15 апреля 2026 г.·11 мин чтения

Как стать аналитиком данных в 2026: полный план с нуля

Проверь себя · 1/3разбор после ответа
Три способа найти пользователей без заказов: LEFT JOIN + IS NULL, NOT EXISTS, NOT IN. Столбец orders.user_id содержит NULL-значения. Какой подход даст неожиданный результат?

Почему аналитик данных — одна из самых востребованных профессий

В 2026 году на hh.ru более 12 000 компаний ищут аналитиков данных. Спрос вырос в 30 раз за последние 10 лет и продолжает расти. Причина простая: бизнес генерирует всё больше данных, но без специалистов, которые превратят их в решения, эти данные бесполезны.

Аналитик данных — это не программист и не математик. Это человек, который задаёт правильные вопросы данным и доносит ответы до тех, кто принимает решения. Навыки можно освоить за 4–8 месяцев при системном подходе.

Зарплаты в 2026 году:

  • Junior (0–1 год): 80 000–120 000 руб.
  • Middle (1–3 года): 160 000–250 000 руб.
  • Senior (3+ лет): 300 000+ руб.

Какие навыки нужны аналитику данных

Не нужно учить всё сразу. Вот навыки в порядке приоритета — от обязательных до желательных.

1. SQL — фундамент (4–6 недель)

SQL — главный инструмент аналитика. На собеседованиях его спрашивают в 95% случаев. Вы будете писать SQL каждый день на работе.

Что нужно знать:

  • SELECT, WHERE, GROUP BY, HAVING, ORDER BY
  • JOIN всех типов (INNER, LEFT, FULL)
  • Оконные функции (ROW_NUMBER, LAG/LEAD, SUM OVER)
  • Подзапросы и CTE (WITH)
  • Работа с датами (DATE_TRUNC, INTERVAL)
  • Агрегатные функции и CASE WHEN

Подробнее о том, что спрашивают: SQL на собеседовании аналитика.

2. Продуктовые метрики и бизнес-мышление (2–4 недели)

Знать SQL недостаточно — нужно понимать, зачем вы пишете запросы. Аналитик должен разбираться в метриках продукта.

Ключевые концепции:

Подробнее: Продуктовая аналитика на собеседовании.

3. Статистика и A/B-тесты (3–4 недели)

Аналитик должен уметь проверять гипотезы, а не угадывать. Статистика — это язык, на котором вы будете обосновывать решения.

Минимум для собеседования:

4. Python для анализа данных (3–4 недели)

Python нужен не везде, но существенно расширяет возможности. На собеседованиях спрашивают реже, чем SQL, но для позиций уровня Middle+ это обязательный навык.

Что учить:

  • Pandas — фильтрация, группировка, merge, pivot
  • NumPy — базовые операции с массивами
  • Matplotlib/Seaborn — визуализация
  • Базовый синтаксис: циклы, функции, list comprehensions

Шпаргалка: Pandas для аналитика. Подробнее: Python на собеседовании.

5. Визуализация данных (1–2 недели)

Аналитик, который не может показать результаты — это аналитик, которого не слышат. Нужно уметь строить понятные графики и дашборды.

  • Какой график для какой задачи: типы графиков
  • Основы Tableau или Power BI (для резюме достаточно одного)
  • Принципы storytelling с данными

Подробнее: Визуализация данных на собеседовании.

6. Soft skills — то, что отличает оффер от отказа

Технические навыки приведут вас на собеседование. Soft skills — дадут оффер.

  • Умение структурировать ответ (MECE, деревья решений)
  • Способность объяснить сложное простыми словами
  • Навык задавать уточняющие вопросы
  • Понимание бизнес-контекста задачи

Пошаговый план на 4 месяца

Месяц 1: SQL + основы аналитики

  • Пройдите базовый курс SQL (SQL Academy, Stepik или Karpov.Courses)
  • Решайте по 3–5 SQL-задач в день в тренажёре
  • Параллельно читайте про метрики: DAU, retention, воронки
  • К концу месяца: уверенно пишете GROUP BY, JOIN, простые оконные функции

Месяц 2: Продвинутый SQL + статистика

  • Оконные функции: ROW_NUMBER, LAG, SUM OVER с PARTITION BY
  • CTE, подзапросы, CASE WHEN
  • Начните изучать статистику: распределения, проверка гипотез, p-value
  • К концу месяца: решаете задачи middle-уровня

Месяц 3: Python + A/B-тесты

  • Pandas: чтение CSV, фильтрация, groupby, merge
  • Визуализация: matplotlib, seaborn
  • A/B-тестирование: размер выборки, ошибки I и II рода, интерпретация
  • К концу месяца: можете провести анализ данных от загрузки до выводов

Месяц 4: Подготовка к собеседованиям

Курсы или самостоятельная подготовка?

