Używamy techniczne pliki cookie i zanonimizowany dziennik wizyt Zorky. Yandex Metrica (dane są przechowywane na serwerach w Rosji) działa tylko za Twoją zgodą. Nigdy nie sprzedajemy danych. Więcej o cookies i statystykach.
Zorky działa w trybie testowym — wszystko jest bezpłatne. Oferty i strony firm są dostępne dla wszystkich; linki do ogłoszeń i osobiste zestawienie ofert — po rejestracji. Zarejestruj się →

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.

3112
otwarte oferty — według nazwy stanowiska, reposty scalone
$11 032
mediana $/mies.
27%
zdalnie

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
Nowe ogłoszenia tygodniowo. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresNowe ogłoszenia tygodniowo
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

Aktywne źródła w tygodniu

Źródeł w całym okresie: 250. ▲ — tydzień, w którym podłączono dużo nowych źródeł.

Dane wykresu
Aktywne źródła w tygodniu. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresAktywne źródła
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
Podłączono nowe źródła: 22 cze +21 · 29 cze +35 · 6 lip +25 · 13 lip +19 · 20 lip +20 · wszystkie tygodnie (22) — w tabeli
TydzieńNowe źródłaNowe ogłoszenia
8 cze+694
15 cze+995
22 cze+21289
29 cze+35305
6 lip+25370
13 lip+19473
20 lip+20303
27 lip+12203
3 sie+6235
10 sie+2167
24 sie+1139
31 sie+1149
7 wrz+2181
14 wrz+3226
21 wrz+9661
28 wrz+4471
5 paź+7446
12 paź+81090
19 paź+13719
26 paź+6684
2 lis+10636
9 lis+9730

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
Oś czasu: ogłoszenia i źródła — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńNowe ogłoszenia tygodniowoAktywne źródła
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

Wynagrodzenia w czasie

Mediana wynagrodzenia Specjalista data science tygodniowo, USD miesięcznie.

Mediana wynagrodzenia, USD miesięcznie

Dane wykresu
Mediana wynagrodzenia, USD miesięcznie. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresMedianaOferty z wynagrodzeniem w tygodniu (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

Seria zaczyna się 21 wrz: wcześniej brak danych.

Oferty z wynagrodzeniem w tygodniu (n)

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
Wynagrodzenia w czasie — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńMediana
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

Praca zdalna w czasie

Udział ofert Specjalista data science z pracą w pełni zdalną, tydzień po tygodniu.

Ogłoszenia zdalne, %

Dane wykresu
Ogłoszenia zdalne, %. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresZdalnie
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

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
Praca zdalna w czasie — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńZdalnie
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

Technologie w czasie

Jak zmieniał się udział ofert Specjalista data science, w których pojawia się każda z czołowych technologii.

Ogłoszenia wymieniające technologię, %

Dane wykresu
Ogłoszenia wymieniające technologię, %. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresPythonSQLcloud
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
Na wykresie do 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
Technologie w czasie — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńPythonSQLcloudllmAWS
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

Kraje w czasie

Jak zmieniał się udział ofert Specjalista data science w każdym z czołowych krajów, tydzień po tygodniu.

Ogłoszenia w kraju, %

Dane wykresu
Ogłoszenia w kraju, %. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresUSAWielka BrytaniaPolska
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
Na wykresie do 5:

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
Kraje w czasie — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
TydzieńUSAWielka BrytaniaSingapurIndiePolska
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

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
Indeks zatrudnienia, 16 paź = 100. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
OkresIndeks zatrudnienia
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

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
Czysty rynek: indeks zatrudnienia — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
DzieńIndeks zatrudnienia
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

Ile jest otwartych ofert Specjalista data science i ilu pasujących specjalistów widzi Zorky.

Popyt i obserwowana podaż

Dane wykresu
Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
WskaźnikWartość
Otwarty popyt3112
Otwarty popyt3112
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

P25 $7391 · P50 $11 032 · P75 $14 888
Dane wykresu
Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
WskaźnikWartość
<$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
Wynagrodzenie w ofertach: baza 3112
  • 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
Rozkład wynagrodzeń — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
WskaźnikDolna granicaGórna granicaLiczba
<$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

W jakich krajach jest najwięcej otwartych ofert Specjalista data science.

Geografia popytu

krajofertyudział
Stany Zjednoczone93835,2%
Wielka Brytania27710,4%
Singapur2007,5%
Indie1646,2%
Polska1606%
Niemcy1174,4%
Francja893,3%
Kanada853,2%
Rosja572,1%
Brazylia371,4%
Pozostałe kraje54120,3%

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
Geografia popytu — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
KrajOferty
US938
GB277
SG200
IN164
PL160
DE117
FR89
CA85
RU57
BR37

Jakie technologie najczęściej są wymagane w jednej ofercie razem z Specjalista data science.

Używana razem z

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%

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
Używana razem z — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
NazwaLiczba
python1626
sql1148
cloud712
llm471
aws451
azure317
databricks289
pandas276
pytorch268
scikit-learn254
mlops242
spark229

Ile jest ofert Specjalista data science na każdym poziomie — od junior do principal.

Popyt według poziomu

poziomoferty
senior1055
principal279
lead170
junior157
middle151

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
Popyt według poziomu — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
PoziomLiczba
senior1055
principal279
lead170
junior157
middle151

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.

największy 2%2.–3. 2,1%4.–10. 3,3%pozostali 92,7%
udziałwartość
top-12.0%
top-34.1%
top-107.3%
długi ogon92.7%

⚠ 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
Gdzie Zorky widzi ten rynek — Specjalista data science. Tabela danych sekcji. Brak wartości nie oznacza zera; jednostki i próbę podano w opisie wskaźnika.
KlasaNazwaNazwa angielskaLiczbaUdział
atsATS и карьерные сайтыATS i strony kariery20180,6485
boardджоб-борды и агрегаторыportale pracy i agregatory9310,2992
telegramTelegramTelegram1570,0504
społecznośćсообщества и публичные профилиspołeczność i profile publiczne60,0019

Najnowsze oferty Specjalista data science ze stron karier firm.

Najnowsze ogłoszenia

Wszystkie oferty →

Najnowsze otwarte oferty DS — najświeższe 10 stanowisk z odpowiednią jakością opisu. Pełna lista jest w naszym CRM lub pod linkiem „zobacz wszystkie” poniżej.

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.

Inżynier AI / LLMWizja komputerowaInżynier MLMLOpsInżynier NLPInżynier badawczy

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.

Wysyłając, akceptujesz: polityka prywatności.