Data Scientist: рынок
Данные на 19 ноября 2026: открытых вакансий Data Scientist — 3 112, удалённых — 27% среди вакансий с указанным форматом работы; медианная зарплата в объявлениях — $11 032/мес (по 410 вакансиям с указанной зарплатой). Источник — Zorky, обновляется ежедневно.
Data Scientist — вторая по ёмкости ML/AI-роль после ML Engineer. Фокус не на production-инфраструктуре, а на business problem framing: понять задачу бизнеса, спроектировать experiment, построить модель/insight, провести A/B-тест, коммуницировать stakeholders. Семейство ролей: Junior Data Scientist (entry в ML — обычно после Analyst), Data Scientist (mid — own product hypothesis from analysis to model), Senior Data Scientist (end-to-end ownership + multi-team collaboration + A/B-test mastery), Lead Data Scientist/Principal DS (DS strategy для product area, hiring + mentoring), Product Data Scientist (deep product focus, growth experiments). Стек: Python (доминирует), SQL (mandatory — DS читает SQL свободно и пишет complex window functions + CTEs), pandas+NumPy+Polars (data manipulation), scikit-learn+XGBoost+LightGBM+CatBoost (classical ML — основной арсенал), PyTorch/TensorFlow (deep learning — bonus, не обязательный для всех DS-ролей), statsmodels+SciPy (statistics), Jupyter+VS Code (development), Tableau/Looker/Power BI/Apache Superset/Metabase (visualization для stakeholders), matplotlib+seaborn+plotly (in-notebook plots), MLflow/Weights & Biases (experiment tracking), A/B-testing platforms (internal или Statsig/Eppo/Optimizely/GrowthBook). Топ-стек: python, sql, cloud, llm, aws. Среди вакансий с указанным форматом работы 27% — удалённые.
Данные на:
Главные цифры рынка Data Scientist: открытые вакансии, медианная зарплата, наблюдаемый пул специалистов и доля удалёнки.
На рынке Data Scientist сейчас 3 112 открытых вакансий, из них 2 757 со свежим наблюдением. Медианная зарплата $11 032/мес.
Среди вакансий с указанным форматом работы 27% — удалённые. DS work — cloud data warehouse + Jupyter / VS Code. Аутсорсеры — почти всегда remote. Российские банки — гибрид/офис data security. Международные tech-companies — full-remote standard.
⚠ зарплата известна у 410 из 3112 вакансий; доля удалёнки — от 2481 с указанным форматом; свежими наблюдениями считаются 2757; тренд и сложность найма не показываются
Динамика: вакансии и источники
Сколько вакансий Data Scientist появлялось каждую неделю с 1 июн. и из скольких источников они пришли. Нижний график нужен, чтобы отличать рост рынка от роста нашего охвата: скачок вакансий в неделю, когда подключились новые источники, — это мы стали видеть больше, а не рынок вырос.
Новые вакансии за неделю
Данные графика
| Период | Новые вакансии за неделю |
|---|---|
| 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 |
Активных источников за неделю
Источников всего за период: 250. ▲ — неделя, когда подключилось много новых источников.
Данные графика
| Период | Активных источников |
|---|---|
| 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 |
Подключение новых источников: 22 июн. +21 · 29 июн. +35 · 6 июл. +25 · 13 июл. +19 · 20 июл. +20 · все недели (22) — в таблице
| Неделя | Новых источников | Новых вакансий |
|---|---|---|
| 8 июн. | +6 | 94 |
| 15 июн. | +9 | 95 |
| 22 июн. | +21 | 289 |
| 29 июн. | +35 | 305 |
| 6 июл. | +25 | 370 |
| 13 июл. | +19 | 473 |
| 20 июл. | +20 | 303 |
| 27 июл. | +12 | 203 |
| 3 авг. | +6 | 235 |
| 10 авг. | +2 | 167 |
| 24 авг. | +1 | 139 |
| 31 авг. | +1 | 149 |
| 7 сент. | +2 | 181 |
| 14 сент. | +3 | 226 |
| 21 сент. | +9 | 661 |
| 28 сент. | +4 | 471 |
| 5 окт. | +7 | 446 |
| 12 окт. | +8 | 1 090 |
| 19 окт. | +13 | 719 |
| 26 окт. | +6 | 684 |
| 2 нояб. | +10 | 636 |
| 9 нояб. | +9 | 730 |
Текущая неделя ещё не закончилась и не показана: неполная неделя выглядела бы как спад.
