Найм Data Engineer и Data Scientist в Беларуси: карта навыков и спрос в 2026 году

Одна из самых распространенных ошибок при найме data-специалистов — попытка объединить несколько профессий в одной вакансии. Компании ищут человека, который будет строить инфраструктуру данных, разрабатывать ML-модели, заниматься аналитикой и при этом укладываться в бюджет одной позиции.

На практике такой подход редко приводит к успешному найму. Рынок давно разделился на отдельные специализации, каждая из которых требует собственного набора навыков и опыта.

В этой статье расскажем, как сегодня выглядит data-рынок Беларуси, чем отличаются Data Engineer, Data Scientist, Data Analyst и ML Engineer, какие зарплатные диапазоны актуальны в 2026 году и где работодатели обычно находят сильных специалистов.

Четыре data-роли в 2026 году — и почему их до сих пор путают

Большая часть тех, кто приходит к нам с запросом на data scientist, на самом деле ищет data engineer. Заметная часть тех, кто пишет в запросе data engineer, иногда нуждается в analytics engineer. А категория AI engineer, которая заявила о себе в 2024–2025 годах, уже уменьшила часть и DS, и ML engineering. Первая задача в любом data-найме — понять, кого из четырёх сотрудников вам нужно нанять.

Data Engineer (DE). Пайплайны, хранилища, lakehouse-архитектура, потоковая инфраструктура. Владеет data-платформой целиком. Самая востребованная роль в 2026-м — и та, которую руководители найма чаще всего ошибочно выбирают.

Analytics Engineer. Промежуточный слой dbt-стиля. Тяжёлый SQL, преобразование данных под нужды аналитиков, выстраивание семантического слоя между сырыми данными и тем, что потребляют дальше. На локальном рынке специальность небольшая, но развивается. Чаще закрывается через переход DE в эту роль, чем через отдельных кандидатов.

Data Scientist (DS). Классическая статистика, моделирование, эксперименты, A/B-тесты, причинно-следственный анализ. Та роль, чья доля в спросе просела сильнее всех на фоне появления AI engineer — особенно на senior-уровне, где сильнейшие кандидаты всё чаще себя переименовывают.

ML Engineer / AI Engineer. Выводит модели в продакшн, отвечает за MLOps, всё чаще занимается LLM и RAG. Самая быстро растущая и самая высокооплачиваемая из четырёх в 2026 году. Пул людей с реальным опытом продакшн-LLM везде небольшой — Беларусь не исключение.

Практический вывод: до того как сесть писать описание вакансии, определитесь, кто из четырёх специалистов вам нужен. «Нам нужен человек, который умеет всё» — это та формулировка, которая даёт десять недель плохих собеседований. Выбираете одну роль, пишете описание под неё, закладываете бюджет под нужный уровень.

Что есть на белорусском рынке

Честная картина по ролям.

Data engineering — самая популярная специальность. Wargaming, банковская аналитика и агентская экосистема (EPAM, IBA, Itransition) пятнадцать с лишним лет растили DE-инженеров. Самый сильный слой для найма — mid и senior. Junior DE тоже есть, если готовы вкладываться в обучение.

Analytics engineering меньше по количеству, но развивается. Большинство кандидатов с сильным dbt-опытом — это бывшие DE, которые перешли в новую роль. Чистых AE-кандидатов меньше, и они кучкуются вокруг компаний со зрелыми data-платформами.

Классический data science уверенно на mid-уровне и меньше на principal. Сильнейшие senior DS всё чаще переименовываются в AI engineer — потому что там деньги. Чистые роли «статистика плюс эксперименты» получают меньше откликов, чем три года назад.

ML / AI engineering — самый поджатый сегмент по предложению. Сильный продакшн-опыт LLM и RAG — особенно редкая комбинация. Большинство тех, у кого он есть, уже где-то работают, и заметная часть в активном найме у международных компаний. За senior с реальным LLM-опытом вы заплатите больше и потратите больше времени.

Английский на senior-уровне сильнее у data engineer, чем у data scientist, — DE больше работает с международными клиентами через агентскую экосистему. У ML / AI engineer диапазон шире. Проверяйте на практике, а не предполагайте.

Карта навыков: что должно быть в резюме

По ролям. Инструменты называем как примеры категорий, без рекомендаций.

Data Engineer: карта навыков

Языки. Python и SQL — у всех. Scala ещё всплывает на старых Spark-проектах, но теряет популярность: если в резюме, это обычно многолетний проект, от которого кандидат сам пытается уйти.

Облако. AWS доминирует — в районе 70% senior-резюме. GCP активно растёт, особенно в компаниях, основанных за последние пять лет. Azure всплывает в энтерпрайз-окружении.

