-31149
2026-09-07181
2026-09-14226
2026-09-21661
2026-09-28471
2026-10-05446
2026-10-121 090
2026-10-19719
2026-10-26684
2026-11-02636
2026-11-09730

Sources actives par semaine

Sources sur la période : 250. ▲ — semaine où de nombreuses nouvelles sources ont été connectées.

Données du graphique
Sources actives par semaine. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeSources actives
2026-06-0122
2026-06-0819
2026-06-1524
2026-06-2242
2026-06-2962
2026-07-0652
2026-07-1366
2026-07-2067
2026-07-2771
2026-08-0357
2026-08-1032
2026-08-1738
2026-08-2435
2026-08-3139
2026-09-0739
2026-09-1440
2026-09-2168
2026-09-2860
2026-10-0558
2026-10-1265
2026-10-1982
2026-10-2670
2026-11-0279
2026-11-0985
Nouvelles sources connectées : 22 juin +21 · 29 juin +35 · 6 juil. +25 · 13 juil. +19 · 20 juil. +20 · toutes les semaines (22) dans le tableau
SemaineNouvelles sourcesNouvelles offres
8 juin+694
15 juin+995
22 juin+21289
29 juin+35305
6 juil.+25370
13 juil.+19473
20 juil.+20303
27 juil.+12203
3 août+6235
10 août+2167
24 août+1139
31 août+1149
7 sept.+2181
14 sept.+3226
21 sept.+9661
28 sept.+4471
5 oct.+7446
12 oct.+81 090
19 oct.+13719
26 oct.+6684
2 nov.+10636
9 nov.+9730

La semaine en cours n'est pas terminée et n'est pas affichée : une semaine incomplète ressemblerait à une baisse.

Semaine = date de première détection de l'offre, tous statuts ; les offres sont sélectionnées selon la même règle que le compteur de cette page. Les sources sont des canaux de collecte distincts ; leurs noms ne sont pas publiés.

Données du graphique
Chronologie : offres et sources — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineNouvelles offres par semaineSources actives
2026-06-0110622
2026-06-089419
2026-06-159524
2026-06-2228942
2026-06-2930562
2026-07-0637052
2026-07-1347366
2026-07-2030367
2026-07-2720371
2026-08-0323557
2026-08-1016732
2026-08-1717138
2026-08-2413935
2026-08-3114939
2026-09-0718139
2026-09-1422640
2026-09-2166168
2026-09-2847160
2026-10-0544658
2026-10-121 09065
2026-10-1971982
2026-10-2668470
2026-11-0263679
2026-11-0973085

Les salaires dans le temps

Salaire médian Data Scientist par semaine, USD par mois.

Salaire médian, USD par mois

Données du graphique
Salaire médian, USD par mois. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeMédianeOffres avec salaire par semaine (n)
2026-09-2112 16213
2026-09-288 62528
2026-10-058 58339
2026-10-1211 58360
2026-10-198 875111
2026-10-268 940112
2026-11-0210 545118
2026-11-0910 417127

La série commence le 21 sept. : aucune donnée avant.

Offres avec salaire par semaine (n)

Uniquement les offres avec un salaire en USD et une période connue (mois ou année), de 500 à 50 000 $ par mois. Les semaines comptant moins de 10 offres de ce type sont laissées vides — cela signifie pas de données, pas zéro.

Données du graphique
Les salaires dans le temps — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineMédiane
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—
2026-09-2112 162
2026-09-288 625
2026-10-058 583
2026-10-1211 583
2026-10-198 875
2026-10-268 940
2026-11-0210 545
2026-11-0910 417

Le télétravail dans le temps

Part des offres Data Scientist proposant un télétravail complet, par semaine.

