دانشمند داده
Data Scientist
دانشمند داده با آمار، برنامه‌نویسی (بیشتر Python و SQL) و یادگیری ماشین از داده بینش و مدل بیرون می‌کشد تا تصمیم‌های یک سازمان بر پایهٔ شواهد گرفته شود. کار روزمره ترکیبی است از تعریف سنجه، طراحی و تحلیل آزمایش، ساخت و اعتبارسنجی مدل پیش‌بینی و توضیح نتیجه برای مدیران و تیم‌های محصول. در آگهی‌های ۲۰۲۶، کار با ابزارهای هوش مصنوعی هم کم‌کم جزو شرایط این شغل شده است.
مقدمه و تعریف شغل
طبق تعریف BLS، ادارهٔ آمار کار آمریکا، دانشمند داده (Data Scientist) با ابزارها و روش‌های تحلیلی از داده‌ها بینش معنادار بیرون می‌کشد. فهرست وظایفی که BLS می‌آورد با پیدا کردن داده‌های در دسترس و مفید شروع می‌شود و با جمع‌آوری و تحلیل داده، ساخت و آزمودن مدل، ارائهٔ یافته‌ها با نرم‌افزار مصورسازی و در پایان پیشنهاد به تصمیم‌گیران ادامه پیدا می‌کند. در آگهی‌های واقعی این نقش دو چهرهٔ رایج دارد: در یک سو دانشمند داده‌ای که با SQL، سنجه‌ها و A/B test به تیم محصول کمک می‌کند تصمیم بگیرد، و در سوی دیگر کسی که مدل یادگیری ماشین برای پیش‌بینی، تشخیص تقلب یا بهینه‌سازی می‌سازد و همراه مهندسان آن را به پروداکشن می‌برد. بسیاری از آگهی‌ها، مثل Block و Figma، ترکیبی از هر دو را می‌خواهند.
طبق ویکی‌پدیا، عنوان شغلی data scientist را به DJ Patil و Jeff Hammerbacher در سال ۲۰۰۸ نسبت می‌دهند. در اکتبر ۲۰۱۲، Thomas Davenport و DJ Patil در Harvard Business Review مقاله‌ای با عنوان «Data Scientist: The Sexiest Job of the 21st Century» نوشتند و به نوشتهٔ ویکی‌پدیا، یک دهه بعد همین را تکرار کردند و گفتند تقاضای کارفرمایان برای این شغل از همیشه بیشتر است. امروز این شغلی رسمی و جاافتاده است: BLS تعداد شغل‌های دانشمند داده در آمریکا را در ۲۰۲۵ حدود ۲۷۵٬۶۰۰ اعلام کرده و رشد ۳۵ درصدی را تا ۲۰۳۵ پیش‌بینی می‌کند. یکی از دلایلی که BLS می‌آورد این است که شرکت‌ها سیستم‌های مبتنی بر هوش مصنوعی را وارد کارشان می‌کنند و برای بهره بردن از آن‌ها به دانشمند داده نیاز دارند. در بریتانیا، ITJobsWatch در شش ماه منتهی به ۶ اکتبر ۲۰۲۶، ۶۶۲ آگهی استخدام دائم با عنوان Data Scientist ثبت کرده است، در برابر ۱۴۳ آگهی در همین بازهٔ ۲۰۲۵؛ در این آگهی‌ها Machine Learning در ۵۱٪ و AI در ۴۱٪ موارد آمده است. خود آگهی‌ها هم عوض شده‌اند: Block برای نقش تازه‌کارش دنبال فردی «AI-fluent» است و Spade می‌خواهد دستیارهای کدنویسی و LLMها بخشی از روش کار نامزد باشند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک دانشمند داده
سنجه‌ها و داشبوردهایی که تیم‌ها با آن تصمیم می‌گیرند
تیم Client Platform در Discord از دانشمند داده می‌خواهد KPIها و سنجه‌های تشخیصی برای پایداری اپ موبایل و دسکتاپ تعریف کند و با داشبورد آن‌ها را به‌موقع و قابل‌استفاده کند؛ ابزارهایی که آگهی نام می‌برد Tableau و Looker هستند.
طراحی و تحلیل آزمایش (A/B test)
در آگهی فارغ‌التحصیلان Pinterest، دانشمند داده سنجه‌های اصلی تیم را طراحی می‌کند، در طراحی و ارزیابی A/B testها کمک می‌کند و روش‌های دیگری را برای آزمودن سریع‌تر ایده‌ها بررسی می‌کند.
تحلیل علّی وقتی آزمایش ممکن نیست
تیم Monetization در Twitch روی محصولاتی مثل Subscriptions، Bits و Gifting و تصمیم‌های قیمت‌گذاری پشت آن‌ها کار می‌کند. به گفتهٔ آگهی، در تحلیل‌های قیمت‌گذاری، سیاست‌ها و بخش‌بندی کاربران، چالش اصلی شناسایی رابطهٔ علّی است و دانشمند داده از روش‌های استنباط علّی استفاده می‌کند.
مدل پیش‌بینی و بهینه‌سازی
Sciemo برای شرکت‌های کالاهای مصرفی AI می‌سازد؛ دانشمند داده مدل‌هایی برای پیش‌بینی، بهینه‌سازی، تشخیص ناهنجاری و سنجش اثر می‌سازد، آن‌ها را با backtesting و holdout اعتبارسنجی می‌کند و بعد از استقرار هم پیگیری می‌کند که مدل همان نتیجهٔ وعده‌داده‌شده را می‌دهد.
سیگنال‌های ریسک برای مقابله با تقلب
در Socure، شرکتی در حوزهٔ احراز هویت دیجیتال و پیشگیری از تقلب، دانشمند داده از داده‌های دستگاه، شبکه، مرورگر و رفتار کاربر feature و سیگنال ریسک می‌سازد؛ مثلاً برای تشخیص جعل دستگاه، اتوماسیون یا استفاده از proxy و VPN.
ابزار، ایجنت و اتوماسیون داده با AI
در آگهی Block، نخستین وظیفه استفاده از AI برای ساخت ابزارها، ایجنت‌ها و اتوماسیون‌های داده است؛ در کنار آن، دانشمند داده هزینه و عملکرد زیرساخت پرداخت شرکت را می‌سنجد و بهینه می‌کند.
