Salaire Data Scientist 2026 : grille par niveau et par ville, et comment le négocier

Réponse courte : à Paris en 2026, un Data Scientist confirmé (3 à 5 ans) touche en général 46 à 58 K€ brut fixe. Un senior (6 à 10 ans) gagne 58 à 72 K€, un expert ou lead (11 ans et plus) 75 à 92 K€. Comptez 10 à 13 % de moins en région. Sur les 70 recrutements data menés par Lity, ce sont ces repères que j'utilise pour caler une offre. En recrutement data, une offre sous ces repères perd vite le candidat en finale.

Les fourchettes de cet article viennent du baromètre des salaires Lity. Je les ai recoupées avec deux sources publiques : l'étude APEC 2025 sur les rémunérations des cadres et les estimations HelloWork tirées des offres d'emploi. Ce sont des fourchettes de marché observées, pas des vérités : une offre réelle dépend de l'entreprise, du périmètre et de votre parcours.

Salaire Data Scientist 2026 : la grille par niveau

Trois critères font le prix d'un Data Scientist. Les années d'expérience, d'abord. La part de modèles réellement mis en production, ensuite. Enfin, la capacité à porter un sujet du cadrage métier au suivi en prod. Voici la grille en salaire fixe brut annuel, hors variable et hors equity.

Lecture : fixe brut annuel. Junior et confirmé : médiane du baromètre Lity en début de tranche moins 7 %, médiane de fin de tranche plus 7 %. Senior : médianes à 6 et 10 ans. Le palier expert monte jusqu'à 15 % au-dessus de la médiane à 13 ans. Head of Data : grille des postes de direction. Recoupement : HelloWork estime un Data Scientist confirmé à 53,1 K€ et un senior à 61,4 K€ (offres d'emploi). Sur Glassdoor, les Data Scientists parisiens déclarent 43 à 54 K€ de salaire de base, 48 K€ en moyenne (relevé du 26 octobre 2026).

Le total package Data Scientist : au-delà du fixe

Le fixe ne dit pas tout. Selon l'APEC, 46 % des cadres des métiers du Big Data ont une part variable, d'un montant médian de 4 000 € par an. S'y ajoutent, selon les entreprises, des BSPCE, un budget formation et une politique de télétravail. Ces éléments pèsent dans la décision des candidats que je rencontre.

Le variable : quelques milliers d'euros en général

Pour un Data Scientist, le variable prend la forme d'un bonus lié aux objectifs collectifs, rarement d'une commission. Les 4 000 € de médiane relevés par l'APEC pèsent environ 7 % d'un fixe de 54 K€. Au niveau lead, la part monte souvent. Faites-vous confirmer les montants versés sur les trois dernières années.

Les BSPCE : levier patrimonial en scale-up

En startup et en scale-up, des BSPCE viennent souvent compléter le fixe. Le schéma le plus courant : acquisition sur 4 ans avec une première tranche au bout d'un an (cliff). Leur valeur dépend de trois chiffres à demander par écrit : nombre de bons, prix d'exercice, nombre total d'actions sur une base diluée. Sans ces trois chiffres, impossible de savoir ce que vous valez au capital. Je conseille de les traiter comme une option sur l'avenir, jamais comme du salaire.

Le budget formation et les conférences

Un Data Scientist se forme en continu : conférences comme NeurIPS, ICML ou KDD, cours en ligne sur Coursera ou DeepLearning.AI. Aucune étude publique ne fixe un montant de référence. Mon conseil : demandez le budget annuel par personne et ce qui a été réellement consommé l'an passé. La réponse en dit long sur la place de la data dans l'entreprise.

Le télétravail : un point à négocier à part

La plupart des offres data que je vois proposent du télétravail partiel. Le full remote existe, surtout dans les entreprises déjà distribuées. Notre baromètre l'associe à une décote d'environ 8 % par rapport à la grille parisienne. Faites préciser le rythme dans la promesse d'embauche : un accord oral sur le télétravail ne protège personne.

