Мы используем технические cookie и обезличенный журнал посещений Zorky. Яндекс Метрику (данные хранятся на серверах в РФ) включаем только с вашего согласия. Данные не продаём. Подробнее о cookie и статистике.
Zorky в тестовом режиме — всё бесплатно. Вакансии и страницы компаний открыты всем; ссылки на объявления и личная подборка — после регистрации. Зарегистрироваться →

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.

3 112
открытых вакансий — по заголовку вакансии, без перепубликаций
$11 032
медиана $/мес
27%
удалённых

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
Новые вакансии за неделю. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодНовые вакансии за неделю
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

Активных источников за неделю

Источников всего за период: 250. ▲ — неделя, когда подключилось много новых источников.

Данные графика
Активных источников за неделю. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодАктивных источников
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
Подключение новых источников: 22 июн. +21 · 29 июн. +35 · 6 июл. +25 · 13 июл. +19 · 20 июл. +20 · все недели (22) — в таблице
НеделяНовых источниковНовых вакансий
8 июн.+694
15 июн.+995
22 июн.+21289
29 июн.+35305
6 июл.+25370
13 июл.+19473
20 июл.+20303
27 июл.+12203
3 авг.+6235
10 авг.+2167
24 авг.+1139
31 авг.+1149
7 сент.+2181
14 сент.+3226
21 сент.+9661
28 сент.+4471
5 окт.+7446
12 окт.+81 090
19 окт.+13719
26 окт.+6684
2 нояб.+10636
9 нояб.+9730

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
Динамика: вакансии и источники — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяНовые вакансии за неделюАктивных источников
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

Зарплаты во времени

Медиана зарплат в вакансиях Data Scientist по неделям, в долларах США в месяц.

Медиана зарплаты, $ в месяц

Данные графика
Медиана зарплаты, $ в месяц. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодМедианаСколько вакансий с зарплатой за неделю (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

Ряд начинается с 21 сент.: раньше данных нет.

Сколько вакансий с зарплатой за неделю (n)

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
Зарплаты во времени — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяМедиана
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

Удалённая работа во времени

Какая доля вакансий Data Scientist предлагала полностью удалённую работу — по неделям.

Доля удалённых вакансий, %

Данные графика
Доля удалённых вакансий, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодУдалённо
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

Доля считается среди вакансий, где формат указан (удалённо, гибрид, офис). Недели, где таких меньше 10, пропущены.

Данные графика
Удалённая работа во времени — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяУдалённо
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

Технологии во времени

Как менялась доля вакансий Data Scientist, где упоминается каждая из главных технологий.

Доля вакансий с технологией, %

Данные графика
Доля вакансий с технологией, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодPythonSQLcloud
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
На графике до 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
Технологии во времени — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяPythonSQLcloudllmAWS
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

Страны во времени

Как менялась доля вакансий Data Scientist в каждой из главных стран — по неделям.

Доля вакансий в стране, %

Данные графика
Доля вакансий в стране, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодСШАВеликобританияПольша
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
На графике до 5:

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
Страны во времени — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяСШАВеликобританияСингапурИндияПольша
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

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
Индекс найма, 16 окт. = 100. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодИндекс найма
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

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
Чистый рынок: индекс найма — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ДеньИндекс найма
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

Сколько открытых вакансий Data Scientist и сколько подходящих специалистов видит Zorky.

Спрос и наблюдаемый пул

Данные графика
Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательЗначение
Открытый спрос3 112
Открытый спрос3 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

P25 $7 391 · P50 $11 032 · P75 $14 888
Данные графика
Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательЗначение
<$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
Зарплата в вакансиях: база 3 112
  • 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
Распределение зарплат — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательНижняя границаВерхняя границаКоличество
<$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

В каких странах больше всего открытых вакансий Data Scientist.

География спроса

странавакансийдоля
Соединенные Штаты93835,2%
Великобритания27710,4%
Сингапур2007,5%
Индия1646,2%
Польша1606%
Германия1174,4%
Франция893,3%
Канада853,2%
Россия572,1%
Бразилия371,4%
Остальные страны54120,3%

Лидер по числу DS-вакансий — США (938 позиций). Польша — DS-friendly EU-хаб.

⚠ только число вакансий: зарплата по странам не публикуется

Данные графика
География спроса — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
СтранаВакансии
US938
GB277
SG200
IN164
PL160
DE117
FR89
CA85
RU57
BR37

Какие технологии чаще всего требуют в одной вакансии с Data Scientist.

С чем используется вместе

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%

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
С чем используется вместе — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НазваниеКоличество
python1 626
sql1 148
cloud712
llm471
aws451
azure317
databricks289
pandas276
pytorch268
scikit-learn254
mlops242
spark229

Сколько вакансий Data Scientist на каждом уровне — от junior до principal.

Спрос по уровням

уровеньвакансий
senior1 055
principal279
lead170
junior157
middle151

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
Спрос по уровням — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
УровеньКоличество
senior1 055
principal279
lead170
junior157
middle151

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.

крупнейший 2%2–3-й 2,1%4–10-й 3,3%остальные 92,7%
долязначение
крупнейший2.0%
топ-34.1%
топ-107.3%
длинный хвост92.7%

⚠ 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
Откуда Zorky видит этот рынок — Data Scientist. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
КлассНазваниеНазвание на английскомКоличествоДоля
atsATS и карьерные сайтыATS & career sites2 0180,6485
boardджоб-борды и агрегаторыjob boards & aggregators9310,2992
telegramTelegramTelegram1570,0504
communityсообщества и публичные профилиcommunity & public profiles60,0019

Самые новые вакансии Data Scientist с сайтов компаний.

Свежие вакансии

Все вакансии →

Свежие открытые DS-вакансии — последние 10 позиций с приемлемым качеством описания. Полный список — в нашем CRM или по ссылке «смотреть все» ниже.

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.

AI / LLM EngineerComputer VisionML EngineerMLOps EngineerNLP EngineerResearch Engineer / Scientist

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.

Отправляя заявку, вы соглашаетесь с политикой обработки данных.