Обложка профессии

Data Scientist

Data Scientist - специалист, который строит и проверяет модели машинного обучения на данных компании: прогнозирует спрос и отток, оценивает риски, ранжирует товары, обрабатывает тексты и изображения.

Высокий порог входа из-за математики и ML, зато один из самых высоких потолков в аналитике: senior получает 280–380 тыс ₽.

90-380 тыс ₽
Диапазон зарплат
10-18 месяцев
До первой работы
13 человек
Конкурс на место

Чем занимается Data Scientist

Data Scientist отвечает за то, чтобы модель реально улучшала бизнес-метрику, а не только показывала хороший ROC AUC на тесте. Изо дня в день он формулирует задачу вместе с бизнесом, собирает признаки из сырых данных, ставит эксперименты и разбирает ошибки модели. На выходе - обученная модель, отчёт об эффекте A/B-теста и код, который можно передать в прод. От аналитика данных роль отличается тем, что строит предсказания, а не отчёты, от ML-инженера - фокусом на постановке задачи и качестве модели, а не на инфраструктуре.

Классический ML

Решает задачи на табличных данных: скоринг, прогноз оттока и спроса, антифрод. Работает с pandas, scikit-learn, CatBoost и LightGBM, тщательно строит валидацию и признаки.

NLP и LLM

Классифицирует и извлекает данные из текстов, дообучает трансформеры, собирает RAG-системы и агентов на LLM. Инструменты - PyTorch, Hugging Face Transformers, LangChain или LangGraph.

Рекомендательные системы

Строит ранжирование товаров, контента и поиска: коллаборативная фильтрация, двухуровневые модели, эмбеддинги. Оценивает модели офлайн по NDCG и онлайн через A/B-тесты.

Компьютерное зрение

Обучает модели детекции, сегментации и распознавания на изображениях и видео: контроль качества на производстве, распознавание документов. Стек - PyTorch, OpenCV, YOLO.

Прогнозирование и временные ряды

Прогнозирует продажи, нагрузку и цены для планирования закупок и логистики. Работает с сезонностью и праздниками, использует градиентный бустинг, Prophet и нейросетевые модели.

Causal inference и эксперименты

Оценивает реальный эффект изменений и кампаний там, где чистый A/B-тест невозможен: uplift-моделирование, difference-in-differences, синтетический контроль.

Насколько востребован

Анализ рынка труда на основе данных Хабр Карьера и внутренней аналитики за 2025–2026 годы.

Высокая конкуренция

Желающих значительно больше, чем вакансий (от 13 кандидатов на место)

Спрос по формату работы

Полная удаленкаОфисГибрид

Спрос по областям

Банки и финтехE-commerce и маркетплейсыIT-компании и онлайн-сервисыТелекомРитейлПромышленность и энергетикаСтрахованиеМедицина и фарма

Навыки по грейдам

Junior и middle отличаются в основном качеством моделей и самостоятельностью. Дальше рост нелинейный: senior отвечает за эффект модели в деньгах и выбор задач, а lead - за то, чем вообще занимается DS-команда и как модели живут в проде.

Зарплата Junior
Менее 1 года опыта
90 000 - 155 000 ₽
Зона ответственности
  • Готовит данные и признаки по ТЗ
  • Обучает baseline-модели на scikit-learn
  • Пишет SQL-запросы к хранилищу
  • Проводит EDA в Jupyter
  • Считает метрики качества модели
  • Оформляет результаты для команды

Типичный список навыков и стек

Список требований, которые чаще всего встречаются в вакансиях Data Scientist на основе текущих предложений на Хабр Карьере

Как стать Data Scientist

Пошаговый план развития от нуля до senior-уровня. Сроки ориентировочные и зависят от интенсивности обучения и предыдущего опыта.

