Курсы продуктовой аналитики — рейтинг 31 программа обучения

Что такое продуктовая аналитика и почему профессия растёт в 2026

Продуктовая аналитика — это работа с данными конкретного цифрового продукта. Не отчёты «для всей компании», не маркетинговые дашборды для отдела трафика. Аналитик берёт приложение, сайт или сервис и отвечает на простые с виду вопросы: где пользователи теряются в воронке, какая фича приносит деньги, что изменилось после релиза, стоит ли катить новую версию на 100% трафика.

Звучит буднично, пока не посмотришь на цифры спроса. По данным hh.ru/stats, за последний год число вакансий «продуктовый аналитик» в России выросло — на платформе одновременно открыто около 7 200 позиций по теме аналитики продукта. Это второе место по росту в IT после ML-инженеров.

Причина банальна: компании поняли, что без аналитики решение «давайте добавим эту кнопку» — это лотерея. С аналитикой это гипотеза с измеримым результатом. Продакт-менеджеры, маркетологи, разработчики — все хотят, чтобы рядом сидел человек, который может за 30 минут собрать дашборд по новой фиче и сказать «работает / не работает / надо смотреть глубже».

Поэтому курсов так много, и они все обещают вывести в профессию за 6–10 месяцев. Дальше разберёмся, что в них реально полезного, а что — упаковка.

Что меняется в работе аналитика прямо сейчас. На горизонте 2025–2026 в российских продуктовых командах прижились три тренда. Первый — массовый переход с Google Analytics 4 и зарубежных трекеров на AppMetrica и Яндекс.Метрику + собственные хранилища на ClickHouse. Курсы, в которых только GA4, в 2026 году уже не закрывают рабочие задачи. Второй — рост спроса на навык быстрых ad-hoc запросов через LLM-инструменты типа GitHub Copilot для SQL и Cursor для блокнотов с pandas. Это не отменяет знания SQL, но ускоряет работу middle-аналитика на 20–30%. Третий — осознанная нехватка людей, которые умеют не только считать метрики, но и говорить о них с продактами и бизнесом. На собеседованиях этот навык проверяют отдельным кейсом «защити свою гипотезу перед скептичным CTO».

Всё это влияет на программу обучения и на критерии выбора курса. Старые программы, записанные 3–4 года назад, прокачают вас по 70% задач — но останется зазор, который придётся закрывать самостоятельно. Свежие курсы 2025–2026 годов закрывают этот зазор уже внутри программы.

Чем продуктовый аналитик отличается от data-аналитика и BI-аналитика

На собеседованиях часто путают эти три роли — даже сами рекрутеры. Разница прикладная, и она определяет, какой курс вам подходит.

Продуктовый аналитик работает с конкретным продуктом и его метриками: DAU/MAU, retention, конверсии в воронке, LTV, виральность. Сидит рядом с продакт-менеджером, формулирует гипотезы, дизайнит A/B-тесты, считает unit-экономику фичи. Главный инструмент — продуктовая аналитика типа Amplitude или Mixpanel плюс SQL.

Data-аналитик работает с данными всей компании, чаще без привязки к одному продукту. Строит отчёты для топов, считает прогнозы, сегментирует клиентов, делает сложные модели на Python. Работает плотнее с BI-инструментами вроде Tableau, Power BI, DataLens.

BI-аналитик ближе к инфраструктуре. Его задача — сделать так, чтобы все нужные данные были в одном месте, выстроены витрины, дашборды обновлялись по расписанию. Меньше гипотез, больше архитектуры данных и SQL-оптимизации.

Один человек на старте может покрывать сразу две роли — особенно в небольшой команде. Но если идёте в крупную компанию вроде Яндекса, Авито или Тинькофф, на собеседовании спросят чётко: что вы хотите делать. Курсы по продуктовой аналитике учат именно первой роли, и переход в неё проще из маркетинга, продакт-менеджмента или разработки. Подробнее про развилку рассказали в материале Зарплата аналитика в 2026: по направлениям, грейдам и странам.

