Datový vědec/datová vědkyně
Snímek
Vědci v oblasti dat vyhledávají a interpretují bohaté zdroje dat, spravují velké množství údajů, slučují zdroje dat, zajišťují konzistentnost datových sad a vytvářejí vizualizaci za účelem lepšího pochopení dat. Vytvářejí matematické modely s využitím údajů, prezentují a sdělují poznatky a zjištění odborníkům a vědcům v jejich týmu a v případě potřeby neodbornému publiku a doporučují způsoby, jak údaje použít.
Práce datového vědce/datové vědkyně zahrnuje širokou škálu aktivit. Denně se budete zabývat hledáním, interpretací a správou velkých objemů dat z různých zdrojů. Vytváříte matematické modely, analyzujete je a prezentujete výsledky jak odborníkům, tak i lidem bez technického zázemí. Vaše práce má přímý dopad na strategická rozhodnutí a zlepšování procesů v organizaci.
- • Vyhledávání a interpretace dat z různých zdrojů.
- • Sestavování a čištění velkých datových sad, zajištění jejich konzistence.
- • Vytváření matematických modelů a algoritmů pro analýzu dat.
Kde je toto povolání žádané
Nahlášený nedostatek a přebytek pracovních sil, podle roku. Zveřejňuje se pro skupiny povolání, nikoli pro jednotlivé pracovní pozice.
Čísla se týkají skupiny Specialisté v oblasti informačních a komunikačních technologií — 75 povolání včetně tohoto.
Nedostatek: Belgie, Bulharsko, Irsko, Kypr a dalších 6.
Nejdéle trvající nedostatek: Rakousko, 3 roky.
Vyberte území na mapě a zobrazí se jeho čísla.
O tomto zdroji›
Zdroj: ELA/EURES, nedostatek a přebytek pracovních sil. Údaje se zveřejňují na úrovni skupiny povolání a pokrývají Evropu. Vydání se liší uspořádáním přílohy i rozsahem zemí, takže rozdíl mezi roky neznamená vždy, že se trh práce změnil. Země v šedé nebyly nahlášeny, což není totéž jako být v rovnováze.
Co tato slova znamenají
Čtyři věci, které tato část uvádí
- Nahlášená poptávka
- Nahlášená poptávka vyjadřuje, zda zaměstnavatelé uvádějí, že pro tuto práci potřebují lidi — jde o posouzení zveřejněné národním orgánem nebo orgánem EU, nikoli o počet.
- Kterým směrem míří
- Kterým směrem míří vyjadřuje, kterým směrem se podle oficiální prognózy v příštích letech pravděpodobně vydá zaměstnanost v této práci.
- Volná místa
- Volná místa přibližně ukazují, kolik pracovních míst vzniká v důsledku růstu a odchodů lidí z této práce.
- Obvyklá odměna
- Obvyklá odměna vyjadřuje, kolik lidé v této práci obvykle vydělávají, pokud to zdroj zveřejňuje. Prázdné pole neznamená, že je práce neplacená; znamená, že pro dané místo tuto hodnotu nikdo nezveřejňuje.
Údaj se neuvádí, pokud ho pro dané místo nikdo nezveřejňuje, místo aby se zobrazila nula.
Kterým směrem se trh přiklání ve váš prospěch
- Ve váš prospěch
- Volných míst je více než uchazečů — zaměstnavatelé o kandidáty soutěží.
- Vyrovnané
- Volná místa a uchazeči jsou zhruba v rovnováze.
- Konkurenční
- Uchazečů je více než volných míst — počítejte s konkurencí.
- Rozporuplné údaje
- Zdroje se neshodují, nebo v téže skupině povolání je někde nedostatek a jinde přebytek.
Každý zdroj vede k jednomu ze čtyř označení: Ve váš prospěch, Vyrovnané, Konkurenční nebo Rozporuplné údaje, takže se stačí naučit jediný soubor označení. Liší se podklady, které jsou uvedeny pod každým označením — jde buď o změřený poměr volných míst k uchazečům o zaměstnání, nebo o posouzení zveřejněné národním orgánem.