Неделя — по дате появления вакансии, все статусы; отбор вакансий — то же правило, что у счётчика этой страницы. Источники — различные каналы сбора, их имена не публикуются.
Данные графика
| Неделя | Новые вакансии за неделю | Активных источников |
|---|---|---|
| 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 |
Зарплаты во времени
Медиана зарплат в вакансиях Data Scientist по неделям, в долларах США в месяц.
Медиана зарплаты, $ в месяц
Данные графика
| Период | Медиана | Сколько вакансий с зарплатой за неделю (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 |
Ряд начинается с 21 сент.: раньше данных нет.
Только вакансии с зарплатой в долларах и известным периодом (месяц или год), от $500 до $50 000 в месяц. Недели, где таких вакансий меньше 10, пропущены — это «нет данных», а не ноль.
Данные графика
| Неделя | Медиана |
|---|---|
| 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 |
Удалённая работа во времени
Какая доля вакансий Data Scientist предлагала полностью удалённую работу — по неделям.
Доля удалённых вакансий, %
Данные графика
| Период | Удалённо |
|---|---|
| 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 |
Доля считается среди вакансий, где формат указан (удалённо, гибрид, офис). Недели, где таких меньше 10, пропущены.
Данные графика
| Неделя | Удалённо |
|---|---|
| 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 |
Технологии во времени
Как менялась доля вакансий Data Scientist, где упоминается каждая из главных технологий.
Доля вакансий с технологией, %
Данные графика
| Период | 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 |
Доля — среди вакансий с размеченным стеком; ряд начинается с 10 авг.: раньше метки стека ставились по-другому. Недели, где размеченных вакансий меньше 20, пропущены.
Данные графика
| Неделя | 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 |
Страны во времени
Как менялась доля вакансий Data Scientist в каждой из главных стран — по неделям.
Доля вакансий в стране, %
Данные графика
| Период | США | Великобритания | Польша |
|---|---|---|---|
| 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 |
Доля — среди вакансий, где страна известна; на графике пять стран с наибольшим числом вакансий за полгода. Недели, где вакансий с известной страной меньше 20, пропущены. Рост доли страны может означать подключение нового источника в этой стране, а не рост рынка.
Данные графика
| Неделя | США | Великобритания | Сингапур | Индия | Польша |
|---|---|---|---|---|---|
| 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 |
Чистый рынок: индекс найма
Одни и те же 7 505 досок вакансий работодателей; число вакансий берётся с самой доски. Подключение новых источников этот индекс не двигает — он показывает рынок, а не наш охват. Это весь рынок по панели, а не только Data Scientist.
Индекс найма, 16 окт. = 100
Данные графика
| Период | Индекс найма |
|---|---|
| 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 |
Цепной индекс: каждый день сравниваются только доски, опрошенные и в этот, и в предыдущий день; выбросы и сбои опроса целой платформы исключаются. Дни без сопоставимых пар пропущены.
Данные графика
| День | Индекс найма |
|---|---|
| 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 |
Сколько открытых вакансий Data Scientist и сколько подходящих специалистов видит Zorky.
Спрос и наблюдаемый пул
Данные графика
| Показатель | Значение |
|---|---|
| Открытый спрос | 3 112 |
| Открытый спрос | 3 112 |
| Наблюдаемый пул | — не публикуется |
Data Scientist — стабильный второй по ёмкости AI/ML-сегмент после ML Engineer. Рост 2026 двигают: продуктовые компании, банки, retail, international product-startups через remote-каналы.
⚠ подходящих под вакансию кандидатов пока не считаем: показаны спрос и наблюдаемый пул
Как распределены зарплаты в вакансиях Data Scientist, в долларах США в месяц.
Распределение зарплат
Данные графика
| Показатель | Значение |
|---|---|
| <$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 |
- пригодна для расчёта: 410 (13,2%)
- указана, но не приведена к $/мес: 572 (18,4%)
- не указана: 2 130 (68,4%)
В каждой десятой вакансии вилка ниже $5 166, в каждой десятой — выше $17 916. Половина вакансий предлагает от $7 391 до $14 888. Выборка: 410.
