مدیر علم داده
Head of Data Science
مدیر علم داده (Head of Data Science) تیم یا کل واحد علم دادهٔ یک شرکت را رهبری می‌کند: تصمیم می‌گیرد تیم روی کدام مسئله‌ها کار کند، دانشمند داده استخدام می‌کند و رشد می‌دهد، استاندارد آزمایش و سنجش را تعیین می‌کند و نتیجهٔ کار تیم را به تصمیم مدیران ارشد وصل می‌کند. نام قبلی این صفحه، «لید عملیاتی علم داده» (Data Science Practice Lead)، عنوان شغلی رایجی نیست: در بررسی ما در اکتبر ۲۰۲۶ روی ۴۵٬۲۰۳ آگهی باز در تابلوی استخدام ۵۳۹ شرکت و آگهی‌های یک ماه اخیر لینکدین، هیچ آگهی بازی با این عنوان پیدا نشد. کارفرماها همین کار را با عنوان‌های Data Science Manager، Director of Data Science و Head of Data Science آگهی می‌کنند. این شغل نقطهٔ شروع نیست: آگهی‌ها برای مدیر تیم معمولاً ۵ تا ۱۰ سال و برای Director یا Head بین ۷ تا ۱۵ سال سابقهٔ کار با داده می‌خواهند.
مقدمه و تعریف شغل
مدیر علم داده (Head of Data Science) مسئول تیمی از دانشمندان داده است و پاسخ‌گوی اینکه کار آن‌ها به تصمیم‌ها و نتیجه‌های بهتر برای شرکت تبدیل شود. آگهی Deliveroo این را خلاصه کرده: مدیر جهت تحلیلی حوزه‌اش را تعیین می‌کند، تصمیم می‌گیرد کدام مسئله ارزش حل کردن دارد و مطمئن می‌شود کار علم داده به تصمیم‌های بهتر محصول و تجاری برسد، «نه فقط تحلیل». کار سه بخش دارد: آدم‌ها (استخدام، coaching و ارزیابی)، جهت (نقشهٔ راه، اولویت‌ها و ارتباط با مدیران ارشد) و کیفیت (استاندارد آزمایش، استنباط علّی، مدل‌سازی و بازبینی فنی). در بیشتر آگهی‌های ۲۰۲۶ مدیر هنوز دستی در کار فنی دارد؛ Robinhood صریحاً یک «player-coach» می‌خواهد که در ترمینال و کد بماند و کنار تیم کار واقعی تحویل دهد.
این نقش در شرکت‌ها نردبانی از عنوان‌هاست. Data Science Manager یک تیم را اداره می‌کند و، مثل DoorDash، به Director, Data Science گزارش می‌دهد. Senior Manager یا Director چند تیم و مدیرانشان را رهبری می‌کند و Head of Data Science کل کارکرد علم داده را. در شرکت کوچک‌تر ممکن است Head اولین رهبر این کارکرد باشد و خودش هم مدل بسازد، مثل آگهی Raylo. بازار این عنوان‌ها خیلی کوچک‌تر از بازار دانشمند داده است: ITJobsWatch در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶ در بریتانیا ۷۰۱ آگهی استخدام دائم Data Scientist، ۱۱۷ آگهی Lead Data Scientist و فقط ۱۸ آگهی Head of Data Science ثبت کرده است. میانهٔ حقوق اعلام‌شده در همین ۱۸ آگهی ۱۰۰ هزار پوند بوده است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مدیر علم داده
نقشهٔ راه و اولویت‌های تیم
Plaid از مدیر تیم علم دادهٔ تقلب می‌خواهد با Product، Engineering و GTM نقشهٔ راه ۶ تا ۱۲ ماهه بنویسد و اولویت‌ها و مسئولیت‌ها را میان اعضای تیم تقسیم کند. Wayve نسخه‌های سه، شش و ۱۲ ماهه را می‌خواهد که تقاضای مشتری را با ظرفیت تیم متعادل کند.
چارچوب آزمایش و سنجش
Attentive از Head of Data Science می‌خواهد بهترین روش‌ها را برای آزمایش، سنجش، پیش‌بینی و تصمیم‌گیری در کل سازمان تعیین کند. در Reddit، Senior Director چارچوب سنجش و آزمایش سیستم‌های رتبه‌بندی و پیشنهاد را می‌سازد: ارزیابی آفلاین، آزمایش آنلاین، تحلیل counterfactual و guardrail.
متریک‌های محصول و هشدار
Plaid از مدیرش می‌خواهد متریک‌های محصول، دادهٔ زیربنایی‌شان و روش گزارش و هشدار را تعریف کند و نتیجه را در تصمیم‌های سرمایه‌گذاری و نقشهٔ راه به کار ببرد.
تیم و فرایند استخدام
Trustly از مدیر تیم ریسک و تقلب می‌خواهد افراد را بر اساس عمق فنی، قضاوت کسب‌وکاری و توانایی ساخت سیستم پایدار استخدام، ارزیابی و سطح‌بندی کند و روال تیم را بسازد: اولویت‌بندی، بازبینی مدل، آمادگی برای انتشار و postmortem پس از رخدادهای زیان‌ده.
سنجش محصولات AI
در Figma، تیم علم دادهٔ محصولات AI موتور اصلی کار evals است و Director آن باید شیوهٔ سنجش دستیارها و ایجنت‌های مبتنی بر LLM را شکل دهد: evals، کیفیت و آزمایش، در همکاری با تیم AI Research.
مدل‌هایی با اثر مالی مشخص
در Evri مدل‌های تیم علم داده در پرداخت پیک‌ها، پیش‌بینی نیروی کار و بهینه‌سازی مسیر به کار می‌روند و طبق آگهی پرتفوی فعلی بیش از ۱۰ میلیون پوند سود سالانه دارد. کار Head of Data Science بزرگ‌تر کردن همین اثر است.
تخصص‌های مختلف مدیر علم داده
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
رهبر علم دادهٔ محصول
Product Data Science Leader
سنجش و آزمایش برای تصمیم‌های محصول. در Figma، Director علم داده سنجش محصولات AI را هم شکل می‌دهد: evals، کیفیت و آزمایش برای دستیارها و ایجنت‌های LLM. Attentive و Snowflake هم نقش‌های رهبری علم دادهٔ محصول آگهی کرده‌اند.
رهبر علم دادهٔ ریسک و تقلب
Risk & Fraud Data Science Leader
Trustly مدیری می‌خواهد که مدل‌های تصمیم‌گیری تراکنش (ریسک برگشت ACH، تقلب و account takeover) را بسازد و پس از رخدادهای زیان‌ده postmortem برگزار کند. Plaid و Socure هم تخصص عمیق در تقلب و ریسک را شرط کرده‌اند.
