15 апреля 2026 г.

Что такое аналитика данных

Определение

Аналитика данных — это процесс превращения сырых данных в знания, на основе которых принимают решения. Коротко: «данные → инсайт → действие».

Аналитик — не программист и не математик. Его главный навык — задавать правильные вопросы данным и доносить ответы до тех, кто принимает решения.

Зачем она нужна

Бизнес генерирует горы данных: заказы, клики, регистрации, платежи. Без аналитики это просто числа в базе. С аналитикой — основа для решений:

  • Какой канал привлечения окупается?
  • Почему отток вырос на 15%?
  • Какая фича реально повлияла на выручку?
  • Где мы теряем пользователей в воронке?

Если компания не измеряет — она управляет вслепую.

Виды аналитики данных

1. Описательная (Descriptive)

Что произошло? Дашборды, отчёты, сводные таблицы.

Пример: «GMV в апреле вырос на 12% по сравнению с мартом».

2. Диагностическая (Diagnostic)

Почему это произошло? Декомпозиция, сегментация, root-cause analysis.

Пример: «Рост GMV +12% объясняется +18% у iOS и +5% у Android, при этом доля iOS в трафике выросла на 4 п.п.».

3. Предиктивная (Predictive)

Что произойдёт? Модели, прогнозы.

Пример: «При текущей динамике churn будет 8% к концу квартала».

4. Прескриптивная (Prescriptive)

Что делать? Рекомендации, A/B-тесты, оптимизация.

Пример: «Повысить цену премиума на 200₽ — модель прогнозирует +15% к ARPU при падении подписок на 3%».

В большинстве компаний 70% работы — descriptive и diagnostic.

Тренироваться на таких вопросах можно в Telegram-боте Карьерник — там 1500+ задач с реальных собесов с разборами.

Кто занимается аналитикой

  • Data-аналитик — отчёты, ad-hoc анализ, дашборды.
  • Продуктовый аналитик — метрики продукта, A/B-тесты, воронки.
  • BI-аналитик — дашборды, витрины, визуализация.
  • Бизнес-аналитик — процессы, требования к IT-системам.
  • Data Scientist — ML-модели, предсказания, рекомендательные системы.

Подробнее про типы аналитиков.

Что делает аналитик в типичный день

  • Получает запрос от PM: «Покажи конверсию в оплату по каналам за апрель».
  • Пишет SQL-запрос к базе.
  • Проверяет данные (не сломался ли трекер).
  • Строит дашборд или отчёт.
  • Интерпретирует: «Конверсия в TikTok просела — вот гипотеза».
  • Обсуждает с PM следующие шаги.

Что делает аналитик данных.

Какие навыки нужны

Минимум для junior:

  • SQL — запросы, JOIN, GROUP BY, оконные функции.
  • Продуктовые метрики — DAU, retention, воронки, LTV.
  • Статистика — p-value, доверительные интервалы.
  • A/B-тесты — дизайн, интерпретация.
  • Python + pandas (желательно) — для сложных анализов.
  • BI-инструмент — Tableau, Power BI или аналог.

Подробнее про навыки.

Отличие от Data Science

  • Аналитика — про «что произошло» и «почему». Работает с SQL и описательной статистикой.
  • Data Science — про «что произойдёт» и «как оптимизировать». Работает с ML и продвинутой математикой.

Аналитика ближе к бизнесу, DS ближе к математике и коду.

К слову, набить руку на таких кейсах удобно через тренажёр в Telegram — разбирайте по 10 вопросов в день, через 2 недели тема становится рефлексом.

Сколько зарабатывают

Россия, 2026:

  • Junior: 80–120k₽.
  • Middle: 160–250k₽.
  • Senior: 300k+.

Подробнее.

Как начать

  1. Изучите SQL — 4–6 недель.
  2. Поймите продуктовые метрики.
  3. Решайте задачи в тренажёре.
  4. Соберите портфолио на GitHub.
  5. Откликайтесь на junior-вакансии.

Подробный план.

Читайте также

FAQ

Аналитика данных и Big Data — одно и то же?

Нет. Big Data — технологии для хранения и обработки огромных объёмов (Hadoop, Spark). Аналитика — более широкая концепция, не привязана к объёму.

Нужно ли программирование?

SQL — обязательно. Python — желательно. Но это не «настоящее программирование» типа разработки приложений — это скрипты для обработки данных.

Сколько учиться?

4–6 месяцев при 2 часах занятий в день. Подробнее про сроки.

Без математического бэкграунда можно?

Можно. Junior-аналитику не нужны интегралы. Базовая школьная арифметика + логика + SQL — 90% работы.

Тренироваться в Telegram