Простой способ примерить роль на себя. Если внутри одной задачи вы хотите докопаться до причины «почему именно этот пользователь не активировался» и предложить три гипотезы для теста — это продуктовая аналитика. Если хочется выстроить процесс, чтобы в компании было одно место, куда все ходят за цифрами, и эти цифры всегда сходились — это BI. Если хочется построить модель, которая предсказывает отток на 30 дней вперёд с точностью 85% — это data-аналитика, частично data science. Все три направления нужны рынку, но платят и ищут их по-разному.

Кому стоит идти учиться — четыре типа аудитории

За три года наблюдений за студентами курсов мы видим четыре устойчивых сценария входа в профессию. Если узнаёте себя — обучение сработает.

Полный новичок без IT-бэкграунда. Самый частый случай. Школьная математика, любопытство, готовность сидеть с SQL по вечерам. Идти лучше на длинные программы 8–12 месяцев с нуля — где обещают научить SQL, Python и статистику с азов. Срок до первого оффера — 4–6 месяцев активного поиска после выпуска.

Маркетолог, который устал от поверхностной аналитики. Уже работает с Google Analytics, Яндекс.Метрикой, считает CAC и ROMI. Хочет глубже: A/B-тесты, когортный анализ, продуктовые метрики. Подойдёт средняя программа 4–6 месяцев — базу не нужно повторять, можно сразу учиться SQL и продуктовым инструментам.

Разработчик-переходник. Backend или фронт, который выгорел от кода и хочет ближе к продукту. SQL уже знает на уровне «писал джоины в запросах». Нужны метрики, юнит-экономика, навыки коммуникации с продактами. Хватит интенсива на 3–4 месяца с упором на статистику и продуктовые кейсы.

Data-аналитик, который хочет сменить специализацию. Знает Python и BI, делал отчёты, но устал от роли «фабрики дашбордов». Хочет влиять на продуктовые решения. Чаще всего достаточно короткого курса 2–3 месяца по A/B-тестированию и продуктовым метрикам. Дополнительно — материал Как стать аналитиком данных с нуля, чтобы понять, какие пробелы стоит закрыть.

Если вы не подходите ни под один сценарий — например, идёте без работы и без бэкграунда «потому что зарплата большая» — будет сложно. Курсы дают навыки, но не мотивацию пять месяцев решать задачи по SQL после работы. Это стоит учесть до покупки.

Что входит в программу обучения

Хорошие курсы по продуктовой аналитике покрывают пять блоков. Если в программе есть только три — это либо очень короткий курс для опытных, либо слабая программа.

Продуктовые метрики и фреймворки. AARRR (Acquisition–Activation–Retention–Revenue–Referral), HEART, North Star Metric, иерархия метрик от верхнеуровневых до операционных. Когда какую метрику выбирать, как не утонуть в 50 KPI. Без этого блока аналитик будет считать что попало.

SQL и работа с базами данных. Это база. На большинстве курсов SQL занимает 30–40% времени: SELECT, JOIN, оконные функции, оптимизация запросов, работа с витринами. Без SQL продуктовый аналитик не существует — все данные лежат в базах, и чаще всего вытаскивать их придётся самостоятельно.

A/B-тестирование и статистика. Здесь начинается водораздел между сильными и слабыми программами. Сильные дают базу матстатистики (распределения, гипотезы, ошибки I и II рода, мощность теста), учат дизайнить эксперимент, выбирать критерии, читать результаты. Слабые ограничиваются формулой p-value и калькулятором онлайн. Если в программе на A/B меньше 4 недель — это слабый сигнал.

Юнит-экономика и финансовые метрики. CAC, LTV, ARPU, ARPPU, payback period, валовая маржа. Аналитик должен уметь сказать продакту «эта фича не окупается за 12 месяцев на текущем CAC» и обосновать цифрами. На курсах юнит-экономика занимает 2–4 недели, обычно с разбором реального продукта в кейсе.

Когортный анализ и сегментация. Как нарезать пользователей по дате прихода, источнику трафика, поведению — и увидеть, что retention 30-го дня у когорты сентября просел на 8%. Это рабочая лошадка продуктового аналитика, и в сильных курсах когортам уделяют отдельный модуль с домашкой на реальных данных.

Дополнительно в хороших программах есть Python для нестандартных задач, визуализация в Tableau или Redash, основы Customer Journey Mapping и UX-исследований. Это не критично, но прокачает кругозор.

