Data Scientist

Также называют: Data Science Specialist, Applied Scientist, Research Scientist, Decision Scientist, Machine Learning Scientist.

Кто такой Data Scientist и чем он занимается?

Data Scientist — это специалист, который берёт размытый бизнес-вопрос («почему уходят клиенты», «сколько закупать», «кому дать кредит»), превращает его в задачу на данных и находит ответ, на который можно опереться. Его инструменты — статистика, эксперименты и модели машинного обучения, а результат — решение, которое кто-то принимает иначе, чем принял бы без него. Типичные задачи:

• формулирует задачу вместе с владельцем бизнеса и решает, как измерить успех;
• исследует данные и проверяет, есть ли в них нужный сигнал;
• строит прогнозные модели, модели оттока, скоринга, спроса;
• проектирует эксперименты и оценивает эффект, когда чистый A/B-тест невозможен;
• объясняет результат тем, кто будет по нему действовать, и честно говорит о неопределённости.

Когда компании нужен Data Scientist?

Data Scientist нужен, когда у компании накопились данные и есть дорогие решения, которые сейчас принимаются на интуиции: цены, закупки, кредитные лимиты, удержание клиентов. Обычно первый Data Scientist появляется после того, как собрано хранилище и есть аналитика, а у бизнеса возникли вопросы, на которые дашборд не отвечает. Ещё один повод — компания хочет понять, стоит ли вкладываться в ML, до найма целой команды. Роль не сработает, если данные разрозненные и грязные: первые полгода Data Scientist будет чинить пайплайны, и честнее сначала нанять Data Engineer.

Чем Data Scientist отличается от ML Engineer?

Data Scientist отличается от ML Engineer тем, что отвечает за правильный ответ, а не за работающую систему. Data Scientist решает, какую задачу ставить модели, на каких данных и как понять, что она помогает бизнесу; ML Engineer берёт этот результат и делает из него сервис, который работает под нагрузкой. С Product Analyst Data Scientist пересекается в экспериментах, но аналитик отвечает на вопросы продуктовой команды о поведении пользователей, а Data Scientist чаще строит модели для решений бизнеса.

Почему Data Scientist сложно нанять?

Data Scientist сложно нанять, потому что под этим названием на рынке работают люди с совершенно разной работой, и резюме почти не помогает их различить.

• Одни Data Scientists на деле Product Analysts, другие — исследователи ML, третьи пишут production-код. Поиск по тайтлу приносит всех сразу.
• Сильная статистика и умение говорить с бизнесом редко сочетаются: многие кандидаты строят точные модели, которые никто не использует.
• Влияние работы плохо видно: «построил модель оттока» не говорит, изменилось ли хоть одно решение.
• Опытных Data Scientists с доменом, например в кредитном риске или ценообразовании, мало, и они обычно не ищут работу.

Что выяснить до найма Data Scientist?

• Какие решения должна изменить работа этого человека? Без конкретного решения Data Scientist уходит в исследования, результат которых некуда применить.
• Нужны аналитика и эксперименты или модели в продакшене? Это разные профили: первый ближе к аналитику, второй к ML Engineer.
• Кто будет выводить модели в продакшен? Если некому, нужен Data Scientist с инженерными навыками, а их меньше.
• Насколько важен домен? В кредитном риске, страховании или медицине опыт в отрасли может весить больше, чем знание новых моделей.

Где искать Data Scientist?

Data Scientists чаще всего приходят из финтеха, банков, e-commerce, маркетплейсов, ритейла и продуктовых компаний с сильной культурой данных; часть — из науки, физики и математики. Сильный сигнал в профиле — рассказ о том, какое решение изменилось благодаря модели или эксперименту, а не только какой алгоритм использовался. NEWHR ищет таких кандидатов по результатам работы, а не по откликам на вакансию.

Как проверить Data Scientist на интервью?

Data Scientist проверяют кейсом на данных компании и разбором прошлого проекта. В кейсе кандидат ставит задачу, выбирает подход, решает, как измерить успех, и объясняет результат так, как объяснял бы владельцу бизнеса. Со стороны компании участвуют Head of Data и тот, кто будет пользоваться результатом.

Сильные сигналы:

• сначала уточняет, какое решение стоит за вопросом, и только потом выбирает метод;
• называет ограничения своих выводов и то, что могло их исказить;
• может привести пример, когда простая модель оказалась полезнее сложной.

Красные флаги:

• сразу предлагает нейросеть, не посмотрев на данные;
• оценивает успех только метрикой модели, без связи с бизнесом;
• не может объяснить свой результат без терминов.

Сколько длится поиск Data Scientist?

Первых кандидатов на роль Data Scientist показываем через 5–7 дней после брифа.

Смежные роли

• ML Engineer — доводит модели до продакшена и отвечает за их работу под нагрузкой.
• Product Analyst — отвечает на вопросы продуктовой команды о поведении пользователей и экспериментах.
• Data Engineer — строит пайплайны и хранилище, без которых Data Scientist работает с грязными данными.
• Quantitative Researcher — применяет похожие методы к рыночным данным, где ошибка стоит денег сразу.
• CDO (Chief Data Officer) — отвечает за стратегию данных компании и руководит командами данных.