{"type":"career","id":"data-scientist","field":"technology","codes":{"isco08":"2511","soc2018":"15-2051","esco":"2511.3","escoUri":"http://data.europa.eu/esco/occupation/258e46f9-0075-4a2e-adae-1ff0477e0f30","wikidata":"Q29169143"},"degree":"usually","regulation":"open","subjects":["data-science","mathematics","computer-science","physics","economics"],"relatedCareers":["data-analyst","ai-engineer","statistician","software-developer"],"names":{"en":"Data scientist","es":"Científico de datos","pt":"Cientista de dados","fr":"Data scientist","de":"Data Scientist","it":"Data scientist","ar":"عالم بيانات","zh":"数据科学家","ja":"データサイエンティスト","ko":"데이터 과학자","hi":"डेटा साइंटिस्ट","id":"Ilmuwan data"},"urls":{"en":"https://coursetojob.com/careers/data-scientist/","es":"https://coursetojob.com/es/careers/data-scientist/","pt":"https://coursetojob.com/pt/careers/data-scientist/","fr":"https://coursetojob.com/fr/careers/data-scientist/","de":"https://coursetojob.com/de/careers/data-scientist/","it":"https://coursetojob.com/it/careers/data-scientist/","ar":"https://coursetojob.com/ar/careers/data-scientist/","zh":"https://coursetojob.com/zh/careers/data-scientist/","ja":"https://coursetojob.com/ja/careers/data-scientist/","ko":"https://coursetojob.com/ko/careers/data-scientist/","hi":"https://coursetojob.com/hi/careers/data-scientist/","id":"https://coursetojob.com/id/careers/data-scientist/"},"markdown":{"en":"https://coursetojob.com/careers/data-scientist.md","es":"https://coursetojob.com/es/careers/data-scientist.md","pt":"https://coursetojob.com/pt/careers/data-scientist.md","fr":"https://coursetojob.com/fr/careers/data-scientist.md","de":"https://coursetojob.com/de/careers/data-scientist.md","it":"https://coursetojob.com/it/careers/data-scientist.md","ar":"https://coursetojob.com/ar/careers/data-scientist.md","zh":"https://coursetojob.com/zh/careers/data-scientist.md","ja":"https://coursetojob.com/ja/careers/data-scientist.md","ko":"https://coursetojob.com/ko/careers/data-scientist.md","hi":"https://coursetojob.com/hi/careers/data-scientist.md","id":"https://coursetojob.com/id/careers/data-scientist.md"},"pay":{"unitedStates":{"soc":"15-2051","year":2025,"annualUsd":{"p10":67240,"p25":85660,"median":120230,"p75":158880,"p90":199130,"employment":262440},"notes":[],"source":"U.S. Bureau of Labor Statistics — Occupational Employment and Wage Statistics (OEWS)"},"occupationGroup":{"isco08MajorGroup":"2","label":"Professionals","note":"Median monthly earnings of the whole ISCO-08 major group, not this job title alone.","source":"International Labour Organization (ILOSTAT)","byCountry":[{"iso2":"LU","country":"Luxembourg","year":2025,"currency":"EUR","monthlyLocal":8926,"monthlyPpp":10224,"monthlyUsd":10086,"vsAllEmployeesPct":34.5},{"iso2":"BE","country":"Belgium","year":2025,"currency":"EUR","monthlyLocal":6508,"monthlyPpp":8432,"monthlyUsd":7354,"vsAllEmployeesPct":12.6},{"iso2":"AT","country":"Austria","year":2025,"currency":"EUR","monthlyLocal":6160,"monthlyPpp":8210,"monthlyUsd":6961,"vsAllEmployeesPct":27.4},{"iso2":"NL","country":"Netherlands","year":2025,"currency":"EUR","monthlyLocal":6217,"monthlyPpp":8102,"monthlyUsd":7025,"vsAllEmployeesPct":22.1},{"iso2":"DE","country":"Germany","year":2022,"currency":"EUR","monthlyLocal":5315,"monthlyPpp":7389,"monthlyUsd":5596,"vsAllEmployeesPct":40.8},{"iso2":"FR","country":"France","year":2025,"currency":"EUR","monthlyLocal":5314,"monthlyPpp":7255,"monthlyUsd":6005,"vsAllEmployeesPct":42.8},{"iso2":"DK","country":"Denmark","year":2025,"currency":"EUR","monthlyLocal":6684,"monthlyPpp":7226,"monthlyUsd":7553,"vsAllEmployeesPct":16.6},{"iso2":"FI","country":"Finland","year":2025,"currency":"EUR","monthlyLocal":5732,"monthlyPpp":7147,"monthlyUsd":6477,"vsAllEmployeesPct":28.8},{"iso2":"CH","country":"Switzerland","year":2025,"currency":"CHF","monthlyLocal":7600,"monthlyPpp":7133,"monthlyUsd":9142,"vsAllEmployeesPct":26.9},{"iso2":"IE","country":"Ireland","year":2025,"currency":"EUR","monthlyLocal":6252,"monthlyPpp":6917,"monthlyUsd":7065,"vsAllEmployeesPct":56.4},{"iso2":"NO","country":"Norway","year":2025,"currency":"EUR","monthlyLocal":5833,"monthlyPpp":6851,"monthlyUsd":6591,"vsAllEmployeesPct":11.8},{"iso2":"ES","country":"Spain","year":2025,"currency":"EUR","monthlyLocal":4153,"monthlyPpp":6832,"monthlyUsd":4693,"vsAllEmployeesPct":56.8},{"iso2":"US","country":"United States","year":2025,"currency":"USD","monthlyLocal":6673,"monthlyPpp":6673,"monthlyUsd":6673,"vsAllEmployeesPct":48.9},{"iso2":"SI","country":"Slovenia","year":2025,"currency":"EUR","monthlyLocal":3835,"monthlyPpp":6469,"monthlyUsd":4334,"vsAllEmployeesPct":35.8},{"iso2":"IS","country":"Iceland","year":2020,"currency":"EUR","monthlyLocal":6070,"monthlyPpp":6063,"monthlyUsd":6933,"vsAllEmployeesPct":21.8},{"iso2":"CY","country":"Cyprus","year":2025,"currency":"EUR","monthlyLocal":3438,"monthlyPpp":5805,"monthlyUsd":3885,"vsAllEmployeesPct":50.7},{"iso2":"IT","country":"Italy","year":2025,"currency":"EUR","monthlyLocal":3716,"monthlyPpp":5762,"monthlyUsd":4199,"vsAllEmployeesPct":19},{"iso2":"HR","country":"Croatia","year":2025,"currency":"EUR","monthlyLocal":2873,"monthlyPpp":5517,"monthlyUsd":3246,"vsAllEmployeesPct":56.5},{"iso2":"SE","country":"Sweden","year":2025,"currency":"EUR","monthlyLocal":4398,"monthlyPpp":5491,"monthlyUsd":4970,"vsAllEmployeesPct":13.2},{"iso2":"EE","country":"Estonia","year":2025,"currency":"EUR","monthlyLocal":3574,"monthlyPpp":5321,"monthlyUsd":4039,"vsAllEmployeesPct":47},{"iso2":"GB","country":"United Kingdom","year":2025,"currency":"GBP","monthlyLocal":3501,"monthlyPpp":4991,"monthlyUsd":4610,"vsAllEmployeesPct":29.3},{"iso2":"LT","country":"Lithuania","year":2025,"currency":"EUR","monthlyLocal":2576,"monthlyPpp":4687,"monthlyUsd":2911,"vsAllEmployeesPct":32.9},{"iso2":"LV","country":"Latvia","year":2025,"currency":"EUR","monthlyLocal":2565,"monthlyPpp":4645,"monthlyUsd":2898,"vsAllEmployeesPct":33.4},{"iso2":"PL","country":"Poland","year":2025,"currency":"EUR","monthlyLocal":2236,"monthlyPpp":4606,"monthlyUsd":2527,"vsAllEmployeesPct":26},{"iso2":"SK","country":"Slovakia","year":2025,"currency":"EUR","monthlyLocal":2544,"monthlyPpp":4496,"monthlyUsd":2874,"vsAllEmployeesPct":26.6},{"iso2":"CZ","country":"Czechia","year":2025,"currency":"EUR","monthlyLocal":2639,"monthlyPpp":4451,"monthlyUsd":2982,"vsAllEmployeesPct":21.3},{"iso2":"RO","country":"Romania","year":2025,"currency":"EUR","monthlyLocal":1822,"monthlyPpp":4220,"monthlyUsd":2058,"vsAllEmployeesPct":32.6},{"iso2":"BG","country":"Bulgaria","year":2025,"currency":"EUR","monthlyLocal":1737,"monthlyPpp":4188,"monthlyUsd":1962,"vsAllEmployeesPct":62.8},{"iso2":"MT","country":"Malta","year":2020,"currency":"EUR","monthlyLocal":2556,"monthlyPpp":4066,"monthlyUsd":2920,"vsAllEmployeesPct":39.9},{"iso2":"GR","country":"Greece","year":2025,"currency":"EUR","monthlyLocal":2045,"monthlyPpp":3525,"monthlyUsd":2310,"vsAllEmployeesPct":17.5},{"iso2":"CR","country":"Costa Rica","year":2025,"currency":"CRC","monthlyLocal":1104167,"monthlyPpp":3510,"monthlyUsd":2193,"vsAllEmployeesPct":145.3},{"iso2":"RS","country":"Serbia","year":2025,"currency":"EUR","monthlyLocal":1548,"monthlyPpp":3437,"monthlyUsd":1749,"vsAllEmployeesPct":29.9},{"iso2":"BW","country":"Botswana","year":2024,"currency":"BWP","monthlyLocal":18000,"monthlyPpp":3388,"monthlyUsd":1327,"vsAllEmployeesPct":619.3},{"iso2":"TR","country":"Türkiye","year":2025,"currency":"TRY","monthlyLocal":60000,"monthlyPpp":3381,"monthlyUsd":1521,"vsAllEmployeesPct":99.9},{"iso2":"PA","country":"Panama","year":2025,"currency":"PAB","monthlyLocal":1400,"monthlyPpp":2819,"monthlyUsd":1400,"vsAllEmployeesPct":100.1},{"iso2":"PT","country":"Portugal","year":2025,"currency":"EUR","monthlyLocal":1600,"monthlyPpp":2784,"monthlyUsd":1808,"vsAllEmployeesPct":52.4},{"iso2":"HU","country":"Hungary","year":2025,"currency":"EUR","monthlyLocal":1364,"monthlyPpp":2660,"monthlyUsd":1541,"vsAllEmployeesPct":35},{"iso2":"CL","country":"Chile","year":2024,"currency":"CLP","monthlyLocal":1236240,"monthlyPpp":2659,"monthlyUsd":1310,"vsAllEmployeesPct":76.6},{"iso2":"PR","country":"Puerto Rico","year":2020,"currency":"USD","monthlyLocal":2491,"monthlyPpp":2657,"monthlyUsd":2491,"vsAllEmployeesPct":58.2},{"iso2":"BA","country":"Bosnia and Herzegovina","year":2025,"currency":"BAM","monthlyLocal":2000,"monthlyPpp":2601,"monthlyUsd":1152,"vsAllEmployeesPct":0},{"iso2":"TH","country":"Thailand","year":2025,"currency":"THB","monthlyLocal":25680,"monthlyPpp":2421,"monthlyUsd":781,"vsAllEmployeesPct":97.5},{"iso2":"ZA","country":"South Africa","year":2020,"currency":"ZAR","monthlyLocal":17000,"monthlyPpp":2292,"monthlyUsd":1033,"vsAllEmployeesPct":208.9},{"iso2":"DO","country":"Dominican Republic","year":2025,"currency":"DOP","monthlyLocal":54167,"monthlyPpp":2275,"monthlyUsd":874,"vsAllEmployeesPct":125.7},{"iso2":"BS","country":"Bahamas","year":2024,"currency":"BSD","monthlyLocal":2500,"monthlyPpp":2259,"monthlyUsd":2500,"vsAllEmployeesPct":47.1},{"iso2":"CO","country":"Colombia","year":2025,"currency":"COP","monthlyLocal":3600000,"monthlyPpp":2161,"monthlyUsd":888,"vsAllEmployeesPct":139.8},{"iso2":"UY","country":"Uruguay","year":2024,"currency":"UYU","monthlyLocal":60000,"monthlyPpp":2048,"monthlyUsd":1492,"vsAllEmployeesPct":51.8},{"iso2":"MU","country":"Mauritius","year":2024,"currency":"MUR","monthlyLocal":40000,"monthlyPpp":2008,"monthlyUsd":862,"vsAllEmployeesPct":60},{"iso2":"TZ","country":"Tanzania","year":2025,"currency":"TZS","monthlyLocal":1300000,"monthlyPpp":1965,"monthlyUsd":null,"vsAllEmployeesPct":276.4},{"iso2":"BT","country":"Bhutan","year":2024,"currency":"BTN","monthlyLocal":41000,"monthlyPpp":1964,"monthlyUsd":490,"vsAllEmployeesPct":70.8},{"iso2":"BR","country":"Brazil","year":2025,"currency":"BRL","monthlyLocal":5000,"monthlyPpp":1937,"monthlyUsd":895,"vsAllEmployeesPct":127.3},{"iso2":"LB","country":"Lebanon","year":2019,"currency":"LBP","monthlyLocal":1440000,"monthlyPpp":1924,"monthlyUsd":955,"vsAllEmployeesPct":44},{"iso2":"BB","country":"Barbados","year":2016,"currency":"BBD","monthlyLocal":4600,"monthlyPpp":1917,"monthlyUsd":2300,"vsAllEmployeesPct":129.3},{"iso2":"HN","country":"Honduras","year":2025,"currency":"HNL","monthlyLocal":23333,"monthlyPpp":1849,"monthlyUsd":899,"vsAllEmployeesPct":159.3},{"iso2":"GT","country":"Guatemala","year":2025,"currency":"GTQ","monthlyLocal":6237,"monthlyPpp":1817,"monthlyUsd":812,"vsAllEmployeesPct":89.3},{"iso2":"EC","country":"Ecuador","year":2025,"currency":"USD","monthlyLocal":800,"monthlyPpp":1812,"monthlyUsd":800,"vsAllEmployeesPct":70.1},{"iso2":"SZ","country":"Eswatini","year":2021,"currency":"SZL","monthlyLocal":10930,"monthlyPpp":1766,"monthlyUsd":739,"vsAllEmployeesPct":337.1},{"iso2":"BZ","country":"Belize","year":2019,"currency":"BZD","monthlyLocal":2198,"monthlyPpp":1721,"monthlyUsd":1099,"vsAllEmployeesPct":103.2},{"iso2":"FJ","country":"Fiji","year":2024,"currency":"FJD","monthlyLocal":1577,"monthlyPpp":1702,"monthlyUsd":695,"vsAllEmployeesPct":45.6},{"iso2":"MN","country":"Mongolia","year":2025,"currency":"MNT","monthlyLocal":2000000,"monthlyPpp":1694,"monthlyUsd":564,"vsAllEmployeesPct":11.2},{"iso2":"BO","country":"Bolivia","year":2025,"currency":"BOB","monthlyLocal":4500,"monthlyPpp":1667,"monthlyUsd":651,"vsAllEmployeesPct":60.8},{"iso2":"PE","country":"Peru","year":2025,"currency":"PEN","monthlyLocal":3200,"monthlyPpp":1661,"monthlyUsd":897,"vsAllEmployeesPct":110.5},{"iso2":"SV","country":"El Salvador","year":2025,"currency":"USD","monthlyLocal":756,"monthlyPpp":1613,"monthlyUsd":756,"vsAllEmployeesPct":74.6},{"iso2":"IN","country":"India","year":2025,"currency":"INR","monthlyLocal":32000,"monthlyPpp":1613,"monthlyUsd":367,"vsAllEmployeesPct":113.4},{"iso2":"PY","country":"Paraguay","year":2025,"currency":"PYG","monthlyLocal":4500000,"monthlyPpp":1565,"monthlyUsd":596,"vsAllEmployeesPct":60.7},{"iso2":"VN","country":"Vietnam","year":2024,"currency":"VND","monthlyLocal":11100000,"monthlyPpp":1550,"monthlyUsd":459,"vsAllEmployeesPct":38.8},{"iso2":"AR","country":"Argentina","year":2025,"currency":"ARS","monthlyLocal":1000000,"monthlyPpp":1512,"monthlyUsd":806,"vsAllEmployeesPct":25},{"iso2":"PH","country":"Philippines","year":2024,"currency":"PHP","monthlyLocal":30417,"monthlyPpp":1466,"monthlyUsd":531,"vsAllEmployeesPct":100},{"iso2":"TN","country":"Tunisia","year":2019,"currency":"TND","monthlyLocal":1200,"monthlyPpp":1463,"monthlyUsd":409,"vsAllEmployeesPct":99.9},{"iso2":"GY","country":"Guyana","year":2024,"currency":"GYD","monthlyLocal":140000,"monthlyPpp":1440,"monthlyUsd":671,"vsAllEmployeesPct":16.7},{"iso2":"JO","country":"Jordan","year":2024,"currency":"JOD","monthlyLocal":450,"monthlyPpp":1401,"monthlyUsd":634,"vsAllEmployeesPct":50},{"iso2":"MX","country":"Mexico","year":2025,"currency":"MXN","monthlyLocal":14745,"monthlyPpp":1304,"monthlyUsd":766,"vsAllEmployeesPct":68.3},{"iso2":"PW","country":"Palau","year":2023,"currency":"USD","monthlyLocal":1290,"monthlyPpp":1289,"monthlyUsd":1290,"vsAllEmployeesPct":55.1},{"iso2":"DJ","country":"Djibouti","year":2017,"currency":"DJF","monthlyLocal":125000,"monthlyPpp":1269,"monthlyUsd":703,"vsAllEmployeesPct":56.3},{"iso2":"SN","country":"Senegal","year":2024,"currency":"XOF","monthlyLocal":284824,"monthlyPpp":1242,"monthlyUsd":470,"vsAllEmployeesPct":255.9},{"iso2":"MV","country":"Maldives","year":2019,"currency":"MVR","monthlyLocal":12416,"monthlyPpp":1226,"monthlyUsd":807,"vsAllEmployeesPct":24.2},{"iso2":"MD","country":"Moldova","year":2025,"currency":"MDL","monthlyLocal":9680,"monthlyPpp":1103,"monthlyUsd":557,"vsAllEmployeesPct":34.3},{"iso2":"KH","country":"Cambodia","year":2025,"currency":"KHR","monthlyLocal":1600000,"monthlyPpp":1086,"monthlyUsd":399,"vsAllEmployeesPct":53.8},{"iso2":"CI","country":"Côte