Profesní přehled

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.

Trh práce
Nedostatek v zemi Česko a 8 dalších zemí
ELA/EURES 2025
Průmysl
Digitální technologie
Vzdělávání
Bakalářský stupeň
34%
Odolnost Skóre · 2026 (Čím vyšší, tím lepší)
Bakalářský stupeň 58% Expozice AI · 2026
Trh práce

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.

10 z 14 s nedostatkem2025Všech 30 roste3.7Mvolná místa do roku 2035

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
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.

NexFuture™

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.

Hrajte na budoucnost
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.

Významná transformace na úrovni úkolů se odhaduje za 11 let (kolem roku 2037) v rámci vybraného scénáře „Očekávané“.
~30%
Odolnost
Riziko automatizace
EXP~60%
Lidská hrana
MOAT~35%

Ilustrativní scénář založený na automatizovatelnosti úkolů — nikoli předpověď. Hodnoty se zaokrouhlují, čím dále do budoucna se díváte.

2026
2032
2042
Rychlost přijetí AI:

Odhad založený na modelu. Použijte jej jako plánovací signál, nikoli jako záruku.

Jak může AI změnit tuto roli

Deterministická, na modelu založená interpretace signálů aktuální role – není zárukou nahrazení.

34% Vlastněno lidmi

Co ještě záleží na lidech

  • udržovat profesní kontakty ve výzkumu a v profesním prostředí
  • hodnotit činnosti výzkumu
  • spravovat práva duševního vlastnictví
Lidská výhoda Aby jste zůstali vpředu v této roli, zaměřte se na datové modely a dotazovací jazyk systému popisu zdrojů. Tyto dovednosti zaměřené na člověka jsou nejobtížněji replikovatelné pro AI v příštích 20 let.
27% Asistujte

Kde se AI může stát druhým pilotem

  • spravovat veřejně přístupné publikace
  • prokázat odborné znalosti
  • spravovat nalezitelná, přístupná, interoperabilní a opakovaně použitelná data
58% automatizovat

Úkoly nejvíce vystavené automatizaci

  • manipulovat se vzorky dat
  • sbírat data z ICT
  • syntetizovat informace
Podrobná analýza

Životní funkce a AI vektory

vektory expozice AI

0-100%
AI / strojové učení 27%

Expozice vůči analýze podporované AI, rozpoznávání vzorů a úlohám prediktivního modelování

Generativní AI 9%

Expozice vůči generování obsahu, kreativnímu zvýšení a nástrojům velkých jazykových modelů

Kognitivní software 1%

Expozice vůči automatizaci pracovního toku, softwaru na podporu rozhodování a digitalizaci procesů

Robotická a fyzikální automatizace 0%

Expozice vůči fyzické automatizaci, robotice a senzorem řízenému posunu úloh

Technické detaily
Metodologie: NexFuture v3.0 Zdroje: O*NET® 30.3, ESCO v1.2.1 Aktualizováno: říjen 2026

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.

Den v životě

Co lidé v této roli obvykle dělají

Digitální technologie

Den v životě

Typický den jako datový vědec/datová vědkyně

09
09:00 · ráno
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.
10
10:30 · Dopoledne
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.
12
12:00 · poledne
navrhovat databázová schémata
Navrhnout databázový systém na základě pravidel pro systém řízení databází s cílem vytvořit logicky uspořádanou skupinu předmětů, jako jsou tabulky, sloupce a postupy.
14
14:00 · odpoledne
normalizovat data
Omezit data na jejich přesnou základní formu (normální formu), aby bylo dosaženo takových výsledků, jako je minimalizace závislosti, odstranění nadbytečnosti, zvýšení soudržnosti.
15
15:30 · Pozdě odpoledne
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.
17
17:00 · Zábal
spravovat práva duševního vlastnictví
Zabývat se soukromými právy na ochranu duševního vlastnictví proti jeho nezákonnému porušování.

Pořadí úkolů je ilustrativní. Jednotlivé dny se liší.

Dovednosti a znalosti

Co potřebujete k této práci

Dovednosti, znalosti a nástroje, které tato role vyžaduje — a rysy a přínosy, které s ní souvisejí.

Základní dovednosti
provádět akademický výzkum nebo průzkum trhu
  • 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.