Данные графика
| Показатель | Нижняя граница | Верхняя граница | Количество |
|---|---|---|---|
| <$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 |
В каких странах больше всего открытых вакансий Data Scientist.
География спроса
| страна | вакансий | доля |
|---|---|---|
| Соединенные Штаты | 938 | 35,2% |
| Великобритания | 277 | 10,4% |
| Сингапур | 200 | 7,5% |
| Индия | 164 | 6,2% |
| Польша | 160 | 6% |
| Германия | 117 | 4,4% |
| Франция | 89 | 3,3% |
| Канада | 85 | 3,2% |
| Россия | 57 | 2,1% |
| Бразилия | 37 | 1,4% |
| Остальные страны | 541 | 20,3% |
Лидер по числу DS-вакансий — США (938 позиций). Польша — DS-friendly EU-хаб.
⚠ только число вакансий: зарплата по странам не публикуется
Данные графика
| Страна | Вакансии |
|---|---|
| US | 938 |
| GB | 277 |
| SG | 200 |
| IN | 164 |
| PL | 160 |
| DE | 117 |
| FR | 89 |
| CA | 85 |
| RU | 57 |
| BR | 37 |
Какие технологии чаще всего требуют в одной вакансии с Data Scientist.
С чем используется вместе
Доля — сколько из 3 112 вакансий рынка «Data Scientist» упоминают эту технологию. Порядок — по числу вакансий, не по «силе связи». Обобщения вроде cloud не равны конкретному облаку (AWS, Azure).
Топ-стек DS 2026: Python (монопольно), SQL mastery, pandas + NumPy + Polars (data), scikit-learn (classical), XGBoost + LightGBM + CatBoost (gradient boosting workhorses), statsmodels + SciPy (statistics), Jupyter + VS Code, matplotlib + seaborn + plotly (in-notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (stakeholder dashboards), MLflow / W&B (experiment tracking), A/B testing platforms (Statsig / Eppo / Optimizely / GrowthBook), causal inference (DoWhy / EconML — Senior bonus), Bayesian (PyMC — Senior bonus), Prophet / NeuralProphet / statsforecast (time series), Hugging Face (LLM-aware DS).
Частые пары: Python + pandas + sklearn + XGBoost + Jupyter, SQL + Python + Tableau, LightGBM + statsmodels + scipy + matplotlib, Snowflake + dbt + Python (modern stack), Databricks + PySpark + MLflow, Pinecone / Weaviate + Hugging Face (LLM-aware DS workflow), DoWhy + EconML + pandas (causal inference). Learning-roadmap: SQL mastery → Python + pandas → statistics → classical ML (sklearn / XGBoost) → A/B testing mastery → visualization & storytelling → domain specialization → causal inference (Senior).
Данные графика
| Название | Количество |
|---|---|
| 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 |
Сколько вакансий Data Scientist на каждом уровне — от junior до principal.
Спрос по уровням
| уровень | вакансий |
|---|---|
| senior | 1 055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Junior — typical через Data Analyst (1-2 года) → Junior DS. Career-flow: Junior (1-2 года) → Middle (2-3 года) → Senior → либо Lead / Principal DS (strategy + hiring), либо ML Engineer pivot (technical track), либо Product Manager pivot, либо Founder.
⚠ только сторона спроса: грейд наблюдаемого пула неизвестен у большинства
Данные графика
| Уровень | Количество |
|---|---|
| senior | 1 055 |
| principal | 279 |
| lead | 170 |
| junior | 157 |
| middle | 151 |
Кто больше всех нанимает по Data Scientist и насколько спрос сосредоточен у крупных компаний.
Работодатели
Спрос распределён между 1 852 работодателями. На крупнейшего приходится 2.0%, на десятку — 7.3%; остальные 92.7% — длинный хвост.
| доля | значение |
|---|---|
| крупнейший | 2.0% |
| топ-3 | 4.1% |
| топ-10 | 7.3% |
| длинный хвост | 92.7% |
⚠ имена не показываются: кадровые агентства и конечные работодатели пока не различаются классификацией
С каких сайтов компаний и досок Zorky собирает вакансии Data Scientist.
Откуда Zorky видит этот рынок
Наблюдение идёт из 120 источников; на крупнейший приходится 16.9% — рынок не держится на одном канале.
