Аналитик данных (data analyst, дата-аналитик) — это специалист, который превращает сырые данные в понятные выводы для бизнеса. Работает он не с абстракциями, а с конкретными цифрами: собирает информацию из баз, очищает от мусора, ищет закономерности и формулирует рекомендации. Профессия востребована в IT, маркетинге, финансах, e-commerce и госсекторе — везде, где есть данные и нужно понимать, что с ними делать.
Если проще: аналитик отвечает на вопрос «что происходит и почему». Собирает данные, обрабатывает их, интерпретирует — и на выходе получаются решения, которые двигают бизнес вперёд. Не магия, а системная работа с инструментами вроде SQL, Python и BI-систем.
Основные обязанности и задачи аналитика данных
Сбор и интеграция. Аналитик притягивает данные из CRM, логов, веб-аналитики, внешних API. Настраивает выгрузки, чтобы поток шёл без сбоев — никто не хочет каждый раз руками выгружать Excel на 50 тысяч строк. Работает с базами данных: пишет SELECT, JOIN, GROUP BY, оптимизирует запросы, чтобы не грузить сервер по часу.
Очистка и подготовка. Сырые данные — это хаос. Пропуски, дубликаты, аномалии (вроде заказа на минус 10 000 рублей), несовпадение форматов. Аналитик нормализует поля, приводит типы данных к общему знаменателю, валидирует источники. По данным ZipRecruiter и CalCareers (2025–2026), очистка данных — один из ключевых этапов, который обеспечивает compliance с GDPR/CCPA и корректность дальнейшего анализа.
Исследовательский анализ (EDA). Смотрим на данные: какие метрики, какие тренды, где корреляции. Описательная статистика, сегментация, визуализация распределений. Цель — понять, что вообще происходит, прежде чем строить гипотезы. По методологии CRISP-DM (cdto.wiki, 2023), этап Data Understanding включает сбор, описание структуры и исследование данных.
Проверка гипотез. Формулируем предположение («новая кнопка увеличит конверсию на 5%»), проектируем A/B-тест, выбираем метрики, считаем статистическую значимость. Если p-value <0.05 и доверительные интервалы не пересекаются — гипотеза подтвердилась. Если нет — ищем причины или пробуем другой подход.
Визуализация и отчёты. Данные в табличке — это не insights. Аналитик создаёт дашборды в Tableau, Power BI, Looker Studio; делает графики, которые читаются за 10 секунд; пишет регулярные отчёты для стейкхолдеров. Презентует результаты так, чтобы люди без технического бэкграунда поняли, что делать дальше.
Оптимизация запросов. SQL-запросы к продуктовым базам могут тормозить систему, если написаны неаккуратно. Аналитик оптимизирует выборки, строит витрины данных, автоматизирует регулярные задачи скриптами на Python. Edstellar (2026) и Arkansas.gov подчёркивают: автоматизация — это не роскошь, а необходимость для масштабируемости.
По отчётам LinkedIn Jobs on the Rise и hh.ru (Q3 2025), SQL встречается в 12% ИТ-вакансий, Python — в 8%, аналитическое мышление и PostgreSQL — в 7%. Это подтверждает: технические навыки — фундамент, но без бизнес-контекста они бесполезны.
Аналитика и анализ данных: в чём суть процесса?
Аналитика данных — это не просто «покопаться в Excel». Это строго выстроенный процесс, который превращает вопросы в действия. Пройдём по этапам — так, как их описывает стандарт CRISP-DM (studfile.net, без даты) и его расширенная версия с мониторингом.
1) Постановка задачи (Business Understanding). Формулируем бизнес-вопрос: «Почему упала конверсия в checkout?», «Какой канал даёт больше LTV?». Определяем метрики успеха — без них анализ превращается в поиск паттернов ради паттернов.
2) Сбор (Data Understanding). Притягиваем данные из логов, CRM, веб-аналитики, открытых датасетов. Проверяем полноту: достаточно ли данных, чтобы ответить на вопрос? Если за 3 дня собралось 50 строк — статистической значимости не будет.
3) Очистка (Data Preparation). Удаляем пропуски, выбросы, дедуплицируем, приводим типы. Нормализуем поля (фунты в килограммы, CA в US-CA). По данным portal.tpu.ru (Николаенко В.С., 2023), качественная подготовка данных — это 60–70% времени аналитика, но без неё следующие этапы будут строиться на песке.
