Live-данные · обновлено 7 сентября 2026

Навыки Data Scientist: что требуют работодатели

На основе 150 вакансий — частотность навыков, разбивка по грейдам, связки технологий.

Мурадов ЮрийАвтор·Мурадов Юрий·Аналитик SkillStat
ИАПроверено·Игорь Антонов·Технический редактор·Senior Data Scientist
Навыков в анализе
20
топ-20 по частоте
Самый частый навык
93.3%
Python
Навыков / вакансия
9
медиана
Преобладает грейд
Senior
40.8% вакансий
Python 93.3% SQL 66% pandas 50.7% PyTorch 41.3% NumPy 40.7% Все навыки →
Топ-навыки По грейдам По категориям Что учить первым Курсы Вопросы и ответы
Ищете зарплатную статистику? Сколько зарабатывает Data Scientist? →

Коротко: какие навыки нужны Data Scientist в 2026 году

По данным 150 вакансий московского рынка, чаще всего требуют: Python (93.3%), SQL (66%), pandas (50.7%), PyTorch (41.3%), NumPy (40.7%).

Для Junior: базовый стек — Python, SQL.

На уровне Middle/Senior добавляются: pandas, PyTorch, NumPy, scikit-learn.

Таблица ниже — реальные требования работодателей по вакансиям, а не учебная программа.

Какие навыки чаще всего требуют от Data Scientist

Частота упоминания в 150 активных вакансиях. Клик по заголовку колонки — сортировка.

Главный вывод: Python, SQL встречаются в ≥60% вакансий — это базовый стек. Остальное зависит от специализации: pandas, PyTorch, NumPy.

# Навык ↕ Частота ↓ Доля ↕ Вакансий
1 Python
93.3% 140
2 SQL
66% 99
3 pandas
50.7% 76
4 PyTorch
41.3% 62
5 NumPy
40.7% 61
6 scikit-learn
38.7% 58
7 LLM
38% 57
8 Apache Spark
29.3% 44
9 Git
24.7% 37
10 Docker
21.3% 32
11 RAG
21.3% 32
12 Apache Hadoop
18.7% 28
13 PostgreSQL
17.3% 26
14 Apache Airflow
16.7% 25
15 LangChain
14.7% 22
16 Apache Hive
11.3% 17
17 Apache Kafka
10.7% 16
18 TensorFlow
10.7% 16
19 MLflow
10% 15
20 FastAPI
10% 15

Доля = процент вакансий Data Scientist, в которых упоминается навык. Одна вакансия может содержать несколько навыков. На основе 150 вакансий, 7 сентября 2026.

Базовые (≥60%)
Нужны практически всегда
Python SQL
Дифференцирующие (20–60%)
Влияют на специализацию
pandas 50.7% PyTorch 41.3% NumPy 40.7% scikit-learn 38.7% LLM 38% Apache Spark 29.3% Git 24.7% Docker 21.3% RAG 21.3%
Нишевые (<20%)
Для специализированных ролей
Apache Hadoop 18.7% PostgreSQL 17.3% Apache Airflow 16.7% LangChain 14.7% Apache Hive 11.3% Apache Kafka 10.7% TensorFlow 10.7% MLflow 10% FastAPI 10%

Навыки по грейдам: Junior, Middle, Senior

Доля вакансий каждого грейда, в которых встречается навык. Фильтр — кнопки ниже. Ячейки с «≈» — оценка по выборке менее 20 вакансий.

Распределение по рынку: Senior — 40.8%, Middle — 35.4%, Junior — 9.2%.
Пока недостаточно данных для разреза навыков по грейдам

Стек по категориям

Навыки сгруппированы по типу технологий. Цифры — частота в вакансиях.

Ключевые навыки
Python 93.3% SQL 66% FastAPI 10%
Инструменты разработки
Git 24.7%
Платформы, базы и инфраструктура
Docker 21.3% PostgreSQL 17.3%
Сопутствующий рабочий контекст
pandas 50.7% PyTorch 41.3% NumPy 40.7% scikit-learn 38.7% LLM 38% Apache Spark 29.3% RAG 21.3% Apache Hadoop 18.7%

ML Engineer, AI Engineer и Data Scientist: чем отличаются навыки

Роли пересекаются — вакансии часто смешивают термины. LLM встречается в 38% вакансий этой профессии , RAG — в 21.3%. Вот как отличаются фокусы:

Роль Фокус Ключевые навыки
ML Engineer Модели в production, ML-пайплайны PyTorch (41.3%), PyTorch, MLflow (10%), Docker, Airflow
AI Engineer LLM, RAG, агенты, API-интеграции LLM (38%), RAG (21.3%), LangChain (14.7%), FastAPI
Data Scientist Исследование данных, гипотезы, метрики Python, pandas, SQL, статистика, Jupyter

Что учить Data Scientist первым

Порядок опирается на частотность навыков по данным вакансий и логику освоения специализации. Список — ориентир, не жёсткое правило.

