Scienziato dei dati: mercato
Dati al 19 novembre 2026: posizioni aperte Scienziato dei dati — 3112, il 27% da remoto tra gli annunci che indicano la modalità di lavoro; retribuzione mediana negli annunci $11.032/mese (da 410 annunci con retribuzione indicata). Fonte: Zorky, aggiornato ogni giorno.
Data Scientist: il secondo ruolo ML/IA per diffusione dopo il ML Engineer. Il focus NON è sull'infrastruttura di produzione ma sulla formulazione dei problemi di business: capire il compito di business, progettare l'esperimento, costruire il modello/insight, condurre test A/B, comunicare con gli stakeholder. Famiglia di ruoli: Junior Data Scientist (ingresso nel ML: di solito dopo il ruolo di Analyst), Data Scientist (middle: segue un'ipotesi di prodotto dall'analisi al modello), Senior Data Scientist (responsabilità end-to-end + collaborazione con più team + padronanza dei test A/B), Lead Data Scientist/Principal DS (strategia DS per un'area di prodotto, assunzioni + mentoring), Product Data Scientist (forte focus sul prodotto, esperimenti di crescita). Stack: Python (dominante), SQL (obbligatorio: il DS legge SQL con scioltezza e scrive funzioni finestra complesse + CTE), pandas+NumPy+Polars (manipolazione dei dati), scikit-learn+XGBoost+LightGBM+CatBoost (ML classico: l'arsenale principale), PyTorch/TensorFlow (deep learning: un plus, non obbligatorio per ogni ruolo DS), statsmodels+SciPy (statistica), Jupyter+VS Code (sviluppo), Tableau/Looker/Power BI/Apache Superset/Metabase (visualizzazione per gli stakeholder), matplotlib+seaborn+plotly (grafici nei notebook), MLflow/Weights & Biases (tracciamento degli esperimenti), piattaforme di test A/B (interne o Statsig/Eppo/Optimizely/GrowthBook). Stack principale: python, sql, cloud, llm, aws. Tra le offerte con modalità di lavoro indicata, il 27% è da remoto.
Dati al:
I numeri chiave del mercato Scienziato dei dati: annunci aperti, retribuzione mediana, bacino di specialisti osservato e quota di remoto.
Il mercato Scienziato dei dati ha al momento 3112 ruoli aperti, di cui 2757 osservati di recente. Median salary $11.032/mo.
Tra le offerte con modalità di lavoro indicata, il 27% è da remoto. Il lavoro DS: data warehouse nel cloud + Jupyter / VS Code. Gli outsourcer: quasi sempre da remoto. Le banche russe: ibrido/in sede per la sicurezza dei dati. Le aziende tecnologiche internazionali: full remote come standard.
⚠ stipendio noto per 410 offerte su 3112; quota di lavoro da remoto da 2481 con modalità indicata; 2757 conteggiate come osservazioni recenti; tendenza e difficoltà di assunzione non sono mostrate
Cronologia: annunci e fonti
Quanti annunci Scienziato dei dati sono comparsi ogni settimana dal 1 giu e da quante fonti. Il grafico inferiore separa la crescita del mercato dalla crescita della nostra copertura: un salto nella settimana in cui sono state collegate nuove fonti significa che abbiamo iniziato a vedere di più, non che il mercato è cresciuto.
Nuovi annunci a settimana
Dati del grafico
| Periodo | Nuovi annunci a settimana |
|---|---|
| 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 |
Fonti attive a settimana
Fonti nel periodo: 250. ▲ — settimana in cui sono state collegate molte nuove fonti.
Dati del grafico
| Periodo | Fonti attive |
|---|---|
| 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 |
Nuove fonti collegate: 22 giu +21 · 29 giu +35 · 6 lug +25 · 13 lug +19 · 20 lug +20 · tutte le settimane (22) nella tabella
| Settimana | Nuove fonti | Nuovi annunci |
|---|---|---|
| 8 giu | +6 | 94 |
| 15 giu | +9 | 95 |
| 22 giu | +21 | 289 |
| 29 giu | +35 | 305 |
| 6 lug | +25 | 370 |
| 13 lug | +19 | 473 |
| 20 lug | +20 | 303 |
| 27 lug | +12 | 203 |
| 3 ago | +6 | 235 |
| 10 ago | +2 | 167 |
| 24 ago | +1 | 139 |
| 31 ago | +1 | 149 |
| 7 set | +2 | 181 |
| 14 set | +3 | 226 |
| 21 set | +9 | 661 |
| 28 set | +4 | 471 |
| 5 ott | +7 | 446 |
| 12 ott | +8 | 1090 |
| 19 ott | +13 | 719 |
| 26 ott | +6 | 684 |
| 2 nov | +10 | 636 |
| 9 nov | +9 | 730 |
La settimana corrente non è ancora finita e non è mostrata: una settimana incompleta sembrerebbe un calo.
