Specjalista data science: rynek
Dane na dzień 19 listopada 2026: otwarte oferty Specjalista data science — 3112, 27% zdalnie wśród ofert z podanym trybem pracy; mediana wynagrodzenia w ofertach $11 032/mies. (z 410 ofert z podanym wynagrodzeniem). Źródło: Zorky, aktualizacja codziennie.
Data Scientist — druga co do wielkości rola ML/AI po ML Engineerze. Nacisk NIE na infrastrukturę produkcyjną, lecz na formułowanie problemów biznesowych: zrozumieć zadanie biznesowe, zaprojektować eksperyment, zbudować model/wniosek, przeprowadzić testy A/B, komunikować się z interesariuszami. Rodzina ról: Junior Data Scientist (wejście w ML — zwykle po roli analityka), Data Scientist (mid — prowadzi hipotezę produktową od analizy do modelu), Senior Data Scientist (odpowiedzialność end-to-end + współpraca z wieloma zespołami + biegłość w testach A/B), Lead Data Scientist/Principal DS (strategia DS dla obszaru produktu, rekrutacja + mentoring), Product Data Scientist (głęboki nacisk na produkt, eksperymenty wzrostowe). Stack: Python (dominuje), SQL (obowiązkowo — DS płynnie czyta SQL i pisze złożone funkcje okna + CTE), pandas+NumPy+Polars (manipulacja danymi), scikit-learn+XGBoost+LightGBM+CatBoost (klasyczne ML — podstawowy arsenał), PyTorch/TensorFlow (deep learning — atut, nieobowiązkowy w każdej roli DS), statsmodels+SciPy (statystyka), Jupyter+VS Code (development), Tableau/Looker/Power BI/Apache Superset/Metabase (wizualizacja dla interesariuszy), matplotlib+seaborn+plotly (wykresy w notebooku), MLflow/Weights & Biases (śledzenie eksperymentów), platformy testów A/B (wewnętrzne lub Statsig/Eppo/Optimizely/GrowthBook). Najczęstszy stack: python, sql, cloud, llm, aws. Wśród ofert z określonym trybem pracy 27% dotyczy pracy zdalnej.
Dane na dzień:
Najważniejsze liczby rynku Specjalista data science: otwarte oferty, mediana wynagrodzenia, obserwowana pula specjalistów i udział pracy zdalnej.
Rynek Specjalista data science ma obecnie 3112 otwartych ról, w tym świeżo zaobserwowanych: 2757. Median salary $11 032/mo.
Wśród ofert z określonym trybem pracy 27% dotyczy pracy zdalnej. Praca w DS — chmurowa hurtownia danych + Jupyter / VS Code. Outsourcerzy — prawie zawsze zdalnie. Rosyjskie banki — hybryda/biuro ze względu na bezpieczeństwo danych. Międzynarodowe firmy technologiczne — praca w pełni zdalna to standard.
⚠ wynagrodzenie znane dla 410 z 3112 ofert; udział pracy zdalnej z 2481 z podanym formatem; 2757 liczone jako świeże obserwacje; trendu i trudności rekrutacji nie pokazujemy
Oś czasu: ogłoszenia i źródła
Ile ogłoszeń Specjalista data science pojawiało się co tydzień od 1 cze i z ilu źródeł pochodziły. Dolny wykres oddziela wzrost rynku od wzrostu naszego zasięgu: skok w tygodniu, w którym podłączono nowe źródła, oznacza, że zaczęliśmy widzieć więcej, a nie że rynek urósł.
Nowe ogłoszenia tygodniowo
Dane wykresu
| Okres | Nowe ogłoszenia tygodniowo |
|---|---|
| 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 |
Aktywne źródła w tygodniu
Źródeł w całym okresie: 250. ▲ — tydzień, w którym podłączono dużo nowych źródeł.
