Как перейти в аналитику данных из другой профессии
Коротко
Переход в аналитику данных из другой профессии реален за 3–6 месяцев самостоятельной подготовки. Ключевые навыки: SQL, Python (pandas), базовая статистика. Главное преимущество переходящих — доменная экспертиза из прошлой профессии. Маркетолог-аналитик понимает воронки лучше вчерашнего студента, финансист — юнит-экономику, менеджер — бизнес-метрики. Задача — добрать техническую базу и правильно упаковать опыт.
Что нужно знать
Обязательный минимум
SQL — 80% работы аналитика. SELECT, WHERE, JOIN, GROUP BY, оконные функции, подзапросы. Без SQL на собеседование даже не позовут.
Python + Pandas — второй обязательный навык. pandas: загрузка данных, фильтрация, groupby, merge, pivot_table, визуализация через matplotlib. Не нужно знать Python как разработчик — достаточно уровня «загрузить CSV, посчитать метрики, построить график».
Базовая статистика — p-value, доверительные интервалы, нормальное распределение, A/B-тестирование. Не нужно быть математиком — достаточно понимать, когда результат статистически значим.
Желательно
- Продуктовые метрики — DAU/MAU, LTV, CAC, retention, воронки
- BI-инструменты — Tableau, Power BI, Metabase, Redash
- Excel — сводные таблицы, ВПР, формулы
- Git — базовые команды
Не нужно на старте
- Machine learning и нейронные сети
- Глубокая математика (линейная алгебра, матан)
- Spark, Hadoop, Airflow
- Несколько языков программирования
Эти навыки пригодятся позже, но для первой работы аналитиком не критичны.
План обучения: 3–6 месяцев
Месяц 1–2: SQL
SQL — фундамент. Большинство собеседований начинается с SQL-задач.
- Базовый синтаксис: SELECT, WHERE, ORDER BY, LIKE, IN, BETWEEN
- Агрегации: COUNT, SUM, AVG, GROUP BY, HAVING
- JOIN: INNER, LEFT, RIGHT, FULL OUTER
- Подзапросы и CTE
- Оконные функции: ROW_NUMBER, RANK, LAG/LEAD, SUM OVER
Ресурсы: тренажёр Карьерник (1500+ вопросов), sql-ex.ru, Stepik, LeetCode (раздел Database).
Месяц 2–3: Python + Pandas
Не нужно учить Python «с нуля от переменных» — сразу начинайте с задач аналитика.
- Базовый Python: типы данных, списки, словари, циклы, функции
- pandas: создание DataFrame, read_csv, фильтрация, groupby
- pandas продвинутый: merge, pivot_table, пропуски, типы данных
- Визуализация: matplotlib, seaborn
Месяц 3–4: Статистика + A/B-тесты
- Описательная статистика: среднее, медиана, дисперсия
- Распределения: нормальное, Пуассона
- Проверка гипотез: p-value, ошибки I/II рода
- A/B-тестирование: размер выборки, SRM, CUPED
Месяц 4–6: Продуктовая аналитика + портфолио
- Метрики продукта, воронки, когорты, retention
- Портфолио: 2–3 проекта на реальных данных
- Резюме: переупаковка опыта под аналитику
Как переупаковать прошлый опыт
Прошлая профессия — не минус, а конкурентное преимущество. Работодатели ценят доменную экспертизу.
Маркетинг → Аналитика
У вас уже есть: понимание воронок, конверсий, каналов привлечения, юнит-экономики, A/B-тестов (пусть и через интерфейс).
Резюме: «Вёл рекламные кампании с бюджетом X, анализировал конверсию по каналам, оптимизировал CPL на Y%. Хочу перейти на сторону данных, чтобы строить модели атрибуции и сегментации вместо работы "руками" в рекламных кабинетах».
Финансы → Аналитика
У вас уже есть: Excel на продвинутом уровне, понимание P&L, юнит-экономики, финансового моделирования.
Резюме: «Строил финансовые модели, прогнозировал cash flow, анализировал unit-экономику продуктов. Перехожу в продуктовую аналитику, чтобы работать с пользовательскими данными в масштабе».
IT (QA, PM, разработка) → Аналитика
У вас уже есть: техническая грамотность, понимание процессов разработки, возможно базовый SQL.
Резюме: «Работал с БД в рамках тестирования / управления продуктом. Хочу глубже погрузиться в данные и принимать решения на основе метрик, а не интуиции».
