Что учить аналитику (SQL, BI)

Что учить аналитику данных: SQL, Excel, Python (pandas), статистика и BI-инструменты. План освоения стека под первые задачи и требования вакансий джуна в 2026 году.

Коротко. Аналитику данных для входа нужны SQL (главное!) → Excel/Google Sheets → один BI-инструмент → статистика базово → Python (pandas). Не начинайте с Python и машинного обучения: 60% собеседования джуна — это SQL и здравый смысл в метриках. Срок до собеседований — 5–8 месяцев. Первые шаги — SQL и основы статистики, инструменты подробно — от Excel к BI.

Стек по приоритетам

Приоритет	Навык	Что уметь	Срок
1	SQL	JOIN, GROUP BY, HAVING, оконные функции (ROW_NUMBER, SUM OVER), подзапросы, CTE	6–8 недель
2	Excel / Sheets	Сводные таблицы, ВПР/XLOOKUP, чистка данных — до сих пор половина реальной работы	2–3 недели
3	Метрики	Retention, конверсия, ARPU/LTV, воронки; связь метрик с деньгами бизнеса	3–4 недели
4	BI-инструмент	DataLens / Superset / Power BI — дашборд из сырых данных	3–4 недели
5	Статистика	Распределения, среднее vs медиана, доверительные интервалы, p-value без магии	4 недели
6	Python + pandas	Чтение/чистка/агрегация данных, matplotlib; ноутбуки Jupyter	6–8 недель
7	A/B-тесты	Дизайн эксперимента, размер выборки, типовые ошибки	2–3 недели

Глубже: дашборды и метрики, A/B-тесты без боли, основы ETL, кейс-стади: от задачи к инсайту.

Порядок обучения: 5–8 месяцев

Месяцы 1–2 — SQL до уверенности. Тренажёры (sql-ex, LeetCode Database, любой бесплатный) — 150–200 задач, включая оконные функции. Критерий: пишете запрос с двумя JOIN и оконкой без гугла.
Месяц 3 — Excel + метрики. Считаете retention и конверсию на выгрузке (открытые датасеты), собираете сводные. Критерий: объясняете «почему упала выручка» через декомпозицию метрики.
Месяц 4 — BI. Один инструмент, один настоящий дашборд: фильтры, динамика, разбивки. Критерий: человек без подготовки понимает ваш дашборд за минуту.
Месяцы 5–6 — Python + статистика. pandas: повторяете свои SQL-агрегации, чистите грязный датасет; статистика — на уровне осознанного A/B. Критерий: ноутбук с выводами, а не с кодом ради кода.
Месяцы 7–8 — кейсы и отклики. 2–3 кейс-стади в портфолио, резюме, 20–40 откликов в неделю.

SQL — 60% работы аналитика

Что реально проверяют на собеседовании джуна: JOIN трёх таблиц с фильтрами; GROUP BY с HAVING («клиенты с более чем N заказами»); оконные функции («последний заказ каждого клиента», «доля от группы»); понимание NULL и дубликатов. Оконные функции — водораздел: большинство кандидатов сыпется именно на них, освоите — обойдёте очередь. И запомните: аналитик пишет запросы к «грязным» данным, поэтому привычка проверять дубликаты и NULL до расчёта метрики — признак профпригодности, о котором стоит говорить вслух на собесе.

BI и визуализация: что выбрать в РФ

Yandex DataLens — бесплатный, облачный, часто в российских вакансиях: лучший старт в 2026-м.
Apache Superset / Redash — open source, стоят в куче компаний после ухода западных вендоров.
Power BI / Tableau — по-прежнему упоминаются в вакансиях; принципы те же, переучивание — дни, а не месяцы.
Правило: выучите принципы (меры vs измерения, фильтры, drill-down) на одном инструменте — остальные приложатся.

Python: сколько нужно на самом деле

Для джуна-аналитика Python — это pandas + матплотлиб в Jupyter, не разработка: прочитать CSV/выгрузку из БД, почистить, сгруппировать, построить график, сохранить результат. ООП, декораторы, асинхронность — не нужны. Если время ограничено, углубляйте SQL: вакансий «SQL-only» для джунов больше, чем кажется, а Python догоните на работе.

Портфолио аналитика

Кейс-стади на открытых данных: вопрос бизнеса → SQL/pandas → выводы с цифрами. Оформить как статью с графиками (Notion/GitHub).
Дашборд в DataLens/Superset по тому же датасету, ссылка публичная.
Разбор A/B-теста: дизайн, размер выборки, расчёт значимости, ловушки — можно на синтетических данных.

Структура убедительного кейса — от задачи к инсайту.

Что спрашивают на собеседовании

Блок	Типовые вопросы
SQL (живой код)	JOIN + GROUP BY + оконка; «почему запрос вернул дубли»
Метрики	«DAU упал на 10% — как искать причину?» — ждут декомпозицию
Статистика	Среднее vs медиана, что такое p-value, когда A/B некорректен
Кейс	«Как поймёте, что новая фича успешна?» — метрики + контроль
Excel	Сводные, ВПР — иногда прямо на экране

Частые вопросы

С чего начать: SQL или Python?
SQL. Это 60% собеседования и ежедневной работы джуна. Python — вторым, на уровне pandas.

Нужна ли математика?
Базовая статистика — да (распределения, значимость, интервалы). Высшая математика и ML — нет, это другой трек (Data Science).

Какой BI учить в России в 2026?
DataLens (бесплатно, много вакансий) или Superset (open source). Принципы переносятся на любой инструмент.

Продуктовый или дата-аналитик — куда идти?
Для входа разница невелика: SQL + метрики + BI нужны везде. Специализация определится на первой работе.

Сколько зарабатывает джун-аналитик?
Ориентир РФ 2026: 70–130 тыс. ₽ в зависимости от города и типа компании. Сверяйте вилки на HH по своему региону.