تخصص‌های مختلف دانشمند داده
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
دانشمند داده محصول
Product Data Scientist
تمرکز روی سنجه‌های محصول، A/B test و رفتار کاربر در کنار مدیر محصول و مهندسان؛ مثل نقش‌های Figma، Discord و Pinterest. در Figma دانشمندان داده داخل تیم‌های محصول، مالی، بازاریابی و پلتفرم کار می‌کنند.
آزمایش و استنباط علّی
Experimentation & Causal Inference
طراحی آزمایش و روش‌های شبه‌آزمایشی برای سنجیدن اثر واقعی تغییرات؛ آگهی Twitch آشنایی با روش‌های تازهٔ causal ML مثل double ML و causal forests را امتیاز می‌داند.
دانشمند داده یادگیری ماشین و AI
Applied ML / AI Data Scientist
ساخت و پیاده‌سازی مدل در خود محصول؛ در Spade این نقش از مدل‌های کلاسیک ML و NLP تا ایجنت‌های AI روی داده‌های تراکنش را در بر می‌گیرد و مسئولیت کامل از نمونهٔ اولیه تا پروداکشن را می‌خواهد.
دانشمند داده ریسک و تقلب
Risk & Fraud Data Scientist
مدل‌سازی ریسک و تشخیص تقلب، جایی که الگوهای تقلب مدام عوض می‌شوند؛ مثل Socure در احراز هویت دیجیتال. Block هم کاهش ریسک را بخشی از بهینه‌سازی پلتفرم پرداخت می‌داند.
پیش‌بینی و بهینه‌سازی
Forecasting & Optimization
پیش‌بینی تقاضا و فروش و بهینه‌سازی تصمیم‌ها؛ Sciemo این کار را برای بهینه‌سازی پروموشن‌ها و توازن عرضه و تقاضای شرکت‌های کالاهای مصرفی انجام می‌دهد و Figma هم forecasting را در شرایط آگهی خود آورده است.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مرز این دو نقش باز است؛ مجمع جهانی اقتصاد در گزارش Future of Jobs هر دو را زیر یک عنوان (Data Analysts and Scientists) می‌شمارد. در عمل، تحلیلگر داده بیشتر به سؤال‌های مشخص با SQL، گزارش و داشبورد پاسخ می‌دهد و دانشمند داده علاوه بر آن مدل آماری یا یادگیری ماشین می‌سازد و آزمایش طراحی می‌کند. با این حال، بعضی آگهی‌های Data Scientist، مثل تیم Client Platform در Discord، بیشتر روی تحلیل، داشبورد و A/B test تمرکز دارند.
دانشمند داده مسئله را صورت‌بندی می‌کند، مدل را می‌سازد و می‌سنجد و نتیجه را به تصمیم وصل می‌کند؛ مهندس یادگیری ماشین بیشتر مسئول تبدیل مدل به سرویسی پایدار و مقیاس‌پذیر در پروداکشن است. در آگهی‌ها این دو کنار هم کار می‌کنند: Sciemo از دانشمند داده می‌خواهد همراه مهندسان ML و داده، مدل را از notebook به پروداکشن ببرد.
مهندس داده pipelineها و زیرساخت داده را می‌سازد و نگه می‌دارد؛ دانشمند داده روی همین داده تحلیل و مدل می‌سازد. در بعضی تیم‌ها مرز کم‌رنگ است: آگهی Block از دانشمند داده ساخت ETL و نگهداری زیرساخت دادهٔ ابری را هم می‌خواهد.
مهندس هوش مصنوعی با مدل‌های آماده، به‌ویژه مدل‌های زبانی بزرگ، محصول و سیستم عملیاتی می‌سازد؛ دانشمند داده بیشتر با داده، آزمایش و مدل به سؤال‌های کسب‌وکار پاسخ می‌دهد. این دو مسیر به هم نزدیک‌اند: در فهرست Jobs on the Rise ۲۰۲۶ لینکدین (آمریکا)، Data Scientist یکی از سه نقش اصلی است که افراد از آن به AI Engineer آمده‌اند.
تأثیر در صنایع مختلف
دانشمند داده در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
رسانه، پخش و تولید محتوا
طبق BLS، ناشران، پخش‌کننده‌ها و ارائه‌دهندگان محتوا بزرگ‌ترین گروه کارفرمایان دانشمندان داده در آمریکا هستند (۱۲٪ شغل‌ها در ۲۰۲۵) و میانهٔ حقوق در این گروه ۱۴۲٬۲۴۰ دلار بود. Twitch در همین حوزه برای قیمت‌گذاری و درآمدزایی سازندگان محتوا دانشمند داده استخدام می‌کند
بیمه
BLS بیمه‌گرها و فعالیت‌های مرتبط را یکی از بزرگ‌ترین کارفرمایان دانشمندان داده در آمریکا می‌داند (۱۰٪ شغل‌ها در ۲۰۲۵)
پرداخت و خدمات مالی
Block داده‌های پرداخت Square و Cash App را برای بهبود نرخ موفقیت، هزینه و ریسک تحلیل می‌کند و Spade رشته‌های نامرتب تراکنش را به رکوردهای ساختاریافته تبدیل می‌کند. طبق BLS، واسطه‌گری اعتباری ۶٪ شغل‌های این حرفه را در آمریکا دارد
احراز هویت و پیشگیری از تقلب
Socure با یادگیری ماشین روی داده‌های دستگاه، شبکه و رفتار کاربر، سیگنال‌هایی برای تأیید هویت و جلوگیری از تقلب در لحظه می‌سازد
کالاهای مصرفی و خرده‌فروشی
Sciemo با مدل‌های پیش‌بینی و بهینه‌سازی به شرکت‌های کالاهای مصرفی کمک می‌کند پروموشن‌ها را بهینه کنند و عرضه و تقاضا را متوازن نگه دارند
نرم‌افزار و خدمات کامپیوتری
طبق BLS، خدمات طراحی سیستم‌های کامپیوتری ۱۰٪ شغل‌های دانشمند داده را در آمریکا دارد. در Figma دانشمندان داده داخل تیم‌های محصول، مالی، بازاریابی و پلتفرم کار می‌کنند و ابزارهای مبتنی بر AI هم می‌سازند
شبکه‌های اجتماعی و ارتباطات آنلاین
Discord برای بهبود پایداری اپ و تجربهٔ کاربر سنجه، داشبورد و A/B test می‌خواهد و Pinterest برای شناخت رفتار کاربران و سنجیدن ارزشی که برای تبلیغ‌دهندگان ایجاد می‌کند دانشمند داده استخدام می‌کند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
برای دانشمند داده شدن حتماً دکترا لازم است
طبق BLS، مدرک معمول برای ورود کارشناسی در ریاضی، آمار، علوم کامپیوتر یا رشته‌های مرتبط است، هرچند برخی کارفرماها ارشد یا دکترا را لازم می‌دانند یا ترجیح می‌دهند. آگهی‌ها هم همین تنوع را نشان می‌دهند: نقش تازه‌کار Block کارشناسی در یک رشتهٔ کمّی و تجربهٔ کدنویسی در کارآموزی می‌خواهد، نقش فارغ‌التحصیلان Pinterest کارشناسی ارشد، و Twitch «۳ سال تجربه یا دکترا».