d’Ivoire","year":2022,"currency":"XOF","monthlyLocal":250000,"monthlyPpp":1076,"monthlyUsd":401,"vsAllEmployeesPct":208.3},{"iso2":"ZM","country":"Zambia","year":2024,"currency":"ZMW","monthlyLocal":8000,"monthlyPpp":1057,"monthlyUsd":306,"vsAllEmployeesPct":220.3},{"iso2":"SR","country":"Suriname","year":2016,"currency":"SRD","monthlyLocal":2700,"monthlyPpp":1034,"monthlyUsd":433,"vsAllEmployeesPct":50.1},{"iso2":"MH","country":"Marshall Islands","year":2019,"currency":"USD","monthlyLocal":1000,"monthlyPpp":1007,"monthlyUsd":1000,"vsAllEmployeesPct":66.7},{"iso2":"WS","country":"Samoa","year":2022,"currency":"WST","monthlyLocal":1836,"monthlyPpp":999,"monthlyUsd":683,"vsAllEmployeesPct":63},{"iso2":"CV","country":"Cape Verde","year":2015,"currency":"CVE","monthlyLocal":49734,"monthlyPpp":987,"monthlyUsd":500,"vsAllEmployeesPct":127.9},{"iso2":"TD","country":"Chad","year":2022,"currency":"XAF","monthlyLocal":207614,"monthlyPpp":982,"monthlyUsd":333,"vsAllEmployeesPct":176.6},{"iso2":"ML","country":"Mali","year":2024,"currency":"XOF","monthlyLocal":150000,"monthlyPpp":780,"monthlyUsd":247,"vsAllEmployeesPct":114.3},{"iso2":"BF","country":"Burkina Faso","year":2025,"currency":"XOF","monthlyLocal":150000,"monthlyPpp":777,"monthlyUsd":258,"vsAllEmployeesPct":200},{"iso2":"MZ","country":"Mozambique","year":2022,"currency":"MZN","monthlyLocal":18000,"monthlyPpp":746,"monthlyUsd":282,"vsAllEmployeesPct":139.9},{"iso2":"LK","country":"Sri Lanka","year":2024,"currency":"LKR","monthlyLocal":65000,"monthlyPpp":743,"monthlyUsd":null,"vsAllEmployeesPct":58.1},{"iso2":"GQ","country":"Equatorial Guinea","year":2023,"currency":"XAF","monthlyLocal":204263,"monthlyPpp":741,"monthlyUsd":337,"vsAllEmployeesPct":20.3},{"iso2":"NP","country":"Nepal","year":2017,"currency":"NPR","monthlyLocal":22000,"monthlyPpp":725,"monthlyUsd":211,"vsAllEmployeesPct":44.7},{"iso2":"EG","country":"Egypt","year":2024,"currency":"EGP","monthlyLocal":5000,"monthlyPpp":719,"monthlyUsd":110,"vsAllEmployeesPct":9.6},{"iso2":"TO","country":"Tonga","year":2023,"currency":"TOP","monthlyLocal":1286,"monthlyPpp":706,"monthlyUsd":544,"vsAllEmployeesPct":-0.7},{"iso2":"BD","country":"Bangladesh","year":2024,"currency":"BDT","monthlyLocal":22000,"monthlyPpp":667,"monthlyUsd":190,"vsAllEmployeesPct":57.3},{"iso2":"KI","country":"Kiribati","year":2023,"currency":"AUD","monthlyLocal":576,"monthlyPpp":614,"monthlyUsd":383,"vsAllEmployeesPct":34.1},{"iso2":"TL","country":"Timor-Leste","year":2021,"currency":"USD","monthlyLocal":270,"monthlyPpp":606,"monthlyUsd":270,"vsAllEmployeesPct":35},{"iso2":"GN","country":"Guinea","year":2019,"currency":"GNF","monthlyLocal":1800000,"monthlyPpp":598,"monthlyUsd":196,"vsAllEmployeesPct":12.6},{"iso2":"KE","country":"Kenya","year":2019,"currency":"KES","monthlyLocal":24639,"monthlyPpp":570,"monthlyUsd":242,"vsAllEmployeesPct":310.1},{"iso2":"LS","country":"Lesotho","year":2024,"currency":"LSL","monthlyLocal":3500,"monthlyPpp":570,"monthlyUsd":191,"vsAllEmployeesPct":150},{"iso2":"LA","country":"Laos","year":2022,"currency":"LAK","monthlyLocal":2100000,"monthlyPpp":566,"monthlyUsd":150,"vsAllEmployeesPct":5},{"iso2":"GW","country":"Guinea-Bissau","year":2022,"currency":"XOF","monthlyLocal":120000,"monthlyPpp":544,"monthlyUsd":192,"vsAllEmployeesPct":100},{"iso2":"ID","country":"Indonesia","year":2023,"currency":"IDR","monthlyLocal":2759817,"monthlyPpp":537,"monthlyUsd":181,"vsAllEmployeesPct":22.9},{"iso2":"GH","country":"Ghana","year":2025,"currency":"GHS","monthlyLocal":2800,"monthlyPpp":533,"monthlyUsd":223,"vsAllEmployeesPct":61.5},{"iso2":"PK","country":"Pakistan","year":2025,"currency":"PKR","monthlyLocal":34640,"monthlyPpp":530,"monthlyUsd":123,"vsAllEmployeesPct":33.5},{"iso2":"AF","country":"Afghanistan","year":2020,"currency":"AFN","monthlyLocal":8155,"monthlyPpp":517,"monthlyUsd":106,"vsAllEmployeesPct":-20.1},{"iso2":"AM","country":"Armenia","year":2017,"currency":"AMD","monthlyLocal":85000,"monthlyPpp":511,"monthlyUsd":176,"vsAllEmployeesPct":3},{"iso2":"ET","country":"Ethiopia","year":2021,"currency":"ETB","monthlyLocal":6700,"monthlyPpp":499,"monthlyUsd":153,"vsAllEmployeesPct":109.7},{"iso2":"AO","country":"Angola","year":2024,"currency":"AOA","monthlyLocal":150000,"monthlyPpp":482,"monthlyUsd":172,"vsAllEmployeesPct":149.7},{"iso2":"NE","country":"Niger","year":2022,"currency":"XOF","monthlyLocal":94799,"monthlyPpp":466,"monthlyUsd":152,"vsAllEmployeesPct":89.4},{"iso2":"BJ","country":"Benin","year":2022,"currency":"XOF","monthlyLocal":95000,"monthlyPpp":462,"monthlyUsd":153,"vsAllEmployeesPct":58.2},{"iso2":"MM","country":"Myanmar","year":2020,"currency":"MMK","monthlyLocal":200000,"monthlyPpp":459,"monthlyUsd":145,"vsAllEmployeesPct":11.1},{"iso2":"KM","country":"Comoros","year":2021,"currency":"KMF","monthlyLocal":100000,"monthlyPpp":439,"monthlyUsd":240,"vsAllEmployeesPct":33.4},{"iso2":"TG","country":"Togo","year":2022,"currency":"XOF","monthlyLocal":94728,"monthlyPpp":429,"monthlyUsd":152,"vsAllEmployeesPct":81.8},{"iso2":"UG","country":"Uganda","year":2021,"currency":"UGX","monthlyLocal":550000,"monthlyPpp":418,"monthlyUsd":153,"vsAllEmployeesPct":129.7},{"iso2":"RW","country":"Rwanda","year":2024,"currency":"RWF","monthlyLocal":130000,"monthlyPpp":360,"monthlyUsd":99,"vsAllEmployeesPct":271.1},{"iso2":"BI","country":"Burundi","year":2020,"currency":"BIF","monthlyLocal":197661,"monthlyPpp":312,"monthlyUsd":103,"vsAllEmployeesPct":358.8},{"iso2":"CD","country":"Democratic Republic of the Congo","year":2016,"currency":"CDF","monthlyLocal":150000,"monthlyPpp":306,"monthlyUsd":148,"vsAllEmployeesPct":67.2},{"iso2":"GM","country":"Gambia","year":2018,"currency":"GMD","monthlyLocal":4250,"monthlyPpp":285,"monthlyUsd":88,"vsAllEmployeesPct":54.1},{"iso2":"SD","country":"Sudan","year":2022,"currency":"SDG","monthlyLocal":60000,"monthlyPpp":268,"monthlyUsd":110,"vsAllEmployeesPct":-25.1},{"iso2":"MG","country":"Madagascar","year":2015,"currency":"MGA","monthlyLocal":213847,"monthlyPpp":254,"monthlyUsd":73,"vsAllEmployeesPct":56.8},{"iso2":"LR","country":"Liberia","year":2017,"currency":"USD","monthlyLocal":100,"monthlyPpp":248,"monthlyUsd":100,"vsAllEmployeesPct":-20},{"iso2":"NG","country":"Nigeria","year":2024,"currency":"NGN","monthlyLocal":50000,"monthlyPpp":188,"monthlyUsd":34,"vsAllEmployeesPct":0}]}},"esco":{"uri":"http://data.europa.eu/esco/occupation/258e46f9-0075-4a2e-adae-1ff0477e0f30","code":"2511.3","officialNames":{"en":"data scientist","es":"científico de datos/científica de datos","pt":"Cientista de dados","fr":"scientifique des données","de":"Datenwissenschaftler/Datenwissenschaftlerin","it":"data scientist","ar":"عالم البيانات / عالمة البيانات"},"descriptions":{"en":"Data scientists find and interpret rich data sources, manage large amounts of data, merge data sources, ensure consistency of data-sets, and create visualisations to aid in understanding data. They build mathematical models using data, present and communicate data insights and findings to specialists and scientists in their team and if required, to a non-expert audience, and recommend ways to apply the data.","es":"Los científicos de datos detectan e interpretan fuentes de datos ricas, gestionan grandes cantidades de datos, fusionan fuentes de datos, garantizan la coherencia de los conjuntos de datos y crean visualizaciones a fin de ayudar a la comprensión de los datos. Se basan en modelos matemáticos que utilizan datos, presentan y comunican información y conclusiones sobre datos a especialistas y científicos en su equipo y, si fuera necesario, a un público no especializado, y recomiendan formas de aplicar los datos.","pt":"Os cientistas de dados pesquisam e interpretam fontes de dados enriquecidos, gerem grandes quantidades de dados, procedem à fusão de fontes de dados, asseguram a consistência dos conjuntos de dados e criam visualizações para ajudar na compreensão dos dados. Constroem modelos matemáticos utilizando os dados, apresentam e comunicam informações e conclusões relativas aos dados aos especialistas e cientistas da sua equipa e, se necessário, a um público não especializado, e recomendam formas de aplicar os dados.","fr":"Les spécialistes des données trouvent et interprètent des sources de données riches, gèrent de grandes quantités de données, fusionnent des sources de données, assurent la cohérence des séries de données et créent des visualisations pour aider à comprendre les données. Ils établissent des modèles mathématiques à l’aide de données, présentent et communiquent des informations et des connaissances en matière de données aux spécialistes et aux scientifiques de leur équipe et, le cas échéant, à un public non spécialisé, et recommandent des moyens d’appliquer les données.","de":"Datenwissenschaftler finden und interpretieren reichhaltige Datenquellen, verwalten große Datenmengen, führen Datenquellen zusammen, sorgen für die Konsistenz der Datensätze und erstellen Visualisierungen, um die Daten zu veranschaulichen. Sie erstellen anhand der Daten mathematische Modelle, präsentieren und vermitteln datenbezogene Erkenntnisse an Experten und Wissenschaftler in ihrem Team sowie ggf. an eine nicht fachkundige Öffentlichkeit und geben Empfehlungen zur Verwendung der Daten ab.","it":"I data scientist scoprono e interpretano fonti ricche di dati, gestiscono grandi quantità di dati, ne aggregano le fonti, garantiscono la coerenza degli insiemi di dati e creano visualizzazioni per contribuire alla loro comprensione. Costruiscono modelli matematici che utilizzano dati, presentano e comunicano informazioni e conoscenze sui dati agli specialisti e agli scienziati nella loro squadra e, se necessario, a un pubblico non specializzato e raccomandano modalità di applicazione dei dati.","ar":"يقوم علماء البيانات بالبحث عن مصادر البيانات الغنية وتفسيرها وإدارة كميات كبيرة من البيانات ودمج مصادر البيانات وضمان اتساق مجموعات البيانات والتمثيل المرئي للمساعدة في فهم البيانات. إذ يبنون النماذج الرياضية باستخدام البيانات ويقدمون استنتاجات ورؤى بيانات التواصل إلى المتخصصين والعلماء في فريقهم، وإذا لزم الأمر، إلى جمهور غير خبير، ويوصون بطرق لتطبيق البيانات."},"essentialSkills":[{"uri":"http://data.europa.eu/esco/skill/7ee4c2ea-b349-4bd2-81a3-ec31475d4833","type":"knowledge","names":{"en":"statistics","es":"estadística","pt":"estatística","fr":"statistiques","de":"Statistik","it":"statistica","ar":"علم الإحصاء"}},{"uri":"http://data.europa.eu/esco/skill/31c69100-b612-4a61-8db5-fd314318854c","type":"skill","names":{"en":"execute analytical mathematical calculations","es":"ejecutar cálculos matemáticos analíticos","pt":"executar cálculos para análise matemática","fr":"exécuter des calculs mathématiques et analytiques","de":"analytisch-mathematische Berechnungen durchführen","it":"eseguire calcoli matematici analitici","ar":"اجراء عمليات الحسابات الرياضية التحليلية"}},{"uri":"http://data.europa.eu/esco/skill/713fb616-118e-40bc-9366-4a69879a49d5","type":"skill","names":{"en":"implement data quality processes","es":"aplicar procesos de calidad de datos","pt":"executar processos de garantia da qualidade dos dados","fr":"mettre en œuvre des processus de qualité des données","de":"Datenqualitätsverfahren anwenden","it":"mettere in atto processi di controllo qualità dei dati","ar":"تطبيق عمليات مراقبة جودة البيانات"}},{"uri":"http://data.europa.eu/esco/skill/1e77e42a-181f-4b48-8e74-201ce50ffc29","type":"skill","names":{"en":"interpret current data","es":"interpretar datos actuales","pt":"interpretar dados atuais","fr":"interpréter des données actuelles","de":"aktuelle Daten interpretieren","it":"interpretare i dati attuali","ar":"شرح البيانات الحالية"}},{"uri":"http://data.europa.eu/esco/skill/fecf8a0d-62c4-4e71-9b03-0f4fc2ad7bf5","type":"knowledge","names":{"en":"data models","es":"modelos de datos","pt":"modelos de dados","fr":"modèles de données","de":"Datenmodelle","it":"modelli di dati","ar":"نماذج البيانات"}},{"uri":"http://data.europa.eu/esco/skill/07889c08-7220-47c8-96f7-6068fbea00dc","type":"skill","names":{"en":"normalise data","es":"normalizar datos","pt":"normalizar dados","fr":"normaliser les données","de":"Daten normalisieren","it":"normalizzare dati","ar":"جعل البيانات تبدو طبيعية"}},{"uri":"http://data.europa.eu/esco/skill/2daec0e6-f0c1-43e8-8178-aedba99130ec","type":"skill","names":{"en":"establish