Аналитик данных входит в число немногих IT-профессий, куда реально попасть с нуля примерно за год: без диплома по математике, без опыта в разработке и без вступительных экзаменов. Порог входа держится на трёх инструментах: таблицы, SQL и немного Python. Всё остальное добирается практикой и портфолио. По данным hh.ru на 2026 год, в найме открыто больше 14 тысяч вакансий, а джуниор с собранным портфолио из 3–4 проектов претендует на 60 000–100 000 ₽ уже на старте. Средняя по рынку для специалиста с опытом держится в районе 160 000 ₽.
В этой статье собран весь путь от первого SQL-запроса до первого оффера: пошаговая карта развития на 12 месяцев, разбор того, какие курсы и навыки нужны аналитику данных, точный ответ на вопрос «что сдавать после 9 и 11 класса», список софта по приоритетам, критерии портфолио и 10 ошибок, на которых новички теряют первый год. Все цифры по зарплатам и вакансиям взяты из открытых вакансий hh.ru и отраслевых обзоров за весну 2026 года, а данные по поступлению сверены с сайтами приёмных комиссий профильных вузов.
Кому подойдёт статья. Тем, кто только присматривается к профессии, переходит в аналитику из смежной сферы или выбирает между вузом, колледжем и онлайн-курсами. Готового бэкграунда в IT не требуется.
Кто такой аналитик данных простыми словами
Аналитик данных собирает разрозненные цифры из баз, таблиц и систем аналитики, приводит их в порядок и превращает в выводы, на которые бизнес опирается при решениях. Менеджер спрашивает «почему упали продажи в марте», а аналитик отвечает графиком и парой предложений, которые понятны человеку без технического образования. От Data Scientist аналитик отличается тем, что чаще описывает прошлое и настоящее, тогда как дата-сайентист строит сложные прогнозные модели машинного обучения.
Подробный разбор задач, специализаций и того, чем аналитик данных отличается от смежных ролей, лежит в отдельном материале: профессия аналитик данных, чем занимается и сколько зарабатывает. Здесь дальше говорим только про вход в профессию.
Короткий ответ: как стать аналитиком данных с нуля
Если убрать детали, путь укладывается в семь шагов:
- Освоить Excel или Google Таблицы до уровня сводных таблиц и формул.
- Выучить SQL: от простых запросов
SELECTдо джойнов и оконных функций. - Подтянуть базовую статистику: среднее, медиана, проценты, A/B-тесты на пальцах.
- Добавить Python с библиотекой pandas для обработки больших выгрузок.
- Научиться визуализации в одном BI-инструменте: Power BI, Tableau или Yandex DataLens.
- Собрать 3–4 проекта на реальных датасетах и выложить их на GitHub.
- Откликаться на вакансии джуниора и стажировки, готовиться к SQL-собеседованиям.
Каждый из этих пунктов дальше разложен по времени, деньгам и местам, где этому учат. Начнём с самого важного вопроса новичка: сколько на это уйдёт времени и в каком порядке всё осваивать.
Карта развития аналитика данных на 12 месяцев (roadmap)
Этот план рассчитан на человека, который занимается 10–15 часов в неделю и идёт с полного нуля, без профильного образования. Если у вас уже есть высшее по математике, экономике или IT, первые два месяца можно проскочить за две-три недели. Если времени больше, чем 15 часов в неделю, весь путь сжимается до 7–8 месяцев. План задаёт последовательность, а не жёсткое расписание: важнее не отставать по практике, чем уложиться ровно в 12 месяцев. Ниже разбивка по кварталам с конкретными навыками и артефактами, которые должны появиться к концу каждого этапа.
Месяцы 1–3: таблицы, SQL и фундамент
Старт начинается с таблиц, потому что большая часть работы джуна это выгрузки и сводные отчёты. За первый месяц доводят Excel или Google Таблицы до автоматизма: функция ВПР, сводные таблицы, базовые формулы, простые графики. Этого достаточно, чтобы решать половину типовых задач начинающего аналитика без единой строчки кода.
