Аналитик данных — это специалист, который превращает сырые цифры в решения. Маркетолог не понимает, почему упали продажи. Продакт спорит с дизайнером о новой кнопке. Гендиректор хочет знать, окупится ли новое направление. Все они идут к аналитику — и ждут не «отчёт со столбиками», а ответ, что делать дальше.
В этой статье разберём профессию по существу: чем аналитик отличается от data scientist, какие задачи решает каждый день, сколько зарабатывает в 2026 году и как пройти путь с нуля до первой работы. Только конкретика, со свежими цифрами с hh.ru и Habr Career. Если по итогу решите учиться — у нас собрано 109 курсов на аналитика данных с ценами, длительностью и реальными отзывами учеников.
Кто такой аналитик данных простыми словами
Data Analyst (дата-аналитик, аналитик данных) — это человек, который собирает данные о бизнесе, обрабатывает их и отвечает на два главных вопроса: «что происходит?» и «почему это происходит?». На основе его выводов принимают решения: запускать ли продукт, поднимать ли цену, в какой канал маркетинга вкладывать бюджет.
Простая иллюстрация. У интернет-магазина за неделю упала выручка на 18%. Маркетолог говорит: «Это сезонность». CEO говорит: «Это акции конкурентов». А аналитик берёт логи продаж, разбивает их по категориям и часам, накладывает на трафик с рекламы и через пару часов приходит с конкретикой: «Просадка только в категории детских товаров, началась во вторник в 14:00, совпала с переключением маркетолога на новую UTM-разметку — половина рекламных переходов перестала отслеживаться, и Метрика их посчитала органикой». Это и есть работа аналитика — не угадывать, а доказывать цифрами.
Профессия выросла из бизнес-аналитики, но отличается двумя вещами: аналитик данных работает с большими массивами и пишет код. SQL для запросов к базам, Python для обработки, Power BI или Tableau для визуализации. Если интересно, как устроены смежные роли — есть отдельные обзоры системного аналитика и бизнес-аналитика, у них пересечения, но задачи другие.
Что делает аналитик данных: 5 основных задач
Рабочий день аналитика — это не «сижу и анализирую». Это пять разных процессов, которые сменяют друг друга в течение недели.
1. Сбор и выгрузка данных. Источников много: внутренняя БД компании (MySQL, PostgreSQL, ClickHouse), CRM, рекламные кабинеты Директа и VK Рекламы, Яндекс Метрика, выгрузки от партнёров в Excel. Аналитик пишет SQL-запросы, настраивает выгрузки через API, иногда — парсит сайты. На джуниорских позициях этот этап занимает до 40% рабочего времени.
2. Очистка и подготовка данных. В реальности данные грязные: дубли заказов, пустые поля, опечатки в названиях городов («Мск», «Москва», «москва» — это три разных значения для машины). Аналитик пишет скрипты на Python с библиотекой Pandas, чтобы привести данные к единому виду. Без этого этапа любой анализ даёт мусор на выходе.
3. Сам анализ. Здесь аналитик ищет закономерности: считает метрики, строит когорты, проверяет гипотезы через A/B-тесты, ищет точки роста. Пример задачи: «Почему ретеншн второго месяца упал с 34% до 27%?». Аналитик разбивает пользователей по источникам трафика, устройствам, тарифам — и находит, что проблема в когорте, пришедшей с одного конкретного канала.
4. Визуализация и дашборды. Сухие таблицы менеджмент не читает. Аналитик собирает дашборды в Power BI, Tableau, Yandex DataLens или Apache Superset — чтобы команда видела ключевые показатели в реальном времени и могла сама фильтровать данные по нужным срезам. Подборку 15 сервисов мы собрали в обзоре инструментов визуализации.
5. Презентация результатов. Самая недооценённая часть. Аналитик идёт к продакту, маркетологу или CEO и за 10 минут объясняет: что нашёл, что это значит для бизнеса, что предлагает сделать. Без этого шага вся аналитика мертва — никто не будет копаться в графиках сам.