کار اصلی دانشمند داده ساختن مدل‌های پیچیدهٔ یادگیری ماشین است
مدل‌سازی فقط بخشی از کار است. فهرست وظایف BLS با پیدا کردن داده‌های مفید و جمع‌آوری و تحلیل داده شروع می‌شود و به ارائهٔ یافته‌ها و پیشنهاد به تصمیم‌گیران ختم می‌شود. در آگهی Discord وظایف اصلی تحلیل اکتشافی، داشبورد، گزارش و A/B test است. در مقابل، در Sciemo و Spade مدل‌سازی هستهٔ کار است؛ نوع کار به تیم و شرکت بستگی دارد.
هوش مصنوعی مولد جای دانشمند داده را می‌گیرد
BLS رشد ۳۵ درصدی اشتغال این شغل را تا ۲۰۳۵ پیش‌بینی می‌کند و یکی از دلایلش را این می‌داند که شرکت‌ها برای بهره بردن از سیستم‌های AI به دانشمند داده نیاز دارند. آنچه عوض می‌شود روش کار است: Block و Spade کار روزمره با ابزارهای AI را می‌خواهند و Pinterest توانایی سنجیدن درستی پیشنهادهای تولیدشده با AI را.
دانشمند داده با دادهٔ تمیز و آماده کار می‌کند
BLS می‌نویسد دانشمندان داده اغلب با دادهٔ خام و بی‌ساختار شروع می‌کنند و باید آن را «تمیز» کنند. آگهی Socure صریحاً کار با دادهٔ پرنویز، برچسب‌های ناقص، مقادیر گم‌شده و توزیع‌های در حال تغییر را می‌خواهد و Sciemo تجربهٔ ساخت مدل روی «دادهٔ واقعی و نامرتب» را.
اگر مهارت فنی کافی باشد، بقیه مهم نیست
BLS مهارت ارتباطی را از ویژگی‌های مهم این شغل می‌داند: دانشمند داده باید نتیجهٔ تحلیل را برای مخاطب فنی و غیرفنی توضیح دهد تا به پیشنهاد کسب‌وکار برسد. بیشتر آگهی‌های بررسی‌شده هم همین را خواسته‌اند؛ Block «توانایی قوی در ارتباط با همکاران غیرفنی» می‌خواهد و Sciemo توانایی توضیح اینکه چه کرده‌اید، چرا، و چه معنایی دارد، برای کسی که متخصص نیست.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
کارها مشخص‌ترند و زیر نظر افراد باتجربه‌تر انجام می‌شوند. بیشتر وقت صرف بیرون کشیدن داده با SQL، بررسی کیفیت داده، تحلیل اکتشافی و یاد گرفتن سیستم‌ها و کسب‌وکار شرکت می‌شود.
- ◆نوشتن کوئری SQL برای پاسخ به یک سؤال مشخص تیم محصول
- ◆بررسی اینکه چرا یک سنجه ناگهان تغییر کرده است: خطای داده یا تغییر واقعی رفتار کاربران
- ◆تحلیل نتیجهٔ یک A/B test با راهنمایی یک دانشمند دادهٔ ارشد
- ◆ساخت یا به‌روزرسانی یک داشبورد و نوشتن خلاصهٔ کوتاه یافته‌ها برای تیم
میانی (۲–۵ سال)
مسئولیت یک پروژه را از صورت‌بندی سؤال تا راه‌حلی که ذی‌نفعان بر اساسش عمل کنند بر عهده دارید. با مدیر محصول، مهندسان و تیم‌های مالی یا بازاریابی کار می‌کنید و تشخیص می‌دهید کدام سؤال ارزش پاسخ دادن دارد.
- ◆تبدیل یک سؤال مبهم کسب‌وکار به سنجه و طرح آزمایش
- ◆ساخت و اعتبارسنجی یک مدل پیش‌بینی و بررسی نشت داده پیش از ارائه
- ◆ارائهٔ نتیجهٔ یک آزمایش به تیم محصول همراه با محدودیت‌ها و پیشنهاد
- ◆همکاری با مهندسان برای بردن مدل یا داده‌ساختهٔ تازه به پروداکشن
ارشد (۵+ سال)
تمرکز روی تصمیم‌های اثرگذار، استانداردهای تحلیل و رشد دیگران است. در شکل دادن به نقشهٔ راه تیم داده با مدیران همکاری می‌کنید و کار دانشمندان دادهٔ جوان‌تر را بازبینی می‌کنید.