Dane wykresu
| Okres | Aktywne źródła |
|---|---|
| 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 |
Podłączono nowe źródła: 22 cze +21 · 29 cze +35 · 6 lip +25 · 13 lip +19 · 20 lip +20 · wszystkie tygodnie (22) — w tabeli
| Tydzień | Nowe źródła | Nowe ogłoszenia |
|---|---|---|
| 8 cze | +6 | 94 |
| 15 cze | +9 | 95 |
| 22 cze | +21 | 289 |
| 29 cze | +35 | 305 |
| 6 lip | +25 | 370 |
| 13 lip | +19 | 473 |
| 20 lip | +20 | 303 |
| 27 lip | +12 | 203 |
| 3 sie | +6 | 235 |
| 10 sie | +2 | 167 |
| 24 sie | +1 | 139 |
| 31 sie | +1 | 149 |
| 7 wrz | +2 | 181 |
| 14 wrz | +3 | 226 |
| 21 wrz | +9 | 661 |
| 28 wrz | +4 | 471 |
| 5 paź | +7 | 446 |
| 12 paź | +8 | 1090 |
| 19 paź | +13 | 719 |
| 26 paź | +6 | 684 |
| 2 lis | +10 | 636 |
| 9 lis | +9 | 730 |
Bieżący tydzień jeszcze się nie skończył i nie jest pokazany: niepełny tydzień wyglądałby jak spadek.
Tydzień = data pierwszego pojawienia się ogłoszenia, wszystkie statusy; ogłoszenia wybiera ta sama reguła co licznik tej strony. Źródła to różne kanały zbierania; ich nazw nie publikujemy.
Dane wykresu
| Tydzień | Nowe ogłoszenia tygodniowo | Aktywne źródła |
|---|---|---|
| 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 |
Wynagrodzenia w czasie
Mediana wynagrodzenia Specjalista data science tygodniowo, USD miesięcznie.
Mediana wynagrodzenia, USD miesięcznie
Dane wykresu
| Okres | Mediana | Oferty z wynagrodzeniem w tygodniu (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 |
Seria zaczyna się 21 wrz: wcześniej brak danych.
Tylko ogłoszenia z wynagrodzeniem w USD i znanym okresem (miesiąc lub rok), od 500 do 50 000 $ miesięcznie. Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste — to brak danych, a nie zero.
Dane wykresu
| Tydzień | 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 |
Praca zdalna w czasie
Udział ofert Specjalista data science z pracą w pełni zdalną, tydzień po tygodniu.
Ogłoszenia zdalne, %
Dane wykresu
| Okres | Zdalnie |
|---|---|
| 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 |
Udział liczony jest wśród ogłoszeń, które podają tryb pracy (zdalnie, hybrydowo, biuro). Tygodnie, w których takich ogłoszeń jest mniej niż 10, są puste.
Dane wykresu
| Tydzień | Zdalnie |
|---|---|
| 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 |
Technologie w czasie
Jak zmieniał się udział ofert Specjalista data science, w których pojawia się każda z czołowych technologii.
Ogłoszenia wymieniające technologię, %
Dane wykresu
| Okres | 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 |
Udział wśród ogłoszeń z otagowanym stosem; seria zaczyna się 10 sie: wcześniej tagi stosu nadawano inaczej. Tygodnie z mniej niż 20 otagowanymi ogłoszeniami są puste.
Dane wykresu
| Tydzień | 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 |
Kraje w czasie
Jak zmieniał się udział ofert Specjalista data science w każdym z czołowych krajów, tydzień po tygodniu.
Ogłoszenia w kraju, %
Dane wykresu
| Okres | USA | Wielka Brytania | Polska |
|---|---|---|---|
| 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 |
Udział wśród ogłoszeń ze znanym krajem; wykres pokazuje pięć krajów z największą liczbą ogłoszeń w ciągu sześciu miesięcy. Tygodnie z mniej niż 20 ogłoszeniami ze znanym krajem są puste. Rosnący udział może oznaczać nowo podłączone źródło w tym kraju, a nie wzrost rynku.
