כמה מרוויח מדען נתונים (Data Scientist) בישראל?

טוב, בואו נדבר על משהו שמדגדג לכולם בארנק, ולא רק שם. נכון, שמעתם את הבאזז. מדעני נתונים. דאטה סיינטיסטים. התפקיד הלוהט של העשור האחרון. כולם רוצים אותם. כל חברה גדולה, וגם הקטנות שחולמות להיות גדולות, מנסות לגייס אותם בכל הכוח. אבל מה באמת קורה שם מתחת למכסה המנוע? ובעיקר, מה קורה בחשבון הבנק שלהם בסוף החודש? בואו נצלול עמוק. נגלה את הסודות. נבין למה המספרים לפעמים נשמעים כמו פנטזיה, ולפעמים קצת פחות. תתכוננו למסע שייקח אתכם מעבר לכותרות המפוצצות ויספק לכם את התמונה המלאה. בלי בולשיט. רק עובדות, תובנות, וקצת הומור על הדרך.

מי אתם בכלל, אנשי הנתונים האלה? ומה אתם עושים עם כל ה"דאטה" הזה?

לפני שנדבר על כסף, חייבים להבין במי ובמה מדובר. מדען נתונים זה לא קוסם, למרות שלפעמים זה נראה ככה מבחוץ. הם אנשים שלוקחים כמויות אדירות של מידע. דמיינו הר של קבצים, טבלאות, מספרים, מילים, תמונות. כאוס מוחלט, לכאורה.

התפקיד שלהם?

למצוא בתוך הבלגן הזה היגיון. לזהות דפוסים. לחזות מה יקרה מחר. לייצר תובנות שיעזרו לעסק לקבל החלטות טובות יותר.

לקבל החלטות שמביאות כסף. או חוסכות כסף. או משפרות מוצר. או מבינות לקוחות. בקיצור, דברים ששוויים כסף.

אוקיי, אבל איזה מיומנויות קסם אתם צריכים בדיוק?

זה שילוב מעניין. לא מספיק להיות גאון מתמטי או סטטיסטיקאי מחונן. ולא מספיק להיות מתכנת על. צריך קצת מכל דבר. ועוד קצת. קצת סקרנות בלשית. ויכולת לספר סיפור עם מספרים.

• מתמטיקה וסטטיסטיקה: בסיס איתן. בלי זה, אתם סתם משחקים עם מספרים. צריך להבין הסתברות, רגרסיה, מבחני השערות ועוד חברים טובים מהעולם הזה.
• תכנות: בעיקר בפייתון (Python) ו-R. אלה הכלים המרכזיים. צריך לדעת לכתוב קוד נקי ויעיל כדי לנקות נתונים, לבנות מודלים ולהריץ ניסויים. גם SQL חובה, כי מידע יושב בדרך כלל במסדי נתונים.
• למידת מכונה (Machine Learning) ובינה מלאכותית (AI): זה הלחם והחמאה של רבים מהם. לבנות אלגוריתמים שיודעים ללמוד מנתונים ולבצע חיזויים או החלטות בעצמם. לדעת מה זה רשת נוירונים, מה זה עץ החלטה, מתי להשתמש בזה ואיך לגרום לזה לעבוד בפועל.
• הנדסת נתונים (Data Engineering): לפעמים צריך גם להקים את התשתית שמאפשרת לעבוד עם כמויות גדולות של מידע. זה לא תמיד התפקיד הראשי, אבל הבנה בסיסית היא יתרון ענק. עננים (AWS, GCP, Azure) נכנסים חזק לתמונה כאן.
• תקשורת עסקית: אולי הכי חשוב. לדעת להסביר לאנשים שאין להם מושג מה עשיתם, למה זה חשוב ואיך זה עוזר לעסק. לקחת את התובנות המורכבות ולתרגם אותן לשפה פשוטה שגם המנכ"ל יבין. ולהאמין לכם.

בקיצור, דרישות התפקיד הן מולטי-דיסציפלינריות ברמות שקשה למצוא בתחומים אחרים. זה מה שהופך את זה למאתגר, ומכאן גם… ובכן, ניחשתם נכון. שכר.

הפיל שבחדר (או החשבון בנק): כמה באמת מרוויח מדען נתונים בישראל?

