Профессия Data Science — от вопроса бизнеса до работающей модели

Запрос от коммерческого отдела приходит одной строкой: понять, почему повторные заказы просели, хотя реклама шла как обычно. Между этой фразой и ответом лежит несколько недель работы, и почти вся она пройдёт не там, где ожидает человек, впервые услышавший про Data Science.

Сначала надо выяснить, где вообще лежат данные о заказах, кто их записывает и почему две выгрузки из разных систем расходятся на сотню строк. Потом привести таблицы к одному виду, разобраться с пропусками, датами в трёх форматах и клиентами, которые записаны дважды. И только после этого появляется место для модели, ради которой люди и приходят в профессию.

Data Science — это работа с данными ради решения, которое примет живой человек или автоматическая система. Не отчёт, который посмотрят и забудут, а ответ, на который кто-то будет опираться: кому предложить скидку, какой станок остановить на проверку, какую заявку отправить на ручное рассмотрение. Отсюда растут и требования к специалисту, и деньги, и та часть работы, о которой в описаниях программ говорят меньше всего.

Что происходит между вопросом и ответом

Порядок шагов в проекте почти всегда один и тот же, меняется только их вес.

1. Разговор с заказчиком. Расплывчатое «хотим понимать клиентов» превращается в измеримую задачу: предсказать, кто не вернётся в следующем месяце.
2. Сбор. Данные вытаскивают из баз, из выгрузок бухгалтерии, иногда из файлов, которые ведёт вручную один сотрудник.
3. Приведение в порядок. Дубли, опечатки в названиях городов, суммы в разных валютах, пустые поля вместо нулей.
4. Признаки. Из сырых столбцов собирают те величины, на которые модель сможет опереться: давность последней покупки, частота, средний чек.
5. Модель и её проверка. Алгоритм обучают на прошлом и проверяют на периоде, которого он не видел.
6. Внедрение и наблюдение. Модель встраивают в рабочий процесс и следят, не начала ли она ошибаться, когда поведение людей изменилось.

На первые три шага уходит основная часть календарного времени, и подготовка данных остаётся самой недооценённой частью профессии. Именно здесь ломается большинство учебных представлений: в курсовом наборе всё аккуратно, в компании — нет. Зато постановка задачи и проверка на новых данных отличают специалиста от человека, который умеет запускать чужой код.

Как это выглядит вблизи, показывает обычный магазин, который хочет предсказать, кто из клиентов перестанет покупать. В базе тридцать тысяч человек, но у трети нет телефона, часть заказов оформлена на одно имя из-за общего семейного аккаунта, а возвраты записаны другой системой и не сходятся с датами покупок. Прежде чем обучать что-либо, надо договориться, кого считать клиентом и что означает «перестал покупать»: два месяца без заказа или полгода. От этого определения зависит весь дальнейший результат, и меняют его обычно уже после первой неудачной попытки.

Четыре профессии, которые называют одним словом

В вакансиях казахстанских компаний под словом «данные» скрываются четыре разные роли. Они требуют разной подготовки, и человек, который пришёл учиться «на данные вообще», рискует потратить полгода не на то.

Названия в объявлениях путают сильнее, чем кажется. Одна компания ищет специалиста по данным на задачу, где достаточно свести отчёт в таблицах, другая под вывеской аналитика ждёт умения обучать модели и выводить их в рабочую систему. Читать стоит не заголовок вакансии, а список обязанностей и требований к инструментам: он честнее.

Границы подвижны: в небольшой компании один человек закрывает все четыре участка, в крупной — только свой. Для новичка это скорее хорошая новость. Начать можно с аналитики, где порог ниже, и постепенно сдвигаться в моделирование, не меняя отрасль и работодателя.

Кого берут в эту работу и с каким багажом

Формального допуска здесь нет: ни лицензии, ни обязательного диплома по специальности. На собеседовании смотрят на то, что человек умеет показать. Поэтому в профессию регулярно приходят без профильного диплома — из экономики, инженерии, преподавания математики, тестирования программ.

Математика при этом нужна, но не вся. Достаточно уверенно понимать доли, средние и медианы, разброс, вероятность и то, почему совпадение двух графиков ещё не означает связи. Без этого модель легко построить и невозможно защитить перед человеком, который спросит, откуда взялся вывод.

Второе — программирование. Речь не о создании приложений, а о том, чтобы написать код, который читают и повторяют другие. Отсюда и требование к учебным работам: не блокнот с расчётами на один раз, а воспроизводимость расчётов, когда коллега запускает ваш проект и получает те же числа.

