Akademisk arbejde
Data scientist
En data scientist finder mønstre i store datamængder og bygger modeller, der forudsiger fx kundefrafald, salg, svindel eller behandlingseffekt. Arbejdet er en blanding af statistik, programmering og forretningsforståelse. Det meste af tiden går med at finde, rense og forstå data — ikke med at træne modeller.
Hvad laver en data scientist?
En data scientist svarer på spørgsmål, virksomheden ikke kan svare på i forvejen. Det starter næsten altid med et konkret problem fra forretningen.
- Hvilke kunder er på vej til at opsige deres abonnement?
- Hvor mange varer skal vi have på lager i uge 40?
- Hvilke transaktioner ligner svindel?
- Hvilke patienter reagerer bedst på behandlingen?
Derefter finder man data frem, renser dem og bygger en model. Modellen kan være en simpel logistisk regression eller et neuralt netværk. Valget afhænger af problemet — ikke af hvad der er nyt og smart.
Typiske opgaver
- Trække og sammenkoble data fra flere systemer med SQL
- Rense data: dubletter, manglende værdier, felter der er udfyldt forskelligt gennem årene
- Lave features, altså omregne rå data til noget en model kan bruge
- Træne og teste modeller og måle, om de rent faktisk er bedre end den nuværende metode
- Designe og analysere A/B-tests, fx på en webshop eller i en app
- Bygge dashboards og rapporter, som andre kan bruge uden hjælp
- Præsentere resultater for folk uden teknisk baggrund
- Overlevere modellen til drift sammen med en data engineer eller ML engineer
En almindelig arbejdsdag
Dagen begynder tit med et kort standup-møde i teamet. Så følger et par timer i en notebook med SQL og Python. Midt på dagen er der typisk møde med en produktejer eller en fagperson fra forretningen. Her handler det om at forstå, hvad tallene betyder i virkeligheden. Eftermiddagen går med kodegennemgang, dokumentation og oprydning i en datapipeline, der er knækket.
En stor del af jobbet er ikke modellering. Det er at forstå, hvordan data er blevet skabt, og hvem der har tastet dem ind. En kolonne der hedder "status" betyder ofte noget andet i salgssystemet end i økonomisystemet.
Hvor arbejder de i Danmark
- Banker og pensionsselskaber: kreditrisiko, svindel, hvidvask
- Medicinal og biotek: kliniske data, produktion, forskning
- Detail og e-handel: efterspørgsel, lager, anbefalinger, priser
- Energi og vind: produktionsprognoser, vedligehold af turbiner
- Telekomselskaber og forsikring: kundefrafald, prissætning
- Det offentlige: sundhedsdata, registre, prognoser
- Konsulenthuse og softwarevirksomheder på tværs af brancher
Forskellen på de nærliggende titler
- Dataanalytiker beskriver, hvad der er sket, og bygger rapporter
- Data scientist forudsiger, hvad der sker, og forklarer hvorfor
- Data engineer bygger og driver de datapipelines, alle andre bruger
- ML engineer sætter modellerne i drift, så de kører stabilt hver dag
I små virksomheder er det ofte den samme person. I store virksomheder er det fire roller.
Til dig der skal ansætte
Bed om et eksempel på et projekt, der ikke virkede. Gode data scientists kan forklare, hvorfor en model blev droppet. Spørg også, hvor mange af deres modeller der endte i drift. Mange kandidater har trænet mange modeller, men aldrig fået én ud til brugerne.
Hvad tjener en data scientist?
Typisk månedsløn (median, fuld tid, før skat)
71.044 kr.
De fleste tjener mellem 58.243 og 87.794 kr./md. (nedre og øvre kvartil).
Kilde: Danmarks Statistik, lønstatistik (LONS20) 2024. Standardberegnet månedsfortjeneste — inkl. pension og tillæg.