Специализации аналитиков данных
«Аналитик данных» — зонтичный термин. Внутри профессии шесть основных специализаций, и зарплаты в них отличаются заметно.
| Специализация | Чем занимается | Где работает | Зарплата Middle, ₽ |
|---|---|---|---|
| Продуктовый | Анализирует поведение пользователей в продукте, считает воронки, ретеншн, LTV. Помогает продактам решать, что добавлять в следующий релиз | Стартапы, IT-компании, SaaS-сервисы | 180 000 – 280 000 |
| Маркетинговый | Оценивает эффективность рекламы, считает ROMI, CAC, ROAS. Атрибутирует продажи по каналам | E-commerce, агентства, брендовые компании | 150 000 – 230 000 |
| BI-аналитик | Строит и поддерживает дашборды для бизнеса. Меньше гипотез, больше отчётности и автоматизации | Корпорации, банки, ритейл | 170 000 – 250 000 |
| Веб-аналитик | Работает с Яндекс Метрикой и Google Analytics, настраивает события, чинит разметку, считает поведение на сайте | Интернет-магазины, медиа, агентства | 120 000 – 180 000 |
| Финансовый | Анализирует финансовые показатели, юнит-экономику, строит модели | Банки, фонды, крупные холдинги | 200 000 – 320 000 |
| Гейм-аналитик | Считает монетизацию, баланс игры, поведение игроков по сессиям | Игровые студии — VK Play, MY.GAMES, Playrix | 180 000 – 300 000 |
На старте лучше идти в маркетинговую или веб-аналитику — туда проще попасть без бэкграунда. После года-двух можно перейти в продуктовую или BI, где зарплаты выше. Зарплаты по другим направлениям мы разбирали отдельно в обзоре сколько зарабатывает аналитик.
Hard skills: что должен знать аналитик данных
Базовый стек, который требуется в 90% вакансий джуниора:
SQL. Главный инструмент. По данным анализа вакансий hh.ru, SQL требуется в 95% позиций аналитика данных. Минимум — джойны нескольких таблиц, оконные функции, CTE, агрегации. Учится за 1–2 месяца, потом нарабатывается на практике годами.
Python. Pandas для обработки таблиц, NumPy для математики, Matplotlib и Seaborn для графиков. На джуниорской позиции хватит уровня «прочитать CSV, почистить, посчитать статистики, нарисовать график». Глубокое программирование с классами и паттернами тут не нужно — это к разработчикам.
Excel и Google Sheets. Звучит банально, но без них никуда. Сводные таблицы, ВПР, формулы массивов, базовые макросы. Часто заказчик присылает данные в xlsx и ждёт результат там же.
BI-инструменты. Power BI, Tableau, Yandex DataLens, Microsoft AW BI, Apache Superset. После ухода зарубежных вендоров российские компании активно мигрировали на DataLens и DataIku — джуниору с DataLens в резюме сейчас открыто больше дверей, чем с Tableau.
Статистика и теория вероятностей. Не на уровне диссертации. Среднее, медиана, дисперсия, доверительные интервалы, t-test и chi-square для A/B-тестов. Без этого аналитик не отличит реальный эффект от случайной флуктуации и подсунет бизнесу выводы, которые не воспроизведутся.
A/B-тестирование. Как правильно поделить аудиторию, посчитать размер выборки, интерпретировать p-value, не словить ошибки множественного тестирования. Это уже уровень middle, но базу проверяют ещё на собесе джуна.
Git и командная строка. Минимум — клонировать репозиторий, сделать коммит, открыть pull request. Без этого аналитика не возьмут в IT-команду, где код хранится в GitLab или GitHub.
Soft skills и личные качества
Технический стек учится. Гораздо сложнее с тем, что в резюме не запишешь.
Критическое мышление. Цифра в отчёте может врать. Метрика просела не потому, что продукт стал хуже, а потому что разработчики поменяли формулу её подсчёта неделю назад. Хороший аналитик сначала проверяет данные, потом делает выводы.
Любопытство и въедливость. Заказчик спрашивает «сколько у нас новых клиентов?». Аналитик отдаёт цифру и сразу задаёт встречный — а что вы понимаете под новым клиентом, того, кто впервые зарегистрировался, или того, кто впервые купил?. Без этого вопроса полугодовая стратегия может уехать в неверном направлении.
