Курсы статистики: обучение с нуля до Data Science

Что такое статистика и зачем её учить в 2026 году

Статистика — это набор методов, которые превращают сырые цифры в понятные ответы. Сколько клиентов на самом деле вернулось после рассылки. Действительно ли новая кнопка увеличила конверсию или нам показалось. На какую зарплату реально может рассчитывать junior-аналитик в Москве, а не «в среднем по Хедхантеру».

Без статистики любой график в дашборде остаётся просто красивой картинкой. С ней появляется аргумент, который можно защитить перед руководством или инвестором.

Часто статистику путают с теорией вероятностей. Разница простая. Теория вероятностей отвечает на вопрос «что будет, если бросить монетку 100 раз». Статистика отвечает на обратный: «вот результат 100 бросков, что мы можем сказать про монетку». Одно идёт от модели к данным, другое от данных к модели. На большинстве курсов теорвер дают как фундамент, а статистику как прикладной инструмент поверх него.

Спрос на людей со статистическими навыками растёт каждый год. По данным hh.ru в 2026 году по запросу «аналитик данных» открыто более 5 000 вакансий, и почти в каждом описании в требованиях есть пункт про математическую статистику, проверку гипотез или A/B-тестирование. Без этой базы пройти техническое собеседование в продуктовую команду почти невозможно.

Статистика встроена в работу намного шире, чем кажется со стороны. Маркетолог, который оценивает эффективность рекламной кампании, на самом деле проверяет статистическую гипотезу. Продакт, который сравнивает две версии лендинга, проводит A/B-тест с расчётом значимости. Финансовый аналитик, который строит прогноз продаж, использует регрессию, даже если не называет это таким словом. Курсы по статистике не вводят вас в новую профессию, они достраивают потолок в той, где вы уже работаете.

Ещё один сильный аргумент учить статистику в 2026 году: на собеседованиях в крупных продуктовых командах вопросы по теории вероятностей и проверке гипотез задают на каждом этапе. Это уровень входного билета, ниже которого даже на джуновую вакансию не пройти. Школы это знают и подстраивают программы курсов под реальные интервью в Яндексе, Авито, Тинькофф и Сбере.

Кому подходят курсы по статистике

Мы видим, как студенты приходят на программы каталога с очень разным бэкграундом. Вот пять типичных сценариев.

Начинающий аналитик данных. Уже умеет писать SQL-запросы и строить графики в Power BI, но застревает на собеседованиях, когда спрашивают про p-value или критерий Стьюдента. Ему нужен курс с упором на проверку гипотез и регрессию, желательно с практикой на Python. По нашему опыту таких студентов в каталоге около трети.

Маркетолог, который перерос Excel. Хочет считать честный ROI кампаний, понимать, когда разница в CTR двух креативов значимая, а когда это шум. Подойдёт короткий курс по A/B-тестированию и описательной статистике, без глубокого матана. Бюджет такого студента обычно в районе 30–50 тысяч, длительность 2–3 месяца.

Продакт-менеджер. Запускает фичи, читает отчёты аналитиков и хочет проверять их выводы, а не доверять на слово. Достаточно курса средней длины с разбором кейсов из e-commerce и финтеха. Часто продакты идут на программы вместе с командой, чтобы потом говорить с аналитиком на одном языке.

Исследователь или социолог. Работает с опросами, нужны выборки, доверительные интервалы и непараметрические тесты. Часто такие студенты выбирают курсы с упором на R и SPSS, потому что в академической среде это всё ещё стандарт. Ниша узкая, но школы под неё есть.

Гуманитарий, который собрался в IT. Журналист, лингвист, переводчик. Боится формул, но хочет в Data Science. Ему критично, чтобы курс начинался с самых основ и объяснял через примеры, а не через производные. Таким студентам мы советуем сначала бесплатные материалы Stepik, и только потом платный курс с поддержкой.

Если вы узнали себя в одном из портретов, дальше будет проще выбирать программу. Структура курсов под эти задачи устроена очень по-разному: для маркетолога важна интерпретация и кейсы, для будущего Data Scientist — глубина математики, для социолога — нюансы выборок.