אז הגענו לבשר. המספרים. וכאן חשוב לזכור דבר אחד מהותי: אין מספר קסם אחד שמתאים לכולם. השכר של מדען נתונים בישראל יכול להיות טווח עצום. הוא תלוי במיליון ואחד דברים. קצת כמו מחיר של דירה בתל אביב. תגיד לי איפה, כמה חדרים, קומה, מצב, ואז נדבר על מחיר. אותו הדבר כאן. אבל בואו ניתן לכם כיוון כללי, ונדבר על מה משפיע על המחיר.

מה קובע את התמחור שלכם בשוק העבודה? 7 גורמים שכדאי להכיר (ויותר!)

אל תצפו למשכורת מנכ"ל מיד אחרי התואר הראשון, אלא אם כן אתם באמת גאוני על שיצאו ממסלול יוקרתי במיוחד עם פרויקטים מטורפים. השכר קשור ישירות לערך שאתם מביאים לחברה. והערך הזה נבנה עם הזמן והניסיון.

1. ניסיון: זה אולי הגורם הכי משפיע.
   • ג'וניור (0-2 שנות ניסיון): לרוב יתחילו מהתחתית של הטווח. הם עדיין לומדים, בונים את הבסיס.
   • מִיד-לבל (2-5 שנות ניסיון): כבר יודעים לעשות דברים בעצמם, לפתור בעיות, לפעמים מובילים פיצ'רים קטנים. השכר קופץ משמעותית.
   • סניור ומעלה (5+ שנות ניסיון): אלה השחקנים הכבדים. הם יודעים להוביל פרויקטים מקצה לקצה, מנטרים ג'וניורים, משפיעים על האסטרטגיה. השכר קופץ עוד יותר. תפקידי ליד (Lead) או מנג'ר יכולים להוסיף עוד בוסט.
2. השכלה: תואר ראשון במדעים מדויקים, הנדסה או מדעי המחשב זה בסיס. תואר שני או דוקטורט, במיוחד אם הם התמקדו בתחומים רלוונטיים כמו למידת מכונה או סטטיסטיקה, יכולים לתת יתרון התחלתי בשכר (ולפעמים גם לדלג מעמדת ג'וניור לג'וניור+ או מיד). אבל ניסיון מעשי שווה לפעמים יותר מתואר חמישי תיאורטי.
3. תעשייה: איפה אתם עובדים?
   • חברות הייטק ענקיות ומבוססות (המכונות בחיבה "פאנג" או "מאאנג") – לרוב ישלמו הכי הרבה. יש להן כיסים עמוקים, והן מבינות את הערך.
   • סטארטאפים – טווח רחב. סטארטאפ מוקדם אולי ישלם פחות בבסיס אבל יציע יותר אופציות. סטארטאפ בצמיחה מהירה יכול לשלם מצוין, לפעמים כמו הגדולים, כדי לגנוב טאלנט.
   • חברות פיננסיות (בנקים, חברות ביטוח) – משלמות סביר עד טוב, אבל לרוב פחות מחברות הייטק ליבה. יש להן המון נתונים והן צריכות את היכולות האלה.
   • חברות קטנות או מסורתיות – יכולות לשלם פחות, אבל לפעמים התפקיד מעניין יותר או שיש יותר השפעה.
4. גודל החברה: באופן כללי, חברות גדולות משלמות יותר מחברות קטנות. יש להן סקאלות שונות לגמרי של נתונים ושל השפעה.
5. מיקום גאוגרפי: תל אביב והסביבה תמיד היו מרכז ההייטק, והשכר שם בדרך כלל גבוה יותר מבפריפריה. אבל עם העלייה בעבודה מרחוק, הפער הזה מצטמצם קצת.
6. התמחות ספציפית: יש תחומים חמים יותר מאחרים. מומחים בלמידת עומק (Deep Learning), עיבוד שפה טבעית (NLP) או ראייה ממוחשבת (Computer Vision) עם ניסיון מוכח בתעשייה, יכולים לדרוש ולרוב גם לקבל שכר גבוה יותר מהממוצע. כי יש פחות כאלה טובים באמת.
7. כישורים רכים ויכולת מכירה עצמית: כן, זה נשמע מוזר, אבל גם זה משפיע. מדען נתונים שיודע להציג את העבודה שלו, לשכנע, לעבוד בצוות, ולנהל משא ומתן על השכר שלו – ירוויח יותר. פשוט כי הוא יודע איך לגרום לצד השני להבין את הערך שלו.