Курсы (Яндекс Практикум, Karpov, Нетология, Skillbox)

Плюсы: структура, менторы, проекты для портфолио, помощь с трудоустройством.

Минусы: стоимость (50 000–150 000 руб.), длительность (6–12 месяцев), темп диктует платформа.

Самостоятельная подготовка

Плюсы: бесплатно или почти бесплатно, свой темп, можно за 4 месяца.

Минусы: нужна дисциплина, нет ментора, сложнее собрать портфолио.

Оптимальный вариант

Учитесь самостоятельно, но используйте тренажёры для практики. Теорию берите из бесплатных источников (Stepik, YouTube, документация). Практику — из задачников и симуляторов. Так вы получите результат за 4 месяца вместо 12.

Где искать первую работу

  1. hh.ru — фильтр «аналитик данных», опыт «нет опыта» или «1–3 года»
  2. Telegram-каналы — «Вакансии аналитиков», «Data Jobs», «Дата-аналитика»
  3. Стажировки — Яндекс, Тинькофф, Сбер, Ozon открывают набор 2–3 раза в год
  4. LinkedIn — заполните профиль, укажите навыки, откликайтесь

Гайды по собеседованиям в конкретные компании: Яндекс, Тинькофф, Ozon, Сбер.

Главные ошибки новичков

1. Учить теорию без практики. Прочитать про оконные функции и уметь их писать — разные вещи. Решайте задачи каждый день.

2. Откладывать собеседования. Не ждите, пока будете «готовы». Первые 2–3 собеседования — это тоже обучение. Идите на них через 2–3 месяца подготовки.

3. Игнорировать продуктовые метрики. Junior-аналитики часто фокусируются только на SQL. Но на собеседовании спросят «что такое retention» и «почему DAU упал» — и SQL тут не поможет.

4. Не готовить портфолио. 2–3 проекта на GitHub (анализ датасета, дашборд, A/B-тест) сильно отличают вас от кандидатов без портфолио.

5. Бояться «не тех» вакансий. Junior-аналитик в небольшой компании — отличный старт. Не ждите, пока возьмут в Яндекс на первую работу.

Можно ли стать аналитиком за 3 месяца

Да, если учиться 4–6 часов в день полный рабочий режим. Нет — если по 30 минут вечером между делами.

Реальные сроки по интенсивности занятий:

  • Полный рабочий день (8 ч/день, 5 дней): 2–3 месяца до junior-уровня.
  • Часть дня (3–4 ч/день): 4–5 месяцев.
  • Вечерами (1–2 ч/день): 6–9 месяцев.
  • По выходным (4 ч/неделю): 12–18 месяцев.

К «junior-уровню» относится: уверенное владение SQL (оконные, JOIN, CTE), понимание продуктовых метрик (retention, воронка, когорты), базовый Python/pandas, способность пройти одно собеседование с первого раза.

Нужно ли высшее образование

Формально — нет. Реально — лучше, если оно есть, но не обязательно техническое.

Что дают работодатели за диплом:

  • Удобно фильтровать на HR-этапе. Без диплома сложнее пройти первый скрининг.
  • В корпорациях (Сбер, ВТБ, Газпром) — иногда обязательно.
  • Стажировки (Яндекс, Тинькофф, Ozon) — часто требуют диплом.

Что НЕ даёт диплом:

  • Навыки. Ваши SQL и Python — на том же уровне, что у кандидата с дипломом.
  • Преимущество в стартапах и средних компаниях. Там смотрят на портфолио.
  • Знание актуальных инструментов. Вузовская программа отстаёт от индустрии.

Если диплома нет — фокусируйтесь на портфолио и тренажёрах. Стажировку через hh.ru без диплома получить сложно, но через нетворкинг и тестовые задания — возможно.

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

После 30 — не поздно?

Нет. Более того, у людей 30+ есть преимущества, которых нет у 20-летних:

  • Доменный опыт. Если вы работали в маркетинге, финансах, логистике — у вас уже есть понимание бизнеса. Этому junior-аналитиков приходится учить отдельно.
  • Soft skills. Коммуникация, переговоры, умение вести проект — такое работодатели ценят.
  • Дисциплина и мотивация. Взрослые чаще доводят обучение до конца.

