Data Analyst (аналитик данных) — специалист, который превращает сырые данные в выводы, помогающие бизнесу принимать решения. Он строит отчёты, ищет закономерности, объясняет, почему выросли продажи или упал трафик, и отвечает на вопрос «что происходит?». По данным Хабр Карьеры, специализация «аналитик по данным» стабильно входит в топ самых востребованных IT-профессий — при этом порог входа здесь заметно ниже, чем в Data Science или ML Engineering.
Чем Data Analyst отличается от Data Scientist и BI-аналитика
Три роли часто путают — даже в самих вакансиях. Разница принципиальная.
Data Analyst работает с историческими данными: анализирует, что уже произошло, строит дашборды, формулирует гипотезы. Его главный инструмент — SQL, Excel и инструменты визуализации. Математической статистики нужно немного, программирования — на базовом уровне.
Data Scientist идёт дальше: строит предсказательные модели, работает с машинным обучением, отвечает на вопрос «что произойдёт?». Требует Python, математики и понимания алгоритмов ML.
BI-аналитик (Business Intelligence) — узкая специализация внутри аналитики. Фокус на корпоративной отчётности, работе с BI-платформами (Power BI, Tableau, Yandex DataLens) и автоматизации регулярных отчётов для менеджмента.
| Параметр | Data Analyst | BI-аналитик | Data Scientist |
|---|---|---|---|
| Основной вопрос | Что произошло и почему? | Как это показать менеджменту? | Что произойдёт дальше? |
| Ключевые инструменты | SQL, Python/Excel, Tableau | Power BI, Tableau, DataLens | Python, sklearn, PyTorch |
| Математика | Базовая статистика | Минимальная | Серьёзная |
| Зарплата Junior (Хабр Карьера, H1 2025) | около 111 000 ₽ | ниже DA | около 115 000 ₽ |
| Порог входа | Средний | Низкий | Высокий |
На практике границы размыты. В небольших компаниях Data Analyst совмещает все три роли. В крупных — специализация жёсткая, и карьерный трек у каждой роли свой.
Что нужно знать и уметь: стек Data Analyst
Хорошая новость: для старта в аналитике не нужно знать высшую математику и писать сложный код. Нужен конкретный, относительно компактный набор навыков — и умение применять их на реальных данных.
SQL — основа всего
SQL (Structured Query Language) — язык запросов к базам данных. Это самый важный навык Data Analyst без исключений — он упоминается в подавляющем большинстве вакансий аналитика на hh.ru.
Минимальный уровень для Junior: SELECT с фильтрами и сортировкой, JOIN нескольких таблиц, агрегатные функции (COUNT, SUM, AVG, GROUP BY), подзапросы, оконные функции (ROW_NUMBER, LAG, LEAD). Это покрывает 80% задач на первой работе.
Python или Excel — зависит от компании
Excel до сих пор живёт в корпоративном секторе — банки, ритейл, FMCG. Если цель — работа в крупной традиционной компании, уверенное владение Excel (сводные таблицы, ВПР/XLOOKUP, Power Query) даёт реальное преимущество.
Python нужен для автоматизации и работы с большими объёмами данных, где Excel уже не справляется. Библиотеки: pandas для обработки таблиц, matplotlib и seaborn для визуализации. Глубокого программирования не требуется — достаточно уровня «уверенный пользователь».
Визуализация и BI-инструменты
Аналитик, который не может объяснить результат через понятный график, теряет половину ценности. Из инструментов на российском рынке наиболее востребованы:
- Yandex DataLens — бесплатный, активно используется в российских компаниях, интегрирован с Yandex Cloud
- Tableau — международный стандарт, сильная экосистема
- Power BI — популярен в компаниях на инфраструктуре Microsoft
- Apache Superset — open-source альтернатива, встречается в технологических компаниях
Статистика и аналитическое мышление
Базовая статистика — не опция, а обязательная часть работы. Среднее и медиана, дисперсия, корреляция, понимание p-value и A/B-тестирования. Без этого аналитик делает неверные выводы из данных — и дорого за это платит репутацией.
A/B-тестирование заслуживает отдельного внимания. Умение корректно интерпретировать результаты эксперимента — один из самых часто проверяемых навыков на собеседовании в продуктовые компании.