  • 0Python и SQL2–3 месяца

    Научиться писать код для работы с данными и доставать их из баз

    Задачи этапа:
    • Освоить синтаксис Python, функции, классы и работу с файлами

    • Работать с таблицами в pandas и массивами в NumPy

    • Писать SQL-запросы с JOIN, GROUP BY и оконными функциями

    • Вести код в Git и Jupyter Notebook

  • 1Математика и статистика2–3 месяца

    Подтянуть базу, без которой модели остаются чёрным ящиком

    Задачи этапа:
    • Повторить линейную алгебру: векторы, матрицы, разложения

    • Разобраться в производных и градиентном спуске

    • Изучить теорию вероятностей и распределения

    • Освоить проверку гипотез, доверительные интервалы и бутстрап

  • 2Классическое машинное обучение3–4 месяца

    Научиться строить и честно валидировать модели на табличных данных

    Задачи этапа:
    • Разобрать линейные модели, деревья и градиентный бустинг

    • Освоить scikit-learn, CatBoost и LightGBM

    • Строить кросс-валидацию без утечек данных

    • Выбирать метрики под задачу: ROC AUC, F1, MAPE

    • Решить 1–2 соревнования на Kaggle или аналогах

  • 3Deep Learning и специализация2–4 месяца

    Освоить нейросети и выбрать ветку: NLP, CV или рекомендации

    Задачи этапа:
    • Освоить PyTorch: тензоры, обучение, DataLoader

    • Дообучить трансформер из Hugging Face на своей задаче

    • Собрать простой RAG-сервис на LLM

    • Обучить модель детекции или классификации изображений

  • 4Портфолио и первая работа2–6 месяцев

    Показать работодателю законченные проекты, а не сертификаты

    Задачи этапа:
    • Сделать 2–3 проекта от сырых данных до выводов

    • Обернуть одну модель в API на FastAPI и Docker

    • Оформить репозитории на GitHub с README

    • Подготовиться к задачам по ML-теории, SQL и алгоритмам

    • Откликаться на стажировки и junior-вакансии в банках и бигтехе

  • 5Junior -> Middle1–2 года

    Вести ML-задачу целиком и доводить модели до продакшна

    Задачи этапа:
    • Самостоятельно ставить задачу и выбирать метрику с бизнесом

    • Дизайнить и анализировать A/B-тесты моделей

    • Освоить Airflow и Spark для пайплайнов данных

    • Настраивать мониторинг дрейфа и качества модели

  • 6Middle -> Senior2–3 года

    Отвечать за эффект моделей в деньгах и развивать команду

    Задачи этапа:
    • Оценивать экономический эффект модели и защищать его

    • Выбирать архитектуру ML-систем и MLOps-стек

    • Применять causal inference там, где нельзя A/B-тест

    • Менторить коллег и проводить ревью экспериментов

Обучение и курсы

Структурированный путь вместо хаотичного самообучения

Курсы не заменяют практику, но значительно сокращают время на поиск актуальной информации, дают обратную связь от менторов и помогают систематизировать знания. При интенсивном обучении с курсом можно выйти на рынок на 3–4 месяца быстрее.

Посмотреть курсы по профессии

Плюсы и минусы Data Scientist

Обсудили вместе с экспертами в профессии Data Scientist, какие они видят преимущества и недостатки профессий для новичков и растущих специалистов.

Плюсы

  • Высокие зарплаты с middle

    По Хабр Карьере медиана middle - 220 тыс ₽, senior - 330 тыс ₽, это выше, чем у большинства аналитических ролей.

  • Много удалённой работы

    Около трёх четвертей DS-вакансий на Хабр Карьере допускают удалёнку, а модели можно обучать на облачных GPU из любого города.

  • Интеллектуально сложные задачи

    Работа сочетает математику, программирование и исследование: каждая задача - эксперимент с неочевидным результатом.

  • Измеримый вклад в бизнес

    Хорошая модель скоринга или рекомендаций приносит компании миллионы, и этот эффект видно в A/B-тесте.

  • Широкий выбор отраслей

    Те же методы нужны в банках, e-commerce, телекоме, промышленности и медицине, сменить отрасль проще, чем во многих профессиях.

  • Рост спроса на LLM

    NLP и LLM уже встречаются в каждой третьей DS-вакансии на Карьере, на стыке с генеративным AI появляются новые роли.

Минусы

  • Самый жёсткий вход

    На junior-вакансию на Хабр Карьере приходят сотни откликов, а позиций без опыта на hh.ru около 10%.

  • Конкуренция на удалёнку

    Удалённые вакансии открыты кандидатам со всей страны, поэтому конкурс на них выше, чем на офисные.