Отдельно стоит сказать про тех, кто не подходит. Если ваша работа никак не связана с цифрами и вы просто хотите «прокачать мозг», бесплатных материалов на Stepik и YouTube будет достаточно. Платный курс окупается только когда у вас есть конкретный сценарий применения через 3–6 месяцев после обучения.

Что вы изучите на курсах по статистике

Мы прошли по программам 42 и собрали типовой набор тем. На сильных курсах есть все десять блоков, на коротких первые пять-семь.

1. Описательная статистика. Среднее, медиана, мода, дисперсия, квантили. База, без которой не читается ни один отчёт. На неё уходит 1–2 недели.
2. Теория вероятностей. Случайные величины, распределения (нормальное, биномиальное, Пуассона), закон больших чисел. Без этого не понять, почему p-value ведёт себя именно так.
3. Выборки и оценка параметров. Репрезентативность, ошибка выборки, точечные и интервальные оценки. Без понимания выборок нельзя нормально работать ни с опросами, ни с пользовательскими сегментами.
4. Проверка гипотез. Нулевая и альтернативная гипотеза, ошибки первого и второго рода, p-value, мощность теста. Самая болезненная тема для новичков и самая частая на собеседованиях.
5. Доверительные интервалы. Как сказать «средняя зарплата от 95 до 105 тысяч с вероятностью 95%» и не соврать. На практике вы будете это делать каждую неделю.
6. Корреляционный анализ. Пирсон, Спирмен, кэвиэты «корреляция не равно причинность». Без этого нельзя строить ни одну модель.
7. Регрессионный анализ. Простая и множественная линейная регрессия, проверка предпосылок, интерпретация коэффициентов. Мостик к машинному обучению.
8. A/B-тестирование. Дизайн эксперимента, расчёт размера выборки, t-тест, χ²-тест, поправки Бонферрони. Главный продуктовый инструмент в любой IT-компании.
9. Непараметрические методы. Манн-Уитни, Уилкоксон, Краскел-Уоллис. Когда данные не подчиняются нормальному распределению, без них никак.
10. Введение в машинное обучение. Что такое supervised и unsupervised learning, как статистика связана с моделями. На большинстве курсов это последний модуль и мостик к Data Science.

На сильных программах в каждый блок встроена практика на реальных датасетах. Вы не просто слушаете лекцию про критерий Стьюдента, а сразу применяете его к данным интернет-магазина: значимо ли выросла конверсия после редизайна. Без такой связки теория забывается за месяц.

Если вы хотите углубиться в общую аналитику данных, после курса по статистике это будет логичным следующим шагом, материал ляжет на готовый фундамент. То же относится к бизнес-аналитике: статистические методы там используются ежедневно при работе с финансовыми отчётами и прогнозами.

Сравнение инструментов: на чём учат статистику

Главное, что отличает курсы между собой, это софт, в котором вы будете считать. Каждый инструмент закрывает свои задачи, но смешивать их в одной программе обучения почти никто не пытается.

Если вы целитесь в продуктовую аналитику или Data Science, выбирайте курс с Python. Если задача научиться считать гипотезы для маркетинга и продукта без программирования, можно начать с курса на Excel и через полгода доучить Python отдельно.

На Хабре есть подробный разбор курсов по аналитике данных с описанием стека инструментов в каждой школе. Это полезное чтение перед выбором, особенно если хочется сравнить программы по конкретным библиотекам Python.

Практический совет: на собеседовании в IT-компанию вас почти наверняка спросят про Python с библиотеками для статистики, а не про SPSS. Если вы из академической среды и привыкли к R, заложите время на освоение второго инструмента. Это не значит, что R надо забыть, но без Python в индустриальной аналитике сейчас не пройти.

Сколько зарабатывают специалисты со знанием статистики

Знание статистики само по себе профессией не является. Оно усиливает несколько смежных ролей, и зарплата зависит от того, в какую из них вы метите. Цифры ниже — медианные значения по открытым вакансиям в России на апрель 2026 года.

Подробный разбор по грейдам и регионам мы делали в отдельной статье про зарплаты аналитиков, а в материале о зарплатах в разных направлениях аналитики сравниваем, кто платит больше: продуктовый аналитик или BI.