Хранилища. Snowflake и BigQuery делят между собой большинство современных стеков. Redshift — на старых AWS-проектах. ClickHouse — на аналитических нагрузках.

Lakehouse и форматы хранения. Databricks (Delta Lake) и Apache Iceberg оба встречаются. Обновление 2025–2026: Iceberg занял больше, чем ожидалось. Опыт работы с табличными форматами теперь идёт как отдельный навык в senior-резюме.

Оркестрация. Airflow по умолчанию. Dagster и Prefect — на более новых проектах. Смотрите на реальные проекты в резюме, а не на «знаком с».

Трансформации. dbt — стандарт для SQL-трансформаций. SQLMesh всплывает у небольшого числа новых проектов, но пока не стал рыночным ожиданием.

Потоковая обработка. Kafka везде, где это важно. Flink — на серьёзных задачах с низкой задержкой. Kinesis — на AWS-стеках.

Data Scientist: карта навыков

Языки. Python доминирует (Pandas, NumPy, scikit-learn). R встречается в резюме с академическим бэкграундом и популярность идёт на спад.

ML-фреймворки. PyTorch доминирует. TensorFlow — на старых проектах. JAX встречается в резюме людей с исследовательским уклоном.

Статистика. statsmodels и scipy — стандарт. PyMC для Bayesian-работы, что всё больше актуально для маркетинг-микс моделей и причинно-следственного анализа.

Эксперименты. Сильные DS-резюме показывают чёткий опыт A/B-тестирования и понимание causal inference. Размытое «проводил эксперименты» без методологии — повод копать на собеседовании.

Ноутбуки и трекинг экспериментов. Jupyter везде. Databricks notebooks — на lakehouse-стеках. MLflow — самый частый трекер; Weights & Biases широко используют в глубоких ML-командах.

ML / AI Engineer: карта навыков

Вывод в продакшн. MLflow, BentoML, KServe и кастомные Kubernetes-сборки. Линия между mid и senior именно здесь: модель локально обучали все, в продакшн с реальным трафиком вывели меньше.

Feature stores. Feast встречается чаще всего. Tecton — на более энтерпрайзных сетапах. Hopsworks изредка.

LLM и RAG (главный отличительный признак 2026 года). LangChain (постепенно уходит в пользу LangGraph), LlamaIndex, векторные базы (Qdrant, Weaviate, pgvector), работа с эмбеддингами, оценка retrieval. Сильные кандидаты имеют реальный опыт хотя бы с одной open-weights моделью (Llama, Mistral, Qwen) — кроме очевидных закрытых API.

MLOps. Kubeflow в более зрелых сетапах. Связки Airflow + MLflow остаются распространёнными. ZenML — на новых проектах.

Профили на Hugging Face (публичные модели, датасеты, Spaces) и Kaggle (соревнования с медалями) — более сильный сигнал для ML- и DS-кандидатов соответственно, чем что бы то ни было в LinkedIn. Стоит проверить до первого собеседования.

Зарплаты в 2026 году

Две таблицы, в EUR gross в месяц, fully loaded для резидента Беларуси. Корректируйте под свою валюту, модель работы (EOR vs собственное юрлицо) и дополнительные бенефиты.

Data Engineer

Уровень	Опыт, лет	В месяц (EUR, gross)	Заметки
Junior	1–2	€1 500–2 300	В основном из агентских программ или младшей аналитики
Middle	3–5	€2 500–4 000	Самый глубокий слой рынка DE
Senior	5–8	€4 000–6 500	Сюда идёт основная масса международного найма
Lead / Principal	8+	€6 500–9 000+	Владельцы платформ, масштаб на несколько команд

Data Scientist и ML / AI Engineer

Уровень	Опыт, лет	В месяц (EUR, gross)	Заметки
Junior DS	1–2	€1 400–2 200	В основном PhD или после буткемпа
Middle DS	3–5	€2 400–3 800	Рынок достаточно глубокий
Senior DS / ML Engineer	5–8	€4 000–6 800	ML Engineer ближе к верху диапазона
Lead / Principal / AI Engineer	8+	€6 800–9 500+	Специалисты по LLM/RAG в верхней части

Заметки к цифрам.

Категория AI engineer подняла senior-диапазон в 2025–2026 годах — особенно у тех, у кого есть продакшн-опыт LLM, агентных систем или RAG. Мы видим офферы в верхней части диапазона Lead / Principal для инженеров с двумя годами продакшн-работы с LLM, даже если их формальный тайтл всё ещё ML Engineer.

Роли junior DS становится труднее защищать в компаниях, которые вкладываются в AI engineer вместо них. Если у вас есть бюджет на младшего data-специалиста в 2026 году, чаще больше пользы будет от младшего DE, который может потом дорасти до analytics engineering, чем от младшего DS на рынке, где сама senior-роль, в которую он бы дорастал, сжимается.

