Карьерный путь дата-саентиста при смене профессии
Карьерный путь дата-саентиста: половина работы — подготовка данных. Пять слоёв навыков, реальные сроки перехода и зарплаты в России по Хабр Карьере и hh.ru.
Дата-саенс называют самым широким переходом в IT, и именно ширина в нём ловит. За дверью приличные деньги: калькулятор Хабр Карьеры по специализации «Учёный по данным» показывает 235 000 ₽ в месяц по всем грейдам, а hh.ru по профессии Data Scientist — вилку от 116 000 до 350 000 ₽. Но вход долгий: 9–24 месяца при 15–20 часах занятий в неделю, и срок зависит от того, сколько статистики, программирования и живых данных уже в вашей нынешней работе. Решает не список курсов, а порядок слоёв: какие строить первыми, а какие прошлая профессия закрыла за вас.
Это опорная статья кластера об ИИ и данных: полный маршрут от SQL до развёрнутых моделей, затем — способ сжать его под четыре обычные точки старта. Если вы ещё выбираете направление, начните с полного руководства по смене профессии и возвращайтесь сюда, когда цель определена.
Чем занимается дата-саентист на самом делеPermalink to “Чем занимается дата-саентист на самом деле”
Публичный образ профессии — эффектные модели и нейросети. Рабочая реальность — починка данных.
По глобальному исследованию Anaconda, практики в мире отдают 45% рабочего времени подготовке данных: загрузке, чистке, приведению в порядок — до того, как моделирование вообще начнётся. Одна эта цифра должна перестроить ваш учебный план. Навыки, съедающие почти половину рабочей недели, — SQL, чистка данных, умение выстроить подготовку в повторяемый процесс — дешевле всего осваивать, пока вы ещё получаете зарплату на прежнем месте.
Оставшаяся половина — это статистика с планированием экспериментов, собственно модели и объяснение результатов людям, которые примут по ним решения. Последнюю часть не пишут в вакансиях, но проверяют на каждом собеседовании. Маршрут обязан закрыть все три — именно в таком порядке усилий.
Слой, которого не было в старых маршрутахPermalink to “Слой, которого не было в старых маршрутах”
Любой карьерный путь дата-саентиста, написанный до 2023 года, пропускает целый пласт: работу с ИИ-инструментами как ежедневной нормой. В опросе Stack Overflow 2025 года 84% разработчиков ответили, что пользуются ИИ-инструментами или собираются, — год назад таких было 76%. Работа с данными не осталась в стороне.
Входной порог от этого сместился сразу в две стороны. Типовые навыки — переписать учебную модель поверх аккуратного CSV-файла — стоят меньше прежнего: ассистенты подняли нижнюю планку для всех. Дороже стало суждение поверх инструментов: поставить вопрос, заметить, что результат неверен, проверить качество данных, защитить вывод перед скептиками. Джунов продолжают нанимать, но берут тех, кто приносит доказательства суждения, а не коллекцию сертификатов.
Как это разворачивается в соседней роли, разобрано в анализе заменит ли ИИ аналитиков данных. Для нашего маршрута вывод такой: свободное владение ИИ-инструментами — базовый слой, который строится с первого проекта, а не приложение в конце.
Кто переходит быстрее всехPermalink to “Кто переходит быстрее всех”
Нынешняя роль определяет, какие этапы маршрута можно пропустить или сжать.
| Откуда приходите | Что уже приносите | Чего не хватает | Срок при 15–20 часах в неделю |
|---|---|---|---|
| Аналитик данных | SQL, бизнес-контекст, дашборды | Глубина статистики, Python, машинное обучение, деплой | 9–14 месяцев |
| Разработчик | Продакшен-код, системы, Git | Статистика, планирование экспериментов, общение с бизнес-заказчиками | 12–16 месяцев |
| Исследователь (наука, экономика) | Статистика, проверка гипотез, письмо | Инженерные привычки, продакшен-инструменты, бизнес-постановка задач | 6–12 месяцев |
| Эксперт предметной области (финансы, операции, медицина, маркетинг) | Правильные вопросы, доверие отрасли | SQL, Python, статистика, весь инструментарий | 14–20 месяцев |
| Нетехническая профессия | Дисциплина, умение объяснять | Всё, но в правильном порядке | 18–24 месяца |
Две строки заслуживают комментария. Разработчики нередко считают переход делом техники — код-то уже в руках, — и буксуют на статистическом собеседовании. Исследователи ждут подвоха с другой стороны: что промышленность потребует инженерии, которой у них нет, и переучиваются в инструменты вместо того, чтобы понять, чем производственное решение отличается от академического. Обе заминки лечатся честной последовательностью, ради которой написан следующий раздел.
Маршрут: пять слоёв по порядкуPermalink to “Маршрут: пять слоёв по порядку”
Базовая последовательность рассчитана на нетехнический старт. Каждый слой заканчивается артефактом: слой без артефакта нельзя показать на собеседовании, а для нанимающей стороны не существует.