Jak si tato práce vede ve srovnání s jinými pracemi ve stejné zemi
- Silná
- Mezi nejsilnějšími v zemi that country
- Dobrá
- Silnější než většina povolání v zemi that country
- Smíšená
- Zhruba obvyklá pro zemi that country
- Slabá
- Slabší než většina povolání v zemi that country
Jde o pořadí v rámci jedné země, nikoli o skóre, které lze přenášet přes hranice — evidence za dvě země zahrnuje různé lidi, takže stejné číslo znamená v každé zemi něco jiného. Proto také může práce patřit v zemi do kategorie Silná a přesto se zobrazovat jako Konkurenční: vede v trhu, který je celkově přeplněný.
Odkud tyto údaje pocházejí
Každý údaj zveřejňuje národní statistický úřad, veřejná služba zaměstnanosti nebo orgán EU a každá karta uvádí jeho zdroj i období, které pokrývá. Údaje za některá místa se shromažďují měsíčně, jinde se vyhodnocují jednou nebo dvakrát ročně, takže dvě místa na stejné mapě mohou popisovat různé okamžiky — datum je vždy uvedeno.
Nic z toho nepředpovídá šance jednoho člověka. Popisuje to trh.
Nahlášená poptávka · Obvyklá odměna · Kterým směrem míří (Česko, Slovensko, Německo, Rakousko, Polsko, Nizozemsko)
| Nahlášená poptávka | Obvyklá odměna | Kterým směrem míří | |
|---|---|---|---|
| Česko | Nahlášen nedostatek ELA/EURES 2025 * | — | +43,1% 2023–2035 · Cedefop 2026 * |
| Slovensko | Nahlášen přebytek ELA/EURES 2024 * | — | +52,1% 2023–2035 · Cedefop 2026 * |
| Německo | Nahlášen nedostatek ELA/EURES 2024 * | — | +15,6% 2023–2035 · Cedefop 2026 * |
| Rakousko | Nahlášen nedostatek ELA/EURES 2025 * | — | +48,8% 2023–2035 · Cedefop 2026 * |
| Polsko | Nenahlášeno | — | +53,4% 2023–2035 · Cedefop 2026 * |
| Nizozemsko | Nahlášen nedostatek ELA/EURES 2025 * | — | +32% 2023–2035 · Cedefop 2026 * |
* Zveřejňuje se pro skupiny povolání, nikoli pro jednotlivé pracovní pozice.
Poskytujete kariérní poradenství studentům, klientům nebo zaměstnancům? Využijte tato data o povolání ve své organizaci.
Budoucí perspektiva pro datový vědec/datová vědkyně
The outlook for datový vědec/datová vědkyně reflects a balanced mix of automation exposure and durable, human-led work.
Jak se tyto výsledky počítají?
Index odolnosti (0–100) odhaduje, jak strukturálně chráněno je toto povolání před automatizací a narušením AI na základě analýzy na úrovni úkolů. Vyšší skóre znamená více úkolů náročných na lidský úsudek. Expozice AI ukazuje odhadované procento pracovních hodin, které by mohly být ovlivněny současnými možnostmi AI. Jedná se o strukturální ukazatele odvozené z modelu, nikoli předpovědi individuální jistoty zaměstnání.
Jak by se mohlo datový vědec/datová vědkyně změnit s rostoucím zaváděním umělé inteligence?
Několik oblastí úkolů se může přesunout k pracovním postupům podporovaným umělou inteligencí, takže rekvalifikace se stává důležitější.
Ilustrativní scénář založený na automatizovatelnosti úkolů — nikoli předpověď. Hodnoty se zaokrouhlují, čím dále do budoucna se díváte.
Několik oblastí úkolů se může přesunout k pracovním postupům podporovaným umělou inteligencí, takže rekvalifikace se stává důležitější.
Ilustrativní scénář založený na automatizovatelnosti úkolů — nikoli předpověď. Hodnoty se zaokrouhlují, čím dále do budoucna se díváte.
Odhad založený na modelu. Použijte jej jako plánovací signál, nikoli jako záruku.
Porovnejte to se svým profilem
Jak může AI změnit tuto roli
Deterministická, na modelu založená interpretace signálů aktuální role – není zárukou nahrazení.
