
Сейчас я Senior Data Scientist в крупном банке, спикер и преподаватель ИТМО, готовлю ребят к собесам. Здесь хочу поделиться мыслями и рассказать, как эти роли выглядят изнутри, сколько за них платят по 695 живым вакансиям за ноябрь 2026 и на чем я сам набил шишки, включая оффер на 810 тысяч, который у меня отозвали.
Аналитик отвечает на вопрос «что происходит». Data scientist решает, что с этим делать и как это посчитать. ML-инженер делает то же самое, только глубже уходит в саму модель и код и меньше общается с бизнесом.
Как я выбирал, не понимая разницы
По образованию я инженер, проектировал дороги и мосты. Считал конструкции и параллельно автоматизировал часть этой работы. Еще в 2018-2019, когда я был студентом, у меня в голове сидела мысль, что сильным инженером будет тот, кто умеет не просто посчитать, а делать это в БОЛЬШОМ объеме.
В машинное обучение я пришел с довольно наивной идеей. Мне казалось, что я научусь автоматизировать вообще все проектирование мостов, сделаю такую красную кнопку и чуть ли не революцию в отрасли устрою 🌉
Когда начал учиться, понял две вещи. В данных просто больше карьерных возможностей, а стройка очень консервативная и за временем идет тяжело. Жизнь слишком короткая, чтобы ждать, пока она догонит, поэтому от красной кнопки для мостов пришлось отказаться.
Про аналитику я тогда вообще не думал. Дата-инженер показался скучной профессией. Мне хотелось того же, что было в стройке: предлагать решения, конструкции, новые подходы, и чтобы сначала надо было подумать своей головой, а потом уже делать. Такое место нашлось только в data science и ML.
Выбрал я, получается, почти вслепую, по одному ощущению «где дают думать». Ощущение не подвело, но теперь я знаю, как эти роли устроены на самом деле, и ниже разложу все так, как сам хотел бы прочитать тогда.
Одна задача, три человека
Возьмем задачу, которая есть в любом банке. Клиенты уходят: закрывают карты, перестают платить, уносят деньги в соседний банк, и бизнес приходит с просьбой «сделайте что-нибудь с оттоком». Дальше над этой задачей работают три разных человека, и у каждого своя часть.

Аналитик первым делом выясняет, что вообще происходит. Сколько людей ушло за квартал, из каких продуктов, после каких событий, где отток вырос, а где это просто сезон. Он собирает дашборд, по которому бизнес каждое утро смотрит на цифры, и если команда запускает удерживающий оффер, именно аналитик вместе с бизнесом ставит A/B-тест и считает, сработало или нет.
Data scientist садится с заказчиком и выясняет, что тот на самом деле хочет. И тут бывает интересная штука, с которой я сам регулярно прихожу к заказчикам. Бизнес думает, что ему нужно оптимизировать одну конкретную метрику, а другая цель дала бы ему то же самое лучше и быстрее. Например, просят модель «кто уйдет», а деньги на самом деле приносит модель «кого удержание реально вернет», потому что самые верные клиенты и так никуда не денутся 🎯 Дальше data scientist собирает данные, обучает модель, проверяет ее, объясняет результат бизнесу и защищает решение, а потом следит, чтобы модель не устарела.
ML-инженер на этой задаче делает почти то же, что data scientist, только с другого конца. С заказчиком он говорит меньше, зато глубже сидит в самой модели: собирает пайплайн обучения, выжимает качество и ускоряет расчет, чтобы прогноз по миллионам клиентов успевал к утру. Во многих командах это вообще один и тот же человек, а что написано в должности, зависит от компании.
| слово | что значит |
|---|---|
| дашборд | экран с графиками и цифрами, который обновляется сам |
| A/B-тест | половине клиентов даем новое, половине старое и сравниваем результат |
| модель | программа, которая по прошлым данным считает прогноз, например шанс, что клиент уйдет |
| прод | боевая система, в которой модель работает на настоящих клиентах |
| пайплайн | цепочка шагов от сырых данных до готового прогноза |
| фича | признак клиента, на котором учится модель: возраст, остаток на счете, число покупок |
Граница между ролями не железная. В небольшой компании все три шапки может носить один человек, а в большом банке вокруг них стоят еще дата-инженеры, MLOps и продакты, про них ниже.
