Дата-сайентист: кто это и что он делает на работе в 2026

Кто такой дата-сайентист простыми словами

Дата-сайентист (data scientist, специалист по науке о данных) учит компьютер принимать решения по прошлому опыту. Он берёт исторические данные компании, находит в них закономерность и превращает её в модель, которая сама оценивает новые случаи: этому клиенту дать кредит, этому показать скидку, эту транзакцию заблокировать как подозрительную. Результат его работы измеряется деньгами, а не красотой отчёта.

Англоязычный термин прославила статья Томаса Дэвенпорта и Ди Джея Патила в Harvard Business Review за октябрь 2012 года с громким названием «Data Scientist: The Sexiest Job of the 21st Century». С тех пор термин прижился и в России, хотя в вакансиях встречаются и русские варианты: «специалист по анализу данных», «исследователь данных».

Если одной фразой: дата-сайентист превращает данные в прогноз, а прогноз в решение с измеримым эффектом.

Главное, что отличает профессию: дата-сайентист работает с вероятностями. Он не говорит «клиент уйдёт», он говорит «с вероятностью 0,8 клиент уйдёт в ближайший месяц, и вот почему модель так считает». Дальше бизнес решает, что с этим делать.

Одна задача от начала до конца: как выглядит работа

Допустим, банк теряет клиентов по кредитным картам и хочет заранее знать, кто собирается закрыть карту, чтобы успеть предложить ему что-то выгодное. На этом проекте хорошо видно, из чего состоит работа.

Вот как проект проходит через руки дата-сайентиста:

1. Постановка. Вместе с продуктовой командой он уточняет, что считать уходом клиента и на каком горизонте его предсказывать: за неделю бесполезно, за полгода слишком неточно.
2. Сбор данных. SQL-запросами вытаскивает из хранилища историю транзакций, обращений в поддержку, изменений лимита за последние два года.
3. Очистка и признаки. Это самая долгая часть: пропуски, дубли, ошибки выгрузки. Из сырых строк он строит признаки вроде «сколько раз за месяц клиент заходил в приложение».
4. Модель. На Python обучает несколько вариантов, от простой логистической регрессии до градиентного бустинга, и сравнивает их качество на отложенных данных.
5. Проверка на деньгах. Запускает A/B-тест: половина группы риска получает предложение, половина нет. Через месяц сравнивает отток.
6. Передача в работу. Если эффект есть, модель встраивают в систему банка, чаще всего вместе с ML-инженером.

Обратите внимание на соотношение. Обучение модели здесь занимает один шаг из шести, а большая часть времени уходит на данные и на разговор с бизнесом. Новичку полезно знать это заранее, чтобы выбирать обучение с упором на работу с данными, а не только на алгоритмы.

Владение A/B-тестированием, по опросу дата-сайентистов на Хабре, связано с доходом выше на 14% при прочих равных. Модель, эффект которой никто не измерил, для компании почти ничего не стоит.

Чем дата-сайентист отличается от аналитика и ML-инженера

Три роли работают с одними данными, но отвечают на разные вопросы. Аналитик данных объясняет, что произошло и почему. Дата-сайентист строит модель, которая предсказывает, что произойдёт. ML-инженер делает так, чтобы эта модель стабильно работала в продукте под нагрузкой. В небольших компаниях один человек нередко совмещает две роли из трёх.

Если вы выбираете между этими направлениями, начните с того, что вам интереснее: искать причины, строить прогнозы или писать надёжный код. Подробнее об аналитике есть в статье кто такой дата-аналитик, а границу с инженерией мы разбирали в материале ML-инженер и Data Scientist: в чём разница.

Что должен знать дата-сайентист в 2026 году

Базовый набор почти не меняется много лет: Python, SQL, математическая статистика и классическое машинное обучение. Всё остальное, от нейросетей до LLM, надстраивается сверху и зависит от того, в какой команде вы работаете: рекомендации, скоринг, компьютерное зрение или тексты.

• Python с библиотеками pandas, NumPy, scikit-learn. Это рабочий язык, на нём пишется почти весь код.
• SQL на уровне сложных запросов с оконными функциями, потому что данные лежат в базах, а не в CSV-файлах.
• Статистика: проверка гипотез, доверительные интервалы, дизайн A/B-тестов.
• Машинное обучение от линейных моделей до градиентного бустинга (CatBoost, LightGBM, XGBoost) и умение честно оценить качество модели.
• Для части команд нужны нейросети на PyTorch и работа с языковыми моделями.
• Git и умение объяснить результат человеку без технического бэкграунда.