Salaire Data Scientist par secteur : où le marché paie le plus

À expérience égale, le secteur décale le fixe de quelques points. Les fourchettes ci-dessous appliquent au Data Scientist confirmé parisien (3 à 5 ans) les coefficients sectoriels de notre baromètre.

Salaire par région : Paris, métropoles, full-remote

Paris concentre la majorité des offres data et les fixes les plus hauts. Recruter un profil data à Paris impose donc de s'aligner sur le haut du marché. Les grandes métropoles suivent avec un écart de 10 à 15 % sur le fixe. Le télétravail partiel permet à certains profils en région de viser des postes parisiens.

Lyon, Toulouse, Nantes : les grilles régionales

Un Data Scientist confirmé à Lyon se situe autour de 41-52 K€. À Toulouse ou à Nantes, comptez 40-50 K€. En senior, ajoutez 10 à 20 K€. Toulouse recrute beaucoup dans l'aéronautique, le spatial et la deeptech. Un cabinet de recrutement data à Toulouse puise largement dans ces filières industrielles. Nantes recrute surtout chez des éditeurs de logiciels et dans les services.

Bordeaux, Lille, Rennes : des volumes plus faibles

À Bordeaux et à Lille, un confirmé se situe autour de 40-51 K€. Dans les autres villes, notre baromètre applique une décote d'environ 15 %, soit 39-49 K€. Les postes viennent surtout de la distribution, des télécoms et des sociétés de services.

Le full-remote France : grille à part

En full remote pour une société parisienne, un Data Scientist confirmé se situe autour de 42-53 K€. Quand l'employeur est étranger, la grille est la sienne et varie trop pour en tirer une règle. Je compare alors toujours le fixe brut annuel en euros, avantages mis à part.

Les 5 facteurs qui font monter le salaire d'un Data Scientist

Facteur 1 : la maîtrise de la stack IA générative

Fine-tuner un modèle de langage, monter un RAG en production, évaluer un agent : ces compétences tirent le salaire vers celui des ML Engineers. Dans notre baromètre, un ML Engineer confirmé a une médiane de 57 K€ à Paris. Un Data Scientist au même niveau est à 52 K€, soit environ 10 % d'écart. Outils fréquents dans les offres : LangChain, LlamaIndex, vLLM, Hugging Face. Ces profils recoupent ceux qu'on cherche pour recruter un AI engineer.

Facteur 2 : la spécialisation domaine

Fraude et paiement, NLP médical, vision industrielle : ces domaines demandent une connaissance métier qui met des années à se construire. Le marché la paie, mais aucune étude publique ne chiffre proprement cette prime. Ce que j'observe : à expérience égale, le spécialiste a plus d'offres et négocie avec plus de marge. Pour recruter en fintech, cette expertise fraude et paiement fait souvent la différence.

Facteur 3 : le passage en production

Un Data Scientist qui reste dans les notebooks progresse moins vite. Celui qui sait déployer un modèle, suivre la dérive des données, organiser le réentraînement et mener un test A/B se rapproche du profil ML Engineer. Outils courants : MLflow, Weights & Biases, Kubeflow, BentoML.

Facteur 4 : la communication business

Présenter un modèle à la direction, traduire un gain de précision en euros, négocier une priorité avec un Product Manager. C'est ce qui fait passer de senior à lead. Sans ce savoir-faire, le profil reste sur l'exécution et le salaire suit la même pente.

Facteur 5 : changer de boîte tous les 3 à 4 ans

Les hausses annuelles internes rattrapent rarement le prix du marché data. Un changement de poste permet de repartir sur la grille actuelle. L'ampleur du gain dépend de l'écart de départ : je ne crois pas aux moyennes publiées sans source sur ce sujet.