Чем занимается аналитик данных
Аналитик чаще всего сидит на стороне бизнеса. Его задачи:
- дашборды и метрики, которые бизнес смотрит каждый день
- расчет результатов экспериментов и A/B-тестов
- проверка гипотез вроде «правда ли, что после смены тарифа ушли именно эти клиенты»
- в продуктовой аналитике поиск инсайтов в данных, например в продажах, и свои идеи, как сделать продукт лучше
Честно скажу, что по тому, что я вижу в бигтехе, аналитику часто достается рутина: на него скидывают проверки фактов и доказательства. Возможно, это особенность больших компаний, где ритм спокойный и размеренный, а в продуктовых командах и стартапах аналитик гораздо ближе к решениям.
Зато аналитик очень полезен тому, кто строит модель. В банке аналитики знают свою область: в каких таблицах лежат нужные данные, каким полям нельзя верить, какие гипотезы стоит проверить, ПРЕЖДЕ чем идти обучать модель. Поговорить с ними до старта значит сэкономить себе неделю.
И еще один сдвиг, который видно по вакансиям. От аналитиков все чаще хотят базовое понимание машинного обучения, хотя бы чем отличаются его основные задачи. Аналитика понемногу заезжает на территорию data science и, как по мне, со временем заберет у нее заметную часть работы.
Кто такой data scientist простыми словами
В топе выдачи data scientist описывают как ученого, который исследует данные. Это правда наполовину. Есть исследовательские команды при институтах и больших лабораториях, и там люди действительно отчасти ученые. Но гораздо больше data scientist'ов работает в коммерции: в банках, ритейле, стартапах, везде, где модель должна приносить деньги.
Там data scientist это самый настоящий прикладной инженер. Он подумает за бизнес, поймет, какую метрику и как считать, соберет прототип, покопается в данных, обучит модель и выкатит ее, а потом объяснит заказчику, почему решение именно такое. Как полузащитник «бокс-ту-бокс» в футболе, который носится от своей штрафной до чужой и успевает и в защите отработать, и атаку завершить ⚽
В 2022-2023 data scientist был универсальным бойцом, который решает все и везде. С тех пор сфера сильно выросла, и часть его работы забрали соседи: дата-инженеры готовят данные, AI-продакты берут на себя часть общения с бизнесом. Но кто-то все равно должен понять, чего бизнес хочет, перевести это в метрику и защитить результат, и это до сих пор data scientist.
Ценят его сейчас не за количество лет опыта, а за скорость: как быстро он развернет гипотезу, проверит ее и вернется к бизнесу с результатом или с идеей, где заработать еще. Ближайшая аналогия из разработки это фулстек, который умеет и фронт, и бэк, только в мире данных.
Правда ли, что в data science все очень умные
Когда я шел в data science, я был уверен, что там сидят невероятно умные люди, что я буду с открытым ртом слушать их на созвонах и никому там не буду нужен.
На первом же ежедневном созвоне в компании кто-то пожаловался, что у него не открывается ноутбук с кодом. Я по старой памяти из стройки подсказал, что его можно открыть через консоль как обычный питоновский файл и достать оттуда нужный кусок. И слышу в ответ: «вау, круто, ты, конечно, шаришь» 😅
Потом, поработав, я понял, что пропасти между мной и людьми с 5, 8 и 10 годами опыта нет. Через год я собрал свой пайплайн отбора фичей, который работает в 10 раз быстрее того, что было у нас до этого, и пользуюсь им до сих пор. Он простой. Я до сих пор не понимаю, зачем придумывать хитрое решение, когда простое дает почти то же качество и выигрывает в скорости в 10-20 раз, потому что на прототипах скорость проверки важнее самого изощренного отбора.