Offres en télétravail, %

Données du graphique
Offres en télétravail, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeTélétravail
2026-06-0157,3
2026-06-0831,7
2026-06-1545,5
2026-06-2239,3
2026-06-2934,4
2026-07-0635,4
2026-07-1330,5
2026-07-2035,3
2026-07-2744,2
2026-08-0328,8
2026-08-1036,8
2026-08-1731,3
2026-08-2439,6
2026-08-3128,6
2026-09-0729,7
2026-09-1424
2026-09-2122
2026-09-2825,2
2026-10-0538,6
2026-10-1234,7
2026-10-1931,2
2026-10-2634,9
2026-11-0229,2
2026-11-0927,7

La part est calculée parmi les offres qui précisent le mode de travail (télétravail, hybride, bureau). Les semaines comptant moins de 10 offres de ce type sont laissées vides.

Données du graphique
Le télétravail dans le temps — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineTélétravail
2026-06-0157,3
2026-06-0831,7
2026-06-1545,5
2026-06-2239,3
2026-06-2934,4
2026-07-0635,4
2026-07-1330,5
2026-07-2035,3
2026-07-2744,2
2026-08-0328,8
2026-08-1036,8
2026-08-1731,3
2026-08-2439,6
2026-08-3128,6
2026-09-0729,7
2026-09-1424
2026-09-2122
2026-09-2825,2
2026-10-0538,6
2026-10-1234,7
2026-10-1931,2
2026-10-2634,9
2026-11-0229,2
2026-11-0927,7

Les technologies dans le temps

Comment la part des offres Data Scientist mentionnant chacune des principales technologies a évolué.

Offres mentionnant la technologie, %

Données du graphique
Offres mentionnant la technologie, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodePythonSQLcloud
2026-08-1051,342,19,2
2026-08-1759,335,218,5
2026-08-2455,633,317,8
2026-08-3170,245,610,5
2026-09-0757,141,420
2026-09-1460,539,521
2026-09-2161,13832,3
2026-09-287555,530,8
2026-10-0565,852,636,1
2026-10-127045,729,9
2026-10-1975,954,238,8
2026-10-2680,56030,9
2026-11-0280,857,137,1
2026-11-0982,259,635,5
Jusqu’à 5 sur le graphique :

Part parmi les offres avec un stack tagué ; la série commence le 10 août : auparavant les tags de stack étaient attribués différemment. Les semaines comptant moins de 20 offres taguées sont laissées vides.

Données du graphique
Les technologies dans le temps — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemainePythonSQLcloudllmAWS
2026-08-1051,342,19,213,22,6
2026-08-1759,335,218,514,87,4
2026-08-2455,633,317,813,34,4
2026-08-3170,245,610,512,37
2026-09-0757,141,42014,37,1
2026-09-1460,539,521217,4
2026-09-2161,13832,319,120,5
2026-09-287555,530,819,517,7
2026-10-0565,852,636,123,920
2026-10-127045,729,922,818
2026-10-1975,954,238,82924,1
2026-10-2680,56030,933,822,1
2026-11-0280,857,137,12220
2026-11-0982,259,635,525,520,7

Pays au fil du temps

Comment la part des offres Data Scientist dans chacun des principaux pays a évolué, par semaine.

Offres dans le pays, %

Données du graphique
Offres dans le pays, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeÉtats-UnisRoyaume-UniPologne
2026-06-0135,12,127,8
2026-06-0837,83,312,2
2026-06-15258,320,2
2026-06-2217,75,526,4
2026-06-2918,65,311,8
2026-07-0646,33,96,9
2026-07-13334,16,3
2026-07-2022,514,312,3
2026-07-2715,610,410,4
2026-08-0327,715,44,8
2026-08-1039,79,63,7
2026-08-1736187,9
2026-08-2435,718,31,7
2026-08-3123,824,60,8
2026-09-0733,828,62,6
2026-09-1428,724,51,6
2026-09-2132,311,53,2
2026-09-2821,715,18,5
2026-10-0521,220,912
2026-10-1226,810,66,4
2026-10-1922,214,79
2026-10-2628,111,36,7
2026-11-0225,317,93,8
2026-11-0928,714,69,7
Jusqu’à 5 sur le graphique :

Part parmi les offres dont le pays est connu ; le graphique montre les cinq pays comptant le plus d'offres sur six mois. Les semaines comptant moins de 20 offres avec un pays connu sont laissées vides. Une part en hausse peut signifier une source nouvellement connectée dans ce pays plutôt qu'une croissance du marché.