رهبر سنجش بازاریابی
Marketing Measurement Leader
Zocdoc برای Director علم دادهٔ بازاریابی تجربهٔ عملی در media mix modeling، multi-touch attribution و آزمون‌های incrementality می‌خواهد؛ تخصیص بودجهٔ بازاریابی میان کانال‌ها به نتیجهٔ کار این تیم بستگی دارد.
رهبر علم داده در خودران و رباتیک
Autonomy & Physical AI Data Science Leader
Wayve تیمی دارد که تحلیل رانندگی واقعی و شبیه‌سازی‌شده را به ارزیابی برای تیم‌های مهندسی تبدیل می‌کند. در Motional، Director علم داده متریک‌هایی می‌سازد که مستقیم در تصمیم آمادگی عرضهٔ خودرو و تصمیم‌های ایمنی اثر دارند.
رهبر تحلیل و علم داده
Analytics & Data Science Leader
تیم‌هایی که تحلیل، پیش‌بینی و مهندسی تحلیل را با هم دارند: Robinhood و Stripe (حوزهٔ Finance & Strategy)، Life360 و Crusoe. Crusoe از Senior Director می‌خواهد تیمی شامل دانشمند داده، تحلیلگر و analytics engineer را رهبری کند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
دانشمند داده ارشد یا Staff خودش مسئله را حل می‌کند و روی کار چند تیم اثر فنی می‌گذارد، اما مسئول استخدام و رشد افراد نیست؛ در صفحهٔ دانشمند داده، بالاترین پلهٔ مسیر فردی همین Staff / Principal / Lead است. مدیر علم داده مسئول آدم‌ها و نتیجهٔ کل تیم است. این دو پشت سر هم می‌آیند: Deliveroo پیش‌نیاز مدیر تیم را «سابقهٔ قوی به‌عنوان IC ارشد» می‌داند. مرز هم نرم است؛ Trustly از مدیر تیمش می‌خواهد خودش مدل بسازد و به پروداکشن ببرد.
مدیر ارشد داده (CDO) مسئول داده به‌عنوان دارایی سازمان، کیفیت و حاکمیت آن است و مدیر ارشد هوش مصنوعی (CAIO) مالک استراتژی و پذیرش AI در کل سازمان؛ هر دو عضو مدیریت ارشدند. مدیر علم داده یک کارکرد مشخص را اداره می‌کند: تیمی که با آزمایش، مدل و تحلیل به سؤال‌های کسب‌وکار پاسخ می‌دهد. خط گزارش هم همین را نشان می‌دهد: Head of Data Science در Raylo به VP of Strategy & Analytics گزارش می‌دهد و در Socure به Head of Fraud Insights. صفحهٔ مدیر ارشد داده هم Head of Data را مسئول تیم‌ها و پلتفرم داده می‌داند، نه کل دادهٔ سازمان.
مدیر تیم MLOps پلتفرمی را می‌سازد که مدل‌ها روی آن ثبت، مستقر و پایش می‌شوند. تیم مدیر علم داده خود مدل‌ها و تحلیل‌ها را می‌سازد و مسئول درستی آماری و اثرشان است. صفحهٔ MLOps Lead همین تقسیم کار را از آگهی Mercury نقل می‌کند: دانشمندان داده مدل را می‌نویسند و آموزش می‌دهند و تیم پلتفرم سیستم ثبت و استقرار را می‌سازد. این دو کنار هم کار می‌کنند: Attentive از Head of Data Science همکاری با تیم‌های مهندسی برای عملیاتی کردن مدل‌ها را می‌خواهد و Evri بهبود «بلوغ MLOps» را جزو انتظاراتش آورده است.
مدیر برنامه‌های AI تصمیم‌ها را به برنامهٔ اجرایی تبدیل می‌کند و زمان‌بندی، وابستگی‌ها و ریسک اجرای برنامه را مدیریت می‌کند. مدیر علم داده هم بخشی از این کار را دارد؛ Wayve از Data Science Manager می‌خواهد وضعیت تحویل را پایش کند و ریسک زمان‌بندی را زود گزارش دهد. اما در کنارش طراحی‌های فنی را از نظر دقت آماری بازبینی می‌کند، تیم را استخدام و رشد می‌دهد و تعیین می‌کند تیم روی کدام سؤال کار کند.
تأثیر در صنایع مختلف
مدیر علم داده در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
پرداخت و فین‌تک
Trustly با مدل‌های این تیم تصمیم می‌گیرد هر تراکنش تأیید و تضمین شود یا نه؛ Plaid محصولات مقابله با تقلب خود را با تیم علم داده می‌سنجد و Stripe پیش‌بینی حجم پرداخت و حاشیهٔ درآمد را
احراز هویت و مقابله با تقلب
Socure دو Head of Data Science می‌خواهد: یکی برای مدل‌های هویت و انطباق، از جمله سیستم‌های ایجنتی برای بررسی پرونده‌ها، و یکی برای پژوهش و انتشار یافته‌ها دربارهٔ روند تقلب
خودروی خودران
Wayve با علم داده ارزیابی رانندگی واقعی و شبیه‌سازی‌شده را می‌سازد و Motional متریک‌های عملکرد را که در تصمیم آمادگی عرضهٔ ربوتاکسی اثر دارند
بازاریابی و پلتفرم‌های بازاریابی
Attentive، پلتفرم بازاریابی مبتنی بر AI، با این تیم استراتژی محصول را شکل می‌دهد و Zocdoc تخصیص بودجهٔ بازاریابی را با MMM و آزمون incrementality تعیین می‌کند
مارکت‌پلیس و تحویل غذا
در Deliveroo تصمیم‌های محصول، تجاری و عملیاتی بر پایهٔ آزمایش و استنباط علّی گرفته می‌شود و DoorDash تیم Merchant Analytics را برای تصمیم‌های محصول و فروش به رستوران‌ها دارد
لجستیک
در Evri مدل‌ها پرداخت پیک‌ها، پیش‌بینی نیروی کار، برنامه‌ریزی شبکه و بهینه‌سازی مسیر را شکل می‌دهند و طبق آگهی بیش از ۱۰ میلیون پوند سود سالانه دارند
شبکه‌های اجتماعی و جامعه‌های آنلاین
Reddit از Senior Director علم داده می‌خواهد استراتژی سنجش و بهبود فید، جستجو، پیشنهاد و رتبه‌بندی را تعیین کند
نرم‌افزار و محصولات AI
در Figma تیم علم دادهٔ محصولات AI موتور اصلی کار evals و آیندهٔ سنجش محصول در مقیاس است
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
می‌شود مستقیم و از صفر مدیر علم داده شد
در همهٔ آگهی‌های بررسی‌شده سابقهٔ طولانی شرط است: برای مدیر تیم Trustly پنج سال (شامل دو سال رهبری)، DoorDash شش سال و Stripe ده سال به‌علاوهٔ سه سال مدیریت مستقیم؛ برای سطح بالاتر Raylo و Robinhood هفت سال، Attentive هشت سال با سه سال مدیریت، Socure و Motional ده سال و Waymo و Crusoe پانزده سال. مسیر واقع‌بینانه این است که اول دانشمند داده شوید و چند سال در این نقش کار کنید.