Что важно понимать. Статистика повышает зарплату не сама по себе, а потому что снимает потолок. Аналитик без понимания A/B-тестов остаётся на «джуновых» отчётах. Аналитик, который умеет проектировать эксперимент и защищать выводы перед бизнесом, через полтора-два года становится middle. Это плюс 60–80 тысяч к доходу, иногда дороже, чем сам курс.

В вакансиях Senior-уровня уже почти всегда требуют не только описательную статистику, но и регрессии, бутстрап и причинно-следственные методы. Это потолок, к которому стоит идти, если планируете карьеру в продукте.

Регионы тоже играют. В Москве и Петербурге зарплаты выше указанных в среднем на 20–30%, а на удалённых вакансиях из крупных IT-компаний разрыв с регионами почти исчезает. Если вы живёте не в столице, есть смысл целиться сразу на удалёнку с московскими ставками.

Отдельный сегмент — фриланс и проектная работа. Опытный статистик без офиса может брать заказы на исследования рынка, дизайн A/B-тестов или подготовку отчётов для маркетинговых агентств. Чек обычно от 30 до 150 тысяч за проект, в зависимости от сложности и сроков.

Сколько стоят курсы и сколько идёт обучение

В каталоге сейчас 42 от 10 744 ₽ до 286 000 ₽, медианная цена 54 990 ₽. Это диапазон от коротких курсов в 4–6 недель до полных программ профессии длительностью 8–12 месяцев.

Короткие курсы (до 2 месяцев) обычно закрывают одну тему: A/B-тесты, основы статистики или работу в SPSS. Они подходят, если вы знаете, какой именно навык нужен и зачем. Чаще всего идут с записанными лекциями и без живых вебинаров. Цена в этом сегменте редко превышает 30 тысяч рублей.

Средние программы (3–6 месяцев) это уже полноценный курс по статистике с практикой и проверкой домашних заданий. Здесь обычно есть ментор и обратная связь, а в финале итоговый проект на портфолио. Стоимость от 40 до 90 тысяч, типичная рассрочка на 12 месяцев.

Длинные курсы (от 8 месяцев) превращают вас в аналитика данных или Data Scientist целиком, а статистика будет одним из 4–5 модулей программы. Цена выше, зато в комплекте идут SQL, Python, ML и поддержка с трудоустройством. На длинных программах статистический модуль обычно занимает 2–3 месяца чистого времени.

Школы дают рассрочку без переплаты на 6, 12, иногда 24 месяца. Для длинных программ это часто единственный реальный способ поступить: заплатить 3–4 тысячи в месяц проще, чем сразу 100 тысяч одной суммой. Перед оформлением проверьте, оформляется ли рассрочка через банк-партнёр или напрямую через школу. Во втором случае иногда всплывают комиссии.

Отдельно стоит знать про скидки и корпоративное обучение. Большинство школ дают скидку 5–15% при оплате полной стоимости сразу, ещё 5–10% можно поймать на акциях в феврале и сентябре, когда стартуют основные потоки. Если вы планируете оплатить курс из бюджета работодателя, узнайте, есть ли у школы B2B-договор: иногда корпоративная цена ниже розничной на 20–30%. Часть компаний компенсирует обучение полностью или наполовину при условии, что вы остаётесь работать минимум год после окончания курса.

Возврат денег. Закон о защите прав потребителей разрешает вам отказаться от обучения в любой момент и вернуть деньги за непройденные уроки. На практике школы делают это по-разному: одни возвращают за вычетом фактически оказанных услуг (это законно), другие пытаются удержать «штраф за отказ» (это незаконно, но многие платят, не зная этого). Перед оплатой прочитайте раздел договора про возврат и сделайте скриншот: на длинных курсах это окупается с лихвой.

Как выбрать курс по статистике

Ниже семь критериев, по которым мы сами оцениваем программы перед тем, как добавить их в каталог. Можно использовать как чеклист.

