Кого наймати для роботи з даними: порівнюємо три ролі

Помилки у виборі та послідовності найму фахівців для роботи з даними можуть коштувати компанії від $150 000, про що йдеться в аналітиці Valiotti Data за березень 2026 року. 

Так стається, коли компанія наймає Data Scientist, але ще не має підготовлених даних та інфраструктури для його роботи. Схожа помилка можлива і з Data Engineer чи ML Engineer: усі вони працюють з даними, але потрібні бізнесу для різних цілей і на різних етапах.

У цій статті розбираємо, які завдання вирішує кожен фахівець та в якій послідовності формувати data-команду.

Як відрізняється робота Data Engineer, Data Scientist та ML Engineer

Обов’язки data-фахівців можуть відрізнятися залежно від компанії, однак кожна роль має свою зону відповідальності. Далі детальніше про кожну з них. 

Що робить Data Engineer

Data Engineer будує та підтримує інфраструктуру для роботи з даними. Він забезпечує збір даних із різних джерел (CRM-система, продуктових баз, платіжних систем) та їх підготовку для подальшого використання.

Зокрема:

• створює та підтримує ETL-пайплайни для збору, обробки й передачі даних у сховище;
• очищує та трансформує сирі дані у придатний для роботи формат;
• стежить за якістю й актуальністю даних;
• підтримує стабільну роботу data-інфраструктури.

Для цього фахівець може використовувати Apache Airflow, Apache Spark та хмарні сховища на кшталт Snowflake, BigQuery чи Amazon Redshift.

По суті, Data Engineer створює основу для роботи Data Analyst і Data Scientist.

Що робить Data Scientist

Data Scientist працює з уже підготовленими та структурованими даними, щоб знаходити в них закономірності та прогнозувати майбутні результати.

Зокрема:

• проводить статистичний аналіз і перевіряє бізнес-гіпотези;
• будує моделі прогнозування та застосовує методи машинного навчання;
• шукає закономірності в поведінці користувачів і бізнес-показниках;
• інтерпретує результати та допомагає перетворити їх на рішення для бізнесу.

У роботі фахівець використовує Python іSQL, а також бібліотеки машинного навчання, зокрема scikit-learnтаXGBoost.

За допомогою даних Data Scientist може визначити або спрогнозувати:

• які клієнти найближчим часом перестануть користуватися продуктом;
• чому певна функція має низьку конверсію;
• як відрізняється цінність клієнтів із різних каналів залучення.

Водночас його ефективність напряму залежить від якості даних. 

Що робить ML Engineer

Якщо Data Scientist створює модель, то ML Engineer будує навколо неї все необхідне, щоб вона запрацювала в реальному продукті. Він поєднує знання машинного навчання та розробки, розгортаючи моделі й інтегруючи їх у робочі системи.

Зокрема:

• інтегрує ML-моделі в продукти та бізнес-системи;
• налаштовує API та контейнеризацію, щоб моделі можна було використовувати в production;
• розгортає та масштабує ML-рішення;
• налаштовує моніторинг моделей і стежить за стабільністю їхньої роботи;
• оновлює моделі та підтримує ML-інфраструктуру.

У роботі фахівець може використовувати Docker, Kubernetes, MLflow, Kubeflow або Amazon SageMaker.

Наприклад, Data Scientist створив модель, яка прогнозує відтік клієнтів. ML Engineer перетворює її на готову систему, яка автоматично обробляє актуальні дані та передає прогнози команді продажів.

Навички Data Engineer, Data Scientist та ML Engineer

Щоб було простіше оцінити кандидатів, зібрали ключові навички та технології для кожної ролі в таблиці. На них можна орієнтуватися під час відбору резюме та інтерв’ю.

Сценарії найму кожного фахівця

Вибір фахівця залежить від того, на якому етапі роботи з даними перебуває компанія та які завдання хоче вирішити. Розглянемо три типові сценарії та визначимо, яка роль потрібна в кожному з них.

Сценарій 1. Дані є, але працювати з ними складно

Дані вже надходять із продукту, CRM та платіжних систем, але розкидані по різних базах і сховищах та не мають єдиної структури. У компанії немає централізованого сховища, а дашборди не дають повної картини. Навіть базові показники на кшталт «активний користувач» чи «місячний дохід» команди можуть визначати по-різному.

У такій ситуації потрібен Data Engineer, який збере дані докупи та побудує надійну інфраструктуру для роботи з ними.

Сценарій 2. Інфраструктура даних готова, але моделей для прогнозування немає

Уявімо, що у компанії вже є сховище на кшталт Snowflake, налаштовані dbt-моделі та BI-дашборди. Бізнес добре бачить, що вже сталося, але хоче зрозуміти, що станеться далі.

Наприклад, які клієнти можуть піти, що вони купуватимуть або які ліди найімовірніше стануть клієнтами.

На ці запитання допоможе відповісти Data Scientist, який працюватиме з підготовленими даними й будуватиме моделі для прогнозування. 

Сценарій 3. Модель уже є, але вона ще не працює в продукті

Data Scientist уже створив і протестував модель, команда переконалася, що вона працює. Наступний крок — інтегрувати її в продукт, щоб вона могла автоматично робити прогнози в реальному часі для користувачів.

Але Data Scientist не завжди має експертизу для розгортання та підтримки моделі в production.

На цьому етапі потрібен ML Engineer, який виведе модель у production, інтегрує її в продукт і забезпечить стабільну роботу під навантаженням.

Як зрозуміти, що час наймати data-фахівця

Універсального показника, після якого компанії точно потрібен новий data-фахівець, немає. Водночас IT-компанія Lucent Innovation наводить кілька практичних орієнтирів, які допоможуть зрозуміти, коли поточних ресурсів команди вже недостатньо.

Сигнали, що час наймати Data Engineer:

• кілька аналітиків витрачають 30%+ робочого часу на очищення й підготовку даних;
• компанія обробляє понад 10 млн подій на місяць, а аналітичні запити створюють відчутне навантаження на production-базу;
• команда не впевнена в надійності даних або не може простежити їх походження.

Сигнали, що час наймати Data Scientist:

• дані в сховищі очищені та структуровані, а ключові бізнес-метрики визначені й стабільно розраховуються;
• бізнесу вже недостатньо розуміти, що відбулося, — потрібно прогнозувати майбутні результати;
• продуктові команди або команди зростання ухвалюють частину рішень інтуїтивно, хоча їх можна перевірити або обґрунтувати за допомогою даних.

Сигнали, що час наймати ML Engineer:

• готова ML-модель залишається на етапі прототипу, хоча бізнес уже хоче використовувати її в production;
• Data Scientist витрачає понад 20% робочого часу на розгортання моделей та інфраструктурні завдання;
• система обробляє понад 50 000 прогнозів на день, тому швидкість і стабільність роботи моделі стають критичними.

Наостанок

Робота з даними — це ланцюг взаємопов’язаних процесів: кожна роль підхоплює роботу на своєму етапі, тому важливо не лише знайти потрібного фахівця, а й залучити його в потрібний момент.

Коли настане час розширювати data-команду, повертайтеся до цієї статті, щоб звіритися з основними критеріями. А для підсилення команди технічними фахівцями зазирайте на NETFORCE Jobs.

Анастасія Хітрова