ועוד אלמנט אחד שלא מדברים עליו מספיק: האופציות. בסטארטאפים, ובמיוחד בסטארטאפים מצליחים, ערך האופציות יכול להיות שווה ואף לעלות על השכר הבסיסי לאורך זמן. זה הימור, כמובן, אבל זה חלק בלתי נפרד מחבילת השכר בהייטק.

מספרים על השולחן: טווחים משוערים (קחו אותם בערבון מוגבל!)

אוקיי, בואו נזרוק כמה מספרים לאוויר. אלה הערכות גסות מאוד, מבוססות על נתוני שוק עדכניים (נכון לכתיבת שורות אלה) ומומחיות שצברתי לאורך השנים. הן יכולות להשתנות מחברה לחברה, מתקופה לתקופה, ובין מועמדים שונים. המספרים הם ברוטו, כמובן, בחודש, בשקלים חדשים.

שכר מדען נתונים בישראל (טווחים גסים):

• ג'וניור (0-2 שנים): מתחילים לרוב בטווח של 20,000 – 28,000 ש"ח. ג'וניורים מאוד חזקים או יוצאי יחידות טכנולוגיות מובחרות בצבא יכולים להתחיל קצת יותר גבוה.
• מיד-לבל (2-5 שנים): כאן הטווח מתרחב משמעותית. 28,000 – 40,000 ש"ח. תלוי מאוד בתפקיד הספציפי, בחברה וביכולות. זה השלב שבו רוב מדעני הנתונים נמצאים.
• סניור (5+ שנים): פה כבר מדברים על מספרים רציניים. 40,000 – 55,000 ש"ח ויכול להגיע גם ל-60,000 ש"ח בחברות מובילות או עם התמחות נדירה.
• ליד/מנג'ר: מעבר ל-50,000 ש"ח ויכול בקלות להגיע ל-60,000, 70,000 ש"ח ומעלה, תלוי בגודל הצוות, האחריות והחברה.

ושוב: אלה הערכות בלבד! ראיתי ג'וניורים שהתחילו ב-25,000 ובכיף, ומיד-לבל עם ניסיון רלוונטי שהתחילו ב-35,000. ראיתי גם אנשים עם 7 שנות ניסיון שמרוויחים 45,000, כי הם עובדים בחברה פחות מפוקסת טק, או כי הם פחות טובים בלנהל משא ומתן (זוכרים את הנקודה על כישורים רכים?).

האופציות, כאמור, יכולות להוסיף נדבך נוסף. בסטארטאפ בשל, מנהל מוצר בכיר או מדען נתונים מוביל יכולים להחזיק אופציות ששווה מיליוני שקלים על הנייר, אם החברה תגיע לאקזיט או הנפקה מוצלחים. זה הסיכון-סיכוי של הייטק.

זה רק על הכסף? היתרונות הנוספים של התפקיד

לא הייתי כנה אם הייתי מתמקד רק במשכורת. נכון, היא גבוהה ומפתה. אבל יש סיבות נוספות שאנשים נמשכים לתחום הזה ונשארים בו (ואז דורשים העלאות שכר, כי הם טובים!).

• האתגר האינטלקטואלי: זה תחום שדורש המון חשיבה. לפתור בעיות מורכבות. לבנות מודלים יצירתיים. לגלות דברים שאף אחד לא ידע קודם על הנתונים. זה מספק מאוד.
• השפעה: התובנות שמדען נתונים מפיק יכולות לשנות כיוון של מוצר, לשפר תהליכים עסקיים, ולחסוך או לייצר מיליוני שקלים. התחושה שאתה משפיע ברמה כזו היא אדירה.
• סביבת עבודה: לרוב, בחברות הייטק, הסביבה היא צעירה, דינמית, מודרנית. יש חשיבה קדימה, שימוש בטכנולוגיות מתקדמות, ופחות בירוקרטיה מחברות מסורתיות (לרוב. לא תמיד!).
• למידה בלתי פוסקת: התחום מתפתח בקצב מסחרר. כל הזמן יש אלגוריתמים חדשים, כלים חדשים, טכניקות חדשות. מי שאוהב ללמוד ולהתפתח – יפרח פה. מי שחושב שהוא יודע הכל – יתקע מאחור די מהר.
• ביקוש גבוה: גם אם השכר לא תמיד מרקיע שחקים כמו בשיא הבועה, הביקוש למדעני נתונים טובים בישראל עדיין גבוה. זה נותן ביטחון תעסוקתי מסוים.

