Usamos cookies técnicos e o registro de visitas anonimizado do Zorky. O Yandex Metrica (dados armazenados em servidores na Rússia) só funciona com o seu consentimento. Nunca vendemos dados. Mais sobre cookies e estatísticas.
O Zorky está em modo de teste — tudo é gratuito. As vagas e as páginas das empresas são abertas a todos; os links dos anúncios e sua seleção pessoal abrem após o cadastro. Cadastre-se →

Cientista de Dados: mercado

Dados de 19 de novembro de 2026: vagas abertas de Cientista de Dados — 3.112, 27% remotas entre as vagas que informam o modelo de trabalho; salário mediano anunciado $11.032/mês (de 410 vagas que informam salário). Fonte: Zorky, atualizado diariamente.

Data Scientist — o segundo maior cargo de ML/IA depois do ML Engineer. O foco NÃO está na infraestrutura de produção, mas na formulação de problemas de negócio: entender a tarefa do negócio, desenhar o experimento, construir o modelo/insight, rodar testes A/B, comunicar-se com os stakeholders. Família de cargos: Junior Data Scientist (entrada em ML — geralmente depois de Analista), Data Scientist (pleno — dono de uma hipótese de produto da análise ao modelo), Senior Data Scientist (responsabilidade ponta a ponta + colaboração com várias equipes + domínio de testes A/B), Lead Data Scientist/Principal DS (estratégia de DS para uma área de produto, contratação + mentoria), Product Data Scientist (foco profundo em produto, experimentos de growth). Stack: Python (domina), SQL (obrigatório — o DS lê SQL fluentemente e escreve window functions + CTEs complexas), pandas+NumPy+Polars (manipulação de dados), scikit-learn+XGBoost+LightGBM+CatBoost (ML clássico — o arsenal central), PyTorch/TensorFlow (deep learning — bônus, não obrigatório para todo cargo de DS), statsmodels+SciPy (estatística), Jupyter+VS Code (desenvolvimento), Tableau/Looker/Power BI/Apache Superset/Metabase (visualização para stakeholders), matplotlib+seaborn+plotly (gráficos no notebook), MLflow/Weights & Biases (rastreamento de experimentos), plataformas de testes A/B (internas ou Statsig/Eppo/Optimizely/GrowthBook). Stack principal: python, sql, cloud, llm, aws. Entre as vagas com modalidade de trabalho informada, 27% são remotas.

Dados em:

Os principais números do mercado de Cientista de Dados: vagas abertas, salário mediano, grupo de especialistas observado e parcela de remoto.

3.112
vagas abertas — por cargo, republicações mescladas
$11.032
mediana $/mês
27%
remoto

O mercado de Cientista de Dados tem agora 3.112 vagas abertas, 2.757 delas observadas recentemente. Median salary $11.032/mo.

Entre as vagas com modalidade de trabalho informada, 27% são remotas. O trabalho de DS — data warehouse em nuvem + Jupyter / VS Code. Empresas de outsourcing — quase sempre remoto. Bancos russos — híbrido/escritório por segurança de dados. Empresas de tecnologia internacionais — totalmente remoto como padrão.

⚠ salário conhecido para 410 de 3112 vagas; participação de remoto a partir de 2481 com formato informado; 2757 contadas como observações recentes; tendência e dificuldade de contratação não são mostradas

Linha do tempo: vagas e fontes

Quantas vagas de Cientista de Dados apareceram a cada semana desde 1 de jun. e de quantas fontes. O gráfico inferior separa o crescimento do mercado do crescimento da nossa cobertura: um salto na semana em que novas fontes foram conectadas significa que passamos a ver mais, não que o mercado cresceu.

Novas vagas por semana

Dados do gráfico
Novas vagas por semana. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoNovas vagas por semana
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
2026-10-121.090
2026-10-19719
2026-10-26684
2026-11-02636
2026-11-09730

Fontes ativas por semana

Fontes no período: 250. ▲ — semana em que muitas fontes novas foram conectadas.