data processes","es":"establecer procesos de datos","pt":"desenvolver processos de tratamento de dados","fr":"créer des traitements de données","de":"Datenprozesse etablieren","it":"stabilire processi di dati","ar":"انشاء معالجة بيانات"}},{"uri":"http://data.europa.eu/esco/skill/a80fb090-63f4-4b05-83a5-2f090deb7757","type":"skill","names":{"en":"manage data collection systems","es":"gestionar sistemas de recopilación de datos","pt":"gerir sistemas de recolha de dados","fr":"gérer des systèmes de collecte de données","de":"Datenerhebungssysteme verwalten","it":"gestire sistemi di raccolta dei dati","ar":"ادارة أنظمة تجميع البيانات"}},{"uri":"http://data.europa.eu/esco/skill/505e4ef3-7ce4-437d-b7b4-5c608f71c258","type":"skill","names":{"en":"build recommender systems","es":"compilar sistemas de recomendación","pt":"construir sistemas de recomendações","fr":"construire des systèmes de recommandation","de":"Empfehlungsdienst einrichten","it":"costruire sistemi di raccomandazione","ar":"وضع أنظمة الموصي"}},{"uri":"http://data.europa.eu/esco/skill/b0a3bb25-a02f-43ed-ab1f-994fa66a424a","type":"knowledge","names":{"en":"online analytical processing","es":"procesamiento analítico en línea","pt":"processamento analítico em linha","fr":"traitement analytique en ligne","de":"Online Analytical Processing","it":"elaborazione analitica online","ar":"المعالجة التحليلية عبر الإنترنت"}},{"uri":"http://data.europa.eu/esco/skill/348b74cd-49ce-4844-8bdf-ec188b497213","type":"knowledge","names":{"en":"visual presentation techniques","es":"técnicas de presentación visual","pt":"técnicas de apresentação visual","fr":"techniques de présentation visuelle","de":"visuelle Darstellungstechniken","it":"tecniche di rappresentazione visiva","ar":"تقنيات العرض البصري"}},{"uri":"http://data.europa.eu/esco/skill/f9670490-8aa4-4540-b121-d440a8294aab","type":"skill","names":{"en":"develop data processing applications","es":"desarrollar aplicaciones de procesamiento de datos","pt":"desenvolver aplicações de tratamento de dados","fr":"développer des applications de traitement des données","de":"Datenverarbeitungsanwendungen entwickeln","it":"sviluppare applicazioni di elaborazione dei dati","ar":"تطوير تطبيقات معالجة البيانات"}},{"uri":"http://data.europa.eu/esco/skill/696e3b5b-8b61-45af-ae4c-3ab700f197ec","type":"knowledge","names":{"en":"information extraction","es":"extracción de información","pt":"extração de informação","fr":"extraction de l’information","de":"Informationsextraktion","it":"estrazione di informazioni","ar":"استخراج المعلومات"}},{"uri":"http://data.europa.eu/esco/skill/50b100ea-74fd-4706-99db-3e4ca55e51b8","type":"skill","names":{"en":"perform data cleansing","es":"realizar una limpieza de datos","pt":"limpar dados","fr":"effectuer un nettoyage de données","de":"Datenbereinigung durchführen","it":"correggere i dati","ar":"إجراء تنقية البيانات"}},{"uri":"http://data.europa.eu/esco/skill/4a193795-fa63-414e-9f2e-bfdb3924571e","type":"skill","names":{"en":"handle data samples","es":"manejar muestras de datos","pt":"manusear amostras de dados","fr":"traiter des échantillons de données","de":"Datenproben gewinnen","it":"gestire campioni di dati","ar":"التعامل مع عينات البيانات"}},{"uri":"http://data.europa.eu/esco/skill/6c08403c-a5bb-4868-b8c2-b7d039c0e511","type":"skill","names":{"en":"design database scheme","es":"diseñar esquema de base de datos","pt":"conceber esquemas de bases de dados","fr":"concevoir un schéma de base de données","de":"Datenbankschema konzipieren","it":"progettare schemi di database","ar":"تصميم مخطط قاعدة بيانات"}},{"uri":"http://data.europa.eu/esco/skill/99207709-d076-4cce-ba38-e90d3bb28806","type":"knowledge","names":{"en":"resource description framework query language","es":"lenguaje de consulta del sistema de descripción de recursos","pt":"linguagem RDF","fr":"langage de requête Cadre de Description des Ressources","de":"Resource-Description-Framework-Abfragesprache","it":"linguaggio di interrogazione resource description framework","ar":"لغة استعلام خاصة بإطار وصف المصادر"}},{"uri":"http://data.europa.eu/esco/skill/c544a9f3-5945-4b54-afed-de0697852817","type":"skill","names":{"en":"report analysis results","es":"informar de los resultados de los análisis","pt":"relatar os resultados de análises","fr":"communiquer les résultats d’analyse","de":"Analyseergebnisse berichten","it":"risultati del rapporto di analisi","ar":"الابلاغ بنتائج التحليل"}},{"uri":"http://data.europa.eu/esco/skill/9cf681c7-89ec-470c-b651-7fe03786f586","type":"knowledge","names":{"en":"query languages","es":"lenguajes de consulta","pt":"linguagens de pesquisa","fr":"langages de requête","de":"Abfragesprachen","it":"linguaggi di interrogazione","ar":"لغات الاستعلام"}},{"uri":"http://data.europa.eu/esco/skill/93aaf65c-5aad-4e6f-a7ba-ce9bf7c0e6e6","type":"knowledge","names":{"en":"information categorisation","es":"categorización de la información","pt":"categorização de informação","fr":"catégorisation de l’information","de":"Informationskategorisierung","it":"classificazione delle informazioni","ar":"تصنيف المعلومات"}},{"uri":"http://data.europa.eu/esco/skill/c3e36d05-8ae8-447f-bb2b-6f9409f85389","type":"skill","names":{"en":"deliver visual presentation of data","es":"proporcionar presentaciones visuales de datos","pt":"realizar apresentação visual de dados","fr":"fournir une présentation visuelle des données","de":"visuelle Darstellung von Daten liefern","it":"creare rappresentazioni visive di dati","ar":"تقديم عرض مرئي للبيانات"}},{"uri":"http://data.europa.eu/esco/skill/79e29b8b-47d1-470d-b7b1-32506bfe7d9a","type":"skill","names":{"en":"collect ICT data","es":"reunir datos de TIC","pt":"recolher dados informáticos","fr":"collecter les données","de":"IKT-Daten sammeln","it":"raccogliere dati TIC","ar":"جمع بيانات تكنولوجيا المعلومات والاتصالات"}},{"uri":"http://data.europa.eu/esco/skill/25f0ea33-b4a2-4f31-b7b4-7d20e827b180","type":"knowledge","names":{"en":"data mining","es":"extracción de datos","pt":"análise de dados","fr":"exploration de données","de":"Data-Mining","it":"estrazione di dati","ar":"استخراج البيانات"}}]},"text":{"en":{"name":"Data scientist","altNames":["Applied scientist","Machine learning scientist","Decision scientist","Data science specialist"],"metaDescription":"What data scientists do, the degrees and skills you need, how people move into data science, and official pay data from the US and around the world.","summary":"Data scientists use statistics, programming and machine learning to find patterns in data and help organisations make decisions or build data-driven products. Most have a degree in a quantitative subject such as mathematics, statistics, computer science, physics or economics, and many employers prefer a master's degree or PhD. They work in technology, finance, healthcare, retail, government and research.","tasks":["Work with managers and teams to turn business questions into problems that data can answer.","Collect, clean and combine data from databases, files and other sources.","Explore data and use statistical methods to test ideas and measure effects.","Build, test and improve machine learning models for tasks such as forecasting or recommendations.","Design and analyse experiments, for example to compare two versions of a product.","Present results clearly with charts, reports and talks for non-specialists.","Work with engineers to put models into real products and monitor how they perform."],"skills":["Statistics and probability","Programming in Python or R","SQL and working with databases","Machine learning methods","Data cleaning and visualisation","Experiment design","Explaining results to non-technical people","Curiosity and critical thinking"],"workSettings":"Data scientists work for technology companies, banks, insurers, retailers, hospitals, consultancies, research institutes, national statistics offices and public health bodies. Most work in teams with data engineers, analysts and product managers. Hybrid and remote work is common. The work is computer-based and organised around projects, with a mix of independent analysis, meetings and presentations. In smaller organisations one person may do everything from collecting data to reporting results.","howToBecome":"Most data scientists have at least a bachelor's degree in a quantitative subject, such as mathematics, statistics, computer science, data science, physics or economics. Many employers, especially for research-heavy roles, prefer a master's degree or PhD. Practical skills matter as much as qualifications. You should be confident with Python or R, SQL and core statistics, and have projects that show how you solved real problems with data. Many people start as data analysts or software developers and move into data science with experience. Interviews often include statistics questions and a coding or case-study task.","routes":[{"title":"University degree","text":"A bachelor's degree in data science, statistics, mathematics, computer science or a related subject gives you the foundation. A one- or two-year master's degree in data science, statistics or machine learning is a common next step, and employers often ask for one for more advanced roles."},{"title":"Conversion master's or PhD","text":"Graduates in subjects such as physics, biology, psychology, economics or engineering often move into data science through a conversion master's degree. A PhD that involves a lot of data analysis or modelling is also a strong route, particularly for research and specialist machine learning roles."},{"title":"Moving up from a related job","text":"Many data scientists first work as data analysts, software developers or researchers and build statistics and machine learning skills on the job or through online courses. Short courses alone rarely lead straight to a data scientist role, so a portfolio and relevant work experience are important."}],"regulation":"Data science is not a regulated profession, so you do not need a licence to work as a data scientist. However, the work is shaped by data protection and privacy laws, which differ between countries and regions such as the European Union. Some governments are also introducing rules on AI and automated decisions. Professional bodies for statisticians in several countries offer voluntary accreditation for data scientists.","progression":["Junior data scientist","Data scientist","Senior data scientist","Lead or principal data scientist","Head of data science or chief data officer"],"outlook":"Organisations collect more data than ever and want to use it for forecasting, personalisation and automation, so data science skills remain in demand across many sectors. The role is changing. Automated machine learning and AI assistants now handle more routine modelling and coding. As a result, employers increasingly value strong statistics, knowledge of a sector, good judgement and the ability to explain results. Entry-level roles are competitive, and job titles vary widely, so read job descriptions carefully.","faqs":[{"q":"Do you need a master's degree to become a data scientist?","a":"Not always, but it helps. Many data scientists have a master's degree or PhD, and some employers list one as a requirement. Others hire graduates with a strong bachelor's degree in a quantitative subject, especially if they have relevant projects, internships or experience as a data analyst."},{"q":"What is the difference between a data scientist and a data analyst?","a":"Data analysts mainly describe what has happened, using SQL, spreadsheets and dashboards to report trends. Data scientists usually go further, building statistical and machine learning models to predict outcomes or automate decisions. In practice the titles overlap, and the difference depends on the employer."},{"q":"Which degree is best for data science?","a":"Mathematics, statistics, computer science and data science degrees are the most direct choices. Physics, economics, engineering and other subjects with a lot of statistics and programming also lead into the field. Whatever you study, take courses in statistics, programming and machine learning, and build projects with real data."},{"q":"Is data science still a good career?","a":"Data science remains a strong career in many countries, but it is more competitive and more specialised than when the field was new. Employers now expect solid statistics and engineering skills, not just knowledge of popular tools. People who combine technical skills with knowledge of a sector, such as health or finance, often have an advantage."