
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 ₽.
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.
Решает задачи на табличных данных: скоринг, прогноз оттока и спроса, антифрод. Работает с pandas, scikit-learn, CatBoost и LightGBM, тщательно строит валидацию и признаки.
Классифицирует и извлекает данные из текстов, дообучает трансформеры, собирает RAG-системы и агентов на LLM. Инструменты - PyTorch, Hugging Face Transformers, LangChain или LangGraph.
Строит ранжирование товаров, контента и поиска: коллаборативная фильтрация, двухуровневые модели, эмбеддинги. Оценивает модели офлайн по NDCG и онлайн через A/B-тесты.
Обучает модели детекции, сегментации и распознавания на изображениях и видео: контроль качества на производстве, распознавание документов. Стек - PyTorch, OpenCV, YOLO.
Прогнозирует продажи, нагрузку и цены для планирования закупок и логистики. Работает с сезонностью и праздниками, использует градиентный бустинг, Prophet и нейросетевые модели.
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
Спрос по областям
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.
- 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
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
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 профессииПлюсы 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
Курсы и обучение
Структурированное обучение сокращает время входа в профессию и перехода между грейдами. Выбирайте курс исходя из текущего уровня.
Курсы для начинающих




Курсы для продолжающих

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