Dane wykresu
| Tydzień | USA | Wielka Brytania | Singapur | Indie | Polska |
|---|---|---|---|---|---|
| 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 |
Czysty rynek: indeks zatrudnienia
Ten sam zestaw 7505 stron kariery pracodawców; liczba ogłoszeń pochodzi z samej strony. Podłączanie nowych źródeł nie rusza tego indeksu — pokazuje rynek, a nie nasz zasięg. To cały rynek panelu, a nie tylko Specjalista data science.
Indeks zatrudnienia, 16 paź = 100
Dane wykresu
| Okres | Indeks zatrudnienia |
|---|---|
| 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 |
Indeks łańcuchowy: każdego dnia porównujemy tylko strony odpytane zarówno tego dnia, jak i poprzedniego; wartości odstające i awarie odpytywania całej platformy są wykluczone. Dni bez porównywalnych par są puste.
Dane wykresu
| Dzień | Indeks zatrudnienia |
|---|---|
| 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 |
Ile jest otwartych ofert Specjalista data science i ilu pasujących specjalistów widzi Zorky.
Popyt i obserwowana podaż
Dane wykresu
| Wskaźnik | Wartość |
|---|---|
| Otwarty popyt | 3112 |
| Otwarty popyt | 3112 |
| Obserwowana podaż | — nie publikujemy |
Data Scientist — stabilny, drugi co do wielkości segment AI/ML po ML Engineer. Czynniki wzrostu 2026: firmy produktowe, banki, handel detaliczny, międzynarodowe startupy produktowe przez kanały zdalne.
⚠ kandydaci pasujący do oferty nie są jeszcze liczeni: pokazujemy popyt i obserwowaną pulę
Jak rozkładają się wynagrodzenia w ofertach Specjalista data science, w dolarach USA miesięcznie.
Rozkład wynagrodzeń
Dane wykresu
| Wskaźnik | Wartość |
|---|---|
| <$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 |
- nadaje się do obliczeń: 410 (13,2%)
- podano, ale nie przeliczono na USD/mies.: 572 (18,4%)
- nie podano: 2130 (68,4%)
W co dziesiątej ofercie widełki są poniżej $5166, w co dziesiątej — powyżej $17 916. Połowa ofert proponuje od $7391 do $14 888. Próba: 410.
Dane wykresu
| Wskaźnik | Dolna granica | Górna granica | Liczba |
|---|---|---|---|
| <$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 |
W jakich krajach jest najwięcej otwartych ofert Specjalista data science.
Geografia popytu
| kraj | oferty | udział |
|---|---|---|
| Stany Zjednoczone | 938 | 35,2% |
| Wielka Brytania | 277 | 10,4% |
| Singapur | 200 | 7,5% |
| Indie | 164 | 6,2% |
| Polska | 160 | 6% |
| Niemcy | 117 | 4,4% |
| Francja | 89 | 3,3% |
| Kanada | 85 | 3,2% |
| Rosja | 57 | 2,1% |
| Brazylia | 37 | 1,4% |
| Pozostałe kraje | 541 | 20,3% |
Liderem pod względem liczby ofert DS są USA (938 stanowisk). Polska — europejski hub przyjazny DS.
⚠ tylko liczba ofert: wynagrodzenia według krajów nie są publikowane
Dane wykresu
| Kraj | Oferty |
|---|---|
| US | 938 |
| GB | 277 |
| SG | 200 |
| IN | 164 |
| PL | 160 |
| DE | 117 |
| FR | 89 |
| CA | 85 |
| RU | 57 |
| BR | 37 |
Jakie technologie najczęściej są wymagane w jednej ofercie razem z Specjalista data science.
Używana razem z
Udział — ile z 3112 ofert rynku Specjalista data science wymienia tę technologię. Kolejność według liczby ofert, a nie „siły powiązania”. Ogólne pojęcia, jak cloud, to nie konkretna chmura (AWS, Azure).