Settimana = data di prima rilevazione dell'annuncio, tutti gli stati; gli annunci sono selezionati con la stessa regola del contatore di questa pagina. Le fonti sono canali di raccolta distinti; i loro nomi non vengono pubblicati.
Dati del grafico
| Settimana | Nuovi annunci a settimana | Fonti attive |
|---|---|---|
| 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 |
Stipendi nel tempo
Stipendio mediano Scienziato dei dati per settimana, USD al mese.
Stipendio mediano, USD al mese
Dati del grafico
| Periodo | Mediana | Annunci con stipendio per settimana (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 inizia il 21 set: prima non ci sono dati.
Solo annunci con stipendio in USD e periodo noto (mese o anno), da 500 a 50.000 $ al mese. Le settimane con meno di 10 annunci di questo tipo sono lasciate vuote: significa nessun dato, non zero.
Dati del grafico
| Settimana | 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 |
Il lavoro da remoto nel tempo
Quota di annunci Scienziato dei dati che offrono lavoro completamente da remoto, per settimana.
Annunci da remoto, %
Dati del grafico
| Periodo | Da 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 quota è calcolata tra gli annunci che indicano la modalità (remoto, ibrido, ufficio). Le settimane con meno di 10 annunci di questo tipo sono lasciate vuote.
Dati del grafico
| Settimana | Da 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 |
Tecnologie nel tempo
Come è cambiata la quota di offerte Scienziato dei dati che citano ciascuna delle tecnologie principali.
Annunci che citano la tecnologia, %
Dati del grafico
| 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 |
Quota tra gli annunci con stack taggato; la serie inizia il 10 ago: prima i tag dello stack erano assegnati diversamente. Le settimane con meno di 20 annunci taggati sono lasciate vuote.
Dati del grafico
| Settimana | 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 |
Paesi nel tempo
Come è cambiata ogni settimana la quota di offerte Scienziato dei dati in ciascuno dei paesi principali.
Annunci nel paese, %
Dati del grafico
| Periodo | USA | Regno Unito | 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 |
Quota tra gli annunci con paese noto; il grafico mostra i cinque paesi con più annunci in sei mesi. Le settimane con meno di 20 annunci con paese noto sono lasciate vuote. Una quota in crescita può indicare una fonte appena collegata in quel paese, non una crescita del mercato.
Dati del grafico
| Settimana | USA | Regno Unito | Singapore | 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 |
Mercato pulito: indice di assunzione
Gli stessi 7505 siti di lavoro dei datori di lavoro; il numero di annunci viene dal sito stesso. Collegare nuove fonti non muove questo indice: mostra il mercato, non la nostra copertura. È l'intero mercato del panel, non solo Scienziato dei dati.
Indice delle assunzioni, 16 ott = 100
Dati del grafico
| Periodo | Indice delle assunzioni |
|---|---|
| 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 a catena: ogni giorno confronta solo i siti interrogati sia quel giorno sia il precedente; valori anomali e interruzioni di interrogazione di un'intera piattaforma sono esclusi. I giorni senza coppie confrontabili sono lasciati vuoti.
Dati del grafico
| Giorno | Indice delle assunzioni |
|---|---|
| 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 |
Quanti annunci Scienziato dei dati aperti ci sono e quanti specialisti adatti osserva Zorky.
Domanda e offerta osservata
Dati del grafico
| Indicatore | Valore |
|---|---|
| Domanda aperta | 3112 |
| Domanda aperta | 3112 |
| Offerta osservata | — non pubblicato |
Data Scientist: il secondo segmento AI/ML per dimensione, stabile, dopo l'ML Engineer. Fattori di crescita 2026: aziende di prodotto, banche, retail, startup di prodotto internazionali tramite canali da remoto.