Données du graphique
Pays au fil du temps — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineÉtats-UnisRoyaume-UniSingapourIndePologne
2026-06-0135,12,109,327,8
2026-06-0837,83,33,313,312,2
2026-06-15258,303,620,2
2026-06-2217,75,513,810,226,4
2026-06-2918,65,329,34,911,8
2026-07-0646,33,94,89,66,9
2026-07-13334,112,116,56,3
2026-07-2022,514,311,18,212,3
2026-07-2715,610,41310,410,4
2026-08-0327,715,43,710,14,8
2026-08-1039,79,63,79,63,7
2026-08-1736181,48,67,9
2026-08-2435,718,31,7131,7
2026-08-3123,824,65,711,50,8
2026-09-0733,828,63,99,72,6
2026-09-1428,724,53,710,11,6
2026-09-2132,311,513,47,73,2
2026-09-2821,715,113,96,98,5
2026-10-0521,220,96,95,412
2026-10-1226,810,64,39,46,4
2026-10-1922,214,710,75,99
2026-10-2628,111,38,78,66,7
2026-11-0225,317,96,16,53,8
2026-11-0928,714,675,59,7

Marché net : indice de recrutement

Les mêmes 7 505 sites carrières d'employeurs ; le nombre d'offres provient du site lui-même. Connecter de nouvelles sources ne fait pas bouger cet indice — il montre le marché, pas notre couverture. C'est l'ensemble du marché du panel, pas seulement Data Scientist.

Indice de recrutement, 16 oct. = 100

Données du graphique
Indice de recrutement, 16 oct. = 100. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeIndice de recrutement
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Indice chaîné : chaque jour ne compare que les sites interrogés ce jour-là et la veille ; les valeurs aberrantes et les pannes d'interrogation d'une plateforme entière sont exclues. Les jours sans paire comparable sont laissés vides.

Données du graphique
Marché net : indice de recrutement — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
JourIndice de recrutement
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Combien d'offres Data Scientist ouvertes il y a et combien de spécialistes correspondants Zorky observe.

Demande et offre observée

Données du graphique
Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurValeur
Demande ouverte3 112
Demande ouverte3 112
Offre observée— non publié

Data Scientist — le deuxième segment IA/ML le plus important et stable après le ML Engineer. Moteurs de croissance 2026 : entreprises produit, banques, distribution, startups produit internationales via les canaux de télétravail.

⚠ les candidats correspondant à une offre ne sont pas encore comptés : la demande et le vivier observé sont affichés

Comment se répartissent les salaires des offres Data Scientist, en dollars américains par mois.

Distribution des salaires

P25 $7 391 · P50 $11 032 · P75 $14 888
Données du graphique
Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurValeur
<$1k2
$1–2k4
$2–3k7
$3–4k11
$4–5k15
$5–6k25
$6–7k22
$7–8k39
$8–9k23
$9–10k26
$10–12k54
$12–15k82
$15–20k88
$20k+12
Salaire dans les offres : base 3 112
  • exploitable pour le calcul: 410 (13,2%)
  • indiqué mais non converti en USD/mois: 572 (18,4%)
  • non indiqué: 2 130 (68,4%)

Une offre sur dix propose moins de $5 166, une sur dix plus de $17 916. La moitié des offres propose entre $7 391 et $14 888. Échantillon: 410.

Données du graphique
Distribution des salaires — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurBorne inférieureBorne supérieureNombre
<$1k01 0002
$1–2k1 0002 0004
$2–3k2 0003 0007
$3–4k3 0004 00011
$4–5k4 0005 00015
$5–6k5 0006 00025
$6–7k6 0007 00022
$7–8k7 0008 00039
$8–9k8 0009 00023
$9–10k9 00010 00026
$10–12k10 00012 00054
$12–15k12 00015 00082
$15–20k15 00020 00088
$20k+20 000—12

Dans quels pays il y a le plus d'offres Data Scientist ouvertes.