Со второго месяца стартует SQL, главный язык профессии. Сначала простые запросы с выборкой и фильтрами, затем группировки и агрегаты, потом джойны двух-трёх таблиц и первые оконные функции. SQL удобно тренировать на бесплатных онлайн-тренажёрах с задачами по реальным схемам данных: они дают мгновенную проверку и не дают застрять на теории. К концу третьего месяца вы свободно пишете запрос, который достаёт нужные строки из нескольких связанных таблиц и считает по ним метрики.
Статистику в эти месяцы берут на минимуме: что такое среднее и медиана, чем они отличаются, как считать долю и динамику в процентах. Первый маленький артефакт к концу квартала: выгрузка данных запросом и понятный график по ней с коротким выводом.
Месяцы 4–6: Python, визуализация и первый дашборд
Во втором квартале добавляется Python. Аналитику не нужен весь язык: хватает синтаксиса, работы со списками и словарями и библиотеки pandas для таблиц. С pandas вы загружаете большие выгрузки, чистите их от пропусков и дубликатов, считаете агрегаты и соединяете несколько источников. Если хочется заранее понять, стоит ли вообще учить Python и насколько это сложно для новичка, у нас есть отдельный разбор.
Параллельно осваивают один BI-инструмент и собирают первый полноценный дашборд: динамика ключевых метрик, фильтры по периодам и сегментам, понятная история по цифрам. Дашборд учит не просто строить графики, а рассказывать ими историю, и именно это потом спрашивают на собеседовании. К концу полугодия на руках уже два-три небольших проекта: SQL-исследование, обработка данных на pandas и интерактивный дашборд. Это ядро будущего портфолио.
Не распыляйтесь на инструменты. Один BI-инструмент, выученный до уверенного уровня, ценится работодателем выше, чем три, в каждом из которых вы умеете только строить столбчатую диаграмму.
Месяцы 7–9: сложные проекты и статистика глубже
Третий квартал уходит на проекты, которые ближе к боевым задачам бизнеса. Когортный анализ удержания пользователей, воронки конверсии, расчёт продуктовых метрик, разбор A/B-теста с честным выводом о том, значима ли разница между вариантами. В этот же период подтягивают статистику до уровня, на котором можно объяснить, почему вы доверяете результату эксперимента, а не просто увидели «одна цифра больше другой».
Здесь собирают два-три серьёзных кейса, которые не стыдно показать на собеседовании. Хорошо, если хотя бы один проект касается сферы, в которую вы хотите попасть: анализ продаж для e-commerce, поведение игроков для геймдева, отток клиентов для телекома. Профильный кейс выделяет резюме среди десятков одинаковых учебных проектов.
Месяцы 10–12: портфолио, отклики и собеседования
Финальный квартал посвящён упаковке и поиску работы. Проекты складывают в аккуратный репозиторий на GitHub с описаниями, выводами и скриншотами дашбордов. Параллельно идёт подготовка к собеседованиям: повторение SQL, типовые задачи на оконные функции, вопросы по статистике и продуктовым метрикам. Отклики стоит начинать не в последний месяц, а раньше, потому что первые собеседования полезны как тренировка, даже когда оффер пока не светит.
Честный ориентир по окупаемости: от старта обучения до первой зарплаты с нуля обычно проходит 10–14 месяцев, а полноценный возврат вложений в курс наступает за первые 2–4 месяца работы джуном. Дальше каждая ступень грейда заметно поднимает доход, и вложение времени окупается уже стабильно.
С чего начать прямо сейчас: план на первые 30 дней
Большая карта на год выглядит внушительно, поэтому полезно разбить старт на маленькие шаги. Вот что реально сделать за первый месяц, чтобы понять, ваша это профессия или нет, и не утонуть в выборе курсов.
