9 апреля 2026 г.

Аналитик данных — кто это, что делает и сколько зарабатывает

Коротко

Аналитик данных — это человек, который превращает сырые данные в решения. Не просто строит графики и пишет SQL-запросы, а помогает бизнесу понять, что происходит, почему это происходит и что с этим делать. Если продакт-менеджер спрашивает «почему упала конверсия?» — аналитик находит ответ. Если маркетинг хочет понять, какой канал приносит лучших пользователей — аналитик считает.

Профессия стабильно входит в топ-10 самых востребованных в IT. Порог входа ниже, чем у разработчиков, но потолок роста высокий — от джуниора до руководителя аналитики за 4–6 лет.

Типичный день аналитика данных

Расписание зависит от компании и роли, но общая структура у большинства аналитиков похожа.

Утро: дашборды и мониторинг. Первым делом — проверить ключевые метрики. DAU, конверсия, выручка — всё ли в норме? Если что-то просело, аналитик видит это первым и начинает разбираться. Аномалии в данных — повседневная реальность: баг в трекинге, сезонный спад, проблема в платёжке.

День: ad hoc анализ и встречи. Основная часть дня — ответы на вопросы от продуктовой команды. «Какой сегмент пользователей даёт больше всего выручки?», «Сработала ли новая фича?», «В каком городе хуже всего retention?». Каждый такой вопрос — это SQL-запрос, анализ, визуализация и объяснение результата на встрече с командой. Много общения: синки с продактами, дизайнерами, маркетингом.

Вечер: глубокий анализ. Если утром и днём — тушение пожаров и ответы на вопросы, то вечер — время для более глубоких задач. Построить модель оттока, проанализировать результаты A/B-теста, подготовить презентацию для руководства. Сюда же — рефакторинг запросов, обновление дашбордов, документирование.

На практике пропорция ad hoc / глубокий анализ — примерно 60/40. В хороших командах стремятся к 40/60, но получается не всегда.

Основные обязанности

Отчётность и дашборды. Регулярные отчёты для менеджмента: еженедельные, ежемесячные, квартальные. Настройка дашбордов в Tableau, Superset, Metabase, Looker или DataLens — зависит от компании. Цель — чтобы команда видела ключевые метрики без участия аналитика.

Ad hoc анализ. Разовые исследования по запросу: «Почему упала конверсия в оплату?», «Какие товары покупают вместе?», «Сколько денег мы теряем из-за отмен?». Это основная часть работы, которая требует и SQL, и умения задавать правильные вопросы.

A/B-тесты. Планирование экспериментов, расчёт размера выборки, анализ результатов, статистическая значимость. В продуктовых компаниях A/B-тесты — основной инструмент принятия решений.

Продуктовые метрики. Расчёт и мониторинг retention, конверсии воронок, LTV, CAC, ARPU. Аналитик не просто считает метрики — он объясняет, почему они меняются и что с этим делать.

SQL-запросы. Каждый день — десятки запросов к базе данных. Джойны, оконные функции, CTE, агрегации. SQL — рабочий инструмент номер один.

Презентации и коммуникация. Нашли инсайт — его нужно донести. Презентация для стейкхолдеров, объяснение на встрече, письменный отчёт. Аналитик, который находит инсайты, но не может их объяснить — бесполезен.

Необходимые навыки

Хард-скиллы

  • SQL — основной инструмент. JOIN, оконные функции, подзапросы, CTE, агрегации — must have. Без уверенного SQL на собеседование можно не ходить
  • Python (Pandas, NumPy, matplotlib) — для обработки данных, которые неудобно тянуть через SQL. На middle+ позициях Python спрашивают почти всегда
  • Статистика — описательная статистика, распределения, доверительные интервалы, проверка гипотез. Без этого невозможно грамотно анализировать A/B-тесты
  • BI-инструменты — Tableau, Power BI, Superset, DataLens. Хотя бы один на уверенном уровне
  • Excel / Google Sheets — да, в 2026 году это всё ещё нужно. Быстрые расчёты, пивоты, формулы

Софт-скиллы

  • Коммуникация — умение объяснить сложный анализ простыми словами. Половина работы аналитика — общение
  • Бизнес-мышление — понимание, зачем бизнесу нужен этот анализ. Не просто «считать метрики», а понимать контекст
  • Критическое мышление — ставить под сомнение данные, проверять гипотезы, не путать корреляцию с причинно-следственной связью

Зарплаты аналитиков данных в России (2026)

Цифры примерные, зависят от региона, компании и специализации. Москва и удалёнка на московские компании — в верхней части диапазона.

Уровень Зарплата (руб./мес.) Опыт
Junior 80 000 – 120 000 0–1 год
Middle 150 000 – 250 000 1–3 года
Senior 300 000 – 500 000 3–6 лет
Lead / Head 400 000 – 700 000+ 5+ лет

Быстрее всего растёт зарплата при переходе из junior в middle — здесь разница может быть двукратной. Самый эффективный способ поднять зарплату — менять компанию каждые 1.5–2 года на первых этапах карьеры.

Подробнее о зарплатах: зарплаты аналитиков данных.

Карьерный путь

Junior (0–1 год). Основные задачи — SQL-запросы, простые дашборды, помощь старшим аналитикам. Учитесь задавать правильные вопросы и понимать бизнес-контекст.