Géographie de la demande

paysoffrespart
États-Unis93835,2%
Royaume-Uni27710,4%
Singapour2007,5%
Inde1646,2%
Pologne1606%
Allemagne1174,4%
France893,3%
Canada853,2%
Russie572,1%
Brésil371,4%
Autres pays54120,3%

Le leader par nombre d'offres DS est les États-Unis (938 postes). La Pologne — un hub européen favorable aux DS.

⚠ nombre d'offres uniquement : le salaire par pays n'est pas publié

Données du graphique
Géographie de la demande — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PaysOffres
US938
GB277
SG200
IN164
PL160
DE117
FR89
CA85
RU57
BR37

Quelles technologies sont le plus souvent demandées dans la même offre que Data Scientist.

Utilisée avec

python
1 62652,2%
sql
1 14836,9%
cloud
71222,9%
llm
47115,1%
aws
45114,5%
azure
31710,2%
databricks
2899,3%
pandas
2768,9%
pytorch
2688,6%
scikit-learn
2548,2%

Part : combien des 3 112 offres du marché Data Scientist mentionnent cette technologie. Tri par nombre d’offres, pas par « force d’association ». Les termes génériques comme cloud ne désignent pas un cloud précis (AWS, Azure).

Stack DS principale 2026 : Python (monopole), maîtrise de SQL, pandas + NumPy + Polars (données), scikit-learn (classique), XGBoost + LightGBM + CatBoost (les bêtes de somme du gradient boosting), statsmodels + SciPy (statistiques), Jupyter + VS Code, matplotlib + seaborn + plotly (dans le notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (tableaux de bord pour les parties prenantes), MLflow / W&B (suivi des expériences), plateformes de tests A/B (Statsig / Eppo / Optimizely / GrowthBook), inférence causale (DoWhy / EconML — bonus Senior), bayésien (PyMC — bonus Senior), Prophet / NeuralProphet / statsforecast (séries temporelles), Hugging Face (DS au fait des LLM).

Couples courants : Python + pandas + sklearn + XGBoost + Jupyter, SQL + Python + Tableau, LightGBM + statsmodels + scipy + matplotlib, Snowflake + dbt + Python (stack moderne), Databricks + PySpark + MLflow, Pinecone / Weaviate + Hugging Face (workflow DS tenant compte des LLM), DoWhy + EconML + pandas (inférence causale). Feuille de route d'apprentissage : maîtrise de SQL → Python + pandas → statistiques → ML classique (sklearn / XGBoost) → maîtrise des tests A/B → visualisation & storytelling → spécialisation métier → inférence causale (Senior).

Données du graphique
Utilisée avec — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
NomNombre
python1 626
sql1 148
cloud712
llm471
aws451
azure317
databricks289
pandas276
pytorch268
scikit-learn254
mlops242
spark229

Combien d'offres Data Scientist il y a à chaque niveau, de junior à principal.

Demande par niveau

niveauoffres
senior1 055
principal279
lead170
junior157
middle151

Junior — typiquement via Data Analyst (1-2 ans) → DS Junior. Parcours de carrière : Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit DS Lead / Principal (stratégie + recrutement), soit pivot vers ML Engineer (filière technique), soit pivot vers Product Manager, soit fondateur.

⚠ côté demande uniquement : le niveau du vivier observé est inconnu pour la majeure partie

Données du graphique
Demande par niveau — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
NiveauNombre
senior1 055
principal279
lead170
junior157
middle151

Qui recrute le plus pour Data Scientist et à quel point la demande se concentre chez les plus grandes entreprises.

Employeurs

La demande est répartie entre 1 852 employeurs. Le plus grand en représente 2.0 %, les dix premiers 7.3 % ; les 92.7 % restants forment la longue traîne.

le plus grand 2%2e–3e 2,1%4e–10e 3,3%les autres 92,7%
partvaleur
top 12.0%
top 34.1%
top 107.3%
longue traîne92.7%

⚠ les noms ne sont pas affichés : le classificateur ne distingue pas encore les agences de recrutement des employeurs finaux

Sur quels sites d'entreprises et sites d'emploi Zorky collecte les offres Data Scientist.