1. Цель курса совпадает с вашей. Программы под маркетолога и под Data Scientist отличаются на 70%. Если в описании курса нет вашего сценария, это не ваш курс, как бы хорошо он ни звучал.
2. Есть практика, а не только лекции. Минимум 50% времени должно уходить на задачи, иначе через месяц после выпуска вы не сможете повторить ни одного теста на реальных данных.
3. Проверка домашних заданий живым ментором. Автотесты не объясняют, почему вы выбрали неправильный критерий. Хороший ментор сэкономит вам полгода самообучения.
4. Итоговый проект, который не стыдно показать в резюме. A/B-тест на реальном датасете, исследование выборки, отчёт с интерпретацией. Без проекта курс воспринимается работодателем как «просмотрел видео на ютубе».
5. Инструменты совпадают с рынком. Если вы хотите в продукт, без Python и SQL в программе курс мимо. Для академии наоборот, ищите R или SPSS.
6. Документ об обучении подходит работодателю. Сертификат школы для IT-индустрии. Удостоверение о повышении квалификации для государственных и медицинских организаций. Диплом о профпереподготовке для смены профессии.
7. Рассрочка без скрытых процентов. Школы оформляют её через банк-партнёр, и переплата должна быть нулевой. Если в договоре всплывают «комиссии за обслуживание», это уже кредит, а не рассрочка.

Откройте 3–5 карточек курсов из нашего каталога, прогоните их по этим пунктам и выкиньте те, что не проходят минимум по двум критериям. Из оставшихся выбирайте по бюджету и старту потока.

Важный нюанс: не ориентируйтесь на громкие имена школ. На рынке есть отличные программы у небольших провайдеров вроде Бруноям и Бластим, и при этом средние курсы у крупных школ. Каждый курс оценивайте по программе и отзывам, а не по бренду.

Если сомневаетесь между двумя финалистами, посмотрите профили их преподавателей в открытых источниках. Действующий аналитик из Яндекса даст другой уровень практики, чем академический лектор без индустриального опыта. Это не значит, что академические преподаватели плохи. Просто их курсы заточены под другие задачи.

Бесплатные курсы для старта

Если вы пока не готовы платить или хотите проверить, заходит ли вам тема, есть несколько сильных бесплатных вариантов.

«Основы статистики» Анатолия Карпова на Stepik. Классика рунета, через неё прошли десятки тысяч аналитиков. Около 30 часов материала, понятные объяснения, тренажёры с проверкой. Подходит как первый шаг для абсолютно любого новичка.

«Основы статистики и A/B-тестирования» Яндекс Практикума. Бесплатная вводная часть полного курса, рассчитана на 10–15 часов. Если планируете идти в продуктовую аналитику, заодно посмотрите формат школы изнутри.

«Статистика для анализа данных» от ВШЭ на Открытом образовании. Академический подход, упор на формулы и доказательства. Подойдёт тем, кто планирует магистратуру или научную работу.

Главное ограничение бесплатных курсов: никто не проверяет ваши задачи руками и не помогает, если застряли. По нашему опыту через бесплатный курс целиком проходят около 10% записавшихся, остальные сходят на середине. Если вы знаете за собой склонность бросать незаконченные дела, лучше сразу взять платную программу с дедлайнами и ментором.

Хорошая стратегия комбинировать. Сначала бесплатный Stepik, чтобы понять, заходит ли вам тема. Потом платный курс с менторской поддержкой, чтобы добить до уровня собеседования. Бесплатный материал не пропадает: вы повторите его на платном курсе быстрее, потому что половина уже знакома.

Где статистика реально применяется

Чтобы курс не остался просто строчкой в резюме, важно понимать, на каких задачах вы будете применять знания. Вот четыре направления, где статистика — ежедневный рабочий инструмент.

Продуктовая аналитика и A/B-тесты. Любой запуск фичи в Авито, Яндексе или Тинькофф проходит через эксперимент: половине пользователей показывают новую версию, половине старую. Статистические критерии решают, действительно ли разница в метриках значимая. Один продуктовый аналитик за квартал проверяет десятки таких тестов. Без знания статистики команда не сможет принимать решения и фактически работает вслепую.