مدیر علم داده دیگر کد نمی‌زند
بسته به شرکت فرق دارد، اما بیشتر آگهی‌ها مدیر دستی می‌خواهند: Robinhood یک player-coach می‌خواهد که در ترمینال و کد بماند، Trustly از مدیرش می‌خواهد خودش مدل پروداکشن بسازد و Zocdoc کسی را که «مدل می‌سازد، نه فقط بازبینی می‌کند». در مقابل، تمرکز آگهی Wayve بیشتر روی نقشهٔ راه، بازبینی طراحی و استخدام است.
بهترین دانشمند دادهٔ تیم خودبه‌خود بهترین مدیر می‌شود
مهارت فنی پیش‌نیاز است، نه کافی. آگهی‌ها سابقهٔ جداگانهٔ مدیریت می‌خواهند (Wayve سه سال مدیریت تیمی پنج‌نفره یا بزرگ‌تر) و فرایند مصاحبهٔ Wayve، جدا از مصاحبه‌های فنی، یک مصاحبهٔ عمیق «Leadership & Management» و یکی دربارهٔ همکاری میان تیم‌ها دارد.
موفقیت این نقش با تعداد مدل‌ها سنجیده می‌شود
آگهی Evri صریحاً می‌نویسد موفقیت با تعداد مدل‌های ساخته‌شده سنجیده نمی‌شود، بلکه با ارزشی که می‌سازند. Deliveroo هم از مدیر می‌خواهد مطمئن شود کار علم داده به تصمیم‌های بهتر محصول و تجاری تبدیل می‌شود، «نه فقط تحلیل».
بدون دکترا نمی‌شود به این سطح رسید
آگهی‌ها یکسان نیستند. Attentive ارشد یا دکترا را ترجیح می‌دهد، اما کارشناسی همراه با تجربهٔ صنعتی معادل را هم می‌پذیرد و Stripe کارشناسی در یک رشتهٔ کمّی را کافی می‌داند. در مقابل Motional ارشد یا دکترا را شرط کرده و Socure آن را «به‌شدت ترجیح» می‌دهد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
مدیر تیم (Data Science Manager)
یک تیم چندنفره دارید و هنوز بخشی از وقت صرف کار فنی می‌شود. Plaid از مدیرش می‌خواهد در روش‌های تحلیلی، بازبینی فنی و بررسی‌های مشتری درگیر بماند و Deliveroo از او می‌خواهد در کنار مدیریت دستی کار کند.
- ◆جلسهٔ یک‌به‌یک با اعضای تیم و بازخورد منظم دربارهٔ کار و مسیر رشدشان
- ◆بازبینی طراحی یک آزمایش یا کد یک مدل پیش از اجرا
- ◆جلسه با مدیر محصول برای اولویت‌بندی درخواست‌ها با توجه به ظرفیت تیم
- ◆مصاحبه با نامزدهای استخدام
مدیر ارشد یا Director
مدیرِ مدیران هستید و بیشتر وقت صرف هماهنگی چند تیم، نقشهٔ راه و رشد مدیران می‌شود. Figma از Director می‌خواهد تیمی از دانشمندان داده و مدیران را رهبری کند و با رهبران محصول، مهندسی، طراحی و پژوهش کار کند.
- ◆تنظیم نقشهٔ راه چندتیمی با رهبران محصول و مهندسی
- ◆جلسه با مدیران تیم‌ها دربارهٔ استخدام، ارزیابی عملکرد و جانشینی
- ◆ارائهٔ نتیجهٔ یک برنامهٔ آزمایش به مدیران ارشد
- ◆بازبینی یک تصمیم مهم مدل‌سازی یا سنجش
Head of Data Science
مسئول کل کارکرد علم داده‌اید: ساختار تیم‌ها، استانداردها، جذب مدیران و ارتباط با مدیران ارشد شرکت. Reddit از این سطح می‌خواهد سیستم‌ها و روش‌هایی بسازد که کار تحلیلی قابل‌اعتماد و مقیاس‌پذیر باشد و «به قهرمانی‌های فردی وابسته نباشد».