  1. 1
    Python и базовые библиотеки (93.3%)
    NumPy, Pandas — обработка данных; Jupyter/VS Code, виртуальные окружения.
  2. 2
    Классический ML (38.7%)
    Scikit-learn: линейные модели, деревья, градиентный бустинг, оценка качества моделей.
  3. 3
    Нейросетевые фреймворки (41.3%)
    PyTorch или TensorFlow/Keras — архитектуры, обучение, инференс.
  4. 4
    LLM и языковые модели (38%)
    Трансформеры, API OpenAI/YandexGPT/GigaChat, prompt engineering, few-shot learning.
  5. 5
    RAG и векторные базы данных (21.3%)
    Retrieval-Augmented Generation: эмбеддинги, Qdrant/Chroma/Weaviate, similarity search.
  6. 6
    Агентные фреймворки и оркестрация (14.7%)
    LangChain, LlamaIndex — AI-пайплайны, tool calling, многоагентные системы.
  7. 7
    Деплой и сервинг моделей (10%)
    FastAPI/gRPC для инференса, Docker, ONNX — оптимизация latency в production.
  8. 8
    MLOps и мониторинг (10%)
    MLflow, DVC, Airflow — версионирование экспериментов, воспроизводимость, мониторинг дрейфа.
Как мы считаем навыки — методология

Источник данных: 150 вакансий в московском сегменте. Навыки извлечены автоматически из текста каждой вакансии. Все значения рассчитываются на основе реальных данных — без ручной редакции.

Доля (share %): доля вакансий профессии, в которых упомянут навык. Одна вакансия может упоминать несколько навыков — суммарная доля может превышать 100%.

Данные по грейдам: грейд определяется по требованиям каждой вакансии (уровень опыта). Ячейки с «≈» — оценка: выборка менее 20 вакансий. Ячейки «—» — данных нет.

Связки навыков: пары, встречающиеся вместе в ≥10 вакансиях (порог надёжности данных).

Зарплатная премия: разница медианы вакансий с навыком к медиане профессии. Показывается при наличии ≥20 вакансий с зарплатой. «Оценка» — 20–29 вакансий.

Обновлено: 7 сентября 2026 · 150 вакансий

Курсы · подобрано по данным рынка

Курсы для Data Scientist

Сопоставили программы с реальным стеком из 150 вакансий — оценка соответствия рассчитана автоматически, это не реклама.

Все курсы →
Соответствие = доля ключевых навыков вакансий, которые закрывает программа курса. На основе 150 вакансий, обновлено автоматически.

Вопросы и ответы

Какие навыки нужны Data Scientist в первую очередь?
По данным 150 вакансий чаще всего требуются: Python (93.3%), SQL (66%), pandas (50.7%), PyTorch (41.3%), NumPy (40.7%).
Что должен знать Junior Data Scientist?
На уровне Junior важен базовый стек: Python, SQL, pandas. Рынок ориентирован на Senior (40.8% вакансий), поэтому конкуренция за начальные позиции высокая.
Что должен уметь Middle Data Scientist?
На уровне Middle (35.4% вакансий) работодатели ожидают уверенного владения: Python, SQL, pandas. Требования расширяются относительно начального уровня.
Что ждут от Senior Data Scientist?
Senior (40.8% вакансий) — доминирующий грейд. Чаще всего требуют: Python, SQL, pandas. На этом уровне добавляются системное мышление, архитектурные решения и наставничество.
Нужен ли Data Scientist SQL?
SQL встречается в 66% вакансий, PostgreSQL — в 17.3% (26 из 150). Это базовые требования большинства позиций.
Нужен ли Data Scientist Git?
Git встречается в 24.7% вакансий (37 из 150). Обычно ожидается на любом грейде.
Нужен ли Data Scientist Linux?
Linux — важный навык для работы с серверной инфраструктурой.
Нужен ли Data Scientist Docker?
Docker встречается в 21.3% вакансий Data Scientist (32 из 150). Навык особенно важен на Middle/Senior.
Нужен ли Data Scientist Kubernetes?
Kubernetes востребован на Middle/Senior, особенно в DevOps-ориентированных командах.
Какие навыки повышают зарплату Data Scientist?
Зарплатная премия рассчитывается при достаточной выборке. Подробнее — на странице зарплат.
Как часто обновляются данные о навыках?
Данные обновляются регулярно. Текущий срез — 7 сентября 2026, 150 вакансий.