⚠ i candidati adatti a un'offerta non sono ancora conteggiati: sono mostrate la domanda e la banca dati osservata
Come si distribuiscono le retribuzioni negli annunci Scienziato dei dati, in dollari USA al mese.
Distribuzione degli stipendi
Dati del grafico
| Indicatore | Valore |
|---|---|
| <$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 |
- utilizzabile per il calcolo: 410 (13,2%)
- indicato ma non convertito in USD/mese: 572 (18,4%)
- non indicato: 2130 (68,4%)
Un annuncio su dieci offre meno di $5166, uno su dieci più di $17.916. La metà degli annunci offre tra $7391 e $14.888. Campione: 410.
Dati del grafico
| Indicatore | Limite inferiore | Limite superiore | Numero |
|---|---|---|---|
| <$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 |
In quali paesi ci sono più annunci Scienziato dei dati aperti.
Geografia della domanda
| paese | offerte | quota |
|---|---|---|
| Stati Uniti | 938 | 35,2% |
| Regno Unito | 277 | 10,4% |
| Singapore | 200 | 7,5% |
| India | 164 | 6,2% |
| Polonia | 160 | 6% |
| Germania | 117 | 4,4% |
| Francia | 89 | 3,3% |
| Canada | 85 | 3,2% |
| Russia | 57 | 2,1% |
| Brasile | 37 | 1,4% |
| Altri paesi | 541 | 20,3% |
Il leader per numero di offerte DS sono gli Stati Uniti (938 posizioni). La Polonia è un hub UE favorevole ai DS.
⚠ solo numero di offerte: lo stipendio per paese non è pubblicato
Dati del grafico
| Paese | Offerte |
|---|---|
| US | 938 |
| GB | 277 |
| SG | 200 |
| IN | 164 |
| PL | 160 |
| DE | 117 |
| FR | 89 |
| CA | 85 |
| RU | 57 |
| BR | 37 |
Quali tecnologie sono richieste più spesso nello stesso annuncio di Scienziato dei dati.
Si usa insieme a
Quota: quanti dei 3112 annunci del mercato Scienziato dei dati citano questa tecnologia. Ordinato per numero di annunci, non per «forza dell’associazione». Termini generici come cloud non indicano un cloud specifico (AWS, Azure).
Stack principale DS 2026: Python (monopolio), padronanza di SQL, pandas + NumPy + Polars (dati), scikit-learn (classico), XGBoost + LightGBM + CatBoost (i cavalli da tiro del gradient boosting), statsmodels + SciPy (statistica), Jupyter + VS Code, matplotlib + seaborn + plotly (nel notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (dashboard per gli stakeholder), MLflow / W&B (tracciamento degli esperimenti), piattaforme di test A/B (Statsig / Eppo / Optimizely / GrowthBook), inferenza causale (DoWhy / EconML: bonus da Senior), bayesiano (PyMC: bonus da Senior), Prophet / NeuralProphet / statsforecast (serie temporali), Hugging Face (DS consapevole degli LLM).
Coppie comuni: Python + pandas + sklearn + XGBoost + Jupyter, SQL + Python + Tableau, LightGBM + statsmodels + scipy + matplotlib, Snowflake + dbt + Python (stack moderno), Databricks + PySpark + MLflow, Pinecone / Weaviate + Hugging Face (flusso di lavoro DS orientato agli LLM), DoWhy + EconML + pandas (inferenza causale). Roadmap di apprendimento: padronanza di SQL → Python + pandas → statistica → ML classico (sklearn / XGBoost) → padronanza dei test A/B → visualizzazione & storytelling → specializzazione di dominio → inferenza causale (Senior).
Dati del grafico
| Nome | Numero |
|---|---|
| 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 |
Quanti annunci Scienziato dei dati ci sono per ogni livello, da junior a principal.
Domanda per livello
| livello | offerte |
|---|---|
| senior | 1055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Junior: tipicamente da Data Analyst (1-2 anni) → Junior DS. Percorso di carriera: Junior (1-2 anni) → Middle (2-3 anni) → Senior → oppure Lead / Principal DS (strategia + assunzioni), passaggio a ML Engineer (percorso tecnico), passaggio a Product Manager, o Founder.