Les 4 trajectoires d'évolution d'un Data Scientist

Trajectoire 1 : Senior puis Lead Data Scientist

La voie la plus courante. Senior entre 6 et 10 ans, puis expert ou Lead Data Scientist à partir de 11 ans, souvent avec 3 à 6 personnes à encadrer. Ce palier se situe autour de 75-92 K€ à Paris selon notre baromètre. Sur Glassdoor, un Lead Data Scientist parisien déclare 60 à 75 K€ de salaire de base, sous notre palier expert.

Trajectoire 2 : ML Engineer / MLOps

Bascule technique vers la mise en production des modèles : Kubernetes, Airflow, MLflow, BentoML. Un ML Engineer senior (6 à 10 ans) se situe autour de 64-76 K€ à Paris dans notre baromètre, et 79-97 K€ au palier expert. Les offres pour ce profil sont nombreuses depuis l'arrivée des LLM en production. Le recrutement IA y est l'un des plus tendus de la data.

Trajectoire 3 : Head of Data

Entre 10 et 13 ans, un lead peut prendre la tête de l'équipe data d'une scale-up. Périmètre fréquent : 10 personnes ou plus, entre data science, data engineering et analyse. Notre baromètre situe le fixe d'un Head of Data autour de 90-140 K€ à Paris, selon la taille de l'équipe. Les BSPCE s'ajoutent souvent à ce niveau. Le métier de head of data devient alors surtout du management et de la stratégie.

Trajectoire 4 : Chief Data Officer ou VP AI

Au comité de direction, un Chief Data Officer ou un VP AI dépasse en général 125 K€ de fixe dans notre baromètre. Dans les grandes structures, on passe 200 K€. Ces postes se pourvoient presque toujours par approche directe. C'est le terrain de l'executive search tech.

Data Scientist freelance : TJM 2026

Le TJM médian d'un Data Scientist freelance tourne autour de 680 € HT par jour. La moitié des tarifs se situe entre 580 et 780 € (baromètre TJMètre, 196 réponses sur 12 mois, octobre 2026). Je n'ai pas pu consulter le baromètre Malt pour recouper ce chiffre. Sur 200 jours facturés, une médiane de 680 € donne environ 136 K€ de chiffre d'affaires HT, avant charges. Pour l'entreprise, recruter un freelance tech à ce tarif se justifie surtout sur une mission courte et cadrée.

Les spécialisations qui tirent le TJM vers le haut

• Fine-tuning LLM en production (RAG, agents, eval)
• MLOps avancé : Kubernetes, monitoring, feature store
• Computer vision industriel (défauts qualité, robotique)
• Risk modeling fintech (scoring, fraude, AML)

Arbitrage salarié vs freelance

Côté salarié : congés payés, mutuelle, formation financée, parfois des BSPCE. Côté freelance : un revenu journalier plus élevé, mais des charges sociales à payer soi-même et des semaines sans mission à absorber. Pour comparer honnêtement, ramenez le TJM à un coût employeur, pas au brut affiché sur une offre.

Comment négocier son salaire Data Scientist : la méthode en 5 étapes

Étape 1 : connaître la grille marché à jour

Croisez au moins deux sources. L'APEC donne les médianes de cadres, HelloWork ou Glassdoor les estimations par poste. Le baromètre des salaires de Lity affine selon votre ville et votre secteur. Fixez ensuite votre plancher et une cible réaliste, en haut de la fourchette du marché.

Étape 2 : demander la fourchette du poste

Quand on vous demande vos prétentions, retournez la question : « Quelle est l'enveloppe prévue pour ce poste ? ». Beaucoup d'annonces publient déjà une fourchette. Partez de son haut, pas de votre salaire actuel.

Étape 3 : objectiver avec votre track record

Citez deux résultats livrés sur votre poste actuel. Par exemple un modèle déployé et son effet sur le chiffre d'affaires, ou un coût d'inférence réduit. Un résultat chiffré justifie de viser le haut de la fourchette.