Английский нужен раньше, чем принято думать. Документация библиотек, ответы на профессиональных форумах и половина хороших учебных материалов выходят на нём, и уверенное чтение технического текста экономит месяцы. Разговорный требуется реже: во многих казахстанских командах обсуждение идёт на русском и казахском, а английский остаётся языком инструментов.

Третье, что стоит посчитать заранее, — время. Программа на несколько месяцев съедает десять-пятнадцать часов в неделю, и это не фон к основной занятости, а несколько занятых вечеров. Бросают чаще не из-за сложности материала, а из-за того, что эти часы не были заложены в расписание до оплаты.

Если опыта в программировании нет совсем, разумнее начинать с программ, рассчитанных на нулевой уровень, где язык и работа с таблицами разбираются с азов.

Что показывает зарплатная статистика и чего в ней нет

Отдельной строки «специалист по Data Science» в казахстанской зарплатной статистике не существует: профессия слишком новая, а в вакансиях её называют десятком разных слов. Ближайший доступный ориентир — рубрика вакансий аналитика, куда попадают и те, кто работает с данными, и рубрика вакансий программиста, потому что часть задач в этой профессии чисто инженерная. Обе рубрики не описывают профессию напрямую, но задают коридор, в котором находятся предложения.

По данным ГородРабот.кз, в 2026 году средняя зарплата в вакансиях аналитика по Казахстану составляет 523 866 ₸, медианная — 441 313 ₸, а чаще всего в объявлениях указывают 400 000 ₸. В Астане картина другая: средняя ниже, 469 165 ₸, зато медианная зарплата выше — 465 625 ₸, и самая частая сумма тоже выше, 500 000 ₸. Разрыв между средней и медианой по стране объясняется просто: несколько крупных предложений тянут среднее вверх, а половина вакансий остаётся ниже 441 313 ₸. Столица при этом ровнее: там меньше и очень высоких, и очень низких ставок.

Рубрика программиста стоит выше. По Казахстану средняя — 541 317 ₸, медианная — 473 594 ₸, самая частая сумма — 500 000 ₸. В Астане средняя доходит до 603 713 ₸, медианная — 513 500 ₸, самая частая остаётся на уровне 500 000 ₸. Работа с данными ближе к верхней части этого коридора, чем к нижней, но точной цифры по ней публичная статистика не даёт.

Платят в первую очередь те, у кого данные накопились сами собой: банки второго уровня и их цифровые подразделения, операторы связи, маркетплейсы и сервисы доставки с длинной историей заказов. Отдельная и менее заметная категория — добывающие и промышленные компании, которые считают износ оборудования и простои, а также страховые, где модель оценивает риск по заявке.

На конкретное предложение влияет не диплом, а три обстоятельства: отрасль, размер компании и то, отвечает ли специалист за деньги. Модель, которая сокращает потери банка на просрочках, оценивается иначе, чем расчёт для внутреннего отчёта. Отсюда практический вывод: первое предложение редко бывает выдающимся, а рост в первые два года зависит от того, какие задачи вы успели взять на себя, а не от числа пройденных программ.

Про окупаемость честно считать не в тенге, а в месяцах работы. Полная программа по направлению стоит примерно полторы-две с половиной медианные месячные зарплаты аналитика. Столько же примерно и придётся отработать, чтобы вложение вернулось, если после обучения человек выходит на медиану рынка. Срок выхода на неё зависит не от курса, а от того, сколько собственных проектов вы принесёте на собеседование.

Почему за последние годы работа изменилась

Ещё недавно значительная часть обучения уходила на то, чтобы написать алгоритм самому. Сейчас готовые библиотеки и облачные сервисы закрывают эту часть, а языковые модели берут на себя черновой код и первичный разбор текстов. Ценность сместилась к тому, что автоматизировать не получается: сформулировать вопрос бизнеса, выбрать метрику, заметить, что модель обучилась на случайном совпадении, и объяснить результат человеку без технического образования.

Практическое следствие для выбора программы: курс, где всё сводится к запуску готовых функций на чистом наборе данных, устарел ещё до вашего выпуска. Разумнее искать программы, где есть грязные учебные данные, работа с базами и обязательная защита выводов перед проверяющим.

Что вы получаете и чем за это платите

Кому эта работа даётся легче

Хорошо идёт у людей, которым нравится доводить неопределённость до числа. Вы получаете удовольствие, когда разрозненные выгрузки складываются в одну таблицу, а расхождение в отчёте наконец объясняется. Помогает привычка задавать уточняющие вопросы: половина ошибок в проектах случается потому, что специалист решил задачу, которую ему не ставили.