Où Zorky voit ce marché

Observé sur 120 sources ; la plus grande en représente 16.9 % : ce marché ne repose pas sur un seul canal.

Données du graphique
Où Zorky voit ce marché — Data Scientist. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
ClasseNomNom anglaisNombrePart
atsATS и карьерные сайтыATS et sites carrières2 0180,6485
boardджоб-борды и агрегаторыjob boards et agrégateurs9310,2992
telegramTelegramTelegram1570,0504
communautéсообщества и публичные профилиcommunauté et profils publics60,0019

Les offres Data Scientist les plus récentes, issues des pages carrières des entreprises.

Postes récents

Toutes les offres →

Dernières offres DS ouvertes — les 10 postes les plus récents avec une qualité de description suffisante. La liste complète est dans notre CRM ou via le lien « voir tout » ci-dessous.

Comment c'est mesuré
Offre
une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies
Candidat observé
un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre
Candidat correspondant
pas encore compté
Fenêtre
offres ouvertes au moment de la création de l'instantané

À propos des données

  • Certaines ventilations sont masquées : leur couverture de données n'est pas encore suffisante.
  • Les statistiques ne sont affichées que là où l'échantillon passe un contrôle qualité.
  • Un bloc absent ne signifie pas une valeur nulle.

Ventilations masquées actuellement : 8.

Domaine: IA / ML / Data Science

Spécialisations associées

Au sein du Data Scientist : DS Junior (entrée — typiquement depuis l'analyse), Data Scientist (Middle — responsable d'une hypothèse produit), DS Senior (responsabilité de bout en bout + maîtrise des tests A/B), DS Lead / Principal (stratégie + recrutement), Product Data Scientist (focus produit approfondi + expériences de croissance), DS Research (modélisation nouvelle + articles, souvent filière doctorat). Comparaison avec ml-engineer/research/mlops — dans la barre ci-dessous.

Ingénieur IA / LLMVision par ordinateurIngénieur MLMLOpsIngénieur NLPIngénieur de recherche

Questions fréquentes

Les questions les plus fréquentes sur le Data Scientist : rémunération, DS vs analyste vs ML Engineer, sklearn vs PyTorch vs XGBoost — quand utiliser lequel (arbre de décision en 10 étapes), différence avec le Product DS, télétravail, comment débuter (6-12 mois depuis analyste), compétences Senior (tests A/B + inférence causale + expertise métier). Les réponses sont recalculées automatiquement.

Quel est le salaire d'un Data Scientist Junior, Middle, Senior ou Lead ?

Le DS Junior — l'entrée la plus accessible dans la direction ML/IA (parcours typique : analyste 1-2 ans → DS Junior). Le saut Junior → Middle — après le premier modèle en production + le premier test A/B autonome. Middle → Senior — responsabilité multi-projets + responsabilité de l'impact business (hausse documentée du chiffre d'affaires / de la rétention / de la conversion). Senior → Lead / Principal — stratégie DS pour un domaine produit + recrutement de 3-7 DS + mentorat. Parcours de carrière : Data Analyst (1-2 ans) → DS Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit DS Lead / Principal (profondeur), soit pivot vers ML Engineer (filière plus technique), soit pivot vers Product Manager, soit fondateur.

Quelle stack est le plus souvent demandée à un Data Scientist ?