Dados do gráfico
Fontes ativas por semana. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoFontes ativas
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
Novas fontes conectadas: 22 de jun. +21 · 29 de jun. +35 · 6 de jul. +25 · 13 de jul. +19 · 20 de jul. +20 · todas as semanas (22) na tabela
SemanaFontes novasVagas novas
8 de jun.+694
15 de jun.+995
22 de jun.+21289
29 de jun.+35305
6 de jul.+25370
13 de jul.+19473
20 de jul.+20303
27 de jul.+12203
3 de ago.+6235
10 de ago.+2167
24 de ago.+1139
31 de ago.+1149
7 de set.+2181
14 de set.+3226
21 de set.+9661
28 de set.+4471
5 de out.+7446
12 de out.+81.090
19 de out.+13719
26 de out.+6684
2 de nov.+10636
9 de nov.+9730

A semana atual ainda não terminou e não é exibida: uma semana incompleta pareceria uma queda.

Semana = data em que a vaga foi vista pela primeira vez, todos os status; as vagas são selecionadas pela mesma regra do contador desta página. Fontes são canais de coleta distintos; seus nomes não são publicados.

Dados do gráfico
Linha do tempo: vagas e fontes — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaNovas vagas por semanaFontes ativas
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
2026-10-121.09065
2026-10-1971982
2026-10-2668470
2026-11-0263679
2026-11-0973085

Os salários ao longo do tempo

Salário mediano de Cientista de Dados por semana, USD por mês.

Salário mediano, USD por mês

Dados do gráfico
Salário mediano, USD por mês. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoMedianaVagas com salário por semana (n)
2026-09-2112.16213
2026-09-288.62528
2026-10-058.58339
2026-10-1211.58360
2026-10-198.875111
2026-10-268.940112
2026-11-0210.545118
2026-11-0910.417127

A série começa em 21 de set.: antes disso não há dados.

Vagas com salário por semana (n)

Apenas vagas com salário em USD e período conhecido (mês ou ano), de US$ 500 a US$ 50.000 por mês. Semanas com menos de 10 vagas assim ficam em branco — isso significa sem dados, não zero.

Dados do gráfico
Os salários ao longo do tempo — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaMediana
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
2026-09-288.625
2026-10-058.583
2026-10-1211.583
2026-10-198.875
2026-10-268.940
2026-11-0210.545
2026-11-0910.417

O trabalho remoto ao longo do tempo

Proporção de vagas de Cientista de Dados com trabalho totalmente remoto, por semana.

Vagas remotas, %

Dados do gráfico
Vagas remotas, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoRemoto
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

A proporção é calculada entre as vagas que informam o formato (remoto, híbrido, escritório). Semanas com menos de 10 vagas assim ficam em branco.

Dados do gráfico
O trabalho remoto ao longo do tempo — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaRemoto
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

As tecnologias ao longo do tempo

Como mudou a proporção de vagas de Cientista de Dados que mencionam cada uma das principais tecnologias.

Vagas que mencionam a tecnologia, %

Dados do gráfico
Vagas que mencionam a tecnologia, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoPythonSQLcloud
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
Até 5 no gráfico:

Proporção entre as vagas com stack marcado; a série começa em 10 de ago.: antes as tags de stack eram atribuídas de outra forma. Semanas com menos de 20 vagas marcadas ficam em branco.

Dados do gráfico
As tecnologias ao longo do tempo — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaPythonSQLcloudllmAWS
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

Países ao longo do tempo

Como mudou, por semana, a proporção de vagas de Cientista de Dados em cada um dos principais países.

Vagas no país, %

Dados do gráfico
Vagas no país, %. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoEUAReino UnidoPolônia
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
Até 5 no gráfico:

Proporção entre as vagas com país conhecido; o gráfico mostra os cinco países com mais vagas em seis meses. Semanas com menos de 20 vagas com país conhecido ficam em branco. Uma proporção em alta pode indicar uma fonte recém-conectada naquele país, e não crescimento do mercado.

Dados do gráfico
Países ao longo do tempo — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
SemanaEUAReino UnidoSingapuraÍndiaPolônia
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

Mercado limpo: índice de contratação

Os mesmos 7.505 sites de carreira de empregadores; o número de vagas vem do próprio site. Conectar novas fontes não move este índice — ele mostra o mercado, não a nossa cobertura. É todo o mercado do painel, não apenas Cientista de Dados.