- ◆تصمیم دربارهٔ ساختار تیم: متمرکز، پخش در تیم‌های محصول یا ترکیبی
- ◆تعریف استاندارد سنجش، آزمایش و تکرارپذیری برای کل شرکت
- ◆جلسه با مدیران ارشد دربارهٔ سرمایه‌گذاری روی یک مدل یا برنامهٔ داده
- ◆در برخی شرکت‌ها، سخنرانی و انتشار بیرونی؛ Socure این را جزو وظایف آورده است
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈تعیین استانداردهای آزمایش، سنجش، پیش‌بینی و تصمیم‌گیری مبتنی بر داده در سازمان
- ◈هدایت ساخت مدل‌های آماری و یادگیری ماشین، چارچوب‌های آزمایش و روش‌های استنباط علّی
- ◈بازبینی طراحی تحلیل‌ها، مدل‌های داده، کد و ارزیابی مدل‌ها
- ◈همکاری با تیم‌های مهندسی برای بردن مدل‌ها به پروداکشن و پایش اثرشان
- ◈تبدیل مسئله‌های مبهم کسب‌وکار به پروژه‌های تحلیلی و ML با اثر قابل سنجش
- ◈ارائهٔ یافته‌ها و توصیه‌ها به مدیران ارشد برای اثر گذاشتن بر تصمیم‌های استراتژیک
- ◈ساختن فرهنگ دقت علمی و پاسخ‌گویی در تیم
- ◈تعریف و اجرای نقشهٔ راه علم داده همراه با مدیران محصول، مهندسی و ذی‌نفعان ارشد
- ◈استخدام، منتورینگ، ارزیابی عملکرد و رشد دانشمندان داده و، در سطح بالاتر، مدیران تیم‌ها
- ◈مدیریت ظرفیت تیم، وضعیت تحویل و ریسک‌های زمان‌بندی
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مدیر علم داده موفق به آن‌ها نیاز دارد
مهارت‌های فنی
طراحی، تحلیل و استانداردسازی آزمایش‌ها؛ Attentive و Reddit از این نقش می‌خواهند چارچوب آزمایش سازمان را تعیین کند
Wayve، Deliveroo، Attentive و Reddit صریحاً causal inference را می‌خواهند و Wayve در مصاحبه یک case study استنباط علّی دارد
مدل پیش‌بینی و ML کاربردی؛ در Trustly مدیر خودش مدل پروداکشن می‌سازد
Attentive تسلط قوی به Python و SQL روی داده‌های بزرگ را شرط کرده و Evri تخصص در Databricks، Python و SQL را
Plaid تعریف متریک‌های محصول و روش گزارش و هشدار را می‌خواهد و Stripe تخصص در طراحی متریک و هدایت تصمیم‌ها با داده
بازبینی طراحی تحلیل، مدل داده، کد و ارزیابی مدل (Plaid)؛ مصاحبهٔ Wayve هم بخش Code Review دارد
Spark، Databricks، BigQuery یا Snowflake؛ Socure تجربهٔ عملی با Spark می‌خواهد
evals، کیفیت و آزمایش برای دستیارها و ایجنت‌های LLM؛ Figma تجربهٔ ساخت یا سنجش محصولات AI را شرط کرده است
رهبری و مدیریت
Trustly استخدام، ارزیابی و سطح‌بندی افراد را می‌خواهد و Wayve استخدام و onboarding دانشمندان داده را
انتظارات روشن، بازخورد منظم و گفت‌وگوی عملکرد و رشد (Plaid)
نقشهٔ راه ۶ تا ۱۲ ماهه در Plaid و سه، شش و ۱۲ ماهه در Wayve؛ تعادل میان تقاضا و ظرفیت تیم
Attentive اثرگذاری با روایت مبتنی بر داده را می‌خواهد و Socure کسی که بتواند خلاصه‌ای دوصفحه‌ای برای CEO بنویسد بی آنکه نکته‌های مهم گم شود
Wayve: پایش وضعیت تحویل، گزارش زودهنگام ریسک زمان‌بندی و مدیریت بده‌بستان با مشتری
برای سطح Director؛ Figma دست‌کم دو سال مدیریت مدیران می‌خواهد و Zocdoc مدیریت دانشمندان دادهٔ Staff+ و مدیران تازه‌کار را
Attentive ساختن فرهنگ دقت علمی را می‌خواهد و Reddit استانداردهای ماندگار برای سنجش، استنباط علّی و تکرارپذیری
دانش کسب‌وکار و حوزه
Evri موفقیت را با ارزشی می‌سنجد که مدل‌ها می‌سازند، نه تعداد آن‌ها؛ DoorDash کار تحلیلی را به اثر قابل‌سنجش کسب‌وکار گره می‌زند
Raylo تجربهٔ مدل‌سازی ریسک اعتباری یا تقلب را ضروری می‌داند؛ Plaid و Socure تخصص در تقلب و ریسک و Zocdoc سنجش بازاریابی را می‌خواهند
متمرکز یا embedded، متخصص یا عمومی‌کار (استدلال Eric Colson در HBR)؛ Wayve تجربهٔ ساختن یک کارکرد علم دادهٔ embedded را امتیاز می‌داند
Robinhood workflow های ایجنتی را روش پیش‌فرض تیم می‌خواهد و Plaid بازبینی خروجی ابزارهای AI پیش از تصمیم را
Socure هم‌راستایی با الزامات مقرراتی و توضیح‌پذیری مدل را می‌خواهد و Reddit استانداردهای حریم خصوصی و استفادهٔ مسئولانه از AI
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مدیر علم داده
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایهٔ کار: Python، SQL، آمار و یادگیری ماشین
مدیر علم داده پیش از هر چیز دانشمند داده‌ای باتجربه است: آگهی Deliveroo برای مدیر تیم «سابقهٔ قوی به‌عنوان IC ارشد» می‌خواهد و Attentive تسلط قوی به Python و SQL روی داده‌های بزرگ. اگر هنوز در این نقطه نیستید، این مرحله شما را فقط به اولین شغل دانشمند داده یا تحلیلگر داده می‌رساند، نه به مدیریت؛ جزئیات این مسیر در صفحهٔ «دانشمند داده» آمده است.
سال‌های دانشمند داده: آزمایش، استنباط علّی و اثر واقعی
بیشتر آگهی‌های مدیریتی تخصص عمیق در آزمایش و استنباط علّی می‌خواهند: Attentive از «experimentation, causal inference, statistical modeling» نام می‌برد، Wayve تجربهٔ استنباط علّی در داده‌های آزمایشی و مشاهده‌ای را شرط کرده و Deliveroo تجربهٔ عملی در experimentation، causal inference یا ML کاربردی را. در این سال‌ها پروژه‌هایی را از صورت‌بندی سؤال تا تصمیم ببرید و اثرشان را با عدد نشان دهید؛ همین سابقه بعداً پایهٔ رزومهٔ مدیریتی شماست.
رهبری پیش از عنوان: منتورینگ، بازبینی و نقشهٔ راه
پیش از اولین نقش مدیریتی، کارهای مدیر را در مقیاس کوچک انجام دهید: منتور یک یا دو نفر شوید، طراحی تحلیل و کد دیگران را بازبینی کنید و برای یک حوزه نقشهٔ راه بنویسید. آگهی Plaid همین‌ها را از مدیر تیم می‌خواهد: نقشهٔ راه ۶ تا ۱۲ ماهه و بازبینی طراحی تحلیل، مدل داده، کد و ارزیابی مدل. در همین مرحله باید تصمیم بگیرید مسیر مدیریت را می‌خواهید یا مسیر فردی Staff و Principal را؛ هر دو مسیر واقعی‌اند.
مدیر تیم علم داده: استخدام، coaching و تحویل
اولین نقش معمولاً Data Science Manager است. آگهی Wayve برای همین سطح سه سال سابقهٔ مدیریت تیمی پنج‌نفره یا بزرگ‌تر می‌خواهد و Stripe سه سال مدیریت مستقیم و ده سال سابقهٔ علم داده. کار روزمره استخدام، بازخورد و ارزیابی عملکرد، پایش تحویل و ریسک، و گفت‌وگو با ذی‌نفعان بر سر اولویت‌هاست، در کنار مقداری کار فنی؛ Trustly از مدیرش می‌خواهد خودش هم مدل بسازد و به پروداکشن ببرد.