}]},"es":{"name":"Científico de datos","altNames":["Científica de datos","Científico de datos aplicado","Especialista en machine learning","Especialista en ciencia de datos"],"metaDescription":"Qué hacen los científicos de datos, qué título y competencias necesitas, cómo se accede a la ciencia de datos, y datos oficiales de sueldo en EE. UU. y el mundo.","summary":"Los científicos de datos usan estadística, programación y aprendizaje automático para encontrar patrones en los datos y ayudar a las organizaciones a tomar decisiones o crear productos basados en datos. La mayoría tiene un título en una carrera cuantitativa como matemáticas, estadística, informática, física o economía, y muchos empleadores prefieren un máster o un doctorado. Trabajan en tecnología, finanzas, sanidad, comercio, administración pública e investigación.","tasks":["Trabajar con directivos y equipos para convertir preguntas de negocio en problemas que se puedan responder con datos.","Recopilar, depurar y combinar datos procedentes de bases de datos, archivos y otras fuentes.","Explorar los datos y usar métodos estadísticos para poner a prueba ideas y medir efectos.","Construir, probar y mejorar modelos de aprendizaje automático para tareas como la previsión o las recomendaciones.","Diseñar y analizar experimentos, por ejemplo para comparar dos versiones de un producto.","Presentar los resultados con claridad mediante gráficos, informes y charlas para personas no especialistas.","Trabajar con ingenieros para integrar los modelos en productos reales y supervisar su rendimiento."],"skills":["Estadística y probabilidad","Programación en Python o R","SQL y trabajo con bases de datos","Métodos de aprendizaje automático","Limpieza y visualización de datos","Diseño de experimentos","Explicar resultados a personas no técnicas","Curiosidad y pensamiento crítico"],"workSettings":"Los científicos de datos trabajan en empresas tecnológicas, bancos, aseguradoras, comercios, hospitales, consultoras, institutos de investigación, oficinas nacionales de estadística y organismos de salud pública. La mayoría trabaja en equipos junto con ingenieros de datos, analistas y responsables de producto. El trabajo híbrido y remoto es habitual. La tarea es informática y se organiza por proyectos, combinando análisis independiente, reuniones y presentaciones. En las organizaciones más pequeñas, una sola persona puede encargarse de todo, desde recopilar los datos hasta presentar los resultados.","howToBecome":"La mayoría de los científicos de datos tiene al menos un grado en una carrera cuantitativa, como matemáticas, estadística, informática, ciencia de datos, física o economía. Muchos empleadores, sobre todo para puestos con mucha investigación, prefieren un máster o un doctorado. Las competencias prácticas importan tanto como las titulaciones. Debes manejarte bien con Python o R, SQL y la estadística básica, y tener proyectos que demuestren cómo resolviste problemas reales con datos. Muchas personas empiezan como analistas de datos o desarrolladores de software y pasan a la ciencia de datos con la experiencia. Las entrevistas suelen incluir preguntas de estadística y una prueba de código o un caso práctico.","routes":[{"title":"Grado universitario","text":"Un grado en ciencia de datos, estadística, matemáticas, informática o una carrera afín te da la base necesaria. Un máster de uno o dos años en ciencia de datos, estadística o aprendizaje automático es un siguiente paso habitual, y los empleadores a menudo lo piden para puestos más avanzados."},{"title":"Máster de conversión o doctorado","text":"Los titulados en carreras como física, biología, psicología, economía o ingeniería suelen pasar a la ciencia de datos mediante un máster de conversión. Un doctorado con mucho análisis de datos o modelización también es una vía sólida, sobre todo para puestos de investigación y de aprendizaje automático especializado."},{"title":"Ascender desde un puesto afín","text":"Muchos científicos de datos trabajan primero como analistas de datos, desarrolladores de software o investigadores, y desarrollan competencias de estadística y aprendizaje automático en el propio trabajo o mediante cursos en línea. Los cursos cortos por sí solos rara vez llevan directamente a un puesto de científico de datos, así que un portafolio y experiencia laboral relevante son importantes."}],"regulation":"La ciencia de datos no es una profesión regulada, así que no necesitas una licencia para trabajar como científico de datos. Sin embargo, el trabajo está condicionado por las leyes de protección de datos y privacidad, que varían entre países y regiones como la Unión Europea. Algunos gobiernos también están introduciendo normas sobre la IA y las decisiones automatizadas. Los colegios profesionales de estadísticos de varios países ofrecen acreditaciones voluntarias para científicos de datos.","progression":["Científico de datos junior","Científico de datos","Científico de datos sénior","Científico de datos principal o líder","Jefe de ciencia de datos o director de datos"],"outlook":"Las organizaciones recopilan más datos que nunca y quieren usarlos para la previsión, la personalización y la automatización, así que las competencias en ciencia de datos siguen siendo demandadas en muchos sectores. El puesto está cambiando. El aprendizaje automático automatizado y los asistentes de IA ya se encargan de más modelización y programación rutinaria. Como resultado, los empleadores valoran cada vez más una estadística sólida, el conocimiento de un sector, el buen criterio y la capacidad de explicar los resultados. Los puestos de nivel inicial son competitivos, y los títulos de los puestos varían mucho, así que conviene leer con atención las ofertas de empleo.","faqs":[{"q":"¿Hace falta un máster para ser científico de datos?","a":"No siempre, pero ayuda. Muchos científicos de datos tienen un máster o un doctorado, y algunos empleadores lo piden como requisito. Otros contratan a titulados con un buen grado en una carrera cuantitativa, sobre todo si tienen proyectos relevantes, prácticas o experiencia como analistas de datos."},{"q":"¿Cuál es la diferencia entre un científico de datos y un analista de datos?","a":"Los analistas de datos sobre todo describen lo que ha ocurrido, usando SQL, hojas de cálculo y paneles para informar de tendencias. Los científicos de datos suelen ir más allá y construyen modelos estadísticos y de aprendizaje automático para predecir resultados o automatizar decisiones. En la práctica, los títulos se solapan, y la diferencia depende del empleador."},{"q":"¿Qué carrera es mejor para la ciencia de datos?","a":"Matemáticas, estadística, informática y ciencia de datos son las opciones más directas. Física, economía, ingeniería y otras carreras con mucha estadística y programación también dan acceso al sector. Sea cual sea tu carrera, cursa asignaturas de estadística, programación y aprendizaje automático, y desarrolla proyectos con datos reales."},{"q":"¿Sigue siendo la ciencia de datos una buena carrera?","a":"La ciencia de datos sigue siendo una carrera sólida en muchos países, pero es más competitiva y especializada que cuando el campo era nuevo. Los empleadores esperan ahora una estadística y unas competencias de ingeniería sólidas, no solo el conocimiento de herramientas populares. Las personas que combinan competencias técnicas con el conocimiento de un sector, como la salud o las finanzas, suelen tener ventaja."}]},"pt":{"name":"Cientista de dados","altNames":["Cientista aplicado","Cientista de aprendizado de máquina","Cientista de decisão","Especialista em ciência de dados"],"metaDescription":"O que faz um cientista de dados, os cursos e habilidades necessários, como os profissionais migram para a ciência de dados e dados oficiais de salários nos Estados Unidos e no mundo.","summary":"Cientistas de dados usam estatística, programação e aprendizado de máquina para encontrar padrões em dados e ajudar organizações a tomar decisões ou construir produtos orientados por dados. A maioria tem graduação em uma área quantitativa, como matemática, estatística, ciência da computação, física ou economia, e muitos empregadores preferem candidatos com mestrado ou doutorado. Eles trabalham em tecnologia, finanças, saúde, varejo, governo e pesquisa.","tasks":["Trabalhar com gestores e equipes para transformar questões de negócio em problemas que os dados podem responder.","Coletar, limpar e combinar dados de bancos de dados, arquivos e outras fontes.","Explorar os dados e usar métodos estatísticos para testar hipóteses e medir efeitos.","Construir, testar e aprimorar modelos de aprendizado de máquina para tarefas como previsão ou recomendação.","Planejar e analisar experimentos, por exemplo para comparar duas versões de um produto.","Apresentar resultados com clareza por meio de gráficos, relatórios e apresentações para não especialistas.","Trabalhar com engenheiros para colocar modelos em produtos reais e monitorar seu desempenho."],"skills":["Estatística e probabilidade","Programação em Python ou R","SQL e uso de bancos de dados","Métodos de aprendizado de máquina","Limpeza e visualização de dados","Planejamento de experimentos","Explicar resultados para públicos não técnicos","Curiosidade e pensamento crítico"],"workSettings":"Cientistas de dados trabalham em empresas de tecnologia, bancos, seguradoras, varejistas, hospitais, consultorias, institutos de pesquisa, órgãos nacionais de estatística e entidades de saúde pública. A maioria atua em equipes com engenheiros de dados, analistas e gerentes de produto. O trabalho híbrido e remoto é comum. A atividade é baseada em computador e organizada em projetos, combinando análise independente, reuniões e apresentações. Em organizações menores, uma única pessoa pode fazer de tudo, desde coletar dados até apresentar os resultados.","howToBecome":"A maioria dos cientistas de dados tem pelo menos graduação em uma área quantitativa, como matemática, estatística, ciência da computação, ciência de dados, física ou economia. Muitos empregadores, especialmente para funções com forte componente de pesquisa, preferem candidatos com mestrado ou doutorado. As habilidades práticas contam tanto quanto as qualificações formais. É importante ter domínio de Python ou R, SQL e estatística básica, além de projetos que mostrem como você resolveu problemas reais com dados. Muitas pessoas começam como analistas de dados ou desenvolvedores de software e migram para a ciência de dados com a experiência adquirida. As entrevistas costumam incluir perguntas de estatística e uma tarefa de programação ou estudo de caso.","routes":[{"title":"Graduação universitária","text":"Uma graduação em ciência de dados, estatística, matemática, ciência da computação ou curso relacionado oferece a base necessária. Um mestrado de um ou dois anos em ciência de dados, estatística ou aprendizado de máquina é um próximo passo comum, e os empregadores costumam pedir esse título para funções mais avançadas."},{"title":"Mestrado de conversão ou doutorado","text":"Graduados em áreas como física, biologia, psicologia, economia ou engenharia costumam migrar para a ciência de dados por meio de um mestrado de conversão. Um doutorado com forte componente de análise de dados ou modelagem também é um caminho sólido, especialmente para funções de pesquisa e de aprendizado de máquina especializado."},{"title":"Progressão a partir de uma função relacionada","text":"Muitos cientistas de dados começam como analistas de dados, desenvolvedores de software ou pesquisadores e desenvolvem habilidades de estatística e aprendizado de máquina no trabalho ou por meio de cursos on-line. Cursos curtos isoladamente raramente levam direto a um cargo de cientista de dados, então um portfólio e experiência profissional relevante são importantes."}],"regulation":"A ciência de dados não é uma profissão regulamentada, então não é preciso ter licença para trabalhar como cientista de dados. No entanto, o trabalho é moldado por leis de proteção de dados e privacidade, que variam entre países e regiões, como a União Europeia. Alguns governos também estão introduzindo regras sobre IA e decisões automatizadas. Órgãos profissionais de estatísticos em vários países oferecem credenciamento voluntário para cientistas de dados.","progression":["Cientista de dados júnior","Cientista de dados","Cientista de dados sênior","Cientista de dados líder ou principal","Chefe de ciência de dados ou diretor de dados"],"outlook":"As organizações coletam mais dados do que nunca e querem usá-los para previsão, personalização e automação, então as habilidades de ciência de dados continuam em demanda em muitos setores. A função está mudando. Ferramentas de aprendizado de máquina automatizado e assistentes de IA agora lidam com mais tarefas rotineiras de modelagem e programação. Como resultado, os empregadores valorizam cada vez mais uma estatística sólida, conhecimento de um setor, bom julgamento e a capacidade de explicar resultados. As vagas iniciais são concorridas, e os títulos de cargo variam bastante, então vale ler as descrições de vaga com atenção.","faqs":[{"q":"É preciso ter mestrado para se tornar cientista de dados?","a":"Nem sempre, mas ajuda. Muitos cientistas de dados têm mestrado ou doutorado, e alguns empregadores listam isso como requisito. Outros contratam graduados com uma boa formação em área quantitativa, especialmente se tiverem projetos relevantes, estágios ou experiência como analista de dados."