Head of Data Science: кто это, обязанности и навыки

Кто такой Head of Data Science

Head of Data Science руководит направлением, которое превращает данные о пользователях, транзакциях и трафике в решения: кого пустить, кому выдать бонус, где остановить мошенничество, какой сегмент прогреть. В рисковых вертикалях цена ошибки высокая: одна пропущенная схема отмывания или слитый фрод-бюджет быстро съедают маржу, а излишне жёсткий фильтр режет конверсию и отталкивает легитимных клиентов. Поэтому компании нанимают отдельного руководителя, который отвечает за качество моделей, а не только за количество отчётов.

Обычно роль подчиняется CDO, CTO или Head of Analytics (зависит от структуры компании) и руководит командой из data-инженеров, аналитиков и ML-специалистов. Head of Data Science задаёт стандарты экспериментов, приоритизирует задачи вместе с продуктом, риском и маркетингом, отвечает за согласование моделей с комплаенсом и за то, чтобы модели работали в продакшене, а не оставались в ноутбуках.

В отличие от Senior Data Scientist, который сам пишет код и строит модели, Head занимается управлением портфелем задач, наймом, ростом команды, бюджетом на вычислительные ресурсы и разбором спорных решений, где бизнес хочет один результат, а риск другой.

Обязанности

Формирует стратегию data science в связке с продуктом и бизнесом: какие модели нужны, в каком порядке и с каким ожидаемым эффектом
Управляет командой data-учёных и аналитиков: распределяет задачи, проводит ревью проектов, отвечает за найм и развитие людей
Контролирует жизненный цикл моделей: от постановки гипотезы и обучения до мониторинга дрифта и вывода из эксплуатации
Выстраивает процесс A/B-тестирования и работы с онлайн-экспериментами, следит за корректностью статистики и предотвращает подглядывание за результатами
Согласовывает модели антифрода и риск-скоринга с риск-командой и комплаенсом, готовит объяснимость решений для аудита
Определяет приоритеты по данным между маркетингом, CRM и продуктом, чтобы модели не конфликтовали друг с другом
Отвечает за качество данных вместе с data-инженерами: источники, витрины, документация, контроль полноты и актуальности
Управляет бюджетом на инфраструктуру и вычисления, защищает его перед финансами и CTO
Представляет результаты и риски руководству в понятном для нетехнических людей виде

Навыки

Глубокое понимание машинного обучения и статистики: классификация, градиентный бустинг, временные ряды, оценка неопределённости
Опыт построения антифрод-моделей и скоринга, понимание ограничений таких моделей и цены ошибок первого и второго рода
Умение ставить задачи через бизнес-метрики, а не через точность модели
Навыки управления командой: найм, оценка, развитие, разрешение конфликтов между аналитиками и инженерами
Понимание экспериментального дизайна, power analysis и типичных ловушек A/B-тестов
Коммуникация с руководством и регуляторными требованиями: умение объяснить, почему модель отказала клиенту
Работа с MLOps-практиками: версионирование, мониторинг, воспроизводимость, деплой моделей
Понимание специфики рисковых продуктов: платёжный и игровой фрод, мультиаккаунтинг, мошенничество с криптокошельками, профили пользователей знакомств

Инструменты

Python и SQL как рабочие языки команды и для ревью кода
Jupyter или аналогичные среды для исследований
BI-системы (Tableau, Looker, Metabase) для отчётности руководству
Облачные хранилища и витрины данных (BigQuery, Snowflake, ClickHouse)
MLflow или аналогичные системы учёта экспериментов и моделей
Jira или Linear для постановки и приоритизации задач
Системы A/B-тестирования и feature flags (внутренние или популярные open-source решения)
Мониторинг моделей и данных (Evidently и аналоги)

Как оценивают работу: KPI

Доля моделей, работающих в продакшене, относительно всех запущенных проектов
Прирост бизнес-метрики от внедрённых моделей (снижение потерь от фрода, рост удержания, конверсия)
Скорость цикла от гипотезы до внедрения эксперимента
Доля решений, принятых на основе корректно проведённых экспериментов
Качество данных: полнота, актуальность витрин, количество инцидентов
Удержание сильных сотрудников в команде и заполненность вакансий
Соблюдение бюджета на инфраструктуру и вычисления

Особенности по вертикалям

Crypto

В криптовертикали Head of Data Science в основном работает с on-chain данными и антифродом: отслеживает подозрительные переводы, кластеризует кошельки, оценивает риск транзакций и поддерживает требования AML-контроля. Модели должны учитывать быстро меняющиеся схемы и ограниченную историю по новым токенам.