رهبری کارکرد علم داده: ساختار تیم، استانداردها و استراتژی
در سطح Director یا Head معمولاً مدیرِ مدیران هستید (Figma دست‌کم دو سال مدیریت مدیران می‌خواهد) و تصمیم‌های بزرگ‌تر با شماست: تیم متمرکز باشد یا در تیم‌های محصول پخش شود، چه استانداردی برای آزمایش و سنجش در کل شرکت لازم است و محصولات مبتنی بر LLM چطور سنجیده شوند. Eric Colson در HBR استدلال می‌کند تیم علم داده باید از عمومی‌کارها (generalist) ساخته شود، چون هدفش یادگیری است، نه کارایی خط تولید. Monica Rogati هم یادآوری می‌کند AI در نوک هرمی قرار دارد که پایه‌اش جمع‌آوری داده، جریان داده و آزمایش است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
تحلیل، آمار و مدل‌سازی
زبان اصلی تحلیل و مدل‌سازی؛ Attentive، Evri، Plaid و Socure همه آن را نام برده‌اند و مدیر باید کد تیم را بخواند و بازبینی کند
کتابخانهٔ یادگیری ماشین کلاسیک؛ Trustly آن را در کنار XGBoost و LightGBM برای مدیر تیم ریسک و تقلب نام برده است
پلتفرم داده و پردازش
پلتفرم داده و ML؛ آگهی Evri تجربهٔ Databricks را «ضروری» نوشته و Trustly و Life360 هم آن را نام برده‌اند
پردازش توزیع‌شدهٔ دادهٔ بزرگ؛ Socure تجربهٔ عملی با Spark می‌خواهد و Wayve آن را امتیاز می‌داند
آزمایش و استنباط علّی
گزارش، داشبورد و ابزارهای AI
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
دانشمند داده ارشد / Lead (پیش از مدیریت)
۵+ سال
مالکیت کامل پروژه‌ها از سؤال تا تصمیم، منتورینگ و بازبینی کار دیگران؛ Deliveroo پیش‌نیاز مدیر تیم را «سابقهٔ قوی به‌عنوان IC ارشد» می‌داند
مدیر تیم علم داده (Data Science Manager)
معمولاً ۵ تا ۱۰ سال، شامل ۲ تا ۳ سال رهبری
~$250K
میانگین سالانه (آمریکا)
رهبری یک تیم چندنفره، نقشهٔ راه و اولویت‌ها، استخدام و رشد افراد؛ در DoorDash این نقش به Director, Data Science گزارش می‌دهد و Trustly پنج سال تجربه شامل دو سال رهبری تیم می‌خواهد
Senior Manager / Director of Data Science
معمولاً ۸ سال و بیشتر
مدیریت چند تیم و مدیرانشان و تعیین جهت علم داده در یک حوزهٔ بزرگ؛ Figma برای Director هشت سال مدیریت تیم‌های علم داده شامل دو سال مدیریت مدیران می‌خواهد و Motional ده سال سابقه
Head of Data Science / Senior Director / VP
۷ تا ۱۵ سال، بسته به اندازهٔ شرکت
رهبری کل کارکرد علم داده: استراتژی، ساختار، استانداردها و جذب مدیران ارشد؛ Reddit از Senior Director می‌خواهد Directorها و مدیران چند تیم را جذب و رشد دهد. در شرکت‌های کوچک‌تر Head خودش هم مدل می‌سازد و کارکرد را از پایه بنا می‌کند (Raylo، با ۷+ سال سابقه)
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
گذار از کار فردی به مدیریت
عمومیآگهیها مدیر را از میان دانشمندان دادهٔ ارشد انتخاب می‌کنند، اما کار تازه فرق دارد: موفقیت به کار تیم بستگی پیدا می‌کند، نه به کار خودتان. صفحهٔ کتاب Resilient Management از Lara Hogan می‌نویسد پیدا کردن مسیر به‌عنوان مدیر می‌تواند طاقت‌فرسا باشد و لازم نیست آن را تنها طی کنید.
تعادل میان کار فنی و مدیریت
عمومیRobinhood یک player-coach می‌خواهد که خودش کد بزند و Zocdoc کسی که مدل بسازد، نه فقط بازبینی کند؛ در همان حال باید استخدام، بازخورد و نقشهٔ راه را هم جلو ببرید. تعیین اینکه کدام کار فنی را خودتان انجام دهید و کدام را واگذار کنید، تصمیمی هفتگی است.
اولویت‌بندی میان درخواست‌های زیاد
شرکت بزرگDeliveroo از مدیر می‌خواهد میان «متریک‌های پرنویز، بده‌بستان‌های واقعی و نظرهای قوی ذی‌نفعان» استاندارد اولویت‌بندی بگذارد و Wayve نقشهٔ راهی می‌خواهد که تقاضای مشتری را با ظرفیت تیم متعادل کند. گفتن «نه» یا «بعداً» به ذی‌نفعان بخشی از کار است.
اثبات ارزش کار علم داده
عمومیتیم علم داده با اثرش سنجیده می‌شود. Evri موفقیت را با ارزشی که مدل‌ها می‌سازند می‌سنجد و DoorDash از مدیرش می‌خواهد کار تحلیلی را محکم به اثر قابل‌سنجش کسب‌وکار وصل کند. باید از اول برای هر پروژه معیار اثر تعریف کنید.
ساختن پایه پیش از مدل
استارتاپMonica Rogati یادآوری می‌کند AI در نوک هرمی است که پایه‌اش جمع‌آوری داده، جریان قابل‌اعتماد داده، تمیز کردن و یک چارچوب ساده برای آزمایش است، و اینکه روش‌های ساده به‌سختی شکست می‌خورند. Elena Grewal هم از Airbnb نقل می‌کند که شروع با heuristic های ساده به‌جای مدل‌های پیچیده امکان یادگیری سریع داد. در شرکت کوچک، Head ممکن است اول مجبور شود همین پایه‌ها را بسازد.
تغییر روش کار با ابزارهای AI
عمومیRobinhood از Head of AI/Data Science می‌خواهد workflow های ایجنتی را روش پیش‌فرض تیم کند، و Plaid از مدیرش می‌خواهد مطمئن شود خروجی ابزارهای AI پیش از رسیدن به تصمیم بازبینی شده است. باید هم تیم را با این ابزارها سریع‌تر کنید و هم کیفیت را پایین نیاورید.