- Неделя 1. Освоить сводные таблицы и функцию ВПР в Excel или Google Таблицах по любому бесплатному гайду. Сразу потренироваться на своих данных: бюджет, список расходов, что угодно с числами.
- Неделя 2. Пройти вводный бесплатный курс по SQL и решить первые 20–30 задач на онлайн-тренажёре. Цель недели: уверенно писать
SELECTс фильтром и сортировкой. - Неделя 3. Дойти в SQL до группировок и простых джойнов. Параллельно прочитать пару статей про метрики бизнеса, чтобы понимать, что вообще считают аналитики.
- Неделя 4. Взять открытый датасет по интересной теме, задать к нему три вопроса и ответить на них запросами. Это первый микропроект, который покажет, нравится ли вам сам процесс.
Если через месяц возиться с таблицами и запросами было скорее интересно, чем мучительно, можно вкладываться в полноценное обучение. Если процесс вызвал отторжение, лучше узнать это за месяц бесплатных занятий, чем после оплаты годового курса.
Можно ли стать аналитиком данных без математики и после 30
Два страха останавливают больше всего новичков, и оба сильно преувеличены.
«У меня плохо с математикой». Аналитику данных не нужна высшая математика с интегралами и матрицами. Нужны школьная арифметика, проценты, доли и понимание базовой статистики на уровне «среднее, медиана, насколько результат случаен». Сложная математика начинается у дата-сайентистов и в машинном обучении, а это уже соседняя профессия. Если вы спокойно считаете проценты и не боитесь таблиц, математической базы достаточно.
«Мне уже за 30, поздно». В аналитику массово приходят люди после 30 и 40 лет из бухгалтерии, маркетинга, продаж, банковской сферы. Опыт в предметной области здесь скорее плюс: бывший маркетолог быстрее поймёт метрики рекламы, а бывший финансист легче разберётся в банковской отчётности. Работодателю важны навыки и портфолио, а не год рождения. Возраст становится преимуществом, когда за ним стоит понимание бизнеса.
Что сдавать на аналитика данных после 9 и 11 класса
Сразу важная оговорка: отдельной школьной специальности «аналитик данных» в России почти нет. В профессию заходят с направлений по прикладной математике, информатике, бизнес-информатике, статистике и экономике, а дальше добирают навыки практикой и курсами. Поэтому путь после школы зависит от того, идёте вы в вуз, в колледж или приходите в профессию уже взрослым человеком. Точные предметы и баллы всегда стоит сверять на сайте конкретного учебного заведения за текущий год, потому что наборы меняются.
После 11 класса: вуз и ЕГЭ
Для поступления на профильные направления (например, «Прикладная математика и информатика», «Прикладной анализ данных», «Бизнес-информатика») чаще всего нужны три ЕГЭ:
- Русский язык, обязательный для всех абитуриентов.
- Профильная математика, главный предмет для data-направлений.
- Информатика, третий профильный предмет; в части вузов вместо неё принимают физику.
Для понимания планки: на программу «Прикладной анализ данных» в НИУ ВШЭ минимальные баллы держатся около 70 по математике и 60 по информатике и русскому языку. Дополнительных вступительных испытаний (ДВИ) на data-направлениях, как правило, не бывает. Срок обучения в бакалавриате 4 года очно. Конкретный набор предметов отличается от вуза к вузу, поэтому список ЕГЭ проверяйте в приёмной комиссии заранее, ещё до выбора предметов в школе.
После 9 класса: колледж
В колледж на IT-направления поступают по конкурсу аттестатов: смотрят средний балл, профильные ЕГЭ не нужны. Для аттестата за 9 класс сдают ОГЭ по русскому языку и математике. Прямой специальности «аналитик данных» в колледжах почти нет, но есть близкие: «Информационные системы и программирование» и смежные IT-специальности, с которых потом добирают аналитические навыки. Срок обучения около 3 лет 10 месяцев на базе 9 классов. Точный перечень специальностей уточняйте в выбранном колледже, потому что у разных учреждений он отличается.