4) Исследование (EDA). Описательная статистика, корреляции, сегментация. Смотрим на распределения, выявляем аномалии, строим первые гипотезы. Edstellar (2026) и CalCareers (2025) подчёркивают: EDA — это не формальность, а поиск трендов и паттернов, которые станут основой для моделирования.
5) Моделирование. Если задача требует прогноза или классификации — строим модели (регрессии, деревья решений, кластеризация). Для дата-аналитика это чаще базовые методы; сложное ML — уже зона Data Scientist.
6) Проверка гипотез. Дизайн эксперимента, A/B-тесты, расчёт доверительных интервалов, p-values или байесовская статистика. Оцениваем статистическую значимость, проверяем предпосылки (нормальность распределений, гомоскедастичность). Arkansas.gov и OPM Data Science 1560 указывают: интерпретация трендов для решений — обязательная компетенция аналитика уровня federal positions.
7) Визуализация. Графики, дашборды, сторителлинг для стейкхолдеров. Цель — донести insights так, чтобы люди без технического бэкграунда приняли решение.
8) Принятие решений и мониторинг. Рекомендации, пилот, внедрение, отслеживание метрик. Процесс итеративный: новые данные — новая итерация; аналитик документирует предпосылки, метод и выводы, чтобы через месяц можно было вспомнить, почему выбрали именно этот подход.
Методологические основы: CRISP-DM (1999, базовый стандарт), Microsoft TDSP (для data science проектов), Google HEART framework (для продуктовой аналитики). Эти фреймворки описывают, как системно работать с данными — не хаотично, а воспроизводимо.
Ключевые навыки и инструменты аналитика данных
Hard Skills
Математика и статистика. Описательная статистика (среднее, медиана, мода), вероятности, распределения, проверка гипотез, A/B-тесты. Не обязательно знать теорию меры, но понимать, что такое p-value и доверительный интервал — must-have. По данным SkillFactory (2025), технический бэкграунд даёт преимущество, но базовая статистика доступна и без матфака — главное, системный подход.
SQL. Язык общения с базами данных. Выборки (SELECT/WHERE/ORDER BY), агрегации (GROUP BY/HAVING), JOIN (INNER/LEFT/RIGHT), CTE (Common Table Expressions), оконные функции (ROW_NUMBER, LEAD/LAG). Оптимизация запросов, работа с витринами данных, понимание индексов. По статистике hh.ru (Q3 2025), SQL встречается в 12% ИТ-вакансий — это базовый инструмент, без которого дальше не двинешься.
Python/R. Pandas для обработки табличных данных, NumPy для вычислений, Matplotlib/Seaborn/Plotly для визуализации. Базовый sklearn для простых моделей (линейная регрессия, кластеризация). По roadmap Skillmaps (2026) и DirectLine курсам (2026), Python — это не обязательно глубокое ML, но умение написать скрипт для очистки данных и построить график — да.
Excel/Google Sheets. Сводные таблицы, функции (ВПР/СУММЕСЛИМН/ИНДЕКС-ПОИСКПОЗ), Power Query для ETL, условное форматирование, быстрые отчёты. Для junior-аналитика это рабочая лошадка, которая закрывает 80% задач в малом бизнесе.
BI-системы. Tableau (16.7% доли рынка, 2025), Power BI (22.1%, сильная интеграция с Microsoft, $10–20/польз/мес), Looker Studio (8.9%, бесплатное для Google-интеграции). Дизайн дашбордов, доступность (скринридеры, контрастность), понимание UX для визуализации. По данным ElectroIQ (2025) и querio.ai (2025), Power BI лидирует в корпоративном сегменте, Tableau — в сложной визуализации, Looker Studio — в простоте для малых наборов.
Веб/продуктовая аналитика. Событийные схемы (GA4, Яндекс Метрика), атрибуция (first-click/last-click/linear), метрики продукта (DAU/MAU, retention, churn). Понимание, как собираются данные и где могут быть артефакты.
Версионирование и автоматизация. Git для контроля версий, Airflow/cron для автоматизации задач, Jupyter Notebooks для воспроизводимости анализа. Coursera (2026) и OPM 1560 подчёркивают: автоматизация скриптами — это переход от ручного труда к масштабируемости.
По данным Avito playbook (3-балльная шкала оценки навыков), junior-уровень — это «базовые запросы/скрипты», но стабильное выполнение рутинных задач под наставничеством.
Soft Skills
Бизнес-мышление. Понимание, как работает продукт, какие метрики важны, как данные влияют на выручку. Аналитик без бизнес-контекста — это просто человек, который делает запросы.
