Аналитик исследования операций не просто строит отчёты и не только обучает модели машинного обучения. Его задача — найти наилучшее решение при ограничениях: составить маршруты доставки, распределить заказы по складам, спланировать выпуск продукции, назначить смены, выбрать объём запасов или загрузку оборудования.
Это важная оговорка для оценки дохода: рынок покупает не само знание линейного программирования, а способность превратить дорогую операционную проблему в работающий алгоритм и встроить его в процессы компании. Поэтому профессия может хорошо оплачиваться, но остаётся узкой: предложений с буквальным названием «аналитик исследования операций» немного.
Почему зарплаты по профессии трудно посчитать точно
Для этой специализации нет качественной общероссийской статистики зарплат именно по должности Operations Research Analyst. В российских объявлениях работодатели используют разные названия:
- программист-математик;
- математик-алгоритмист;
- Data Scientist / ML-инженер в логистике;
- специалист по оптимизации;
- разработчик алгоритмов, инженер по моделированию или исследователь.
Одни из этих позиций ближе к классическому исследованию операций, другие смешивают оптимизацию с ML, компьютерным зрением, цифровыми двойниками или высокопроизводительными вычислениями. Поэтому средняя зарплата по запросу «аналитик» или «Data Scientist» будет неточной: она включает слишком разные работы.
Есть и вторая проблема — вакансии часто не раскрывают компенсацию. Например, объявление Wildberries о программисте-математике в команде маршрутизации подробно описывает задачи TSP/VRP, линейное и целочисленное программирование, но не указывает зарплату. А вакансия программиста-математика для цифрового двойника также делает упор на прикладную математику и программирование, не публикуя вилку дохода. (hh.ru)
Поэтому цифры из карточки профессии — 140 тыс. ₽ для junior, 230 тыс. ₽ для middle и 350 тыс. ₽ для senior — разумнее воспринимать как ориентир для сильного кандидата в крупных городах и технологичных командах, а не как гарантированную рыночную сетку. Особенно важно уточнять, о какой сумме идёт речь: до вычета НДФЛ или на руки, включает ли она премию, относится ли к Москве и требует ли уже коммерческого опыта.
Какие доходы подтверждаются вакансиями
Ниже — не «средняя зарплата по рынку», а несколько наблюдаемых точек из объявлений, связанных с оптимизацией. Они показывают разброс и то, как опыт меняет цену специалиста.
| Пример позиции | Условия и требования | Указанный доход | Что это говорит о рынке |
|---|---|---|---|
| Data Scientist в логистической IT-компании EME | Опыт не требуется; работа в офисе; задачи связаны с DS/ML для логистических решений | 90–115 тыс. ₽ на руки в месяц | Старт через смежную позицию возможен, но не означает, что человек сразу решает сложные OR-задачи |
| Data Scientist / ML-инженер «алгоритмы и оптимизация», Rubbles | 3–6 лет опыта; удалённый или гибридный формат; оптимизация, планирование, распределение ресурсов, логистика | от 350 тыс. ₽ до вычета налогов в месяц | Высокая вилка появляется при сочетании опыта, алгоритмов, оптимизации и умения работать с бизнесом |
| Программист-математик в маршрутизации | Требуются TSP/VRP, теория графов, алгоритмы, линейное и целочисленное программирование; опыт 1–3 года | Не указано | Работодателю нужен не «аналитик вообще», а инженер, способный поддерживать и развивать производственные алгоритмы |
В EME опубликована стартовая позиция Data Scientist с диапазоном 90–115 тыс. ₽ на руки и без требования опыта. В Rubbles для специалиста с 3–6 годами опыта, который знает задачи оптимизации, планирования и распределения ресурсов, заявлено от 350 тыс. ₽ до вычета налогов. Эти суммы нельзя напрямую сопоставлять: отличаются уровень позиции, формат выплаты и содержание работы. Но разрыв хорошо показывает главный факт: в оптимизации наиболее заметно оплачивается не диплом сам по себе, а доказанная способность решать сложные задачи в продукте или операции. (hh.ru)
Как читать ориентиры из карточки профессии
- Junior: около 140 тыс. ₽. Это достижимый, но не автоматический ориентир. Для выпускника без стажировки и внедрённых проектов он может оказаться завышенным: стартовые предложения нередко идут через Data Science, разработку, прикладную аналитику или исследовательские команды с более широким профилем.
- Middle: около 230 тыс. ₽. Реалистичнее для специалиста, который не только собрал модель в ноутбуке, но и умеет работать с данными, ограничениями, API, тестами, мониторингом и бизнес-метриками.
- Senior: около 350 тыс. ₽ и выше. Такой уровень подтверждается отдельными вакансиями, но обычно относится к кандидатам с несколькими годами релевантной практики. Ожидается, что они самостоятельно поставят задачу, выберут метод, объяснят компромиссы и доведут решение до эксплуатации. (hh.ru)
Не стоит механически сравнивать эту траекторию с зарплатами всех работников логистики или всех IT-специалистов. Аналитик исследования операций может числиться и в IT-команде маркетплейса, и в отделе планирования промышленной компании, и у разработчика складских систем. У таких работодателей разные бюджеты, города, бонусы и правила оплаты.
