"Кто сегодня задает тон на рынке труда датасайентистов и ML — компании или кандидаты? И как меняются ожидания и требования в условиях роста финтеха и цифровой трансформации? Об этом на Fintech Data Day рассказала Оксана Прутьянова, руководитель практики поиска ML, DS и аналитиков агентства NEWHR. 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 простейших чат‑бот), и разбирать такие потоки дорого, поэтому рекрутеры все чаще переходят к точечному ручному поиску. Что делать кандидатам? ✅ Сформируйте сильное профессиональное присутствие: аккуратно оформленный профиль в LinkedIn (его продолжают использовать и на российском рынке), качественное резюме на HeadHunter и других площадках. ✅ Откликайтесь с продуманным профилем — просто написать «data scientist» уже недостаточно. ✅ Развивайте нетворкинг: он реально работает. Осознанно расширяйте круг профессиональных контактов. ✅ Работайте над личным брендом — публикуйте кейсы, пишите профессиональные материалы. Для этого удобен LinkedIn (за счет 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 шел 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 растет 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."