Продуктовый аналитик отвечает за то, чтобы цифровой продукт рос быстрее: смотрит, как ведут себя пользователи, считает деньги по воронке, проверяет гипотезы через A/B-тесты и подсказывает команде, какие изменения принесут результат, а какие — нет. Спрос растёт: по данным hh.ru в 2026 году рынок просит на 30% больше продуктовых аналитиков, чем годом ранее, а вилка зарплат от 100 000 ₽ у джунов до 700 000 ₽ у тимлидов делает профессию одной из самых высокооплачиваемых в IT-аналитике.
В статье разбираем, чем продуктовый аналитик отличается от аналитика данных, бизнес-аналитика и системного аналитика, какие методы и инструменты у него в руках, как выглядит типичная рабочая неделя и сколько он зарабатывает на разных грейдах. В конце — подборка курсов для входа в профессию с нуля.
КурсыСравнение 34 курсов для продуктовых аналитиковЦены, школы, длительность, рассрочка
Кто такой продуктовый аналитик простыми словами
Продуктовый аналитик — специалист, который отвечает на два вопроса о цифровом продукте: «что происходит» и «почему». «Что происходит» — это сухие цифры: сколько людей зашло, сколько дошло до покупки, сколько вернулось через неделю. «Почему» — это интерпретация: какие шаги в воронке теряют пользователей, какая аудитория приносит деньги, а какая — только нагрузку на серверы.
Простая иллюстрация. У онлайн-кинотеатра упала конверсия из регистрации в оплату подписки с 12% до 9%. Продуктовый аналитик берёт данные, режет аудиторию по сегментам и находит причину: пользователи с Android после редизайна формы оплаты стали отваливаться на этапе ввода карты. Дальше он идёт к команде разработки с конкретной гипотезой и планом A/B-теста: вернуть старую форму одной половине пользователей, оставить новую второй и через две недели посмотреть метрики. Это и есть основная работа — превращать данные в решения, которые делают продукт лучше для пользователей и прибыльнее для компании.
Продуктовый аналитик и другие аналитики — в чём разница
В вакансиях на hh.ru слова «аналитик», «аналитик данных», «продуктовый аналитик», «бизнес-аналитик», «системный аналитик» иногда используют как синонимы. На практике это пять разных профессий с разными задачами, инструментами и зонами ответственности. Сравнение в таблице ниже поможет понять, к кому в команде идти с каким вопросом.
| Специалист | На что смотрит | Главный инструмент | Кому отдаёт результат | Чем не занимается |
|---|---|---|---|---|
| Продуктовый аналитик | Метрики продукта: воронка, retention, LTV, ARPU | SQL, Python, Amplitude/Mixpanel, A/B-тесты | Продуктовая команда, product owner | Не строит ML-модели, не пишет ТЗ для разработки |
| Аналитик данных | Любые данные компании, от маркетинга до HR | SQL, Python, BI-инструменты | Любому отделу, который запросил отчёт | Не погружён в конкретный продукт глубоко |
| Бизнес-аналитик | Процессы компании, выручка, затраты, выход на новые рынки | Excel, BI, ТЭО, финмодели | Топ-менеджмент, владельцы бизнеса | Не работает с поведением пользователей в продукте |
| Системный аналитик | Архитектура IT-системы, потоки данных между сервисами | UML, BPMN, ТЗ, спецификации API | Разработчики, тестировщики | Не считает деньги и конверсии |
| Data Scientist | Гипотезы, которые можно подтвердить или опровергнуть моделью ML | Python, scikit-learn, TensorFlow, нейросети | Команды, где нужно прогнозирование или ранжирование | Не следит за дневными метриками продукта |
Главное отличие продуктового аналитика — фокус. Аналитик данных может за день поработать с маркетингом, складом и HR. Продуктовый сидит внутри одной команды и знает свой продукт глубоко: помнит, какая фича когда выкатывалась, какие сегменты пользователей платят больше, в какой день недели проседает выручка и почему. Эта узкая специализация и отличает его от универсального аналитика данных.