Что обычно НЕ дают на курсах, хотя стоило бы. Три навыка, которых не хватает выпускникам в первые месяцы работы. Первый — умение обсуждать гипотезу с продактом до того, как сел за SQL: половина аналитических задач закрывается одним правильным вопросом, а не сложным запросом. Второй — опыт работы с грязными данными, когда события трекинга навешаны криво и часть пропущена; на учебных датасетах все цифры идеальные, в проде такого не бывает. Третий — понимание базовой инженерии: как устроены ETL-процессы, почему вчерашняя витрина обновилась только утром, что такое DAG в Airflow. Если эти темы есть в программе хотя бы поверхностно — большой плюс. Если нет — закрывайте после трудоустройства через менторов и внутренние тренинги в команде.

Практика как главный фильтр программы. На любой программе спрашивайте, сколько финальных кейсов с реальными данными вы делаете. Меньше двух — слабая программа. Три-пять — норма. На сильных курсах в финале студент берёт реальный продукт (с разрешения партнёрской компании или анонимизированные данные), формулирует гипотезу, дизайнит A/B-тест, считает дизайн-эффект и расчётный размер выборки, описывает результаты и защищает кейс перед группой. Этот кейс потом ложится в портфолио для собеседований и часто становится главным аргументом при найме.

Сертификация и формальные документы. В России для продуктового аналитика чаще всего достаточно сертификата школы — рынок смотрит на портфолио и опыт, а не на корочки. Удостоверение о повышении квалификации дают программы партнёров вузов; диплом о профессиональной переподготовке — длинные программы 9–12 месяцев. Эти документы пригодятся, если планируете госструктуры или образовательные учреждения. В IT-командах продуктовых компаний на них почти не смотрят — спрашивают про навыки и кейсы.

Инструменты продуктового аналитика и зачем их изучают

Стек продуктового аналитика в 2026 году — это 6–8 инструментов. Не все нужны на старте, и хороший курс расскажет, что учить в первую очередь, а что добивать после трудоустройства.

На сильных курсах есть доступ к учебным аккаунтам Amplitude и Mixpanel, плюс анонимизированные данные реальных продуктов. Это важный пункт чек-листа при выборе программы — смотрите ниже.

Если хотите сначала разобраться с одним инструментом отдельно, у нас собраны курсы по SQL, Python и Amplitude в виде отдельных подборок.

Какие метрики и события считают в Amplitude и Mixpanel. На уровне джуна нужно уверенно собирать четыре типа отчётов: воронку (Funnel) — сколько процентов пользователей проходит из шага в шаг; retention — какая доля возвращается на 1, 7, 30 день после первого визита; пути пользователя (User Paths) — какие экраны посещают между событием A и событием B; сегменты — группы пользователей по поведению или свойствам. На middle-уровне сюда добавляется работа с custom events, formulas, кастомными метриками и интеграция с BI для расширенных дашбордов.

Локальные альтернативы зарубежных инструментов. После 2022 года часть международных продуктов либо ушла из России, либо стала доступна только через зарубежные банковские карты. На замену пришёл стек: Яндекс.Метрика (вместо GA4), AppMetrica (вместо Firebase Analytics), DataLens (вместо Tableau и Power BI для российских компаний), Roistat (для маркетинговых команд). Курсы 2025–2026 годов в большинстве уже учат этому стеку наравне с зарубежным. Если в программе только GA4 и Tableau — это сигнал, что материал не обновлялся.

Сколько зарабатывает продуктовый аналитик в 2026 году

По данным hh.ru/stats и getgrade.ru на начало 2026, продуктовая аналитика стабильно держится в тройке самых высокооплачиваемых аналитических ролей. Медиана по рынку — около 262 000 ₽ в месяц.

Цифры — медианы по открытым вакансиям. На реальных оффёрах «вилка» бывает шире, особенно в продуктовых компаниях с сильной аналитической культурой: Авито, Wildberries, Ozon, Тинькофф, Яндекс. Там Senior может получать 450–550 000 ₽ плюс бонусы и опционы.

Стартовая зарплата джуна сильно зависит от того, есть ли у него рабочий проект в портфолио. На выходе с курса без проектов — это 80–100 000 ₽ в небольших продуктовых командах. С 3–5 кейсами и пет-проектом, выложенным на GitHub, реально зайти на 120–140 000 ₽.