řídit, získávat a uchovávat digitální data
  • 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.

psát technické nebo vědecké texty
  • 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.

programovat počítačové systémy
  • 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.

shromažďovat informace z fyzických nebo elektronických zdrojů
  • 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 informace
  • 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.

prezentovat informace z výzkumu nebo technické informace
  • 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.

monitorovat vývoj v oblasti odborných znalostí
  • 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.

spolupracovat s ostatními
  • 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.

používat cizí jazyky
  • hovořit různými jazyky

    Ovládat cizí jazyky a být schopen komunikovat v jednom nebo více cizích jazycích.

Oblasti znalostí & Software a technologie
Oblasti znalostí
  • 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.

Meziodvětvové dovednosti
  • datová etika
  • datová věda
  • datové inženýrství
Software a technologie
Structured query language SQLSASPythonRMicrosoft SQL ServerThe MathWorks MATLABIBM SPSS StatisticsC++TableauOracle JavaJavaScriptTeradata DatabaseCAtlassian JIRAPerlAmazon Web Services AWS softwareMicrosoft Azure softwareC#Atlassian ConfluenceApache HadoopGitSplunk EnterpriseApache HiveGitHubApache CassandraRubyNoSQLAmazon RedshiftPostgreSQLElasticsearchMongoDBApache KafkaGoDockerJavaScript Object Notation JSONAmazon Elastic Compute Cloud EC2Microsoft Power BIScalaApache SparkJenkins CI
Klíčové vlastnosti, které potřebujete
Analytické myšlení Integrita Uznání Spolehlivost Spolupráce Úspěch Úspěch/Snaha Rozmanitost Přizpůsobivost/Flexibilita Tolerance ke stresu Sebekontrola Nezávislost Inovace Vedení Zájem o druhé Sociální orientace
Klíčové odměny, které můžete očekávat
ÚspěchPracovní podmí…UznáníVztahyPodporaNezávislost
Jak se kvalifikovat

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.

Typická úroveň vzdělání

Bakalářský stupeň

Kde studovat

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:

Diplom Data Analytics

Prague University of Economics and Business · Česko

EQF 6 Zdroj 1
Diplom Aplikovaná informatika - Data Science pro business

University of Pardubice · Česko

EQF 7 Zdroj 1
Diplom Datová věda

University of Hradec Králové · Česko

EQF 7 Zdroj 1
Zdroje
  1. 1. Source: Study in Czechia, Czech National Agency for International Education and Research (studyin.gov.cz).
Kariérní postup

Cesty růstu a podobné role

Prozkoumejte typické cesty kariérního postupu, související dovednosti a podobné role a naplánujte si další přechod.

Pro organizace

Data na této stránce ve službách vašich studentů, klientů a zaměstnanců.

Běžné otázky

Často kladené otázky

Jaké dovednosti jsou pro datového vědce/datovou vědkyni nejdůležitější?
Kromě znalosti statistiky a matematiky je klíčové umět pracovat s programovacími jazyky jako Python nebo R, a také s nástroji pro práci s velkými daty (např. Hadoop, Spark). Důležitá je také schopnost komunikovat složité informace srozumitelně a vizualizovat data pro různé cílové skupiny.
Jaké typy projektů datoví vědci/datové vědkyně obvykle řeší?
Projekty se mohou velmi lišit, od predikce zákaznické chování a optimalizace marketingových kampaní, přes detekci podvodů a analýzu rizik, až po vývoj doporučovacích systémů a automatizaci procesů.
Je možné pracovat jako datový vědec/datová vědkyně na volné noze?
Ano, freelancing je v této oblasti stále častější. Mnoho firem hledá datové vědce na krátkodobé projekty nebo pro specifické úkoly. Nicméně, většina pozic je stále vázána na trvalý pracovní poměr.
Datový Vědec/Datová Vědkyně — kolik se za to platí ve Spojených státech?
112 590 dolarů ročně v mediánu, k 2025-05. Mediány jednotlivých států se pohybují od 69 490 do 163 350 dolarů. Zdroj: US Bureau of Labor Statistics. Údaj se týká Spojených států a není projekcí pro Evropu.

Zdroje: ESCO O*NET ELA/EURES Cedefop BLS Data aktualizována 19. října 2026 O našich datech