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.
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
| Período | Novas vagas por semana |
|---|---|
| 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 | 1.090 |
| 2026-10-19 | 719 |
| 2026-10-26 | 684 |
| 2026-11-02 | 636 |
| 2026-11-09 | 730 |
Fontes ativas por semana
Fontes no período: 250. ▲ — semana em que muitas fontes novas foram conectadas.
Dados do gráfico
| Período | Fontes ativas |
|---|---|
| 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 |
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
| Semana | Fontes novas | Vagas novas |
|---|---|---|
| 8 de jun. | +6 | 94 |
| 15 de jun. | +9 | 95 |
| 22 de jun. | +21 | 289 |
| 29 de jun. | +35 | 305 |
| 6 de jul. | +25 | 370 |
| 13 de jul. | +19 | 473 |
| 20 de jul. | +20 | 303 |
| 27 de jul. | +12 | 203 |
| 3 de ago. | +6 | 235 |
| 10 de ago. | +2 | 167 |
| 24 de ago. | +1 | 139 |
| 31 de ago. | +1 | 149 |
| 7 de set. | +2 | 181 |
| 14 de set. | +3 | 226 |
| 21 de set. | +9 | 661 |
| 28 de set. | +4 | 471 |
| 5 de out. | +7 | 446 |
| 12 de out. | +8 | 1.090 |
| 19 de out. | +13 | 719 |
| 26 de out. | +6 | 684 |
| 2 de nov. | +10 | 636 |
| 9 de nov. | +9 | 730 |
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
| Semana | Novas vagas por semana | Fontes ativas |
|---|---|---|
| 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 | 1.090 | 65 |
| 2026-10-19 | 719 | 82 |
| 2026-10-26 | 684 | 70 |
| 2026-11-02 | 636 | 79 |
| 2026-11-09 | 730 | 85 |
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
| Período | Mediana | Vagas com salário por semana (n) |
|---|---|---|
| 2026-09-21 | 12.162 | 13 |
| 2026-09-28 | 8.625 | 28 |
| 2026-10-05 | 8.583 | 39 |
| 2026-10-12 | 11.583 | 60 |
| 2026-10-19 | 8.875 | 111 |
| 2026-10-26 | 8.940 | 112 |
| 2026-11-02 | 10.545 | 118 |
| 2026-11-09 | 10.417 | 127 |
A série começa em 21 de set.: antes disso não há dados.
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
| Semana | 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 | 8.625 |
| 2026-10-05 | 8.583 |
| 2026-10-12 | 11.583 |
| 2026-10-19 | 8.875 |
| 2026-10-26 | 8.940 |
| 2026-11-02 | 10.545 |
| 2026-11-09 | 10.417 |
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
| Período | Remoto |
|---|---|
| 2026-06-01 | 57,3 |
| 2026-06-08 | 31,7 |
| 2026-06-15 | 45,5 |
| 2026-06-22 | 39,3 |
| 2026-06-29 | 34,4 |
| 2026-07-06 | 35,4 |
| 2026-07-13 | 30,5 |
| 2026-07-20 | 35,3 |
| 2026-07-27 | 44,2 |
| 2026-08-03 | 28,8 |
| 2026-08-10 | 36,8 |
| 2026-08-17 | 31,3 |
| 2026-08-24 | 39,6 |
| 2026-08-31 | 28,6 |
| 2026-09-07 | 29,7 |
| 2026-09-14 | 24 |
| 2026-09-21 | 22 |
| 2026-09-28 | 25,2 |
| 2026-10-05 | 38,6 |
| 2026-10-12 | 34,7 |
| 2026-10-19 | 31,2 |
| 2026-10-26 | 34,9 |
| 2026-11-02 | 29,2 |
| 2026-11-09 | 27,7 |
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
| Semana | Remoto |
|---|---|
| 2026-06-01 | 57,3 |
| 2026-06-08 | 31,7 |
| 2026-06-15 | 45,5 |
| 2026-06-22 | 39,3 |
| 2026-06-29 | 34,4 |
| 2026-07-06 | 35,4 |
| 2026-07-13 | 30,5 |
| 2026-07-20 | 35,3 |
| 2026-07-27 | 44,2 |
| 2026-08-03 | 28,8 |
| 2026-08-10 | 36,8 |
| 2026-08-17 | 31,3 |
| 2026-08-24 | 39,6 |
| 2026-08-31 | 28,6 |
| 2026-09-07 | 29,7 |
| 2026-09-14 | 24 |
| 2026-09-21 | 22 |
| 2026-09-28 | 25,2 |
| 2026-10-05 | 38,6 |
| 2026-10-12 | 34,7 |
| 2026-10-19 | 31,2 |
| 2026-10-26 | 34,9 |
| 2026-11-02 | 29,2 |
| 2026-11-09 | 27,7 |
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
| Período | 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 |
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
| Semana | 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 |
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
| Período | EUA | Reino Unido | Polônia |
|---|---|---|---|
| 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 |
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
| Semana | EUA | Reino Unido | Singapura | Índia | Polônia |
|---|---|---|---|---|---|
| 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 |
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
| Período | Índice de contratação |
|---|---|
| 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 |
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
| Dia | Índice de contratação |
|---|---|
| 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 |
Quantas vagas abertas de Cientista de Dados existem e quantos especialistas compatíveis o Zorky observa.