Критическое мышление. Не принимать корреляцию за причинность. Проверять предпосылки, искать альтернативные объяснения, задавать вопросы «а что, если…».
Коммуникация и сторителлинг данных. Перевести цифры в историю, которую поймут маркетологи, продактовые и топ-менеджеры. По данным World Economic Forum (Future of Jobs Report 2025), analytical thinking + communication — два ключевых навыка, которые ищут 70% работодателей.
Приоритизация и внимание к деталям. Умение отличить важное от срочного. Усидчивость, чтобы пройти по всем этапам очистки данных и не пропустить аномалии.
Работа с неопределённостью. Данных всегда недостаточно, источники противоречат друг другу, стейкхолдеры меняют требования. Аналитик работает в условиях неполной информации — и это норма.
«Без бизнес-контекста даже самый продвинутый SQL превращается в набор запросов, которые никто не использует. Я видел десятки кейсов, где аналитики считали метрики, которые никого не интересовали, потому что не задали вопрос: „А зачем это бизнесу?"» — по мотивам исследований Novoexec (2026) и Flowprofiler (2026), которые подчёркивают важность EQ и коллаборации с data science для лидеров.
Зарплата аналитика данных: сколько зарабатывает специалист?
Доход аналитика растёт с опытом и зоной ответственности. Junior обычно получает меньше, но быстро прибавляет по мере автономности. Middle стабильно закрывает продуктовые задачи, Senior ведёт стратегические проекты и команду. В Москве и крупных ИТ-центрах вилка выше, чем в регионах; на доход влияют стек (SQL/Python/BI), доменная область (финтех, e-commerce), владение английским и опыт end-to-end.
Данные по медианным зарплатам (конец 2025 — начало 2026):
- Москва:Junior 100 000–160 000 ₽, Middle 170 000–280 000 ₽, Senior 280 000–420 000 ₽ (appleinsider.ru, UTEX иru, 2025).
- СПб: Junior 90 000–150 000 ₽, Middle 160 000–260 000 ₽, Senior 260 000–400 000 ₽ (appleinsider.ru, UTEX иru, 2025).
- Казань: средняя 150 000 ₽ (appleinsider.ru, 2025).
- Общая медиана по России: 130 000 ₽ начало 2025 (blog.skgroups.ru, Хабр Карьера).
Разброс в источниках связан с методологией: HeadHunter «Банк данных зарплат» использует медиану по компаниям (официальный метод с 2025), Хабр Карьера и сторонние сервисы применяют среднее арифметическое. Медиана устойчива к выбросам (более репрезентативна для рынка), среднее арифметическое чувствительно к экстремальным предложениям (hh.ru методология, 2025).
По статистике GeekLink (01.01.2026), средняя зарплата аналитика данных — 231 221 руб./мес., при этом junior получает 49 000 ₽, middle — 211 000 ₽, senior — 275 000 ₽, lead — 650 000 ₽. Эти цифры выше общероссийских, потому что GeekLink фокусируется на ИТ-рынке и вакансиях с требованиями к продвинутым навыкам.
Расхождение в источниках (123 тыс. по DreamJob vs 231 тыс. по GeekLink) объясняется методом сбора: DreamJob собирает данные от пользователей (включая регионы и не-ИТ), GeekLink — из вакансий (преимущественно Москва/СПб и ИТ-компании).
Прогноз: По данным вакансий в 2025–2026, рост зарплат стабилен, но зависит от рынка и проектов. Спрос на аналитиков растёт — бизнесу нужны люди, которые умеют работать с данными, а не просто «делать запросы».
Как стать аналитиком данных с нуля: пошаговый план для начинающих
1) С чего начать. Определите цель и область (продукт, маркетинг, BI). Освойте основы аналитического мышления и метрик. Спросите себя: «Какие задачи меня цепляют — копаться в пользовательском поведении, искать точки роста в воронке или строить дашборды для топ-менеджеров?»
2) База: математика и статистика. Вероятности, распределения, проверка гипотез, доверительные интервалы. Это фундамент для решений. По данным SkillFactory (2025), без технического образования можно стать хорошим специалистом, если освоить базовую статистику (среднее, медиана, мода, теория вероятностей).
3) Hard skills.
- SQL как основной инструмент работы с БД (JOIN, оконные функции, CTE). По roadmap Karpov.Courses (2025), SQL — это первый шаг: синтаксис логичен, результаты видны сразу.
- Python (Pandas/NumPy) для обработки и анализа. За 5 месяцев обучения с нуля можно освоить Python для анализа, продвинутые SQL-запросы, дашборды, проверку гипотез, А/В-тесты (Karpov.Courses, 2025).