Реальные истории перехода в аналитику в 30–40 лет — частое явление. Финансисты, маркетологи, инженеры, врачи. Главное — быть готовым к junior-зарплате на старте (даже если на прежней работе вы были ведущим специалистом).

С чего начать, если я на ноле

Если вы никогда не писали ни SQL, ни Python — вот последовательность на первые 2 недели:

  1. Неделя 1, дни 1–3. Установите DBeaver + скачайте PostgreSQL. Разберитесь с базовым SELECT, WHERE, ORDER BY.
  2. Дни 4–5. JOIN (INNER, LEFT). Шпаргалка по JOIN.
  3. Дни 6–7. GROUP BY, агрегаты. Шпаргалка по GROUP BY.
  4. Неделя 2. Оконные функции. Шпаргалка. Параллельно — понятия retention, DAU, воронки.

Через 2 недели вы уже сможете решать 40–50% задач с собеседований junior-уровня.

Какие инструменты нужны на работе

Не всё, что пишут в курсах, реально используется.

Must-have (ежедневно):

  • SQL — PostgreSQL, ClickHouse, MySQL или BigQuery.
  • Excel/Google Sheets — для быстрых аналитических проверок, отправки PM.
  • BI-инструмент — Tableau, Power BI, Metabase, Superset, DataLens. Один из них — на рабочем месте.

Часто (несколько раз в неделю):

  • Python + pandas — для анализа, который не делается в SQL.
  • Git — для версионирования кода и работы в команде. Подробнее.
  • Jupyter Notebook — для исследований и презентаций анализа.

Иногда:

Почти никогда (на junior/middle):

  • Machine Learning (это ML-инженер или Data Scientist).
  • Hadoop (устарел).
  • NoSQL-базы (MongoDB) — в аналитике редко.

Портфолио — 3 проекта для джуна

Что показывать на собеседовании:

Проект 1: SQL-анализ публичного датасета

  • Что: возьмите датасет с Kaggle (продажи, логи, маркетинг).
  • Как: загрузите в PostgreSQL, напишите 5–10 аналитических SQL-запросов.
  • Результат: GitHub-репозиторий с SQL-файлами + README с выводами.

Проект 2: Дашборд

  • Что: придумайте продукт (например, e-commerce), смоделируйте данные.
  • Как: постройте дашборд в Tableau Public или Metabase.
  • Результат: ссылка на интерактивный дашборд + описание метрик.

Проект 3: A/B-тест или когортный анализ

  • Что: возьмите датасет с поведением пользователей.
  • Как: посчитайте retention, когорты, моделируйте A/B-тест.
  • Результат: Jupyter-тетрадь с кодом + выводами.

Подробнее про портфолио.

Как попасть на первое собеседование

Стратегия на 3 недели:

  1. Неделя 1: резюме + портфолио на GitHub. Как писать резюме.
  2. Неделя 2: откликайтесь на 5–10 вакансий в день (hh.ru, Linkedin, Telegram).
  3. Неделя 3: готовьтесь к собеседованиям по тем, кто пригласил. Чек-лист подготовки.

Типичная конверсия: из 100 откликов → 10 приглашений → 3 собеседования → 1 оффер. Первые 5–10 собеседований провалите, и это нормально — они тренировочные.

Сколько собеседований проходить

Junior: 15–30 собеседований за 1.5–2 месяца. Это реальная цифра. Те, кто сдаётся после 3 отказов, не находят работу.

Что спрашивают в 80% случаев:

Читайте также

FAQ

Сколько времени нужно, чтобы стать аналитиком данных?

При ежедневных занятиях по 1–2 часа — 4–6 месяцев до уровня, достаточного для junior-позиции. Если учиться полный день — можно уложиться в 2–3 месяца.

Нужно ли высшее образование?

Формально — нет. Большинство работодателей смотрят на навыки и портфолио, а не на диплом. Но техническое образование (математика, экономика, IT) даёт преимущество на старте.

Можно ли стать аналитиком без опыта в IT?

Да. Аналитики приходят из экономики, маркетинга, финансов, инженерии и даже гуманитарных специальностей. Ключевое — готовность учить SQL и работать с данными.

Чем аналитик данных отличается от Data Scientist?

Аналитик данных фокусируется на анализе, метриках и визуализации. Data Scientist — на машинном обучении и предсказательных моделях. Для аналитика достаточно SQL + Python + статистика. Для DS нужно глубокое знание ML, линейной алгебры и вероятностей.

Ещё по теме