Co ještě záleží na lidech
- udržovat profesní kontakty ve výzkumu a v profesním prostředí
- hodnotit činnosti výzkumu
- spravovat práva duševního vlastnictví
Kde se AI může stát druhým pilotem
- spravovat veřejně přístupné publikace
- prokázat odborné znalosti
- spravovat nalezitelná, přístupná, interoperabilní a opakovaně použitelná data
Úkoly nejvíce vystavené automatizaci
- manipulovat se vzorky dat
- sbírat data z ICT
- syntetizovat informace
Životní funkce a AI vektory
vektory expozice AI
0-100%Expozice vůči analýze podporované AI, rozpoznávání vzorů a úlohám prediktivního modelování
Expozice vůči generování obsahu, kreativnímu zvýšení a nástrojům velkých jazykových modelů
Expozice vůči automatizaci pracovního toku, softwaru na podporu rozhodování a digitalizaci procesů
Expozice vůči fyzické automatizaci, robotice a senzorem řízenému posunu úloh
Technické detaily
NexFuture v3.0 odhaduje expozici automatizaci přímo ze základních skupin dovedností ESCO, vážených podle objemu dovedností a kalibrovaných podle expertních kotev. Skóre jsou pravděpodobnostní odhady, nikoli záruky. Úplné podrobnosti naleznete v metodickém dokumentu NexFuture.
Měří vystavení automatizaci. Neměří mzdu, poptávku ani počet pracovních míst ve vašem okolí.
Co lidé v této roli obvykle dělají
Digitální technologie
Typický den jako datový vědec/datová vědkyně
09 09:00 · ráno budovat doporučovací systémy
10 10:30 · Dopoledne vyvíjet aplikace pro zpracování dat
12 12:00 · poledne navrhovat databázová schémata
14 14:00 · odpoledne normalizovat data
15 15:30 · Pozdě odpoledne řídit systémy sběru dat
17 17:00 · Zábal spravovat práva duševního vlastnictví
Pořadí úkolů je ilustrativní. Jednotlivé dny se liší.
Co potřebujete k této práci
Dovednosti, znalosti a nástroje, které tato role vyžaduje — a rysy a přínosy, které s ní souvisejí.
-
spravovat nalezitelná, přístupná, interoperabilní a opakovaně použitelná data
Vytvářet, popisovat, ukládat, uchovávat a (znovu) používat vědecké údaje na základě zásad FAIR (Findable, Accessible, Interoperable, and Reusable - nalezitelnost, přístupnost, interoperabilita a opětovné použití) tak, aby údaje byly co nejotevřenější a podle potřeby uzavřené.
-
provádět vědecký výzkum
Získat, korigovat nebo zlepšit znalosti o jevech pomocí vědeckých metod a technik na základě empirických nebo měřitelných pozorování.
-
uplatňovat zásady etiky výzkumu a vědecké integrity při výzkumných činnostech
Uplatňovat základní etické zásady a právní předpisy při vědeckém výzkumu, a to včetně otázek integrity výzkumu. Provádět, přezkoumat nebo nahlásit výzkum a vyhnout se pochybení, jako je vymýšlení údajů, falsifikace a plagiátorství.
-
podpořit otevřené inovace ve výzkumu
Podporovat integrovanou spolupráci, kdy různé zúčastněné strany spoluvytvářejí inovace, jež jsou založeny na společných hodnotách.
-
začlenit genderový aspekt do výzkumu
Zohlednit v rámci celého výzkumného procesu biologické vlastnosti a vyvíjející se sociální a kulturní aspekty žen a mužů (gender).
-
provádět mezioborový výzkum
Používat výsledky výzkumu a data napříč oborovými a funkčními hranicemi.
-
podpořit zapojení veřejnosti do výzkumu
Zapojit občany do vědeckých a výzkumných činností a podporovat jejich přínos z hlediska znalostí, stráveného času nebo investovaných prostředků.
-
normalizovat data
Omezit data na jejich přesnou základní formu (normální formu), aby bylo dosaženo takových výsledků, jako je minimalizace závislosti, odstranění nadbytečnosti, zvýšení soudržnosti.