حقوق و بازار کار جهانی
حقوق جهانی مدیر علم داده
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, 'Head of Data Science', estimate updated Apr 2025, base pay (66 salaries): 25th–75th pct; median
- levels.fyi 'Data Science Manager', updated Oct 2026, total comp (311 salaries): 25th–75th pct; median
- Attentive posting, Head of Applied Science / Data Science (San Francisco), Jul 2026: base range for 8+ years incl. 3+ managing; median = midpoint
- levels.fyi 'Data Science Manager', Canada, updated Oct 2026, total comp (27 salaries): 25th–75th pct; median
- Life360 posting, Senior Director, Analytics and Data Science (Remote, Canada), Aug 2026: base range for 10+ years incl. 5+ in people management; median = midpoint
- Glassdoor UK, 'Head of Data Science', estimate updated Oct 2026, base pay (111 salaries): 25th–75th pct; median
- levels.fyi 'Data Science Manager', UK, updated Oct 2026, total comp (34 salaries): 25th–75th pct; median
- levels.fyi 'Data Science Manager', Germany, updated Oct 2026, total comp (only 13 salaries): 25th–75th pct; median
- levels.fyi 'Data Science Manager', Netherlands, updated Oct 2026, total comp (only 11 salaries): 25th–75th pct; median
- levels.fyi 'Data Science Manager', Switzerland, updated Oct 2026, total comp (only 10 salaries): 25th–75th pct; median
- levels.fyi 'Data Science Manager', Australia, updated Oct 2026, total comp (24 salaries): 25th–75th pct; median
- levels.fyi 'Data Science Manager', Singapore, updated Oct 2026, total comp (16 salaries): 25th–75th pct; median
- levels.fyi 'Data Science Manager', UAE, updated Oct 2026, total comp (only 15 salaries): 25th–75th pct; median
- levels.fyi 'Data Science Manager', India, updated Oct 2026, total comp (132 salaries): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: شناخت کار مدیر
یک کتاب مدیریت برای مدیران تازه بخوانید و با مدیر فعلی‌تان دربارهٔ اینکه کدام کارهای او را می‌توانید به‌تدریج بر عهده بگیرید صحبت کنید.
ماه ۲: منتورینگ
منتور رسمی یک یا دو دانشمند دادهٔ تازه‌کار شوید: جلسهٔ منظم، بازخورد روشن و پیگیری رشدشان.
ماه ۳: بازبینی فنی
بازبینی طراحی آزمایش‌ها و کد تیم را بر عهده بگیرید و یک چک‌لیست بازبینی برای تیم بنویسید.
ماه ۴: نقشهٔ راه
برای یک حوزهٔ مشخص نقشهٔ راه ۶ ماهه بنویسید و آن را با مدیر محصول به توافق برسانید.
ماه ۵: استخدام
در پنل مصاحبه شرکت کنید و در طراحی یک تمرین مصاحبه برای تیم کمک کنید.
ماه ۶: اقدام برای نقش مدیر تیم
رزومه را با زبان آگهی‌ها بنویسید: تیمی که منتور کرده‌اید، نقشهٔ راهی که نوشته‌اید و اثری که پروژه‌ها داشته‌اند. نقش‌هایی مثل Data Science Manager یا Lead را هدف بگیرید، نه Head؛ آگهی‌های Head معمولاً سال‌ها سابقهٔ مدیریت می‌خواهند.
پروژه‌های پیشنهادی برای رزومه
تحلیل کامل یک آزمایش A/B با گزارش تصمیم
متوسطروی یک دیتاست عمومی یا دادهٔ شبیه‌سازی‌شده، آزمایش را طراحی کنید، حجم نمونه را حساب کنید، نتیجه را تحلیل کنید و خطاهای رایج مثل نابرابری حجم گروه‌ها را بررسی کنید. نتیجه را در گزارشی یک‌صفحه‌ای برای یک مدیر غیرفنی بنویسید؛ همان کاری که Attentive با عنوان «data-driven storytelling» می‌خواهد.
برآورد اثر علّی روی دادهٔ مشاهده‌ای
پیشرفتهسؤالی را انتخاب کنید که آزمایش برایش ممکن نیست، مثلاً اثر یک تغییر سیاست در یک منطقه، و آن را با difference-in-differences یا synthetic control بررسی کنید. فرض‌ها و محدودیت‌ها را صریح بنویسید؛ Wayve در مصاحبهٔ مدیر تیم یک case study استنباط علّی دارد.
نقشهٔ راه ۶ تا ۱۲ ماههٔ یک تیم علم داده
متوسطبرای یک محصول واقعی یا تیم فعلی‌تان سندی بنویسید: سه تا پنج مسئلهٔ اول، ارزش هر کدام، ظرفیت تیم، ریسک‌ها و کارهایی که عمداً انجام نمی‌دهید. آگهی Plaid همین نقشهٔ راه را از مدیر تیم می‌خواهد و Wayve نسخه‌های سه، شش و ۱۲ ماهه را.
چارچوب متریک برای یک محصول
متوسطمتریک اصلی، متریک‌های پشتیبان و guardrail را تعریف کنید، دادهٔ زیربنایی هر کدام را مستند کنید و داشبوردی با هشدار بسازید. Plaid از مدیرش می‌خواهد متریک‌های محصول، دادهٔ زیربنایی‌شان و روش گزارش و هشدار را تعریف کند.
ارزیابی یک دستیار مبتنی بر LLM
پیشرفتهبرای یک دستیار ساده مجموعهٔ ارزیابی بسازید، خطاها را دسته‌بندی کنید و نشان دهید ارزیابی آفلاین چقدر با رفتار واقعی کاربر جور درمی‌آید. Figma از Director علم داده می‌خواهد شیوهٔ سنجش محصولات AI را شکل دهد: evals، کیفیت و آزمایش برای دستیارها و ایجنت‌ها.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا در فورت وین، ایندیانا بزرگ شد و در Harvard ریاضی خواند. پس از فارغ‌التحصیلی کمتر از یک سال تحلیلگر کمّی در Bear Stearns بود و در آوریل ۲۰۰۶ به Facebook رفت.
در Facebook تیم داده را رهبری کرد و در ۲۰۰۸ از آنجا رفت؛ سپس در همان سال Cloudera را هم‌بنیان‌گذاری کرد و دانشمند ارشد (chief scientist) آن شد. بعدها عضو هیئت علمی Icahn School of Medicine at Mount Sinai شد و همراه Toby Segaran کتاب Beautiful Data (۲۰۰۹) را منتشر کرد.
مسیر او نشان می‌دهد رهبری تیم داده می‌تواند از کار کمّی دستی شروع شود. به نظر می‌رسد تجربهٔ ساختن یک تیم داده از ابتدا، بعدها پایهٔ کارهای بزرگ‌تر او شد.