Er du data scientist? Se hvor din løn ligger
Skriv din løn — du ser med det samme, hvor du ligger i lønspændet. Helt uden login.
Din erfaring i faget
Hvad får du om måneden, før skat?
Din faste månedsløn før skat. Tallet forlader ikke din telefon, før du selv siger ja.
Arbejder du deltid? Regn op til fuld tid (37 timer), før du sammenligner — statistikken er lavet på fuld tid.
Hvordan bliver man data scientist?
Den almindelige vej er en universitetsuddannelse med tung matematik og statistik. Det tager typisk fem år: tre års bachelor og to års kandidat.
Relevante uddannelser i Danmark
- Datalogi eller machine learning og datavidenskab (KU)
- Kunstig intelligens og data, matematik og teknologi eller matematisk modellering og computing (DTU)
- Data science (SDU, AAU og AU)
- Matematik-økonomi eller statistik (KU, AU og AAU)
- Fysik, biostatistik eller bioinformatik, som mange skifter fra
- Business data science og HA(it.) (CBS) med mere vægt på forretning
Adgangskrav
De fleste af uddannelserne kræver Matematik A og Engelsk B. Nogle kræver også Fysik B eller Kemi B. Adgangskvotienten svinger fra år til år og fra by til by. Har du ikke Matematik A, kan du tage det som suppleringsfag (GSK) bagefter.
Vejen ind uden en data science-kandidat
Mange data scientists er ikke uddannet i data science. De kommer typisk fra:
- Et ph.d.-forløb i fysik, kemi, biologi eller økonomi, hvor de har regnet på data i årevis
- En stilling som dataanalytiker, hvor de gradvist har fået modelopgaver
- Softwareudvikling, hvor de har lært statistik ved siden af
- Aktuar- eller økonomjob i bank og forsikring
Efteruddannelse og kurser
- Master i data science eller enkeltfag på deltid ved DTU, ITU, AU og AAU
- Enkeltfag som tompladsstuderende, hvis du allerede har en videregående uddannelse
- Online kurser i Python, statistik og maskinlæring
Ærligt om bootcamps
Et bootcamp på nogle måneder gør sjældent nogen til data scientist i Danmark. Det kan derimod være nok til et job som dataanalytiker. Derfra er vejen videre helt normal. Arbejdsgivere ser mest på, om du kan vise rigtige projekter med rigtige, rodede data. Tre gennemarbejdede projekter på GitHub tæller mere end ti kursusbeviser.
Til dig der skal ansætte
Kræv ikke en ph.d., hvis opgaven er prognoser og rapportering. Så betaler du for forskningskompetencer, du ikke bruger. Kræv derimod dokumenteret statistikforståelse. Uden den får du modeller, ingen kan stole på.
Værktøjer og teknologi
Sprog og biblioteker
- Python er standarden: pandas, NumPy, scikit-learn, statsmodels
- PyTorch eller TensorFlow til dyb læring
- R bruges stadig meget i medicinal, forskning og biostatistik
- SQL er uundgåeligt — det er sådan data hentes ud
Data og platform
- Databricks, Snowflake eller Microsoft Fabric som dataplatform
- Azure, AWS eller Google Cloud, afhængigt af virksomhedens valg
- Spark til data, der er for store til én maskine
- dbt og Airflow til at bygge og planlægge datapipelines
Værktøj i hverdagen
- Jupyter notebooks eller VS Code
- Git og GitHub til versionsstyring og kodegennemgang
- MLflow til at holde styr på forsøg og modelversioner
- Docker, når modellen skal kunne køre samme sted hver gang
- Power BI eller Tableau, når resultatet skal ud til forretningen
Det danske lag
- GDPR fylder meget. Persondata skal ofte pseudonymiseres, før arbejdet går i gang
- Forskere og analytikere kan få adgang til registerdata via Danmarks Statistiks forskerordning
- Data i danske virksomheder er tit på dansk, med æ, ø og å og feltnavne fra et system fra 90'erne
- CPR-nummer som nøgle er praktisk og juridisk følsomt på samme tid
Til dig der skal ansætte
En kandidat behøver ikke kunne alt på listen. Python, SQL og statistik er kernen. Resten kan læres på jobbet på få uger.
