❓ Кто сегодня задает тон на рынке труда дата сайентистов и ML — компании или кандидаты?

Об этом на Fintech Data Day рассказала наша Оксана Прутьянова, лидер направления Data Science и Data Analytics, и член исследовательской команды NEWHR.

🔗 Посмотреть наши исследования можно здесь.

Ниже — краткие выводы из выступления Оксаны.

Что происходит с зарплатами?

➖ По итогам последнего ежегодного опроса 70% респондентов отметили рост зарплаты. Около 45% указали повышение в диапазоне 10–30% — типичный стабильный интервал. Часто такое увеличение связано с переходом на новую работу, когда кандидаты запрашивают +15–20% (речь именно об окладе (фиксированной части), а не о премиях).

➖ Для senior и выше обычно формируют рыночный оклад, а «остальное» выносят в переменную часть (премии, LTI и пр.). Общий доход зависит от договоренностей и внешней ситуации, поэтому предсказать его сложнее. Зато специалисты, приносящие ощутимый бизнес-эффект, могут существенно увеличить суммарный доход.

➖ Для junior и middle ситуация иная: условия чаще диктует рынок, переговорная сила у них слабее.

Кто управляет рынком?

❗️ Сложилась парадоксальная картина: рынок одновременно и «кандидатский», и «работодательский».

Значительная доля вакансий не публикуется: поиск идет через нетворкинг и закрытые каналы, особенно для высокоуровневых позиций. Открытые объявления притягивают много нерелевантных откликов (например, от «LLM‑специалистов», собравших простейший чат‑бот), разбирать такие потоки дорого, поэтому рекрутеры всё чаще переходят к точечному ручному поиску.

Что делать кандидатам?

1️⃣ Сформируйте сильное профессиональное присутствие: аккуратно оформленный профиль в LinkedIn (его продолжают использовать и на российском рынке), качественное резюме на HeadHunter и других площадках.

2️⃣ Откликайтесь с продуманным профилем — просто написать «data scientist» уже недостаточно.

3️⃣ Развивайте нетворкинг: он реально работает. Осознанно расширяйте круг профессиональных контактов.

4️⃣ Работайте над личным брендом — публикуйте кейсы, пишите профессиональные материалы. Для этого удобен LinkedIn (за счёт возможности регулярных публикаций и диалога с другими участниками сети), а также собственный Telegram‑канал.

Какие отрасли наиболее перспективны?

❗️ Долгое время лидировал e‑commerce, за ним шёл финтех. В этом году финтех вышел на первое место с небольшим отрывом от e‑commerce и маркетплейсов, а банки поднялись на третье.

Рост интереса к классическим банкам объясняется их работой над HR‑брендом, фактором стабильности и «ламповостью» в командах — это помогает привлекать сильных специалистов.

Как меняется воронка найма с распространением LLM‑моделей?

Несколько примечательных трендов:

➖ Грани между DS и ML размываются. На российском рынке аналитики часто «перетекают» в ML, тогда как на международном рынке DS ближе к исследовательским ролям — важно учитывать эти нюансы при поиске работы;

➖ В России растёт спрос на MLE (Machine Learning Engineer);

➖ Усиливается внутренняя дифференциация профессий и выделение узких специализаций: например, есть спрос на экспертов по A/B‑тестам («вырезанный» кусок продуктовой аналитики) или экспертов по оптимизации и ускорению нейросетей — эту функцию по сути выносят из зон ответственности MLE и MLOps и закрепляют за отдельным человеком.

Можно ли говорить об отдельной роли «специалист по LLM»?

Компании ищут MLE (LLM/NLP), и, например, LLM (CV). При этом готовы рассматривать кандидатов из других ML‑доменов — аудио, компьютерного зрения и т. п.: перейти на языковые модели обычно проще, а вот обратно — из LLM в CV или аудио — сложнее.

*️⃣ Примечательно: примерно 80% кандидатов сейчас не заинтересованы в работе с «классическим» ML.

Таких людей найти трудно, но это шанс для тех, кто переходит из дата‑аналитики в Data Science и далее в ML — у них есть реальная возможность «зацепиться» на рынке.