},{"q":"Qual é a diferença entre um cientista de dados e um analista de dados?","a":"Analistas de dados principalmente descrevem o que já aconteceu, usando SQL, planilhas e painéis para relatar tendências. Cientistas de dados costumam ir além, construindo modelos estatísticos e de aprendizado de máquina para prever resultados ou automatizar decisões. Na prática, os títulos se sobrepõem, e a diferença depende do empregador."},{"q":"Qual curso é melhor para ciência de dados?","a":"Matemática, estatística, ciência da computação e ciência de dados são as escolhas mais diretas. Física, economia, engenharia e outras áreas com bastante estatística e programação também levam à profissão. Seja qual for o curso escolhido, faça disciplinas de estatística, programação e aprendizado de máquina, e construa projetos com dados reais."},{"q":"A ciência de dados ainda é uma boa carreira?","a":"A ciência de dados continua sendo uma carreira sólida em muitos países, mas está mais concorrida e mais especializada do que quando a área era nova. Os empregadores agora esperam uma base sólida em estatística e engenharia, e não apenas conhecimento de ferramentas populares. Profissionais que combinam habilidades técnicas com conhecimento de um setor, como saúde ou finanças, costumam ter vantagem."}]},"fr":{"name":"Data scientist","altNames":["Data scientiste","Scientifique des données","Ingénieur en apprentissage automatique","Spécialiste en science des données"],"metaDescription":"Ce que font les data scientists, les diplômes requis, et le salaire officiel aux États-Unis et ailleurs.","summary":"Les data scientists utilisent les statistiques, la programmation et l’apprentissage automatique pour trouver des tendances dans les données et aider les organisations à décider ou à construire des produits fondés sur les données. La plupart ont un diplôme dans une discipline quantitative comme les mathématiques, la statistique, l’informatique, la physique ou l’économie, et beaucoup d’employeurs préfèrent un master ou un doctorat. Ils travaillent dans la tech, la finance, la santé, le commerce, l’administration et la recherche.","tasks":["Travailler avec des managers et des équipes pour transformer des questions d’entreprise en problèmes que les données peuvent résoudre.","Collecter, nettoyer et combiner des données issues de bases de données, de fichiers et d’autres sources.","Explorer les données et utiliser des méthodes statistiques pour tester des hypothèses et mesurer des effets.","Construire, tester et améliorer des modèles d’apprentissage automatique pour des tâches comme la prévision ou les recommandations.","Concevoir et analyser des expérimentations, par exemple pour comparer deux versions d’un produit.","Présenter clairement les résultats avec des graphiques, des rapports et des présentations pour des non-spécialistes.","Travailler avec des ingénieurs pour intégrer les modèles dans de vrais produits et suivre leurs performances."],"skills":["Statistiques et probabilités","Programmation en Python ou en R","SQL et travail avec des bases de données","Méthodes d’apprentissage automatique","Nettoyage et visualisation des données","Conception d’expérimentations","Expliquer des résultats à des non-spécialistes","Curiosité et esprit critique"],"workSettings":"Les data scientists travaillent pour des entreprises technologiques, des banques, des assureurs, des enseignes de distribution, des hôpitaux, des cabinets de conseil, des instituts de recherche, des offices nationaux de statistiques et des organismes de santé publique. La plupart travaillent en équipe avec des ingénieurs data, des analystes et des chefs de produit. Le travail hybride et à distance est courant. Le travail se fait sur ordinateur et s’organise autour de projets, avec un mélange d’analyse individuelle, de réunions et de présentations. Dans les petites organisations, une même personne peut tout faire, de la collecte des données à la présentation des résultats.","howToBecome":"La plupart des data scientists ont au moins une licence dans une discipline quantitative, comme les mathématiques, la statistique, l’informatique, la science des données, la physique ou l’économie. De nombreux employeurs, en particulier pour les postes très orientés recherche, préfèrent un master ou un doctorat. Les compétences pratiques comptent autant que les diplômes. Il faut être à l’aise avec Python ou R, SQL et les statistiques de base, et disposer de projets montrant comment on a résolu de vrais problèmes avec des données. Beaucoup débutent comme data analysts ou développeurs de logiciels avant d’évoluer vers la data science avec l’expérience. Les entretiens comportent souvent des questions de statistiques et un exercice de code ou d’étude de cas.","routes":[{"title":"Diplôme universitaire","text":"Une licence en science des données, statistique, mathématiques, informatique ou une discipline proche donne les bases nécessaires. Un master d’un ou deux ans en science des données, statistique ou apprentissage automatique est une étape suivante courante, et les employeurs en demandent souvent un pour les postes plus avancés."},{"title":"Master de conversion ou doctorat","text":"Les diplômés de disciplines comme la physique, la biologie, la psychologie, l’économie ou l’ingénierie se reconvertissent souvent vers la data science via un master de conversion. Un doctorat comportant beaucoup d’analyse de données ou de modélisation est aussi une voie solide, en particulier pour la recherche et les postes spécialisés en apprentissage automatique."},{"title":"Évolution depuis un métier proche","text":"De nombreux data scientists ont d’abord travaillé comme data analysts, développeurs de logiciels ou chercheurs, et ont développé leurs compétences en statistiques et en apprentissage automatique sur le terrain ou via des cours en ligne. Des formations courtes seules mènent rarement directement à un poste de data scientist ; un portfolio et une expérience professionnelle pertinente sont donc importants."}],"regulation":"La data science n’est pas une profession réglementée : aucune autorisation d’exercer n’est nécessaire pour travailler comme data scientist. Le travail est toutefois encadré par les lois sur la protection des données et la vie privée, qui diffèrent selon les pays et les régions comme l’Union européenne. Certains gouvernements introduisent également des règles sur l’IA et les décisions automatisées. Des organismes professionnels de statisticiens dans plusieurs pays proposent une accréditation volontaire pour les data scientists.","progression":["Data scientist junior","Data scientist","Data scientist senior","Data scientist principal ou référent","Responsable data science ou directeur des données"],"outlook":"Les organisations collectent plus de données que jamais et veulent les utiliser pour la prévision, la personnalisation et l’automatisation, si bien que les compétences en data science restent recherchées dans de nombreux secteurs. Le métier évolue : l’apprentissage automatique automatisé et les assistants IA prennent désormais en charge une part croissante de la modélisation et du code de routine. Les employeurs valorisent donc de plus en plus de solides bases statistiques, la connaissance d’un secteur, un bon jugement et la capacité à expliquer les résultats. Les postes de débutant sont concurrentiels, et les intitulés varient beaucoup, d’où l’intérêt de lire attentivement les offres d’emploi.","faqs":[{"q":"Faut-il un master pour devenir data scientist ?","a":"Pas toujours, mais cela aide. Beaucoup de data scientists ont un master ou un doctorat, et certains employeurs en font une condition. D’autres recrutent des diplômés avec une solide licence dans une discipline quantitative, surtout s’ils ont des projets, des stages ou une expérience de data analyst pertinents."},{"q":"Quelle est la différence entre un data scientist et un data analyst ?","a":"Les data analysts décrivent surtout ce qui s’est passé, à l’aide de SQL, de tableurs et de tableaux de bord pour rendre compte des tendances. Les data scientists vont généralement plus loin, en construisant des modèles statistiques et d’apprentissage automatique pour prédire des résultats ou automatiser des décisions. Dans la pratique, les intitulés se recoupent, et la différence dépend de l’employeur."},{"q":"Quel diplôme est le meilleur pour la data science ?","a":"Les diplômes en mathématiques, statistique, informatique et science des données sont les choix les plus directs. La physique, l’économie, l’ingénierie et d’autres disciplines riches en statistiques et en programmation mènent aussi à ce domaine. Quel que soit votre parcours, suivez des cours de statistiques, de programmation et d’apprentissage automatique, et construisez des projets avec de vraies données."},{"q":"La data science est-elle toujours un bon métier ?","a":"La data science reste un métier solide dans de nombreux pays, mais il est plus concurrentiel et plus spécialisé qu’à ses débuts. Les employeurs attendent désormais de solides compétences en statistiques et en ingénierie, pas seulement la connaissance d’outils populaires. Les personnes qui combinent compétences techniques et connaissance d’un secteur, comme la santé ou la finance, ont souvent un avantage."}]},"de":{"name":"Data Scientist","altNames":["Applied Scientist","Machine-Learning-Wissenschaftler/-in","Decision Scientist","Data-Science-Spezialist/-in"],"metaDescription":"Data Scientist: Aufgaben, nötiges Studium, Quereinstieg in den Beruf sowie amtliche Gehaltsdaten aus den USA und weltweit.","summary":"Data Scientists nutzen Statistik, Programmierung und maschinelles Lernen, um Muster in Daten zu finden und Organisationen bei Entscheidungen oder beim Aufbau datengetriebener Produkte zu helfen. Die meisten haben ein Studium in einem quantitativen Fach wie Mathematik, Statistik, Informatik, Physik oder Wirtschaftswissenschaften, und viele Arbeitgeber bevorzugen einen Master oder eine Promotion. Sie arbeiten in Technologie, Finanzwesen, Gesundheitswesen, Einzelhandel, Verwaltung und Forschung.","tasks":["Mit Führungskräften und Teams geschäftliche Fragen in Probleme übersetzen, die sich mit Daten beantworten lassen.","Daten aus Datenbanken, Dateien und anderen Quellen sammeln, bereinigen und zusammenführen.","Daten explorieren und mit statistischen Methoden Ideen testen und Effekte messen.","Modelle des maschinellen Lernens für Aufgaben wie Prognosen oder Empfehlungen bauen, testen und verbessern.","Experimente entwerfen und auswerten, zum Beispiel um zwei Versionen eines Produkts zu vergleichen.","Ergebnisse mit Diagrammen, Berichten und Vorträgen klar für Fachfremde darstellen.","Mit Ingenieurinnen und Ingenieuren zusammenarbeiten, um Modelle in echte Produkte einzubauen und ihre Leistung zu überwachen."],"skills":["Statistik und Wahrscheinlichkeitsrechnung","Programmieren in Python oder R","SQL und Arbeit mit Datenbanken","Methoden des maschinellen Lernens","Datenbereinigung und Visualisierung","Experimentdesign","Ergebnisse für Fachfremde erklären","Neugier und kritisches Denken"],"workSettings":"Data Scientists arbeiten für Technologieunternehmen, Banken, Versicherungen, Einzelhändler, Krankenhäuser, Beratungen, Forschungsinstitute, nationale Statistikämter und Gesundheitsbehörden. Die meisten arbeiten in Teams mit Data Engineers, Analyst/-innen und Produktmanager/-innen. Hybrid- und Remote-Arbeit sind verbreitet. Die Arbeit findet am Computer statt und ist projektbasiert organisiert, mit einer Mischung aus eigenständiger Analyse, Besprechungen und Präsentationen. In kleineren Organisationen macht mitunter eine Person alles von der Datenerhebung bis zur Ergebnispräsentation.","howToBecome":"Die meisten Data Scientists haben mindestens einen Bachelor in einem quantitativen Fach wie Mathematik, Statistik, Informatik, Data Science, Physik oder Wirtschaftswissenschaften. Viele Arbeitgeber, besonders für forschungslastige Stellen, bevorzugen einen Master oder eine Promotion. Praktische Fähigkeiten zählen genauso viel wie Abschlüsse. Du solltest sicher mit Python oder R, SQL und grundlegender Statistik umgehen können und Projekte vorweisen, die zeigen, wie du reale Probleme mit Daten gelöst hast. Viele beginnen als Datenanalyst/-in oder Softwareentwickler/-in und wechseln mit Erfahrung in die Data Science. Vorstellungsgespräche umfassen oft Statistikfragen und eine Programmier- oder Fallstudienaufgabe.","routes":[{"title":"Studium","text":"Ein Bachelor in Data Science, Statistik, Mathematik, Informatik oder einem verwandten Fach bildet die Grundlage. Ein ein- bis zweijähriger Master in Data Science, Statistik oder maschinellem Lernen ist ein üblicher nächster Schritt, und Arbeitgeber verlangen für anspruchsvollere Stellen oft einen solchen Abschluss."},{"title":"Aufbau-Master oder Promotion","text":"Absolventinnen und Absolventen in Fächern wie Physik, Biologie, Psychologie, Wirtschaftswissenschaften oder Ingenieurwesen wechseln häufig über einen Aufbau-Master in die Data Science. Eine Promotion mit viel Datenanalyse oder Modellierung ist ebenfalls ein starker Weg, besonders für Forschung und spezialisierte Machine-Learning-Stellen."