Demanda e oferta observada
Dados do gráfico
| Indicador | Valor |
|---|---|
| Demanda aberta | 3.112 |
| Demanda aberta | 3.112 |
| 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
Dados do gráfico
| Indicador | Valor |
|---|---|
| <$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 |
- 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
| Indicador | Limite inferior | Limite superior | Quantidade |
|---|---|---|---|
| <$1k | 0 | 1.000 | 2 |
| $1–2k | 1.000 | 2.000 | 4 |
| $2–3k | 2.000 | 3.000 | 7 |
| $3–4k | 3.000 | 4.000 | 11 |
| $4–5k | 4.000 | 5.000 | 15 |
| $5–6k | 5.000 | 6.000 | 25 |
| $6–7k | 6.000 | 7.000 | 22 |
| $7–8k | 7.000 | 8.000 | 39 |
| $8–9k | 8.000 | 9.000 | 23 |
| $9–10k | 9.000 | 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 |
Em quais países há mais vagas abertas de Cientista de Dados.
Geografia da demanda
| país | vagas | proporção |
|---|---|---|
| Estados Unidos | 938 | 35,2% |
| Reino Unido | 277 | 10,4% |
| Singapura | 200 | 7,5% |
| Índia | 164 | 6,2% |
| Polônia | 160 | 6% |
| Alemanha | 117 | 4,4% |
| França | 89 | 3,3% |
| Canadá | 85 | 3,2% |
| Rússia | 57 | 2,1% |
| Brasil | 37 | 1,4% |
| Outros países | 541 | 20,3% |
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
| País | Vagas |
|---|---|
| US | 938 |
| GB | 277 |
| SG | 200 |
| IN | 164 |
| PL | 160 |
| DE | 117 |
| FR | 89 |
| CA | 85 |
| RU | 57 |
| BR | 37 |
Quais tecnologias são mais pedidas na mesma vaga que Cientista de Dados.
Usada junto com
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
| Nome | Quantidade |
|---|---|
| python | 1.626 |
| sql | 1.148 |
| cloud | 712 |
| llm | 471 |
| aws | 451 |
| azure | 317 |
| databricks | 289 |
| pandas | 276 |
| pytorch | 268 |
| scikit-learn | 254 |
| mlops | 242 |
| spark | 229 |
Quantas vagas de Cientista de Dados há em cada nível, de júnior a principal.
Demanda por nível
| nível | vagas |
|---|---|
| senior | 1.055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
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
| Nível | Quantidade |
|---|---|
| senior | 1.055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
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.
| proporção | valor |
|---|---|
| top 1 | 2.0% |
| top 3 | 4.1% |
| top 10 | 7.3% |
| cauda longa | 92.7% |
⚠ 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
| Classe | Nome | Nome em inglês | Quantidade | Proporção |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS e sites de carreira | 2.018 | 0,6485 |
| board | джоб-борды и агрегаторы | sites de vagas e agregadores | 931 | 0,2992 |
| telegram | Telegram | Telegram | 157 | 0,0504 |
| comunidade | сообщества и публичные профили | comunidade e perfis públicos | 6 | 0,0019 |
As vagas de Cientista de Dados mais recentes dos sites de carreira das empresas.
Vagas recentes
- 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 · $7.853
- Proxify AB: Senior Data Scientist
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.
Mercados adjacentes
Data Scientist se sobrepõe ao Data Analyst (direção de entrada), ao ML Engineer (ML de produção — deploy / escalonamento), ao Research (metodologia inédita + papers), ao Product Manager (pensamento de produto + domínio de testes A/B). A comparação com ml-engineer/research/mlops — no SiblingSubnichesChart acima.
⚠ mercados adjacentes para comparação ainda não foram definidos
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.
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.