Najpopularniejszy stack DS 2026: Python (monopol), biegłość w SQL, pandas + NumPy + Polars (dane), scikit-learn (klasyka), XGBoost + LightGBM + CatBoost (konie robocze gradient boostingu), statsmodels + SciPy (statystyka), Jupyter + VS Code, matplotlib + seaborn + plotly (w notebooku), Tableau / Looker / Power BI / Apache Superset / Metabase (dashboardy dla interesariuszy), MLflow / W&B (śledzenie eksperymentów), platformy testów A/B (Statsig / Eppo / Optimizely / GrowthBook), wnioskowanie przyczynowe (DoWhy / EconML — atut dla Senior), metody bayesowskie (PyMC — atut dla Senior), Prophet / NeuralProphet / statsforecast (szeregi czasowe), Hugging Face (DS świadomy LLM).
Typowe pary: Python + pandas + sklearn + XGBoost + Jupyter, SQL + Python + Tableau, LightGBM + statsmodels + scipy + matplotlib, Snowflake + dbt + Python (nowoczesny stack), Databricks + PySpark + MLflow, Pinecone / Weaviate + Hugging Face (workflow DS świadomy LLM), DoWhy + EconML + pandas (wnioskowanie przyczynowe). Roadmapa nauki: biegłość w SQL → Python + pandas → statystyka → klasyczne ML (sklearn / XGBoost) → biegłość w testach A/B → wizualizacja & storytelling → specjalizacja domenowa → wnioskowanie przyczynowe (Senior).
Dane wykresu
| Nazwa | Liczba |
|---|---|
| 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 |
Ile jest ofert Specjalista data science na każdym poziomie — od junior do principal.
Popyt według poziomu
| poziom | oferty |
|---|---|
| senior | 1055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Junior — typowo przez Data Analyst (1-2 lata) → Junior DS. Ścieżka kariery: Junior (1-2 lata) → Middle (2-3 lata) → Senior → albo Lead / Principal DS (strategia + rekrutacja), zwrot w stronę ML Engineer (ścieżka techniczna), zwrot w stronę Product Manager, albo Founder.
⚠ tylko strona popytu: poziom większości obserwowanej puli jest nieznany
Dane wykresu
| Poziom | Liczba |
|---|---|
| senior | 1055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Kto najwięcej zatrudnia w obszarze Specjalista data science i jak bardzo popyt skupia się u największych firm.
Pracodawcy
Popyt rozkłada się na 1852 pracodawców. Największy odpowiada za 2.0%, pierwsza dziesiątka za 7.3%; pozostałe 92.7% to długi ogon.
| udział | wartość |
|---|---|
| top-1 | 2.0% |
| top-3 | 4.1% |
| top-10 | 7.3% |
| długi ogon | 92.7% |
⚠ nazw nie pokazujemy: klasyfikator jeszcze nie odróżnia agencji rekrutacyjnych od pracodawców końcowych
Z jakich stron firm i portali Zorky zbiera oferty Specjalista data science.
Gdzie Zorky widzi ten rynek
Obserwowane w 120 źródłach; największe odpowiada za 16.9% — ten rynek nie opiera się na jednym kanale.
Dane wykresu
| Klasa | Nazwa | Nazwa angielska | Liczba | Udział |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS i strony kariery | 2018 | 0,6485 |
| board | джоб-борды и агрегаторы | portale pracy i agregatory | 931 | 0,2992 |
| telegram | Telegram | Telegram | 157 | 0,0504 |
| społeczność | сообщества и публичные профили | społeczność i profile publiczne | 6 | 0,0019 |
Najnowsze oferty Specjalista data science ze stron karier firm.
Najnowsze ogłoszenia
- 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
Najnowsze otwarte oferty DS — najświeższe 10 stanowisk z odpowiednią jakością opisu. Pełna lista jest w naszym CRM lub pod linkiem „zobacz wszystkie” poniżej.
Sąsiednie rynki
Data Scientist pokrywa się z Data Analyst (kierunek wejścia), ML Engineer (produkcyjne ML — wdrażanie / skalowanie), Research (nowatorska metodologia + publikacje), Product Manager (myślenie produktowe + biegłość w testach A/B). Porównanie z ml-engineer/research/mlops — na wykresie SiblingSubnichesChart powyżej.