Dating

В дейтинге фокус сместен на поведенческие модели: выявление ботов и фейковых анкет, мультиаккаунтинга, скам-схем, а также ранжирование показа профилей и прогноз удержания платящих пользователей. Важно балансировать качество матчей, безопасность и вовлечённость, чтобы не ухудшить пользовательский опыт.

Грейды: чем отличается уровень

Head of / Director

Head / Director отвечает за всё направление data science целиком: стратегию, бюджет, найм, связку с руководством и регуляторами. Решения принимаются на уровне портфеля проектов и влияют на несколько продуктов и вертикалей сразу, а личный код и модели составляют небольшую часть работы.

Как стать Head of Data Science

Обычно в роль приходят не сразу: путь начинается с позиций аналитика данных, Data Scientist или ML-инженера, где человек решает реальные задачи в рисковых продуктах. Полезно получить опыт в антифроде, скоринге, CRM или экспериментах, так как именно там видно, как модель влияет на деньги и риск. Важно уметь объяснять результаты нетехническим коллегам, поскольку руководящая роль опирается на коммуникацию не меньше, чем на код.

Чтобы двигаться к Head, стоит параллельно развивать управленческие навыки: вести небольшую команду или хотя бы крупный проект, участвовать в найме, отвечать за приоритеты и бюджет. Полезно изучить статистику экспериментов, MLOps-практики и основы регуляторных требований к моделям в финансах и платежах. Хороший признак готовности: вы уже сами выбираете, какие задачи не стоит делать, и умеете отказать бизнесу с аргументами.

В рисковых вертикалях ценят тех, кто понимает ограничения данных и цену ошибки. Если вы работали с криптовалютными транзакциями, платёжным фродом или поведенческими моделями в дейтинге и гемблинге, это сильный бэкграунд. Работодатели обычно смотрят на реальные проекты, на то, как вы считали эффект, и на опыт работы с командой, а не на количество курсов.

Куда расти дальше: Chief Data Officer (CDO), Director of Data Science, Head of Analytics, Head of Risk Analytics, VP of Data

Термины, которые нужно знать

Антифрод
Риск-скоринг
AML
A/B-тестирование
MLOps
Дрифт модели
On-chain анализ
LTV

Частые вопросы

Чем Head of Data Science отличается от Senior Data Scientist?

Senior Data Scientist в первую очередь строит модели и проводит исследования, а Head отвечает за направление целиком: приоритеты, команду, бюджет и связку с бизнесом. Head может не писать код каждый день, но должен понимать, как работают модели, чтобы принимать решения и оценивать риски.

Зачем рисковым вертикалям отдельный руководитель data science?

Модели напрямую влияют на деньги: антифрод, скоринг, персонализация и прогноз удержания определяют потери и выручку. Нужен человек, который согласует техническую точность с бизнес-целями, требованиями риска и комплаенса, и отвечает за результат, а не только за отчёты.

От чего зависит уровень дохода на этой позиции?

Доход зависит от размера компании, вертикали, масштаба команды и бюджета, а также от того, насколько direct влияние направления на прибыль. В криптовалютных и дейтинговых проектах с высокой ценой ошибки компенсация обычно выше, чем в более стабильных сегментах, но конкретные цифры сильно различаются по рынкам.

Какой опыт нужен, чтобы стать Head of Data Science?

Обычно требуется несколько лет практики в data science или аналитике, опыт построения моделей в продакшене и управления командой или крупными проектами. Важно иметь подтверждённые результаты: внедрённые модели, измеримый эффект и опыт работы с заинтересованными сторонами.

Нужно ли быть программистом, чтобы руководить data science?

Глубоко писать продакшен-код не обязательно, но понимать архитектуру, качество данных, метрики моделей и ограничения инструментов необходимо. Без этого сложно оценивать сроки, риски и аргументы команды, а также задавать правильные вопросы на ревью.

Head of Data Science