Badania i newsy

Senior data scientist w 2026 roku: wymagania firm

Analizy ofert z USA pokazują, że senior data scientist odpowiada już nie tylko za modele. Firmy oczekują wdrożeń produkcyjnych, znajomości GenAI, chmury i komunikacji z biznesem.

Redakcja Zespół redakcyjny 5 min czytania
Specjalista data science analizujący kod i wykresy na monitorach
Zdjęcie: Mikhail Nilov / Pexels (pexels.com/photo/woman-working-on-computer-at-laboratory-8851447)

Czego się dowiesz

  • Jakich kompetencji technicznych wymagają oferty dla senior data scientist
  • Dlaczego chmura, MLOps i wdrożenia produkcyjne stały się podstawą
  • Jak często pracodawcy wymieniają GenAI, LLM, RAG i systemy agentowe
  • Jakie znaczenie mają doświadczenie, dyplom, certyfikaty i portfolio
  • Które umiejętności biznesowe wpływają na wynik rekrutacji

KDnuggets zestawił wyniki analiz tysięcy amerykańskich ofert pracy, w tym 500 ogłoszeń z LinkedIn, Indeed i Glassdoor oraz 12 148 ofert śledzonych przez Axial Search. Wyłania się z nich profil senior data scientist, który sam buduje, wdraża i utrzymuje systemy, a następnie potrafi wyjaśnić ich znaczenie osobom spoza zespołu technicznego.

Python, SQL i uczenie maszynowe tworzą próg wejścia

Python pozostaje najczęściej wymaganym językiem, ale sama znajomość pandas i bibliotek do wizualizacji nie wystarcza. W ofertach dla seniorów pojawiają się scikit-learn do budowania potoków uczenia maszynowego, PyTorch lub TensorFlow do deep learningu oraz FastAPI i Flask do udostępniania modeli. Coraz częściej firmy wymieniają też LangChain i LlamaIndex, używane przy integracji dużych modeli językowych (LLM).

SQL występuje w niemal dwóch trzecich wszystkich analizowanych ofert, a w grupie stanowisk seniorskich jego udział jest jeszcze większy. Pracodawcy oczekują funkcji okna, takich jak ROW_NUMBER, RANK, LAG i LEAD, złożonych common table expressions, podzapytań oraz optymalizacji zapytań na podstawie planów wykonania. Znaczenie ma również praktyka z odmianami SQL używanymi w BigQuery, Snowflake i Amazon Redshift.

Uczenie maszynowe pojawiło się w 69% ofert dla data scientist. W przypadku seniorów nacisk przesunął się z trenowania modelu na zarządzanie całym cyklem jego życia. Firmy pytają o inżynierię cech, interpretację modeli za pomocą SHAP lub LIME oraz umiejętność oceny, kiedy model może zawieść. Nadal liczą się statystyka, testy A/B, wnioskowanie statystyczne, regresja, metody bayesowskie i prognozowanie szeregów czasowych.

Chmura i MLOps potwierdzają gotowość produkcyjną

W analizie 500 ofert 62% wymieniało przynajmniej jedną platformę chmurową. Microsoft Azure pojawił się w 28,5% ogłoszeń, AWS w 19,7%, Google Cloud Platform w 14,2%, Snowflake w 11,8%, a Databricks w 9,3%. Ogólna deklaracja znajomości chmury przestaje wystarczać, ponieważ ogłoszenia wskazują konkretne usługi, między innymi AWS SageMaker, S3, EC2, Google Vertex AI, Azure ML i BigQuery.

Rosną też wymagania związane z MLOps, czyli praktykami wdrażania, monitorowania i utrzymywania modeli. W ofertach powtarzają się MLflow do śledzenia eksperymentów i wersji modeli, Apache Airflow do orkiestracji przepływów, dbt do przetwarzania danych oraz Docker i Kubernetes do konteneryzacji. Apache Airflow wystąpił w niemal 9% wszystkich analizowanych ogłoszeń, ze szczególną koncentracją na stanowiskach seniorskich.

Pracodawcy oczekują również znajomości potoków CI/CD opartych na GitHub Actions lub Jenkinsie. Analiza 12 148 ofert wykazała, że praktyczna realizacja zadań technicznych liczy się bardziej niż wpływ na zarząd. Senior ma nadal pisać kod, uruchamiać rozwiązania produkcyjnie i odpowiadać za ich działanie, nawet jeśli jednocześnie wyznacza standardy zespołu.

GenAI i LLM wchodzą do głównego profilu stanowiska

Generatywna sztuczna inteligencja (GenAI) jest najszybciej rosnącą grupą wymagań. Wśród 500 ofert analizowanych w kwietniu i maju 2026 r. 31% wprost wskazywało GenAI, LLM lub prompt engineering. W 2023 r. takie wymagania praktycznie nie występowały. Osobna analiza ponad 7 000 ogłoszeń wykazała, że kompetencje AI pojawiały się w około dwóch trzecich ofert, a mniej więcej jedna czwarta wymieniała LLM.

  • obsługa API modeli OpenAI, Claude lub Gemini,
  • generowanie wspomagane wyszukiwaniem (RAG) i bazy wektorowe, takie jak Pinecone, Weaviate lub Chroma,
  • projektowanie przepływów agentowych w LangChain, CrewAI lub AutoGen,
  • prompt engineering, wskazany z nazwy w 14% ofert,
  • dostrajanie i ocena dużych modeli językowych.