Так что если тебя останавливает мысль «я для этого недостаточно умный», то меня она тоже останавливала, и зря.
Что делает ML-инженер
Скажу сразу: ML-инженер и data scientist это почти одна работа, и во многих компаниях разница только в названии должности. Там, где роли все-таки разводят, ML-инженер меньше разговаривает с бизнесом и больше строит. Он отвечает за пайплайн обучения, за метрики качества, за скорость и за то, чтобы модель жила в проде. Задачи у него обычно сложнее технически: системы, которые работают сразу с текстом, картинками и звуком, RAG (это когда нейросеть отвечает не из головы, а сначала находит нужное в документах компании), агенты (нейросеть, которая сама выполняет цепочку действий), дообучение больших моделей под свою задачу.
Внутри профессии несколько направлений, и платят в них за разное.
| направление | чем занимаются |
|---|---|
| классический ML | кредитный скоринг, удержание клиентов, динамические цены, рекомендации: то, за что финтех и бигтех платят деньги |
| CV | компьютерное зрение, картинки и видео; рынок небольшой, но очень интересный |
| NLP | тексты, поиск, чат-боты |
| AI-инженер | стык ML и бэкенда: RAG, агенты, боты-операторы, автоматизация отчетов и документации |
| кванты | алгоритмическая торговля на биржах, очень маленькая каста |
Нейронки сильно упростили «просто обучить модель», и кажется, что скоро все сделает один запрос в чат. Но когда система нагруженная, любая ошибка стоит компании денег, и за ней всегда стоит технарь, который понимает, что у него внутри.
Кто еще рядом с этими ролями
В большой компании вокруг трех главных ролей стоят еще трое, и их тоже путают.
| роль | что делает |
|---|---|
| дата-инженер | собирает таблицы и пайплайны данных, следит, чтобы данные приезжали целыми и вовремя |
| MLOps | отвечает за инфраструктуру: модели в проде считаются по расписанию, а если что-то сломалось, приходит сигнал |
| AI-продакт | ведет AI-продукт со стороны бизнеса, переводит пожелания заказчика в задачи |
Про AI-продактов у меня мнение не самое популярное. Плюс в том, что они не лезут глубоко в техническое. Минус в том, что роль часто раздутая: с заказчиком все равно приходится общаться самому, а потом еще и продакту объяснять, что, зачем и почему. Сильные AI-продакты, которых я видел, все бывшие data scientist'ы, которым меньше захотелось писать код. Новые пока слабые, потому что самой индустрии от силы год-два.
Таблица отличий
| аналитик данных | data scientist | ML-инженер | |
|---|---|---|---|
| главный вопрос | что происходит и сработало ли | что делать и как это посчитать | как технически собрать и обучить модель |
| основная работа | дашборды, метрики, A/B-тесты, проверка гипотез | постановка задачи, модель, проверка, мониторинг, объяснение бизнесу | пайплайн обучения, качество, скорость, сложные модели |
| с кем говорит | бизнес, продакт | бизнес, аналитики, инженеры | data scientist'ы, бэкенд, MLOps |
| за что отвечает | решение принято на верных цифрах | модель принесла бизнесу эффект | модель дает качество и считается быстро |
Data scientist умирает?
Если смотреть на поиск, похоже на то. В Яндексе с марта 2025 по сентябрь 2026 запрос «data scientist» упал ВДВОЕ, «ml инженер» вдвое вырос, а «ии инженер» вырос в 4,5 раза.

В вакансиях картина похожая. Из 695 вакансий, которые наш сборщик собрал за 4-14 ноября 2026, в названии стоит:
- аналитик: 432
- data scientist: 69
- ML-инженер: 54
- AI-инженер: 34
Но я бы не говорил, что профессия умирает. Должность data scientist есть и сейчас, у нас в банке тоже. Она меняется и начинает называться по-другому. Открой вакансию AI-инженера, и большая часть задач там окажется задачами data scientist'а, только сверху добавится бэкенд: собрать сервис с моделью под ключ. Это, пожалуй, единственное заметное отличие.