- ◆بازبینی طراحی آزمایش‌ها و تحلیل‌های تیم پیش از اینکه مبنای تصمیم شوند
- ◆تعیین روش‌های مشترک اعتبارسنجی و پایش مدل‌ها
- ◆همکاری با مدیران در اولویت‌بندی پروژه‌های داده
- ◆منتورینگ و code review برای دانشمندان دادهٔ جوان‌تر
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈نوشتن کوئری SQL و کار با Python روی داده‌های بزرگ برای پاسخ به سؤال‌های کسب‌وکار
- ◈تعریف و پایش سنجه‌ها (KPI) و ساخت داشبورد برای تیم‌ها
- ◈طراحی، اجرا و تحلیل آزمایش‌های A/B
- ◈استفاده از روش‌های استنباط علّی وقتی اجرای آزمایش ممکن نیست
- ◈ساخت و اعتبارسنجی مدل‌های پیش‌بینی (طبقه‌بندی، رگرسیون، سری زمانی)
- ◈همکاری با مهندسان برای بردن مدل به پروداکشن و پایش آن پس از استقرار
- ◈استفاده از ابزارهای AI برای سرعت دادن به تحلیل و خودکارسازی کارهای داده
- ◈توضیح یافته‌ها، فرض‌ها و محدودیت‌ها برای مخاطب غیرفنی و تبدیل آن‌ها به پیشنهاد
- ◈همکاری با تیم‌های محصول، مهندسی، مالی و عملیات برای تبدیل نیاز مبهم به سؤال قابل‌سنجش
- ◈بازبینی کار و منتورینگ دانشمندان داده و تحلیلگران جوان‌تر (در سطح ارشد)
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک دانشمند داده موفق به آن‌ها نیاز دارد
مهارت‌های فنی
در هر هشت آگهی بررسی‌شده خواسته شده است؛ از کوئری ساده تا window function و کار با دادهٔ بزرگ
Python در هفت آگهی از هشت آگهی بررسی‌شده آمده است و Figma، Twitch و Pinterest R را هم می‌پذیرند؛ Sciemo و Socure کتابخانه‌های pandas و scikit-learn را هم نام برده‌اند
آزمون فرض، بازهٔ اطمینان و رگرسیون؛ BLS می‌نویسد دانشمندان داده برای جمع‌آوری و سازمان‌دهی داده از روش‌های آماری استفاده می‌کنند
A/B test از طراحی تا تفسیر؛ در آگهی‌های Block، Figma، Twitch، Discord، Pinterest و Sciemo آمده است
رگرسیون، طبقه‌بندی، مدل‌های درختی و ارزیابی مدل؛ Sciemo و Socure صریحاً می‌خواهند
train و test، holdout، نشت داده و drift (فهرست آگهی Socure)؛ backtesting و تحلیل خطا (Sciemo)
روش‌های شبه‌آزمایشی برای وقتی که A/B test ممکن نیست؛ تمرکز اصلی آگهی Twitch
BLS ارائهٔ یافته‌ها با نرم‌افزار مصورسازی را از وظایف اصلی می‌شمارد؛ Discord و Twitch ساخت داشبورد را می‌خواهند
Sciemo روی forecasting و backtesting تأکید دارد و Figma هم forecasting را نام برده است
Block فردی «AI-fluent» می‌خواهد و Spade کار روزمره با دستیارهای کدنویسی و LLMها را
Spark، Databricks، Snowflake یا BigQuery؛ در آگهی‌های Figma، Socure، Spade و Discord
مهارت‌های نرم
BLS آن را از ویژگی‌های مهم این شغل می‌داند و بیشتر آگهی‌های بررسی‌شده به شکلی آن را خواسته‌اند
Twitch از تبدیل سؤال‌های مبهم کسب‌وکار به چارچوب سنجش می‌گوید و Block از تبدیل نیازهای باز کسب‌وکار به راه‌حل داده
Block پژوهش مستقل روی سؤال‌ها را می‌خواهد و Figma مالکیت سرتاسری پروژه‌های دادهٔ پیچیده را
همکاری با تیم‌های محصول، مهندسی، مالی و عملیات (آگهی Block)
تشخیص سیگنال واقعی از خطای داده، با وجود برچسب‌های ناقص و شکاف‌های ثبت داده (آگهی Socure)
دانش حوزه‌ای
Block «business acumen» می‌خواهد و Sciemo کنجکاوی دربارهٔ مسئلهٔ کسب‌وکارِ پشت داده را، نه فقط تکنیک
پرداخت و بانکداری (Block)، کالاهای مصرفی و خرده‌فروشی (Sciemo)، تقلب و هویت (Socure)؛ BLS هم می‌نویسد برخی کارفرماها تجربه یا تحصیلات مرتبط با صنعت را لازم می‌دانند
تعریف KPI و سنجه‌های تشخیصی (Discord) و سنجه‌های اصلی محصول (Pinterest)
ویکی‌پدیا از نگرانی‌هایی مثل نقض حریم خصوصی و بازتولید سوگیری داده در مدل‌های یادگیری ماشین نام می‌برد
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به دانشمند داده
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
Python و ابزارهای کار با داده
Python را تا جایی یاد بگیرید که بتوانید داده را بخوانید، تمیز کنید و با pandas خلاصه کنید. Jupyter را روی کامپیوتر خودتان، مثلاً داخل VS Code، راه بیندازید و از همین ابتدا با Git کار کنید. در هفت آگهی از هشت آگهی بررسی‌شده Python یا R خواسته شده است؛ Figma، Twitch و Pinterest هر کدام از این دو را می‌پذیرند.
SQL و کار با دادهٔ واقعی
SQL در هر هشت آگهی بررسی‌شده خواسته شده است. JOIN، GROUP BY، زیرکوئری و window function را تمرین کنید و بعد روی یک دادهٔ واقعی سؤال بپرسید. دادهٔ واقعی نامرتب است: BLS می‌نویسد دانشمندان داده اغلب با دادهٔ خام شروع می‌کنند و باید آن را «تمیز» کنند تا نرم‌افزار بتواند آن را بخواند.
آمار، احتمال و طراحی آزمایش
بیشتر آگهی‌های بررسی‌شده پایهٔ آماری محکم و تجربهٔ آزمایش (A/B test) می‌خواهند. آمار توصیفی و استنباطی، بازهٔ اطمینان و رگرسیون را یاد بگیرید و بعد طراحی و تحلیل آزمایش را. آگهی Twitch یک قدم جلوتر می‌رود: استنباط علّی (causal inference) برای جاهایی که اجرای A/B test ممکن نیست.
