Что нужно, чтобы работать дата-сайентистом в банке

Здравствуйте!

Рассказываем, как учатся и чем занимаются дата-сайентисты в банке.

Data Science — это область знаний на стыке математического анализа, программирования и статистики. Её суть в том, чтобы творчески работать с большими массивами данных, визуализировать их и создавать модели, которые применяют в бизнесе и научных исследованиях.

Дата-сайентисты помогают бизнесу принимать решения о будущем на основе большого объёма данных, полученных в прошлом. Они анализируют информацию, применяют алгоритмы машинного обучения, выявляют неочевидные закономерности и прогнозируют события.

Ситуация на рынке в 2026 году

Крупные компании всё чаще внедряют алгоритмы машинного обучения в свои продукты и процессы, а data-driven подход используют при принятии бизнес-решений. Если раньше работа с большими данными была уделом только IT-компаний, то сегодня их анализируют даже в маркетинге, дизайне и продажах. Это делает специалистов Data Science ещё более востребованными.

Требования к опыту работы на позицию дата-сайентиста остаются одними из самых низких в IT-сфере: есть вакансии с опытом менее года, а в 60 % вакансий подойдёт опыт до трёх лет.

Многие приходят в эту профессию ради достойного заработка. В 2026 году начинающие специалисты с опытом 1–2 года получают 113–166 тыс. рублей, а специалисты с опытом 3–6 лет могут рассчитывать на доход 247–310 тыс. рублей в месяц. Дата-сайентисты в среднем зарабатывают больше, чем продуктовые и маркетинговые аналитики.

Оксана Ширшакова
Главный специалист по подбору персонала, Райффайзенбанк

Среди специалистов эта профессия становится всё более популярной. В Data Science приходят как молодые специалисты, получившие базовое образование в этом направлении, так и эксперты из других областей, которые прошли переподготовку на курсах. Поэтому нанять хорошего «джуна» или «регуляра» чуть легче, чем уверенного специалиста уровня senior.

Популярность направления объясняется широким выбором компаний и интересных задач. Работу можно найти не только в России, но и за рубежом, а также в стартапах с опционом.

Что должен уметь дата-сайентист

Набор навыков для дата-сайентиста зависит от задач, которые перед ним стоят. Базово специалист должен обладать знаниями в IT, математике и статистике, а также хорошо понимать суть бизнеса компании.

Прикладная математика и анализ данных:

• умение проводить эксперименты;
• статистика и моделирование — от линейных моделей до продвинутых методов машинного обучения;
• подготовка данных: очистка, отбор и преобразование признаков.

Технологии:

• навыки программирования DS-моделей (чаще всего Python или R) и знание библиотек;
• навыки работы с технологиями распределённых вычислений (Spark, Hadoop и др.);
• навыки написания продуктивного кода.

Бизнес:

• умение переводить бизнес-гипотезы в математическую постановку задачи;
• умение предвидеть, как модель будет использоваться в бизнес-процессах и какую ценность принесёт;
• понимание, какие подходы, модели и методы применимы в конкретных бизнес-кейсах.

Чем дата-сайентист отличается от аналитика

Дата-сайентисты и аналитики работают с данными, но делают это по-разному. Аналитики используют данные, чтобы объяснить события прошлого, а дата-сайентисты на основе исторических данных строят прогнозы о будущем.

Разница часто не очевидна. Из-за этого возникает путаница: иногда менеджеры ждут от аналитиков работы с данными как у дата-сайентистов или считают Data Science универсальным решением и стремятся нанять такого специалиста, хотя задачи относятся к компетенциям аналитика.

Какие задачи банка решают дата-сайентисты

В банках многие рабочие процессы построены на работе с данными. Вот несколько примеров использования DS в Райффайзенбанке.

Скоринг. Дата-сайентисты создают модели для скоринга: алгоритм анализирует данные о клиенте и оценивает, насколько надёжным заёмщиком он может стать. На основе этой информации банк принимает решение о выдаче кредита. Модель учитывает десятки параметров — стаж работы, среднюю зарплату, образование, счета в других банках и данные сотовых операторов.

Борьба с карточным мошенничеством. Модели анализируют транзакции клиентов и мгновенно принимают решения по каждой из них. Если человек вдруг начал переводить слишком большие суммы или совершать непривычные операции, система распознаёт такие действия как мошеннические и даёт сигнал об их приостановке, пока владелец счёта или карты не подтвердит операцию лично.