Storytelling. Способность объяснить технические выводы на языке бизнеса. Не «p-value меньше 0.05», а «новая версия конверсит на 12% лучше, мы уверены в этом, можно катить на всех».
Аккуратность. Аналитика — это часы рутины: переименовать колонки, разобраться с кодировкой, найти, где склеились две строки. Кому скучно проверять одно и то же по третьему разу — выгорят за полгода.
Сколько зарабатывает аналитик данных в 2026 году
Зарплаты в 2026 году по данным hh.ru Career и исследования Habr Career:
| Уровень | Опыт | Москва / СПб | Регионы |
|---|---|---|---|
| Junior | 0–1 год | 100 000 – 160 000 ₽ | 60 000 – 100 000 ₽ |
| Middle | 1–3 года | 170 000 – 280 000 ₽ | 120 000 – 200 000 ₽ |
| Senior | 3–5 лет | 280 000 – 420 000 ₽ | 200 000 – 320 000 ₽ |
| Lead / Head | 5+ лет | 400 000 – 650 000 ₽ | 300 000 – 450 000 ₽ |
Медианная зарплата по рынку в первой половине 2026 года — около 180 000 ₽ в месяц. За второе полугодие 2025-го зарплаты аналитиков выросли на 3% — это быстрее, чем по IT в целом (там рост 2%).
Что влияет на зарплату сильнее всего:
- Регион. Москва и Питер платят на 25–30% больше регионов
- Специализация. Финансовая и продуктовая аналитика на одной ступени по опыту платят на 30–40% больше веб-аналитики
- Отрасль. Банки, финтех и крупный e-commerce платят больше, чем агентства и стартапы на ранней стадии
- Английский. Аналитик уровня B2+ может работать на международные проекты с зарплатой $3 000–5 000 в месяц
Подробный разбор по уровням и регионам — в нашем обзоре зарплаты аналитика по уровням, а отдельно по BI-направлению — в обзоре сколько зарабатывает BI-аналитик.
Востребованность и перспективы профессии
На hh.ru в 2026 году открыто больше 14 000 активных вакансий аналитика данных и около 49 000 — со словом «аналитик» в названии. Спрос превышает предложение: на одну джуниорскую позицию в среднем приходит 30–40 откликов, на миддла — 15–20, на сениора — меньше пяти.
Куда расти после миддла:
- Head of Analytics — управленческий трек: команда аналитиков, методология, найм. Зарплата 350 000 – 700 000 ₽
- Data Scientist — экспертный трек в сторону ML. Требует доучивания (Python на уровне разработчика, машинное обучение, статистика глубже)
- Продакт-менеджер — частый переход: аналитик и так знает продукт и метрики, остаётся прокачать управление командой и видение
- Data Engineer — в сторону инфраструктуры: пайплайны, хранилища, ETL. Платят чуть больше, чем чистым аналитикам
Профессия не уйдёт в ближайшие 10 лет. Чем больше компаний переводят процессы в цифру, тем больше данных копится и тем нужнее люди, которые умеют их читать. Автоматизация и AI закроют рутинные задачи (выгрузки, типовые отчёты), но не закроют главную: задать правильный вопрос и проверить, не врёт ли цифра.
Аналитик данных vs Data Scientist: в чём разница
Профессии часто путают, потому что обе работают с данными и обе используют Python с SQL. Но задачи и порог входа разные.
| Критерий | Аналитик данных | Data Scientist |
|---|---|---|
| Главный вопрос | Что произошло и почему | Что произойдёт и как на это повлиять |
| Инструменты | SQL, Python (Pandas), BI-системы, Excel | Python (scikit-learn, TensorFlow, PyTorch), SQL, ML-фреймворки |
| Математика | Статистика, теория вероятностей | + линейная алгебра, матанализ, теория оптимизации |
| Программирование | Скрипты для обработки данных | Промышленный код, ML-модели в продакшене |
| Порог входа | 6–9 месяцев на курсе | 1,5–2 года с базой по математике |
| Зарплата Middle | 170 000 – 280 000 ₽ | 230 000 – 380 000 ₽ |
Аналитик отвечает на бизнес-вопросы готовыми отчётами и дашбордами. Data Scientist строит модели, которые работают сами: прогнозируют отток, рекомендуют товары, оценивают риски. На старте проще зайти в аналитику и через 2–3 года при желании сместиться в DS — база перекрывается.