Étape 4 : négocier le total package

Fixe bloqué ? Déplacez la discussion : variable garanti sur la première année, BSPCE en plus, télétravail élargi, budget pour une conférence comme NeurIPS. Pour l'employeur, ces lignes sont moins coûteuses qu'une hausse de fixe.

Étape 5 : obtenir l'offre par écrit

Tant que rien n'est écrit, rien n'est acquis. La promesse d'embauche doit préciser le fixe, le variable et ses conditions, les BSPCE (nombre, prix, calendrier). Ajoutez la date d'entrée, la période d'essai et le télétravail.

Salaire Data Scientist vs Data Analyst vs Data Engineer

Les quatre métiers data se paient différemment, mais les écarts sont plus faibles qu'on ne le dit. Voici les fourchettes de fixe à Paris selon notre baromètre, par palier. Le salaire d'un ingénieur data suit d'ailleurs la même courbe au niveau confirmé.

Au niveau confirmé, Data Scientist et Data Engineer sont à égalité. HelloWork montre le même coude à coude : 53,1 K€ contre 52,3 K€ pour un confirmé.

À partir du palier senior, le Data Engineer garde quelques K€ d'avance dans notre baromètre. Pour le détail des métiers, voyez nos fiches Data Engineer et Data Analyst, ou notre comparatif Data Analyst ou Data Scientist.

Profil et complexité : la matrice de positionnement

Au-delà des années d'expérience, deux axes déplacent un profil dans la grille : la stack maîtrisée et la preuve d'impact. La matrice ci-dessous est une grille de lecture, pas une mesure.

Erreurs qui plafonnent le salaire d'un Data Scientist

Erreur 1 : rester en notebook Jupyter

Un Data Scientist qui ne livre que des notebooks reste en bas de la fourchette de son niveau. Au bout de 18 mois à deux ans, visez au moins un modèle déployé et suivi. Le métier de data scientist se juge désormais sur ce qui tourne en production.

Erreur 2 : ignorer la mesure d'impact business

« A entraîné un modèle de classification » ne dit rien à un recruteur. « A déployé un modèle de scoring qui a réduit les impayés de X % » change la discussion. Le chiffre business justifie le saut de salaire.

Erreur 3 : refuser la dette ML

Celui qui ne veut faire que des nouveaux projets passe à côté de la maintenance, du réentraînement et de la dérive. C'est pourtant ce que les équipes cherchent chez un senior. Sans cet historique, la progression ralentit.

Erreur 4 : négliger le réseau Data

Beaucoup de postes se pourvoient avant même d'être publiés. Les meetups PyData Paris, la MLOps Community ou les événements Hugging Face sont de bons endroits pour être repéré. Trois ans sans présence dans ces cercles, c'est autant d'opportunités manquées.

Recruter un Data Scientist ou évoluer : parler à Lity

Pour un employeur : vous structurez votre équipe data ou cherchez un Data Scientist IA ou MLOps senior ? Notre cabinet de recrutement Data Scientist vous présente des profils déjà approchés et qualifiés. La grille d'évaluation data scientist sert ensuite à comparer les finalistes.

Pour un Data Scientist qui s'interroge : nous recevons aussi des candidats. En une demi-heure, on regarde votre package, on le compare à la grille et on identifie ce qui vous rapprocherait d'un rôle de lead.

Récap : check-list pour bien se positionner sur le marché Data Scientist

• Situer son salaire sur la grille du niveau, de la ville et du secteur
• Compter le variable et les BSPCE à part, en plus du fixe
• Tester le marché tous les trois ou quatre ans, même sans projet de départ
• Maîtriser la stack IA générative (LLM, RAG, agents, MLOps)
• Documenter ses modèles déployés avec impact CA chiffré dans le CV
• Construire un track record production, pas seulement notebook
• Négocier le total package par écrit avant signature
• Être visible dans les communautés data (PyData, MLOps Community, meetups locaux)

Pour aller plus loin sur les salaires tech et produit : salaire Product Owner et salaire DevOps.