Чем занимается продуктовый аналитик: основные задачи
Если открыть 20 вакансий продуктового аналитика на hh.ru и выписать обязанности, получится длинный список. Но если убрать формулировки и оставить суть, останется шесть повторяющихся задач:
- Считать продуктовые метрики — DAU, MAU, retention, LTV, ARPU, CAC, churn rate. Эти цифры обновляются в дашбордах, и аналитик отвечает за их корректность.
- Исследовать причины аномалий. Если retention 7-го дня упал с 35% до 28%, нужно за день-два найти, где именно потерялись пользователи: по каким сегментам, на каких шагах воронки, после какого релиза.
- Готовить и проводить A/B-тесты. Сформулировать гипотезу, рассчитать минимальный размер выборки, выбрать метрики, дождаться статистической значимости и дать команде честный ответ — катать новую версию на всех или откатывать.
- Сегментировать аудиторию. Не все пользователи одинаковые: одни покупают раз в год, другие — раз в неделю. Аналитик разбивает базу на группы и помогает команде делать персональные предложения каждому сегменту.
- Считать юнит-экономику. Сколько компания зарабатывает на одном пользователе и сколько тратит на его привлечение. Эта математика определяет, остаётся канал маркетинга прибыльным или уходит в минус.
- Строить дашборды в Tableau, Power BI, Redash или Metabase. Чтобы продакт, маркетолог и руководитель команды могли смотреть свои цифры самостоятельно, без запроса аналитику.
В маленькой компании к этому добавляется ещё разметка событий в Amplitude или GA4 и даже настройка хранилища данных. В крупной — дата-инженеры и DevOps берут эту инфраструктуру на себя, а продуктовый аналитик концентрируется на интерпретации и гипотезах.
Специализации продуктового аналитика
Внутри профессии существуют разные направления. Они отличаются типом продукта, набором метрик и иногда стеком инструментов. Понимание этих ниш помогает выбрать, в какую сторону развиваться и куда смотреть при поиске работы.
| Специализация | С каким продуктом работает | Ключевые метрики | Зарплатный ориентир ₽/мес |
|---|---|---|---|
| Web product analyst | Сайты, веб-приложения, SaaS-сервисы | Конверсия в регистрацию, retention, MRR | 140 000 — 280 000 |
| Mobile product analyst | Мобильные приложения | Установки, удержание Day 1/7/30, in-app покупки | 150 000 — 320 000 |
| Аналитик в e-commerce | Интернет-магазины, маркетплейсы | GMV, средний чек, конверсия корзины | 130 000 — 270 000 |
| Аналитик в финтехе | Банки, инвестиционные приложения, P2P | Активация карты, частота транзакций, LTV | 180 000 — 380 000 |
| Game analyst | Мобильные и PC-игры, F2P | ARPDAU, retention, монетизация ивентов | 170 000 — 350 000 |
| Marketplace analyst | Wildberries, Ozon, Яндекс Маркет | Конверсия карточки, репит-покупки, доля брака | 160 000 — 320 000 |
В вакансиях это редко прописано прямо — компания пишет «продуктовый аналитик», а на собеседовании выясняется, что речь о мобильной игре или банковском приложении. Чтобы попасть в нужную нишу, стоит читать в вакансии не только обязанности, но и описание самой компании: что у неё за продукт и на чём она зарабатывает.
Методы и инструменты продуктового аналитика
В работе у продуктового аналитика два инструментария: методы (как думать о данных) и технические инструменты (через что обрабатывать). Методы важнее: освоить SQL за месяц можно, а понимать, какой эксперимент решит задачу — это годы практики.
