Data Engineer или Data Scientist: чем отличаются вакансии и как искать

Data Engineer или Data Scientist — вопрос, который задают и те, кто выбирает направление, и те, кто просто хочет искать точнее. Следом почти всегда появляется ML Engineer. Инструменты и слова у трёх ролей общие, поэтому вакансии легко спутать. Сначала короткий ответ, потом — какие названия скрываются за каждой ролью, как отличить их по описанию и как настроить поиск, чтобы не терять вакансии из-за формулировок.

Коротко

• Data Engineer (дата-инженер) строит и поддерживает системы, которые собирают, хранят и чистят данные: пайплайны, хранилища, стриминг, качество данных.
• Data Scientist использует эти данные, чтобы отвечать на вопросы и делать прогнозы: эксперименты, статистика, модели.
• ML Engineer превращает модели в надёжный продакшен: пайплайны обучения, сервинг, мониторинг.

Это типичное разделение. В реальных компаниях границы проходят по-разному, поэтому описание вакансии важнее названия.

Data Engineer: названия и разновидности

Что встречается: Data Engineer, Senior Data Engineer, Data Platform Engineer, Big Data Engineer, ETL Developer, Analytics Engineer, «Software Engineer, Data», Data Infrastructure Engineer.

Условно работа делится на три типа:

• Пайплайны и хранилище: забрать данные из продукта и внешних сервисов, смоделировать их в хранилище, следить за свежестью и корректностью.
• Платформа: инструменты для всех, кто работает с данными, — оркестрация, стриминг, хранение, доступы. Сильно пересекается с платформенной инженерией.
• Analytics engineering: модели данных для аналитиков, обычно dbt и много SQL. Это стык инженерии и аналитики; со стороны аналитиков мы разбирали его в статье о поиске работы аналитиком данных.

На собеседованиях обычно SQL, моделирование данных, задача на Python или другом языке и разговор про дизайн пайплайна: источники, объёмы, падения, опоздавшие данные, бэкфиллы.

Data Scientist: две разные работы под одним названием

Что встречается: Data Scientist, Senior Data Scientist, Applied Scientist, Research Scientist, Decision Scientist, «Data Scientist, Product» или «Data Scientist, Analytics».

В IT-компаниях за словом Data Scientist часто стоит одна из двух очень разных работ:

• Продуктовый DS: дизайн экспериментов, causal inference, метрики, прогнозы. По сути — сеньорная продуктовая аналитика, продакшен-кода мало.
• DS про модели: ранжирование, ценообразование, антифрод, рекомендации. Модель потом внедряют инженеры, а иногда и сам сайентист.

Обычно это видно из текста. «A/B-тесты», «метрики», «стейкхолдеры» — первый вариант; «фичи», «обучение», «качество модели» — второй. Собеседование чаще всего смешивает статистику, SQL, кейс и иногда тестовое или вопросы по теории ML.

Для тех, кто работал в российских компаниях, это знакомо: там продуктовый DS тоже нередко называется аналитиком, а DS про модели — ML-инженером. В международных вакансиях границы проведены по-своему, поэтому ориентируйтесь на описание, а не на привычное слово.

ML Engineer: где пересечения

ML Engineer стоит между DS про модели и бэкендом или платформой. Встречаются Machine Learning Engineer, MLOps Engineer, ML Platform Engineer и названия по области: Computer Vision Engineer, NLP Engineer. AI-сторону этой семьи, включая AI Engineer и LLM-роли, мы разобрали отдельно: AI Engineer, ML Engineer и другие AI-должности.

Как отличить по вакансии

Если названия мало, задайте пять вопросов:

1. Что результат работы? Пайплайн или таблица, анализ и решение или работающий сервис?
2. Кто пользуется результатом? Инженеры и аналитики, бизнес или пользователи продукта?
3. Есть ли дежурства (on-call)? Дата-инженеры и ML-инженеры часто отвечают за продакшен, дата-сайентисты — редко.
4. Что стоит первым в списке инструментов? Spark и Airflow, статистика и эксперименты или контейнеры и сервинг?
5. Как измеряют успех? Свежесть и надёжность данных, качество решений или качество и задержка модели в продакшене?

Та же привычка для любой роли — в статье как читать описание вакансии.

Как переходить между ролями

• Из бэкенда: в дата-инженерию обычно ближе всего — распределённые системы, API и базы переносятся напрямую.
• Из аналитики: в analytics engineering или продуктовый DS — зависит от того, что вам ближе: строить модели данных или отвечать на вопросы статистикой.
• Из DS в ML Engineer: придётся показать продакшен-инженерию — тесты, сервисы, деплой, мониторинг, а не только ноутбуки.
• Уровни: Senior, Staff и Principal в разных компаниях означают разное, поэтому сравнивайте зону ответственности, а не приставку. Подробнее — в статье об уровнях в названиях вакансий.

Как настроить поиск

Выберите роли, на которые вы правда готовы пойти, и следите за всеми названиями, которые их покрывают. В Hot Jobs совпадение ищется по словам в названии вакансии, и data-роли распределены так:

• Data Engineer — Data Engineer, Analytics Engineer, ETL, Data Platform Engineer, Big Data.
• Data Scientist — Data Scientist, Data Science, Applied Scientist, Research Scientist.
• ML Engineer — Machine Learning, ML Engineer, MLOps, Deep Learning, Computer Vision, NLP.

Часть названий попадает в другие роли. «Software Engineer, Data» относится к Software Engineer (любой), а Data Infrastructure Engineer — к DevOps / Platform / SRE, потому что так сказано в самом названии. Decision Scientist не ловится ни одной из этих ролей. Если вы готовы к нескольким направлениям, выберите две-три роли сразу. Названия с Manager, Director и Head of в эти три роли не входят, а джуниорские вакансии скрыты, пока вы их не включите.

Hot Jobs проверяет карьерные страницы 390+ компаний каждые 30 минут, а также площадки Remotive и Himalayas и присылает в Telegram новые вакансии по выбранным data-ролям. €3 один раз, без подписки. Подключить бота