Слово «data scientist» закрепилось в финтехе, где такие люди были нужны больше всего. Там инфраструктура уже настроена, запускать большой сервис с нуля не надо, зато данных много и есть место для исследований и гипотез. В стартапах и небольших компаниях data scientist с широким набором навыков будет цениться еще долго, как бы ни развивалась отрасль.
AI-инженер: хайп и ловушка
AI-инженер сейчас самая хайповая вакансия и останется такой еще несколько лет. Но начинать с нее с нуля, на мой взгляд, ЛОВУШКА. Позиция требует всего, что знает data scientist (классический ML, базы данных), а сверху еще работу с текстами и нейросетями, написание сервисов на Python, настройку агентов. С частью этого стека я работаю сам и вижу, сколько там всего.
Курс от большой площадки тут не спасет. Если учиться самостоятельно, вход может занять год и больше, потому что нужно сделать свои проекты и своей головой понимать, какой инструмент и какую архитектуру когда брать. Бездумно кидать запросы в нейронку и думать, что от этого становишься экспертом, не сработает. Подробный разбор AI-инженера будет отдельным постом.
Сколько платят аналитику, data scientist и ML-инженеру
Начну с живых вакансий. Наш сборщик за 4-14 ноября 2026 собрал 695 вакансий, вилку в рублях указали в 82 из них. По ним и считаем.

| грейд | аналитик данных | ML и DS |
|---|---|---|
| middle и middle+ | 210-225 тыс. (28) | 300-450 тыс. (9) |
| senior и lead | 250-300 тыс. (19) | 400-550 тыс. (11) |
В скобках число вакансий, по которым посчитана медиана. Если в вакансии указана только одна граница, она идет и в «от», и в «до».
А теперь то, что я вижу в найме и по офферам учеников:
- аналитика: в среднем 250-350 тысяч, все, что выше, это чаще валютная удаленка, а не рынок СНГ
- data science, ML и AI: вилка больше, но не в два и не в три раза, порядка 300-450 тысяч, то есть 5-7 тысяч долларов для технического специалиста
- выше 450 тысяч это уже уникальный опыт или руководство людьми
И про динамику. Пик зарплат был в 2024-2025, с тех пор рынок немного просел: доллар подешевел, плюс экономика и кризисы, так что заметного роста сейчас нет.
Стоит ли торговаться на оффере
Везде пишут, что торговаться нужно и правильно. Расскажу, как это вышло у меня.
Мне пришел оффер на 810 тысяч в международную финтех-компанию, на позицию Head of Data Science, то есть руководить людьми и отвечать за все направление. Мне показалось, что такая должность подразумевает больше, и я попросил поднять, причем не сильно и максимально вежливо. Поднять у них не получилось, и я ответил, что в целом согласен на исходную сумму. От других офферов я после этого отказался.
На следующей неделе я узнал, что оффер отозвали. До руководства мои слова дошли в виде «кандидат на эту сумму не согласен», и они взяли запасного кандидата, который тоже прошел финал. Про меня просто забыли 🤦
Я из этого вынес две вещи. Между тобой и человеком, который принимает решение, стоит пересказ, и что именно до него донесут, ты не контролируешь. А запасной кандидат после финала есть почти всегда. У учеников торг тоже работает плохо: в лучшем случае откажут в прибавке, в худшем отзовут оффер.
Поэтому в 2026 году я бы торговаться не стал. Люди до собеса дойти не могут, и на этом фоне рисковать готовым оффером ради небольшой прибавки странно.
Можно ли перейти из аналитика в ML
Можно, и это очень популярная схема. Студентам кажется, что в аналитику войти сильно проще: не нужна математика, куча алгоритмов и нейросети, все это выглядит страшно. Но тут есть подвох 😅
Сначала ты тратишь много времени, чтобы войти в аналитику, а потом столько же, чтобы переучиться в ML. При этом аналитика еще более конкурентная, чем ML: откликов и кандидатов на место там намного больше.