Índice de contratação, 16 de out. = 100

Dados do gráfico
Índice de contratação, 16 de out. = 100. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PeríodoÍndice de contratação
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

Índice encadeado: cada dia compara apenas os sites consultados naquele dia e no anterior; valores discrepantes e falhas de consulta de uma plataforma inteira são excluídos. Dias sem pares comparáveis ficam em branco.

Dados do gráfico
Mercado limpo: índice de contratação — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
DiaÍndice de contratação
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

Quantas vagas abertas de Cientista de Dados existem e quantos especialistas compatíveis o Zorky observa.

Demanda e oferta observada

Dados do gráfico
Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorValor
Demanda aberta3.112
Demanda aberta3.112
Oferta observada— não publicado

Data Scientist — o estável segundo maior segmento de IA/ML depois do ML Engineer. Direcionadores do crescimento 2026: empresas de produto, bancos, varejo, startups de produto internacionais via canais remotos.

⚠ candidatos compatíveis com uma vaga ainda não são contados: são mostrados a demanda e o pool observado

Como se distribuem os salários nas vagas de Cientista de Dados, em dólares americanos por mês.

Distribuição de salários

P25 $7.391 · P50 $11.032 · P75 $14.888
Dados do gráfico
Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorValor
<$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
Salário nas vagas: base 3.112
  • utilizável no cálculo: 410 (13,2%)
  • informado, mas não convertido para USD/mês: 572 (18,4%)
  • não informado: 2.130 (68,4%)

Uma em cada dez vagas oferece menos de $5.166, uma em cada dez mais de $17.916. Metade das vagas oferece entre $7.391 e $14.888. Amostra: 410.

Dados do gráfico
Distribuição de salários — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
IndicadorLimite inferiorLimite superiorQuantidade
<$1k01.0002
$1–2k1.0002.0004
$2–3k2.0003.0007
$3–4k3.0004.00011
$4–5k4.0005.00015
$5–6k5.0006.00025
$6–7k6.0007.00022
$7–8k7.0008.00039
$8–9k8.0009.00023
$9–10k9.00010.00026
$10–12k10.00012.00054
$12–15k12.00015.00082
$15–20k15.00020.00088
$20k+20.000—12

Em quais países há mais vagas abertas de Cientista de Dados.

Geografia da demanda

paísvagasproporção
Estados Unidos93835,2%
Reino Unido27710,4%
Singapura2007,5%
Índia1646,2%
Polônia1606%
Alemanha1174,4%
França893,3%
Canadá853,2%
Rússia572,1%
Brasil371,4%
Outros países54120,3%

O líder em número de vagas de DS é os EUA (938 vagas). A Polônia — hub da UE amigável a DS.

⚠ apenas número de vagas: o salário por país não é publicado

Dados do gráfico
Geografia da demanda — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
PaísVagas
US938
GB277
SG200
IN164
PL160
DE117
FR89
CA85
RU57
BR37

Quais tecnologias são mais pedidas na mesma vaga que Cientista de Dados.

Usada junto com

python
1.62652,2%
sql
1.14836,9%
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%

Participação: quantas das 3.112 vagas do mercado Cientista de Dados mencionam esta tecnologia. Ordenado pelo número de vagas, não pela “força da associação”. Termos genéricos como cloud não são uma nuvem específica (AWS, Azure).

Top stack de DS 2026: Python (monopólio), domínio de SQL, pandas + NumPy + Polars (dados), scikit-learn (clássico), XGBoost + LightGBM + CatBoost (cavalos de batalha do gradient boosting), statsmodels + SciPy (estatística), Jupyter + VS Code, matplotlib + seaborn + plotly (no notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (dashboards para stakeholders), MLflow / W&B (tracking de experimentos), plataformas de teste A/B (Statsig / Eppo / Optimizely / GrowthBook), causal inference (DoWhy / EconML — bônus de Senior), Bayesiano (PyMC — bônus de Senior), Prophet / NeuralProphet / statsforecast (séries temporais), Hugging Face (DS ciente de LLM).

Pares comuns: Python + pandas + sklearn + XGBoost + Jupyter, SQL + Python + Tableau, LightGBM + statsmodels + scipy + matplotlib, Snowflake + dbt + Python (stack moderno), Databricks + PySpark + MLflow, Pinecone / Weaviate + Hugging Face (fluxo de DS ciente de LLM), DoWhy + EconML + pandas (inferência causal). Roadmap de aprendizado: domínio de SQL → Python + pandas → estatística → ML clássico (sklearn / XGBoost) → domínio de testes A/B → visualização e storytelling → especialização de domínio → inferência causal (Sênior).

