Usiamo cookie tecnici e il registro anonimo delle visite di Zorky. Yandex Metrica (dati conservati su server in Russia) funziona solo con il tuo consenso. Non vendiamo mai dati. Ulteriori informazioni su cookie e statistiche.
Zorky è in modalità test: è tutto gratuito. Le offerte e le pagine delle aziende sono aperte a tutti; i link agli annunci e la tua selezione personale si aprono dopo la registrazione. Registrati →

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.

3112
offerte aperte — per titolo dell'offerta, ripubblicazioni unite
$11.032
mediana $/mese
27%
da 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
Nuovi annunci a settimana. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoNuovi annunci a settimana
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
2026-10-121090
2026-10-19719
2026-10-26684
2026-11-02636
2026-11-09730

Fonti attive a settimana

Fonti nel periodo: 250. ▲ — settimana in cui sono state collegate molte nuove fonti.

Dati del grafico
Fonti attive a settimana. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoFonti attive
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
Nuove fonti collegate: 22 giu +21 · 29 giu +35 · 6 lug +25 · 13 lug +19 · 20 lug +20 · tutte le settimane (22) nella tabella
SettimanaNuove fontiNuovi annunci
8 giu+694
15 giu+995
22 giu+21289
29 giu+35305
6 lug+25370
13 lug+19473
20 lug+20303
27 lug+12203
3 ago+6235
10 ago+2167
24 ago+1139
31 ago+1149
7 set+2181
14 set+3226
21 set+9661
28 set+4471
5 ott+7446
12 ott+81090
19 ott+13719
26 ott+6684
2 nov+10636
9 nov+9730

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
Cronologia: annunci e fonti — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaNuovi annunci a settimanaFonti attive
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
2026-10-12109065
2026-10-1971982
2026-10-2668470
2026-11-0263679
2026-11-0973085

Stipendi nel tempo

Stipendio mediano Scienziato dei dati per settimana, USD al mese.

Stipendio mediano, USD al mese

Dati del grafico
Stipendio mediano, USD al mese. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoMedianaAnnunci con stipendio per settimana (n)
2026-09-2112.16213
2026-09-28862528
2026-10-05858339
2026-10-1211.58360
2026-10-198875111
2026-10-268940112
2026-11-0210.545118
2026-11-0910.417127

La serie inizia il 21 set: prima non ci sono dati.

Annunci con stipendio per settimana (n)

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
Stipendi nel tempo — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaMediana
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
2026-09-288625
2026-10-058583
2026-10-1211.583
2026-10-198875
2026-10-268940
2026-11-0210.545
2026-11-0910.417

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
Annunci da remoto, %. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoDa remoto
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 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
Il lavoro da remoto nel tempo — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaDa remoto
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

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
Annunci che citano la tecnologia, %. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoPythonSQLcloud
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
Fino a 5 nel grafico:

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
Tecnologie nel tempo — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaPythonSQLcloudllmAWS
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

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
Annunci nel paese, %. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoUSARegno UnitoPolonia
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
Fino a 5 nel grafico:

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
Paesi nel tempo — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaUSARegno UnitoSingaporeIndiaPolonia
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

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
Indice delle assunzioni, 16 ott = 100. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoIndice delle assunzioni
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 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
Mercato pulito: indice di assunzione — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
GiornoIndice delle assunzioni
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

Quanti annunci Scienziato dei dati aperti ci sono e quanti specialisti adatti osserva Zorky.

Domanda e offerta osservata

Dati del grafico
Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
IndicatoreValore
Domanda aperta3112
Domanda aperta3112
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

P25 $7391 · P50 $11.032 · P75 $14.888
Dati del grafico
Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
IndicatoreValore
<$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
Stipendio negli annunci: base 3112
  • 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
Distribuzione degli stipendi — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
IndicatoreLimite inferioreLimite superioreNumero
<$1k010002
$1–2k100020004
$2–3k200030007
$3–4k3000400011
$4–5k4000500015
$5–6k5000600025
$6–7k6000700022
$7–8k7000800039
$8–9k8000900023
$9–10k900010.00026
$10–12k10.00012.00054
$12–15k12.00015.00082
$15–20k15.00020.00088
$20k+20.000—12

In quali paesi ci sono più annunci Scienziato dei dati aperti.

Geografia della domanda

paeseoffertequota
Stati Uniti93835,2%
Regno Unito27710,4%
Singapore2007,5%
India1646,2%
Polonia1606%
Germania1174,4%
Francia893,3%
Canada853,2%
Russia572,1%
Brasile371,4%
Altri paesi54120,3%

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
Geografia della domanda — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PaeseOfferte
US938
GB277
SG200
IN164
PL160
DE117
FR89
CA85
RU57
BR37

Quali tecnologie sono richieste più spesso nello stesso annuncio di Scienziato dei dati.

Si usa insieme a

python
162652,2%
sql
114836,9%
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%

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
Si usa insieme a — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
NomeNumero
python1626
sql1148
cloud712
llm471
aws451
azure317
databricks289
pandas276
pytorch268
scikit-learn254
mlops242
spark229

Quanti annunci Scienziato dei dati ci sono per ogni livello, da junior a principal.

Domanda per livello

livelloofferte
senior1055
principal279
lead170
junior157
middle151

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
Domanda per livello — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
LivelloNumero
senior1055
principal279
lead170
junior157
middle151

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.

il più grande 2%2°–3° 2,1%4°–10° 3,3%gli altri 92,7%
quotavalore
top-12.0%
top-34.1%
top-107.3%
coda lunga92.7%

⚠ 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
Dove Zorky vede questo mercato — Scienziato dei dati. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
ClasseNomeNome ingleseNumeroQuota
atsATS и карьерные сайтыATS e siti carriere20180,6485
boardджоб-борды и агрегаторыportali di lavoro e aggregatori9310,2992
telegramTelegramTelegram1570,0504
communityсообщества и публичные профилиcommunity e profili pubblici60,0019

Gli annunci Scienziato dei dati più recenti dalle pagine carriere delle aziende.

Posizioni recenti

Tutte le offerte →

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.

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.

Ingegnere IA / LLMVisione artificialeIngegnere MLMLOpsIngegnere di elaborazione del linguaggio naturaleIngegnere di ricerca

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.

Inviando, accetti la informativa sulla privacy.