طبق ویکی‌پدیا در رومانی به دنیا آمد و کارشناسی ارشد و دکترای علوم کامپیوتر را از Carnegie Mellon گرفت، با تمرکز بر پردازش زبان طبیعی و یادگیری ماشین. در LinkedIn دانشمند دادهٔ ارشد بود و نخستین مدل‌های یادگیری ماشین پشت قابلیت‌هایی مثل «People You May Know» و تطبیق شغل را ساخت.
در ۲۰۱۳ معاون داده (VP of Data) در Jawbone شد و تیمی را رهبری کرد که از دادهٔ حسگرهای دستگاه‌های پوشیدنی بینش‌های سلامت و مدل‌های رفتاری می‌ساخت. چارچوب «Data Science Hierarchy of Needs» را ساخت و به استارتاپ‌ها به‌عنوان مدیر ارشد دادهٔ پاره‌وقت مشاوره می‌دهد.
چارچوب او یادآوری مفیدی برای هر رهبر علم داده است: پیش از مدل‌های پیچیده باید داده، جریان داده و آزمایش سر جایشان باشند. به نظر می‌رسد توانایی توضیح ساده همین واقعیت به مدیران، بخشی از کار رهبر است.
طبق معرفی پادکست High Signal، مدیر سابق علم داده (Head of Data Science) در Airbnb است و پس از آن مشاور سیاسی، مدرس در دانشکدهٔ محیط زیست Yale، بنیان‌گذار Data 2 the People و صاحب یک بستنی‌فروشی شده است.
در این گفت‌وگو از ساختن تیم‌های داده‌ای می‌گوید که مقیاس پیدا کردند. به گفتهٔ همین منبع، در Airbnb شروع با heuristic های ساده به‌جای مدل‌های پیچیده امکان یادگیری سریع داد و او با قرار دادن تیم‌های داده در کنار تصمیم‌گیرندگان از همان ابتدا اعتماد ساخت.
تجربهٔ او نشان می‌دهد اعتماد مدیران به تیم داده خودبه‌خود به دست نمی‌آید. به نظر می‌رسد نزدیک بودن به تصمیم‌گیرندگان و شروع ساده، به اندازهٔ دقت فنی در اثرگذاری تیم نقش دارد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Head of Applied Science / Data Science
تحلیل نیازمندی‌ها
Master’s or Ph.D. in Statistics, Computer Science, Economics, Operations Research, Mathematics, Machine Learning, or a related quantitative field; Bachelor’s degree with equivalent industry experience also considered
مدرک ارشد یا دکترا مزیت است، اما شرط نیست؛ آگهی کارشناسی همراه با تجربهٔ صنعتی معادل را هم می‌پذیرد. در این سطح، سابقهٔ کار بیش از مدرک وزن دارد.
مفید8+ years of experience in Data Science, Machine Learning, Analytics, or related disciplines
این نقش برای کسی است که سال‌ها دانشمند داده یا تحلیلگر بوده؛ با یکی دو سال سابقه یا از صفر نمی‌شود برایش اقدام کرد.
ضروری3+ years of experience managing and developing high-performing data science teams
مدیریت باید سابقهٔ واقعی باشد: مسئولیت مستقیم استخدام، ارزیابی و رشد افراد، نه فقط رهبری فنی یک پروژه.
ضروریDeep expertise in experimentation, causal inference, statistical modeling, predictive modeling, and machine learning
هستهٔ فنی کار. مدیر باید بتواند طراحی آزمایش یا تحلیل علّی تیم را نقد کند و برایش استاندارد بگذارد، حتی اگر خودش هر روز آن را اجرا نکند.
ضروریExperience partnering closely with Product and Engineering organizations to deliver data-driven product improvements
بیشتر اثر علم داده از راه تیم‌های محصول و مهندسی اتفاق می‌افتد. نمونه‌ای از کار مشترکی که به بهبود واقعی محصول رسیده، شاهد اصلی این مهارت است.
مهمStrong proficiency in Python and SQL with experience working on large-scale datasets
حتی در سطح Head هم انتظار دارند خودتان بتوانید داده را بخوانید و کد تیم را بفهمید و بازبینی کنید.
مهمExcellent communication skills with the ability to influence executive stakeholders through data-driven storytelling
نتیجهٔ تحلیل وقتی ارزش دارد که تصمیمی را عوض کند. باید بتوانید یافته‌ها و عدم‌قطعیت‌شان را برای مدیران ارشد کوتاه و روشن بگویید.
ضروریDemonstrated success leading cross-functional initiatives from ideation through production
باید نشان دهید پروژه‌ای را با چند تیم از ایده تا پروداکشن جلو برده‌اید، نه فقط تحلیل یا نمونهٔ اولیه.
مهمتحلیل مسئولیت‌ها
Lead, mentor, and grow a team of Applied Scientists / Data Scientists, fostering technical excellence and career development
بخش اصلی کار آدم‌ها هستند: استخدام، coaching، ارزیابی و ساختن مسیر رشد برای هر عضو تیم.
Define and execute the applied data science roadmap in partnership with Product, Engineering, and executive stakeholders
تصمیم می‌گیرید تیم روی چه کاری وقت بگذارد و روی چه کاری نه؛ این نقشهٔ راه باید با تیم‌های محصول و مهندسی و مدیران ارشد هماهنگ باشد.
Drive the development of statistical models, machine learning solutions, experimentation frameworks, and causal inference methodologies to improve product performance and customer outcomes
مسئول جهت فنی هستید: کدام مسئله با مدل حل شود، کدام با آزمایش و کدام با تحلیل علّی.
Establish best practices for experimentation, measurement, forecasting, and decision-making across the organization
استانداردی که می‌گذارید فراتر از تیم خودتان به کار می‌رود؛ مثلاً اینکه یک آزمایش در کل شرکت چطور طراحی و تفسیر شود.
Translate ambiguous business problems into scalable analytical and machine learning solutions
درخواست‌ها معمولاً مبهم می‌رسند. کار شما این است که آن‌ها را به سؤال‌های مشخص با معیار موفقیت تبدیل کنید.
Partner closely with engineering teams to operationalize models and deploy production-ready solutions
مدلی که به پروداکشن نرسد اثری ندارد؛ باید با مهندسان برای استقرار و نگهداری مدل‌ها کار کنید.
Present insights and recommendations to senior leadership and executive stakeholders to influence strategic decisions
بخشی از وقت شما صرف جلسه با مدیران ارشد می‌شود؛ اثر تیم از همین جلسه‌ها به تصمیم‌ها می‌رسد.