Отдельно стоит ML System Design, то есть умение спроектировать систему с моделью целиком, от данных до мониторинга. По данным опроса на Хабре, этот навык вместе с soft skills связан с более высоким грейдом. Для старта он не обязателен, но к уровню middle без него трудно.

Математика пугает новичков сильнее всего, хотя для junior хватает уверенной статистики, линейной алгебры на уровне матриц и понимания производной. Глубокая математика нужна прежде всего исследовательским командам.

В каталоге SkillEdge хорошо видно, как раскладывается этот стек: кроме программ «с нуля» по профессии есть отдельные короткие курсы по инструментам больших данных, например по ClickHouse на 2 мес. Их редакция советует оставлять на потом: для первой работы они вторичны по сравнению с Python, SQL и статистикой.

Где работают дата-сайентисты

Среди участников опроса на Хабре, указавших отрасль, 44% работают в банках и финтехе, это крупнейший сегмент выборки. Объяснение напрашивается: у банков много чистых данных, а ошибка в кредитном скоринге или антифроде стоит прямых потерь. Остальная часть рынка распределена между e-commerce, телекомом, крупными IT-компаниями и ритейлом.

Задачи сильно зависят от отрасли. В банке это скоринг, отток, антифрод и персональные предложения. В маркетплейсе рекомендации товаров, поиск и прогноз спроса для складов. В медицине анализ снимков и прогноз рисков, поэтому отдельные школы выпускают узкие программы вроде Data Scientist в медицине.

Из участников опроса 57% опроса работают в Москве, 14% в Санкт-Петербурге. Работать из региона на московскую компанию можно, но по зарплате регионы отстают: при прочих равных доход в регионах примерно на 23% ниже московского.

Сколько зарабатывает дата-сайентист

Медианный доход дата-сайентиста вырастает больше чем в три раза между уровнями junior и senior. По опросу 694 специалистов, опубликованному на Хабре, медиана у junior составляет 120 тыс. ₽ в месяц, у senior 380 тыс. ₽. Полная лестница от стажёра (54 тыс. ₽) до тимлида (440 тыс. ₽) на графике ниже. Данные собраны в 2025 году, 71% участников из Москвы и Петербурга.

Для сравнения: по отчёту Хабр Карьеры за второе полугодие 2025 года медианная зарплата во всём IT составила 183 тыс. ₽, у аналитиков данных 185 тыс. ₽. Middle дата-сайентист с медианой 220 тыс. ₽ выше обеих цифр, хотя сравнение грубое: в опросе преобладают москвичи.

Диапазоны соседних грейдов пересекаются: у 80% участников уровня middle доход лежит между 150 и 380 тыс. ₽, так что сильный middle получает как средний senior. Премии, по опросу, обычно добавляют 15-20% к окладу, это стоит учитывать при сравнении офферов. Актуальную вилку по вакансиям мы собираем на странице профессии Data Scientist.

Как быстро растут от стажёра до senior

Медианный путь выглядит так: junior примерно через год опыта, middle через три года, senior через пять, senior+ или тимлид через восемь. Это данные того же опроса на Хабре. Автор отдельно подчёркивает, что грейд сильнее связан с опытом, чем с возрастом. Значит, возраст сам по себе рост по грейдам не тормозит.

Выпускники МФТИ, МГУ и ВШЭ, прошедшие ШАД или Ozon Masters, при опыте 3-5 лет чаще занимают более высокий грейд. Их доход в опросе выше примерно на 26-32%. Это не значит, что без таких вузов путь закрыт, но конкурировать придётся портфолио и результатами.

Участники опроса в основном молодые: медианный возраст 26 лет, медианный опыт в DS 3 года. Самая большая группа участников находится на уровне middle: 39% выборки.

За уровнем senior есть выбор между экспертной веткой и руководством. Во втором случае работа заметно меняется. У руководителей уровня Head of DS на встречи уходит больше 15 часов в неделю, а оценка собственного развития навыков падает. Медианный доход Head of DS или CDO при этом достигает 1 млн ₽ в месяц.