- Excel/Google Sheets для быстрых расчётов. Начинайте отсюда — сводные таблицы, функции, условное форматирование.
- BI-системы для дашбордов. Tableau, Power BI, Looker Studio — выберите один, изучите интерфейс, попрактикуйтесь на открытых данных.
4) Soft skills.
- Коммуникация и сторителлинг: научитесь объяснять insights так, чтобы не-технари поняли за 2 минуты.
- Умение задавать вопросы и формулировать гипотезы: не принимайте данные как есть, копайте глубже.
- Приоритизация задач: отличайте важное от срочного.
5) Практика. Мини-проекты и пет-проекты каждую неделю. Аналитика веб-трафика, когортный анализ, отчёты в BI. Документируйте выводы — через 2 месяца вы забудете, почему выбрали именно этот подход. По формуле VC.ru (2026): SQL (уверенно) + Python или Excel (базово) + один BI-инструмент + 3 проекта портфолио = Junior Data Analyst.
6) Портфолио для работы.
- Оформите проекты на GitHub: ноутбуки, SQL-скрипты, README с постановкой задачи и результатами.
- Опубликуйте дашборды на Tableau Public/Power BI Service.
- Напишите кейс-стади с бизнес-контекстом: не просто «построил график», а «выявил, что канал X даёт на 20% больше LTV, рекомендовал перераспределить бюджет».
7) Поиск работы.
- Пройдите тестовые задания: SQL-задачи, статистические кейсы, анализ данных.
- Подготовьте резюме с результатами (не «работал с данными», а «сократил время формирования отчёта на 40%»).
- Протренируйте собеседования по SQL/статистике/кейсам.
- Откликайтесь на стажировки и junior-вакансии. hh.ru, Хабр Карьера, LinkedIn, телеграм-каналы — везде, где ищут аналитиков.
План по времени:
- 10–15 ч/нед → 3–6 месяцев до стажировки/Junior (VC.ru, 2026: 250 часов = 6 месяцев при 8–10 ч/нед).
- 5–7 ч/нед → 6–9 месяцев (Skillbox курс Data Analyst: 4–9 месяцев при 3–5 ч/нед).
- Интенсив 8 ч/день → 5–6 недель (YouTube-лекция Яндекс, 2026).
Если хотите системно освоить профессию аналитика данных с нуля, обратите внимание на курс sky.pro по аналитике данных — там собрана вся база (SQL, Python, визуализация) с практикой на реальных кейсах и помощью в трудоустройстве. Это один из вариантов для тех, кто ценит структурированное обучение и поддержку менторов.
Обучение на аналитика данных: лучшие онлайн-курсы
Яндекс Практикум — Аналитик данных.
Для начинающих, проектная работа, менторы, помощь с трудоустройством. Длительность: 4–6 мес. Фокус на практике: реальные кейсы, кураторы, YandexGPT для поддержки, диплом, бессрочный доступ (tutortop.ru, 2026). [Узнать подробнее]
Karpov.Courses — Data Analyst.
Практика SQL/Python/BI, интенсивы, коммьюнити студентов курса. Длительность: 2–4 мес (9 месяцев для программирования для анализа данных). Сильные преподаватели, много практики, диплом ИТМО. Без вечного доступа, но для новичков и продвинутых (t-j.ru, 2025). [Узнать подробнее]
Skillbox — курс «Профессия Аналитик данных».
Курс data для начинающих, стажировка, карьерный центр, помощь с трудоустройством. Длительность: 6–12 мес. Кураторы, тренажёр, портфолио, фокус на Deep Learning/проектах, диплом, вечный доступ (tutortop.ru, 2026). [Узнать подробнее]
Coursera/Stepik — специализации по SQL/Python/BI от университетов.
Гибкий темп, доступные цены. Длительность: 1–3 мес/модуль. Пример: Coursera Data Analytics in Public Sector with R (4 курса, 16–31 час, Paula Lantz, 8569 enrolled). Для самостоятельного обучения без жёсткого дедлайна. [Узнать подробнее]
Дисклеймер: Информация по курсам и условиям может меняться; актуальные детали уточняйте на официальных страницах курсов.
Аналитик данных, бизнес-аналитик, системный аналитик: в чём разница?
Аналитик данных фокусируется на интерпретации данных для бизнес-решений: сегментирует пользователей по возрасту/полу/локации, строит отчёты, формулирует рекомендации (thisisdata.ru, 2023; gopractice.ru, 2024).
