Мы живём в эпоху, когда одно цифровое решение может за день изменить привычки миллионов людей. Иными словами, данные стали одной из главных форм власти: они определяют, по каким маршрутам будет ехать человек, какие продукты он выберет себе на ужин. Но здесь возникает парадокс: чем сложнее становятся алгоритмы, тем дороже обходится человеческая ошибка. Именно поэтому профессия Data Scientist в настоящее время требует редкого умения — предвидеть последствия решений.
Наш собеседник — эксперт в области науки о данных Сергей Савин. В мае 2026 года он присоединился к лондонскому офису компании Meta Марка Цукерберга в качестве ведущего специалиста. Одновременно Савин вошёл в рейтинг #ADPList100-2026 как самый влиятельный наставник глобального сообщества, объединяющего более 800 тысяч участников в 140 странах.
Безусловно, это важная веха в профессиональной биографии талантливого уроженца села Хрипаличи (Волынская область), выпускника трёх самых престижных вузов — Киевского национального университета имени Тараса Шевченко, Kyiv School of Economics и University of Houston, но это отнюдь не его первый серьёзный взлёт.
Еще во время учебы Сергей Савин активно сотрудничал с международными корпорациями Syngenta и Civitta, некоторое время был важной частью команд Appflame и Reface, участвовал в создании образовательных курсов для портала "Дія", а в США работал в крупнейшей транспортной компании Lyft.
Мы поговорили со специалистом о его переходе в Meta London, а также об украинском следе в Big Tech и о роли Data Science в эпоху ИИ.
– Сергей, сейчас вы живете в Лондоне и каждый день ходите в офис к "великому Цукербергу". Почему вы решили работать там: вас привлекло имя, масштаб задач или новый профессиональный уровень?
– Компания Meta, конечно, играет важную роль в технологической отрасли, но меня заинтересовали масштаб задач и уровень ответственности. Для меня важен не логотип крупной компании в резюме, а то, какие проблемы ты учишься с её помощью решать. В Meta я получил уникальный шанс работать с очень сильными людьми над передовыми задачами нашей индустрии.
Однако эта работа для меня — не конечная цель и не повод останавливаться. Я рассматриваю её как переход на новый уровень, где нужно мыслить ещё точнее, учиться быстрее и глубже понимать последствия решений.
– По-видимому, вы стремитесь оставить заметный украинский след в глобальной индустрии Big Tech.
– Для меня важно, что я достиг таких масштабов не с нуля. За этим стоит наша привычка много и усердно работать. Я родился и вырос не в Кремниевой долине, а в волынском селе, о котором даже многие украинцы не слышали. Но с детства у меня было сильное стремление учиться, и я был готов выходить из зоны комфорта. В 14 лет уехал за 140 километров от дома и самостоятельно поступил в физико-математический лицей во Львове. Позже стал первым в списке абитуриентов факультета "Финансы и кредит" Киевского национального университета. Параллельно окончил Kyiv School of Economics и University of Houston.
Этот путь сформировал внутреннюю дисциплину. Поэтому, когда украинский специалист попадает в Big Tech, он приносит с собой не только технические навыки, но и свой подход к решению задач, выносливость и умение не сдаваться перед трудностями.
– Часто истории успеха в Big Tech представляют как резкий карьерный скачок. Однако в вашем случае всё выглядит очень последовательно: лицей, вузы, солидные украинские и международные компании, а теперь Meta. Так в чём же главный объединяющий элемент?
– Думаю, дело в том, что я постоянно усложняю задачи, которые ставлю перед собой. Ведь карьера — это не набор случайных переходов, важно, чтобы каждый этап привносил новый слой опыта. В КНУ я получил прочную финансово-экономическую базу. В KSE и UH начал по-настоящему погружаться в Data Science. Можно сказать, именно тогда для меня теория встретилась с практикой: начались стажировки и работа над международными проектами – Syngenta, Civitta, бизнес-стратегии, анализ данных.
В Appflame я отвечал за аналитику в Taimi — популярном на американском рынке инклюзивном приложении для знакомств и общения. Украинский продукт Reface, над которым я работал, в 2020 году стал №1 в Google Play в США, набрав более 100 миллионов загрузок. Это был важный опыт: украинская команда, глобальный продукт, высочайшая скорость, непосредственное влияние данных на рост.
