694 анкеты российских дата-сайентистов дали редкий для рынка срез: карьера в Data Science оказалась вполне измеримой историей, где рост грейда действительно связан и с деньгами, и с набором условий работы, и с готовностью смотреть по сторонам. Для русскоязычного IT-рынка это полезнее очередной таблицы «кто сколько получает», потому что показывает не только вилки, но и механику движения от стажёра к senior и дальше.
Об этом сообщает Habr / Карьера со ссылкой на разбор автора канала «Нескучный Data Science», который проанализировал 694 валидные анкеты из 695 собранных. Опрос охватывал специалистов от стажёров до Head of DS и включал 29 вопросов: про образование, способ входа в профессию, грейд, доход, премии, формат работы, встречи, переработки, бэкграунд руководителя, удовлетворённость работой и готовность к смене компании.
Сам по себе массив выглядит репрезентативно хотя бы для крупных сравнений. Медианному участнику 26 лет, у него три года опыта в Data Science и год у текущего работодателя. Самая крупная группа в выборке — middle, это 272 человека, или 39% ответивших. Ещё 257 респондентов находятся на уровне senior и выше. По географии 57% работают из Москвы, по 14% — из Петербурга и других регионов России, ещё 15% живут за пределами страны. Почти половина респондентов полностью на удалёнке. Да, перекосы есть: мужчин 84%, женщин 16%. Но как раз поэтому особенно интересно, что автор не ограничился сырыми медианами, а пытался сравнивать группы с поправкой на роль, опыт, возраст, географию и отрасль.
Главный вывод, который рынок и так подозревал, но редко видел в цифрах: карьера в Data Science по-прежнему строится по довольно линейной логике грейдов. Медианный доход растёт от 54 тысяч рублей у стажёров до 655 тысяч у Head+ позиций. Если смотреть на диапазоны между 10-м и 90-м процентилями, картина тоже показательная: у стажёров это 35–89 тысяч рублей, у junior — 70–187 тысяч, у middle — 150–380 тысяч, у senior — 253–594 тысячи, у Senior+/Lead — 283–860 тысяч, у Head+ — 281–1550 тысяч. В выборке встретился и ответ в 4,5 млн рублей, но он относится к очень узкой группе Head of DS, CDO, CDS и CTO. То есть рынок всё ещё позволяет резкие рывки наверху, но это уже не история «чуть подкачал Python и пошёл на x2», а управленческий и организационный уровень.
Где деньги, а где иллюзии
Отдельно исследование ломает одну популярную сказку последних лет: удалёнка не превратила Россию в единую зарплатную зону. Без поправок медианный доход в Москве составил 260 тысяч рублей в месяц, в Петербурге — 205 тысяч, в других регионах — 175 тысяч. После учёта грейда, роли, опыта, возраста, формата работы и отрасли разрыв между Москвой и регионами всё равно сохраняется и оценивается примерно в 23%. Иными словами, дело не только в том, что в столице больше senior-позиций. Даже у специалистов со схожими характеристиками региональная зарплата в среднем ниже. Для тех, кто в 2026 году всё ещё продаёт тезис «удалёнка всех уравняла», это неприятная, но полезная проверка реальностью.
С отраслями всё тоже не так просто, как хочется авторам рейтингов. Исследование не даёт честного основания объявить одну индустрию безусловным лидером по зарплатам. У junior лучше медиана в банках, у middle различия невелики, а у Senior+/Lead выше выглядит BigTech, хотя старшие выборки там уже небольшие. Зато другой факт выглядит устойчивее: из 322 анкет, где удалось восстановить отрасль по названию работодателя, 141 человек, то есть 44%, работают в банках и финтехе. Банки и финтех остаются крупнейшим работодателем для дата-сайентистов в этой части рынка, и это хорошо объясняет, почему многие карьерные маршруты в DS в России по-прежнему проходят через кредитный скоринг, антифрод, маркетинговые модели и другие прикладные финансовые задачи, а не через романтический AI из презентаций.
Есть и более неудобная цифра: в этой выборке женщины зарабатывают меньше мужчин примерно на 12%. Без поправок медианный доход составил 260 тысяч рублей у мужчин против 227,5 тысячи у женщин. После сравнения специалистов с похожими опытом, возрастом, грейдом, ролью, географией и отраслью оценка почти не изменилась — минус 12,6% в доходе у женщин. При этом сам автор аккуратно отмечает широкий доверительный интервал, то есть точную величину разрыва переоценивать не стоит. Но сам факт, что после поправок разница не исчезает, для рынка труда важнее десятых долей процента. Это уже не шум в данных, а сигнал, который сложно списать только на разный карьерный профиль участников.
Любопытно и то, как устроена переменная часть дохода. После стажировки премию указало большинство респондентов, а среди тех, кто её получает, медианная доля обычно составляет 15–20% общего дохода. Неожиданность нашлась на уровне стажёров: четверо из 23 ответивших тоже указали премию — 10%, 15%, 20% и 30%. Для массового рынка это не выглядит типичной практикой, но как симптом взросления стажёрских программ в DS выглядит занятно. Компании, похоже, всё чаще пытаются упаковать даже начальные роли в более привычную корпоративную логику KPI и бонусов.
Что важнее зарплаты
Самая практичная часть исследования — не про суммы, а про поведение людей. Автор прямо пишет, что не стал публиковать рейтинг отдельных компаний: по большинству работодателей ответов слишком мало, а структура по грейдам слишком разная, чтобы делать честные выводы. Это, к слову, ещё один полезный антидот против рынка, который обожает строить выводы на пяти анонимных скриншотах из чата. Намного интереснее другой вывод: высокая зарплата не делает специалиста автоматически лояльным. Среди 69 высокооплачиваемых, но недовольных работой респондентов только шестеро полностью закрыты для предложений. Высокооплачиваемыми автор считал тех, кто получает как минимум на 18% больше медианного дохода специалистов со сравнимыми грейдом и опытом. Иначе говоря, золотая клетка в DS работает плохо: если человеку не нравится работа, одной зарплатой его удержать трудно.
Для бизнеса отсюда следует довольно прямой вывод. Нанимать и удерживать дата-сайентистов только деньгами становится всё менее надёжной стратегией, особенно на миддл- и сеньор-уровне. В исследовании отдельно измерялись удовлетворённость работой, оплатой и развитием ценных навыков, а также время на встречах и переработки. Даже без полной выкладки всех корреляций видно, что рынок взрослеет: специалисты оценивают работодателя уже не как строчку в оффере, а как комбинацию роста, управленческой среды и повседневной организации труда. Для самих специалистов вывод не менее прикладной: карьера в Data Science больше не выглядит как хаотичный набор переходов из аналитики, бэкенда или науки. Это вполне считываемая траектория, где опыт, грейд и тип компании по-прежнему задают сильные рамки, а попытка «пересидеть» неудобную работу за счёт зарплаты часто заканчивается новым раундом собеседований.
В сухом остатке это исследование интересно не тем, что подтвердило очевидное про рост доходов с грейдом, а тем, что показало границы этого роста и его побочные эффекты. Российский DS-рынок, судя по этим данным, уже вышел из стадии, когда всем хватало мантры про высокий спрос и быстрый вход в профессию. Дальше на первый план выходят более скучные, но важные вещи: региональные вилки, качество менеджмента, способность работодателя развивать сильные навыки и честно отвечать на вопрос, почему человек должен остаться у него ещё на год, а не открыть сообщения от рекрутеров.