Без ЕГЭ: для взрослых и тех, кто меняет профессию
Если школа и вуз давно позади, ЕГЭ пересдавать не нужно. Взрослые заходят в аналитику через онлайн-курсы и программы профпереподготовки, где не требуют ни ЕГЭ, ни профильного диплома, а на выходе дают понятный набор навыков и проекты для портфолио. Это самый быстрый путь для смены профессии, и именно его выбирает большинство тех, кто переучивается из другой сферы. Подобрать программу под свой уровень можно в каталоге курсов по анализу данных.
| Путь | Что нужно | Срок | Что на выходе |
|---|---|---|---|
| После 11 класса (вуз) | ЕГЭ: русский, профильная математика, информатика (или физика) | 4 года | Диплом бакалавра по профильному направлению |
| После 9 класса (колледж) | ОГЭ: русский и математика, конкурс аттестатов | ≈3 г 10 мес | Диплом СПО по IT-специальности |
| Онлайн-курс / переподготовка | ЕГЭ не нужен, входной уровень школьная математика | 6–12 месяцев | Сертификат и портфолио проектов |
В каких сферах работают аналитики данных
Аналитик нужен везде, где есть цифры и решения на их основе. Для джуна это плюс: можно выбрать индустрию по интересу, а не хвататься за единственную доступную вакансию. Ниже сферы, где аналитиков нанимают активнее всего, и что в каждой ждут от новичка.
| Сфера | Вход для джуна | Что ценят | Где много вакансий |
|---|---|---|---|
| E-commerce и ритейл | Лёгкий | Воронки, когорты, метрики продаж | Маркетплейсы, интернет-магазины |
| Банки и финтех | Средний | SQL, аккуратность, отчётность | Крупные банки, платёжные сервисы |
| IT-продукты | Средний | Продуктовые метрики, A/B-тесты | Сервисы, мобильные приложения |
| Маркетинг и реклама | Лёгкий | Веб-аналитика, сквозная аналитика | Агентства, отделы маркетинга |
| Телеком и логистика | Средний | Большие выгрузки, дашборды | Операторы, транспортные компании |
Для первого места проще всего зайти в e-commerce или маркетинг: там много рутинных задач на выгрузки и отчёты, на которых джун быстро набирает опыт. Банки берут чуть осторожнее, но платят стабильно и хорошо растят внутри. Если ближе продукт, обратите внимание на роль продуктового аналитика, это соседняя специализация со своими акцентами на метрики и эксперименты.
Плюсы и минусы профессии аналитика данных
Прежде чем вложить 8–14 месяцев в обучение, стоит честно взвесить обе стороны профессии.
Плюсы:
- Низкий порог входа для IT: стартовать можно без диплома и без опыта в коде.
- Высокий спрос, на hh.ru стабильно больше 14 тысяч открытых вакансий.
- Зарплата выше средней по рынку уже на уровне middle.
- Навыки переносятся между индустриями: SQL одинаково нужен и в банке, и в ритейле.
- Понятный карьерный рост от джуна до senior и руководителя аналитики.
Минусы:
- Много рутины: чистка данных и выгрузки занимают больше времени, чем красивые графики.
- Высокая ответственность, потому что ошибка в цифрах ведёт к неверному решению бизнеса.
- Нужно постоянно объяснять выводы людям без технического бэкграунда.
- Конкуренция среди джунов выросла, без портфолио откликаться почти бесполезно.
- Часть задач однообразна, особенно на первых порах.
Профессия подойдёт тем, кому нравится докапываться до причин, кто спокойно относится к таблицам и готов объяснять сложное простыми словами. Если цифры вызывают тоску, а монотонная работа выматывает, стоит присмотреться к смежным ролям ближе к продукту, дизайну или маркетингу.
