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.
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
| Période | Nouvelles offres par semaine |
|---|---|
| 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 |
Sources actives par semaine
Sources sur la période : 250. ▲ — semaine où de nombreuses nouvelles sources ont été connectées.
Données du graphique
| Période | Sources actives |
|---|---|
| 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 |
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
| Semaine | Nouvelles sources | Nouvelles offres |
|---|---|---|
| 8 juin | +6 | 94 |
| 15 juin | +9 | 95 |
| 22 juin | +21 | 289 |
| 29 juin | +35 | 305 |
| 6 juil. | +25 | 370 |
| 13 juil. | +19 | 473 |
| 20 juil. | +20 | 303 |
| 27 juil. | +12 | 203 |
| 3 août | +6 | 235 |
| 10 août | +2 | 167 |
| 24 août | +1 | 139 |
| 31 août | +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 | 1 090 |
| 19 oct. | +13 | 719 |
| 26 oct. | +6 | 684 |
| 2 nov. | +10 | 636 |
| 9 nov. | +9 | 730 |
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
| Semaine | Nouvelles offres par semaine | Sources actives |
|---|---|---|
| 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 |
Les salaires dans le temps
Salaire médian Data Scientist par semaine, USD par mois.
Salaire médian, USD par mois
Données du graphique
| Période | Médiane | Offres avec salaire par semaine (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 |
La série commence le 21 sept. : aucune donnée avant.
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
| Semaine | Médiane |
|---|---|
| 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 |
Le télétravail dans le temps
Part des offres Data Scientist proposant un télétravail complet, par semaine.
Offres en télétravail, %
Données du graphique
| Période | Télétravail |
|---|---|
| 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 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
| Semaine | Télétravail |
|---|---|
| 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 |
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
| Période | 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 |
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
| Semaine | 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 |
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
| Période | États-Unis | Royaume-Uni | Pologne |
|---|---|---|---|
| 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 |
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
| Semaine | États-Unis | Royaume-Uni | Singapour | Inde | Pologne |
|---|---|---|---|---|---|
| 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 |
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
| Période | Indice de recrutement |
|---|---|
| 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 |
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
| Jour | Indice de recrutement |
|---|---|
| 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 |
Combien d'offres Data Scientist ouvertes il y a et combien de spécialistes correspondants Zorky observe.
Demande et offre observée
Données du graphique
| Indicateur | Valeur |
|---|---|
| Demande ouverte | 3 112 |
| Demande ouverte | 3 112 |
| 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
Données du graphique
| Indicateur | Valeur |
|---|---|
| <$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 |
- 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
| Indicateur | Borne inférieure | Borne supérieure | Nombre |
|---|---|---|---|
| <$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 |
Dans quels pays il y a le plus d'offres Data Scientist ouvertes.
Géographie de la demande
| pays | offres | part |
|---|---|---|
| États-Unis | 938 | 35,2% |
| Royaume-Uni | 277 | 10,4% |
| Singapour | 200 | 7,5% |
| Inde | 164 | 6,2% |
| Pologne | 160 | 6% |
| Allemagne | 117 | 4,4% |
| France | 89 | 3,3% |
| Canada | 85 | 3,2% |
| Russie | 57 | 2,1% |
| Brésil | 37 | 1,4% |
| Autres pays | 541 | 20,3% |
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
| Pays | Offres |
|---|---|
| US | 938 |
| GB | 277 |
| SG | 200 |
| IN | 164 |
| PL | 160 |
| DE | 117 |
| FR | 89 |
| CA | 85 |
| RU | 57 |
| BR | 37 |
Quelles technologies sont le plus souvent demandées dans la même offre que Data Scientist.
Utilisée avec
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
| Nom | Nombre |
|---|---|
| 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 |
Combien d'offres Data Scientist il y a à chaque niveau, de junior à principal.
Demande par niveau
| niveau | offres |
|---|---|
| senior | 1 055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
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
| Niveau | Nombre |
|---|---|
| senior | 1 055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
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.
| part | valeur |
|---|---|
| top 1 | 2.0% |
| top 3 | 4.1% |
| top 10 | 7.3% |
| longue traîne | 92.7% |
⚠ 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
| Classe | Nom | Nom anglais | Nombre | Part |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS et sites carrières | 2 018 | 0,6485 |
| board | джоб-борды и агрегаторы | job boards et agrégateurs | 931 | 0,2992 |
| telegram | Telegram | Telegram | 157 | 0,0504 |
| communauté | сообщества и публичные профили | communauté et profils publics | 6 | 0,0019 |
Les offres Data Scientist les plus récentes, issues des pages carrières des entreprises.
Postes récents
- 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
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.
Marchés voisins
Le Data Scientist recoupe le Data Analyst (direction d'entrée), le ML Engineer (ML en production — déploiement / mise à l'échelle), la recherche (méthodologie nouvelle + articles), le Product Manager (pensée produit + maîtrise des tests A/B). Comparaison avec ml-engineer/research/mlops — dans le SiblingSubnichesChart ci-dessus.
⚠ les marchés voisins de comparaison ne sont pas encore définis
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.
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.