⚠ rynki sąsiednie do porównania nie są jeszcze określone
Jak to mierzymy
- Oferta
- otwarta oferta, która przeszła kontrolę jakości i wymienia co najmniej dwie technologie
- Obserwowany kandydat
- kandydat, którego stack zawiera tę technologię; agregat — żaden pojedynczy rekord nie opuszcza perymetru
- Kandydat do dopasowania
- jeszcze nie liczone
- Okno
- oferty otwarte w chwili tworzenia snapshotu
O danych
- Część przekrojów jest ukryta: pokrycie danymi jest jeszcze niewystarczające.
- Statystyki pokazujemy tylko tam, gdzie próba przechodzi próg jakości.
- Brak bloku nie oznacza wartości zero.
Obecnie ukryte przekroje: 8.
Kierunek: AI / ML / nauka o danych
Pokrewne specjalizacje
W ramach Data Scientist: Junior DS (wejście — typowo z Analyst), Data Scientist (mid — odpowiada za hipotezę produktową), Senior DS (pełna odpowiedzialność + biegłość w testach A/B), Lead / Principal DS (strategia + rekrutacja), Product Data Scientist (głęboki nacisk produktowy + eksperymenty wzrostowe), Research DS (nowatorskie modelowanie + publikacje, często ścieżka z doktoratem). Porównanie z ml-engineer/research/mlops — na wykresie słupkowym poniżej.
Najczęściej zadawane pytania
Najczęstsze pytania o Data Scientist: wynagrodzenie, DS vs Analyst vs ML Engineer, sklearn vs PyTorch vs XGBoost — kiedy którego używać (10-etapowe drzewo decyzyjne), różnica względem Product DS, praca zdalna, jak zacząć (6-12 miesięcy od Analyst), umiejętności Senior (testy A/B + wnioskowanie przyczynowe + ekspertyza domenowa). Odpowiedzi przeliczają się automatycznie.
Ile zarabia Data Scientist Junior, Middle, Senior lub Lead?
Junior DS — najbardziej dostępne wejście do kierunku ML/AI (typowa ścieżka: Analyst 1-2 lata → Junior DS). Skok Junior → Middle — po pierwszym modelu produkcyjnym + pierwszym samodzielnym teście A/B. Middle → Senior — odpowiedzialność za wiele projektów + odpowiedzialność za wpływ biznesowy (udokumentowany wzrost przychodu / retencji / konwersji). Senior → Lead / Principal — strategia DS dla obszaru produktu + zatrudnienie 3-7 DS + mentoring. Ścieżka kariery: Data Analyst (1-2 lata) → Junior DS (1-2 lata) → Middle (2-3 lata) → Senior → albo Lead / Principal DS (głębia), zwrot w stronę ML Engineer (bardziej techniczna ścieżka), zwrot w stronę Product Manager, albo Founder.
Jakiego stacku najczęściej wymagają oferty Data Scientist?
5 najważniejszych: python, sql, cloud, llm, aws. Python — monopol (R prawie zniknął z nowych ofert 2026, pozostał w legacy ochrony zdrowia/biostatystyki). Biegłość w SQL — obowiązkowa: złożone zapytania z funkcjami okna + CTE + biegłość w JOIN + optymalizacja zapytań (DS czyta plany wykonania). Przetwarzanie danych: pandas (podstawa), NumPy (obliczenia numeryczne), Polars (nowoczesny, rosnący — 10-100× szybszy przy dużych danych), PyArrow. Klasyczne ML — główny arsenał: scikit-learn (wybór modelu / preprocessing / pipeline’y / metryki), XGBoost + LightGBM + CatBoost (gradient boosting — koń roboczy dla danych tabelarycznych), statsmodels (regresja + szeregi czasowe + testy statystyczne). Statystyka: scipy.stats, statsmodels, wnioskowanie przyczynowe (DoWhy, EconML — atut dla Senior). Wizualizacja: matplotlib + seaborn + plotly (w notebooku), Tableau / Looker / Power BI / Apache Superset / Metabase (dla interesariuszy). Testy A/B: scipy.stats / statsmodels do analizy, platformy wewnętrzne lub Statsig / Eppo / Optimizely / GrowthBook. Rozumienie analizy mocy, wyliczania wielkości próby, korekty na wielokrotne testowanie, testów sekwencyjnych. Deep Learning (atut, nieobowiązkowy): PyTorch / TensorFlow do zadań DS z CV / NLP. Śledzenie eksperymentów: MLflow lub Weights & Biases. Narzędzia BI / dashboardy: Tableau / Looker / Apache Superset / Metabase / Mode / Hex. Notebooki: Jupyter + VS Code (rynek 2026 przechodzi z czystego Jupytera na rozwiązania hybrydowe). Chmurowe środowiska DS: AWS SageMaker Studio / GCP Vertex AI Workbench / Databricks / Snowflake Snowpark. Dodatki dla Senior: wnioskowanie przyczynowe (DoWhy / EconML / CausalImpact), modelowanie uplift, modelowanie bayesowskie (PyMC / Stan), szeregi czasowe (Prophet / NeuralProphet / statsforecast).