CRM. Data Science используют в CRM, чтобы анализировать действия и интересы пользователей и делать персонализированные предложения.

Улучшение клиентского опыта. DS помогает улучшать клиентский опыт. Например, в онлайн-банке напротив совершённых транзакций автоматически отображается их категория. Для физлиц это происходит на основании кода торговой точки, а с юрлицами так не работает — почти все их платежи проходят по платёжному поручению. Чтобы исправить ситуацию, создали модель, которая категоризирует платежи клиентов с точностью 76 %. При добавлении новых категорий точность будет расти.

Виртуальный помощник в чат-каналах. Чтобы научить чат-бот отвечать на вопросы клиентов и вовремя переводить диалог на оператора, команда анализирует большие объёмы диалогов, выделяя конкретные примеры вопросов. Эти примеры проходят через сложную последовательность предобработки текста, включающую нейронные сети. Так виртуальный помощник сможет отвечать на персонализированные вопросы и успешно решать клиентские задачи.

Оптимизация внутренних процессов. Например, обработка жалоб клиентов. Раньше эта работа происходила полностью в ручном режиме: жалобы читали, вручную классифицировали, а если автор требовал возврата денег — решали, возвращать ли и сколько. Чтобы автоматизировать категоризацию, дата-сайентисты разработали собственное решение, которое показало более высокую эффективность, чем продукт вендора. Модель построена на бесплатных Open Source компонентах, не требующих покупки лицензий, и в планах банка — использовать её для создания первого end-to-end процесса обработки жалоб.

Что делать, если я хочу работать в Data Science?

Проще всего попробовать себя в DS тем, у кого за плечами техническое или математическое образование, а также тем, чья текущая работа связана с данными или программированием.

• Начните с комплексного курса по всем аспектам Data Science — можно выбирать между платными и бесплатными, очными и дистанционными курсами, которых в последнее время появилось очень много. Изучите перечень и выберите то, что подходит именно вам. Не стоит бояться бесплатных курсов: в СНГ развито открытое сообщество Open Data Science, участники которого делают качественные образовательные проекты, например Open Machine Learning Course.
• Параллельно с обучением участвуйте в соревнованиях, например на Kaggle. Это своего рода социальная сеть для дата-сайентистов с большим количеством открытых массивов данных. Вы можете просто общаться со специалистами, а можете повышать свой рейтинг за комментарии, публикации исследований и участие в конкурсах, которые там регулярно появляются.
• Подключайтесь к решению реальных Data Science задач. Сделайте пет-проект в той области, которая вам интересна, чтобы продемонстрировать навыки — это особенно актуально тем, кто хочет компенсировать отсутствие практического опыта. Например, можно найти интересующие вас данные, обработать их, найти интересные закономерности, создать несложную модель и красиво всё это оформить. Также можно предложить свою помощь в сообществе.
• Следите за вакансиями внутри вашей компании: в Райффайзенбанке были случаи, когда после прохождения дополнительного обучения сотрудники переводились на начальные позиции в DS.

Что делать, если в команду нужен дата-сайентист?

Тем, кому в команду нужен дата-сайентист, рекомендуем сначала чётко понять, какие задачи вы будете решать с помощью Data Science и точно ли вам нужен такой специалист. В этом могут помочь:

• Бесплатный курс «Искусственный интеллект для каждого» — вводный курс о терминологии, принципах и возможностях применения искусственного интеллекта (машинного обучения) в бизнесе. Подойдёт даже людям без технического бэкграунда.
• Книга «Data Science for Business» — описывает фундаментальные принципы Data Science и проводит читателя по полному циклу извлечения инсайтов и бизнес-ценности из данных.
• Курсы по Data Science для менеджеров — ищите то, что подойдёт вам по формату.

Следующий шаг — поработать в команде с дата-сайентистом на хакатоне или внутреннем тренинге, если такие есть в вашей компании. Если вы убедитесь, что вашей команде нужен такой специалист, сформулируйте гипотезу и поставьте задачу. В Райффайзенбанке с такими вопросами можно обратиться в DS-коммьюнити и организовать брейнсторм для команды с участием внешних или внутренних профессионалов.

Для разовых задач лучше воспользоваться временными ресурсами или аутсорсом. Если задачи предполагают полную загрузку, стоит задуматься о найме.

До новых встреч!