Как стать аналитиком данных с нуля
Четыре рабочих пути в профессию:
1. Онлайн-курсы (6–9 месяцев). Самый быстрый и популярный путь. Хорошие курсы дают практику на реальных проектах, ревью домашек от практикующих аналитиков и помощь с трудоустройством. Подходит тем, кто уже работает в смежной области (маркетинг, продакт, экономика) и хочет сменить роль. Сравнить программы и цены можно в каталоге курсов на аналитика данных.
2. Самообучение (8–12 месяцев). Бесплатно, но дольше и без обратной связи. Стек: Stepik для SQL и Python, книги «Глаз и мозг» Грегори, «Голая статистика» Уилана, открытые курсы Karpov.Courses и Practicum, Kaggle для практики. Главная сложность — собрать портфолио без менторской поддержки. Если справитесь самостоятельно — у нас есть пошаговый путь как стать аналитиком данных с нуля.
3. Высшее образование (2–4 года). Прикладная математика, статистика, ВМК МГУ, ФКН ВШЭ, МФТИ, ИТМО. Долго, но даёт сильный математический фундамент. Имеет смысл, если параллельно работаете джуном по специальности — иначе вуз без практики не конвертируется в оффер.
4. Переход из смежной профессии. Маркетологи, экономисты, продакты, бухгалтеры — у них уже есть бизнес-контекст, остаётся доучить SQL и Python. Обычно занимает 3–4 месяца плотного изучения после работы.
Пошагово, как пройти путь до первой работы:
- Месяцы 1–2: SQL до уровня окошек и JOIN’ов
- Месяцы 2–4: Python с Pandas и Matplotlib, базовая статистика
- Месяцы 4–6: BI-инструмент (DataLens или Power BI), 2–3 проекта в портфолио
- Месяцы 6–9: A/B-тесты, продвинутый SQL, специализация (продуктовый или маркетинговый трек)
- Месяцы 9+: Отклики на джуна, прокачка под собеседования. Помогает наш гайд как пройти собеседование аналитику
На рынке хороших школ много — мы собрали ТОП в обзоре лучших школ аналитики.
Где учиться на аналитика данных
В нашем каталоге собраны программы от ведущих российских онлайн-школ. Сравнивайте по цене, длительности, наличию диплома и помощи с трудоустройством. Наверху самые сильные и востребованные программы по оценке нашей редакции.
Перейти на сайт курса
Больше программ — в полном каталоге курсов для аналитиков данных
Плюсы и минусы профессии
Плюсы:
- Высокий и стабильный спрос, 14 000+ открытых вакансий
- Зарплаты выше среднего по рынку IT уже с первого года
- Низкий порог входа по сравнению с разработкой — 6–9 месяцев до джуна
- Удалённая работа — 70% вакансий открыты под remote
- Карьерные треки в обе стороны: в управление или в data science
- Подходит гуманитариям с базовой математикой
Минусы:
- Много рутины: чистка данных, типовые выгрузки, починка дашбордов
- Постоянное доучивание — каждые 2 года меняется стек или приходит новый инструмент
- Аналитик редко видит результат своей работы: решения принимают другие
- Стресс от ответственности — на основе ваших цифр режут бюджеты или закрывают проекты
- Джуниоров берут неохотно, первая работа — самый сложный шаг
Если профессия откликается — начинайте с SQL и базового Python. Через пару месяцев станет понятно, кайфуете вы от работы с данными или нет. И тогда уже можно вкладываться в полноценный курс с практикой и трудоустройством.
Здравствуйте помогите пожалуйста мне вернуть деньги назад, знаете такого человека как Дмитрий Островский аналитик как он выманивает с меня деньги за вывод денег имеет ли он право вымогать с меня