Цифры у наших коллег в подборке Зарплата аналитика в 2026 году по направлениям и странам — там же сравнение со смежными ролями: системным, бизнес- и BI-аналитиком.

Какие компании активнее всего ищут продуктовых аналитиков. По вакансиям hh.ru за последний квартал основной спрос идёт от трёх кластеров. Первый — крупные продуктовые экосистемы: Яндекс, Авито, ВКонтакте, Wildberries, Ozon, Тинькофф, Альфа-банк, Сбер, Х5. Здесь самые большие команды (от 20 до 200 аналитиков), сильные процессы, высокие зарплаты, но и очень жёсткий найм с алгоритмическими секциями и кейсами. Второй кластер — средние продуктовые стартапы и SaaS: Skyeng, GetCourse, Kufar, Lamoda, Самокат, Циан, Auto.ru. Меньше формализма, быстрее карьерный рост, чуть ниже потолок зарплаты. Третий кластер — продуктовые направления внутри крупных нецифровых компаний: банки, ритейл, телеком. Здесь зарплаты средние, но требования к навыкам ниже — хороший вариант для джунов.

Удалёнка и релокация. Около 60–70% вакансий продуктовых аналитиков предлагают полную удалёнку или гибрид (3–4 дня из дома). Релокация в Москву или Петербург обычно не требуется даже на middle и senior, но компании с офисом в столицах поднимают на 15–25% зарплату для тех, кто готов работать из офиса. На зарубежных оффёрах ситуация другая: компании из ЕС и ОАЭ ищут продуктовых аналитиков с опытом 3+ лет на 4 000–7 000 € в месяц, но требуют английский B2+ и опыт работы в международных командах.

Что важно понимать про быстрый рост зарплаты. Стартовые 100–120 000 ₽ через 8–12 месяцев работы вырастают до 160–200 000 ₽ — почти в два раза. Это не магия, а стандартная динамика для аналитика, который закрывает поток задач без замечаний и берёт инициативу в новых проектах. Главный фактор быстрого роста — переход в более сложную команду или продукт через 1–1,5 года после первого оффера. Те, кто остаётся на первой работе три-четыре года, отстают по деньгам от ровесников примерно на 30%.

Сколько длится обучение и сколько стоит

Длительность курсов — от 1 месяца (короткие интенсивы по конкретному инструменту) до 24 месяцев (полные программы с нуля до middle). Большинство хороших программ умещаются в 6–10 месяцев.

По нашему каталогу разброс цен по продуктовой аналитике сейчас от 790 ₽ до 230 400 ₽, медиана — 98 400 ₽. Конкретные цифры обновляются автоматически — ориентируйтесь на них при бюджетировании. Школы предлагают рассрочку от 4 000 ₽ в месяц, многие — без первого взноса и без переплаты на срок 12–36 месяцев.

Какая длительность под какую цель:

• 1–2 месяца — освежить статистику и A/B-тесты, разобраться с одним инструментом (Amplitude, SQL). Подходит, если у вас уже есть опыт
• 3–4 месяца — переход из смежной роли (маркетинг, разработка). Дают всё нужное для джуна без избытка
• 6–8 месяцев — обучение с нуля до уровня junior. Самый частый формат
• 10–14 месяцев — программы с дипломом гособразца, с дополнительными модулями (продуктовый менеджмент, ML)
• 18–24 месяца — полные программы с гарантией трудоустройства и большим количеством практики

Важный нюанс: длительность курса не равна времени до первого оффера. Поиск работы после выпуска занимает в среднем 2–4 месяца активной отправки откликов и доработки портфолио. Закладывайте это в личный план.

Сколько часов в неделю придётся учиться. Минимум — 8–10 часов: лекции, домашние задания, самостоятельные кейсы. Это нагрузка для тех, кто учится параллельно с работой и закрывает программу плавно. Норма для большинства — 12–15 часов: вечера в будни плюс часть выходных. Интенсивные программы 3–4 месяцев требуют 20–25 часов в неделю — это уровень студенческой подготовки к сессии. Если вы выпадаете из графика на пару недель, в большинстве школ можно догнать через личный кабинет, но в потоковых программах с вебинарами это сложнее.