Слой 1: SQL и работа с данными (месяцы 1–4)Permalink to “Слой 1: SQL и работа с данными (месяцы 1–4)”
- SQL до рабочего уровня: соединения, агрегации, оконные функции, мышление запросами
- Электронные таблицы — как источник данных, а не место жизни
- Чистка данных как дисциплина: пропуски, дубликаты, сломанные кодировки
- Артефакт: один публичный разбор неаккуратного реального датасета — от сырых файлов до задокументированного вывода. В подборке первых проектов для перехода в аналитику есть готовые брифы именно этого уровня.
Слой 2: Python для данных (месяцы 3–7)Permalink to “Слой 2: Python для данных (месяцы 3–7)”
- Основы Python, затем pandas и работа в ноутбуках
- Визуализация, которая объясняет, а не украшает
- Python — безопасный выбор языкового слоя: на нём пишут 57,9% разработчиков в мире по опросу Stack Overflow 2025 года, прибавка около семи процентных пунктов за один год
- Артефакт: разбор из первого слоя, пересобранный на Python и расширенный вопросом, на который SQL не отвечал. Если колеблетесь между языками, сравнение SQL или Python: что учить первым разбирает порядок и компромиссы.
Слой 3: статистика, которая выдерживает собеседование (месяцы 6–11)Permalink to “Слой 3: статистика, которая выдерживает собеседование (месяцы 6–11)”
- Вероятности, распределения, выборки и доверительные интервалы как рабочие инструменты, а не экзаменационные темы
- Проверка гипотез и планирование A/B-экспериментов, включая то, что их ломает
- Линейная регрессия — глубоко, до любой модной модели
- Артефакт: письменный разбор спроектированного эксперимента или строгого наблюдательного исследования, где угрозы достоверности названы честно. Этот документ отделяет человека, прослушавшего курс статистики, от человека, которому можно доверить решение.
Слой 4: машинное обучение с суждением (месяцы 10–15)Permalink to “Слой 4: машинное обучение с суждением (месяцы 10–15)”
- Обучение с учителем от постановки до анализа ошибок: признаки, базовые модели, оценка
- Выбор модели как вопрос цены, а не гонка лидербордов
- Обучение без учителя — ровно в объёме, чтобы узнавать, когда оно не подходит
- Артефакт: одна развёрнутая модель или аналитический сервис за простым API или плановым заданием, с контролем дрейфа. Модель на ноутбуке — домашняя работа; модель, которую можно вызвать, — опыт работы.
Слой 5: слой решений (месяцы 12–18)Permalink to “Слой 5: слой решений (месяцы 12–18)”
- Изложение результатов так, чтобы нетехнический читатель действовал
- Отраслевая глубина в выбранной сфере — она же преимущество на собеседовании
- ИИ-инструменты кодинга и анализа как рабочая норма, которую профессия теперь предполагает
- Артефакт: два-три разбора, написанных для руководителей команд, каждый отвечает на бизнес-вопрос доказательствами, плюс связка, превращающая старую карьеру в преимущество новой.
Как сжать маршрут под вашу точку стартаPermalink to “Как сжать маршрут под вашу точку старта”
Базовая последовательность — маршрут самого длинного пути. Ответ на вопрос, как сменить профессию на дата-саентиста, у каждого свой, потому что прошлая работа закрывает разные слои.
Из аналитики данных. Первый слой уже ваш. Путь: сначала статистика, затем Python, затем развёрнутый проект. Козырь — доверие бизнес-заказчиков, которого нет у вчерашних выпускников. Мост настолько типовой, что у него есть собственная тропа: сравнение аналитика и дата-саентиста показывает, где роли расходятся. Наглядный ориентир: по калькулятору Хабр Карьеры Middle-аналитик по данным зарабатывает 185 833 ₽, а Middle-учёный по данным — 238 866 ₽: почти на треть больше за достройку до дата-саенса.
Из разработки. Код и рефлекс деплоя ваши. Риск — отношение к статистике как к формальности, которую закрывают на бегу. Первые полгода отдайте вероятностям и планированию экспериментов с той же серьёзностью, с какой брались бы за новую продакшен-систему: статистическое собеседование — то место, где переходы разработчиков ломаются чаще всего.
Из количественных исследований. Статистика и письмо ваши. Пробел — инженерная повседневность: контроль версий, тесты, воспроизводимая подготовка данных, привычка отдавать несовершенный ответ в срок. И переформулировка вопроса: из «что истинно» в «что нам делать» — эта перестройка больше любого инструмента.
Из предметной области. Ваши вопросы — главный актив. Кредитный аналитик или организатор работы клиники знает, какие разборы отрасли действительно нужны. Стройте SQL и Python рано и целите каждый проект в собственную сферу: эксперт предметной области, умеющий работать с данными, — самая защищённая джуновская позиция на рынке.
