Аналитика данных с нуля: полный гайд по старту

Коротко. Порядок обучения в аналитике жёстче, чем кажется: SQL → Excel и BI → метрики и статистика → Python. Каждый следующий слой бесполезен без предыдущего. На вход закладывайте 5–9 месяцев регулярной практики, в портфолио — два доведённых кейса, а не десять ноутбуков с графиками. Обзор самой профессии — кто такой аналитик данных.

Шаг 1. SQL — ядро профессии

SQL занимает большую часть рабочего времени аналитика и стоит первым пунктом почти в каждой вакансии джуна. Учить его нужно не «до конца», а до рабочего минимума:

• SELECT, WHERE, ORDER BY, LIMIT — база первой недели.
• GROUP BY с агрегатами и HAVING — здесь начинается настоящая аналитика.
• JOIN всех видов и понимание, почему после join строк стало больше.
• Подзапросы и CTE — чтобы запрос читался, а не был «портянкой».
• Оконные функции хотя бы на уровне ROW_NUMBER и накопительных сумм.

Главная ловушка — смотреть видео вместо того, чтобы писать запросы. SQL ставится только руками: берите открытый датасет и отвечайте на вопросы вроде «сколько клиентов вернулись во второй месяц».

Подробный разбор минимума и план на четыре недели — в материале SQL и основы статистики для аналитика, устройство таблиц и связей — в базах данных и SQL.

Шаг 2. Excel и BI — как показывают результат

Excel не «устаревший» — он остаётся языком, на котором с аналитиком говорит бизнес. Нужны сводные таблицы, ВПР и базовые формулы; этого хватает для большинства ad-hoc задач.

Дальше — любой BI-инструмент. В России чаще всего встречаются Yandex DataLens, Metabase, Superset и Power BI. Принципы у всех одинаковые: источник → витрина → визуализация → фильтры. Освоив один, второй берёте за неделю.

Что должно получиться на выходе: дашборд, который открывает человек без SQL и сам находит ответ на свой вопрос. Правила визуализации и выбор метрик — в материале дашборды и продуктовые метрики.

Шаг 3. Метрики и статистика: необходимый минимум

Инструменты без понимания метрик дают красивые графики и нулевые выводы. Минимум, который спрашивают у джуна:

• Дерево метрик — как выручка раскладывается на пользователей, конверсию и средний чек.
• Когорты и retention — почему сравнивать «март с февралём» в лоб обычно неправильно.
• Среднее против медианы — и когда среднее врёт.
• Значимость — что такое статистическая значимость и почему без неё «выросло на 3%» ничего не значит.

Эксперименты — отдельная большая тема; для старта достаточно понимать, как спланировать A/B-тест и не сделать вывод раньше времени: A/B-тесты без боли.

Шаг 4. Python: сколько его нужно на самом деле

Python идёт четвёртым, а не первым. В вакансиях джуна он чаще всего значится как «будет плюсом», и в реальной работе новичка закрывает узкий круг задач: разобрать выгрузку, которую неудобно тянуть SQL-ом, и построить график.

Рабочий минимум — pandas: чтение файлов, фильтрация, группировки, соединение таблиц, простые графики. Всё, что дальше — библиотеки машинного обучения, обучение моделей — на вход не требуется и на собеседовании джуна не спрашивается.

Полная раскладка стека по приоритетам и срокам — что учить аналитику данных.

Шаг 5. Проекты, которые заменяют опыт

В портфолио аналитика работает не количество, а завершённость. Достаточно двух кейсов, но доведённых до вывода:

• Продуктовый кейс. Открытый датасет, вопрос вроде «почему падает повторная покупка», SQL-расчёт, дашборд и текстовый вывод на пять предложений.
• Операционный кейс. Данные из вашей прошлой сферы — продажи, логистика, поддержка. Здесь у вас преимущество: вы понимаете предметную область лучше, чем выпускник курсов.

Оформление одинаковое: репозиторий, README с вопросом и выводом, ссылка на дашборд. Как собрать такой кейс по шагам — кейс-стади: от задачи к инсайту. Общие правила портфолио — первые проекты для портфолио.

План обучения по месяцам

• Месяцы 1–2. SQL каждый день. Критерий: пишете запрос с двумя JOIN и группировкой без подсказок.
• Месяц 3. Excel и первый дашборд в бесплатном BI.
• Месяцы 4–5. Метрики, когорты, база статистики. Первый кейс.
• Месяцы 5–6. Python на уровне pandas. Второй кейс.
• Месяцы 6–9. Резюме под одну роль, 20–40 откликов в неделю, разбор отказов.

Если ETL и загрузка данных вам интересны — это уже соседняя профессия, но базовое представление не помешает: основы ETL.

Когда пора откликаться

Не тогда, когда закрыт весь список, а когда есть два кейса, доступных по ссылке, и вы можете за две минуты объяснить, какой вопрос в них решался. Дальше рынок сам покажет пробелы — быстрее, чем любой курс.

Резюме собирается под одну роль: junior-аналитик, а не «аналитик/тестировщик/маркетолог». Как это сделать — в хабе резюме для IT, где искать вакансии — где искать работу в IT.

Частые вопросы

С чего начать изучение аналитики данных?
С SQL. Он стоит первым в вакансиях джуна и занимает большую часть рабочего времени. Excel, BI, статистика и Python идут после него.

Сколько времени нужно, чтобы войти в аналитику с нуля?
Ориентир — 5–9 месяцев регулярной практики по 1–2 часа в день. Быстрее выходят те, у кого уже был опыт работы с отчётностью.

Нужны ли платные курсы?
Не обязательно. Курс структурирует обучение, но работу дают два доведённых кейса и системная воронка откликов, а не факт прохождения курса.

Какие проекты собрать в портфолио аналитику?
Два кейса с вопросом, расчётом и выводом: один на открытых данных, второй — на данных из вашей прошлой сферы. Ноутбук с графиками кейсом не считается.

Обязательно ли знать машинное обучение?
Для входа — нет. В вакансиях джуна ML почти не встречается, а на собеседовании спросят SQL, метрики и умение объяснить вывод.