Du leder efter en data scientist i dag. Men et andet sted sidder én og leder efter det, DU er god til.
Sådan bliver mennesker fundet nu — ikke gennem netværk og opslag, men fordi nogen søger. Vi bygger Vift People, fordi det du er god til, fortjener at kunne findes.
Hvad er du bedre til end de fleste?
Det du skriver her, bliver det første kort på din side — du skal kun bruge navn og mail, og det tager to minutter. Og Vift People er nyt: de første med er også de første, der bliver fundet.
Mød menneskene bag titlen
Overvejer du at blive data scientist — eller mangler du en? Søg blandt rigtige mennesker, eller stil faget et spørgsmål og få besked når nogen fra branchen svarer.
Er du selv data scientist? Opret din gratis profil — bliv synlig og få tilbudt opgaver.
Ofte stillede spørgsmål
Hvad laver en data scientist?
En data scientist henter data ud, renser dem og bygger modeller, der forudsiger noget nyttigt. Det kan være kundefrafald, efterspørgsel, svindel eller risiko. Resultatet skal derefter forklares for folk uden teknisk baggrund. Meget af tiden går med datarens, ikke med selve modellen.
Hvad er forskellen på en data scientist og en dataanalytiker?
En dataanalytiker beskriver, hvad der er sket, og bygger rapporter og dashboards. En data scientist bygger modeller, der forudsiger, hvad der sker fremover. Grænsen er flydende i små virksomheder. Der er det ofte den samme person.
Er det svært at blive data scientist?
Ja, det kræver reel matematik og statistik, og det kan ikke læres på et par uger. Til gengæld skal du ikke være et geni. De fleste kommer ind via en universitetsuddannelse med matematik eller via et job som dataanalytiker. Det svære er sjældent koden — det er at vurdere, om et resultat holder.
Skal man være god til matematik for at være data scientist?
Du skal kunne sandsynlighedsregning, lineær algebra og statistisk inferens. Uden det kan du køre en model, men ikke vurdere om den er brugbar. Du skal ikke kunne bevise sætninger i hånden. Du skal kunne se, hvornår et resultat er tilfældigt.
Kan man blive data scientist uden en universitetsuddannelse?
Det sker, men det er svært, og det tager længere tid. Den realistiske vej er at starte som dataanalytiker og lære statistik undervejs. Vis rigtige projekter med rodede data frem for kursusbeviser. Mange arbejdsgivere i Danmark screener stadig på en kandidatgrad.
Hvilke brancher ansætter data scientists i Danmark?
Bank, pension og forsikring ansætter flest, tæt fulgt af medicinal og biotek. Detail og e-handel bruger dem til efterspørgsel og anbefalinger. Energi- og vindsektoren bruger dem til prognoser og vedligehold. Det offentlige ansætter til sundhedsdata og registre.
Bliver data scientists overflødige på grund af AI?
AI-værktøjer skriver en del af koden hurtigere end før. Det ændrer ikke, at nogen skal vælge det rigtige spørgsmål og vurdere, om svaret holder. Den del kræver stadig statistisk dømmekraft og kendskab til forretningen. Kravene flytter sig mod modelvurdering, drift og datakvalitet.
Hvad skal jeg kigge efter, når jeg ansætter en data scientist?
Spørg hvor mange af deres modeller der faktisk kom i drift, og hvad der skete bagefter. Bed om et eksempel på et projekt, der blev droppet, og hvorfor. Test om de kan forklare et resultat på almindeligt dansk. En kandidat, der ikke kan det, får aldrig forretningen med sig.
Udgivet august 2026. Senest opdateret august 2026. Se alle stillinger