Что входит в стоимость кроме лекций. Сильные программы включают доступ к учебным аккаунтам Amplitude/Mixpanel/Tableau на время курса, проверку 8–15 домашних заданий преподавателем с обратной связью, 2–4 защиты кейсов с экспертами из индустрии, карьерное сопровождение от 3 до 12 месяцев после выпуска, доступ к закрытому Telegram-комьюнити выпускников. Если в стоимости только лекции и автоматическая проверка тестов — это слабая программа, и она даже за 30 000 ₽ не окупится временем.

Как выбрать курс по продуктовой аналитике — чеклист из 7 пунктов

Проверьте программу по этим пунктам. Если 5 из 7 закрыты — курс рабочий. Меньше четырёх — лучше посмотреть другой.

1. Доступ к реальным данным. Анонимизированные данные настоящих продуктов, а не учебные датасеты с idealized retention. Спрашивайте, с какими компаниями школа работает по кейсам.
2. SQL занимает 30–40% программы. Если меньше — у вас не будет рабочего навыка. Если больше 50% — это курс по SQL, а не по продуктовой аналитике.
3. Минимум 4 недели на A/B-тестирование. С разбором матстатистики, дизайна экспериментов, чтения результатов. Без этого не пройдёте собеседование в продуктовую компанию.
4. Преподаватели — практики из больших продуктовых команд. Авито, Яндекс, Тинькофф, Ozon, Wildberries, VK, X5, Lamoda, Сбер. Смотрите профили в LinkedIn или открытых соцсетях.
5. Поддержка эксперта в чате с проверкой домашек. Не автоответы и не «сообщество выпускников помогает друг другу». Конкретный человек с обратной связью на код.
6. Карьерное сопровождение с конкретикой. Не «помогаем с резюме», а «у нас 87 партнёров для стажировок» или «гарантия возврата денег, если не нашли работу за 6 месяцев». Числа, а не обещания.
7. Сертификат, который проверяют у работодателя. Удостоверение о повышении квалификации, диплом о профпереподготовке, либо сертификат школы с понятным брендом. На джунах это работает на собеседовании.
8. Срок гарантии возврата и условия отказа. Адекватные школы возвращают деньги в первые 1–2 недели после старта программы без вопросов и пропорционально за пройденные модули позже. Договор должен описывать срок, формулу расчёта возврата и реквизиты для перевода. Если в условиях написано «возврат при условии прохождения 80% курса» — это ловушка, никто столько не сдаёт «на отказе».
9. Поддержка стека после выпуска. Доступ к материалам после окончания курса должен оставаться минимум 6–12 месяцев. Лучше — пожизненный, как делают ProductStar и karpov.courses. На второй и третий месяц работы вы будете возвращаться к лекциям по матстатистике и SQL-окнам — терять доступ за 50–150 000 ₽ глупо.

Чего НЕ должно быть в хорошем курсе: обещания «зарплаты от 250 000 ₽ через 4 месяца с нуля», заявления «гарантируем трудоустройство» без письменного договора, «лекции от 100+ преподавателей» (на практике 90% записаны 3–4 года назад).

Как тестировать школу до оплаты. Хорошие школы дают вводный модуль 1–3 урока бесплатно — это первый фильтр. Смотрите не на маркетинг, а на конкретику: преподаватель объясняет p-value на пальцах или просто читает по презентации; есть ли разбор реального кейса; даёт ли школа домашку и как быстро возвращается обратная связь. Если вводных уроков нет — пишите менеджеру и просите доступ к одному модулю как пробный. Адекватные школы дают такой доступ; те, кто отказывает — с большой вероятностью не уверены в своём контенте.

Как читать отзывы. Отзывы внутри школы и на партнёрских платформах фильтруются — относитесь к ним как к маркетингу. Полезные источники: профильные сообщества в Telegram (например, чаты по продуктовой аналитике), threads на Хабре, нейтральные агрегаторы вроде Checkroi. Ищите развёрнутые отзывы 200+ слов с конкретикой: что не понравилось, как реагировала школа, что в итоге. Восторженные отзывы из 30 слов «всё круто» не несут информации.