  • Нужна серьёзная математика

    Без линейной алгебры, теории вероятностей и статистики не пройти собеседование и не понять, почему модель ошибается.

  • Модели часто не доходят до прода

    Значительная часть экспериментов не даёт эффекта или упирается в данные и инфраструктуру, это демотивирует.

  • Грязные данные и рутина

    Большую часть времени занимают сбор, чистка и проверка данных, а не обучение моделей.

  • Стек быстро устаревает

    За пару лет LLM и агенты поменяли половину NLP-инструментов, учиться приходится постоянно.

Зарплаты Data Scientist в РФ

Анализ рынка труда сделан на основе данных Хабр Карьера и внутренней аналитики за 2025–2026 годы

Москва
СПб
Регионы
Удалёнка
Junior
100 – 159К ₽
70 – 142К ₽
84 – 114К ₽
87 – 157К ₽
Middle
200 – 265К ₽
155 – 248К ₽
150 – 243К ₽
165 – 270К ₽
Senior
291 – 392К ₽
288 – 375К ₽
200 – 365К ₽
283 – 382К ₽
Lead / Architect
334 – 500К ₽
280 – 388К ₽
264 – 348К ₽
308 – 468К ₽

Курсы и обучение

Структурированное обучение сокращает время входа в профессию и перехода между грейдами. Выбирайте курс исходя из текущего уровня.

Курсы для начинающих

Обложка курса
4.99
222
8 мес
Логотип Академия ЭдюсонАкадемия Эдюсон
Data Science + ИИ
Data Science
SQL
Python
MySQL
Алгоритмы и структуры данных
Git
Jupyter Notebook
Машинное обучение
Power BI
Microsoft Excel
Математическая статистика
MatPlotLib
NumPy
Pandas
TensorFlow
Google Таблицы
Scikit-learn
Seaborn
Аналитика данных
от 3 371 ₽/мес
-71%
или сразу 80 900 ₽
Обложка курса
4.36
261
15 мес
Логотип НетологияНетология
Data Scientist с нуля: Расширенный тариф
Data Science
SQL
Google Таблицы
Статистика
Машинное обучение
Математическая статистика
SMART
Визуализация
Извлечение данных
ETL
Базы данных
Консоль
NumPy
Pandas
NLP
Обработка естественного языка
Компьютерное зрение
Линейная алгебра
Математика для Data Science
ChatGPT
Нейронные сети
Глубокое обучение
от 5 104 ₽/мес
-58%
или сразу 156 200 ₽
Обложка курса
4.54
1416
17 мес
Логотип Яндекс ПрактикумЯндекс Практикум
Специалист по Data Science расширенный
Data Science
SQL
Python
Git
Apache Airflow
Apache Spark
Jupyter Notebook
Big Data
Машинное обучение
Нейронные сети
MatPlotLib
NumPy
Pandas
PyTorch
NLP
SciPy
Командная строка
CatBoost
MLFlow
Optuna
HuggingFace
Аналитика данных
от 6 940 ₽/мес
-38%
или сразу 170 000 ₽
Обложка курса
4.28
264
9 мес
Логотип SkillboxSkillbox
Data Scientist с нуля до Junior
Data Science
SQL
Python
Git
Apache Airflow
Jupyter Notebook
Машинное обучение
Математика для Data Science
Power BI
Математическая статистика
Математическое моделирование
Теория вероятностей
Аналитика данных
от 6 432 ₽/мес
-46%
или сразу 141 496 ₽
Обложка курса
4.02
96
14 мес
Логотип SkillfactorySkillfactory
Полный курс по Data Science
Data Science
SQL
Python
Apache Hadoop
ООП
Парсинг
Data Engineering
Глубокое обучение
Машинное обучение
Искусственный интеллект
Математика для Data Science
A/B тестирование
MatPlotLib
NumPy
Pandas
Инженерия данных
Очистка данных
Plotly
Seaborn
Аналитика данных
от 3 750 ₽/мес
-50%
или сразу 135 000 ₽
Обложка курса
4.69
29
8 мес
Логотип БруноямБруноям
Data Scientist
Data Science
Python
Алгоритмы и структуры данных
NumPy
Pandas
MatPlotLib
Seaborn
Машинное обучение
Аналитика данных
Визуализация
Базы данных
SQL
MySQL
SQLite
PostgreSQL
Математическая статистика
Keras
Нейронные сети
Искусственный интеллект
от 3 662 ₽/мес
-50%
или сразу 87 900 ₽
Обложка курса
4.36
81
9 мес
Логотип GB (GeekBrains)GB (GeekBrains)
Профессия Data Scientist с нуля до Junior
Data Science
NoSQL
SQL
Python
Docker
Apache Kafka
Apache Airflow
Apache Spark
FastAPI
Big Data
Машинное обучение
Искусственный интеллект
Компьютерное зрение
Power BI
Microsoft Excel
Grafana
NumPy
Pandas
Gitlab
PyCharm
110 258 ₽
-45%
199 015 ₽
4.83
87
4 нед
Логотип StepikStepik
Введение в соревновательный Data Science
Data Science
Pandas
Валидация
Визуализация
Kaggle
Google Colab
Yandex.Cloud
от 2 516 ₽/мес
или сразу 5 032 ₽
Посмотреть все курсы