Dados do gráfico
Usada junto com — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
NomeQuantidade
python1.626
sql1.148
cloud712
llm471
aws451
azure317
databricks289
pandas276
pytorch268
scikit-learn254
mlops242
spark229

Quantas vagas de Cientista de Dados há em cada nível, de júnior a principal.

Demanda por nível

nívelvagas
senior1.055
principal279
lead170
junior157
middle151

Júnior — típico via Data Analyst (1-2 anos) → Junior DS. Fluxo de carreira: Júnior (1-2 anos) → Pleno (2-3 anos) → Sênior → ou Lead / Principal DS (estratégia + contratação), pivô para ML Engineer (trilha técnica), pivô para Product Manager, ou Founder.

⚠ apenas o lado da demanda: a senioridade do pool observado é desconhecida na maior parte

Dados do gráfico
Demanda por nível — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
NívelQuantidade
senior1.055
principal279
lead170
junior157
middle151

Quem mais contrata em Cientista de Dados e quanto a demanda se concentra nas maiores empresas.

Empregadores

A demanda está distribuída entre 1.852 empregadores. O maior responde por 2.0%, os dez primeiros por 7.3%; os 92.7% restantes são cauda longa.

o maior 2%2.º–3.º 2,1%4.º–10.º 3,3%os demais 92,7%
proporçãovalor
top 12.0%
top 34.1%
top 107.3%
cauda longa92.7%

⚠ os nomes não são mostrados: o classificador ainda não distingue agências de recrutamento de empregadores finais

De quais sites de empresas e portais de vagas o Zorky coleta as vagas de Cientista de Dados.

Onde o Zorky vê este mercado

Observado em 120 fontes; a maior responde por 16.9%: este mercado não depende de um único canal.

Dados do gráfico
Onde o Zorky vê este mercado — Cientista de Dados. Tabela de dados da secção. Um valor ausente não é zero; as unidades e a amostra estão indicadas na descrição do indicador.
ClasseNomeNome em inglêsQuantidadeProporção
atsATS и карьерные сайтыATS e sites de carreira2.0180,6485
boardджоб-борды и агрегаторыsites de vagas e agregadores9310,2992
telegramTelegramTelegram1570,0504
comunidadeсообщества и публичные профилиcomunidade e perfis públicos60,0019

As vagas de Cientista de Dados mais recentes dos sites de carreira das empresas.

Vagas recentes

Todas as vagas →

Vagas de DS abertas mais recentes — as 10 posições mais recentes com qualidade de descrição adequada. A lista completa está no nosso CRM ou pelo link "ver todas" abaixo.

Como é medido
Vaga
uma vaga aberta que passou pelo filtro de qualidade e lista pelo menos duas tecnologias
Candidato observado
um candidato cujo stack contém esta tecnologia; um agregado — nenhum registro individual sai do perímetro
Candidato compatível
ainda não contado
Janela
vagas abertas no momento em que o snapshot foi gerado

Sobre os dados

  • Alguns detalhamentos estão ocultos: a cobertura de dados deles ainda não é suficiente.
  • As estatísticas só aparecem onde a amostra passa por um controle de qualidade.
  • A ausência de um bloco não significa valor zero.

Detalhamentos ocultos no momento: 8.

Área: IA / ML / Data Science

Especializações relacionadas

Dentro de Data Scientist: Junior DS (entrada — tipicamente vindo de Analyst), Data Scientist (pleno — é dono da hipótese de produto), Senior DS (propriedade de ponta a ponta + domínio de testes A/B), Lead / Principal DS (estratégia + contratação), Product Data Scientist (foco profundo em produto + experimentos de crescimento), Research DS (modelagem inédita + papers, muitas vezes trilha de PhD). A comparação com ml-engineer/research/mlops — na barra abaixo.

Engenheiro de IA / LLMVisão ComputacionalEngenheiro de MLMLOpsEngenheiro de PLNEngenheiro de Pesquisa

Perguntas frequentes

As perguntas mais comuns sobre Data Scientist: pagamento, DS vs Analyst vs ML Engineer, sklearn vs PyTorch vs XGBoost — quando usar cada um (árvore de decisão de 10 passos), diferença do Product DS, remoto, como começar (6-12 meses a partir de Analyst), skills de Senior (testes A/B + inferência causal + expertise de domínio). As respostas se recalculam automaticamente.