Переход DE → AI engineer оплачивается лучше, чем DS → AI engineer, потому что инфраструктурная база ближе. Полезно знать, если консультируете текущих сотрудников по карьерному направлению.

Резидентство ПВТ держит подоходный налог на уровне 9% вместо стандартных 13% — это заметно влияет на take-home, особенно на senior-уровнях. Налоговую и операционную часть мы подробнее разбираем в гайде по ПВТ.

Где искать: каналы и ожидания

У каждого канала своя работа. Что можно найти через каждый.

Доски вакансий. Стандарт для локального IT-пула, включая data-роли. Если нанимаете больше одной data-роли в квартал — держите страницу работодателя.

Habr Career. Особенно силён под data и ML. Это платформа, на которой русскоязычные data engineer и data scientist были наиболее активны. Профили здесь часто свежее и подробнее, чем у того же кандидата в LinkedIn.

Сообщество ODS (Open Data Science). Русскоязычное сообщество data scientist и ML engineer. Искать через него напрямую — это уже навык локального рекрутера, но знать про него стоит. Большая часть разговоров по senior DS и ML в регионе идёт именно там.

Профили на Kaggle. Более сильный сигнал именно для data scientist. Заметная история на Kaggle, где недавняя активность — коррелирует с реальным навыком моделирования. Для DE и AI engineer Kaggle — слабый показатель: сильному DE он не нужен, а сильный AI engineer обычно слишком занят продакшном, чтобы соревноваться.

Профили на Hugging Face. Ближайший аналог для ML / AI engineer. Публичные модели, датасеты и Spaces — сильный сигнал реального опыта работы с LLM.

LinkedIn Recruiter. Работает на senior DE и ML engineering. Слабее на mid: многие сильные data engineer держат скромный LinkedIn-профиль. Сообщество data scientist в LinkedIn работают ещё реже.

GitHub. Сильный инструмент для DE и AI engineer. Фильтруйте по вкладам в релевантные проекты — операторы для Airflow, dbt-пакеты, тулинг для ML или LLM. Объём ниже, чем у job-бордов, но количество на senior-уровне ощутимо лучше.

Telegram-каналы. Активные русскоязычные каналы под data и ML недооценены и постоянно меняются. Локальный сорсер, который держит руку на пульсе, добавляет реальную ценность.

Специализированный рекрутмент. Если нанимаете больше одной data-роли в квартал, партнёрство с агентством начинает иметь смысл по ROI — особенно по AI engineering, где поиск идёт дольше. Наш сервис IT-рекрутмента работает с DE, DS и ML / AI engineering как с базовыми специализациями.

Примерное распределение каналов на типичный senior data-поиск: 30% job-борды (dev.by, Habr Career), 30% прямой поиск (LinkedIn + GitHub + Kaggle или Hugging Face), 25% рефералы по нетворку (локальное data-сообщество небольшое и знает само себя), 15% специализированные агентства.

Антипаттерны в описаниях вакансий, которые срывают data-найм

Пять ошибок, которые мы видим каждую неделю.

1. «Data scientist, который ещё и пайплайны строит». Это тот самый единорог. Выбираете одну роль и пишете описание под неё. Запрос на обе не даёт ни одну, ни другую на нужном уровне.
2. Нет упоминания стека. «Современный data-стек» — это словосочетание, а не описание вакансии. Назовите хранилище, оркестратор и ключевые инструменты. Сильные кандидаты фильтруют по этому ещё до решения отвечать.
3. Требование Kaggle Grandmaster для senior DS. Отсекает сильных практиков, у которых нет соревновательной истории. Kaggle — один из пунктов, а не обязательная корочка.
4. «5+ лет опыта с LLM». LLM не было в продакшне пять лет назад. Описания вакансий, которые требуют невозможной истории, не фильтруют никого. Если нужен senior с реальным LLM-опытом — реалистичный запрос это один-два года продакшн-работы.
5. Нет SQL-задачи на собеседовании. Каждое второе резюме заявляет уверенный SQL. В реальности тянут далеко не все на тот уровень, который нужен senior DE или analytics engineer. Живая 30-минутная SQL-задача быстро это проверит и даёт самый лучший результат.

Реалистичные сроки найма

По нашим последним данным по закрытиям:

• Middle Data Engineer: 4–6 недель от старта до подписанного оффера.
• Senior Data Engineer: 6–8 недель.
• Middle Data Scientist: 5–7 недель.
• Senior Data Scientist: 7–10 недель.
• Senior ML / AI Engineer с продакшн-опытом LLM: 10–14+ недель. Предложение действительно ограниченное.