Курсы для продолжающих

Обложка курса
4.02
3
3 мес
Логотип karpov.courseskarpov.courses
Симулятор DS: тренажёр по анализу данных и машинному обучению
Data Science
SQL
Python
Базы данных
ClickHouse
Big Data
A/B тестирование
Data-driven
Проверка гипотез
Прогнозирование
LLM
36 750 ₽
-29%
51 600 ₽
Обложка курса
4.36
261
10 мес
Логотип НетологияНетология
Машинное обучение
Машинное обучение
Python
Обработка естественного языка
Data Science
Искусственный интеллект
Компьютерное зрение
Нейронные сети
NLP
Аналитика данных
от 2 481 ₽/мес
-47%
или сразу 53 600 ₽
Обложка курса
4.79
33
5 мес
Логотип SF EducationSF Education
Mini-MBA. Аналитик данных
Аналитика данных
Python
ООП
GitHub
Юкасса
Visual Basic
Data Science
Big Data
Язык R
Power BI
Tableau
Microsoft Excel
BPMN
NumPy
Pandas
Mini MBA
Trello
Юнит-экономика
Google Таблицы
Microsoft PowerPoint
Plotly
Seaborn
Power Query
Google аналитика
Яндекс Метрика
Аналитика для руководителей
от 8 332 ₽/мес
-65%
или сразу 149 975 ₽
Обложка курса
4.54
1416
4 мес
Логотип Яндекс ПрактикумЯндекс Практикум
ML-инженер с опытом
Docker
Машинное обучение
Искусственный интеллект
Apache Airflow
FastAPI
Prometheus
Data Science
Компьютерное зрение
Grafana
Yandex.Cloud
MLFlow
Optuna
от 4 735 ₽/мес
-26%
или сразу 116 000 ₽
Обложка курса
4.94
49
16 нед
Логотип Институт бизнес-аналитикиИнститут бизнес-аналитики
ИИ-Акселератор
Нейронные сети
Дашборд
Data Science
MBA
160 000 ₽
4.29
6
1 нед
Логотип Учебный центр IBSУчебный центр IBS
EAS-028 Машинное обучение для анализа естественного языка (NLP)
NLP
Обработка естественного языка
Машинное обучение
Нейронные сети
MatPlotLib
Pandas
Scikit-learn
Data Science
42 900 ₽
Обложка курса
4.02
3
4 мес
Логотип karpov.courseskarpov.courses
ML Design: Основы проектирования систем машинного обучения и ИИ-систем
Data Science
Big Data
Машинное обучение
Искусственный интеллект
Анализ требований
MLOps
Data-driven
Системный дизайн
RAG
Валидация
Пайплайн
178 500 ₽
-29%
250 500 ₽
Обложка курса
4.02
3
5 мес
Логотип karpov.courseskarpov.courses
Инженер данных
Инженерия данных
Data Engineering
Apache Hadoop
Базы данных
PostgreSQL
Kubernetes
Apache Airflow
Apache Spark
ETL
Data Science
Big Data
Машинное обучение
Tableau
DWH
Анализ требований
Визуализация
Greenplum
Пайплайн
Data-driven
Анализ процессов
103 950 ₽
-29%
145 900 ₽
Посмотреть все курсы

Резюме Data Scientist

Сделали собирательный образ-профиль должности специалиста на основе обезличенной базы данных специалистов Хабр Карьера.