Quanto ganha um Data Scientist Júnior, Pleno, Sênior ou Lead?

Junior DS — a entrada mais acessível na direção de ML/IA (caminho típico: Analyst 1-2 anos → Junior DS). O salto Júnior → Pleno — depois do primeiro modelo em produção + primeiro teste A/B independente. Pleno → Sênior — propriedade multiprojeto + propriedade do impacto no negócio (ganho documentado de receita / retenção / conversão). Sênior → Lead / Principal — estratégia de DS para uma área de produto + contratação de 3-7 DS + mentoria. Fluxo de carreira: Data Analyst (1-2 anos) → Junior DS (1-2 anos) → Pleno (2-3 anos) → Sênior → ou Lead / Principal DS (profundo), pivô para ML Engineer (trilha mais técnica), pivô para Product Manager, ou Founder.

De qual stack um Data Scientist mais precisa?

Top 5: python, sql, cloud, llm, aws. Python — monopólio (R quase desapareceu das vagas novas 2026, restando em legacy de healthcare/biostats). Domínio de SQL — obrigatório: queries complexas com window functions + CTEs + domínio de JOIN + otimização de queries (o DS lê execution plans). Manipulação de dados: pandas (núcleo), NumPy (numérico), Polars (moderno, em ascensão — 10-100× mais rápido para big data), PyArrow. ML clássico — o arsenal central: scikit-learn (model selection / preprocessing / pipelines / metrics), XGBoost + LightGBM + CatBoost (gradient boosting — cavalo de batalha para dados tabulares), statsmodels (regressão + time series + testes estatísticos). Estatística: scipy.stats, statsmodels, causal inference (DoWhy, EconML — bônus de Senior). Visualização: matplotlib + seaborn + plotly (in-notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (para stakeholders). Testes A/B: scipy.stats / statsmodels para análise, plataformas internas ou Statsig / Eppo / Optimizely / GrowthBook. Entendimento de power analysis, cálculo de sample size, correção de multiple testing, sequential testing. Deep Learning (bônus, não obrigatório): PyTorch / TensorFlow para tarefas de DS em CV / NLP. Experiment tracking: MLflow ou Weights & Biases. Ferramentas de BI / dashboards: Tableau / Looker / Apache Superset / Metabase / Mode / Hex. Notebooks: Jupyter + VS Code (o mercado 2026 está migrando do Jupyter puro para o híbrido). Cloud DS workbenches: AWS SageMaker Studio / GCP Vertex AI Workbench / Databricks / Snowflake Snowpark. Extras de Senior: causal inference (DoWhy / EconML / CausalImpact), uplift modelling, Bayesian modelling (PyMC / Stan), time series (Prophet / NeuralProphet / statsforecast).

Data Scientist vs Analyst vs ML Engineer — qual é a diferença?

Analista de Dados — foco em relatórios + dashboards + análises ad-hoc. SQL + Excel + Tableau / Looker / Power BI. Menos carregado de ML. Bom ponto de entrada na área de dados. Data Scientist (esta página) — foco na formulação de problemas de negócio + modelagem estatística + testes A/B + comunicação de insights. SQL a fundo + Python + sklearn + XGBoost + statsmodels + visualização. Faz ML, mas não é dono da infraestrutura de produção (implantação / serving / monitoramento — isso é do ML Engineer). ML Engineer — foco em pipelines de ML em produção + implantação + escalabilidade + infraestrutura de LLM/RAG. Stack de DS + Docker / K8s + MLflow + Airflow + ML gerenciado na nuvem. Veja ML Engineer. Trajetória de carreira: Analista → DS Júnior → DS Pleno/Sênior. Transição DS ↔ ML Engineer em 3-6 meses (aprender MLOps + Docker / K8s + ML na nuvem). Transição DS ↔ Product Manager em 2-4 meses (o DS já domina pensamento de produto + testes A/B — falta adicionar planejamento de roadmap + gestão de stakeholders). DS → Research Engineer / Scientist — exige PhD ou 3+ anos de especialização profunda.