От чего зависит доход: шесть главных факторов
1. Цена оптимизируемого решения
Чем дороже ошибка или неэффективность процесса, тем выше потенциальная ценность специалиста. Перенести часть заказов между складами, сократить километраж маршрутов или уменьшить простои производства может затрагивать большие бюджеты. Но работодателю важно увидеть не красивую формулу, а измеримый эффект: например, сокращение времени расчёта, повышение доли заказов, доставленных в срок, или снижение затрат на маршрут.
Практический пример: модель составления маршрутов может предлагать оптимальный план на карте. Однако ценность для компании появится только после учёта реальных ограничений: вместимости машин, окон доставки, правил работы курьеров, пробок, приоритетов клиентов и доступности водителей. Если модель не учитывает эти условия, она останется исследовательским прототипом — и не создаст основания для высокой зарплаты.
2. Домен: логистика, производство, ритейл, финансы, инженерия
Одни и те же математические методы применяются по-разному. В логистике нужны VRP, теория графов и интеграция с операционными системами; в производстве — планирование, расписания и ограничения оборудования; в инженерных продуктах — численные методы и верификация расчётных алгоритмов.
В вакансии Wildberries по маршрутизации требуются решение NP-сложных задач, включая TSP и VRP, а также развитие алгоритмов, их масштабирование и поддержка. В роли программиста-математика для цифрового двойника работодатель отдельно называет Python или MATLAB, численные методы, статистику и готовность работать со слабо формализованными задачами. Это два разных домена, но в обоих доход повышает редкое сочетание математики и инженерной реализации. (hh.ru)
3. Умение довести модель до production
Высоко ценится специалист, который может пройти весь путь:
- поговорить с логистом, технологом или планировщиком;
- зафиксировать цель и ограничения;
- проверить качество входных данных;
- собрать модель и выбрать решатель или эвристику;
- протестировать решение на сценариях;
- встроить расчёт в сервис;
- наблюдать за результатом после запуска.
В объявлениях это часто скрыто за словами «разрабатывать и поддерживать алгоритмы», «улучшать производительность», «адаптировать под специфические условия». То есть работодателю нужен не только исследователь, но и человек, готовый отвечать за работающую систему. (hh.ru)
4. Стек и вычислительная инженерия
Python важен для быстрого прототипирования, но сам по себе редко выделяет кандидата. Доход растёт, если вместе с ним есть:
- линейное, целочисленное и смешанно-целочисленное программирование;
- теория графов, комбинаторика, эвристики и метаэвристики;
- OR-Tools, Gurobi, CPLEX или другой инструмент решения задач;
- SQL и работа с данными;
- один из инженерных языков — C++, Java, Go — когда критична производительность;
- понимание тестирования, профилирования, контейнеризации и эксплуатации сервисов.
Показателен пример команды маршрутизации: помимо математической базы, там ожидаются алгоритмы и структуры данных, знание объектно-ориентированного языка и готовность работать с Go, Kubernetes и CI/CD. Это объясняет, почему такие позиции часто оплачиваются ближе к сильной разработке, а не к базовой аналитике. (hh.ru)
5. Уровень самостоятельности и коммуникации
Senior-специалист не ждёт полностью готовой постановки. Он умеет задать неудобные вопросы: что считается успехом, какой расчёт допустим по времени, можно ли нарушить ограничение, кто будет пользоваться результатом, что делать при отсутствии данных. В вакансии Rubbles прямо упомянута способность обсуждать решения с командой и бизнес-заказчиками; это не второстепенный «soft skill», а часть профессиональной ценности. (hh.ru)
6. Город, формат и тип работодателя
Наиболее дорогие роли концентрируются в крупных технологических компаниях, маркетплейсах, финтехе, логистических платформах и инженерных центрах. Удалёнка встречается, но не должна восприниматься как норма: работа может требовать доступа к внутренним данным, частого контакта с операционными командами или присутствия рядом с производством.
По данным hh.ru за май 2026 года, на Москву приходилось 19% активных вакансий платформы, а на Санкт-Петербург — 8%; это не статистика именно по исследованию операций, но она объясняет, почему широкий выбор высокооплачиваемых позиций чаще находится в крупнейших центрах занятости. (stats.hh.ru)
Состояние рынка: узкий, но не исчезающий
Оценка «спрос 2 из 5» для этой профессии выглядит честной, если понимать её правильно. Это не означает, что оптимизация не нужна бизнесу. Скорее, это означает, что вакансий с точным названием немного, а входные требования высокие.
Что поддерживает спрос
Рынок подпитывают отрасли, где каждое решение повторяется тысячи раз и его можно улучшить алгоритмически:
- доставка, фулфилмент и маршрутизация;
- управление запасами и складская логистика;
- планирование производства и загрузки мощностей;
- ритейл и распределение спроса;
- транспортные и телеком-инфраструктурные системы;
- инженерные расчёты, САПР и цифровые двойники.