},{"title":"Aufstieg aus einem verwandten Job","text":"Viele Data Scientists arbeiten zunächst als Datenanalyst/-in, Softwareentwickler/-in oder Forscher/-in und bauen ihre Statistik- und Machine-Learning-Kenntnisse im Job oder durch Onlinekurse auf. Kurze Kurse allein führen selten direkt zu einer Data-Scientist-Stelle, deshalb sind ein Portfolio und relevante Berufserfahrung wichtig."}],"regulation":"Data Science ist kein reglementierter Beruf, du brauchst also keine Zulassung, um als Data Scientist zu arbeiten. Die Arbeit wird jedoch von Datenschutz- und Privatsphäregesetzen geprägt, die sich zwischen Ländern und Regionen wie der Europäischen Union unterscheiden. Manche Regierungen führen außerdem Regeln zu KI und automatisierten Entscheidungen ein. Berufsverbände für Statistiker/-innen bieten in mehreren Ländern eine freiwillige Akkreditierung für Data Scientists an.","progression":["Junior Data Scientist","Data Scientist","Senior Data Scientist","Lead oder Principal Data Scientist","Leitung Data Science oder Chief Data Officer"],"outlook":"Organisationen sammeln mehr Daten als je zuvor und wollen sie für Prognosen, Personalisierung und Automatisierung nutzen, weshalb Data-Science-Kompetenzen in vielen Branchen gefragt bleiben. Die Rolle verändert sich. Automatisiertes maschinelles Lernen und KI-Assistenten übernehmen inzwischen mehr Routinemodellierung und -programmierung. Deshalb schätzen Arbeitgeber zunehmend solide Statistikkenntnisse, Branchenwissen, gutes Urteilsvermögen und die Fähigkeit, Ergebnisse zu erklären. Einstiegsstellen sind umkämpft, und Berufsbezeichnungen variieren stark, deshalb solltest du Stellenanzeigen genau lesen.","faqs":[{"q":"Braucht man einen Master, um Data Scientist zu werden?","a":"Nicht immer, aber es hilft. Viele Data Scientists haben einen Master oder eine Promotion, und manche Arbeitgeber verlangen einen solchen Abschluss. Andere stellen Absolventinnen und Absolventen mit einem starken Bachelor in einem quantitativen Fach ein, besonders wenn sie relevante Projekte, Praktika oder Erfahrung als Datenanalyst/-in vorweisen."},{"q":"Was ist der Unterschied zwischen Data Scientist und Datenanalyst/-in?","a":"Datenanalyst/-innen beschreiben vor allem, was passiert ist, und nutzen SQL, Tabellenkalkulationen und Dashboards, um Trends darzustellen. Data Scientists gehen meist weiter und bauen statistische und Machine-Learning-Modelle, um Ergebnisse vorherzusagen oder Entscheidungen zu automatisieren. In der Praxis überschneiden sich die Bezeichnungen, und der Unterschied hängt vom Arbeitgeber ab."},{"q":"Welches Studienfach eignet sich am besten für Data Science?","a":"Mathematik, Statistik, Informatik und Data-Science-Studiengänge sind die naheliegendsten Wahlmöglichkeiten. Physik, Wirtschaftswissenschaften, Ingenieurwesen und andere Fächer mit viel Statistik und Programmierung führen ebenfalls in das Feld. Belege in jedem Fall Kurse in Statistik, Programmierung und maschinellem Lernen, und baue Projekte mit echten Daten auf."},{"q":"Ist Data Science weiterhin ein guter Beruf?","a":"Data Science bleibt in vielen Ländern ein starker Beruf, ist aber wettbewerbsintensiver und spezialisierter geworden als in den Anfangsjahren des Feldes. Arbeitgeber erwarten inzwischen solide Statistik- und Engineering-Kenntnisse, nicht nur die Kenntnis beliebter Werkzeuge. Menschen, die technische Fähigkeiten mit Branchenwissen etwa im Gesundheits- oder Finanzwesen verbinden, haben oft einen Vorteil."}]},"it":{"name":"Data scientist","altNames":["Scienziata dei dati","Scienziato dei dati","Machine learning scientist","Esperto di scienza dei dati"],"metaDescription":"Che cosa fa il data scientist, le lauree e le competenze richieste, come ci si arriva e i dati ufficiali sugli stipendi negli Stati Uniti e nel mondo.","summary":"Il data scientist usa statistica, programmazione e machine learning per trovare schemi nei dati e aiutare le organizzazioni a prendere decisioni o realizzare prodotti basati sui dati. La maggior parte ha una laurea in una materia quantitativa come matematica, statistica, informatica, fisica o economia, e molte aziende preferiscono una laurea magistrale o un dottorato. Lavora nella tecnologia, nella finanza, nella sanità, nel commercio, nella pubblica amministrazione e nella ricerca.","tasks":["Collaborare con dirigenti e team per trasformare domande aziendali in problemi che i dati possono risolvere.","Raccogliere, pulire e combinare dati provenienti da database, file e altre fonti.","Esplorare i dati e usare metodi statistici per verificare ipotesi e misurare effetti.","Costruire, testare e migliorare modelli di machine learning per compiti come previsioni o raccomandazioni.","Progettare e analizzare esperimenti, ad esempio per confrontare due versioni di un prodotto.","Presentare i risultati in modo chiaro con grafici, relazioni e interventi per un pubblico non specialista.","Collaborare con gli ingegneri per integrare i modelli nei prodotti reali e monitorarne le prestazioni."],"skills":["Statistica e probabilità","Programmazione in Python o R","SQL e utilizzo di database","Metodi di machine learning","Pulizia e visualizzazione dei dati","Progettazione di esperimenti","Capacità di spiegare i risultati a chi non è del settore","Curiosità e pensiero critico"],"workSettings":"Il data scientist lavora per aziende tecnologiche, banche, compagnie assicurative, negozi, ospedali, società di consulenza, istituti di ricerca, uffici statistici nazionali ed enti di sanità pubblica. La maggior parte lavora in team con ingegneri dei dati, analisti e product manager. Il lavoro ibrido e da remoto è diffuso. L'attività si svolge al computer ed è organizzata per progetti, con un mix di analisi individuale, riunioni e presentazioni. Nelle organizzazioni più piccole una sola persona può occuparsi di tutto, dalla raccolta dei dati alla comunicazione dei risultati.","howToBecome":"La maggior parte dei data scientist ha almeno una laurea triennale in una materia quantitativa, come matematica, statistica, informatica, data science, fisica o economia. Molte aziende, soprattutto per i ruoli orientati alla ricerca, preferiscono una laurea magistrale o un dottorato. Le competenze pratiche contano quanto i titoli di studio. Bisogna avere dimestichezza con Python o R, SQL e la statistica di base, oltre a progetti che dimostrino come si sono risolti problemi reali con i dati. Molte persone iniziano come data analyst o sviluppatori software e passano al data science con l'esperienza. I colloqui includono spesso domande di statistica e una prova di programmazione o un caso di studio.","routes":[{"title":"Laurea universitaria","text":"Una laurea triennale in data science, statistica, matematica, informatica o una materia affine offre le basi necessarie. Una laurea magistrale di uno o due anni in data science, statistica o machine learning è un passo successivo comune, e molte aziende la richiedono per i ruoli più avanzati."},{"title":"Laurea magistrale di conversione o dottorato","text":"Chi si laurea in materie come fisica, biologia, psicologia, economia o ingegneria spesso passa al data science attraverso una laurea magistrale di conversione. Anche un dottorato che comporti molta analisi o modellazione dei dati è un percorso solido, in particolare per i ruoli di ricerca e machine learning specialistico."},{"title":"Passaggio da un lavoro affine","text":"Molti data scientist lavorano prima come data analyst, sviluppatori software o ricercatori e costruiscono competenze di statistica e machine learning sul lavoro o tramite corsi online. I corsi brevi da soli raramente portano direttamente a un ruolo di data scientist, quindi un portfolio ed esperienza lavorativa pertinente sono importanti."}],"regulation":"Il data science non è una professione regolamentata, quindi non serve un'abilitazione per lavorare come data scientist. Il lavoro è però disciplinato da leggi sulla protezione dei dati e sulla privacy, che variano tra paesi e aree geografiche come l'Unione europea. Alcuni governi stanno inoltre introducendo norme sull'IA e sulle decisioni automatizzate. Gli ordini professionali degli statistici in diversi paesi offrono un accreditamento volontario per i data scientist.","progression":["Data scientist junior","Data scientist","Data scientist senior","Data scientist lead o principal","Responsabile data science o chief data officer"],"outlook":"Le organizzazioni raccolgono più dati che mai e vogliono usarli per previsioni, personalizzazione e automazione, quindi le competenze di data science restano richieste in molti settori. Il ruolo sta cambiando: il machine learning automatizzato e gli assistenti di IA gestiscono ormai più modellazione e programmazione di routine. Di conseguenza, le aziende valorizzano sempre più una solida statistica, la conoscenza di un settore, un buon giudizio e la capacità di spiegare i risultati. I ruoli di livello iniziale sono competitivi e i titoli professionali variano molto, quindi leggi con attenzione le descrizioni delle posizioni.","faqs":[{"q":"Serve una laurea magistrale per diventare data scientist?","a":"Non sempre, ma aiuta. Molti data scientist hanno una laurea magistrale o un dottorato, e alcune aziende la richiedono. Altre assumono laureati con una solida laurea triennale in una materia quantitativa, soprattutto se hanno progetti pertinenti, tirocini o esperienza come data analyst."},{"q":"Qual è la differenza tra data scientist e data analyst?","a":"Il data analyst descrive soprattutto ciò che è accaduto, usando SQL, fogli di calcolo e dashboard per riportare le tendenze. Il data scientist va di solito oltre, costruendo modelli statistici e di machine learning per prevedere i risultati o automatizzare le decisioni. In pratica i titoli si sovrappongono, e la differenza dipende dall'azienda."},{"q":"Quale laurea è la migliore per il data science?","a":"Matematica, statistica, informatica e data science sono le scelte più dirette. Anche fisica, economia, ingegneria e altre materie con molta statistica e programmazione portano a questo campo. Qualunque cosa tu studi, segui corsi di statistica, programmazione e machine learning e costruisci progetti con dati reali."},{"q":"Il data science è ancora una buona carriera?","a":"Il data science resta una carriera solida in molti paesi, ma è più competitiva e specializzata rispetto a quando il settore era nuovo. Le aziende si aspettano ormai solide competenze di statistica e ingegneria, non solo la conoscenza degli strumenti più diffusi. Chi unisce competenze tecniche alla conoscenza di un settore, come la sanità o la finanza, ha spesso un vantaggio."}]},"ar":{"name":"عالم بيانات","altNames":["عالمة بيانات","أخصائي علوم بيانات","مهندس تعلم آلي","أخصائي تحليل قرارات"],"metaDescription":"ماذا يعمل علماء البيانات، والشهادات والمهارات التي تحتاج إليها، وكيف ينتقل الناس إلى هذا المجال، وبيانات رسمية عن الأجور في الولايات المتحدة وحول العالم.","summary":"يستخدم علماء البيانات الإحصاء والبرمجة والتعلم الآلي لاكتشاف الأنماط في البيانات ومساعدة المؤسسات على اتخاذ القرارات أو بناء منتجات قائمة على البيانات. يحمل معظمهم شهادة في تخصص كمي مثل الرياضيات أو الإحصاء أو علوم الحاسوب أو الفيزياء أو الاقتصاد، ويفضّل كثير من أصحاب العمل شهادة ماجستير أو دكتوراه. يعملون في التكنولوجيا والتمويل والرعاية الصحية والتجزئة والحكومة والبحث العلمي.","tasks":["العمل مع المديرين والفرق لتحويل أسئلة العمل إلى مشكلات يمكن للبيانات الإجابة عنها.","جمع البيانات وتنقيتها ودمجها من قواعد البيانات والملفات ومصادر أخرى.","استكشاف البيانات واستخدام الأساليب الإحصائية لاختبار الأفكار وقياس الأثر.","بناء نماذج التعلم الآلي واختبارها وتحسينها لمهام مثل التنبؤ أو التوصيات.","تصميم التجارب وتحليلها، مثل مقارنة نسختين من منتج واحد.","عرض النتائج بوضوح عبر الرسوم البيانية والتقارير والعروض لغير المتخصصين.","العمل مع المهندسين لدمج النماذج في منتجات فعلية ومراقبة أدائها."],"skills":["الإحصاء والاحتمالات","البرمجة بلغة بايثون أو R","لغة SQL والعمل مع قواعد البيانات","أساليب التعلم الآلي","تنقية البيانات وتصورها بصريًا","تصميم التجارب","شرح النتائج لغير المتخصصين","الفضول والتفكير النقدي"],"workSettings":"يعمل علماء البيانات لدى شركات التكنولوجيا والمصارف وشركات التأمين ومتاجر التجزئة والمستشفيات والاستشارات ومراكز البحث ومكاتب الإحصاء الوطنية وهيئات الصحة العامة. يعمل معظمهم ضمن فرق مع مهندسي البيانات والمحللين ومديري المنتجات. والعمل الهجين أو عن بُعد شائع. العمل قائم على الحاسوب ومنظّم حول مشروعات، ويجمع بين التحليل المستقل والاجتماعات والعروض التقديمية. وفي المؤسسات الصغيرة، قد يتولى شخص واحد كل شيء من جمع البيانات إلى عرض النتائج.","howToBecome":"يحمل معظم علماء البيانات شهادة بكالوريوس على الأقل في تخصص كمي، مثل الرياضيات أو الإحصاء أو علوم الحاسوب أو علم البيانات أو الفيزياء أو الاقتصاد. ويفضّل كثير من أصحاب العمل، خصوصًا للوظائف الغنية بالبحث، شهادة ماجستير أو دكتوراه. والمهارات العملية بأهمية المؤهلات نفسها. يجب أن تكون واثقًا في استخدام بايثون أو R ولغة SQL والإحصاء الأساسي، وأن تمتلك مشروعات تُظهر كيف حللت مشكلات حقيقية بالبيانات. يبدأ كثيرون محللي بيانات أو مطوري برمجيات وينتقلون إلى علم البيانات مع اكتساب الخبرة. وغالبًا ما تتضمن المقابلات أسئلة إحصائية ومهمة برمجية أو دراسة حالة.","routes":[{"title":"شهادة جامعية","text":"تمنحك شهادة البكالوريوس في علم البيانات أو الإحصاء أو الرياضيات أو علوم الحاسوب أو تخصص قريب الأساس اللازم. وتُعد شهادة الماجستير التي تستغرق سنة أو سنتين في علم البيانات أو الإحصاء أو التعلم الآلي خطوة تالية شائعة، وغالبًا ما يطلبها أصحاب العمل للوظائف الأكثر تقدمًا."