Маркетинг и performance. Распределение бюджета между каналами, оценка длины окна атрибуции, проверка эффективности email-рассылки. Без когортного анализа и доверительных интервалов это превращается в гадание. Performance-маркетолог со статистикой быстрее доказывает ценность кампаний и держится на рынке дольше.

Финтех и скоринг. Банки используют логистическую регрессию, чтобы оценить вероятность невозврата кредита. Внутри каждой такой модели статистические тесты на значимость переменных и стабильность во времени. В страховании используется похожий аппарат для актуарных расчётов: оценка риска по сегментам клиентов, тарифообразование, прогноз убыточности.

Биостатистика и медицинские исследования. Клинические испытания препаратов, оценка выживаемости, анализ эпидемиологических данных. Здесь статистика регулируется отдельными стандартами, а ошибки могут стоить жизни. Это узкая, но хорошо оплачиваемая ниша. Биостатистики часто работают в фарме и медицинских стартапах, средняя зарплата в направлении выше, чем у обычных аналитиков, на 20–30%.

Если вы пока не определились, в какое направление целитесь, возьмите курс по общим основам, а через 2–3 месяца дополните его специализацией. Полностью переключиться с маркетинга на биостатистику сложно, но статистическая база везде одна. Освоив её, вы сможете перебираться между нишами без переучивания с нуля.

Открытая профессия аналитика в нашем каталоге собирает все эти направления и позволяет сравнить программы между собой. Внутри каждого курса в карточке указана специализация: продукт, маркетинг, финтех, медицина или общая аналитика.

Менее очевидные ниши, где статистика тоже востребована. HR-аналитика и people analytics: крупные компании анализируют выживаемость сотрудников по когортам, считают значимость связи между обучением и производительностью, проверяют гипотезы про корпоративную культуру. Геймдев и игровая аналитика: A/B-тесты внутри игры, оценка LTV игрока, анализ воронки онбординга. Логистика и операционная аналитика: прогноз спроса по товарным позициям, оптимизация маршрутов, расчёт страхового запаса. Во всех этих сегментах хорошо платят и относительно мало конкуренции, потому что про эти роли мало говорят на курсах общей аналитики.

Если у вас уже есть отраслевой опыт в одной из этих ниш, не торопитесь идти в продуктовую аналитику. Часто выгоднее достроить статистическую базу к имеющейся экспертизе, чем переключаться на новую роль с нуля. HR-специалист со знанием статистики стоит дороже, чем junior product analyst, и при этом не теряет накопленных лет в HR.

Самые частые ошибки начинающих и как их избежать

За годы работы каталога мы собрали типичные провалы, через которые проходят почти все самоучки и часть выпускников курсов. Знать их заранее — значит сэкономить пару месяцев и не потерять веру в себя.

Ошибка первая: учить формулы без приложения. Студент честно зубрит вывод t-критерия, но не понимает, когда его реально применять. Через две недели после лекции теория выветривается, а навык так и не появляется. Лекарство простое: после каждого блока берите датасет с Kaggle или из учебных материалов школы и решайте на нём задачу руками. Без практики статистика забывается быстрее английского.

Ошибка вторая: путать значимость и важность. Получили p-value меньше 0.05 и радостно бежите к продакту с выводом «новая кнопка работает». Но если эффект 0.1% при выборке в миллион, статистическая значимость есть, а бизнесовой пользы ноль. Хорошие курсы отдельно объясняют разницу между статистической и практической значимостью. Если в программе про это ничего нет, добивайте через статьи на vc.ru и Хабре.

Ошибка третья: брать слишком сложный курс на старте. Гуманитарий записывается на программу для middle-аналитиков, не понимает первой лекции, бросает и решает, что статистика «не его». Это почти всегда ошибка выбора курса, а не способностей. Начните с бесплатного «Основы статистики» Карпова на Stepik, и только потом идите в платную программу под свой реальный уровень.

Ошибка четвёртая: игнорировать предпосылки тестов. Применяете t-критерий, не проверив нормальность распределения. Считаете корреляцию Пирсона, не посмотрев на форму облака точек. На реальной работе такие выводы потом приходится переделывать после ревью от senior-коллеги. Сильные курсы отдельно учат проверять предпосылки до запуска теста, а не после.