Что должен уметь аналитик данных
Навыки делятся на технические и гибкие. Технические открывают дверь на собеседование, гибкие помогают удержаться и расти внутри компании.
Технические навыки (hard skills)
- SQL. Основной инструмент профессии, без него на собеседование не зовут. Нужны выборки, агрегаты, джойны и оконные функции.
- Excel и Google Таблицы. Сводные таблицы, формулы, быстрые расчёты и графики для небольших объёмов данных.
- Python с pandas. Для обработки выгрузок, которые не помещаются в таблицу, и для автоматизации повторяющихся отчётов.
- BI-инструмент. Power BI, Tableau или Yandex DataLens для интерактивных дашбордов.
- Базовая статистика. Метрики, доли, динамика, проверка гипотез и понимание A/B-тестов.
Гибкие навыки (soft skills)
- Умение задавать правильные вопросы к данным и к заказчику до начала анализа.
- Способность объяснить вывод человеку без технического образования.
- Критическое мышление: не доверять цифре, пока не проверил, откуда она взялась.
- Внимательность к деталям, потому что один лишний джойн ломает весь отчёт.
- Умение довести задачу до вывода, а не оставить набор графиков без ответа.
Как ИИ-ассистенты меняют работу аналитика
Нейросети вроде ChatGPT и Claude уже помогают аналитикам писать черновики SQL-запросов, объяснять чужой код и быстро набрасывать структуру дашборда. Это ускоряет рутину, но не отменяет навыки: чтобы поймать ошибку в сгенерированном запросе, нужно самому понимать SQL и логику данных. Воспринимайте ИИ как помощника, который экономит время на типовых задачах, а не как замену собственным знаниям. Аналитик, который умеет проверять и дорабатывать ответы нейросети, ценится выше того, кто слепо копирует результат.
Если хочется понять, насколько глубоко вам нужна аналитика данных по сравнению с более сложным направлением, посмотрите разбор роли Data Scientist: там больше математики и машинного обучения, и вход туда заметно дольше.
КурсыСравнение 322 курсов по анализу данныхЦены, школы, длительность, рассрочка
Какой софт учить аналитику данных
Инструментов в профессии много, но осваивать их сразу не нужно. Есть база, без которой не возьмут, и есть то, что добирают по ходу работы. Ниже приоритеты по порядку освоения.
| Инструмент | Срок освоения | Лицензия | Зачем |
|---|---|---|---|
| Excel / Google Таблицы | 2–4 недели | Платно / бесплатно | Быстрые расчёты, сводные, графики |
| SQL | 1–2 месяца | Бесплатно | Запросы к базам данных, ядро профессии |
| Python + pandas | 2–3 месяца | Бесплатно | Обработка больших выгрузок, автоматизация |
| Power BI / Tableau | 1–2 месяца | Платно (есть бесплатные версии) | Интерактивные дашборды |
| Yandex DataLens / Metabase | 2–4 недели | Бесплатно | Визуализация без оплаты лицензии |
Стратегически разумно сначала довести до уверенного уровня SQL и один BI-инструмент, а Python подключать, когда таблицы перестают справляться с объёмом. Гнаться за модными библиотеками машинного обучения на старте не стоит, для джуна-аналитика они почти не нужны. Из BI-инструментов российским компаниям всё чаще нужен Yandex DataLens, поэтому для рынка РФ его стоит держать в приоритете наравне с Power BI.
Сколько стоит стать аналитиком данных
Деньги на обучение зависят от выбранного пути. Самостоятельное обучение по бесплатным материалам и тренажёрам обходится в 0 ₽, но требует железной дисциплины и обычно растягивается на полтора года. Онлайн-курсы с ментором, проверкой проектов и помощью в трудоустройстве стартуют от 60 000 ₽ и доходят до 150 000–200 000 ₽ за годовую программу, чаще всего с рассрочкой на 12–36 месяцев. Вуз на платном отделении стоит от 200 000 ₽ в год, колледж дешевле, от 40 000 ₽ в год, и оба варианта дают ещё и диплом.