Высокая зарплата не удерживает недовольных: из 69 высокооплачиваемых участников, недовольных работой, 62 всё равно ищут новое место или готовы к переходу. Смена работы, по ответам участников, даёт прибавку 30-50%, но треть опрошенных готова потерять в доходе ради интересных задач. Удовлетворённость в опросе сильнее всего зависела от ощущения справедливой оплаты и возможности расти, а не от абсолютной суммы.

Насколько трудно войти в профессию в 2026 году

В первом полугодии 2025 года число IT-вакансий на hh.ru сократилось на 20%, до 220 тыс., сообщает Хабр со ссылкой на hh.ru. На одну вакансию для младших специалистов приходилось 11,1 резюме, а для опытных всего 2,3. Конкуренция за места для новичков почти в пять раз выше, чем за места для опытных.

Для новичка это значит, что диплом курса сам по себе собеседование не откроет. Работает портфолио с понятными бизнес-задачами (прогноз оттока, рекомендации, скоринг), участие в соревнованиях и переход изнутри компании.

Хороший проект в портфолио отвечает на три вопроса:

• Какую бизнес-проблему он решает.
• Насколько модель лучше простого правила вроде «все, кто не заходил месяц, уйдут».
• Как бы вы проверили эффект в реальности, на каком A/B-тесте и по какой метрике.

Проект только с accuracy на учебном датасете есть почти в каждом курсе, поэтому кандидата он не выделяет.

Если вы уже аналитик, тестировщик или бэкенд-разработчик, переход в DS внутри своей компании обходит общий конкурс, который в IT для новичков доходил до 11 резюме на вакансию.

Платные курсы дают структуру, но не гарантию: в опросе на Хабре только 7 из 24 стажёров назвали курсы своим путём в профессию. Остальные пришли через вуз, самообразование или смену роли. Пошаговый план на год мы расписали отдельно в статье как стать Data Scientist с нуля.

Кому подходит профессия, а кому нет

Профессия подойдёт тому, кому нравится доводить вопрос до проверяемого ответа и кого не раздражает, что большая часть работы проходит в данных, а не в «искусственном интеллекте». Если вы готовы неделями чистить таблицы ради модели, которая улучшит метрику на пару процентов, это ваш вариант.

Скорее подойдёт, если:

• Вам нравилась математика или статистика, даже если вы давно ею не занимались и придётся вспоминать базу с нуля.
• Вы уже работаете с данными.
• Готовы год-полтора учиться до первой работы, совмещая это с текущей занятостью, и собирать портфолио параллельно с теорией.

Скорее не подойдёт, если:

• Хочется сменить профессию за три месяца.
• Вас утомляет неопределённость, когда гипотеза не подтвердилась, модель не обошла простое правило и неделя работы ушла «в стол».
• Больше привлекает писать продуктовый код. Тогда честнее посмотреть в сторону разработки или ML-инженерии, где результат виден сразу в интерфейсе.

Сколько стоит обучение на дата-сайентиста

В каталоге SkillEdge сейчас 9 курсов по профессии Data Scientist от 5 школ, цены от 45 000 ₽ до 195 271 ₽, медиана 110 160 ₽. Разброс большой, потому что под одной профессией лежат очень разные продукты: от короткого курса по одному инструменту до полной программы на год.

Сравнивая программы в каталоге, редакция видит три типа курсов. Первый: узкие курсы по инструментам вроде Apache Spark, они нужны тем, кто уже работает с данными. Второй: «профессия с нуля до junior», например программа Skillbox за 110 160 ₽ на 9 мес. Третий: расширенные программы, как курс Нетологии за 140 580 ₽ на 16 мес.

Наш вывод: новичку не нужен самый дорогой вариант. Одна из самых дорогих программ в каталоге по профессии, «Data Scientist + ИИ» за 195 271 ₽, добавляет к базе блок по ИИ, и это полезно, но вторично. Для первой работы важнее проверить, есть ли в программе статистика, A/B-тесты, SQL и проекты на реальных данных, ведь именно это проверяют работодатели.

Прежде чем платить, сверьте программы бок о бок в разделе сравнения курсов и посмотрите все варианты в каталоге курсов Data Scientist. Как мы отбираем и проверяем курсы, описано на странице о редакции.