Ошибка пятая: считать, что один курс закроет все вопросы. Программа на 3 месяца даёт основу, но не делает вас сразу middle. После курса нужно ещё 6–12 месяцев решать реальные задачи на работе или в pet-проектах, чтобы материал лёг. Если ждёте, что после диплома сразу позовут на 200 тысяч, готовьтесь к разочарованию. Зато через год регулярной практики уровень растёт быстро.

Если на курсе разбирают эти ошибки в формате «как делать не надо» с примерами из реальной работы, программа сильная. Если только пересказывают теорию из учебника, это поверхностный материал, на собеседовании в продуктовую команду с такой базой не пройти.

Самообучение или платный курс

Часто спрашивают, можно ли освоить статистику самостоятельно по учебникам и YouTube без всяких курсов. Технически — да, в рунете и англоязычном интернете лежит огромное количество качественных материалов. На практике до конца доходят единицы.

Самообучение работает в двух случаях. Первый: у вас уже есть сильная математическая база (мехмат, физтех, экономфак с математикой), и нужно просто закрыть пробелы по конкретным темам. Тогда хватит пары книг плюс задачник. Второй: вы работаете в команде с действующим аналитиком, который готов проверять ваши выводы и подсказывать, где вы ошиблись. Это фактически бесплатное менторство.

Во всех остальных сценариях курс окупается быстрее. Платная программа даёт три вещи, которых нет в самообучении: дедлайны (без них половина бросает на третьей неделе), проверку домашних заданий живым человеком (без неё вы не узнаете, что считаете неправильно) и итоговый проект с обратной связью (без него нечего показать на собеседовании).

Есть промежуточный вариант: бесплатный курс с домашними заданиями на Stepik. Он закрывает дедлайны и базовую проверку, но не даёт менторской помощи и сертификата для работодателя. Это нормальная стартовая точка для любого новичка.

Как мы отбираем курсы в каталог

В каталоге 42 от разных школ: от классических Stepik и Бруноям до длинных программ Нетологии и Skillbox. Каждый курс мы проверяем по четырём критериям, прежде чем добавить.

Программа курса. Должны быть раскрыты как минимум первые пять блоков из списка выше: описательная статистика, теорвер, гипотезы, корреляция и регрессия. Если в программе только описательная, это не курс по статистике, а вводная лекция.

Практика и проверка. Записываем, сколько часов занимает практика, есть ли итоговый проект, есть ли живой ментор. По этому полю можно отфильтровать карточки в каталоге сверху.

Документ об окончании. Школы с лицензией на дополнительное профессиональное образование указаны отдельно: у них вы получите удостоверение или диплом. Без лицензии только сертификат школы.

Отзывы выпускников. Тянем рейтинг и текст отзывов из открытых источников и из нашей формы обратной связи. На карточке курса видно среднее за последний год, а не «всё время существования школы».

Состав каталога мы пересобираем еженедельно: добавляем новые потоки, скрываем закрытые программы, обновляем цены и рассрочки. Поэтому диапазон цен и количество курсов в шапке страницы всегда живые цифры из базы, а не картинка из прошлого года. Если у школы поменялась программа или ушёл ключевой преподаватель, мы это тоже отражаем в карточке курса в течение нескольких дней.

Ещё одна важная вещь, которую мы делаем перед публикацией каждого курса: проверяем, действительно ли в программе есть статистика как отдельный модуль, а не пара слайдов между SQL и Python. Школы любят писать «изучите статистический анализ» в заголовке, но на деле уделяют ему два часа из двухсот. Такие курсы мы либо не добавляем в эту подборку, либо помечаем как смежные. Поэтому если вы зашли сюда искать именно курс по статистике, в каталоге не будет случайных попаданий из общей аналитики.

Цены, длительность и состав модулей мы сверяем с официальной страницей школы, а не с маркетинговыми лендингами. Это важно: на лендинге школа часто указывает «начальную цену», а в реальном договоре сумма выше на 15–20%. Мы ставим в карточку именно ту цифру, которая будет в договоре.