},{"title":"ماجستير تحويلي أو دكتوراه","text":"كثيرًا ما ينتقل خريجو تخصصات مثل الفيزياء أو الأحياء أو علم النفس أو الاقتصاد أو الهندسة إلى علم البيانات عبر ماجستير تحويلي. وتُعد الدكتوراه التي تتضمن قدرًا كبيرًا من تحليل البيانات أو النمذجة مسارًا قويًا أيضًا، ولا سيما للبحث العلمي ووظائف التعلم الآلي المتخصصة."},{"title":"الترقي من وظيفة ذات صلة","text":"يعمل كثير من علماء البيانات أولًا محللي بيانات أو مطوري برمجيات أو باحثين، ويبنون مهارات الإحصاء والتعلم الآلي أثناء العمل أو عبر دورات إلكترونية. ونادرًا ما تؤدي الدورات القصيرة وحدها مباشرة إلى وظيفة عالم بيانات، لذا تهم الحافظة والخبرة العملية ذات الصلة."}],"regulation":"علم البيانات ليس مهنة منظمة، لذا لا تحتاج إلى ترخيص لتعمل عالم بيانات. لكن هذا العمل تحكمه قوانين حماية البيانات والخصوصية، التي تختلف بين الدول والمناطق مثل الاتحاد الأوروبي. وتُدخل بعض الحكومات أيضًا قواعد بشأن الذكاء الاصطناعي والقرارات الآلية. وتقدّم الهيئات المهنية للإحصائيين في عدة دول اعتمادًا طوعيًا لعلماء البيانات.","progression":["عالم بيانات مبتدئ","عالم بيانات","عالم بيانات أول (Senior)","عالم بيانات رئيسي أو قائد فريق","رئيس قسم علم البيانات أو رئيس بيانات تنفيذي"],"outlook":"تجمع المؤسسات بيانات أكثر من أي وقت مضى وتريد استخدامها للتنبؤ والتخصيص والأتمتة، لذا يظل الطلب على مهارات علم البيانات قائمًا في قطاعات كثيرة. لكن الدور يتغير: فأدوات التعلم الآلي الآلي ومساعدو الذكاء الاصطناعي يتولون الآن مزيدًا من النمذجة والبرمجة الروتينية. ونتيجة لذلك، يقدّر أصحاب العمل أكثر فأكثر الإحصاء القوي ومعرفة القطاع والحكم الجيد والقدرة على شرح النتائج. والوظائف المبتدئة تنافسية، وتتفاوت المسميات الوظيفية كثيرًا، لذا اقرأ وصف الوظيفة بعناية.","faqs":[{"q":"هل تحتاج إلى شهادة ماجستير لتصبح عالم بيانات؟","a":"ليس دائمًا، لكنها تساعد. يحمل كثير من علماء البيانات شهادة ماجستير أو دكتوراه، ويشترطها بعض أصحاب العمل. ويوظف آخرون خريجي بكالوريوس بمستوى قوي في تخصص كمي، لا سيما إذا كان لديهم مشروعات ذات صلة أو فترات تدريب أو خبرة كمحللي بيانات."},{"q":"ما الفرق بين عالم البيانات ومحلل البيانات؟","a":"يصف محللو البيانات في الغالب ما حدث، مستخدمين SQL وجداول البيانات ولوحات المعلومات لعرض الاتجاهات. أما علماء البيانات فيذهبون عادةً أبعد من ذلك، ببناء نماذج إحصائية وتعلم آلي للتنبؤ بالنتائج أو أتمتة القرارات. وفي الممارسة العملية تتداخل المسميات، ويعتمد الفرق على صاحب العمل."},{"q":"أي شهادة أفضل لعلم البيانات؟","a":"شهادات الرياضيات والإحصاء وعلوم الحاسوب وعلم البيانات هي الخيارات الأكثر مباشرة. وتؤدي أيضًا الفيزياء والاقتصاد والهندسة وتخصصات أخرى غنية بالإحصاء والبرمجة إلى هذا المجال. أيًا كان تخصصك، خذ مقررات في الإحصاء والبرمجة والتعلم الآلي، وابنِ مشروعات ببيانات حقيقية."},{"q":"هل علم البيانات لا يزال مهنة جيدة؟","a":"يظل علم البيانات مهنة قوية في دول كثيرة، لكنه أكثر تنافسية وتخصصًا مما كان عليه حين كان المجال جديدًا. ويتوقع أصحاب العمل الآن إتقانًا راسخًا للإحصاء والهندسة، لا مجرد معرفة الأدوات الشائعة. ومن يجمعون بين المهارات التقنية ومعرفة قطاع معين، مثل الصحة أو التمويل، غالبًا ما يكون لديهم أفضلية."}]},"zh":{"name":"数据科学家","altNames":["应用科学家","机器学习科学家","决策科学家","数据科学专家"],"metaDescription":"数据科学家做什么工作、需要哪些学位和技能、人们如何转行进入数据科学领域，以及来自美国和世界各地的官方薪资数据。","summary":"数据科学家运用统计学、编程和机器学习在数据中寻找规律，帮助机构做出决策或打造数据驱动的产品。大多数人拥有数学、统计学、计算机科学、物理学或经济学等量化专业的学位，许多雇主更青睐硕士或博士学历。他们活跃在科技、金融、医疗卫生、零售、政府和科研领域。","tasks":["与管理者和团队合作，把业务问题转化为数据能够解答的问题。","从数据库、文件和其他来源收集、清洗并整合数据。","探索数据，运用统计方法检验想法、衡量效果。","为预测或推荐等任务构建、测试并改进机器学习模型。","设计并分析实验，例如比较产品的两个不同版本。","用图表、报告和演讲向非专业人士清晰地呈现结果。","与工程师合作把模型投入实际产品，并监控其表现。"],"skills":["统计学与概率论","使用Python或R编程","SQL与数据库操作","机器学习方法","数据清洗与可视化","实验设计","向非技术人员解释结果","好奇心与批判性思维"],"workSettings":"数据科学家受雇于科技公司、银行、保险公司、零售商、医院、咨询公司、科研机构、国家统计局和公共卫生机构。大多数人与数据工程师、分析师和产品经理组成团队工作。混合办公和远程工作很常见。这份工作以电脑操作为主，围绕项目展开，既有独立分析，也有会议和演示。在较小的机构中，一个人可能要包揽从收集数据到汇报结果的全部工作。","howToBecome":"大多数数据科学家至少拥有数学、统计学、计算机科学、数据科学、物理学或经济学等量化专业的学士学位。许多雇主，尤其是研究性质较强的岗位，更青睐硕士或博士学历。实际技能与学历同样重要。你应该熟练掌握Python或R、SQL和核心统计方法，并拥有能展示自己如何用数据解决实际问题的项目经历。许多人先从数据分析师或软件开发工程师做起，再凭经验转入数据科学领域。面试中通常包含统计学问题以及编程或案例分析任务。","routes":[{"title":"大学学位","text":"数据科学、统计学、数学、计算机科学或相关专业的学士学位能为你打下基础。攻读一到两年制的数据科学、统计学或机器学习硕士是常见的下一步，雇主招聘更高阶岗位时往往会要求这一学历。"},{"title":"转专业硕士或博士","text":"物理学、生物学、心理学、经济学或工程学等专业的毕业生常常通过转专业硕士进入数据科学领域。涉及大量数据分析或建模的博士学位也是一条有力的途径，尤其是对于科研和专业机器学习岗位。"},{"title":"从相关岗位晋升","text":"许多数据科学家最初担任数据分析师、软件开发工程师或研究员，通过在职实践或在线课程积累统计学和机器学习技能。仅凭短期课程很少能直接进入数据科学家岗位，因此作品集和相关工作经验非常重要。"}],"regulation":"数据科学不是受监管的职业，因此从事这份工作不需要执照。不过，这项工作受到数据保护和隐私法律的约束，这些法律在不同国家和欧盟等地区有所不同。一些政府也在为人工智能和自动化决策引入相关规则。多个国家的统计学专业机构为数据科学家提供自愿性的资质认证。","progression":["初级数据科学家","数据科学家","高级数据科学家","首席或主任数据科学家","数据科学负责人或首席数据官"],"outlook":"机构收集的数据比以往任何时候都多，并希望将其用于预测、个性化和自动化，因此数据科学技能在许多行业仍保持旺盛需求。这份职业正在发生变化：自动化机器学习和人工智能助手如今能处理更多常规建模和编程工作。因此，雇主越来越看重扎实的统计功底、行业知识、良好的判断力和解释结果的能力。入门级岗位竞争激烈，职位名称也千差万别，因此要仔细阅读职位描述。","faqs":[{"q":"成为数据科学家需要硕士学位吗？","a":"不一定，但会有帮助。许多数据科学家拥有硕士或博士学位，一些雇主也将其列为要求。也有雇主招募拥有扎实量化专业学士学位的毕业生，尤其是当他们有相关项目、实习经历或数据分析师工作经验时。"},{"q":"数据科学家和数据分析师有什么区别？","a":"数据分析师主要描述已经发生的事情，使用SQL、电子表格和仪表盘来汇报趋势。数据科学家通常走得更远，构建统计和机器学习模型来预测结果或实现决策自动化。在实践中，这两个头衔常有重叠，具体差异取决于雇主。"},{"q":"哪个专业最适合数据科学？","a":"数学、统计学、计算机科学和数据科学专业是最直接的选择。物理学、经济学、工程学等统计和编程含量高的专业也能通向这一领域。无论学什么专业，都要修读统计学、编程和机器学习课程，并用真实数据打造项目。"},{"q":"数据科学仍然是一份好职业吗？","a":"在许多国家，数据科学依然是一份有前景的职业，但相比这一领域兴起之初，如今竞争更激烈、分工也更专业化。雇主如今期望扎实的统计和工程能力，而不仅仅是熟悉热门工具。将技术能力与医疗或金融等行业知识结合起来的人往往更具优势。"}]},"ja":{"name":"データサイエンティスト","altNames":["アプライドサイエンティスト","機械学習サイエンティスト","データサイエンス専門家"],"metaDescription":"データサイエンティストの仕事内容、必要な学位とスキル、データサイエンスへの転向方法、米国と世界各国の公式給与データを紹介します。","summary":"データサイエンティストは、統計学、プログラミング、機械学習を使ってデータの中からパターンを見つけ出し、組織の意思決定やデータ駆動型製品の構築を支援します。多くは数学、統計学、コンピュータサイエンス、物理学、経済学などの定量的な分野の学位を持ち、修士号や博士号を求める雇用主も少なくありません。テクノロジー、金融、医療、小売、行政、研究の分野で働いています。","tasks":["経営層やチームと協力し、ビジネス上の問いをデータで答えられる問題に落とし込む。","データベースやファイルなどさまざまな情報源からデータを収集し、整理・統合する。","データを探索し、統計的手法を使って仮説を検証し、効果を測定する。","予測やレコメンデーションなどのタスク向けに機械学習モデルを構築、検証、改善する。","製品の2つのバージョンを比較する場合など、実験を設計し分析する。","専門家ではない人に向けて、グラフやレポート、発表を通じて結果をわかりやすく示す。","エンジニアと協力してモデルを実際の製品に組み込み、その性能を監視する。"],"skills":["統計学と確率論","PythonまたはRによるプログラミング","SQLとデータベースの扱い","機械学習の手法","データクレンジングと可視化","実験計画","非技術者への結果の説明","好奇心と批判的思考力"],"workSettings":"データサイエンティストは、テクノロジー企業、銀行、保険会社、小売業者、病院、コンサルティング会社、研究機関、国の統計局、公衆衛生機関で働いています。多くはデータエンジニアやアナリスト、プロダクトマネージャーとチームを組んで働きます。ハイブリッドワークやリモートワークは一般的です。業務はコンピュータ上で行われ、プロジェクト単位で進められ、独立した分析作業と会議や発表を組み合わせて行います。小規模な組織では、データ収集から結果の報告まで1人で担当することもあります。","howToBecome":"ほとんどのデータサイエンティストは、数学、統計学、コンピュータサイエンス、データサイエンス、物理学、経済学など定量的な分野で少なくとも学士号を取得しています。特に研究色の強い職種では、修士号や博士号を求める雇用主も少なくありません。資格と同じくらい実践的なスキルも重要です。PythonまたはR、SQL、統計学の基礎に自信を持ち、実際の問題をデータで解決した経験を示すプロジェクトを持っておく必要があります。多くの人はデータアナリストやソフトウェア開発者として働き始め、経験を積んでデータサイエンスに移ります。面接では統計学の問題やコーディング・ケーススタディの課題が出されることがよくあります。","routes":[{"title":"大学の学位","text":"データサイエンス、統計学、数学、コンピュータサイエンス、あるいは関連分野の学士号が基礎になります。その次のステップとしては、データサイエンス、統計学、機械学習の1〜2年制の修士課程が一般的で、より高度な職種では雇用主が修士号を求めることもよくあります。"},{"title":"コンバージョン修士課程・博士課程","text":"物理学、生物学、心理学、経済学、工学などの分野の卒業生は、コンバージョン修士課程を通じてデータサイエンスに転向することがよくあります。データ分析やモデリングを多く扱う博士課程も、特に研究職や専門的な機械学習の職種にとって有力なルートです。"},{"title":"関連職からのキャリアアップ","text":"多くのデータサイエンティストは、まずデータアナリストやソフトウェア開発者、研究者として働き、仕事の中やオンライン講座を通じて統計学や機械学習のスキルを身につけます。短期講座だけでいきなりデータサイエンティスト職に就くことはめったにないため、ポートフォリオと関連する実務経験が重要です。"}],"regulation":"データサイエンスは規制対象の職業ではないため、データサイエンティストとして働くのに免許は必要ありません。ただし、この仕事はデータ保護・プライバシー法の影響を受け、これらの法律は欧州連合（EU）など国や地域によって異なります。AIや自動化された意思決定に関するルールを導入し始めている政府もあります。複数の国の統計学に関する専門職団体が、データサイエンティスト向けの任意の認定制度を提供しています。","progression":["ジュニアデータサイエンティスト","データサイエンティスト","シニアデータサイエンティスト","リード・プリンシパルデータサイエンティスト","データサイエンス責任者・最高データ責任者（CDO）"],"outlook":"組織がこれまで以上に多くのデータを収集し、予測やパーソナライゼーション、自動化に活用しようとしているため、データサイエンスのスキルは多くの分野で需要が続いています。この職種は変化しつつあります。自動化された機械学習やAIアシスタントが、より定型的なモデリングやコーディングを担うようになっているためです。その結果、雇用主は統計学の実力、業界知識、優れた判断力、結果を説明する力をますます重視するようになっています。未経験者向けの職種は競争が激しく、職種名も大きく異なるため、求人内容をよく確認する必要があります。","faqs":[{"q":"データサイエンティストになるのに修士号は必要ですか？","a":"必ずしも必要ではありませんが、あると有利です。多くのデータサイエンティストは修士号や博士号を持ち、それを条件に挙げる雇用主もいます。一方で、定量的な分野でしっかりした学士号を持つ卒業生を採用する雇用主もあり、特に関連するプロジェクトやインターンシップ、データアナリストとしての経験があれば有利です。"},{"q":"データサイエンティストとデータアナリストの違いは何ですか？","a":"データアナリストは主にSQLやスプレッドシート、ダッシュボードを使って、これまでに起きたことを説明し、傾向を報告します。データサイエンティストは通常さらに踏み込み、統計モデルや機械学習モデルを構築して結果を予測したり意思決定を自動化したりします。実際には両者の呼び方は重なり合っており、違いは雇用主によって異なります。"},{"q":"データサイエンスに最適な専攻は何ですか？","a":"数学、統計学、コンピュータサイエンス、データサイエンスの学位が最も直接的な選択肢です。物理学、経済学、工学など統計学やプログラミングを多く扱う分野も、この分野につながります。何を専攻するにしても、統計学やプログラミング、機械学習の講義を受け、実データを使ったプロジェクトに取り組みましょう。"},{"q":"データサイエンスは今も良いキャリアですか？","a":"データサイエンスは多くの国で今も有力なキャリアですが、この分野がまだ新しかった頃と比べると競争が激しく、より専門化しています。雇用主は今や、人気ツールの知識だけでなく、しっかりした統計学とエンジニアリングのスキルを求めています。技術スキルに医療や金融などの業界知識を組み合わせられる人は、有利になることが多いです。"}]},"ko":{"name":"데이터 과학자","altNames":["응용과학자","머신러닝 과학자","의사결정 과학자","데이터과학 전문가"],"metaDescription":"데이터 과학자가 하는 일, 필요한 학위와 역량, 데이터과학으로 진입하는 방법, 미국과 세계 각국의 공식 연봉 데이터를 정리했습니다.","summary":"데이터 과학자는 통계, 프로그래밍, 머신러닝을 활용해 데이터에서 패턴을 찾고 조직이 의사결정을 내리거나 데이터 기반 제품을 만들도록 돕습니다. 대부분 수학, 통계학, 컴퓨터과학, 물리학, 경제학 같은 정량적 전공 학위를 가지고 있으며, 많은 고용주가 석사나 박사 학위를 선호합니다. 기술, 금융, 보건의료, 유통, 정부, 연구 분야에서 일합니다.","tasks":["매니저, 팀과 협력해 업무상 질문을 데이터로 답할 수 있는 문제로 바꿉니다.","데이터베이스, 파일, 그 밖의 출처에서 데이터를 수집하고 정제하고 결합합니다.","데이터를 탐색하고 통계 기법으로 가설을 검증하고 효과를 측정합니다.","예측이나 추천 같은 과제를 위한 머신러닝 모델을 만들고 테스트하고 개선합니다.","예를 들어 제품의 두 버전을 비교하기 위해 실험을 설계하고 분석합니다.","비전문가를 위해 차트, 보고서, 발표로 결과를 명확하게 전달합니다.","엔지니어와 협력해 모델을 실제 제품에 적용하고 성능을 관찰합니다."],"skills":["통계와 확률","파이썬이나 R을 활용한 프로그래밍","SQL과 데이터베이스 활용","머신러닝 기법","데이터 정제와 시각화","실험 설계","비전문가에게 결과 설명하기","호기심과 비판적 사고"],"workSettings":"데이터 과학자는 기술 기업, 은행, 보험사, 유통업체, 병원, 컨설팅사, 연구소, 국가통계기관, 공중보건기관에서 일합니다. 대부분 데이터 엔지니어, 분석가, 프로덕트 매니저와 팀을 이루어 일합니다. 하이브리드와 재택근무가 흔합니다. 업무는 컴퓨터로 이루어지며 프로젝트 단위로 조직되고, 독립적인 분석과 회의, 발표가 섞여 있습니다. 소규모 조직에서는 한 사람이 데이터 수집부터 결과 보고까지 모두 맡기도 합니다.","howToBecome":"대부분의 데이터 과학자는 수학, 통계학, 컴퓨터과학, 데이터과학, 물리학, 경제학 같은 정량적 전공의 학사 학위를 최소 조건으로 갖추고 있습니다. 특히 연구 비중이 큰 직무에서는 많은 고용주가 석사나 박사 학위를 선호합니다. 자격만큼이나 실무 능력이 중요합니다. 파이썬이나 R, SQL, 핵심 통계에 능숙해야 하며 실제 문제를 데이터로 해결한 프로젝트가 있어야 합니다. 많은 사람이 데이터 분석가나 소프트웨어 개발자로 시작해 경험을 쌓으며 데이터과학으로 옮겨 갑니다. 면접에는 흔히 통계 문제와 코딩 또는 사례 연구 과제가 포함됩니다.","routes":[{"title":"대학 학위","text":"데이터과학, 통계학, 수학, 컴퓨터과학이나 관련 전공의 학사 학위가 기초가 됩니다. 데이터과학, 통계학, 머신러닝 분야의 1~2년 석사 과정이 흔한 다음 단계이며, 고용주는 더 상위 직무에서 이를 요구하는 경우가 많습니다."},{"title":"전환 석사 또는 박사 과정","text":"물리학, 생물학, 심리학, 경제학, 공학 같은 전공의 졸업생은 흔히 전환 석사 과정을 통해 데이터과학으로 옮겨 갑니다. 데이터 분석이나 모델링 비중이 큰 박사 학위도 특히 연구직과 전문 머신러닝 직무에 강력한 경로입니다."},{"title":"관련 직무에서 이동","text":"많은 데이터 과학자가 처음에는 데이터 분석가, 소프트웨어 개발자, 연구원으로 일하며 현장이나 온라인 강좌를 통해 통계와 머신러닝 역량을 쌓습니다. 짧은 강좌만으로 곧바로 데이터 과학자 직무로 이어지는 경우는 드물어 포트폴리오와 관련 실무 경험이 중요합니다."}],"regulation":"데이터과학은 규제 직종이 아니므로 데이터 과학자로 일하는 데 면허가 필요하지 않습니다. 다만 이 일은 유럽연합처럼 국가와 지역마다 다른 데이터 보호와 개인정보 관련 법의 영향을 받습니다. 일부 정부는 AI와 자동화된 의사결정에 관한 규정도 도입하고 있습니다. 여러 나라의 통계학자 전문 단체는 데이터 과학자를 위한 자율 인증 제도를 운영합니다.","progression":["주니어 데이터 과학자","데이터 과학자","시니어 데이터 과학자","리드 또는 수석 데이터 과학자","데이터과학 총괄 또는 최고데이터책임자"],"outlook":"조직들이 그 어느 때보다 많은 데이터를 수집해 예측, 개인화, 자동화에 활용하려 하므로 데이터과학 역량은 여러 분야에서 계속 수요가 있습니다. 다만 직무의 성격은 변하고 있습니다. 자동화된 머신러닝과 AI 어시스턴트가 이제 더 반복적인 모델링과 코딩을 처리합니다. 그 결과 고용주는 탄탄한 통계 지식, 산업 이해, 올바른 판단력, 결과를 설명하는 능력을 점점 더 중시합니다. 신입 직무는 경쟁이 치열하고 직함도 다양하게 쓰이므로 채용 공고를 꼼꼼히 읽어야 합니다.","faqs":[{"q":"데이터 과학자가 되려면 석사 학위가 필요한가요?","a":"항상 그렇지는 않지만 도움이 됩니다. 많은 데이터 과학자가 석사나 박사 학위를 가지고 있으며, 일부 고용주는 이를 요구 조건으로 명시합니다. 관련 프로젝트나 인턴십, 데이터 분석가 경험이 있다면 정량적 전공의 탄탄한 학사 학위만으로 채용하는 곳도 있습니다."},{"q":"데이터 과학자와 데이터 분석가는 어떻게 다른가요?","a":"데이터 분석가는 SQL, 스프레드시트, 대시보드를 사용해 이미 일어난 일을 주로 설명하고 추세를 보고합니다. 데이터 과학자는 보통 한 걸음 더 나아가 결과를 예측하거나 의사결정을 자동화하는 통계·머신러닝 모델을 만듭니다. 실제로는 두 직함이 겹치며 차이는 고용주에 따라 달라집니다."},{"q":"데이터과학에는 어떤 전공이 가장 좋은가요?","a":"수학, 통계학, 컴퓨터과학, 데이터과학 학위가 가장 직접적인 선택입니다. 물리학, 경제학, 공학 등 통계와 프로그래밍 비중이 큰 전공도 이 분야로 이어집니다. 무엇을 전공하든 통계, 프로그래밍, 머신러닝 강좌를 듣고 실제 데이터로 프로젝트를 만드십시오."},{"q":"데이터과학은 여전히 좋은 직업인가요?","a":"데이터과학은 많은 나라에서 여전히 유망한 직업이지만, 이 분야가 새로웠던 시절보다 경쟁이 치열하고 전문화되었습니다. 고용주는 이제 인기 있는 도구를 다루는 지식만이 아니라 탄탄한 통계와 엔지니어링 역량을 기대합니다. 기술 역량에 보건이나 금융 같은 산업 지식을 더한 사람이 흔히 더 유리합니다."