Семён Семёныч
Data Scientist

Инструменты

Python
SQL
Jupyter Notebook
Pandas
Scikit-learn
CatBoost
PyTorch
Apache Airflow
Apache Spark
PostgreSQL
Docker
Git
MLFlow

Навыки

  • Пишу на Python чистый код для анализа данных и обучения моделей: pandas, NumPy, scikit-learn

  • Пишу сложные SQL-запросы к PostgreSQL и ClickHouse, включая оконные функции

  • Строю модели градиентного бустинга на CatBoost и LightGBM с корректной валидацией

  • Обучаю и дообучаю нейросети на PyTorch, работаю с трансформерами из Hugging Face

  • Собираю решения на LLM: промптинг, RAG, оценка качества ответов

  • Дизайню и анализирую A/B-тесты, знаю статистические критерии и бутстрап

  • Строю пайплайны данных и переобучения в Apache Airflow, работаю со Spark

  • Упаковываю модели в сервис на FastAPI и Docker, веду код в Git

  • Перевожу бизнес-задачу в постановку для ML

  • Объясняю результаты модели менеджерам без формул

  • Честно говорю, когда модель не даёт эффекта

  • Работаю в паре с дата-инженерами и бэкендом

Часто задаваемые вопросы

Ответы на популярные вопросы о профессии Data Scientist

  • Можно ли стать Data Scientist с нуля?

    Можно, но это один из самых долгих входов в IT: по нашей оценке, с нуля до первой работы уходит 10–18 месяцев при 15–20 часах занятий в неделю.

    За это время нужно освоить Python и SQL, математику и статистику, классический ML и основы нейросетей, а затем собрать 2–3 проекта в портфолио.

    Быстрее всего путь проходят аналитики данных, Python-разработчики и выпускники технических и математических специальностей.

  • Нужна ли для Data Science высшая математика?

    Да, но не на уровне научной работы: достаточно уверенно знать линейную алгебру, основы матанализа, теорию вероятностей и статистику.

    На собеседованиях почти всегда спрашивают, как устроены модели, почему переобучается бустинг, как проверить гипотезу и что такое p-value. Без математики на эти вопросы не ответить.

    Глубокая математика нужна в исследовательских командах и при разработке новых архитектур, а в продуктовых задачах важнее статистика и умение строить эксперименты.

  • Сколько зарабатывает Data Scientist?

    По данным зарплатного калькулятора Хабр Карьеры за 12 месяцев, junior получает 90–155 тыс ₽, middle - 174–260 тыс ₽, senior - 276–380 тыс ₽ (p25–p75).

    В Москве и на удалёнке на московские компании платят больше, чем в регионах: например, middle в Москве - 200–265 тыс ₽, в регионах - 150–243 тыс ₽.

    Руководители DS-команд получают 300–460 тыс ₽ и выше, а специалисты по LLM, по данным открытых обзоров, часто зарабатывают больше коллег из классического ML.

  • Нужен ли диплом, чтобы работать Data Scientist?

    Формально нет: в большинстве вакансий диплом не обязателен, решают навыки на собеседовании и проекты.

    Но техническое или математическое образование заметно помогает на старте: многие банки и бигтех охотнее берут на стажировки студентов профильных вузов и выпускников ШАДа и подобных программ.

    Если диплома нет, компенсировать его можно сильным портфолио, результатами соревнований на Kaggle и опытом в смежной роли - например, аналитика данных или Python-разработчика.

  • Чем Data Scientist отличается от аналитика данных и ML-инженера?

    Аналитик данных отвечает на вопрос «что произошло и почему» с помощью SQL, BI и статистики. Data Scientist строит модели, которые предсказывают будущее или принимают решения автоматически.

    ML-инженер отвечает за то, чтобы модель стабильно работала в продакшне: сервисы, пайплайны, масштабирование, мониторинг.

    В небольших компаниях эти роли часто совмещает один человек, в крупных они разделены. Если вам ближе исследования и эксперименты - выбирайте DS, если инженерия - ML-инженера.