Top 5 : python, sql, cloud, llm, aws. Python — monopole (R a presque disparu des nouvelles offres de 2026, il subsiste dans l'historique santé/biostatistiques). Maîtrise de SQL — obligatoire : requêtes complexes avec fonctions de fenêtrage + CTE + maîtrise des JOIN + optimisation des requêtes (le DS lit les plans d'exécution). Manipulation des données : pandas (cœur), NumPy (calcul numérique), Polars (moderne, en hausse — 10-100× plus rapide sur les gros volumes), PyArrow. ML classique — l'arsenal de base : scikit-learn (sélection de modèles / prétraitement / pipelines / métriques), XGBoost + LightGBM + CatBoost (gradient boosting — l'outil de travail pour les données tabulaires), statsmodels (régression + séries temporelles + tests statistiques). Statistiques : scipy.stats, statsmodels, inférence causale (DoWhy, EconML — un plus pour un Senior). Visualisation : matplotlib + seaborn + plotly (dans les notebooks), Tableau / Looker / Power BI / Apache Superset / Metabase (pour les parties prenantes). Tests A/B : scipy.stats / statsmodels pour l'analyse, plateformes internes ou Statsig / Eppo / Optimizely / GrowthBook. Compréhension de l'analyse de puissance, du calcul de taille d'échantillon, de la correction des tests multiples, des tests séquentiels. Deep learning (un plus, pas obligatoire) : PyTorch / TensorFlow pour les tâches DS de CV / NLP. Suivi des expériences : MLflow ou Weights & Biases. Outils BI / tableaux de bord : Tableau / Looker / Apache Superset / Metabase / Mode / Hex. Notebooks : Jupyter + VS Code (le marché de 2026 migre de Jupyter brut vers l'hybride). Environnements DS dans le cloud : AWS SageMaker Studio / GCP Vertex AI Workbench / Databricks / Snowflake Snowpark. En plus pour un Senior : inférence causale (DoWhy / EconML / CausalImpact), modélisation d'uplift, modélisation bayésienne (PyMC / Stan), séries temporelles (Prophet / NeuralProphet / statsforecast).

Data Scientist vs Analyste vs ML Engineer — quelle différence ?

Data Analyst — focus sur le reporting + les tableaux de bord + les analyses ad hoc. SQL + Excel + Tableau / Looker / Power BI. Moins orienté ML. Convient pour entrer dans la data. Data Scientist (cette page) — focus sur la formulation des problèmes métier + la modélisation statistique + les tests A/B + la communication des insights. SQL en profondeur + Python + sklearn + XGBoost + statsmodels + visualisation. Fait du ML, mais n'est pas responsable de l'infrastructure de production (déploiement / serving / monitoring — c'est le rôle de l'ML Engineer). ML Engineer — focus sur les pipelines ML en production + le déploiement + la mise à l'échelle + l'infrastructure LLM/RAG. Stack DS + Docker / K8s + MLflow + Airflow + ML managé dans le cloud. Voir ML Engineer. Parcours : Analyste → DS Junior → DS Middle/Senior. Passage DS ↔ ML Engineer en 3-6 mois (apprendre le MLOps + Docker / K8s + le ML cloud). Passage DS ↔ Product Manager en 2-4 mois (le DS maîtrise déjà la pensée produit + les tests A/B — ajouter la planification de roadmap + la gestion des parties prenantes). DS → Research Engineer / Scientist — nécessite un PhD ou 3+ ans de spécialisation approfondie.

Sklearn vs PyTorch vs XGBoost — quand utiliser lequel ?