⚠ solo lato domanda: il livello della banca dati osservata è ignoto per la maggior parte
Dati del grafico
| Livello | Numero |
|---|---|
| senior | 1055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Chi assume di più per Scienziato dei dati e quanto la domanda è concentrata nelle aziende più grandi.
Datori di lavoro
La domanda è distribuita tra 1852 datori di lavoro. Il maggiore ne concentra il 2.0%, i primi dieci il 7.3%; il restante 92.7% è coda lunga.
| quota | valore |
|---|---|
| top-1 | 2.0% |
| top-3 | 4.1% |
| top-10 | 7.3% |
| coda lunga | 92.7% |
⚠ i nomi non sono mostrati: il classificatore non distingue ancora le agenzie di selezione dai datori di lavoro finali
Da quali siti aziendali e portali di lavoro Zorky raccoglie gli annunci Scienziato dei dati.
Dove Zorky vede questo mercato
Osservato su 120 fonti; la maggiore ne concentra il 16.9%: questo mercato non dipende da un solo canale.
Dati del grafico
| Classe | Nome | Nome inglese | Numero | Quota |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS e siti carriere | 2018 | 0,6485 |
| board | джоб-борды и агрегаторы | portali di lavoro e aggregatori | 931 | 0,2992 |
| telegram | Telegram | Telegram | 157 | 0,0504 |
| community | сообщества и публичные профили | community e profili pubblici | 6 | 0,0019 |
Gli annunci Scienziato dei dati più recenti dalle pagine carriere delle aziende.
Posizioni recenti
- 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
Le ultime offerte DS aperte: le 10 posizioni più recenti con una qualità della descrizione adeguata. L'elenco completo è nel nostro CRM o tramite il link «vedi tutte» qui sotto.
Mercati adiacenti
Il Data Scientist si sovrappone a Data Analyst (direzione di ingresso), ML Engineer (ML in produzione: deploy / scalabilità), Research (nuove metodologie + paper), Product Manager (pensiero di prodotto + padronanza dei test A/B). Confronto con ml-engineer/research/mlops nel SiblingSubnichesChart qui sopra.
⚠ i mercati adiacenti per il confronto non sono ancora definiti
Come si misura
- Posizione
- un'offerta aperta che ha superato il controllo di qualità e indica almeno due tecnologie
- Candidato osservato
- un candidato il cui stack contiene questa tecnologia; un dato aggregato: nessun singolo record esce dal perimetro
- Candidato abbinabile
- non ancora conteggiato
- Finestra
- offerte aperte nel momento in cui è stato creato lo snapshot
Sui dati
- Alcuni dettagli sono nascosti: la loro copertura di dati non è ancora sufficiente.
- Le statistiche vengono mostrate solo dove il campione supera un controllo di qualità.
- L'assenza di un blocco non significa che il valore sia zero.
Dettagli attualmente nascosti: 8.
Area: IA / ML / Data Science
Specializzazioni correlate
All'interno di Data Scientist: Junior DS (ingresso: tipicamente da Analyst), Data Scientist (mid: responsabile di ipotesi di prodotto), Senior DS (responsabilità end-to-end + padronanza degli A/B test), Lead / Principal DS (strategia + assunzioni), Product Data Scientist (focus profondo sul prodotto + esperimenti di crescita), Research DS (modellazione innovativa + paper, spesso percorso PhD). Confronto con ml-engineer/research/mlops nella barra qui sotto.
Domande frequenti
Le domande più frequenti su Data Scientist: retribuzione, DS vs Analyst vs ML Engineer, sklearn vs PyTorch vs XGBoost: quando usare quale (albero decisionale in 10 passi), differenza del Product DS, remoto, come iniziare (6-12 mesi da Analyst), competenze da Senior (test A/B + inferenza causale + competenza di dominio). Le risposte si ricalcolano automaticamente.
Quanto guadagna un Data Scientist Junior, Middle, Senior o Lead?