| Метод | Для каких задач | Что использует |
|---|---|---|
| A/B-тестирование | Проверить гипотезу, не катая изменение на всех | Splitter, статтесты в Python (SciPy), Amplitude Experiment |
| Когортный анализ | Понять, как ведут себя пользователи разных «приходов» | SQL, Amplitude, Mixpanel |
| Funnel analysis | Найти узкие места в воронке от входа до покупки | Amplitude, GA4, Яндекс Метрика |
| AARRR (Pirate Metrics) | Структурировать продуктовые метрики по пяти стадиям | Дашборды в Tableau, Redash |
| RFM-анализ | Сегментировать покупателей для CRM-кампаний | SQL, Python (Pandas) |
| Юнит-экономика | Считать, окупаются ли инвестиции в каналы маркетинга | Excel, Google Sheets, юнит-калькуляторы |
Из технических инструментов рабочий минимум в 2026 году выглядит так. SQL на уровне оконных функций, CTE, оптимизации запросов — это базовый язык общения с хранилищем данных. Python с библиотеками Pandas, NumPy, SciPy и Statsmodels — для всего, что не помещается в SQL: статтесты, сложная очистка данных, автоматизация отчётов. Продуктовая аналитика — Amplitude, Mixpanel, GA4, Firebase. BI-системы — Tableau, Power BI, Redash, Metabase, Looker. Базы данных — PostgreSQL, ClickHouse, BigQuery. Английский язык на уровне чтения документации обязателен: половина свежих туториалов выходит сначала по-английски.
Где подтянуть отдельные навыки: курсы по SQL для начинающих, обучение Python для анализа данных, курсы по A/B-тестированию и курсы Tableau для визуализации.
Как проходит типичная неделя продуктового аналитика
Работа продуктового аналитика — не конвейер: каждый день складывается из коротких задач и длинных исследований. Чтобы понять, как это устроено в живом ритме, разложим типичную неделю середины квартала.
Понедельник: разбор метрик за выходные
Утро начинается с дашборда. За субботу-воскресенье в продукте копится много данных — DAU, выручка, конверсии, ошибки приложения. Аналитик прогоняет глазами 5–10 графиков и ищет аномалии: что просело, что выросло, что выпадает за границы доверительного интервала. На это уходит 30–60 минут.
Если что-то сильно отклоняется, понедельник превращается в день расследования: SQL-запросы, разрезы по сегментам, проверки с командой разработки, не было ли в выходные релиза или сбоя.
Вторник-среда: продуктовая встреча и запуск экспериментов
В большинстве команд во вторник или среду проходит продуктовый ритуал: команда обсуждает гипотезы, ставит приоритеты и решает, что катить в эксперимент. Продуктовый аналитик помогает менеджеру сформулировать гипотезу проверяемо: какие метрики ждём, на какой выборке, сколько дней крутить тест.
После встречи — настройка эксперимента в Amplitude Experiment или через внутренний сплиттер: размечать когорты, выбирать целевые и дополнительные метрики. К концу среды один-два эксперимента уже катятся в продакшен.
Четверг: ad-hoc запросы и дашборды
В четверг приходят небольшие, но срочные задачи от коллег. Маркетинг спрашивает, какая когорта из Telegram Ads приносит больше денег. Поддержка просит выгрузить пользователей, у которых не прошла оплата. Продакт хочет дашборд с новой фичей. На всё это уходит большая часть дня, и это нормальный режим: аналитик — связующее звено между командой и данными.
Пятница: глубокое исследование и ретро
Один день в неделю стоит выделять под исследование, которое требует тишины: например, разобрать причины оттока на Day 30, посчитать кросс-продажи между сегментами, оценить долгосрочный эффект эксперимента. К концу дня — ретро с командой: что вышло, какие эксперименты закрыли, какие гипотезы взяли на следующую неделю.
За кадром остаются митинги с дата-инженерами, обсуждение разметки событий с разработчиками, изучение свежих туториалов по статистике или новым возможностям инструментов. Хороший аналитик тратит на учёбу 2–4 часа в неделю.
Что должен знать и уметь продуктовый аналитик
Hard и soft skills у продуктового аналитика идут парой: первые позволяют посчитать, вторые — донести результат до команды и добиться, чтобы выводы превратились в решения.
Профессиональные знания
- SQL уверенно: джоины, оконные функции, CTE, оптимизация запросов на больших данных.
- Python для анализа: Pandas, NumPy, Matplotlib/Seaborn, статтесты на SciPy и Statsmodels.
- Математическая статистика: статзначимость, доверительные интервалы, поправки на множественное сравнение, мощность теста.
- Дизайн A/B-тестов: формулирование гипотез, расчёт размера выборки, выбор метрик, MDE.
- Продуктовые метрики: воронки, retention, LTV, ARPU, churn, юнит-экономика.