Data Scientist vs Analyst vs ML Engineer — czym się różnią?
Data Analyst — nacisk na raportowanie + dashboardy + analizę ad-hoc. SQL + Excel + Tableau / Looker / Power BI. Mniej ML. Dobry na wejście w kierunek danych. Data Scientist (ta strona) — nacisk na formułowanie problemów biznesowych + modelowanie statystyczne + testy A/B + komunikowanie wniosków. SQL dogłębnie + Python + sklearn + XGBoost + statsmodels + wizualizacja. Robi ML, ale nie odpowiada za infrastrukturę produkcyjną (wdrażanie / serving / monitoring — to ML Engineer). ML Engineer — nacisk na produkcyjne pipeline'y ML + wdrażanie + skalowanie + infrastrukturę LLM/RAG. Stack DS + Docker / K8s + MLflow + Airflow + zarządzane ML w chmurze. Zob. ML Engineer. Ścieżka kariery: Analyst → DS Junior → DS Middle/Senior. Przejście DS ↔ ML Engineer w 3-6 miesiące (nauka MLOps + Docker / K8s + ML w chmurze). Przejście DS ↔ Product Manager w 2-4 miesięcy (DS ma już myślenie produktowe + testy A/B — trzeba dodać planowanie roadmapy + zarządzanie interesariuszami). DS → Research Engineer / Scientist — wymaga doktoratu albo 3+ lat głębokiej specjalizacji.
Sklearn vs PyTorch vs XGBoost — kiedy używać którego?
Drzewo decyzyjne wyboru narzędzi DS w 2026: 1) Dane tabelaryczne, klasyfikacja/regresja, <1M wierszy → scikit-learn (LogisticRegression / RandomForest / GradientBoosting). Pipeline'y + preprocessing — sklearn wygrywa prostotą integracji. 2) Dane tabelaryczne, >100K wierszy, krytyczna wydajność → XGBoost / LightGBM / CatBoost. Standardowy koń roboczy 2026 do zadań tabelarycznych: scoring kredytowy, przewidywanie odejść, konwersja, wykrywanie fraudów, prognozowanie popytu. LightGBM — najszybszy, XGBoost — najbardziej dojrzały ekosystem, CatBoost — najlepszy dla cech kategorycznych bez preprocessingu. 3) Szeregi czasowe → Prophet / NeuralProphet (Facebook) albo statsforecast (Nixtla — najnowocześniejsze metody klasyczne) albo podejście ML (LightGBM na szeregach czasowych z feature engineeringiem — często bije wyspecjalizowane biblioteki). 4) NLP / klasyfikacja tekstu → Hugging Face Transformers (fine-tuning małego BERT/DeBERTa/RoBERTa) albo scikit-learn TF-IDF + LogisticRegression przy <10K dokumentów (prostszy baseline). 5) Computer Vision → PyTorch + torchvision (klasyfikacja / detekcja / segmentacja obrazów). Na produkcji — vLLM / TGI. 7) Systemy rekomendacyjne → LightGBM / XGBoost na użytkownikach × produktach z feature engineeringiem (koń roboczy 2026), implicit / LightFM (klasyka collaborative filtering), głębokie recsys w PyTorch (NeuMF / Two-Tower / Transformer4Rec). 8) Wnioskowanie przyczynowe / modelowanie uplift → DoWhy / EconML / CausalML. 9) Modelowanie bayesowskie (gdy liczy się kwantyfikacja niepewności — medycyna / finanse) → PyMC / Stan / NumPyro. 10) Wykrywanie anomalii → PyOD + Isolation Forest + podejścia oparte na LightGBM.