-
používat techniky pro zpracování údajů
Shromažďovat, zpracovávat a analyzovat příslušné údaje a informace, řádně uchovávat a aktualizovat údaje a vyjadřovat číselné údaje a data pomocí grafů a statistických diagramů.
-
zavádět datové procesy
Používat nástroje informačních a komunikačních technologií k využití matematických, algoritmických nebo jiných postupů manipulace s daty s cílem tvorby informací.
-
používat databáze
Používat softwarové nástroje pro řízení a organizování dat ve strukturovaném prostředí, které se skládá z atributů, tabulek a vztahů za účelem vyhledávání a úpravy uložených dat.
-
provádět čištění dat
Zjistit a napravit špatné záznamy ze souborů dat; zajistit strukturalizaci dat podle pokynů.
-
zavádět procesy zajišťování kvality dat
Používat techniky analýzy kvality, ověřování a verifikace dat na kontrolu integrity dat.
-
vypracovávat vědecké nebo akademické články a technickou dokumentaci
Vypracovávat a upravovat vědecké, akademické nebo technické texty týkající se různých témat.
-
šířit výsledky v rámci vědecké obce
Zveřejnit vědecké výsledky jakýmikoliv vhodnými prostředky, včetně konferencí, seminářů, kolokvií a vědeckých publikací.
-
publikovat akademický výzkum
Provádět ve svém oboru akademický výzkum na vysoké škole nebo samostatně, a publikovat jeho výsledky v knihách nebo akademických časopisech s cílem přispět k oboru a dosáhnout osobního akademického uznání.
-
psát vědecké publikace
Prezentovat hypotézu, zjištění a závěry vědeckého výzkumu ve své oblasti odbornosti v odborných publikacích.
-
vyvinout software s otevřeným zdrojovým kódem
Vytvořit a provozovat software s otevřeným zdrojovým kódem. Znát hlavní modely softwaru s otevřeným zdrojovým kódem, režimy licencí a postupy kódování, které se běžně používají při tvorbě softwaru s otevřeným zdrojovým kódem.
-
budovat doporučovací systémy
Vytvářet doporučovací systémy založené na rozsáhlých datových souborech, které používají programovací jazyky nebo počítačové nástroje, s cílem vytvořit podtřídu systému filtrování informací, aby bylo možné předpovídat rating nebo preference uživatele.
-
vyvíjet aplikace pro zpracování dat
Vytvářet přizpůsobený software pro zpracování dat, vybírat a používat vhodný počítačový programovací jazyk, aby systém ICT mohl produkovat požadovaný výstup na základě očekávaného přínosu.
-
manipulovat se vzorky dat
Shromažďovat a vybírat soubor údajů od obyvatelstva statistickým nebo jiným definovaným postupem.
-
sbírat data z ICT
Shromažďovat data pomocí navrhování a používání metod vyhledávání a vzorkování.
-
syntetizovat informace
Kriticky číst, vykládat a shromažďovat nové a komplexní informace z různých zdrojů.
-
spravovat výzkumná data
Získávat a analyzovat vědecká data prostřednictvím kvalitativních a kvantitativních výzkumných metod. Ukládat data do výzkumných databází a uchovávat je. Podporovat opětovné využívání vědeckých dat a být obeznámen se zásadami správy otevřených dat.
-
řídit systémy sběru dat
Vypracovat a řídit metody a strategie, které se používají k maximalizaci kvality údajů a statistické účinnosti při shromažďování údajů, aby se zajistilo, že shromážděné údaje budou optimalizovány pro další zpracování.
-
dodávat vizuální prezentaci dat
Vytvořit vizuální prezentaci dat, jako jsou diagramy nebo schémata, pro snazší porozumění.
-
komunikovat o vědeckých poznatcích
Komunikovat o vědeckých poznatcích s nevědeckým publikem, včetně široké veřejnosti. Přizpůsobit sdělování vědeckých pojmů, debat, poznatků publiku s využitím různých metod pro různé cílové skupiny, včetně vizuálních prezentací.
-
interpretovat aktuální data
Analyzovat údaje získané ze zdrojů, jako jsou údaje o trhu, vědecké dokumenty, požadavky zákazníků a dotazníky, které jsou aktuální s cílem posoudit vývoj a inovace v oblasti odborných znalostí.