אז נכון, הכסף הוא פקטור משמעותי. מי שמגיע לתחום רק בשביל הכסף, עלול להתאכזב כשיגלה כמה עבודה קשה, לימוד עצמי בלתי פוסק ואתגר אינטלקטואלי זה דורש. מי שמגיע בגלל הסקרנות והאתגר – ירוויח גם את הכסף, כמעט בוודאות.

איך מטפסים בסולם השכר? (רמז: זה לא רק ותק)

אם אתם כבר בתחום, או שוקלים להיכנס אליו, בטח מעניין אתכם לדעת איך לדאוג שהמספרים האלה בצ'ק שלכם רק ימשיכו לעלות. הנה כמה טיפים מניסיון:

• התמקדו בהבאת ערך עסקי: לא מספיק לבנות את המודל הכי מתוחכם בעולם. צריך שהמודל הזה יפתור בעיה אמיתית של העסק ויביא תוצאות מדידות. תמיד תחשבו איך העבודה שלכם משרתת את המטרות העסקיות.
• לימוד מתמיד: אל תנוחו על זרי הדפנה. תמיד תלמדו טכניקות חדשות, כלים חדשים, אלגוריתמים חדשים. קורסים אונליין, כנסים, קריאת מאמרים. זה קריטי כדי להישאר רלוונטי ויקר בשוק.
• התמחו: אחרי כמה שנים בתחום, שקלו להתמקד בנישה ספציפית (NLP, ראייה ממוחשבת, זמן אמת, הנדסת נתונים מתקדמת). מומחים בנישות מבוקשות שוות יותר.
• בנו פורטפוליו: הראו את העבודה שלכם. פרויקטים אישיים ב-GitHub, השתתפות בתחרויות (כמו קאגל), כתיבת בלוג. זה מוכיח שיש לכם תשוקה ויכולות מעבר לעבודה היומיומית.
• שפרו כישורי תקשורת ומצגת: היכולת להסביר עבודה מורכבת בצורה ברורה לאנשים לא טכניים היא נכס אדיר. זה מה שמבדיל בין מדען נתונים מעולה למדען נתונים שגם יודע למכור את עצמו ואת העבודה שלו.
• אל תפחדו לעבור חברה: לפעמים, הדרך המהירה ביותר לקפיצת מדרגה משמעותית בשכר היא לעבור לחברה אחרת, במיוחד אחרי 2-4 שנות ניסיון. חברות חדשות לרוב יציעו יותר כדי לגייס טאלנט מבוסס.
• למדו לנהל משא ומתן: לפני שאתם מקבלים הצעה, תעשו שיעורי בית. תבינו מה טווח השכר המקובל לתפקיד ולניסיון שלכם בחברה דומה. תבואו מוכנים, תהיו בטוחים בערך שלכם, ואל תתביישו לבקש יותר. המקסימום שיקרה זה שיגידו לא (ואז תחליטו אם ההצעה המקורית מספיק טובה).

מי שישקיע בעצמו, יצבור ניסיון רלוונטי, וידע למכור את עצמו כמו שצריך, יראה איך השכר שלו מטפס בהתאם.

יש לכם שאלות בוערות? בואו נראה אם יש לנו תשובות!

בטח צצו לכם בראש כמה דברים בזמן שקראתם. בואו ננסה לענות על כמה שאלות נפוצות:

שאלה 1: האם חייבים תואר שני או דוקטורט כדי להיות מדען נתונים ולהרוויח טוב?

תשובה 1: לא חובה, אבל זה עוזר, בעיקר בתחילת הדרך ובתפקידים שהם יותר מחקרים. הרבה חברות בהייטק מעדיפות מועמדים עם ניסיון תעשייתי מוכח על פני תארים מתקדמים תיאורטיים בלבד. תואר ראשון חזק עם פרויקטים רלוונטיים וניסיון עבודה יכולים להספיק בהחלט.

שאלה 2: האם אפשר לעשות הסבה מקצועית לתחום ממקצוע אחר?

תשובה 2: בהחלט! ראיתי אנשים שמגיעים מפיזיקה, מתמטיקה, ביולוגיה, הנדסה ואפילו מדעי הרוח (עם רקע כמותי חזק!). זה דורש השקעה רבה בלימוד עצמי, קורסים, בניית פורטפוליו חזק ונטוורקינג. זה לא קל, אבל לגמרי אפשרי.

שאלה 3: מה ההבדל בשכר בין מדען נתונים למהנדס למידת מכונה (ML Engineer)?