Jaki odsetek ofert dotyczy pracy zdalnej?
Wśród ofert z określonym trybem pracy 27% dotyczy pracy zdalnej. Oferty bez określonego trybu nie wchodzą do mianownika; pracy hybrydowej nie zaliczamy do zdalnej.
Czym Product Data Scientist różni się od ogólnego DS?
Product Data Scientist — DS z dogłębnym naciskiem na produkt + odpowiedzialnością za eksperymenty wzrostowe + modelowanie retencji + analizę wpływu funkcji. Ściśle współpracuje z PM i inżynierią. Stack ten sam, ale nacisk: biegłość w testach A/B (eksperymenty wielowariantowe, testy sekwencyjne, korekta wielokrotnego testowania, analiza mocy), metryki wzrostu (DAU/MAU/krzywe retencji/analiza lejka), wnioskowanie przyczynowe dla danych obserwacyjnych. Wynagrodzenie porównywalne z Senior DS (mediana), ale w amerykańskich startupach produktowych Product DS często przewyższa ogólnego Senior DS dzięki odpowiedzialności za wpływ na biznes. Ogólny Data Scientist — może pracować w dowolnej domenie (ryzyko bankowe, popyt w handlu, jakość w produkcji). Research DS (lub po prostu „DS” w kontekście badawczym) — nacisk na nowe podejścia do modelowania + publikacje (często ścieżka doktorancka). Zob. też Research Engineer / Scientist. Wybór kariery: Product DS, jeśli interesuje cię wpływ na produkt i lubisz komunikację z interesariuszami, ogólny DS dla elastyczności domenowej, Research DS dla badań nad nowymi metodologiami. Wszystkie trzy to pełnoprawne ścieżki na poziom Senior+.
Od czego zacząć w Data Science w 2026?
Roadmapa: 1) Opanowanie SQL — obowiązkowe (funkcje okna / CTE / strategia JOIN / optymalizacja zapytań). Książka „SQL for Data Scientists” Tanimura. Kurs „Mode SQL Tutorial” (za darmo). 2) Python dla DS: opanowanie pandas + NumPy, nie tylko składni, ale i wzorców wydajności (wektoryzacja, pułapki .apply). Książka „Python for Data Analysis” McKinney. 3) Statystyka: opisowa + inferencyjna + testowanie hipotez + ANOVA + dogłębnie regresja liniowa. Kurs „Statistical Learning” Hastie / Tibshirani (StanfordOnline — za darmo). Książka „Practical Statistics for Data Scientists” Bruce. 4) Klasyczne ML: opanowanie scikit-learn (pipeline'y / walidacja krzyżowa / kompromisy metryk / kalibracja), XGBoost / LightGBM / CatBoost (koniki pociągowe gradient boostingu). Andrew Ng „Machine Learning Specialization” (Coursera) + „Introduction to Statistical Learning” Hastie (ISL — darmowy PDF). 5) Opanowanie testów A/B — analiza mocy, wielkość próby, testowanie sekwencyjne, korekta na wielokrotne testowanie, redukcja wariancji CUPED. Książki: „Trustworthy Online Controlled Experiments” Kohavi (obowiązkowa lektura), „Statistical Methods in Online A/B Testing” Georgi. 6) Wizualizacja i storytelling — matplotlib + seaborn + plotly w notebookach + Tableau / Looker / Power BI / Apache Superset dla interesariuszy. Książki: „Storytelling with Data” Knaflic, „The Visual Display of Quantitative Information” Tufte (klasyka). 7) Specjalizacja domenowa — wybierz jedną z: fintech / ochrona zdrowia / retail / telekomunikacja / e-commerce i przestudiuj wyzwania specyficzne dla domeny. 8) Bonus deep learning: podstawy PyTorch do zadań DS z CV / NLP. 9) Wnioskowanie przyczynowe (bonus dla Seniora): „The Effect” Huntington-Klein (darmowy podręcznik online), biblioteki DoWhy / EconML. 10) Projekt własny: kompletny projekt DS na Kaggle (eksploracja danych → feature engineering → wybór modelu → kalibracja → prezentacja biznesowa) + 1 projekt symulacji testu A/B. Międzynarodowe (EN): DeepLearning.AI (Andrew Ng), fast.ai, Coursera IBM Data Science Professional. Analityk → Junior DS — 6-12 miesięcy. Backend Middle → Junior DS — 8-14 miesięcy (luka w matematyce + statystyce).