- Инструменты продуктовой аналитики: Amplitude или Mixpanel, плюс GA4 или Яндекс Метрика.
- BI-инструменты: один из Tableau, Power BI, Redash, Metabase, Looker.
- Базы данных: PostgreSQL, ClickHouse или BigQuery — уметь читать схему и писать запросы.
Личные качества
- Аналитический склад ума: умение задавать правильные вопросы к данным.
- Внимание к деталям: одна ошибка в SQL-запросе — и неверный вывод улетает в продакшен-решение.
- Умение объяснять: рассказывать результаты сложного анализа продакту, маркетологу и CEO разными словами.
- Любознательность: тянет разобраться, почему график так выглядит, а не принимать первое объяснение.
- Стрессоустойчивость: цифры часто говорят неудобное, и команда не всегда рада это слышать.
- Базовый английский: документация Amplitude, статьи на Medium, обновления библиотек идут сначала по-английски.
Самый неочевидный навык — умение говорить «нет». Продуктовый аналитик постоянно получает запросы вида «посчитай быстро». Хороший специалист отличает важные задачи от любопытных, расставляет приоритеты и не превращается в справочное бюро на все вопросы команды.
Плюсы и минусы профессии
Профессия выглядит привлекательно по деньгам и востребованности, но минусы у неё тоже есть. Стоит знать их заранее, прежде чем платить за обучение.
Плюсы:
- Высокие зарплаты: средний доход опытного специалиста выше, чем у большинства маркетологов и менеджеров той же квалификации.
- Спрос превышает предложение: вакансии на hh.ru и в Telegram-каналах закрываются неделями, а иногда месяцами.
- Возможность работать удалённо: большинство задач решается за компьютером, физическое присутствие в офисе не обязательно.
- Влияние на продукт: ваши гипотезы и выводы напрямую меняют то, что увидит миллион пользователей.
- Понятный карьерный путь: junior → middle → senior → lead → head of analytics. Переходы примерно каждые полтора-два года.
Минусы:
- Сидячая работа: 7–9 часов в день за экраном, спина и глаза страдают первыми.
- Нагрузка волнами: в спокойные дни задач мало, а перед запуском или по итогам квартала идёт ежедневный овертайм.
- Нужно учиться постоянно: инструменты, библиотеки, фреймворки А/B-тестов обновляются быстрее, чем книги по ним выходят.
- Конфликты с командой: если данные показывают, что любимая фича продакта не работает, придётся это сказать и выдержать обратную реакцию.
- Высокий порог входа: за месяц с нуля в профессию не войти. Нужно от 6 до 12 месяцев плотного обучения, чтобы получить первый оффер.
Профессия подходит тем, кто любит копаться в цифрах, не боится математики и готов отстаивать выводы перед командой. Не подходит тем, кто ищет творческую работу с понятным расписанием и быстрым результатом за неделю.
Сколько зарабатывает продуктовый аналитик
Вилка зарплат в 2026 году по данным hh.ru, habr-зарплат и сервиса GetGrade выглядит так. Junior — 80 000–150 000 ₽ в месяц. Middle — 150 000–280 000 ₽. Senior — 280 000–420 000 ₽. Lead и Head of analytics — 450 000–720 000 ₽ и выше в крупных IT-компаниях.
Разница между форматами работы: в найме медиана по рынку составляет около 190 000 ₽ в месяц на всех грейдах. Аутстаф и консалтинг дают плюс 20–30% сверху, но требуют опыта от 3 лет и готовности работать на несколько клиентов параллельно. По географии: Москва даёт максимум, Санкт-Петербург отстаёт примерно на 15%, регионы — на 25–35%, удалёнка из любой точки России в московскую компанию платит по московской ставке.
Подробный разбор зарплат по грейдам, городам и направлениям аналитики в сравнении с системными и бизнес-аналитиками — в отдельном материале о зарплатах аналитиков.
Как стать продуктовым аналитиком
Подробный пошаговый разбор с картой развития на 12 месяцев, списком инструментов и 10 ошибок новичков — в отдельном материале как стать продуктовым аналитиком с нуля.