-
udržovat profesní kontakty ve výzkumu a v profesním prostředí
Ctít vzájemnou soudržnost mezi spolupracovníky a kolegialitu. Poslouchat, poskytovat a přijímat zpětnou vazbu a vnímat ostatní a reagovat na ně. To rovněž zahrnuje dohled nad zaměstnanci a jejich vedení v pracovním prostředí.
-
hovořit různými jazyky
Ovládat cizí jazyky a být schopen komunikovat v jednom nebo více cizích jazycích.
datové modely
Techniky a stávající systémy používané ke strukturování datových prvků a zobrazování jejich vzájemných vztahů, jakož i metody k interpretaci datových struktur a vztahů.
dotazovací jazyk systému popisu zdrojů
Vyhledávací jazyky jako SPARQL, které se používají k získávání dat uložených ve formátu Resource Description Framework (RDF) a k manipulaci s nimi.
dotazovací jazyky
Obor standardizovaných počítačových jazyků pro vyhledávání informací z databáze a dokumentů obsahujících potřebné informace.
extrakce informací
Techniky a metody používané pro zjišťování a získávání informací z nestrukturovaných nebo polostrukturovaných digitálních dokumentů a zdrojů.
kategorizace informací
Postup třídění informací do kategorií a zobrazování vztahů mezi údaji pro určité jasně definované účely.
on-line analytické zpracování
On-line nástroje, které analyzují, agregují a prezentují vícerozměrné údaje a umožňují uživatelům interaktivně a selektivně získávat a prohlížet údaje ze specifických hledisek.
techniky statistického modelování
Přístupy k využití statistické analýzy datových souborů v oblasti datové vědy. Snaží se vypracovat předpovědi reality pomocí statistických modelů a explicitních předpokladů.
techniky vizuální prezentace
Techniky vizuálního znázornění a interakční techniky, jako jsou histogramy, grafy rozptylu, plochy povrchu, stromové mapy a paralelní souřadnice, které lze použít k prezentaci abstraktních číselných a nečíselných údajů za účelem lepšího pochopení těchto informací ze strany člověka.
vytěžování dat
Metody umělé inteligence, strojové učení, statistiky a databáze používané k získávání obsahu z datové sady.
- datová etika
- datová věda
- datové inženýrství
Datový vědec: jak získat kvalifikaci a kde studovat
Co je obvykle potřeba ke kvalifikaci: úroveň vzdělání, kde se jedná o regulované povolání a kde studovat.
Bakalářský stupeň
2 384 studijních programů v 30 zemích nabízí výuku základních dovedností pro toto povolání. Navíc 529 krátkých kurzů, z nichž každý rozvíjí jednu dovednost.
Několik příkladů vyučovaných v jazyce této stránky:
University of Pardubice · Česko
Zobrazeno: 3 z 2 913.
Zdroje
- 1. Source: Study in Czechia, Czech National Agency for International Education and Research (studyin.gov.cz).
Cesty růstu a podobné role
Prozkoumejte typické cesty kariérního postupu, související dovednosti a podobné role a naplánujte si další přechod.
Kam se vejde datový vědec/datová vědkyně?
Skóre podobnosti založené na překrývání dovedností z dat ESCO.
analytik dat/analytička dat
45% podobnostpočítačový výzkumný pracovník/počítačová výzkumná pracovnice
41% podobnoststatistik/statistička
36% podobnostkonzultant pro výzkum v oblasti ICT/konzultantka pro výzkum v oblasti ICT
35% podobnostdemograf/demografka
33% podobnostbioinformatik/bioinformatička
31% podobnostPro organizace
Data na této stránce ve službách vašich studentů, klientů a zaměstnanců.
Často kladené otázky
Jaké dovednosti jsou pro datového vědce/datovou vědkyni nejdůležitější?
Jaké typy projektů datoví vědci/datové vědkyně obvykle řeší?
Je možné pracovat jako datový vědec/datová vědkyně na volné noze?
Datový Vědec/Datová Vědkyně — kolik se za to platí ve Spojených státech?
Zdroje: ESCO O*NET ELA/EURES Cedefop BLS Data aktualizována 19. října 2026 O našich datech