13 мая 2026 г.·5 мин чтения

Из финансов в аналитика данных: путь и план

Готовься к собесу аналитика как в Duolingo
10 минут в день — SQL, Python, A/B, метрики. 1700+ вопросов в Telegram
Открыть Карьерник в Telegram

Содержание:

Зачем финансист переходит в аналитика

Финансовый аналитик работает с Excel, SQL (часто), форecasting-ом, ROI-моделями. Переход в data analyst (продуктового / маркетингового) даёт: более динамичную работу (продуктовые компании), больше технических инструментов (Python, BI), больший рост зарплат в IT-секторе, выход на роли DS / PM в перспективе.

Типичный путь: финансовый аналитик в банке / корпорации с 2-4 годами → DA в продуктовой компании. Финансовый опыт даёт огромное преимущество: уверенный Excel, понимание метрик, опыт построения моделей.

Что общего и в чём разница

Общее:

  • Excel на advanced-уровне (pivot, vlookup, формулы)
  • Базовый SQL (если работал с DWH)
  • Финансовые метрики (LTV, payback, NPV, IRR)
  • Структурное мышление, model building
  • Опыт работы с большими данными в Excel

Разница:

Financial analyst Data analyst
Инструменты Excel + SQL + Power BI SQL + Python + Tableau / DataLens
Глубина данных агрегаты sourse-уровень
A/B-тесты редко основа работы
Programming Excel macros Python
Продуктовое мышление базовое основное
Стат-методы дисперсия, корреляция + hypothesis testing

Что доучить

1. SQL углубление (1-3 месяца)

Финансист часто знает SELECT, JOIN. Нужно добрать:

  • Оконные функции (ROW_NUMBER, RANK, SUM OVER)
  • CTE и подзапросы
  • Сложные агрегации (cohort retention, RFM)

Подробнее — SQL на собеседовании.

2. Python (3-6 месяцев)

С нуля — большая часть времени.

  • pandas, numpy глубоко
  • Visualization (matplotlib, seaborn, plotly)
  • Базовая статистика в Python (scipy.stats)
  • Jupyter notebooks + voila / streamlit

Курсы: Datacamp, Yandex.Practicum, Karpov.Courses.

3. Продуктовая аналитика (1-3 месяца)

Это новое:

  • Retention, AARRR, North Star
  • Funnel analysis, segmentation
  • Unit economics на product-уровне

Подробнее — продуктовая аналитика.

4. A/B-тесты (1-2 месяца)

В финансах A/B — редкость. В продуктовой аналитике — основа.

  • Дизайн эксперимента: размер выборки, MDE
  • P-value, мощность, ошибки I/II рода
  • Подводные камни (peeking, novelty effect)

Подробнее — A/B-тесты.

5. Tableau / DataLens / Power BI (1 месяц)

Если уже знаешь Power BI — переходи на DataLens / Tableau. BI-tools в продуктовых компаниях.

План перехода

Месяцы 0-3: SQL + базовый Python

  • SQL углубление (window functions, CTE)
  • Python с нуля (Datacamp / Karpov)
  • Pet-project: финансовая модель из Excel перенести в Python (pandas)

Месяцы 3-6: Продуктовая аналитика + A/B

  • Курс по продуктовой аналитике
  • Книга «Hacking Growth» (Ellis)
  • Statistics для A/B
  • Pet-project: анализ открытого dataset с продуктовыми метриками

Месяцы 6-9: BI + углубление

  • Освоить Tableau / DataLens
  • Прорешать 100+ задач из тренажёра
  • Pet-project: build self-service дашборд

Месяцы 9-12: Подача

  • Резюме с упором на финансовый опыт + квантитативные результаты
  • Технические скиллы прокачаны до middle DA
  • Подача на DA-позиции
Готовься к собесу аналитика как в Duolingo
10 минут в день — SQL, Python, A/B, метрики. 1700+ вопросов в Telegram
Открыть Карьерник в Telegram

Где брать опыт

1. На текущей работе. В банках и корпорациях есть DA-команды. Внутренний transfer — самый эффективный путь.

2. Pet-project. Возьми финансовый dataset (открытые данные ЦБ РФ, Мосбиржи) + сделай end-to-end анализ.

3. Стажировки. В банках и фитех-компаниях бывают DA-стажировки. На уровне junior часто берут финансистов.

4. Контракт / consulting. Маленький проект как DA — это experience.

Частые ошибки

  • Зубрить Python без SQL. SQL — основа DA. Python — следующий шаг.
  • Игнорировать продуктовое мышление. Финансист привык к P&L, DA — к product metrics.
  • Pet-project в Excel. В DA Excel — это калькулятор. Pet-project — это SQL + Python + BI.
  • Сравнивать зарплату с финансами. В банках финансист может получать больше DA-junior. Через 1-2 года выходишь на сопоставимый или выше уровень.
  • Думать «я уже всё знаю». Финансовая аналитика и продуктовая — разные миры. Учиться нужно много.

Связанные темы

FAQ

Сколько занимает переход?

В среднем 9-15 месяцев. Финансист — самый длинный переход среди смежных профессий, потому что Python с нуля + продуктовая аналитика — новый домен.

Стоит ли получать data-степень?

Не обязательно. Курсы (Yandex.Practicum, Karpov.Courses, Skillbox) + pet-projects достаточно.

В какую индустрию переходить — финтех или продуктовая компания?

Финтех — естественный мост (домен знаком). Продуктовая компания — больший рост, но больше учить. Чаще выбирают финтех на первый шаг.

Какие компании дружелюбны?

Финтех (Т-Банк, Альфа, Сбер, БКС), e-commerce (Ozon, WB, Avito), технологические корпорации с финансовыми командами.

Стоит ли получать сертификаты?

Не обязательно. Но pet-project на GitHub — обязательно.

Ещё по теме