Sklearn vs PyTorch vs XGBoost — quando usar cada um?

Árvore de decisão para escolher o kit de ferramentas de DS em 2026: 1) Dados tabulares, classificação/regressão, <1M linhas → scikit-learn (LogisticRegression / RandomForest / GradientBoosting). Pipelines + pré-processamento — o sklearn vence pela integração simples. 2) Dados tabulares, >100K linhas, performance crítica → XGBoost / LightGBM / CatBoost. O cavalo de batalha padrão em 2026 para tarefas tabulares: credit scoring, previsão de churn, conversão, detecção de fraude, previsão de demanda. LightGBM — o mais rápido, XGBoost — o ecossistema mais maduro, CatBoost — o melhor para features categóricas sem pré-processamento. 3) Séries temporais → Prophet / NeuralProphet (Facebook) ou statsforecast (Nixtla — estado da arte clássico) ou abordagem de ML (LightGBM sobre séries temporais com feature engineering — muitas vezes supera bibliotecas especializadas). 4) NLP / classificação de texto → Hugging Face Transformers (fine-tuning de BERT/DeBERTa/RoBERTa pequenos) ou TF-IDF do scikit-learn + LogisticRegression se <10K documentos (baseline mais simples). 5) Visão Computacional → PyTorch + torchvision (classificação / detecção / segmentação de imagens). Para produção — vLLM / TGI. 7) Sistemas de recomendação → LightGBM / XGBoost sobre usuários × itens com feature engineering (o cavalo de batalha de 2026), implicit / LightFM (clássicos de filtragem colaborativa), recsys deep em PyTorch (NeuMF / Two-Tower / Transformer4Rec). 8) Inferência causal / modelagem de uplift → DoWhy / EconML / CausalML. 9) Modelagem bayesiana (quando a quantificação da incerteza importa — medicina / finanças) → PyMC / Stan / NumPyro. 10) Detecção de anomalias → PyOD + Isolation Forest + abordagens baseadas em LightGBM.

Qual é a proporção de vagas remotas?

Entre as vagas com modalidade de trabalho informada, 27% são remotas. Vagas sem modalidade informada são excluídas do denominador; trabalho híbrido não é contado como remoto.

Em que o Product Data Scientist difere do DS geral?

Product Data Scientist — um DS com foco profundo em produto + responsabilidade por experimentos de crescimento + modelagem de retenção + análise do impacto de funcionalidades. Trabalha em estreita colaboração com PM e Engenharia. O stack é o mesmo, mas o foco é: domínio de testes A/B (experimentos multivariados, testes sequenciais, correção de múltiplas comparações, análise de poder), métricas de crescimento (DAU/MAU/curvas de retenção/análise de funil), inferência causal para dados observacionais. Remuneração comparável à de DS Sênior (mediana), mas em startups de produto dos EUA o Product DS muitas vezes supera o DS Sênior geral graças à responsabilidade pelo impacto no negócio. Data Scientist geral — pode atuar em qualquer domínio (risco bancário, demanda no varejo, qualidade na indústria). Research DS (ou apenas "DS" em contexto de pesquisa) — foco em novas abordagens de modelagem + artigos (muitas vezes trilha de doutorado). Veja também Research Engineer / Scientist. Escolha de carreira: Product DS se o impacto no produto interessa e você gosta de se comunicar com stakeholders, DS geral pela flexibilidade de domínio, Research DS para pesquisar novas metodologias. Os três são caminhos legítimos para Sênior+.

Por onde começar em Data Science em 2026?