К стоимости курса стоит добавить мелкие расходы: платная версия BI-инструмента, если работодатель её не покрывает, и иногда подписка на тренажёр по SQL. В сумме вход в профессию через онлайн-курс окупается за первые 2–4 месяца работы джуном, что делает его самым предсказуемым по возврату вложений.
Четыре формата обучения на аналитика данных
Учиться можно бесплатно по роликам, по структурированному курсу, в колледже или в вузе. У каждого пути своя цена, скорость и итог.
| Формат | Цена | Срок | Плюсы | Минусы |
|---|---|---|---|---|
| Самоучка | 0 ₽ | 10–18 мес | Бесплатно, свой темп | Нет структуры и обратной связи, легко бросить |
| Онлайн-курс | от 60 000 ₽ | 6–12 мес | Структура, ментор, портфолио, помощь с работой | Платно, нужна самодисциплина |
| Колледж | бюджет / от 40 000 ₽ в год | ≈3–4 года | Диплом, фундамент после 9 класса | Долго, программы отстают от рынка |
| Вуз | бюджет / от 200 000 ₽ в год | 4 года | Сильная математика, диплом | Долго и дорого, мало практики под реальные задачи |
Для большинства взрослых оптимальный вариант это онлайн-курс: он даёт структуру, обратную связь и проекты для портфолио за разумный срок. Самостоятельное обучение работает для тех, у кого крепкая дисциплина и уже есть техническая база. Вуз и колледж подходят тем, кто только окончил школу и готов вкладывать годы в фундамент.
КурсыСравнение 129 курсов для аналитиков данныхЦены, школы, длительность, рассрочка
Можно ли выучиться на аналитика данных бесплатно
Полностью бесплатный путь существует, и базовые навыки реально собрать без единого рубля. Бесплатно доступны почти все ключевые инструменты: SQL-тренажёры с задачами по реальным схемам, документация и вводные курсы по Python и pandas, бесплатные версии BI-инструментов, открытые датасеты для проектов. По статьям на Habr и обучающих порталах можно пройти весь маршрут от первого запроса до дашборда.
У бесплатного пути есть цена, которую платят временем и дисциплиной. Нет программы, которая ведёт за руку, нет ментора, который укажет на ошибку в логике анализа, нет проверки проектов и помощи с трудоустройством. Поэтому самообучение чаще растягивается на полтора года и чаще заканчивается заброшенным курсом на середине. Разумный гибрид: пройти бесплатный вводный этап, понять, что профессия нравится, и дальше выбрать платный курс с обратной связью, чтобы не терять месяцы на одни и те же ошибки.
Портфолио аналитика данных: что ждут работодатели
Без портфолио джуниору сейчас почти не отвечают. Это главный аргумент на собеседовании, особенно когда нет коммерческого опыта. Хорошее портфолио аналитика собирается по нескольким критериям:
- 3–4 проекта на реальных датасетах, а не на учебных «продажах магазина игрушек».
- Разные навыки в разных проектах: один на SQL-исследование, один на pandas, один с дашбордом.
- Понятное описание к каждому проекту: какая задача, что сделали, какой вывод получили.
- Аккуратный GitHub с читаемыми названиями файлов и комментариями в коде.
- Скриншоты дашбордов, чтобы работодателю не пришлось разворачивать проект самому.
Чтобы не выдумывать темы с нуля, вот четыре проекта, которые хорошо смотрятся у джуна:
- Анализ продаж интернет-магазина: SQL-запросы к открытому датасету, выводы про сезонность и топ-товары.
- Воронка и отток: расчёт конверсии по этапам и поиск точки, где теряется больше всего пользователей.
- Когортный анализ: как ведут себя пользователи разных месяцев регистрации.