Junior DS è l'ingresso più accessibile nella direzione ML/AI (percorso tipico: Analyst per 1-2 anni → Junior DS). Il salto Junior → Middle: dopo il primo modello in produzione + il primo A/B test autonomo. Middle → Senior: responsabilità multi-progetto + responsabilità dell'impatto sul business (aumento documentato di ricavi / retention / conversione). Senior → Lead / Principal: strategia DS per un'area di prodotto + assunzione di 3-7 DS + mentoring. Percorso di carriera: Data Analyst (1-2 anni) → Junior DS (1-2 anni) → Middle (2-3 anni) → Senior → oppure Lead / Principal DS (in profondità), passaggio a ML Engineer (percorso più tecnico), passaggio a Product Manager, o Founder.
Quale stack viene richiesto più spesso per Data Scientist?
I principali nel 5: python, sql, cloud, llm, aws. Python: monopolio (R è quasi scomparso dalle nuove offerte del 2026, resta nel legacy di sanità/biostatistica). Padronanza di SQL: obbligatoria: query complesse con window function + CTE + padronanza dei JOIN + ottimizzazione delle query (il DS legge i piani di esecuzione). Manipolazione dei dati: pandas (nucleo), NumPy (calcolo numerico), Polars (moderno, in crescita: 10-100× più veloce sui big data), PyArrow. ML classico: l'arsenale principale: scikit-learn (selezione dei modelli / preprocessing / pipeline / metriche), XGBoost + LightGBM + CatBoost (gradient boosting: il cavallo da tiro per i dati tabellari), statsmodels (regressione + serie temporali + test statistici). Statistica: scipy.stats, statsmodels, inferenza causale (DoWhy, EconML: bonus da Senior). Visualizzazione: matplotlib + seaborn + plotly (nel notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (per gli stakeholder). Test A/B: scipy.stats / statsmodels per l'analisi, piattaforme interne o Statsig / Eppo / Optimizely / GrowthBook. Comprensione di power analysis, calcolo della dimensione del campione, correzione per test multipli, test sequenziali. Deep learning (bonus, non obbligatorio): PyTorch / TensorFlow per i compiti DS di CV / NLP. Tracciamento degli esperimenti: MLflow o Weights & Biases. Strumenti BI / dashboard: Tableau / Looker / Apache Superset / Metabase / Mode / Hex. Notebook: Jupyter + VS Code (il mercato del 2026 sta passando da Jupyter puro a soluzioni ibride). Workbench DS nel cloud: AWS SageMaker Studio / GCP Vertex AI Workbench / Databricks / Snowflake Snowpark. Extra da Senior: inferenza causale (DoWhy / EconML / CausalImpact), uplift modelling, modellazione bayesiana (PyMC / Stan), serie temporali (Prophet / NeuralProphet / statsforecast).
Data Scientist vs Analyst vs ML Engineer: qual è la differenza?
Data Analyst: focus su reportistica + dashboard + analisi ad hoc. SQL + Excel + Tableau / Looker / Power BI. Meno orientato al ML. Adatto come ingresso nell'area dei dati. Data Scientist (questa pagina): focus sulla formulazione dei problemi di business + modellazione statistica + test A/B + comunicazione degli insight. SQL a fondo + Python + sklearn + XGBoost + statsmodels + visualizzazione. Fa ML, ma non è responsabile dell'infrastruttura di produzione (deployment / serving / monitoraggio: quello è compito del ML Engineer). ML Engineer: focus su pipeline ML in produzione + deployment + scalabilità + infrastruttura LLM/RAG. Stack DS + Docker / K8s + MLflow + Airflow + ML gestito nel cloud. Vedi ML Engineer. Percorso di carriera: Analyst → DS Junior → DS Middle/Senior. Passaggio DS ↔ ML Engineer in 3-6 mesi (impara MLOps + Docker / K8s + ML nel cloud). Passaggio DS ↔ Product Manager in 2-4 mesi (il DS ha già il pensiero di prodotto + i test A/B: aggiungi la pianificazione della roadmap + la gestione degli stakeholder). DS → Research Engineer / Scientist: richiede un dottorato o 3+ anni di specializzazione approfondita.
Sklearn vs PyTorch vs XGBoost: quando usare quale?