Lyft открыл для меня совершенно иной масштаб — американские Big Tech, миллиарды строк данных, серьезная ответственность за качество прогнозов. Поэтому сейчас Meta — следующий логический уровень (улыбается).
– Но Lyft — это транспортная компания. Что этот опыт дал вам как специалисту по данным?
– В Lyft я понял, что в крупной компании Data Science всегда проверяется на практике. Можно построить интересную модель, красиво описать гипотезу, получить хорошие показатели на тесте. Но главный вопрос: что произойдет, когда это решение попадет в реальный продукт и начнет влиять на миллионы пользователей?
Lyft занимается физическими перемещениями людей — поездками, дорогами, трафиком, маршрутами, временем прибытия, стоимостью, поведением водителей и пассажиров. Наша команда прогнозировала время поездки, оптимизировала маршруты, анализировала огромные массивы данных, которые нужно было преобразовывать в алгоритмы и понятные продуктовые решения.
Один из моих проектов был связан со снижением погрешности в расчетах стоимости поездок по платным дорогам. На первый взгляд это кажется узким и техническим вопросом, но на самом деле здесь сочетаются экономика компании, точность пользовательского опыта и доверие к сервису. Если человек видит, что стоимость рассчитана некорректно, он не задумывается о какой-то там сложности модели, а просто теряет доверие. Вот в этом и заключается цена решений в Big Tech.
– Я знаю, что вы прошли сложный отбор в Lyft: 6 этапов собеседований, алгоритмы, математика, аналитика, коммуникация. Что этот процесс вам показал?
– Отбор действительно был очень конкурентным, и это лишь подтверждает: каким бы редким ни был талант, без систематической подготовки ничего не получается. Я готовился несколько месяцев, решал сотни задач, анализировал слабые места. В таких компаниях проверяют не только знания, но и то, как ты мыслишь под давлением, как объясняешь ход решения, как реагируешь на ошибки, можешь ли структурировать неопределённость. В Data Science это очень важно. На работе редко дают задачу с чистыми данными и очевидным ответом. Всегда есть ограничения, бизнес-давление, неполная информация. Нужно уметь ориентироваться в такой среде, не теряя логики.
– Чем отличается работа Data Scientist в украинских компаниях, в Lyft и теперь в Meta?
– В Украине очень высокий темп работы. Часто у тебя меньше ресурсов и времени, но больше прямой ответственности. Ты быстро видишь результат своих решений. Это отличная школа самостоятельности.
В Lyft любая модель проходит тщательную проверку, ведь ошибка такого масштаба обходится слишком дорого. Там четко понимаешь: понятия "почти правильно" в Big Tech недостаточно — нужно проверять, тестировать, повторно проверять, анализировать различные сегменты пользователей, думать о крайних случаях.
Meta — это ещё более широкий контекст. Здесь данные связаны не только с конкретной транзакцией или поездкой, но и с цифровым поведением людей, коммуникацией, вниманием, персонализацией, системами искусственного интеллекта. Такой масштаб, помимо точности модели, заставляет задуматься о последствиях, которые она вызывает, и о её влиянии на опыт людей.
– Итак, в Big Tech такой специалист, как Data Scientist, отвечает за принятие решений?
– Именно так. Модель — это инструмент. Работа Data Scientist начинается гораздо раньше и заканчивается значительно позже. Сначала нужно понять, какую проблему мы на самом деле решаем. Затем – какие данные могут её описать, где в них есть искажения, какие ограничения имеет метод, как оценивать результат, как объяснить его команде и что делать после внедрения. Сильный Data Scientist должен видеть всю цепочку: бизнес – запрос – данные – модель – продукт – пользователь – последствия. Если ты отвечаешь только за техническую часть и не интересуешься тем, что будет дальше, твое влияние ограничено. В крупных компаниях ценят специалистов, способных служить мостом между бизнесом и техническими возможностями.
– ИИ представляет угрозу для Data Scientist или, наоборот, повышает планку в этой профессии, как вы считаете?