- Интерактивный дашборд по любой из этих тем в Power BI или DataLens.
Данные для проектов берут из открытых источников. Подойдут датасеты с Kaggle, открытые данные госпорталов, выгрузки из публичных API сервисов, статистика по продажам и пользователям из учебных репозиториев. Главное правило: тема должна быть вам интересна, потому что скучный датасет почти всегда заканчивается брошенным проектом. Если в голове крутится вопрос «а почему происходит вот это» про игры, спорт, музыку или финансы, ищите данные именно по нему.
Частые ошибки в портфолио: проекты без выводов (есть код, нет смысла), пять однотипных кейсов на одном датасете и отсутствие текстового описания. Работодатель смотрит проект меньше минуты, поэтому суть должна читаться сразу, ещё до того, как он откроет код. Хорошее описание отвечает на три вопроса: какие данные взяли, что с ними сделали, какой вывод получили и почему он полезен бизнесу.
Где искать первую работу аналитику данных
Площадки по убыванию отдачи для джуна:
- hh.ru, основной источник вакансий, с фильтром по грейду «junior» и «стажёр».
- Telegram-каналы с вакансиями по аналитике, где позиции часто появляются раньше, чем на hh.
- Стажировки в крупных компаниях: банки и IT-продукты регулярно набирают новичков и обучают на месте.
- Биржи и нетворкинг для первых небольших заказов в портфолио и связей в профессии.
Реалистичная воронка для джуна выглядит так: на 50–100 откликов приходит 5–10 приглашений на собеседование и 1–2 оффера. Это нормальные цифры, и отказы на старте часть процесса, а не сигнал бросить. К техническому интервью полезно подготовиться заранее, разбор типовых вопросов есть в материале о том, как пройти собеседование аналитику. Чаще всего на первом интервью проверяют именно SQL, поэтому повторите оконные функции и джойны прямо перед откликами.
Сколько зарабатывает аналитик данных
Вилка широкая и сильно зависит от грейда, города и индустрии. В целом по рынку 2026 года junior без опыта стартует с 60 000–100 000 ₽, middle с парой лет практики выходит на 120 000–200 000 ₽, а senior и руководители аналитики получают 200 000–350 000 ₽ и выше. Медиана по рынку для специалиста с опытом держится около 160 000 ₽.
Карьерная лестница простая: путь от джуна до middle обычно занимает 1–2 года, до senior ещё 2–3 года уверенной работы. Дальше развилка между экспертизой в сложных задачах и управлением командой аналитиков.
Полный разбор с таблицами по грейдам, городам и источникам дохода лежит в отдельном материале: сколько зарабатывает аналитик в 2026 году. Там цифры детальнее, чем имеет смысл дублировать здесь.
10 ошибок новичков при входе в профессию
- Учат всё подряд сразу. Хватаются за SQL, Python, машинное обучение и три BI-инструмента одновременно. В голове каша и ноль доведённого до конца. Решение: один инструмент за раз, до уверенного уровня.
- Бесконечно смотрят курсы без практики. Теория без задач не превращается в навык. Решение: на каждый час теории закладывать два часа на тренажёре или своём проекте.
- Пропускают SQL. Кажется скучным, поэтому откладывают. А на собеседовании первым делом спрашивают именно SQL. Решение: SQL в первые три месяца, без вариантов.
- Игнорируют статистику. Строят графики, но не понимают, значима ли разница между цифрами. Решение: базовый минимум по метрикам и проверке гипотез обязателен.
- Делают портфолио из учебных датасетов. «Титаник» и «ирисы» видели все, они не выделяют кандидата. Решение: брать реальные открытые данные по интересной вам теме.
- Проекты без выводов. Есть код и графики, нет ответа на вопрос «и что из этого следует». Решение: каждый проект заканчивать выводом на человеческом языке.