منابع پیشنهادی
یادگیری ماشین کاربردی و اعتبارسنجی مدل
رگرسیون، طبقه‌بندی، مدل‌های درختی و سری زمانی را با scikit-learn پیاده کنید. مهم‌تر از خود مدل، سنجیدن درست آن است: آگهی Socure از جداسازی train و test، بررسی holdout، کنترل نشت داده (leakage) و ارزیابی drift نام می‌برد و آگهی Sciemo از backtesting و تحلیل صادقانهٔ خطا.
ارتباط، استقرار و کار با ابزارهای AI
BLS مهارت ارتباطی را از ویژگی‌های مهم این شغل می‌داند: نتیجهٔ تحلیل باید برای مخاطب فنی و غیرفنی قابل‌فهم باشد تا به پیشنهاد کسب‌وکار برسد. یاد بگیرید نتیجه را با نمودار و متن کوتاه توضیح دهید، یک اپ دادهٔ ساده با Streamlit منتشر کنید و آزمایش‌های مدل را با MLflow ثبت کنید. ابزارهای AI را هم وارد کارتان کنید، اما خروجی‌شان را بسنجید؛ آگهی Pinterest صریحاً تفکر انتقادی هنگام کار با پیشنهادهای تولیدشده با AI را می‌خواهد.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان‌ها و محیط کار
زبان اصلی تحلیل و مدل‌سازی؛ Block، Sciemo، Socure و Spade صریحاً آن را خواسته‌اند و Figma، Twitch و Pinterest «Python یا R» نوشته‌اند
کتابخانهٔ متن‌باز تحلیل و دست‌کاری داده در Python؛ در آگهی‌های Sciemo، Socure و Spade نام برده شده است
محیط تعاملی برای ترکیب کد، نمودار و توضیح؛ می‌شود آن را روی کامپیوتر خودتان یا داخل VS Code اجرا کرد
آمار و یادگیری ماشین
مدل‌های gradient boosting برای دادهٔ جدولی؛ Socure آن را در کنار pandas و scikit-learn نام برده است
داده در مقیاس بزرگ
پردازش توزیع‌شدهٔ دادهٔ بزرگ؛ در آگهی‌های Figma، Socure، Sciemo و Spade (به‌صورت PySpark) آمده است
مصورسازی، گزارش و استقرار
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
دانشمند داده جونیور / تازه‌کار
۰ تا ۲ سال
کار روی سؤال‌های مشخص زیر نظر افراد باتجربه‌تر: کوئری SQL، تمیز کردن داده، تحلیل اکتشافی، کمک در تحلیل آزمایش‌ها و ساخت داشبورد؛ نقش تازه‌کار Block و نقش فارغ‌التحصیلان Pinterest از این دست‌اند
دانشمند داده (Data Scientist / Data Scientist II)
۲ تا ۵ سال
مالکیت یک پروژه از صورت‌بندی سؤال تا راه‌حلی که ذی‌نفعان بر اساسش عمل کنند؛ آگهی Figma همین مالکیت سرتاسری را می‌خواهد. نام سطح‌ها بین شرکت‌ها یکسان نیست: Socure برای Data Scientist II دست‌کم ۵ سال تجربه می‌خواهد
دانشمند داده ارشد
۵+ سال
مالکیت کامل محصول یا جریان کاری ML از ایده تا پروداکشن، تعیین استانداردهای کار تیم و منتورینگ؛ آگهی Spade برای سطح ارشد دست‌کم ۵ سال تجربه و سابقهٔ منتورینگ می‌خواهد
Staff / Principal / Lead Data Scientist
پس از سطح ارشد
تعیین جهت فنی کار داده برای چند تیم، همکاری با مدیران در اولویت‌بندی و ساخت روش‌ها و ابزارهای مشترک
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
دادهٔ نامرتب و برچسب‌های ناقص
عمومیدادهٔ واقعی کمتر شبیه دادهٔ تمرینی است. آگهی Socure از دادهٔ پرنویز، برچسب‌های ناقص، نتایجی که دیر مشخص می‌شوند، مقادیر گم‌شده و شکاف در ثبت داده نام می‌برد و از دانشمند داده می‌خواهد سیگنال واقعی را از خطای داده جدا کند.
سؤال‌های مبهم
عمومیدرخواستها معمولاً به شکل سؤال دقیق نمی‌رسند. Twitch از تبدیل «سؤال‌های مبهم کسب‌وکار» به چارچوب سنجش می‌گوید، Block از «نیازهای باز کسب‌وکار» و Discord از «مسئله‌های مبهم» که باید به بینش روشن تبدیل شوند. بخش زیادی از کار، روشن کردن خود سؤال است.
وقتی A/B test ممکن نیست
شرکت بزرگبرای بعضی تصمیم‌ها، مثل قیمت‌گذاری یا سیاست‌های پلتفرم، نمی‌شود به‌سادگی آزمایش اجرا کرد. آگهی Twitch می‌گوید در این تحلیل‌ها چالش اصلی شناسایی رابطهٔ علّی است و به همین دلیل روش‌های شبه‌آزمایشی و causal ML را می‌خواهد.
مدلی که در دنیای واقعی کهنه می‌شود
عمومیداده و رفتار کاربران عوض می‌شود و مدل دیروز ممکن است امروز درست کار نکند. Socure ارزیابی drift و پیگیری الگوهای در حال تغییر تقلب را جزو کار می‌داند و Sciemo از دانشمند داده می‌خواهد مدل‌های مستقرشده را در دنیای واقعی دنبال کند تا مطمئن شود همان نتیجهٔ وعده‌داده‌شده را می‌دهند.
ورود به بازار و شرط مدرک
عمومیBLS می‌نویسد مدرک معمول کارشناسی است اما برخی کارفرماها ارشد یا دکترا را لازم می‌دانند یا ترجیح می‌دهند. نقش فارغ‌التحصیلان Pinterest کارشناسی ارشد می‌خواهد و حتی نقش تازه‌کار Block تجربهٔ کدنویسی در کارآموزی. کسی که از رشتهٔ دیگری می‌آید باید با پروژه‌های جدی و قابل‌ارائه این فاصله را کم کند.