}]},"hi":{"name":"डेटा साइंटिस्ट","altNames":["एप्लाइड साइंटिस्ट","मशीन लर्निंग साइंटिस्ट","डिसीज़न साइंटिस्ट","डेटा साइंस स्पेशलिस्ट"],"metaDescription":"डेटा साइंटिस्ट क्या काम करते हैं, इसके लिए ज़रूरी डिग्री और कौशल, लोग डेटा साइंस में कैसे आते हैं, और अमेरिका व दुनिया भर के आधिकारिक वेतन आँकड़े।","summary":"डेटा साइंटिस्ट डेटा में पैटर्न ढूँढने और संगठनों को निर्णय लेने या डेटा-आधारित प्रोडक्ट बनाने में मदद करने के लिए सांख्यिकी, प्रोग्रामिंग और मशीन लर्निंग का इस्तेमाल करते हैं। ज़्यादातर के पास गणित, सांख्यिकी, कंप्यूटर साइंस, भौतिकी या अर्थशास्त्र जैसे किसी संख्यात्मक विषय की डिग्री होती है, और कई नियोक्ता मास्टर डिग्री या पीएचडी को प्राथमिकता देते हैं। ये टेक्नोलॉजी, फ़ाइनेंस, स्वास्थ्य सेवा, रिटेल, सरकार और शोध में काम करते हैं।","tasks":["मैनेजरों और टीमों के साथ मिलकर बिज़नेस के सवालों को ऐसी समस्याओं में बदलना जिनका जवाब डेटा दे सके।","डेटाबेस, फ़ाइलों और दूसरे स्रोतों से डेटा इकट्ठा करना, साफ़ करना और जोड़ना।","डेटा को एक्सप्लोर करना और आइडिया टेस्ट करने व असर मापने के लिए सांख्यिकीय तरीक़ों का इस्तेमाल करना।","फ़ोरकास्टिंग या सिफ़ारिशों जैसे कामों के लिए मशीन लर्निंग मॉडल बनाना, टेस्ट करना और बेहतर बनाना।","प्रयोग डिज़ाइन करना और उनका विश्लेषण करना, जैसे किसी प्रोडक्ट के दो वर्ज़न की तुलना करना।","ग़ैर-विशेषज्ञों के लिए चार्ट, रिपोर्ट और बातचीत के ज़रिए नतीजों को साफ़-साफ़ पेश करना।","इंजीनियरों के साथ मिलकर मॉडल को असल प्रोडक्ट में डालना और उनका प्रदर्शन देखना।"],"skills":["सांख्यिकी और प्रोबेबिलिटी","पायथन या R में प्रोग्रामिंग","SQL और डेटाबेस के साथ काम करना","मशीन लर्निंग के तरीक़े","डेटा क्लीनिंग और विज़ुअलाइज़ेशन","प्रयोग डिज़ाइन","ग़ैर-तकनीकी लोगों को नतीजे समझाना","जिज्ञासा और आलोचनात्मक सोच"],"workSettings":"डेटा साइंटिस्ट टेक्नोलॉजी कंपनियों, बैंकों, बीमा कंपनियों, रिटेलरों, अस्पतालों, कंसल्टेंसी, शोध संस्थानों, राष्ट्रीय सांख्यिकी कार्यालयों और जन स्वास्थ्य निकायों के लिए काम करते हैं। ज़्यादातर लोग डेटा इंजीनियरों, एनालिस्टों और प्रोडक्ट मैनेजरों के साथ टीम में काम करते हैं। हाइब्रिड और रिमोट वर्क आम है। काम कंप्यूटर पर होता है और प्रोजेक्ट्स के इर्द-गिर्द व्यवस्थित होता है, जिसमें स्वतंत्र विश्लेषण, मीटिंग और प्रेज़ेंटेशन का मिश्रण होता है। छोटे संगठनों में एक ही व्यक्ति डेटा इकट्ठा करने से लेकर नतीजे रिपोर्ट करने तक सब कुछ कर सकता है।","howToBecome":"ज़्यादातर डेटा साइंटिस्ट के पास कम से कम गणित, सांख्यिकी, कंप्यूटर साइंस, डेटा साइंस, भौतिकी या अर्थशास्त्र जैसे किसी संख्यात्मक विषय में बैचलर डिग्री होती है। कई नियोक्ता, ख़ासकर रिसर्च-भारी भूमिकाओं के लिए, मास्टर डिग्री या पीएचडी को प्राथमिकता देते हैं। व्यावहारिक कौशल क्वालिफ़िकेशन जितने ही मायने रखते हैं। आपको पायथन या R, SQL और मुख्य सांख्यिकी में सहज होना चाहिए, और ऐसे प्रोजेक्ट्स होने चाहिए जो दिखाएँ कि आपने डेटा से असल समस्याएँ कैसे सुलझाईं। कई लोग डेटा एनालिस्ट या सॉफ़्टवेयर डेवलपर के तौर पर शुरुआत करते हैं और अनुभव के साथ डेटा साइंस में जाते हैं। इंटरव्यू में अक्सर सांख्यिकी के सवाल और कोडिंग या केस-स्टडी टास्क शामिल होते हैं।","routes":[{"title":"यूनिवर्सिटी डिग्री","text":"डेटा साइंस, सांख्यिकी, गणित, कंप्यूटर साइंस या किसी संबंधित विषय में बैचलर डिग्री आपको बुनियाद देती है। डेटा साइंस, सांख्यिकी या मशीन लर्निंग में एक या दो साल की मास्टर डिग्री अगला आम क़दम है, और नियोक्ता अक्सर ज़्यादा उन्नत भूमिकाओं के लिए इसकी माँग करते हैं।"},{"title":"कन्वर्ज़न मास्टर डिग्री या पीएचडी","text":"भौतिकी, जीव विज्ञान, मनोविज्ञान, अर्थशास्त्र या इंजीनियरिंग जैसे विषयों के ग्रेजुएट अक्सर कन्वर्ज़न मास्टर डिग्री के ज़रिए डेटा साइंस में आते हैं। बहुत ज़्यादा डेटा विश्लेषण या मॉडलिंग वाली पीएचडी भी एक मज़बूत रास्ता है, ख़ासकर शोध और विशेषज्ञ मशीन लर्निंग भूमिकाओं के लिए।"},{"title":"संबंधित नौकरी से आगे बढ़ना","text":"कई डेटा साइंटिस्ट पहले डेटा एनालिस्ट, सॉफ़्टवेयर डेवलपर या रिसर्चर के तौर पर काम करते हैं और नौकरी करते हुए या ऑनलाइन कोर्स के ज़रिए सांख्यिकी व मशीन लर्निंग के कौशल बनाते हैं। अकेले छोटे कोर्स शायद ही कभी सीधे डेटा साइंटिस्ट की भूमिका तक ले जाते हैं, इसलिए पोर्टफ़ोलियो और संबंधित कार्य अनुभव ज़रूरी हैं।"}],"regulation":"डेटा साइंस एक विनियमित पेशा नहीं है, इसलिए डेटा साइंटिस्ट के तौर पर काम करने के लिए आपको लाइसेंस की ज़रूरत नहीं है। हालाँकि, यह काम डेटा प्रोटेक्शन और प्राइवेसी क़ानूनों से आकार लेता है, जो यूरोपीय संघ जैसे देशों और क्षेत्रों के बीच अलग-अलग होते हैं। कुछ सरकारें AI और स्वचालित निर्णयों पर नियम भी ला रही हैं। कई देशों में सांख्यिकीविदों की पेशेवर संस्थाएँ डेटा साइंटिस्ट के लिए स्वैच्छिक एक्रेडिटेशन देती हैं।","progression":["जूनियर डेटा साइंटिस्ट","डेटा साइंटिस्ट","सीनियर डेटा साइंटिस्ट","लीड या प्रिंसिपल डेटा साइंटिस्ट","हेड ऑफ़ डेटा साइंस या चीफ़ डेटा ऑफ़िसर"],"outlook":"संगठन पहले से कहीं ज़्यादा डेटा इकट्ठा करते हैं और इसे फ़ोरकास्टिंग, पर्सनलाइज़ेशन और ऑटोमेशन के लिए इस्तेमाल करना चाहते हैं, इसलिए कई क्षेत्रों में डेटा साइंस कौशल की माँग बनी हुई है। यह भूमिका बदल रही है। ऑटोमेटेड मशीन लर्निंग और AI असिस्टेंट अब ज़्यादा नियमित मॉडलिंग और कोडिंग सँभालते हैं। नतीजतन, नियोक्ता मज़बूत सांख्यिकी, किसी क्षेत्र की जानकारी, अच्छे निर्णय और नतीजे समझाने की क्षमता को तेज़ी से ज़्यादा अहमियत देते हैं। एंट्री-लेवल भूमिकाएँ प्रतिस्पर्धी हैं, और जॉब टाइटल काफ़ी अलग-अलग होते हैं, इसलिए नौकरी के विवरण ध्यान से पढ़ें।","faqs":[{"q":"क्या डेटा साइंटिस्ट बनने के लिए मास्टर डिग्री ज़रूरी है?","a":"हमेशा नहीं, लेकिन इससे मदद मिलती है। कई डेटा साइंटिस्ट के पास मास्टर डिग्री या पीएचडी है, और कुछ नियोक्ता इसे शर्त के तौर पर लिखते हैं। दूसरे किसी संख्यात्मक विषय में मज़बूत बैचलर डिग्री वाले ग्रेजुएट को नौकरी देते हैं, ख़ासकर अगर उनके पास संबंधित प्रोजेक्ट्स, इंटर्नशिप या डेटा एनालिस्ट के तौर पर अनुभव हो।"},{"q":"डेटा साइंटिस्ट और डेटा एनालिस्ट में क्या अंतर है?","a":"डेटा एनालिस्ट मुख्य रूप से यह बताते हैं कि क्या हुआ है, SQL, स्प्रेडशीट और डैशबोर्ड का इस्तेमाल करते हुए ट्रेंड रिपोर्ट करते हैं। डेटा साइंटिस्ट आमतौर पर आगे बढ़कर नतीजों का अनुमान लगाने या निर्णयों को स्वचालित करने के लिए सांख्यिकीय और मशीन लर्निंग मॉडल बनाते हैं। असल में दोनों टाइटल ओवरलैप करते हैं, और अंतर नियोक्ता पर निर्भर करता है।"},{"q":"डेटा साइंस के लिए कौन-सी डिग्री सबसे अच्छी है?","a":"गणित, सांख्यिकी, कंप्यूटर साइंस और डेटा साइंस की डिग्रियाँ सबसे सीधे विकल्प हैं। भौतिकी, अर्थशास्त्र, इंजीनियरिंग और बहुत सारी सांख्यिकी व प्रोग्रामिंग वाले दूसरे विषय भी इस क्षेत्र तक ले जाते हैं। आप जो भी पढ़ें, सांख्यिकी, प्रोग्रामिंग और मशीन लर्निंग के कोर्स लें, और असल डेटा के साथ प्रोजेक्ट बनाएँ।"},{"q":"क्या डेटा साइंस अभी भी एक अच्छा करियर है?","a":"कई देशों में डेटा साइंस एक मज़बूत करियर बना हुआ है, लेकिन यह इस क्षेत्र के नए होने के समय से कहीं ज़्यादा प्रतिस्पर्धी और विशेषज्ञ हो गया है। नियोक्ता अब केवल लोकप्रिय टूल्स की जानकारी नहीं, बल्कि ठोस सांख्यिकी और इंजीनियरिंग कौशल की अपेक्षा रखते हैं। जो लोग तकनीकी कौशल को स्वास्थ्य या फ़ाइनेंस जैसे किसी क्षेत्र की जानकारी के साथ जोड़ते हैं, उन्हें अक्सर बढ़त मिलती है।"}]},"id":{"name":"Ilmuwan data","altNames":["Data scientist","Ilmuwan machine learning","Applied scientist","Spesialis sains data"],"metaDescription":"Cara menjadi ilmuwan data: gelar dan keterampilan yang dibutuhkan, cara orang beralih ke bidang ini, serta data gaji resmi dari AS dan seluruh dunia.","summary":"Ilmuwan data menggunakan statistika, pemrograman, dan machine learning untuk menemukan pola dalam data serta membantu organisasi mengambil keputusan atau membangun produk berbasis data. Sebagian besar memiliki gelar di bidang kuantitatif seperti matematika, statistika, ilmu komputer, fisika, atau ekonomi, dan banyak pemberi kerja lebih menyukai gelar magister atau doktor. Mereka bekerja di bidang teknologi, keuangan, kesehatan, ritel, pemerintahan, dan penelitian.","tasks":["Bekerja sama dengan manajer dan tim untuk mengubah pertanyaan bisnis menjadi masalah yang dapat dijawab dengan data.","Mengumpulkan, membersihkan, dan menggabungkan data dari basis data, berkas, dan sumber lain.","Menjelajahi data serta menggunakan metode statistik untuk menguji gagasan dan mengukur dampaknya.","Membangun, menguji, dan menyempurnakan model machine learning untuk tugas seperti peramalan atau rekomendasi.","Merancang dan menganalisis eksperimen, misalnya untuk membandingkan dua versi produk.","Menyajikan hasil secara jelas melalui grafik, laporan, dan presentasi bagi orang nonspesialis.","Bekerja sama dengan insinyur untuk menerapkan model ke produk nyata dan memantau kinerjanya."],"skills":["Statistika dan probabilitas","Pemrograman dengan Python atau R","SQL dan pengolahan basis data","Metode machine learning","Pembersihan dan visualisasi data","Perancangan eksperimen","Menjelaskan hasil kepada orang nonteknis","Rasa ingin tahu dan berpikir kritis"],"workSettings":"Ilmuwan data bekerja untuk perusahaan teknologi, bank, perusahaan asuransi, peritel, rumah sakit, konsultansi, lembaga penelitian, kantor statistik nasional, dan lembaga kesehatan masyarakat. Sebagian besar bekerja dalam tim bersama insinyur data, analis, dan manajer produk. Kerja hibrida dan jarak jauh sudah lazim. Pekerjaannya berbasis komputer dan disusun berdasarkan proyek, dengan perpaduan analisis mandiri, rapat, dan presentasi. Di organisasi yang lebih kecil, satu orang bisa mengerjakan semuanya, mulai dari mengumpulkan data hingga melaporkan hasil.","howToBecome":"Sebagian besar ilmuwan data setidaknya memiliki gelar sarjana di bidang kuantitatif, seperti matematika, statistika, ilmu komputer, sains data, fisika, atau ekonomi. Banyak pemberi kerja, terutama untuk peran yang berat pada riset, lebih menyukai gelar magister atau doktor. Keterampilan praktis sama pentingnya dengan kualifikasi. Anda harus mahir menggunakan Python atau R, SQL, dan statistika inti, serta memiliki proyek yang menunjukkan cara Anda memecahkan masalah nyata dengan data. Banyak orang memulai sebagai analis data atau pengembang perangkat lunak dan beralih ke sains data seiring pengalaman. Wawancara sering mencakup pertanyaan statistika serta tugas coding atau studi kasus.","routes":[{"title":"Gelar universitas","text":"Gelar sarjana di bidang sains data, statistika, matematika, ilmu komputer, atau jurusan terkait memberi Anda fondasi. Magister satu atau dua tahun di bidang sains data, statistika, atau machine learning adalah langkah lanjutan yang umum, dan pemberi kerja sering memintanya untuk peran yang lebih senior."},{"title":"Magister konversi atau doktor","text":"Lulusan dari jurusan seperti fisika, biologi, psikologi, ekonomi, atau teknik sering beralih ke sains data melalui magister konversi. Gelar doktor yang melibatkan banyak analisis atau pemodelan data juga menjadi jalur yang kuat, terutama untuk peran penelitian dan machine learning spesialis."},{"title":"Naik jenjang dari pekerjaan terkait","text":"Banyak ilmuwan data awalnya bekerja sebagai analis data, pengembang perangkat lunak, atau peneliti, lalu membangun keterampilan statistika dan machine learning di tempat kerja atau melalui kursus daring. Kursus singkat saja jarang langsung mengantarkan ke peran ilmuwan data, sehingga portofolio dan pengalaman kerja yang relevan sangat penting."}],"regulation":"Sains data bukan profesi yang diatur, sehingga Anda tidak memerlukan lisensi untuk bekerja sebagai ilmuwan data. Namun, pekerjaan ini dibentuk oleh undang-undang perlindungan data dan privasi, yang berbeda antarnegara dan kawasan seperti Uni Eropa. Sebagian pemerintah juga mulai memberlakukan aturan tentang AI dan keputusan otomatis. Badan profesi statistikawan di beberapa negara menawarkan akreditasi sukarela bagi ilmuwan data.","progression":["Ilmuwan data junior","Ilmuwan data","Ilmuwan data senior","Ilmuwan data utama atau lead","Kepala sains data atau chief data officer"],"outlook":"Organisasi mengumpulkan data lebih banyak dari sebelumnya dan ingin memanfaatkannya untuk peramalan, personalisasi, dan otomatisasi, sehingga keterampilan sains data tetap diminati di banyak sektor. Perannya sedang berubah. Machine learning otomatis dan asisten AI kini menangani lebih banyak pemodelan dan coding rutin. Akibatnya, pemberi kerja semakin menghargai statistika yang kuat, pengetahuan sektor, penilaian yang baik, dan kemampuan menjelaskan hasil. Posisi tingkat pemula bersifat kompetitif, dan sebutan jabatannya sangat beragam, jadi bacalah deskripsi pekerjaan dengan cermat.","faqs":[{"q":"Apakah Anda perlu gelar magister untuk menjadi ilmuwan data?","a":"Tidak selalu, tetapi membantu. Banyak ilmuwan data memiliki gelar magister atau doktor, dan sebagian pemberi kerja mencantumkannya sebagai syarat. Yang lain merekrut lulusan dengan gelar sarjana kuantitatif yang kuat, terutama jika mereka memiliki proyek relevan, magang, atau pengalaman sebagai analis data."},{"q":"Apa perbedaan antara ilmuwan data dan analis data?","a":"Analis data terutama menjelaskan apa yang telah terjadi, menggunakan SQL, spreadsheet, dan dasbor untuk melaporkan tren. Ilmuwan data biasanya melangkah lebih jauh dengan membangun model statistik dan machine learning untuk memprediksi hasil atau mengotomatiskan keputusan. Dalam praktiknya, kedua sebutan ini tumpang tindih, dan perbedaannya bergantung pada pemberi kerja."},{"q":"Gelar apa yang paling cocok untuk sains data?","a":"Matematika, statistika, ilmu komputer, dan sains data adalah pilihan paling langsung. Fisika, ekonomi, teknik, dan jurusan lain yang banyak melibatkan statistika dan pemrograman juga mengarah ke bidang ini. Apa pun jurusan Anda, ambillah mata kuliah statistika, pemrograman, dan machine learning, serta bangun proyek dengan data nyata."},{"q":"Apakah sains data masih karier yang bagus?","a":"Sains data tetap menjadi karier yang kuat di banyak negara, tetapi kini lebih kompetitif dan lebih terspesialisasi dibandingkan saat bidang ini masih baru. Pemberi kerja kini mengharapkan keterampilan statistika dan rekayasa yang solid, bukan sekadar pengetahuan tentang alat populer. Orang yang memadukan keterampilan teknis dengan pengetahuan suatu sektor, seperti kesehatan atau keuangan, sering kali memiliki keunggulan."}]}},"translated":{"en":true,"es":true,"pt":true,"fr":true,"de":true,"it":true,"ar":true,"zh":true,"ja":true,"ko":true,"hi":true,"id":true},"license":{"name":"CC BY 4.0","url":"https://creativecommons.org/licenses/by/4.0/"},"updated":"2026-09-26","publisher":"CourseToJob (Elite Digital AI Solutions Ltd)","site":"https://coursetojob.com/"}