תשובה 3: ההבדל מיטשטש בשנים האחרונות. באופן מסורתי, מהנדס ML התמקד יותר בלהכניס מודלים לפרודקשן ולבנות את התשתיות, בעוד שמדען נתונים התמקד יותר במחקר, ניתוח ובניית המודלים הראשוניים. כיום, הרבה תפקידים דורשים את שני הכובעים. לרוב, מהנדסי ML מנוסים, במיוחד כאלה עם רקע חזק בהנדסת תוכנה ותשתיות, ירוויחו בטווחים דומים, ולפעמים אף גבוהים יותר, ממדעני נתונים עם ניסיון מקביל, בגלל שהיכולת ליישם מודלים בקנה מידה גדול היא סופר מבוקשת.

שאלה 4: כמה חשובות האופציות בהצעה?

תשובה 4: תלוי איפה אתם בקריירה ומה רמת הסיכון שאתם מוכנים לקחת. בג'וניור או מיד-לבל, השכר הבסיסי לרוב יותר חשוב. בסניור ומעלה, ובסטארטאפים בשלבים מתקדמים, האופציות יכולות להיות משמעותיות מאוד. כדאי תמיד להבין כמה אופציות מקבלים, מה השווי שלהן (על הנייר), מה ה-Vesting (תקופת ההבשלה) והאם החברה בצמיחה טובה.

שאלה 5: האם עבודה מרחוק משפיעה על השכר?

תשובה 5: בתחילת עידן הקורונה, חברות רבות עברו לעבודה מרחוק מלאה והשכר נשאר זהה. כיום, יש מגמה מסוימת של חזרה למשרדים (מודל היברידי או מלא), וחלק מהחברות שמאפשרות עבודה מרחוק מלאה מחו"ל לפעמים מתאימות את השכר לעלות המחיה המקומית. אבל בתוך ישראל, לרוב, עבודה מרחוק לא תשפיע דרמטית על השכר אם מדובר באותה חברה ובאותה רמת אחריות.

שאלה 6: כמה קשה למצוא עבודה כג'וניור בלי ניסיון בכלל?

תשובה 6: זה האתגר הכי גדול בתחום כיום. חברות רבות מחפשות ג'וניורים עם "ניסיון" (שזה אוקסימורון קלאסי של הייטק). הדרך להתגבר על זה היא לבנות פורטפוליו חזק של פרויקטים אישיים, לעשות פרויקטים התנדבותיים, לכתוב קוד ולפרסם אותו, ולנטוורק בלי סוף. זה דורש המון התמדה, אבל זה אפשרי. יחידות טכנולוגיות בצבא גם פותחות דלתות בקלות יחסית.

שאלה 7: האם השכר צפוי להמשיך לעלות באותו קצב?

תשובה 7: קצב העלייה בשכר התמתן קצת מאז שיאי 2021-2022, יחד עם האטה מסוימת בשוק ההייטק העולמי. עם זאת, הביקוש לטאלנט איכותי עדיין גבוה, והצורך לנצל נתונים רק גובר. השכר צפוי להישאר גבוה ולעלות, אבל אולי בקצב פחות מסחרר מהשנים האחרונות. מומחים בתחומים פורצים כנראה ימשיכו לראות קפיצות משמעותיות.

בשורה התחתונה: שווה להיכנס לתחום?

אם אתם אוהבים לפתור בעיות מורכבות, אתם לא מפחדים ממספרים ומקוד, ואתם מוכנים ללמוד כל החיים – אז כן. התחום של מדע הנתונים הוא מרתק, מאתגר, וכן, גם מתגמל מאוד מבחינה כלכלית. הוא פותח דלתות להמון תעשיות שונות ומאפשר לכם להיות בחוד החנית של קבלת החלטות מבוססת נתונים.

השכר בישראל בהחלט תחרותי ברמה עולמית, במיוחד בחברות המובילות. אבל זכרו, המספרים שראינו הם רק חלק מהתמונה. הסיפוק המקצועי, האתגר היומיומי, וההשפעה שיכולה להיות לכם – אלה דברים שלא תמיד מתורגמים לשורה התחתונה בתלוש, אבל הם לא פחות חשובים לקריירה מוצלחת ומאושרת.

אז אם המספרים עשו לכם חשק, ואם האתגר מדבר אליכם, אולי זה בדיוק הזמן לצלול לעולם המרתק של מדע הנתונים. שיהיה בהצלחה, ושהנתונים יהיו לצידכם!