Roadmap: 1) Domínio de SQL — must-have (window functions / CTEs / estratégia de JOIN / otimização de consultas). Livro "SQL for Data Scientists" Tanimura. Curso "Mode SQL Tutorial" (gratuito). 2) Python para DS: domínio de pandas + NumPy, não só sintaxe mas padrões de performance (vetorização, armadilhas do .apply). Livro "Python for Data Analysis" McKinney. 3) Estatística: descritiva + inferencial + testes de hipótese + ANOVA + regressão linear a fundo. Curso "Statistical Learning" Hastie / Tibshirani (StanfordOnline — gratuito). Livro "Practical Statistics for Data Scientists" Bruce. 4) ML clássico: domínio de scikit-learn (pipelines / cross-val / trade-offs de métricas / calibração), XGBoost / LightGBM / CatBoost (cavalos de batalha do gradient boosting). Andrew Ng "Machine Learning Specialization" (Coursera) + "Introduction to Statistical Learning" Hastie (ISL — PDF gratuito). 5) Domínio de A/B testing — power analysis, tamanho de amostra, sequential testing, correção de testes múltiplos, redução de variância CUPED. Livros: "Trustworthy Online Controlled Experiments" Kohavi (leitura obrigatória), "Statistical Methods in Online A/B Testing" Georgi. 6) Visualização & storytelling — matplotlib + seaborn + plotly para notebooks + Tableau / Looker / Power BI / Apache Superset para stakeholders. Livros: "Storytelling with Data" Knaflic, "The Visual Display of Quantitative Information" Tufte (clássico). 7) Especialização em domínio — escolha um de fintech / healthcare / varejo / telco / e-commerce e estude os desafios específicos do domínio. 8) Bônus de deep learning: noções de PyTorch para tarefas de DS em CV / NLP. 9) Inferência causal (bônus Senior): "The Effect" Huntington-Klein (livro-texto gratuito online), bibliotecas DoWhy / EconML. 10) Pet project: projeto de DS ponta a ponta no Kaggle (exploração de dados → feature engineering → seleção de modelo → calibração → apresentação de negócio) + 1 projeto de simulação de teste A/B. Internacional (EN): DeepLearning.AI (Andrew Ng), fast.ai, Coursera IBM Data Science Professional. Analista → Junior DS — 6-12 meses. Backend Middle → Junior DS — 8-14 meses (lacuna de matemática + estatística).

Quantas vagas abertas estão nesta amostra?

A amostra publicada contém 3112 vagas abertas após agrupar republicações. É o mesmo número do indicador principal. A seção geográfica descreve a cobertura da amostra; não é uma estimativa de todo o mercado.

De quais skills um Senior Data Scientist precisa?

Um DS Sênior é dono do ciclo completo, do problema de negócio ao modelo em produção + liderança técnica. Domínio de SQL: funções de janela / CTEs / JOINs complexos / otimização de consultas / leitura de planos de execução. Python para DS: padrões de desempenho com pandas / NumPy / Polars, vetorização, otimização guiada por profiling. Domínio de estatística: testes de hipóteses a fundo, pensamento bayesiano, inferência causal (DoWhy / EconML), noções de modelagem bayesiana (PyMC). Domínio de ML clássico: feature engineering profunda, justificativa da escolha de modelos, calibração, métricas alinhadas ao negócio, domínio de hiperparâmetros de gradient boosting (XGBoost / LightGBM / CatBoost). Domínio de testes A/B: análise de poder, testes sequenciais, correção para testes múltiplos, redução de variância com CUPED, tratamento de efeitos de rede, efeitos de novidade/primazia, experimentos switchback para marketplaces, experimentos geográficos. "Trustworthy Online Controlled Experiments" de Kohavi — o livro de cabeceira. Deep Learning (bônus): PyTorch para tarefas de DS em CV / NLP. DS com noção de LLMs: engenharia de prompts, noções de RAG, LLM-as-judge para avaliação, aplicações de LLMs no workflow de DS (exploração de dados / dados sintéticos / apoio à rotulagem). Visualização & comunicação: domínio de storytelling com dados — converter resultados em decisões de negócio para stakeholders não técnicos. DS em nuvem: uma entre AWS SageMaker / GCP Vertex AI / Databricks / Snowflake a fundo. Soft skills: gestão de stakeholders (produto / negócio / engenharia), redação técnica (documentos de análise, relatórios pós-experimento, memorandos de decisão), mentoria de DS Pleno, contratação (entrevistar candidatos a DS), comunicação executiva. Expertise de domínio: compreensão profunda de um ou dois domínios (fintech / saúde / varejo / telecom / e-commerce) — principal motor do prêmio salarial para Sênior+. Inglês para Sênior+ OBRIGATÓRIO — cargos de DS envolvem contato intenso com stakeholders, e a maioria dos materiais / artigos / comunidade é em inglês.

Deixar uma solicitação

Descreva a tarefa e deixe um contato: a solicitação chega ao nosso CRM e respondemos no contato informado.

Ao enviar, você concorda com a política de privacidade.