- Боятся откликаться раньше времени. Ждут «идеальной готовности», которая не наступает никогда. Решение: начинать отклики на 9–10 месяце, параллельно с упаковкой портфолио.
- Учат Python вместо SQL первым. Питон интереснее, но на старте важнее запросы к базам. Решение: сначала SQL и таблицы, Python позже.
- Не умеют объяснять результат. Технически верный анализ, который никто не понял, бесполезен для бизнеса. Решение: тренировать формулировку выводов простыми словами.
- Сравнивают себя с senior. Видят требования вакансий middle и опускают руки. Решение: ориентироваться на вакансии джуна и стажировки, расти от них.
Главный ускоритель это обратная связь. Самостоятельно легко месяцами повторять одни и те же ошибки в коде и выводах. Ментор или проверка проектов на курсе экономят те самые потерянные месяцы.
Где учиться на аналитика данных
Ниже подборка курсов по анализу данных из нашего каталога. Программы можно сравнить по цене, длительности, наличию помощи с трудоустройством и формату обучения, чтобы выбрать вариант под свой уровень и бюджет.
| Курс | Школа | Стоимость со скидкой | В рассрочку | Длительность | Обзор курса от Checkroi |
|---|---|---|---|---|---|
| Аналитик данных с нуля Перейти на сайт курса |  Skillbox | 126 936 ₽ | 4994 ₽/мес. | 4 месяца | Обзор курса |
| Профессия «Аналитик данных» Перейти на сайт курса |  Нетология | 106 400 ₽ | 4156 ₽/мес. | 7 месяцев | Обзор курса |
| Профессия «Аналитик данных с нуля до middle» Перейти на сайт курса | Нетология | 145 600 ₽ | 6066 ₽/мес. | 12 месяцев | Обзор курса |
| Аналитик данных Перейти на сайт курса |  SkillFactory | 131 814 ₽ | 3662 ₽/мес. | 6 месяцев | Обзор курса |
| Аналитик данных: тариф PRO Перейти на сайт курса |  Эдюсон | 129 900 ₽ | 10 825 ₽/мес. | 8 месяцев | Обзор курса |
| Аналитик данных: тариф Базовый Перейти на сайт курса | Эдюсон | 109 900 ₽ | 9158 ₽/мес. | 6 месяцев | Обзор курса |
| Аналитик данных: расширенный курс Перейти на сайт курса | Нетология | 142 100 ₽ | 4786 ₽/мес. | 14 месяцев | Обзор курса |
| Аналитик данных Перейти на сайт курса |  Hexlet | 76 500 ₽ | 4367 ₽/мес. | 7 месяцев | Обзор курса |
| Профессия: Аналитик данных Перейти на сайт курса |  ProductStar | 100 224 ₽ | 36 ₽/мес. | 12 месяцев | Обзор курса |
| Аналитик данных 2.0 Перейти на сайт курса | ProductStar | 63 000 ₽ | 50 ₽/мес. | 8 месяцев | Обзор курса |
Больше программ — в полном каталоге курсов для аналитиков данных
Главное о том, как стать аналитиком данных
Вход в профессию реален за 8–14 месяцев с нуля, если идти по порядку: таблицы, SQL, базовая статистика, Python с pandas и один BI-инструмент. Школьнику для вузовского пути нужны ЕГЭ по профильной математике, русскому языку и информатике; взрослому ЕГЭ не нужен, путь лежит через онлайн-курсы и переподготовку с портфолио на выходе. Высшая математика и опыт в коде на старте не требуются, а возраст после 30 чаще оказывается плюсом за счёт опыта в предметной области.
Решает не количество просмотренных курсов, а собранные проекты и доведённые до конца навыки. Соберите 3–4 кейса на реальных данных, выложите их на GitHub, подтяните SQL к собеседованию и начинайте откликаться, не дожидаясь ощущения полной готовности. Первый оффер джуна с зарплатой от 60 000 ₽ при таком подходе становится вопросом месяцев, а не лет.