Хорошая новость в том, что работа с данными это примерно половина того, чем занимается data scientist. Аналитику остается добрать вторую половину: классический ML, нейросети и все вокруг. По моему опыту это:
- 3-4 месяца подготовки
- еще столько же на поиск работы в текущем рынке
Работала аналитиком на начальной позиции и получала совсем немного. Мы готовились 2 месяца и пошли в ту же аналитику, потому что так было быстрее, и она получила два оффера на 350 и 360 тысяч.
Парень пришел с нуля и сразу пошел в ML. Через 4,5 месяца у него был оффер на 320 тысяч, middle+, в бигтех.
Мой вывод такой. Если ты уже аналитик, перейти в ML реально и не так сложно. Если начинаешь с нуля, лучше сразу идти в ML и data science, без крюка через аналитику. Я сам шел именно так.
Какую роль выбрать
- Нравится копаться в цифрах, отвечать бизнесу на вопрос «что происходит» и быстрее выйти на первую работу? Тогда аналитика, вот роадмап аналитика данных
- Хочется и думать за бизнес, и обучать модели, и видеть, как они приносят деньги? Тогда data science, вот роадмап в ML и Data Science
- Тянет глубже в сами модели и код, а разговоров с бизнесом хочется поменьше? Тогда ML-инженер, база у него та же, что у data scientist
Посмотреть, как выглядят задачи вживую, можно в Precision и Recall простыми словами и в разборе метрика упала, а дрифта нет.
Что я сказал бы себе тогда
Время, когда я переходил, я помню как самое тяжелое и непонятное в жизни. После увольнения из стройки я 4 месяца просидел в полном непонимании, куда двигаться и что делать, играл в игры и страдал. Потом искал работу, в одном из банков дошел до финального этапа и получил отказ без объяснения причин, а ближе к лету у меня закончились деньги. Были и слезы, и недосып, и выгорания, после которых каждый раз приходилось подниматься заново.
Давать советы дело так себе, поэтому скажу только то, что сказал бы себе тогдашнему. Меньше сомневайся в себе и не трать на это время. Если правда чего-то хочешь, не откладывай, найди время и погрузись целиком. Примерно до 35 карьера одно из самых важных направлений в жизни, и если у тебя нет богатых родителей и за свою судьбу отвечаешь ты сам, то это лучший способ сделать ближайшие десять лет заметно лучше.
Каждое неправильное решение и каждый месяц, который просто прошел мимо, это упущенная возможность жить так, как ты хочешь. У меня так прошло несколько лет. Пока я рос в стройке, а потом перекатывался, набежало 2, 3, а то и 4 года, за которые можно было сразу заниматься ML и уже быть в этом сильным.
Частые вопросы
Чем data scientist отличается от аналитика данных?
Аналитик отвечает на вопросы «что происходит» и «сработало ли»: дашборды, метрики, A/B-тесты. Data scientist решает, что с этим делать: ставит задачу, обучает модель и защищает решение перед бизнесом. Аналитика понемногу движется в сторону ML, но пока граница проходит здесь.
Кто зарабатывает больше: аналитик, data scientist или ML-инженер?
По нашему срезу вакансий за ноябрь 2026 у ML и DS верх вилки выше на всех грейдах: на senior и lead это 550 тысяч против 300. По офферам, которые я вижу, разница меньше: аналитик 250-350 тысяч, ML и DS 300-450.
Специалист по машинному обучению это кто?
Так называют и data scientist'а, и ML-инженера. Первый ближе к бизнесу и постановке задачи, второй к самой модели и коду, а во многих компаниях это один и тот же человек.
AI-инженер это то же, что ML-инженер?
Близко. AI-инженер это ML-инженер на стыке с бэкендом: RAG, агенты, боты, сервис с моделью под ключ. Входить туда с нуля тяжело, нужна база data science и сверху разработка.
Сколько времени нужно, чтобы перейти из аналитики в ML?
По опыту учеников 3-4 месяца подготовки и еще примерно столько же на поиск работы. Половина базы у аналитика уже есть, добирать нужно классический ML и нейросети.