ابزارهای در حال تغییر و انتظار تسلط بر AI
عمومیآگهیهای ۲۰۲۶ کار با ابزارهای AI را جزو شرایط آورده‌اند: Block فردی «AI-fluent» می‌خواهد و Spade کار روزمره با دستیارهای کدنویسی و LLMها را. هم‌زمان Pinterest تفکر انتقادی دربارهٔ پیشنهادهای تولیدشده با AI و روش روشن برای سنجیدن درستی آن‌ها را می‌خواهد؛ یعنی هم باید از این ابزارها استفاده کنید و هم خروجی‌شان را بسنجید.
حقوق و بازار کار جهانی
حقوق جهانی دانشمند 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:
- BLS OEWS, May 2025: 25th–75th pct; median
- Robert Half 2027 Salary Guide, Canada national: low–high range; median = mid tier
- Robert Half 2026 UK Salary Guide (starting salaries): 25th–75th pct; median = 50th pct
- levels.fyi, Oct 2026, total comp (222 submissions): 25th–75th pct; median
- levels.fyi, Oct 2026, total comp (141 submissions): 25th–75th pct; median
- Robert Half 2026 Salary Guide, Switzerland national: 25th–75th pct; median = 50th pct
- levels.fyi, Oct 2026, total comp (131 submissions): 25th–75th pct; median
- levels.fyi, Oct 2026, total comp (only 29 submissions): 25th–75th pct; median
- Robert Half 2026 Salary Guide, Singapore (starting salaries): 25th–75th pct; median = 50th pct
- levels.fyi, Oct 2026, total comp (1,158 submissions): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: Python برای داده
pandas و NumPy را با دادهٔ واقعی تمرین کنید و Jupyter را روی سیستم خودتان راه بیندازید.
ماه ۲: SQL
JOIN، GROUP BY و window function؛ هر روز چند سؤال را روی یک دادهٔ واقعی با SQL جواب دهید.
ماه ۳: آمار و A/B test
آزمون فرض، بازهٔ اطمینان و رگرسیون؛ بعد یک آزمایش را از طراحی تا تفسیر نتیجه تحلیل کنید.
ماه ۴: یادگیری ماشین
رگرسیون، طبقه‌بندی و مدل‌های درختی با scikit-learn، همراه با اعتبارسنجی درست.
ماه ۵: پروژه با اعتبارسنجی و تحلیل علّی
یک پروژهٔ پیش‌بینی روی دادهٔ عمومی بسازید که نشت داده را کنترل کند، و یک تحلیل علّی ساده انجام دهید.
ماه ۶: پورتفولیو و درخواست کار
دو پروژه را با README روشن، نمودار و توضیح محدودیت‌ها منتشر کنید و رزومه را با زبان آگهی‌ها بنویسید: SQL، آزمایش، مدل و ارتباط.
پروژه‌های پیشنهادی برای رزومه
تحلیل اکتشافی روی یک دادهٔ عمومی
مبتدییک مجموعه‌دادهٔ عمومی (مثلاً از Our World in Data یا UCI Machine Learning Repository) انتخاب کنید، چند سؤال مشخص بنویسید، داده را تمیز کنید و با نمودار به آن‌ها جواب دهید. نتیجه را در یک notebook با متنی کوتاه و قابل‌فهم برای مخاطب غیرفنی منتشر کنید.
تحلیل کامل یک A/B test
متوسطدادههای یک آزمایش را شبیه‌سازی کنید یا یک دادهٔ آزمایشی عمومی پیدا کنید. سنجهٔ اصلی و اندازهٔ نمونه را از پیش تعیین کنید، آزمون آماری مناسب و بازهٔ اطمینان را محاسبه کنید و در پایان یک توصیهٔ روشن همراه با محدودیت‌ها بنویسید.
مدل پیش‌بینی با اعتبارسنجی درست
متوسطیک مسئلهٔ طبقه‌بندی (مثلاً پیش‌بینی ریزش مشتری یا نکول وام) را حل کنید. داده را درست به train و test تقسیم کنید، نشت داده را بررسی کنید، چند مدل از ساده تا XGBoost را مقایسه کنید و توضیح دهید کدام نوع خطا برای کسب‌وکار پرهزینه‌تر است.
پیش‌بینی سری زمانی با backtesting
پیشرفتهبرای یک سری زمانی واقعی (مثلاً فروش یا مصرف انرژی) مدل پیش‌بینی بسازید و آن را با backtesting روی چند دورهٔ گذشته بسنجید؛ همان روشی که آگهی Sciemo برای اعتبارسنجی نام می‌برد. تحلیل خطا را صادقانه گزارش کنید.
اپ داده از SQL تا داشبورد
پیشرفتهداده را در DuckDB یا PostgreSQL بریزید، با SQL و Python تحلیل کنید، نتیجه و مدل را در یک اپ Streamlit نمایش دهید و آزمایش‌های مدل را با MLflow ثبت کنید. اگر از یک مدل زبانی محلی (مثلاً با Ollama) برای خلاصه کردن نتایج استفاده می‌کنید، خروجی‌اش را با اعداد واقعی مقایسه کنید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
ریاضی‌دان و دانشمند کامپیوتر آمریکایی. طبق ویکی‌پدیا، دبیرستان را در ۱۹۹۲ با رتبه‌ای نزدیک به انتهای کلاس تمام کرد و یک سال در کالج محلی De Anza درس خواند؛ بعد کارشناسی ریاضی را از UC San Diego و دکترای ریاضی کاربردی را از دانشگاه مریلند گرفت و در همان دانشگاه با داده‌های باز NOAA روی بهبود پیش‌بینی عددی آب‌وهوا کار کرد. در LinkedIn مدیر محصولات داده (Head of Data Products) و Chief Scientist بود.
در فوریهٔ ۲۰۱۵ کاخ سفید او را نخستین Chief Data Scientist آمریکا معرفی کرد و تا ۲۰۱۷ در این سمت بود؛ در این دوره در راه‌اندازی Police Data Initiative و Data-Driven Justice Initiative نقش داشت. پیش‌تر، به‌عنوان data-scientist-in-residence در Greylock Partners، دو کتاب Building Data Science Teams و Data Jujitsu را نوشت.