Данные графика
| Класс | Название | Название на английском | Количество | Доля |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS & career sites | 2 018 | 0,6485 |
| board | джоб-борды и агрегаторы | job boards & aggregators | 931 | 0,2992 |
| telegram | Telegram | Telegram | 157 | 0,0504 |
| community | сообщества и публичные профили | community & public profiles | 6 | 0,0019 |
Самые новые вакансии Data Scientist с сайтов компаний.
Свежие вакансии
- 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
Свежие открытые DS-вакансии — последние 10 позиций с приемлемым качеством описания. Полный список — в нашем CRM или по ссылке «смотреть все» ниже.
Соседние рынки
Data Scientist пересекается с Data Analyst (entry direction), ML Engineer (production ML — deployment / scaling), Research (novel methodology + papers), Product Manager (product-thinking + A/B test mastery). Сравнение с ml-engineer/research/mlops — в SiblingSubnichesChart выше.
⚠ соседние рынки для сравнения ещё не определены
Как это посчитано
- Вакансия
- открытая вакансия, прошедшая гейт качества и содержащая не менее двух технологий
- Наблюдаемый кандидат
- кандидат, чей стек содержит эту технологию; агрегат, без единой записи наружу
- Подходящий кандидат
- пока не считается
- Окно
- открытые вакансии на момент сборки снимка
О данных
- Некоторые разрезы скрыты: по ним пока недостаточно полноты данных.
- Статистика строится только там, где выборка проходит порог качества.
- Отсутствие блока не означает нулевое значение.
Сейчас скрыто разрезов: 8.
Направление: AI / ML / DS
Соседние специализации
Внутри Data Scientist: Junior DS (entry — typical из Analyst), Data Scientist (mid — own product hypothesis), Senior DS (end-to-end ownership + A/B-test mastery), Lead / Principal DS (strategy + hiring), Product Data Scientist (deep product focus + growth experiments), Research DS (novel modeling + papers, часто PhD-track). Сравнение с ml-engineer/research/mlops — в баре ниже.
Частые вопросы
Самые частые вопросы про Data Scientist: зарплаты, DS vs Analyst vs ML Engineer, sklearn vs PyTorch vs XGBoost — когда что (decision tree из 10 пунктов), Product DS отличие, удалёнка, как стать (6-12 месяцев из Analyst), Senior skills (A/B testing + causal inference + domain expertise). Ответы пересчитываются автоматически.
Какой стек чаще всего требуют от Data Scientist?
Топ-5: python, sql, cloud, llm, aws. Python — монопольно (R почти исчез из новых вакансий 2026, остался в healthcare/biostats legacy). SQL mastery — обязательный: complex queries с window functions + CTEs + JOIN-mastery + query optimization (DS читает execution plans). Data manipulation: pandas (core), NumPy (numerical), Polars (modern, rising — 10-100× faster для big data), PyArrow. Classical ML — основной арсенал: scikit-learn (model selection / preprocessing / pipelines / metrics), XGBoost + LightGBM + CatBoost (gradient boosting — workhorse для табличных данных), statsmodels (regression + time series + statistical tests). Statistics: scipy.stats, statsmodels, причинно-следственный анализ (causal inference — DoWhy, EconML — Senior bonus). Visualization: matplotlib + seaborn + plotly (in-notebook), Tableau / Looker / Power BI / Apache Superset / Metabase (для stakeholders). A/B testing: scipy.stats / statsmodels для analysis, внутренние платформы или Statsig / Eppo / Optimizely / GrowthBook. Понимание power analysis, sample size calculation, multiple testing correction, sequential testing. Deep Learning (bonus, не обязательный): PyTorch / TensorFlow для CV / NLP DS-задач. Experiment tracking: MLflow или Weights & Biases. BI tools / dashboards: Tableau / Looker / Apache Superset / Metabase / Mode / Hex. Notebooks: Jupyter + VS Code (рынок 2026 migrates from raw Jupyter в hybrid). Cloud DS workbenches: AWS SageMaker Studio / GCP Vertex AI Workbench / Databricks / Snowflake Snowpark. Дополнительно для Senior: causal inference (DoWhy / EconML / CausalImpact), uplift modeling, Bayesian modeling (PyMC / Stan), time series (Prophet / NeuralProphet / statsforecast).