Эти сроки рассчитаны на то, что описание вакансии правильное и вы определились с моделью работы — EOR, управляемый ODC или собственное юрлицо — до старта. Половина наших последних data-поисков, которые ушли за бюджет, ушли туда именно потому, что описание вакансии было под неверную роль. Уточняйте определение роли до того, как открывать поиск.

Если сильный кандидат уже на финальной стадии, а вы чувствуете, что скоро будет контр-оффер, наш гайд по контр-офферам разбирает, как повернуть выбор кандидата в вашу сторону.

Частые вопросы

Жив ли в 2026 году рынок data и ML в Беларуси?

Да. Data engineering — одна из самых широких специальностей на локальном рынке, выросшая в gaming и финтехе. Самый большой слой — middle и senior DE-универсалы. Senior AI engineering встречается реже, но он есть.

Какая реалистичная зарплата у senior data engineer по сравнению с senior data scientist?

Senior DE обычно укладывается в диапазон €4 000–6 500 gross в месяц для кандидата с 5–8 годами опыта, который хорошо знает AWS или GCP, Snowflake или BigQuery, Airflow и dbt. Senior DS — €4 000–6 800, причём ML Engineer ближе к верхней границе. Senior AI engineer с реальным продакшн-опытом LLM может заходить в верх диапазона Lead / Principal — €6 800–9 500+. Цифры меняются от квартала к кварталу — перед публикацией оффера сверяйтесь с текущими данными.

Кого нанимать первым — Data Engineer или Data Scientist?

Почти всегда сначала Data Engineer. Без чистых пайплайнов и рабочего хранилища data scientist будет тратить 60–80% времени на починку данных, а не на анализ. Исключение — самая ранняя стадия, когда настоящая data-инфраструктура ещё не нужна, и вы нанимаете под продуктовую аналитику. В этом случае больше смысла в сильном DS с аналитическим уклоном или senior-аналитике.

AI Engineer — это отдельная роль от Data Scientist в 2026 году?

С точки зрения того, как ведёт себя рынок, — да. С точки зрения того, как работодатели называют роли, — не всегда. Работа разная: AI engineer большую часть времени занят retrieval, оценкой моделей, prompt и context engineering, инфраструктурой под LLM-системы. Классическая работа DS — моделирование, эксперименты, причинно-следственный анализ — это всё ещё своя дисциплина, просто на senior-уровне там стало меньше людей. Если нанимаете под LLM и RAG, пишите вакансию как AI Engineer и закладывайте бюджет под него.

Как реально проверить SQL на собеседовании?

Лучше всего работают небольшие практические задания, максимально приближенные к реальным рабочим задачам. За 30–40 минут можно проверить умение кандидата работать с джойнами, агрегациями, оконными функциями и разбираться в структуре данных. Полезно также включить вопрос на поиск типичной ошибки или неэффективного SQL-решения.

При этом важен не только итоговый запрос, но и сам ход рассуждений. Сильные специалисты обычно начинают с уточняющих вопросов о данных, бизнес-логике и ожидаемом результате. Именно это помогает отличить человека, который понимает задачу целиком, от того, кто просто хорошо помнит синтаксис SQL.

Чем отличается Data Scientist от ML Engineer на белорусском рынке?

DS больше про моделирование, статистику и эксперименты, и результат — это часто отчёты, анализы или прототипы моделей. ML Engineer выводит модели в продакшн, отвечает за инфраструктуру, на которой они работают, и всё чаще занимается LLM-воркфлоу. Навыки пересекаются (оба пишут на Python и знают ML-фреймворки), но повседневная работа и формат собеседования у них разные.

Полностью удалённые data-роли в Беларуси — это норма?

Да. Беларусь — remote-first в IT уже не первый год, и data-роли по умолчанию идут на удалёнке. Физический офис — это плюс, но не требование. Не делайте гибрид условием на отборе: потеряете сильных кандидатов на предпочтении, а не на необходимости.

Является ли Kaggle обязательным критерием при оценке кандидатов?

Нет. Хотя для Data Scientist успешное участие в Kaggle может говорить о сильных практических навыках в области машинного обучения и анализа данных, большинство работодателей не рассматривают его как обязательное требование.

Для других ролей — Data Engineer, ML Engineer или AI Engineer — гораздо более показательными обычно оказываются коммерческий опыт, реализованные проекты, вклад в open-source и техническая экспертиза в профильных инструментах.

Поэтому Kaggle стоит воспринимать как дополнительный плюс в резюме, а не как универсальный показатель квалификации специалиста.

Готовы начать?

Скажите нам, какая роль вам на самом деле нужна — Data Engineer, Analytics Engineer, Data Scientist или ML / AI Engineer — и мы вернёмся с планом поиска, текущим диапазоном зарплат и реальными сроками под ваш стек и уровень. Напишите нам — пришлём всё в течение 24 часов.