Сколько времени это занимаетPermalink to “Сколько времени это занимает”
| Точка старта | 15–20 часов в неделю | 25–35 часов в неделю |
|---|---|---|
| Нетехническая профессия | 18–24 месяца | 14–18 месяцев |
| Эксперт предметной области | 14–20 месяцев | 11–15 месяцев |
| Разработчик | 12–16 месяцев | 9–13 месяцев |
| Аналитик данных | 9–14 месяцев | 7–11 месяцев |
| Исследователь | 6–12 месяцев | 5–9 месяцев |
Вилки предполагают, что вы постоянно выпускаете работу наружу. Типичный провал — противоположный: два года курсов без единой публичной вещи, после чего поиск работы всё равно начинается с портфолио.
Сколько платят дата-саентисту в РоссииPermalink to “Сколько платят дата-саентисту в России”
Калькулятор Хабр Карьеры по специализации «Учёный по данным» даёт 235 000 ₽ в месяц по всем грейдам, уровень Middle — 238 866 ₽. По данным hh.ru, вилка профессии Data Scientist по вакансиям — от 116 000 до 350 000 ₽ в месяц. Калькуляторная цифра смещена вверх: она считает тех, кто уже работает, а не тех, кто ищет первую роль, поэтому первый оффер обычно лежит ниже. Зато опыт из прошлой карьеры нередко поднимает стартовое предложение: вместе с моделями команда получает знание отрасли.
По уровням картина такая: медианы калькулятора Хабр Карьеры — Junior 135 225 ₽, Middle 238 866 ₽, Senior 387 874 ₽ в месяц. Разбор зарплаты дата-саентиста раскладывает цифры по уровням и регионам.
И одна планировочная заметка для меняющих профессию: дорога через аналитику платит сама. Год в аналитике данных — оплачиваемая стажировка перед ролью учёного по данным, и она закрывает дыру в резюме, а не расширяет её.
Три ошибки, которые тормозят переходPermalink to “Три ошибки, которые тормозят переход”
Собирать сертификаты вместо артефактовPermalink to “Собирать сертификаты вместо артефактов”
Дюжина сертификатов и ни одной публичной работы — самое частое резюме в стопке отказов. Каждый слой выше заканчивается артефактом именно потому, что команды верят вещам, а не записям о прохождении. Что перевешивает при найме, отдельно разобрано в сравнении сертификатов и портфолио.
Учить модели до данныхPermalink to “Учить модели до данных”
Те самые 45% времени на подготовку данных — маршрут в миниатюре. Кандидат с богатым словарём моделей и слабым SQL проводит собеседование не на той стороне стола. Стройте слой данных, пока он не станет скучным, — модели после этого будут лёгкой частью.
Откликываться, только когда почувствуете готовностьPermalink to “Откликываться, только когда почувствуете готовность”
Поиск работы в дата-саенсе занимает месяцы, а обратная связь от настоящих откликов — самый дешёвый источник сведений о вашей готовности. С двенадцатого месяца базовой последовательности выходите на небольшой поток: два-три прицельных отклика в неделю, и пусть отказы подсказывают, какой слой укрепить.
Целите каждый проект в одну отрасль
Универсальные портфолио конкурируют с тысячами одинаковых ноутбуков про «Титаник». Портфолио, собранное вокруг одной сферы — три разбора кредитных рисков, потока пациентов или оттока подписчиков, — говорит нанимающей команде конкретную вещь: этот человек уже понимает наши вопросы. Прежняя карьера выбирает сферу бесплатно.
Чем помогает TraectaPermalink to “Чем помогает Traecta”
Самая дорогая ошибка на этом пути — понять, что порядок слоёв перепутан, на четырнадцатом месяце. Персональный план смены профессии в Traecta читает вашу реальную рабочую историю и строит порядок от неё: аналитик пропускает SQL-фундамент и стартует со статистики, разработчик — со статистики и работы с бизнес-заказчиками, исследователь — с инженерных привычек. План обучения дата-саентисту с нуля расписывается по часам, которые у вас реально есть, и портфолио растёт публично, пока вы сохраняете зарплату.
Я понял это раньше, чем выучил инструменты. Моей первой настоящей задачей с данными при переходе из системного администрирования в HealthTech было восстановление записей о приёме пациентов, которые полгода портил ночной процесс, — и самым ценным оказалось не само исследование, а понимание, что оно не начнётся, пока кто-то не разберётся, как именно ломаются данные.
ГлавноеPermalink to “Главное”
Три вывода. 1) Половина профессии — подготовка данных: стройте SQL и чистку первыми, модели приложатся. 2) Порядок сильнее объёма: прошлая работа уже закрыла вам часть слоёв, и сжатие именно её превращает 24-месячный маршрут в 9-месячный. 3) Артефакты побеждают сертификаты на каждом этапе — от экрана рекрутера до технического собеседования. Хотите разложить эту последовательность по своей настоящей рабочей истории — персональный план обучения в Traecta начнёт с того, что вы уже умеете, и достроит путь в дата-саенс оттуда.