Продажи / аккаунт-менеджмент → Аналитика
У вас уже есть: знание бизнес-процессов, CRM, понимание клиентского пути.
Резюме: «Анализировал воронку продаж, сегментировал клиентскую базу, строил отчёты в CRM. Перехожу в аналитику данных, чтобы автоматизировать анализ и работать с полным стеком данных компании».
Как найти первую работу
Что указать в резюме
- Технические навыки: SQL (уровень), Python/pandas, статистика, BI
- Проекты из портфолио с описанием задачи, подхода и результата
- Прошлый опыт, переформулированный через данные и метрики
- Конкретные цифры: «увеличил конверсию на X%», «автоматизировал отчёт, сэкономив Y часов/неделю»
Подробнее — в гайде по резюме аналитика.
Где искать
- Стажировки — Яндекс, Тинькофф, Сбер, VK, Ozon, Авито проводят регулярные наборы. Возраст не ограничен, опыт не нужен. Подробнее — в гайде по стажировкам.
- Junior-позиции — hh.ru, Habr Career, LinkedIn. Фильтр: «аналитик данных» + «без опыта» или «от 1 года»
- Внутренний переход — самый быстрый путь. Предложите текущему работодателю автоматизировать отчётность или построить дашборд. Это и портфолио, и опыт.
Как готовиться к собеседованию
- Прорешайте 50–100 SQL-задач (Карьерник, LeetCode, sql-ex)
- Разберите типичные вопросы по продуктовой аналитике: «метрика упала — что делать?», «как считать retention?»
- Подготовьте рассказ о себе: почему аналитика, что уже умеете, чем компенсируете отсутствие опыта
- Пройдите пробное собеседование аналитика данных
Частые ошибки при переходе
Слишком долго учиться, не начиная искать работу. Перфекционизм — враг перехода. 3 месяца SQL + pandas достаточно для junior-позиций. Остальное доберёте на работе.
Учить ML вместо SQL. Machine learning — красиво звучит, но 95% работы аналитика — SQL-запросы и pandas. ML пригодится через 1–2 года.
Не делать портфолио. Резюме без проектов — пустое. Возьмите открытый датасет (Kaggle, data.gov.ru), проведите анализ, опубликуйте на GitHub. 2–3 проекта — достаточно.
Скрывать прошлый опыт. Прошлая профессия — ваше преимущество. Маркетолог с SQL сильнее выпускника курсов без бизнес-контекста.
Ожидать зарплату senior-разработчика. Junior-аналитик в Москве — 80–120 тыс. Это старт, через 1–2 года можно вырасти до 200+ тыс. Подробнее — в обзоре зарплат аналитиков.
Вопросы с собеседований
-- Почему вы решили перейти в аналитику? -- Расскажите честно, но через призму ценности: «В прошлой роли я видел, что решения принимаются на интуиции. Хочу приносить пользу бизнесу через данные, а не догадки».
-- У вас нет профильного образования — как справитесь? -- «Аналитика — это навык, а не диплом. Я освоил SQL, pandas, статистику. Вот мои проекты. А доменная экспертиза из [прошлой сферы] даёт мне понимание бизнес-контекста, которого нет у выпускников».
-- Какие инструменты вы знаете? -- Перечислите реальные: SQL (PostgreSQL), Python (pandas, matplotlib), Excel, BI-инструмент. Не приписывайте то, что не трогали.
Потренируйтесь решать задачи — откройте тренажёр с 1500+ вопросами для подготовки к собеседованиям аналитиков.
FAQ
Сколько времени нужно на переход?
3–6 месяцев при ежедневных занятиях по 1–2 часа. Если есть техническая база (Excel, базовый SQL) — быстрее. Если начинаете с нуля — ближе к 6 месяцам.
Нужны ли платные курсы?
Не обязательно. Бесплатных ресурсов достаточно: документация pandas, SQLBolt, Stepik, YouTube, тренажёр Карьерник. Платные курсы дают структуру и ментора — полезно, если сложно учиться самостоятельно.
Можно ли перейти после 30/35/40 лет?
Да. Аналитика — не спорт, возрастных ограничений нет. Жизненный и профессиональный опыт — преимущество. Компании ценят зрелость и бизнес-понимание.
Как тренироваться
Подготовка к собеседованию аналитика — ежедневная практика. В тренажёре Карьерник — 1500+ вопросов по SQL, Python, статистике и продуктовой аналитике. Каждый день 10 минут — и через месяц вы будете решать задачи увереннее. Больше вопросов — в разделе с примерами.