Сколько зарабатывает Data Analyst в России
По данным зарплатного калькулятора Хабр Карьеры, медианная зарплата аналитика по данным в России составляет 163 500 ₽/месяц (данные за первое полугодие 2025 года, 57 712 анкет). Разброс по уровням:
| Уровень | Зарплата | Типичный опыт |
|---|---|---|
| Junior Data Analyst | около 100 000 – 111 000 ₽ | 0–1 год |
| Middle Data Analyst | около 176 000 – 185 000 ₽ | 1–3 года |
| Senior Data Analyst | около 280 000 ₽ | 3–5 лет |
| Lead Analyst / Head of Analytics | от 300 000 ₽ | 5+ лет |
Отрасль влияет на зарплату сильно. Аналитики в финтехе и IT-продуктовых компаниях традиционно зарабатывают больше коллег в ритейле или госсекторе при одинаковом уровне.
Пошаговый план: как войти в профессию с нуля
Data Analyst — одна из немногих IT-профессий, куда реально войти без технического образования. Ключ — правильная последовательность и упор на практику с первых недель.
Шаг 1. SQL с нуля — 4–6 недель. Начать с бесплатных тренажёров: sqlzoo.net, leetcode.com (раздел Database), Mode Analytics SQL Tutorial. Учить не теорию, а решать задачи — каждый день по 30–40 минут. К концу этапа: уверенное владение JOIN, GROUP BY, оконными функциями.
Шаг 2. Excel или Python — 3–5 недель параллельно. Выбор зависит от целевой отрасли. Для традиционного бизнеса — Excel Power Query и сводные таблицы. Для IT и продуктовых компаний — pandas и matplotlib. При наличии времени — оба, но Python даёт больше долгосрочных перспектив.
Шаг 3. Статистика и A/B-тесты — 2–3 недели. Не нужен учебник по теорвер. Достаточно: среднее/медиана/мода, стандартное отклонение, корреляция, базовое понимание проверки гипотез и уровня значимости. Курс Statistics with Python на Coursera от University of Michigan — хорошая бесплатная опция.
Шаг 4. BI-инструмент — 2–3 недели. Yandex DataLens — бесплатный и актуальный для российского рынка. Tableau Public — бесплатная версия с достаточным функционалом для учёбы. Научиться строить дашборд, который можно показать на собеседовании.
Шаг 5. Первый проект — 3–4 недели. Взять публичный датасет (Kaggle, data.gov.ru, открытые данные Росстата), поставить конкретный аналитический вопрос, провести анализ, сделать визуализацию, написать выводы. Опубликовать на GitHub или в Kaggle Notebook.
Шаг 6. Поиск работы. 2–3 проекта в портфолио, резюме с конкретными результатами, отклики на стажировки и Junior-позиции.
Срок от нуля до первого оффера при нагрузке 1–1,5 часа в день — 7–11 месяцев. Это короче, чем путь в Data Science или ML Engineering, потому что математический порог ниже.
Что проверяют на собеседовании
Собеседование на Junior Data Analyst почти всегда включает практическую SQL-задачу. Это не теоретический вопрос, а реальный запрос к таблицам — нужно написать код прямо во время интервью или в тестовом задании.
Второй обязательный блок — кейс. Дают датасет или описание ситуации и просят сформулировать выводы, предложить метрики или объяснить аномалию. Проверяют не знание инструментов, а структуру мышления.
Типичные вопросы на SQL-блоке: найдите топ-10 клиентов по выручке за последние 30 дней, посчитайте retention по когортам, найдите дубликаты в таблице. Именно такой формат используют крупные продуктовые компании на технических интервью.
Третий блок — вопросы по статистике и A/B-тестированию. «Как вы поймёте, что тест завершён?», «что такое p-value простыми словами?», «в чём разница между средним и медианой и когда использовать каждый?» Этот блок отсеивает кандидатов, которые учили инструменты без понимания математики за ними.
Портфолио: что реально работает
Два-три проекта с реальными данными и чёткими выводами — это всё, что нужно на старте. Работодателя не интересует объём, его интересует мышление.
Хороший проект для портфолио аналитика отличается от учебного упражнения одним: в нём есть аналитический вопрос и конкретный ответ на него. Не «я проанализировал данные о продажах», а «я выяснил, что падение выручки в марте на 18% объясняется двумя факторами: снижением среднего чека в категории X и оттоком клиентов старше 45 лет».
Форматы, которые хорошо воспринимаются на интервью:
- Kaggle Notebook с подробными комментариями к каждому шагу анализа
- Дашборд в Tableau Public или Yandex DataLens с описанием задачи и выводов
- GitHub-репозиторий с SQL-скриптами, Python-кодом и README, объясняющим контекст
Датасеты для практики, которые дают нетривиальные задачи: данные о транзакциях (Kaggle Credit Card Fraud Detection), аренда жилья (данные Airbnb по Москве на Inside Airbnb), данные о задержках авиарейсов, открытые данные ЕМИСС (Росстат).