Build a culture of scientific rigor, operational excellence, and continuous innovation across the data science organization
فرهنگ تیم، مثلاً اینکه نتیجهٔ منفی آزمایش هم گزارش شود، با رفتار و استاندارد مدیر شکل می‌گیرد.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از Head of Data Science در یک شرکت نرم‌افزاری می‌دهد: کسی با دست‌کم ۸ سال سابقه و ۳ سال مدیریت تیم که هم استاندارد فنی آزمایش و مدل‌سازی را تعیین می‌کند، هم تیم را می‌سازد و هم بر تصمیم مدیران ارشد اثر می‌گذارد. بازهٔ حقوق پایه در آگهی ۳۲۰ تا ۳۸۰ هزار دلار در سال به‌علاوهٔ سهام است؛ این عدد از بازهٔ Glassdoor برای همین عنوان در آمریکا (میانهٔ حقوق پایه حدود ۱۸۰ هزار دلار) خیلی بالاتر است و نشان می‌دهد حقوق این نقش بسته به شرکت و شهر فاصلهٔ زیادی دارد.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS پیش‌بینی می‌کند اشتغال دانشمندان داده در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند؛ بسیار سریع‌تر از میانگین همهٔ مشاغل، با حدود ۲۴٬۸۰۰ فرصت شغلی در سال. BLS گروه جداگانه‌ای برای مدیران علم داده ندارد و جستجوی O*NET عنوان Data Science Manager را اول به همین گروه می‌برد. تعداد نقش‌های مدیریتی اما کسری از این بازار است: در بریتانیا ITJobsWatch در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶، ۷۰۱ آگهی Data Scientist و ۱۸ آگهی Head of Data Science ثبت کرده است.
منبع: BLS Occupational Outlook Handbook — Data Scientists (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Gartner در پیش‌بینی‌های داده و تحلیل خود (ژوئن ۲۰۲۵) نوشته تا ۲۰۲۷، ۵۰٪ تصمیم‌های کسب‌وکار با ایجنت‌های AI برای «decision intelligence» تقویت یا خودکار می‌شود و توصیه کرده رهبران داده و تحلیل همراه ذی‌نفعان تصمیم‌های حیاتی سازمان را شناسایی و اولویت‌بندی کنند.
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده «تحلیلگران و دانشمندان داده» (Data Analysts and Scientists) را در فهرست ۱۵ شغلی گذاشته‌اند که تا ۲۰۳۰ سریع‌ترین رشد را (به درصد) خواهند داشت؛ «متخصصان کلان‌داده» در صدر همین فهرست است.
BLS پیش‌بینی می‌کند اشتغال دانشمندان داده در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند؛ یعنی تیم‌هایی که این نقش رهبری‌شان می‌کند بزرگ‌تر می‌شوند. BLS برای خود مدیران علم داده پیش‌بینی جداگانه‌ای ندارد.
ابزارهای AI روش کار تیم را عوض می‌کنند: Robinhood از Head of AI/Data Science می‌خواهد workflow های ایجنتی را روش پیش‌فرض تیم کند و تیم را به همین استاندارد پاسخ‌گو نگه دارد، و Plaid از مدیرش می‌خواهد مطمئن شود خروجی این ابزارها پیش از رسیدن به تصمیم بازبینی شده است. Gartner هم پیش‌بینی کرده تا ۲۰۲۷ نیمی از تصمیم‌های کسب‌وکار با ایجنت‌های AI تقویت یا خودکار شود و در همان حال هشدار داده این ایجنت‌ها نه نوش‌دارو هستند و نه خطاناپذیر. پس ارزش مدیر علم داده بیشتر در انتخاب سؤال درست، استاندارد دقت و حاکمیت است. ریسک دیگر کوچکی بازار است: هر شرکت تعداد کمی از این نقش‌ها دارد و آگهی Head of Data Science در Evri سه هفته پس از انتشار ۷۰ متقاضی داشت.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۴۴ منبع بررسی شده است.
- Head of Applied Science / Data Science — Attentive (job posting)
- Head of Data Science - Core Insights — Socure (job posting)
- Head of Data Science - Identity & Compliance — Socure (job posting)
- Head of AI/Data Science, Finance & Strategy — Robinhood (job posting)
- Head of Data Science — Raylo (LinkedIn job posting)
- Head of Data Science — Evri (LinkedIn job posting)
- Director, Data Science — Figma (job posting)
- Director of Data Science — Motional (job posting)
- Director, Marketing Data Science — Zocdoc (job posting)
- Director, Product Data Science - Fleet Optimization and Orchestration — Waymo (job posting)
- Senior Director, Data Science — Reddit (job posting)
- Senior Director, Analytics and Data Science, Core Product & Growth — Life360 (job posting)
- Senior Director, Analytics & Data Science — Crusoe (job posting)
- Manager, Data Science — DoorDash (job posting)
- Data Science Manager — Deliveroo (job posting)
- Data Science Manager — Wayve (job posting)
- Data Science Manager - Fraud — Plaid (job posting)
- Manager, Data Science and Machine Learning (Risk and Fraud) — Trustly (job posting)
- Data Science Manager, Finance and Strategy — Stripe (job posting)
- Glassdoor — Head of Data Science salaries, United States
- Glassdoor — Head of Data Science salaries, United Kingdom
- levels.fyi — Data Science Manager Salary in United States
- levels.fyi — Data Science Manager Salary in Canada
- levels.fyi — Data Science Manager Salary in United Kingdom
- levels.fyi — Data Science Manager Salary in Germany
- levels.fyi — Data Science Manager Salary in Netherlands
- levels.fyi — Data Science Manager Salary in Switzerland
- levels.fyi — Data Science Manager Salary in Australia
- levels.fyi — Data Science Manager Salary in Singapore
- levels.fyi — Data Science Manager Salary in United Arab Emirates
- levels.fyi — Data Science Manager Salary in India
- BLS Occupational Outlook Handbook — Data Scientists
- O*NET OnLine — keyword search: data science manager
- ITJobsWatch — Head of Data Science (UK)
- ITJobsWatch — Lead Data Scientist (UK)
- ITJobsWatch — Data Scientist (UK)
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Gartner — Top Data & Analytics Predictions (June 2025)
- Eric Colson — Why Data Science Teams Need Generalists, Not Specialists (HBR, 2019)
- Monica Rogati — The AI Hierarchy of Needs (2017)
- Jeff Hammerbacher — Wikipedia
- Monica Rogati — Wikipedia
- High Signal podcast — Elena Grewal: From Zero to Scale (Delphina)
- Data Dialogs 2014 — Elena Grewal, Data Science Manager, Airbnb (UC Berkeley)