Albero decisionale per scegliere gli strumenti DS nel 2026: 1) Dati tabellari, classificazione/regressione, <1M righe → scikit-learn (LogisticRegression / RandomForest / GradientBoosting). Pipeline + pre-elaborazione: sklearn vince per la semplicità d'integrazione. 2) Dati tabellari, >100K righe, prestazioni critiche → XGBoost / LightGBM / CatBoost. Il cavallo da lavoro standard 2026 per i compiti tabellari: credit scoring, previsione del churn, conversione, rilevamento delle frodi, previsione della domanda. LightGBM: il più veloce, XGBoost: l'ecosistema più maturo, CatBoost: il migliore per le feature categoriche senza pre-elaborazione. 3) Serie temporali → Prophet / NeuralProphet (Facebook) o statsforecast (Nixtla: lo stato dell'arte classico) o un approccio ML (LightGBM su serie temporali con feature engineering: spesso batte le librerie specializzate). 4) NLP / classificazione del testo → Hugging Face Transformers (fine-tuning di piccoli BERT/DeBERTa/RoBERTa) o scikit-learn TF-IDF + LogisticRegression se <10K documenti (baseline più semplice). 5) Computer Vision → PyTorch + torchvision (classificazione / rilevamento / segmentazione delle immagini). Per la produzione: vLLM / TGI. 7) Sistemi di raccomandazione → LightGBM / XGBoost su utenti × articoli con feature engineering (il cavallo da lavoro 2026), implicit / LightFM (classici del collaborative filtering), recsys deep con PyTorch (NeuMF / Two-Tower / Transformer4Rec). 8) Inferenza causale / uplift modelling → DoWhy / EconML / CausalML. 9) Modellazione bayesiana (quando conta la quantificazione dell'incertezza: medicina / finanza) → PyMC / Stan / NumPyro. 10) Rilevamento delle anomalie → PyOD + Isolation Forest + approcci basati su LightGBM.
Quale percentuale delle offerte prevede lavoro da remoto?
Tra le offerte con modalità di lavoro indicata, il 27% è da remoto. Le offerte senza modalità indicata sono escluse dal denominatore; il lavoro ibrido non viene conteggiato come remoto.
Che differenza c'è tra Product Data Scientist e il DS generalista?
Product Data Scientist: un DS con un forte focus sul prodotto + responsabilità degli esperimenti di crescita + modellazione della retention + analisi dell'impatto delle funzionalità. Lavora a stretto contatto con PM e ingegneria. Lo stack è lo stesso, ma il focus è: padronanza dei test A/B (esperimenti multivariati, test sequenziali, correzione per test multipli, analisi della potenza), metriche di crescita (DAU/MAU/curve di retention/analisi dei funnel), inferenza causale su dati osservazionali. Retribuzione paragonabile a un Senior DS (mediana), ma nelle startup di prodotto USA il Product DS supera spesso il Senior DS generico grazie alla responsabilità sull'impatto di business. Data Scientist generico: può lavorare in qualsiasi dominio (rischio bancario, domanda nel retail, qualità nella produzione). Research DS (o semplicemente «DS» in un contesto di ricerca): focus su nuovi approcci di modellazione + paper (spesso percorso da PhD). Vedi anche Research Engineer / Scientist. Scelta di carriera: Product DS se ti interessa l'impatto sul prodotto e ti piace comunicare con gli stakeholder, DS generico per la flessibilità di dominio, Research DS per la ricerca di nuove metodologie. Tutti e tre sono percorsi Senior+ legittimi.
Da dove iniziare con Data Science nel 2026?