شروع ضعیف تحصیلی مانع مسیر او نشد. به نظر می‌رسد آنچه کارش را پیش برد، به کار بستن ریاضی روی مسئله‌های واقعی بود، از پیش‌بینی آب‌وهوا تا محصول داده و سیاست‌گذاری؛ برای کسی که دیر شروع کرده، این نکتهٔ امیدوارکننده‌ای است.
به گفتهٔ خودش، Chief Scientist در bitly بود و می‌کوشید بفهمد توجه کاربران در کل اینترنت چه شکلی دارد؛ مدتی هم Data Scientist in Residence در Accel بود. در ۲۰۱۰ hackNY را هم‌بنیان گذاشت، نهادی غیرانتفاعی که دانشجویان مهندسی را برای تابستان در استارتاپ‌های نیویورک مشغول می‌کند، و از ۲۰۱۲ در برگزاری DataGotham، کنفرانس جامعهٔ دادهٔ نیویورک، شریک بود.
به گفتهٔ خودش، در ۲۰۱۴ Fast Forward Labs را برای پژوهش کاربردی یادگیری ماشین تأسیس کرد؛ Cloudera آن را در ۲۰۱۷ خرید و او تا ۲۰۲۰ مدیر کل (General Manager) یادگیری ماشین و AI در Cloudera بود. امروز هم‌بنیان‌گذار و مدیرعامل Hidden Door است. با DJ Patil کتاب Data Driven: Creating a Data Culture و با Mike Loukides و Patil کتاب Ethics and Data Science را نوشته است.
در کارنامهٔ او ساختن جامعه و نوشتن همان‌قدر دیده می‌شود که کار فنی؛ برای تازه‌واردی که شبکهٔ حرفه‌ای ندارد، مشارکت در جامعه‌های داده و نوشتن دربارهٔ آنچه یاد می‌گیرد راهی در دسترس است.
دانشمند داده و آماردان اهل آفریقای جنوبی که در نوجوانی به آمریکا رفت. طبق ویکی‌پدیا، در پانزده‌سالگی تحصیل در اقتصاد و آمار ریاضی را در دانشگاه Nelson Mandela شروع کرد، کارشناسی را در دانشگاه شیکاگو تمام کرد و در Duke در رشتهٔ روان‌شناسی و علوم اعصاب شناختی، با تمرکز بر اقتصاد عصبی (neuroeconomics)، تحصیلات تکمیلی را دنبال کرد.
در ۲۰۱۴ به‌عنوان آماردان (statistician) به Google پیوست و در ۲۰۱۶ به دفتر CTO گوگل رفت؛ حوزهٔ کارش هوش مصنوعی کاربردی و طراحی فرایندهای علم داده بود. طبق ویکی‌پدیا، سمت Chief Decision Scientist گوگل را داشت و نوشته‌هایش در Harvard Business Review و Forbes منتشر شده است.
مسیر او از آمار و علوم شناختی به نقش تصمیم‌سازی در Google نشان می‌دهد که ارزش دانشمند داده فقط در خود مدل نیست، در کمک به تصمیم بهتر است؛ پیش‌زمینه‌ای غیر از علوم کامپیوتر هم می‌تواند نقطهٔ قوت باشد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Data Scientist, Payments
تحلیل نیازمندی‌ها
A bachelor’s degree in a quantitative field with a strong academic record
یعنی کارشناسی در رشته‌ای کمّی، مثل آمار، ریاضی، اقتصاد، مهندسی یا علوم کامپیوتر، با کارنامهٔ تحصیلی خوب. در این نقش تازه‌کار، مدرک و کارنامه جای سابقهٔ کاری طولانی را می‌گیرد؛ کسی که مدرک کمّی ندارد برای این آگهی خاص شرایط را ندارد و باید سراغ نقش‌هایی برود که پروژه و تجربهٔ عملی را معادل می‌پذیرند.
ضروریExperience working with code at an internship
حتی برای نقش تازه‌کار، تجربهٔ کدنویسی در محیط واقعی کار، مثلاً در یک دورهٔ کارآموزی، خواسته شده است؛ پروژهٔ درسی به‌تنهایی کافی نیست.
ضروریExperience working with large datasets using code, including SQL and Python
دو مهارت پایهٔ این حرفه. «Large datasets» یعنی باید بتوانید با جدول‌هایی کار کنید که در Excel جا نمی‌شوند و کوئری کارآمد بنویسید.
ضروریExperience using AI tools to accelerate development, improve data workflows, and automate processes
کارفرما انتظار دارد از ابزارهای هوش مصنوعی برای نوشتن کد، بهتر کردن جریان کار داده و خودکارسازی کارهای تکراری استفاده کنید. در همین آگهی، نخستین وظیفه هم ساخت ابزار، ایجنت و اتوماسیون داده با AI است.
ضروریStrong analytical expertise and business acumen
تحلیل درست کافی نیست؛ باید بفهمید کسب‌وکار پرداخت چطور کار می‌کند و کدام عدد برایش مهم است تا تحلیل‌تان به تصمیم برسد.
مهمStrong ability to communicate with non-technical partners
بخش مهمی از کار، توضیح نتیجه برای تیم‌های مالی، عملیات و محصول است. ساده گفتن یافته‌ها بدون از دست دادن دقت، به اندازهٔ خود تحلیل اهمیت دارد.
ضروریKnowledge of systems architecture and cloud infrastructure
این شرط نشان می‌دهد نقش به مهندسی داده نزدیک است؛ در وظایف هم ساخت ETL و نگهداری زیرساخت دادهٔ ابری آمده است. آشنایی با معماری سیستم و سرویس‌های ابری کمک می‌کند داده و ابزارها را خودتان راه بیندازید.
مهمBonus: experience with payments or banking
امتیاز است، نه شرط. تجربه در بانک یا پرداخت، حتی در نقشی غیرفنی، می‌تواند شما را از نامزدهای دیگر متمایز کند.