Data Scientist vs Analyst vs ML Engineer — в чём разница?
Data Analyst — фокус на reporting + dashboards + ad-hoc analysis. SQL + Excel + Tableau / Looker / Power BI. Менее ML-heavy. Подходит для entry в data-направление. Data Scientist (эта страница) — фокус на business problem framing + statistical modeling + A/B testing + insights communication. SQL deep + Python + sklearn + XGBoost + statsmodels + visualization. Делает ML, но не отвечает за production-инфраструктуру (deployment / serving / monitoring — для ML Engineer). ML Engineer — фокус на production ML pipelines + deployment + scaling + LLM/RAG infrastructure. Стек DS + Docker / K8s + MLflow + Airflow + cloud-managed ML. См. ML Engineer. Career-flow: Analyst → DS Junior → DS Middle/Senior. DS ↔ ML Engineer pivot за 3-6 месяцев (learn MLOps + Docker / K8s + cloud ML). DS ↔ Product Manager pivot за 2-4 месяца (DS уже владеет product-thinking + A/B testing — добавить roadmap planning + stakeholder management). DS → Research Engineer / Scientist — требует PhD или 3+ years deep specialization.
Sklearn vs PyTorch vs XGBoost — когда что использовать?
Decision tree для выбора DS-toolkit на 2026: 1) Tabular data, classification/regression, <1M rows → scikit-learn (LogisticRegression / RandomForest / GradientBoosting). Pipelines + preprocessing — sklearn выигрывает за простоту integration. 2) Tabular data, >100K rows, performance critical → XGBoost / LightGBM / CatBoost. Standard workhorse 2026 для табличных задач: credit scoring, churn prediction, conversion, fraud detection, demand forecasting. LightGBM — fastest, XGBoost — most mature ecosystem, CatBoost — лучший для категориальных без preprocessing. 3) Time series → Prophet / NeuralProphet (Facebook) или statsforecast (Nixtla — state-of-the-art classical) или ML-подход (LightGBM на feature-engineered time series — часто выигрывает у specialized libraries). 4) NLP / text classification → Hugging Face Transformers (fine-tune small BERT/DeBERTa/RoBERTa) или scikit-learn TF-IDF + LogisticRegression если <10K docs (baseline simpler). 5) Computer Vision → PyTorch + torchvision (image classification / detection / segmentation). Для production — vLLM / TGI. 7) Recommender systems → LightGBM / XGBoost на feature-engineered users × items (workhorse 2026), implicit / LightFM (collaborative filtering classics), PyTorch deep recsys (NeuMF / Two-Tower / Transformer4Rec). 8) Causal inference / uplift modeling → DoWhy / EconML / CausalML. 9) Bayesian modeling (когда uncertainty quantification важен — medical / finance) → PyMC / Stan / NumPyro. 10) Anomaly detection → PyOD + Isolation Forest + LightGBM-based approaches.
Какая доля вакансий предполагает удалённую работу?
Среди вакансий с указанным форматом работы 27% — удалённые. Вакансии без указанного формата не входят в знаменатель; гибридная работа не считается удалённой.
Чем Product Data Scientist отличается от general DS?
Product Data Scientist — DS с deep product-focus + ownership growth-experiments + retention-modeling + feature-impact analysis. Тесно работает с PM и Engineering. Стек тот же, но фокус: A/B-test mastery (мульти-вариантные эксперименты, sequential testing, multiple testing correction, power analysis), growth metrics (DAU/MAU/retention curves/funnel analysis), causal inference для observational data. Зарплаты сопоставимы со Senior DS (медиана), но в US-product-startups Product DS часто превышает обычного DS Senior за счёт business impact ownership. General Data Scientist — может быть в любом domain (banking risk, retail demand, manufacturing quality). Research DS (или просто «DS» в research-context) — фокус на novel modeling approaches + papers (часто PhD-track). См. также Research Engineer / Scientist. Career-выбор: Product DS если product-impact интересен и нравится stakeholder communication, general DS для domain-flexibility, Research DS для new methodology research. Все три legitimate Senior+ paths.
С чего начинать в Data Science в 2026?