В прогнозе hh.ru на 2026 год среди сфер с наибольшим числом вакансий названы логистика и цепочки поставок, промышленность, а среди факторов рынка — цифровизация процессов и перестройка логистических цепочек. Это косвенно благоприятный фон для оптимизации, но не доказательство массового найма именно OR-аналитиков. (usa.hh.ru)
Почему вход сложный
У рынка есть три характерные особенности.
- Вакансии маскируются под другие названия. Если искать только Operations Research Analyst, можно пропустить большую часть релевантных ролей.
- Junior-позиций мало. Бизнесу часто нужен человек, который уже умеет формализовать задачу и писать код, поэтому работодатели охотнее нанимают кандидатов с опытом разработки, DS или прикладной математики.
- Конкуренция неоднородна. Для начинающих IT-специалистов конкуренция остаётся высокой, тогда как редкая глубокая экспертиза с отраслевым опытом ценится заметно выше. hh.ru прямо прогнозирует избыток кандидатов на начальном IT-уровне и рост требований работодателей. (usa.hh.ru)
Практическая стратегия поиска поэтому шире одного названия должности. Имеет смысл смотреть запросы «программист-математик», «математик-алгоритмист», «оптимизация логистики», «планирование», «routing», «VRP», «operations research», «Data Scientist optimization» и названия конкретных доменных задач.
Как повысить ожидаемый доход ещё до первого оффера
Сильное портфолио для этой профессии — не набор сертификатов, а несколько воспроизводимых проектов с понятным бизнес-смыслом.
Пример 1. Маршрутизация. Возьмите набор заказов с координатами, временными окнами и ограничением вместимости автомобилей. Решите VRP, сравните базовый жадный алгоритм и решение OR-Tools, измерьте длину маршрутов, долю обслуженных заказов и время расчёта. Объясните, почему нельзя просто выбрать математически кратчайший путь.
Пример 2. Планирование производства. Смоделируйте выпуск нескольких продуктов на ограниченном числе станков. Добавьте переналадки, сроки заказов и ограничение на сырьё. Покажите, как меняется результат при изменении спроса или поломке одного станка.
Пример 3. Запасы. Постройте модель пополнения запасов для нескольких складов с ограниченным бюджетом и прогнозом спроса. Здесь полезно не только выдать план, но и разобрать риск дефицита при ошибке прогноза.
В каждом кейсе работодателю важнее увидеть четыре вещи: постановку, допущения, качество данных и проверку результата. Код без описания ограничений говорит о кандидате меньше, чем аккуратная работа с неполной и противоречивой реальностью.
Чек-лист: подходит ли вам эта траектория
Отметьте пункты, с которыми вы скорее согласны.
- [ ] Мне интересно разбираться, почему задача устроена именно так, а не только получать ответ из библиотеки.
- [ ] Я уверенно работаю или готов(а) серьёзно работать с линейной алгеброй, теорией вероятностей, дискретной математикой и алгоритмами.
- [ ] Мне нравится искать компромисс между несколькими целями: стоимостью, сроком, качеством, риском.
- [ ] Я готов(а) писать производственный код и разбираться с данными, а не ограничиваться математической моделью в ноутбуке.
- [ ] Меня не пугает необходимость глубоко погружаться в логистику, производство или другой предметный домен.
- [ ] Я готов(а) к тому, что первая роль может называться не «аналитик исследования операций», а иначе.
- [ ] Я могу объяснить не-математику, почему «оптимальное» решение зависит от выбранной цели и ограничений.
Если уверенно отмечены пять–семь пунктов, направление стоит рассмотреть. Если привлекают только высокие зарплаты, но не нравятся математика, программирование и неопределённые постановки, вход в профессию, вероятно, будет слишком затратным.
Честный вывод
Аналитик исследования операций — не массовая карьерная дорожка и не быстрый путь к senior-доходу. На российском рынке по состоянию на 12 августа 2026 года точных вакансий немного, а опубликованные предложения сильно различаются по названию, обязанностям и способу указания зарплаты.
Зато у профессии есть сильная сторона: там, где компания действительно зависит от маршрутов, расписаний, мощностей или запасов, качественная оптимизация создаёт измеримую ценность. Кандидат, который объединяет прикладную математику, программирование, понимание домена и внедрение решений, может претендовать на доход выше типового уровня аналитики. Но рассчитывать на это стоит после нескольких лет целенаправленной практики, а не сразу после изучения одной библиотеки или одного метода.
Самый реалистичный маршрут — получить фундамент в прикладной математике и разработке, сделать несколько содержательных оптимизационных кейсов, затем искать смежные роли в логистике, промышленности или data science. Профессия подходит тем, кому интереснее улучшать реальные системы с ограничениями, чем работать с абстрактными данными ради отчёта.