Карьерный путь продуктового аналитика — от Junior до Head of Analytics

Карьера в продуктовой аналитике — линейная и измеримая. На каждой ступени есть набор навыков, без которых до следующей не дойти.

Junior (0–1 год опыта). Уверенный SQL: оконные функции, оптимизация. Базовая статистика, чтение A/B-тестов, простые отчёты. Зарплата 100–150 000 ₽. На этом уровне самое главное — закрыть задачи без переспросов и научиться задавать правильные вопросы продакту. Типичная неделя джуна: пять-восемь ad-hoc запросов от продактов, поддержка двух-трёх постоянных дашбордов, один разбор внеплановой просадки метрики. Сложные A/B-тесты пока ведёт middle, но джун участвует в их обсуждении и собирает исходные данные. Закончить этот этап реально за 9–14 месяцев активной работы, после чего грейд повышают вместе с зарплатой на 30–50%.

Middle (1–3 года опыта). Самостоятельный дизайн A/B-тестов, когортный анализ, продуктовая стратегия на уровне фичи. Уверенный Python для сложных кейсов. Может вести 2–3 продуктовых направления одновременно. Зарплата 180–280 000 ₽.

Senior (3–6 лет опыта). Отвечает за продуктовое направление целиком, формирует roadmap аналитики, обучает джуниоров. Глубокая статистика, понимание ML-подходов, влияние на продуктовые решения на уровне топ-менеджмента. Зарплата 300–420 000 ₽.

Lead / Head of Analytics (5+ лет). Управление командой 5–15 аналитиков, стратегия данных в компании, бюджеты, найм. Меньше кода, больше переговоров. Зарплата от 400 000 ₽ плюс опционы и бонусы за результаты бизнес-метрик.

Альтернативные ветки: переход в продакт-менеджмент (с middle уровня — ходовая история), уход в data science или ML-инженерию (потребует 6–12 месяцев докачки Python и матмоделей), консалтинг по аналитике для стартапов как фриланс. Полный разбор ролей — в материале Профессия «Продуктовый аналитик» — подробное описание и разбор.

Какие навыки ускоряют переход на следующую ступень. Чтобы вырасти из джуна в мидла за год, а не за два, фокус на трёх вещах. Первое — глубокий SQL: оконные функции, рекурсивные CTE, оптимизация по execution plan, опыт работы с витринами больше 100 миллионов строк. Второе — самостоятельные A/B-тесты от гипотезы до отчёта, без помощи старших; на собеседовании это спрашивают конкретными кейсами «как бы вы спроектировали тест для X». Третье — навык говорить «нет» бессмысленным запросам. Джун делает всё, что попросят; мидл понимает, какая задача принесёт ценность, а какая — это просто чужой каприз.

Что ждёт на собеседовании в продуктовую команду. Стандартный пайплайн на middle: HR-скрининг (15 минут), техническая секция SQL и статистика (60–90 минут на платформе вроде CodeSignal или живой код в зуме), кейс-секция с дизайном A/B-теста (60 минут), системная секция «как бы вы выстроили аналитику для нового продукта» (45 минут), знакомство с командой и фит. Подготовка к такому формату занимает 4–6 недель целевой работы. На джуне всё проще: SQL-задачи на стажку и кейс на чтение метрик. Если на курсе есть симуляция собеседований — это большой плюс, и стоит этим пользоваться.

Бесплатные ресурсы и тренажёры для самостоятельного старта

Перед платной программой стоит проверить, нравится ли вам вообще работать с цифрами. Есть несколько проверенных бесплатных ресурсов — на них уйдёт 20–40 часов, и вы поймёте, ваше это или нет.

• Тренажёры по SQL. sql-ex.ru, LeetCode (раздел Database), Stepik-курс «Интерактивный тренажёр по SQL». Решите 50 задач — поймёте, заходит ли язык в принципе.
• Бесплатные курсы на Stepik. «Анализ данных в R», «Основы статистики», «Продуктовая аналитика для менеджеров». 8–15 часов каждый, без сертификата, но с практикой.
• YouTube-каналы. Каналы школ обычно выкладывают вводные лекции в открытый доступ. Посмотрите 3–4 разных подачи материала по A/B-тестам — поймёте, чей преподавательский стиль вам ближе.
• Книги. «Storytelling with Data» Коул Нассбаумер, «Trustworthy Online Controlled Experiments» Кохави и Тан, «Lean Analytics» Маурья. Первая — на 2–3 вечера, две другие — для глубокого погружения после старта на курсах.