Roadmap: 1) SQL mastery — must-haves (window functions / CTEs / JOIN-strategy / query optimization). Книга «SQL for Data Scientists» Tanimura. Курс «Mode SQL Tutorial» (free). 2) Python для DS: pandas + NumPy mastery, не только syntax но performance patterns (vectorization, .apply pitfalls). Книга «Python for Data Analysis» McKinney. 3) Statistics: descriptive + inferential + hypothesis testing + ANOVA + linear regression deep. Курс «Statistical Learning» Hastie / Tibshirani (StanfordOnline — free). Книга «Practical Statistics for Data Scientists» Bruce. 4) Classical ML: scikit-learn mastery (pipelines / cross-val / metrics tradeoffs / calibration), XGBoost / LightGBM / CatBoost (gradient boosting workhorses). Курс Andrew Ng «Machine Learning Specialization» (Coursera) + «Introduction to Statistical Learning» Hastie (ISL — free PDF). 5) A/B testing mastery — power analysis, sample size, sequential testing, multiple testing correction, CUPED variance reduction. Книги: «Trustworthy Online Controlled Experiments» Kohavi (must-read), «Statistical Methods in Online A/B Testing» Georgi. 6) Visualization & storytelling — matplotlib + seaborn + plotly для notebooks + Tableau / Looker / Power BI / Apache Superset для stakeholders. Книги: «Storytelling with Data» Knaflic, «The Visual Display of Quantitative Information» Tufte (классика). 7) Domain specialization — выбрать одно из fintech / healthcare / retail / telco / e-commerce и изучить domain-specific challenges. 8) Deep learning bonus: PyTorch basics для CV / NLP DS-задач. 9) Causal inference (Senior bonus): «The Effect» Huntington-Klein (free online textbook), DoWhy / EconML libraries. 10) Pet-проект: end-to-end DS-проект на Kaggle (data exploration → feature engineering → model selection → calibration → business presentation) + 1 А/B-test simulation проект. International (eng): DeepLearning.AI (Andrew Ng), fast.ai, Coursera IBM Data Science Professional. Analyst → Junior DS — 6-12 месяцев. Backend Middle → Junior DS — 8-14 месяцев (math + stats gap).
Сколько открытых вакансий в этой выборке?
В опубликованной выборке — 3112 открытых вакансий без перепубликаций. Это тот же показатель, что в верхнем блоке страницы. География выборки представлена в разделе географии; это не оценка всего рынка.
Какие навыки нужны Senior Data Scientist?
Senior DS владеет полным циклом от business problem до production model + technical leadership. SQL mastery: window functions / CTEs / complex JOINs / query optimization / execution plans reading. Python для DS: pandas / NumPy / Polars performance patterns, vectorization, profile-driven optimization. Statistics mastery: hypothesis testing depth, Bayesian thinking, causal inference (DoWhy / EconML), Bayesian modeling basics (PyMC). Classical ML mastery: feature engineering deep, model selection rationale, calibration, business-aligned metrics, gradient boosting hyperparameter mastery (XGBoost / LightGBM / CatBoost). A/B testing mastery: power analysis, sequential testing, multiple testing correction, CUPED variance reduction, network effects handling, novelty/primacy effects, switchback experiments для marketplaces, geo-experiments. Книга «Trustworthy Online Controlled Experiments» Kohavi — настольная. Deep Learning (bonus): PyTorch для CV / NLP DS-задач. LLM-aware DS: prompt engineering, RAG basics, LLM-as-judge для evaluation, LLM applications в DS workflow (data exploration / synthetic data / labeling assistance). Visualization & communication: storytelling-with-data mastery — конвертировать results в business decisions для non-technical stakeholders. Cloud DS: один из AWS SageMaker / GCP Vertex AI / Databricks / Snowflake deeply. Soft: stakeholder management (product / business / engineering), technical writing (analysis docs, post-experiment reports, decision memos), mentoring Middle DS, hiring (interviewing DS candidates), executive communication. Domain expertise: deep понимание один-два domain (fintech / healthcare / retail / telco / e-commerce) — главный premium-driver Senior+. Английский для Senior+ MUST — DS-roles интенсивно stakeholder-facing, и большая часть materials / papers / community — английская.
Оставить заявку
Опишите задачу и оставьте контакт — заявка попадёт в CRM, ответим на указанный контакт.