Wymagania te koncentrują się na bardziej doświadczonych kandydatach. Spośród ofert wspominających o AI 43% dotyczyło stanowisk średniego szczebla, a 30% seniorskich. Role początkujące odpowiadały za mniej niż 6%. Wells Fargo wymagał kompetencji w budowie agentowych systemów AI, American Chemical Society doświadczenia produkcyjnego z LLM, RAG i systemami wieloagentowymi, a Deloitte projektowania systemów łączących modele językowe z firmowymi potokami danych.

Doświadczenie i portfolio ważą więcej niż certyfikaty

Mediana wymaganego doświadczenia dla senior data scientist wynosi pięć lat. Dla stanowisk juniorskich są to dwa lata, dla średniego szczebla cztery, dla principal siedem, a dla dyrektorów co najmniej dziesięć lat. W 2026 r. role początkujące stały się najmniej liczną grupą, podczas gdy na średnim i seniorskim poziomie nadal brakuje kandydatów.

Wyniki dotyczące wykształcenia zależą od analizowanej próby. W danych Axial Search 93% ofert wymagało dyplomu, 30% wskazywało studia magisterskie, a około 34-35% wymieniało lub preferowało doktorat. Z kolei badanie 827 aktywnych ogłoszeń przeprowadzone przez 365 Data Science wykazało, że 26% nie określało poziomu wykształcenia, 30% wymagało magistra, a 24% doktoratu.

Dla większości stanowisk poza badaniami najbardziej praktycznym profilem pozostaje magister z portfolio wdrożeń produkcyjnych. Doktorat ma większe znaczenie w laboratoriach badawczych, finansach ilościowych i zespołach rozwijających najbardziej zaawansowane modele. Osoby bez dyplomu wyższego stopnia mogą wzmacniać pozycję przez działające projekty, uporządkowane repozytoria GitHub i udokumentowaną odpowiedzialność za rozwiązania po wdrożeniu.

Zwykłe certyfikaty rzadko są formalnym wymaganiem. W jednej z analiz osiem najczęściej wskazywanych certyfikacji łącznie pojawiało się w mniej niż 2% ofert. Wyjątkiem są certyfikaty chmurowe, które według osobnego badania występowały w około 20% ogłoszeń. Jednocześnie 78% ankietowanych menedżerów rekrutujących deklarowało, że projekty w portfolio są dla nich ważniejsze od certyfikatów.

Komunikacja biznesowa wpływa na wynik rekrutacji

Umiejętność przekazywania wniosków osobom nietechnicznym wystąpiła w 47% spośród 500 analizowanych ofert, a współpraca między zespołami w 39%. Przywództwo i mentoring młodszych analityków pojawiły się w 19% ogłoszeń. Senior powinien przełożyć ogólny cel, na przykład ograniczenie odejść klientów, na mierzalny problem oraz ocenić, czy uczenie maszynowe jest właściwym sposobem jego rozwiązania.

Ponad połowa ofert wymieniała wizualizację danych, lecz na stanowiskach seniorskich chodzi głównie o prezentowanie wyników kadrze zarządzającej. Tableau pojawiało się w 28,1% ogłoszeń, Power BI w 24,7%, Matplotlib i Seaborn w 21,4%, a Looker lub Looker Studio w 9,7%. Oferty z Tableau częściej łączyły wizualizację z zaawansowanym SQL, natomiast Power BI występował obok Azure i innych składników ekosystemu Microsoft.

Od 85% do 88% aktywnych ról pochodziło spoza FAANG i największych platform technologicznych. Technologia i inżynieria odpowiadały za 28,2% ofert, HR i firmy rekrutacyjne za 19%, ochrona zdrowia i life sciences za 13%, usługi finansowe i profesjonalne za 10%, produkcja za 8,7%, a handel za 8,4%. Najszybciej rosła ochrona zdrowia, natomiast finanse pozostawały wśród najlepiej płacących sektorów.

Dane dotyczą rynku amerykańskiego, dlatego nie opisują bezpośrednio sytuacji w Polsce. Stanowią jednak punkt odniesienia dla polskich firm budujących zespoły data science lub rekrutujących do projektów międzynarodowych. Najważniejsza zmiana polega na połączeniu kilku oczekiwań w jednej roli: głębokiej wiedzy statystycznej, wdrożeń produkcyjnych, znajomości GenAI i umiejętności powiązania wyniku modelu z celem biznesowym.

Czy ten artykuł był pomocny?

Jeden głos na artykuł. Możesz go zmienić albo wycofać ponownym kliknięciem - Twój wybór zapamiętujemy w tej przeglądarce.

Redakcja

Zespół redakcyjny portalu. Piszemy i redagujemy teksty, weryfikujemy zgłoszenia od autorów i pilnujemy, żeby definicje w słowniku były aktualne.

Wszystkie artykuły autora →

Claude Fable 5.2 i Mythos 5.2: ceny, dostęp i testy

Anthropic rozdziela możliwości jednego bazowego modelu między szeroko dostępny Fable 5.2 i kontrolowany Mythos 5.2. Analizujemy ceny, dostęp oraz eksperymenty z kodem i matematyką.

Redakcja 5 min czytania

Nvidia bada relację Jensena Huanga z Alice Huang

Nvidia wszczęła formalne dochodzenie w sprawie relacji CEO Jensena Huanga z Alice Huang. Według amerykańskich urzędników wywiadu mogła zostać zwerbowana przez chiński rząd.