– Повышает планку. ИИ ускоряет многие операции: часть задач, на выполнение которых раньше уходили часы, теперь можно выполнить быстрее. Но это ни в коем случае не приводит к исчезновению профессий. Он меняет центр их притяжения. Если специалист сводит свою работу только к техническим операциям, ему будет сложно. Но если он умеет формулировать проблему, понимать продукт, интерпретировать результат, видеть риски, общаться с разными командами и принимать решения в условиях неопределённости, его ценность растёт. Я хочу сказать, что ИИ поможет найти ответ, но сначала кто-то должен понять, какой вопрос нужно задать (смеется).
– Что в Data Science важнее: математика, программирование, интуиция или коммуникация?
– Статистика и математика — это основа. Программирование позволяет работать быстро и точно, интуиция – не создавать бессмысленно сложных решений, а коммуникация превращает анализ в действие. Но если говорить о зрелом уровне, то важнее всего умение сочетать все эти составляющие. Я видел технически очень сильных людей, которые не умели объяснить, зачем нужна их модель. И видел обратное: человек хорошо рассказывает, но не обладает достаточной математической глубиной. В Big Tech этого недостаточно. Там нужен специалист, который строит модель, понимает её ограничения, умеет связать результат с бизнесом и убедительно объяснить команде, что именно нужно делать.
– Помимо коммерческих продуктов, вы также работали в команде разработчиков образовательных курсов для портала "Дия". Чем для вас важен этот опыт?
– В коммерческих продуктах приходится работать с ростом, метриками, удержанием пользователей, монетизацией и качеством пользовательского опыта. В государственных проектах акцент другой: доступность знаний, польза для людей, масштаб общественного эффекта. Для меня важно видеть технологии не только как бизнес-инструмент. Данные и цифровые продукты помогают людям учиться, менять профессию, получать доступ к возможностям, которые раньше казались недостижимыми. Это близко и к моей деятельности в качестве ментора. В обоих случаях речь идет о том, чтобы человек получил инструмент для следующего шага.
– В чём чаще всего ошибаются молодые специалисты, желающие работать в сфере Data Science или в компаниях Big Tech?
– Во-первых, считается, что достаточно изучить Python, SQL, машинное обучение, визуализацию — и дело сделано. Но эти инструменты без мышления не дают зрелости: нужно понимать статистику, причинно-следственные связи, продуктовые метрики, бизнес-контекст.
Вторая ошибка — ждать, пока вы будете полностью готовы, но такого момента никогда не наступит. Нужно двигаться вперёд, получать обратную связь, пробовать, ошибаться, снова пробовать.
Третья ошибка — недооценивать важность коммуникации. На глобальном рынке нужно уметь рассказывать о своём опыте, объяснять решения, писать, проводить презентации и проходить собеседования на английском языке. Сильный специалист должен быть понятен не только самому себе.
– А что украинские специалисты недооценивают в себе?
– Способность адаптироваться. Украинцы умеют работать в условиях неопределённости, быстро осваивают всё новое, способны решать сложные задачи при ограниченных ресурсах. Это очень сильная черта. Но им не хватает уверенности и навыков правильно презентовать свой опыт на международном рынке. На глобальном уровне важно не только быть сильным, но и уметь продемонстрировать эту силу. Описать результат, объяснить свой вклад, говорить на языке показателей, бизнеса и влияния. У нас много талантливых людей, которым нужно просто смелее использовать международные возможности.
– Если вернуться к Meta: какие качества нужны, чтобы удержаться на уровне такой компании?
– Быть требовательным к себе, постоянно развиваться. В компаниях такого масштаба нельзя почивать на лаврах. То, что помогло попасть в компанию, не гарантирует дальнейшего развития. Нужно быстро разбираться в новых областях, работать с сильными коллегами, воспринимать фидбек, понимать продукт, поддерживать высокий стандарт качества.
Также важно сохранять интеллектуальную честность. В Data Science всегда существует соблазн увидеть в данных то, что хочется, а не то, что есть на самом деле. Сильный специалист должен уметь сказать: эта гипотеза не подтвердилась, здесь недостаточно данных, эта метрика вводит в заблуждение. В крупных системах честность становится частью профессиональной этики.