Бесплатные ресурсы не заменят системное обучение — там нет обратной связи и портфолио для собеседования. Но как фильтр перед оплатой 80–150 000 ₽ работают отлично.

Как собрать первое портфолио до выпуска с курса. На каждой неделе обучения держите рядом тетрадь или Notion с тремя колонками: «навык», «маленький кейс на этом навыке», «датасет, на котором делал». К концу курса у вас должно быть 3–5 готовых проектов. Идеи кейсов: разбор открытых данных каршеринга по поездкам в Москве; A/B-тест на синтетических данных интернет-магазина с разной формой кнопки покупки; когортный анализ retention для приложения медитации (датасеты есть на Kaggle); расчёт юнит-экономики гипотетического сервиса доставки на основе публичных отчётов. Каждый кейс — отдельный README на GitHub, с гипотезой, методом, результатом, выводом. На собеседовании эти кейсы покажут уровень лучше любого диплома.

Сообщества для нетворкинга. Telegram-чаты «Продуктовая аналитика», «AB-тесты», локальные митапы по продакт-менеджменту в Москве и Петербурге, Slack «Russian Product People», Habr Q&A. Вход бесплатный, активность хороших участников приносит больше, чем три прочитанные книги. Через эти каналы быстрее всего находят первую работу — около 30% выпускников курсов трудоустраиваются именно по личным рекомендациям из таких сообществ, а не через массовые отклики на hh.ru.

Как мы отбираем и ранжируем курсы в каталоге Checkroi

В каталоге Checkroi сейчас 31 курс от 14 онлайн-школ. На странице вы видите карточки в определённом порядке — это не случайный список и не алфавит. За порядком стоит понятная методология.

Что мы делаем перед добавлением курса:

• Проверяем актуальность программы. Если на странице курса последнее обновление — 2022 год, программа не попадает в каталог
• Сверяем стек инструментов с текущими требованиями вакансий на hh.ru. Курс, в котором учат только Excel и старый Tableau, отфильтровываем
• Читаем 30–50 свежих отзывов выпускников. Если 80% жалуются на пропавшего куратора или старый материал, курс не попадает
• Проверяем условия рассрочки и гарантий — особенно у школ с агрессивным маркетингом

Как считается рейтинг. Используем взвешенную оценку: 40% — отзывы выпускников за последние 12 месяцев, 25% — глубина программы (часы практики, наличие реальных данных, A/B-блок), 20% — карьерное сопровождение и стажировки, 15% — прозрачность условий и поддержка кураторов. У VIP-партнёров есть фиксированный приоритет в первой пятёрке — это отдельная пометка в карточке, мы её не скрываем.

Раз в квартал каталог пересматриваем целиком. Курсы, которые скатились по отзывам или закрыли набор, скрываем. Новые программы, прошедшие проверку, добавляем сразу с боевым местом в выдаче. Если вы видите в каталоге программу — значит, её можно покупать без страха «а вдруг это устаревший контент».

Что считаем приоритетом при сравнении. Если две программы похожи по содержанию, в каталоге выше окажется та, у которой свежее обновление лекций, больше практических часов на A/B-тесты, конкретнее описано карьерное сопровождение, прозрачнее условия рассрочки. Старые легендарные программы прошлых лет, которые перестали обновлять стек, опускаются ниже свежих курсов от менее известных школ. Это иногда удивляет читателей, но мы исходим из того, что вы покупаете обучение под рынок 2026 года, а не под рынок 2021-го.

Как вы можете повлиять на каталог. Если вы выпускник курса и видите, что в нашем описании программы не хватает важного — пишите редакции через форму на странице. Мы добавим вашу обратную связь к ближайшему пересмотру. Особенно ценны конкретные истории: «трудоустройство обещали за 3 месяца — нашёл работу за 7», «куратор отвечает за 2–3 дня, не за 4 часа как в маркетинге», «преподаватель сменился в середине потока». Такие сигналы быстрее доходят до редакции, чем долгие циклы переоценки.