Middle (1–3 года). Самостоятельный анализ, A/B-тесты, работа с продуктовой командой. Вы уже не просто выполняете запросы — вы сами формулируете гипотезы и предлагаете решения.

Senior (3–6 лет). Сложные исследования, менторство джуниоров, влияние на стратегию продукта. На этом уровне аналитик — полноценный партнёр продакт-менеджера.

Lead / Head (5+ лет). Управление командой аналитиков, построение data-культуры в компании, стратегия. Меньше SQL, больше людей и процессов.

Альтернативные ветки: Data Scientist (больше ML и статистики), Data Engineer (больше инфраструктуры), Product Manager (если тянет в управление продуктом).

Типы аналитиков

Название «аналитик данных» — зонтичное. На практике специализации заметно различаются.

Продуктовый аналитик — работает внутри продуктовой команды. Метрики, воронки, retention, A/B-тесты. Самая распространённая специализация в IT-компаниях. Подробнее: продуктовая аналитика.

Маркетинговый аналитик — фокус на привлечении: каналы, атрибуция, CPA, ROAS. Работает с маркетинговой командой, оптимизирует рекламные бюджеты.

BI-аналитик — специализируется на отчётности и визуализации. Строит дашборды, поддерживает data warehouse, автоматизирует отчёты. Больше инженерной работы, меньше ad hoc анализа.

Риск-аналитик — работает в банках и финтехе. Скоринговые модели, оценка кредитного риска, фрод-мониторинг. Нужна сильная статистика и понимание финансовых продуктов.

Подробное сравнение: типы аналитиков и отличия.

Как стать аналитиком данных

Краткий роадмап для тех, кто начинает с нуля:

  1. SQL — начните с SELECT, JOIN, GROUP BY. Через 2–3 недели переходите к оконным функциям и подзапросам
  2. Статистика — описательная статистика, распределения, базовая теория вероятностей
  3. Python + Pandas — чтение данных, фильтрация, группировка, визуализация
  4. BI-инструмент — выберите один (Tableau или Power BI) и сделайте 2–3 дашборда для портфолио
  5. Портфолио — pet-проекты на открытых датасетах, анализы на Kaggle, пост в блог
  6. Подготовка к собеседованиям — прорешайте типовые задачи, подготовьте рассказ о себе

Подробный план: roadmap аналитика данных.

Готовите резюме? Советы по резюме аналитика.

Вопросы и ответы

Нужно ли высшее образование?

Формально — нет. Большинство компаний смотрят на навыки, а не на диплом. Но техническое или математическое образование даёт базу в статистике и логике, которую иначе придётся добирать самостоятельно. Среди аналитиков много выпускников ВШЭ, МФТИ, МГУ — но это не требование, а статистика.

Сколько времени нужно, чтобы стать аналитиком с нуля?

3–6 месяцев при ежедневных занятиях по 2–3 часа. Этого хватит, чтобы освоить SQL, базовый Python и статистику на уровне, достаточном для junior-позиции. Но «освоить» — значит решать задачи, а не смотреть курсы.

Может ли гуманитарий стать аналитиком?

Да. Аналитика — это не rocket science. SQL осваивается за месяц. Статистику на нужном уровне можно выучить за два. Сложнее всего гуманитариям даётся не техническая часть, а привычка мыслить в цифрах — но это приходит с практикой.

Аналитик данных и Data Scientist — в чём разница?

Аналитик данных отвечает на вопрос «что происходит и почему?». Data Scientist — «что произойдёт?» (предсказательные модели, ML). На практике границы размыты: аналитик может строить простые модели, а DS — писать SQL-запросы. Но фокус разный.

Заменит ли ChatGPT аналитиков?

Нет. LLM ускоряют рутину — написание SQL, базовый анализ, генерацию отчётов. Но аналитик ценен не за умение писать SQL, а за понимание бизнес-контекста, умение задавать правильные вопросы и интерпретировать результаты. AI — инструмент аналитика, а не замена.

FAQ

Какие языки программирования нужны аналитику данных?

SQL — обязательно. Python — для middle+ позиций. R — редко, в основном в академической среде и некоторых финансовых компаниях. Других языков на позицию аналитика обычно не требуют.

В каких компаниях работают аналитики данных?

Везде, где есть данные и цифровой продукт: IT-компании (Яндекс, VK, Ozon), банки (Тинькофф, Сбер), e-commerce (Wildberries, Lamoda), телеком (МТС, МегаФон), стартапы. Чем крупнее компания — тем больше аналитиков и уже специализация.

Чем отличается аналитик данных от бизнес-аналитика?

Аналитик данных работает с данными: SQL, метрики, эксперименты. Бизнес-аналитик — с процессами: требования, документация, взаимодействие между отделами. В небольших компаниях эти роли часто совмещаются.

Что дальше

Если вы решили попробовать себя в аналитике данных — начните с практики. Посмотрите примеры вопросов с собеседований, чтобы понять, что реально спрашивают. Прорешайте задачи на SQL-тренажёре. А когда будете готовы к интенсивной подготовке — откройте тренажёр.

Полезные материалы:

Тренироваться в Telegram