Второе преимущество даёт отраслевой опыт. Бухгалтер понимает, откуда берутся суммы; врач знает, какие показатели в карте пациента значат больше; логист видит, где в маршруте теряется время. Этот опыт складывается с новым навыком и делает выводы точнее, чем у выпускника без прошлого. Возраст здесь не мешает: рабочий портфель проектов убеждает работодателя сильнее, чем год рождения.

Помогает и спокойное отношение к отрицательному результату. Иногда честный ответ звучит так: связи в данных нет, гипотеза не подтвердилась, вкладываться в эту затею не стоит. Тот, кому обязательно нужен эффектный вывод, начинает подгонять цифры под ожидание заказчика, и это самая дорогая ошибка в профессии.

По каким признакам видно, что программа рабочая

Смотрите на то, чем заканчивается обучение. Сильный признак — собственный проект целиком: от постановки задачи и поиска данных до выводов, оформленных так, чтобы их понял заказчик. Слабый — набор упражнений на подготовленных наборах, где остаётся подставить значения в готовый шаблон.

Второе — обратная связь от практика. Уточните, кто проверяет работы, сколько раз можно прислать исправленный вариант и разбирают ли код построчно. Автоматическая проверка ответа не научит писать понятные расчёты.

Третье — что именно входит в программу помимо моделей. Работа с базами данных, статистика на уровне объяснения, а не заклинаний, и защита выпускной работы перед живым человеком. Полезно и то, включена ли подготовка к собеседованиям: рынок стартовых позиций конкурентный, и умение рассказать о проекте ценится наравне с умением его сделать.

Про документ в этом направлении стоит сказать прямо. Работодатель почти никогда не спрашивает свидетельство об окончании обучения, зато обязательно смотрит проекты и просит объяснить принятые в них решения. Программа, которая предлагает бумагу вместо подробного разбора работ, продаёт не тот товар, за которым сюда приходят.

Наконец, сверьте формат с собственным расписанием. Записанные лекции с дедлайнами дисциплинируют слабее, чем занятия в группе, зато переживают командировки и смену рабочего графика.

Выбор редакции

Полный курс по Data Science

SkillFactory · 4,0

709 000 ₸^* 1 420 000 ₸ −50% Смотреть программу

• Инженер данных с нуля Яндекс Практикум 890 000 ₸^*
• Инженер данных Яндекс Практикум 627 000 ₸^*
• Специалист по Data Science Яндекс Практикум 885 000 ₸^*
• Дата-инженер: расширенный курс Нетология 585 000 ₸^* 1 180 000 ₸ −51%
• Data Scientist для специалистов с опытом Нетология 530 000 ₸^* 1 070 000 ₸ −50%

Все курсы в каталоге

Полезно посмотреть и на школы целиком: сколько лет они ведут это направление, какие программы держат рядом с ним и чем подтверждают результат выпускников.

Нетология

4,2 · 291 отзыва

На рынке с

2011 года

Курсов в каталоге

320

Сайт школы

netology.ru

Нетология — российская онлайн-школа, работающая с 2011 года. Это один из самых возрастных и масштабных EdTech-проектов в русскоязычном интернете: через программы школы прошли более 186 тысяч человек, включая заметную долю учеников из Казахстана. Все занятия — на русском языке, вебинары идут по моско...

Смотреть курсы школы

Slurm

На рынке с

2018 года

Курсов в каталоге

98

Сайт школы

slurm.io

Слёрм (slurm.io) — российский учебный центр для IT-инженеров, работающий с 2018 года. Специализация узкая: DevOps, Kubernetes, SRE, Docker, Ansible, Terraform, архитектура приложений. Это школа для уже работающих инженеров, которые хотят углубиться в инфраструктурную тематику. Для казахстанских IT-с...

Смотреть курсы школы

С чего начать, если решение принято

Проще всего проверить себя до оплаты. Возьмите любую открытую таблицу — статистику по вашему городу, выгрузку личных расходов, отчёт компании, где вы работаете, — и попробуйте ответить на один конкретный вопрос по ней. Если процесс раскопок увлекает и после третьего часа, направление ваше. Если раздражает, никакая программа этого не изменит.

Data Science редко даёт мгновенный результат и почти никогда — красивый. Зато это одна из немногих профессий, где ваш вывод можно перепроверить и где правота не зависит от должности того, кто спорит. Ради этого многие в неё и переходят.