В профессию входят двумя путями. Первый — профильное высшее образование: специальности «прикладная математика», «бизнес-информатика», «статистика» в ВШЭ, МФТИ, МГУ, ИТМО. Срок — 4–6 лет, формат — бакалавриат и магистратура. Второй — профпереподготовка через онлайн-курсы за 6–12 месяцев, цена обычно 70 000–180 000 ₽ с рассрочкой. Большинство сегодняшних продуктовых аналитиков пришли вторым путём из смежных профессий: маркетинга, веб-аналитики, разработки.
Общий каркас подготовки одинаковый: SQL и Python → основы математической статистики → продуктовые метрики и юнит-экономика → дизайн A/B-тестов → один инструмент продуктовой аналитики (Amplitude или Mixpanel) и один BI (Tableau, Power BI или Redash) → pet-проект на открытых данных для портфолио → первое собеседование. Полный разбор двух путей с пошаговой картой развития на 12 месяцев и чек-листами выбора программы будет в отдельной статье — как стать продуктовым аналитиком.
Где учиться на продуктового аналитика
Образовательных программ по продуктовой аналитике сейчас десятки, и они сильно различаются по объёму, цене, длительности и тому, что предлагают по трудоустройству. В нашей подборке курсы упорядочены по соотношению цена/качество, объёму практики и помощи со стажировкой — стоит сравнить программы рядом, прежде чем платить.
| Курс | Школа | Стоимость со скидкой | В рассрочку | Длительность | Обзор курса от Checkroi |
|---|---|---|---|---|---|
| Продуктовый аналитик с нуля (индивидуальный тариф) Перейти на сайт курса |  Skypro | 182 240 ₽ | 367 222 ₽/мес. | 12 месяцев | Обзор курса |
| Продуктовый аналитик с нуля Перейти на сайт курса | Skypro | 134 640 ₽ | 365 500 ₽/мес. | 12 месяцев | Обзор курса |
| Продуктовый аналитик с нуля до PRO Перейти на сайт курса |  Нетология | 91 800 ₽ | 3825 ₽/мес. | 12 месяцев | Обзор курса |
| Продуктовый аналитик Перейти на сайт курса |  Эдюсон | 84 790 ₽ | 3532 ₽/мес. | 5 месяцев | Обзор курса |
| Онлайн-курс Продуктовый аналитик Перейти на сайт курса |  Бруноям | 67 900 ₽ | 5658 ₽/мес. | 6 месяцев | Обзор курса |
| Продуктовый аналитик Перейти на сайт курса |  TeachMeSkills | 95 000 ₽ | 185 277 ₽/мес. | 5 месяцев | Обзор курса |
| Анализ данных Перейти на сайт курса | Skypro | 134 640 ₽ | 365 500 ₽/мес. | 12 месяцев | Обзор курса |
| Аналитик данных Перейти на сайт курса |  SkillFactory | 131 814 ₽ | 3662 ₽/мес. | 6 месяцев | Обзор курса |
| Финансовые технологии и аналитика Перейти на сайт курса | Нетология | 640 000 ₽ | 342 ₽/мес. | 24 месяца | Обзор курса |
| Бизнес-аналитик с нуля (индивидуальный тариф) Перейти на сайт курса | Skypro | 182 240 ₽ | 367 222 ₽/мес. | 12 месяцев | Обзор курса |
Больше программ — в полном каталоге курсов для продуктовых аналитиков
Главное о профессии продуктового аналитика
Продуктовый аналитик — специалист, который отвечает за рост цифрового продукта через данные: считает метрики, проверяет гипотезы в A/B-тестах, ищет точки роста и потерь. Профессия с высоким спросом и понятным карьерным треком: от джуна с 80 000 ₽ до тимлида с 500 000 ₽+ путь занимает 5–7 лет при плотной работе.
Чтобы войти в профессию, понадобится 6–12 месяцев обучения SQL, Python, продуктовым метрикам и A/B-тестам, плюс pet-проект для портфолио. Подходит людям с аналитическим складом ума, готовым общаться с командой и отстаивать неудобные выводы. Не подходит тем, кто ищет творческую работу без цифр и статистики. Полноценный сравнительный обзор школ и их программ ждёт в подборке курсов по продуктовой аналитике — стоит начинать выбор именно оттуда.