Arbre de décision pour choisir sa boîte à outils DS en 2026 : 1) Données tabulaires, classification/régression, <1 M lignes → scikit-learn (LogisticRegression / RandomForest / GradientBoosting). Pipelines + prétraitement — sklearn l'emporte pour une intégration simple. 2) Données tabulaires, >100 K lignes, performance critique → XGBoost / LightGBM / CatBoost. L'outil de référence 2026 pour les tâches tabulaires : scoring de crédit, prédiction de l'attrition, conversion, détection de fraude, prévision de la demande. LightGBM — le plus rapide, XGBoost — l'écosystème le plus mature, CatBoost — le meilleur pour les variables catégorielles sans prétraitement. 3) Séries temporelles → Prophet / NeuralProphet (Facebook) ou statsforecast (Nixtla — état de l'art du classique) ou approche ML (LightGBM sur des séries temporelles avec feature engineering — bat souvent les bibliothèques spécialisées). 4) NLP / classification de textes → Hugging Face Transformers (fine-tuning d'un petit BERT/DeBERTa/RoBERTa) ou scikit-learn TF-IDF + LogisticRegression si <10 K documents (baseline plus simple). 5) Computer Vision → PyTorch + torchvision (classification / détection / segmentation d'images). Pour la production — vLLM / TGI. 7) Systèmes de recommandation → LightGBM / XGBoost sur utilisateurs × items avec feature engineering (l'outil de référence 2026), implicit / LightFM (classiques du filtrage collaboratif), recsys deep learning en PyTorch (NeuMF / Two-Tower / Transformer4Rec). 8) Inférence causale / modélisation de l'uplift → DoWhy / EconML / CausalML. 9) Modélisation bayésienne (quand la quantification de l'incertitude compte — médical / finance) → PyMC / Stan / NumPyro. 10) Détection d'anomalies → PyOD + Isolation Forest + approches basées sur LightGBM.

Quelle part des offres propose du télétravail ?

Parmi les offres dont le mode de travail est indiqué, 27% sont en télétravail. Les offres sans mode de travail indiqué sont exclues du dénominateur ; le travail hybride n’est pas compté comme du télétravail.

En quoi le Product Data Scientist diffère-t-il du DS généraliste ?

Product Data Scientist — un DS fortement orienté produit + responsable des expérimentations de croissance + de la modélisation de la rétention + de l'analyse de l'impact des fonctionnalités. Travaille en étroite collaboration avec le PM et l'ingénierie. La stack est la même, mais l'accent porte sur : la maîtrise des tests A/B (expériences multivariées, tests séquentiels, correction des tests multiples, analyse de puissance), les métriques de croissance (DAU/MAU/courbes de rétention/analyse d'entonnoir), l'inférence causale sur des données observationnelles. Rémunération comparable à celle d'un DS Senior (médiane), mais dans les startups produit américaines, le Product DS dépasse souvent le DS Senior généraliste grâce à la responsabilité de l'impact business. Data Scientist généraliste — peut travailler dans n'importe quel domaine (risque bancaire, demande dans le retail, qualité industrielle). DS Recherche (ou simplement « DS » dans un contexte de recherche) — centré sur des approches de modélisation nouvelles + des publications (souvent en filière doctorat). Voir aussi Research Engineer / Scientist. Choix de carrière : Product DS si l'impact produit vous intéresse et que vous aimez communiquer avec les parties prenantes, DS généraliste pour la flexibilité de domaine, DS Recherche pour la recherche de nouvelles méthodologies. Les trois sont des parcours Senior+ légitimes.

Par où commencer en data science en 2026 ?

Feuille de route : 1) Maîtrise de SQL — indispensable (fonctions de fenêtrage / CTE / stratégie de JOIN / optimisation des requêtes). Livre « SQL for Data Scientists » de Tanimura. Cours « Mode SQL Tutorial » (gratuit). 2) Python pour la data science : maîtrise de pandas + NumPy, non seulement la syntaxe mais aussi les patterns de performance (vectorisation, pièges de .apply). Livre « Python for Data Analysis » de McKinney. 3) Statistiques : descriptives + inférentielles + tests d'hypothèses + ANOVA + régression linéaire en profondeur. Cours « Statistical Learning » de Hastie / Tibshirani (StanfordOnline — gratuit). Livre « Practical Statistics for Data Scientists » de Bruce. 4) ML classique : maîtrise de scikit-learn (pipelines / validation croisée / arbitrages entre métriques / calibration), XGBoost / LightGBM / CatBoost (les chevaux de bataille du gradient boosting). « Machine Learning Specialization » d'Andrew Ng (Coursera) + « Introduction to Statistical Learning » de Hastie (ISL — PDF gratuit). 5) Maîtrise des tests A/B — analyse de puissance, taille d'échantillon, tests séquentiels, correction des comparaisons multiples, réduction de variance CUPED. Livres : « Trustworthy Online Controlled Experiments » de Kohavi (à lire absolument), « Statistical Methods in Online A/B Testing » de Georgi. 6) Visualisation & storytelling — matplotlib + seaborn + plotly pour les notebooks + Tableau / Looker / Power BI / Apache Superset pour les parties prenantes. Livres : « Storytelling with Data » de Knaflic, « The Visual Display of Quantitative Information » de Tufte (classique). 7) Spécialisation métier — choisir entre fintech / santé / commerce de détail / télécoms / e-commerce et étudier les enjeux propres au domaine. 8) Deep learning en bonus : bases de PyTorch pour les tâches de data science en vision / NLP. 9) Inférence causale (bonus Senior) : « The Effect » de Huntington-Klein (manuel gratuit en ligne), bibliothèques DoWhy / EconML. 10) Projet personnel : projet de data science de bout en bout sur Kaggle (exploration des données → feature engineering → choix du modèle → calibration → présentation métier) + 1 projet de simulation de test A/B. International (EN) : DeepLearning.AI (Andrew Ng), fast.ai, Coursera IBM Data Science Professional. Analyste → Data Scientist Junior — 6-12 mois. Backend Middle → Data Scientist Junior — 8-14 mois (lacunes en maths + statistiques).