Карьерные треки: куда расти после Junior
Data Analyst — хорошая стартовая точка для нескольких разных карьерных путей. Через 1,5–2 года работы обычно становится понятно, в какую сторону интереснее двигаться.
Продуктовый аналитик (Product Analyst). Фокус на метриках продукта: воронки, retention, LTV, A/B-тесты. Работает в тесной связке с продакт-менеджерами. Один из самых высокооплачиваемых треков для аналитиков в IT-компаниях.
Data Scientist. Переход требует углублённого изучения машинного обучения и математики. Логичный путь для тех, кому интереснее строить предсказательные модели, чем объяснять исторические данные.
BI-разработчик / Аналитик данных в BI. Специализация на корпоративной отчётности и BI-платформах. Более стабильный рынок, меньше конкуренции с джунами из IT, выше востребованность в традиционных отраслях.
Руководитель отдела аналитики. Управленческий трек. Требует не только технических навыков, но и умения выстраивать процессы, управлять командой и переводить бизнес-задачи в аналитические.
Где учиться на Data Analyst в 2026 году
Самостоятельный путь через открытые материалы работает, если есть самодисциплина и готовность самому составлять план. Структурированный курс ускоряет вход в профессию за счёт последовательности материала, практических задач и обратной связи.
Для тех, кто выбирает профессию и хочет сначала разобраться в треках аналитики:
Профессии в аналитике: что выбрать — Нетология — короткая программа-ориентир, которая помогает разобраться в разнице между Data Analyst, BI-аналитиком и Data Scientist до того, как вложить месяцы в обучение.
Для тех, кто уже определился и хочет войти в профессию:
Data Scientist — Нетология — программа с широким охватом: от основ анализа данных до машинного обучения. Подходит тем, кто планирует расти в сторону Data Science после аналитики.
Data Scientist с нуля до Junior — Skillbox — структурированный путь от Python и SQL до первых моделей. Включает блок по визуализации и работе с реальными датасетами.
Профессия Data Scientist — Skillfactory — программа в партнёрстве с МГУ, один из наиболее полных треков на российском рынке. Охватывает и аналитический, и ML-фундамент.
Если нужен академический диплом:
Онлайн-магистратура ТГУ «Науки о данных и машинное обучение» — Skillfactory — государственный диплом магистра с углублённой математической и аналитической базой.
Ещё больше программ можно найти в нашем каталоге курсов по обучению ИИ.
Частые ошибки новичков
Первая и главная — учить инструменты без реальных задач. Посмотреть курс по SQL, решить 10 учебных задач и считать себя готовым. На практике это не работает: работодатель даёт нестандартную задачу на грязных данных — и кандидат теряется.
Вторая — игнорировать статистику. Многие новички воспринимают Data Analyst как «человека, который строит графики». Это верно ровно до момента, когда нужно интерпретировать A/B-тест или объяснить, почему рост конверсии на 0,3% не является значимым. Без базовой статистики аналитик делает неверные выводы — и быстро теряет доверие команды.
Третья — портфолио из учебных датасетов. Titanic на Kaggle — хорош для первого знакомства с данными. Но показывать его как единственный проект на собеседовании в 2026 году — значит выглядеть так же, как все остальные 200 кандидатов. Нужны данные, которые вы нашли сами, и вопрос, который сформулировали сами.
И последнее — ждать «готовности» перед первыми откликами. Ощущение готовности не приходит само. Большинство опытных специалистов признаются: они начали поиск работы раньше, чем чувствовали себя готовыми — и именно первые интервью показали реальные пробелы.
С чего начать прямо сейчас
Конкретные шаги на ближайшие десять дней:
- Зарегистрироваться на sqlzoo.net и пройти первые три раздела. Это займёт 3–4 часа и сразу покажет, насколько комфортно работать с запросами.
- Скачать любой публичный датасет с Kaggle — например, данные о продажах интернет-магазина — открыть в Excel или Google Sheets и попробовать ответить на три вопроса: какой месяц был лучшим по выручке, какой товар продавался чаще всего, в каком регионе средний чек выше.
- Выбрать формат обучения и поставить конкретную дату старта. Не диапазон, не «на следующей неделе» — конкретное число.
Аналитика данных — одна из немногих IT-профессий, где можно начать получать реальный опыт почти сразу: данных вокруг достаточно, инструменты доступны бесплатно, а первые результаты видны уже через несколько недель практики.