  • Можно ли войти в Data Science после 30 лет?

    Да, возраст здесь мешает меньше, чем во многих других IT-профессиях, потому что ценится понимание предметной области.

    Человек с опытом в финансах, логистике, медицине или маркетинге, освоивший ML, может быть полезнее выпускника: он лучше понимает, какую задачу стоит решать и как проверить результат.

    Реалистичный путь - сначала стать аналитиком данных в своей отрасли, а затем переходить в DS внутри компании.

  • Можно ли работать Data Scientist удалённо?

    Да, это одна из самых удалённых профессий: около 76% DS-вакансий на Хабр Карьере за последние 12 месяцев допускают удалёнку.

    На hh.ru картина скромнее - в Москве удалёнку разрешает примерно треть вакансий, многие банки предпочитают гибрид.

    Для junior удалёнка доступна реже: новичку проще расти рядом с командой, а на удалённые вакансии откликаются кандидаты со всей страны. Поэтому первую работу многие находят в офисе или гибриде, а на полную удалёнку переходят уже с уровня middle.

  • Стажировка или сразу junior: с чего начинать?

    Для новичка без опыта стажировка - самый реальный вход: junior-вакансий мало, и на каждую приходят сотни откликов.

    Крупные банки и технологические компании регулярно набирают стажёров в DS, отбор обычно включает тест по Python, SQL, математике и ML-теории.

    Если у вас уже есть опыт аналитика или разработчика, можно сразу откликаться на junior: смежный опыт часто засчитывают. Внутренний переход из аналитики в DS в той же компании - ещё один частый и более спокойный путь.

  • Как проходят собеседования на Data Scientist?

    Обычно это 3–4 этапа: скрининг, задачи по Python и SQL, секция по ML-теории и статистике, затем разбор ваших проектов или ML System Design.

    На ML-секции спрашивают, как работают линейные модели и бустинг, как бороться с переобучением, как выбрать метрику и построить валидацию.

    На уровне middle и выше добавляется кейс: как бы вы решили задачу бизнеса целиком, от данных до A/B-теста. Хорошо помогает заранее подготовить рассказ о 2–3 своих проектах: что пробовали, что не сработало и почему.

  • Нужен ли английский для Data Science?

    Да, хотя бы на уровне чтения: документация библиотек, научные статьи и большая часть свежих материалов про LLM выходят на английском.

    Для работы в российской компании разговорный английский обычно не обязателен, но он открывает доступ к международным соревнованиям и иностранным заказчикам.

    Начать можно с технического чтения и постепенно подтягивать язык по ходу обучения: читать документацию scikit-learn и PyTorch в оригинале, а затем статьи с arXiv.

  • Заменит ли AI специалистов по Data Science?

    В обозримом будущем - нет, но AI уже меняет работу: рутинный код, EDA и baseline-модели всё чаще пишутся с помощью LLM-ассистентов.

    При этом спрос смещается: в вакансиях Хабр Карьеры LLM упоминаются уже в 27% DS-вакансий, NLP - в 33%. Компаниям нужны люди, которые умеют строить и оценивать системы на LLM.

    Риск выше для тех, кто умеет только запускать готовые модели. Понимание математики, экспериментов и бизнес-задачи остаётся за человеком.

  • Что учить в 2026 году: классический ML или LLM?

    Начинать стоит с классического ML: на нём проверяют базу на собеседованиях, и большинство задач в банках и ритейле по-прежнему табличные.

    После этого имеет смысл добавить deep learning и LLM: умение собирать RAG и дообучать модели заметно повышает шансы и зарплату.

    Переходить сразу к LLM без понимания валидации и метрик рискованно - такие кандидаты плохо проходят ML-секцию и не могут объяснить, почему их решение работает лучше простого baseline.

Узнайте больше о профессиях Аналитика и Data Science/Data Science

Хотите узнать больше о популярных профессиях и навыках, прежде чем начать выбирать? Наши эксперты подготовили еще несколько подборок со схожими позициями на рынке, чтобы вы чувствовали себя уверенно при принятии решения по выбору будущей профессии

Покажем курсы с пробным уроком

Попробовать бесплатно