Кто такой аналитик данных

Коротко. Аналитик данных отвечает на вопросы бизнеса цифрами: собирает данные, считает метрики и объясняет, что с ними делать. Ядро профессии — SQL, дальше идут Excel, BI-инструменты и немного Python. Порог входа средний, срок до первой работы 5–9 месяцев, вилка джуна по срезу вакансий — 80–140 тысяч рублей. Главное отличие от разработки: код здесь средство, а результат — решение, которое приняли благодаря вам.

Чем занимается аналитик данных

Типичная задача звучит не как «напиши запрос», а как «почему в марте упали повторные заказы». Аналитик разбирает такой вопрос на части: где лежат нужные данные, как их достать, что считать и как проверить, что вывод не случайность.

Рабочий день чаще всего состоит из четырёх вещей:

• Достать данные. Запросы к базе, выгрузки, иногда сведение нескольких источников.
• Посчитать. Метрики, срезы, сравнение периодов и когорт.
• Показать. Дашборд или отчёт, который поймёт человек без SQL.
• Объяснить. Короткий вывод и рекомендация. Без этого шага работа не считается сделанной.

Последний пункт новички недооценивают чаще всего. Красивый дашборд, из которого никто не сделал вывода, для бизнеса стоит примерно ноль.

Что требуют вакансии джуна

Если открыть два десятка вакансий junior-аналитика на российском рынке, повторяться будет один и тот же набор:

• SQL — обязательно и почти всегда первым пунктом: SELECT, JOIN, GROUP BY, оконные функции хотя бы на уровне понимания.
• Excel или Google Sheets — сводные таблицы, ВПР, базовые формулы. Никуда не делся и не денется.
• BI-инструмент — в России чаще всего Yandex DataLens, Superset, Power BI или Metabase.
• Python на уровне pandas — во многих вакансиях «будет плюсом», в продуктовых командах ближе к обязательному.
• Базовая статистика — среднее и медиана, доверительный интервал, значимость. Ровно настолько, чтобы не делать выводов из шума.

Чего в вакансиях джуна почти не бывает: машинного обучения, больших данных и Hadoop. Если вам продают «аналитику данных» через нейросети — вам продают не ту профессию, в которую нанимают.

Подробная раскладка стека по приоритетам — в материале что учить аналитику данных.

Сколько платят и куда расти

Вилка джуна по срезу вакансий — 80–140 тысяч рублей; в Москве и Петербурге выше, в регионах ниже. Разбивка по регионам, опыту и типу компании — на странице зарплаты в IT для новичков.

Куда двигаться дальше, обычно выбирают между тремя направлениями:

• Продуктовая аналитика — метрики, эксперименты, работа рядом с продакт-менеджером.
• Дата-инженерия — пайплайны и хранилища; ближе к разработке и обычно денежнее.
• BI и отчётность — витрины и дашборды на всю компанию.

Переход из аналитики в дата-инженерию или в ML реален, но это отдельная профессия, а не следующий грейд.

Кому подходит, а кому нет

Аналитика хорошо заходит, если вам нравится докапываться до причины и вы спокойно относитесь к тому, что ответ бывает «данных недостаточно». Пригодится любой прошлый опыт, где приходилось считать и отчитываться: финансы, логистика, маркетинг, закупки.

Не подойдёт, если хочется писать код и видеть результат в интерфейсе — это фронтенд или бэкенд. И если раздражает объяснять одно и то же разным людям: половина работы аналитика — коммуникация, а не запросы.

Если сомневаетесь между направлениями, сравните их по порогу входа и срокам в обзоре профессии для старта.

Как войти: план на 5–9 месяцев

• Месяцы 1–2. SQL. Не курсы, а решение задач на реальных базах. Критерий готовности: пишете запрос с несколькими JOIN и группировкой, не подглядывая. Начать — с материала SQL и основы статистики для аналитика.
• Месяцы 2–3. Excel и первый дашборд. Сводные таблицы, затем любой бесплатный BI. Разбор инструментов — от Excel к SQL и BI.
• Месяцы 3–5. Метрики и статистика. Дерево метрик, когорты, базовые проверки значимости: дашборды и продуктовые метрики, A/B-тесты без боли.
• Месяцы 4–7. Python на уровне pandas. Только после того, как SQL перестал вызывать вопросы.
• Месяцы 5–9. Два кейса и отклики. Кейс-стади в портфолио и системная воронка откликов.

Типичные ошибки на старте

• Начинать с Python вместо SQL. В вакансиях джуна SQL стоит первым, Python — «плюсом». Порядок обратный тому, что советует интернет.
• Учить машинное обучение до того, как научился считать retention. На собеседовании джуна спросят второе.
• Собирать портфолио из учебных ноутбуков. Ноутбук с графиками — не кейс. Кейс — это вопрос, данные, расчёт и вывод; как его собрать, разобрано в материале кейс-стади: от задачи к инсайту.
• Молчать про ограничения данных. Фраза «этих данных недостаточно, чтобы утверждать» на собеседовании работает в плюс, а не в минус.

Частые вопросы

Нужна ли математика, чтобы стать аналитиком данных?
Высшая математика — нет. Нужны школьная арифметика, проценты и базовая статистика на уровне «среднее, медиана, значимость». Всё остальное считают инструменты.

Обязательно ли знать Python?
Для входа — нет. В большинстве вакансий джуна он идёт как «будет плюсом». Сначала SQL, Excel и BI, Python — четвёртым шагом.

Чем аналитик данных отличается от дата-инженера?
Аналитик отвечает на вопросы бизнеса, дата-инженер строит инфраструктуру, из которой аналитик берёт данные. Это соседние профессии с разным стеком.

Сколько времени занимает вход в аналитику?
Ориентир — 5–9 месяцев регулярной практики. Быстрее выходят те, у кого уже был опыт работы с отчётностью в другой сфере.