Roadmap: 1) Padronanza di SQL: indispensabile (window function / CTE / strategia dei JOIN / ottimizzazione delle query). Libro "SQL for Data Scientists" di Tanimura. Corso "Mode SQL Tutorial" (gratuito). 2) Python per la DS: padronanza di pandas + NumPy, non solo la sintassi ma i pattern di prestazione (vettorizzazione, trappole di .apply). Libro "Python for Data Analysis" di McKinney. 3) Statistica: descrittiva + inferenziale + test d'ipotesi + ANOVA + regressione lineare a fondo. Corso "Statistical Learning" di Hastie / Tibshirani (StanfordOnline: gratuito). Libro "Practical Statistics for Data Scientists" di Bruce. 4) ML classico: padronanza di scikit-learn (pipeline / cross-validation / compromessi tra metriche / calibrazione), XGBoost / LightGBM / CatBoost (i cavalli da tiro del gradient boosting). Andrew Ng "Machine Learning Specialization" (Coursera) + "Introduction to Statistical Learning" di Hastie (ISL: PDF gratuito). 5) Padronanza degli A/B test: power analysis, dimensione del campione, test sequenziali, correzione per test multipli, riduzione della varianza con CUPED. Libri: "Trustworthy Online Controlled Experiments" di Kohavi (da leggere assolutamente), "Statistical Methods in Online A/B Testing" di Georgi. 6) Visualizzazione & storytelling: matplotlib + seaborn + plotly per i notebook + Tableau / Looker / Power BI / Apache Superset per gli stakeholder. Libri: "Storytelling with Data" di Knaflic, "The Visual Display of Quantitative Information" di Tufte (classico). 7) Specializzazione di dominio: scegli tra fintech / sanità / retail / telco / e-commerce e studia le sfide specifiche del dominio. 8) Bonus di deep learning: basi di PyTorch per i compiti DS di CV / NLP. 9) Inferenza causale (bonus da Senior): "The Effect" di Huntington-Klein (manuale online gratuito), librerie DoWhy / EconML. 10) Progetto personale: progetto DS end-to-end su Kaggle (esplorazione dei dati → feature engineering → scelta del modello → calibrazione → presentazione al business) + 1 progetto di simulazione di A/B test. Internazionale (EN): DeepLearning.AI (Andrew Ng), fast.ai, Coursera IBM Data Science Professional. Analista → Junior DS: 6-12 mesi. Backend Middle → Junior DS: 8-14 mesi (lacuna in matematica + statistica).
Quante posizioni aperte contiene questo campione?
Il campione pubblicato contiene 3112 posizioni aperte dopo aver raggruppato le ripubblicazioni. È lo stesso numero dell’indicatore principale. La sezione geografica descrive la copertura del campione; non è una stima dell’intero mercato.
Quali competenze servono a un Senior Data Scientist?
Un Senior DS gestisce l'intero ciclo, dal problema di business al modello in produzione + leadership tecnica. Padronanza di SQL: window function / CTE / JOIN complessi / ottimizzazione delle query / lettura dei piani di esecuzione. Python per la DS: pattern di prestazioni con pandas / NumPy / Polars, vettorizzazione, ottimizzazione guidata dal profiling. Padronanza della statistica: verifica delle ipotesi in profondità, pensiero bayesiano, inferenza causale (DoWhy / EconML), basi di modellazione bayesiana (PyMC). Padronanza del ML classico: feature engineering approfondito, motivazione nella scelta dei modelli, calibrazione, metriche allineate al business, padronanza degli iperparametri del gradient boosting (XGBoost / LightGBM / CatBoost). Padronanza dei test A/B: power analysis, test sequenziali, correzione per test multipli, riduzione della varianza con CUPED, gestione degli effetti di rete, effetti novelty/primacy, esperimenti switchback per i marketplace, geo-esperimenti. «Trustworthy Online Controlled Experiments» di Kohavi: il libro da tenere sulla scrivania. Deep Learning (bonus): PyTorch per task DS di CV / NLP. DS consapevole degli LLM: prompt engineering, basi di RAG, LLM-as-judge per la valutazione, applicazioni degli LLM nel workflow DS (esplorazione dei dati / dati sintetici / assistenza all'etichettatura). Visualizzazione & comunicazione: padronanza dello storytelling con i dati: trasformare i risultati in decisioni di business per stakeholder non tecnici. DS nel cloud: uno tra AWS SageMaker / GCP Vertex AI / Databricks / Snowflake a fondo. Soft skill: gestione degli stakeholder (prodotto / business / ingegneria), scrittura tecnica (documenti di analisi, report post-esperimento, memo decisionali), mentoring dei DS Middle, selezione (colloqui con i candidati DS), comunicazione con i dirigenti. Competenza di dominio: comprensione profonda di uno-due domini (fintech / sanità / retail / telecomunicazioni / e-commerce): il principale fattore di premio per Senior+. Inglese OBBLIGATORIO per Senior+: i ruoli DS sono molto a contatto con gli stakeholder, e la maggior parte di materiali / paper / community è in inglese.
Lascia una richiesta
Descrivi l'attività e lascia un contatto: la richiesta arriva nel nostro CRM e rispondiamo al contatto che indichi.