Ile otwartych ofert zawiera ta próba?
Opublikowana próba zawiera 3112 otwartych ofert po połączeniu ponownych publikacji. To ta sama liczba co we wskaźniku głównym. Sekcja geograficzna opisuje zasięg próby; nie jest to szacunek całego rynku.
Jakich umiejętności potrzebuje Senior Data Scientist?
Senior DS odpowiada za pełny cykl od problemu biznesowego do modelu na produkcji + przywództwo techniczne. Biegłość w SQL: funkcje okna / CTE / złożone JOIN-y / optymalizacja zapytań / czytanie planów wykonania. Python dla DS: wzorce wydajności pandas / NumPy / Polars, wektoryzacja, optymalizacja oparta na profilowaniu. Biegłość w statystyce: dogłębne testowanie hipotez, myślenie bayesowskie, wnioskowanie przyczynowe (DoWhy / EconML), podstawy modelowania bayesowskiego (PyMC). Biegłość w klasycznym ML: dogłębny feature engineering, uzasadnianie wyboru modelu, kalibracja, metryki zgodne z biznesem, biegłość w hiperparametrach gradient boostingu (XGBoost / LightGBM / CatBoost). Biegłość w testach A/B: analiza mocy, testy sekwencyjne, korekta na wielokrotne testowanie, redukcja wariancji CUPED, obsługa efektów sieciowych, efekty nowości/pierwszeństwa, eksperymenty switchback dla marketplace'ów, eksperymenty geograficzne. „Trustworthy Online Controlled Experiments” Kohaviego — książka na biurko. Deep Learning (bonus): PyTorch do zadań DS z CV / NLP. DS świadomy LLM: prompt engineering, podstawy RAG, LLM-as-judge do ewaluacji, zastosowania LLM w workflow DS (eksploracja danych / dane syntetyczne / wsparcie etykietowania). Wizualizacja i komunikacja: biegłość w storytellingu danymi — zamiana wyników w decyzje biznesowe dla nietechnicznych interesariuszy. DS w chmurze: jedno z AWS SageMaker / GCP Vertex AI / Databricks / Snowflake dogłębnie. Kompetencje miękkie: zarządzanie interesariuszami (produkt / biznes / inżynieria), pisanie techniczne (dokumenty analiz, raporty po eksperymentach, notatki decyzyjne), mentoring DS na poziomie Middle, rekrutacja (rozmowy z kandydatami na DS), komunikacja z kierownictwem. Ekspertyza domenowa: dogłębne rozumienie jednej-dwóch domen (fintech / ochrona zdrowia / retail / telekomunikacja / e-commerce) — główny czynnik premii dla Senior+. Angielski dla Senior+ OBOWIĄZKOWO — role DS wymagają intensywnej pracy z interesariuszami, a większość materiałów / publikacji / społeczności jest po angielsku.
Zostaw zgłoszenie
Opisz zadanie i zostaw kontakt — zgłoszenie trafi do naszego CRM, a odpowiemy na podany kontakt.