Combien d’offres ouvertes cet échantillon contient-il ?

L’échantillon publié contient 3112 offres ouvertes après regroupement des republications. C’est le même nombre que dans l’indicateur principal. La section géographique décrit la couverture de l’échantillon ; il ne s’agit pas d’une estimation de l’ensemble du marché.

De quelles compétences un Data Scientist Senior a-t-il besoin ?

Un DS Senior prend en charge le cycle complet, du problème business au modèle en production + le leadership technique. Maîtrise de SQL : fonctions de fenêtrage / CTE / JOIN complexes / optimisation des requêtes / lecture des plans d'exécution. Python pour la DS : patterns de performance pandas / NumPy / Polars, vectorisation, optimisation guidée par le profilage. Maîtrise des statistiques : tests d'hypothèses en profondeur, pensée bayésienne, inférence causale (DoWhy / EconML), bases de la modélisation bayésienne (PyMC). Maîtrise du ML classique : feature engineering approfondi, justification du choix de modèle, calibration, métriques alignées sur le business, maîtrise des hyperparamètres du gradient boosting (XGBoost / LightGBM / CatBoost). Maîtrise des tests A/B : analyse de puissance, tests séquentiels, correction des tests multiples, réduction de variance CUPED, gestion des effets de réseau, effets de nouveauté/primauté, expérimentations switchback pour les marketplaces, géo-expérimentations. « Trustworthy Online Controlled Experiments » de Kohavi — le livre de chevet. Deep Learning (bonus) : PyTorch pour les tâches DS en CV / NLP. DS à l'ère des LLM : prompt engineering, bases du RAG, LLM-as-judge pour l'évaluation, applications des LLM dans le workflow DS (exploration des données / données synthétiques / aide à l'annotation). Visualisation & communication : maîtrise du storytelling avec les données — transformer les résultats en décisions business pour des parties prenantes non techniques. DS dans le cloud : l'un de AWS SageMaker / GCP Vertex AI / Databricks / Snowflake en profondeur. Soft skills : gestion des parties prenantes (produit / business / ingénierie), rédaction technique (documents d'analyse, rapports post-expérimentation, notes de décision), mentorat de DS Middle, recrutement (entretiens de candidats DS), communication avec la direction. Expertise métier : compréhension approfondie d'un ou deux domaines (fintech / santé / retail / télécoms / e-commerce) — principal moteur de la prime pour Senior+. Anglais INDISPENSABLE pour Senior+ — les rôles DS sont très tournés vers les parties prenantes, et la plupart des ressources / articles / de la communauté sont en anglais.

Laisser une demande

Décrivez la tâche et laissez un contact : la demande arrive dans notre CRM et nous répondons au contact indiqué.

En envoyant, vous acceptez la politique de confidentialité.