مفیدتحلیل مسئولیت‌ها
Leverage AI to create scalable data tools, agents, and automations
به‌جای انجام دستی کارهای تکراری، ابزار و ایجنتی می‌سازید که آن‌ها را خودکار کند. این وظیفه در صدر فهرست آگهی آمده است.
Partner with Product, Engineering, Finance, and Operations teams to systemize and make data-driven decisions
با چهار تیم مختلف کار می‌کنید؛ یعنی باید زبان هر کدام را بفهمید و تحلیل را طوری ارائه دهید که به تصمیم برسد.
Measure and optimize the cost and performance of our payments stack
طبق متن آگهی، هدف بهتر کردن پلتفرم پرداخت از نظر نرخ موفقیت، هزینه و کاهش ریسک است؛ شما این اعداد را می‌سنجید و تغییرهایی پیشنهاد می‌کنید که آن‌ها را بهتر کند.
Design, run, and analyze experiments
از طراحی آزمایش (انتخاب سنجه، اندازهٔ نمونه و مدت) تا تحلیل نتیجه؛ همان مهارت آماری که در بیشتر آگهی‌های این شغل دیده می‌شود.
Independently research questions and produce actionable insights
«Independently» یعنی انتظار می‌رود خودتان سؤال را دنبال کنید و منتظر سفارش نمانید؛ خروجی باید بینشی باشد که بشود بر اساسش کاری کرد.
Build ETL pipelines, dashboards, and machine learning models
ترکیبی از مهندسی داده (ETL)، گزارش‌دهی (داشبورد) و مدل‌سازی؛ در این نقش یک نفر هر سه را انجام می‌دهد.
Translate open-ended business needs into practical data solutions
نیازها معمولاً به شکل سؤال دقیق نمی‌رسند؛ باید خودتان آن‌ها را به مسئلهٔ داده‌ای قابل‌حل تبدیل کنید.
Stand up, maintain, and improve cloud data infrastructure and tooling
این نقش فقط تحلیل نیست؛ راه‌اندازی و نگهداری زیرساخت و ابزارهای دادهٔ ابری هم بخشی از کار است.
نتیجه‌گیری کلی
این آگهی تصویر یک نقش تازه‌کار دانشمند داده در ۲۰۲۶ است: کارشناسی در یک رشتهٔ کمّی، تجربهٔ کدنویسی در کارآموزی، SQL و Python، و استفاده از ابزارهای AI که جزو شرایط اصلی آمده است. دامنهٔ کار گسترده است و از آزمایش و مدل یادگیری ماشین تا ETL و زیرساخت ابری را در بر می‌گیرد. بازهٔ حقوق اعلام‌شده بسته به منطقهٔ محل زندگی از ۹۵٬۰۰۰ تا ۱۶۷٬۵۰۰ دلار در سال است.
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 (۳٪). به‌طور میانگین سالانه حدود ۲۴٬۸۰۰ فرصت شغلی برای این حرفه پیش‌بینی شده است.
منبع: BLS Occupational Outlook Handbook — Data Scientists (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
طبق فهرست Jobs on the Rise ۲۰۲۶ لینکدین (آمریکا)، Data Scientist از نقش‌های اصلی قبلیِ کسانی است که به سه شغل پررشد AI Engineer (رتبهٔ ۱)، AI/ML Researcher (رتبهٔ ۵) و Quantitative Researcher & Analyst (رتبهٔ ۲۰) رسیده‌اند.
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده در نظرسنجی «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» (Big Data Specialists) در صدر همین فهرست است.
BLS پیش‌بینی می‌کند اشتغال دانشمندان داده در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند و دلیلش را تقاضای بیشتر برای تصمیم‌گیری مبتنی بر داده و ورود سیستم‌های AI به کار شرکت‌ها می‌داند.
روش کار در حال تغییر است: Block برای نقش تازه‌کارش فردی «AI-fluent» می‌خواهد و Spade انتظار دارد دستیارهای کدنویسی و LLMها بخشی از روش کار نامزد باشند. وقتی بخشی از کدنویسی و تحلیل با ابزارهای AI سریع‌تر انجام می‌شود، ارزش دانشمند داده بیشتر در صورت‌بندی درست سؤال، سنجیدن نتیجه و قضاوت است؛ Pinterest صریحاً تفکر انتقادی دربارهٔ پیشنهادهای تولیدشده با AI را می‌خواهد. ورود به بازار هم ساده نیست: BLS می‌نویسد برخی کارفرماها ارشد یا دکترا را لازم می‌دانند یا ترجیح می‌دهند.
منابع
اطلاعات این صفحه در تاریخ ۱۳ مهر ۱۴۰۵ از این ۲۷ منبع بررسی شده است.
- Data Scientist, Payments — Block (job posting)
- Data Scientist — Figma (job posting)
- Data Scientist — Twitch (job posting)
- Data Scientist - Client Platform — Discord (job posting)
- Master's University Grad Data Scientist (USA) — Pinterest (job posting)
- Data Scientist — Sciemo (job posting)
- Data Scientist II - Digital Intelligence — Socure (job posting)
- Data Scientist - AI/ML (Mid & Sr Levels) — Spade (job posting)
- BLS Occupational Outlook Handbook — Data Scientists
- BLS OEWS Profiles, May 2025 — 15-2051 Data Scientists
- Robert Half — Data Scientist salary, Canada (2027 guide)
- Robert Half — 2026 Salary Guide, United Kingdom (PDF)
- Robert Half — Data Scientist salary, Switzerland (2026 guide)
- Robert Half — Data Scientist salary, Singapore (2026 guide)
- levels.fyi — Data Scientist Salary in Germany
- levels.fyi — Data Scientist Salary in Netherlands
- levels.fyi — Data Scientist Salary in Australia
- levels.fyi — Data Scientist Salary in United Arab Emirates
- levels.fyi — Data Scientist Salary in India
- ITJobsWatch — Data Scientist (UK)
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- LinkedIn Jobs on the Rise 2026: The 25 fastest-growing roles in the U.S.
- Data science — Wikipedia
- Davenport & Patil — Data Scientist: The Sexiest Job of the 21st Century (HBR, Oct 2012)
- DJ Patil — Wikipedia
- Hilary Mason — About
- Cassie Kozyrkov — Wikipedia