Бизнес-аналитик описывает процессы и оптимизирует их: работает с метриками KPI, использует Yandex DataLens, формализует требования для разработчиков (ibs-training.ru, 2023; rbc.ru, 2025).
Системный аналитик структурирует системы и процессы: аналитическое мышление, постановка задач разработчикам, понимание API/схем данных (habr.com, 2021, базовый источник).
Веб-аналитик работает с событийной моделью, атрибуцией, метриками GA4/Яндекс Метрика.
Маркетинговый аналитик считает эффективность каналов, строит маркетинговые миксы, визуализирует ROMI.
BI-аналитик автоматизирует отчётность, строит дашборды для управленческих решений (luckyhunter.io, 2024).
Данные собраны из 5 источников 2022–2025 гг., без официальных стандартов .gov/.edu; по веб-/маркетинговому аналитику данные отсутствуют в доступных источниках.
Сравнение смежных профессий: Data Analyst vs Data Scientist vs Data Engineer
Data Analyst анализирует структурированные данные для отчётов. Собирает, очищает данные из БД, визуализирует для решений, использует SQL/Python/R (Simplilearn, 2023; GeeksforGeeks, 2023).
Data Scientist строит ML-модели для предсказаний. Разрабатывает предиктивные модели ML/статистикой, интерпретирует Big Data для бизнес-результатов (ISHIR, 2023; Edureka, 2023).
Data Engineer создаёт пайплайны ETL для инфраструктуры. Строит/тестирует архитектуру данных, ETL-пайплайны, обеспечивает доступность данных, выступает посредником, готовит данные для Analyst/Scientist (Chartio, 2023; K21 Academy, 2023).
Источники: O*NET (официальные описания ролей), ESE/ESCO (европейская классификация), вакансии ведущих компаний (подтверждение корректности сравнений).
Карьерный трек и специализации
Вертикальный рост
Junior (Новичок). Ограниченные зоны ответственности, выполнение задач под менторством. Основные навыки: базовые SQL-запросы, чтение документации, самостоятельная работа под наблюдением (ast-academy.ru, матрица компетенций).
Middle (Специалист). Самостоятельность, end-to-end от вопроса до дашборда. Анализ стейкхолдеров, выявление требований, генерализация решений; KPI — обоснование запуска проекта и оценка постпроектной поддержки (datafinder.ru, Beginner-Middle roadmap).
Senior (Ведущий специалист). Постановка задач, методология, менторство. Понимание архитектурных схем (Archimate), различение синхронных/асинхронных запросов, проектирование микросервисов; KPI — чтение архитектурных схем для спецификации (habr.com, 2024).
Lead/Head of Analytics (Руководитель). Стратегия, приоритизация, управление командой и стейкхолдерами. Стратегическое влияние на корпоративные стратегии, координация информации в команде; KPI — предложение вариантов решений и управленческие решения (ast-academy.ru; datafinder.ru).
Горизонтальные специализации
Продуктовая аналитика, маркетинговая аналитика, BI, финансовая аналитика, риск-аналитика, веб-аналитика, HR-аналитика. Каждое направление требует доменных знаний и специфических инструментов.
Карьерный трек по данным Syracuse University iSchool (2023) и Sprintzeal (2026):
- Junior Data Analyst (0–2 года) → Senior Data Analyst (2–5 лет) → Data Scientist или Analytics Manager (5–10 лет).
- Альтернативные пути: Business Analyst (4+ года опыта), Chief Data Officer, Quantitative Analyst (DataCamp, 2026).
Типичный рабочий день аналитика данных
Утро. Синк с командой, уточнение задачи, формулировка гипотез и плана. Проверка дашбордов: всё ли в порядке, нет ли аномалий, какие метрики требуют внимания.
День. SQL-запросы к базам, обработка в Python, валидация данных, коммуникация с владельцами данных. Если что-то не сходится — поднимаем вопросы, ищем источники ошибок.
Вечер. Визуализация результатов, формулировка выводов, планирование следующего шага, обновление дашбордов. Короткий дейли или асинхронное обновление команды.
Реальность может отличаться: где-то больше встреч, где-то больше кода. Но общий паттерн — от задачи к выводам — один и тот же.
Частые ошибки новичков и как их избежать
Учить инструменты без цели. Начинающие аналитики хватаются за Python, потому что «все учат», но не понимают, зачем он нужен. Совет: начинайте от бизнес-вопроса, а потом выбирайте инструмент.
Игнорировать качество данных. Пропуски, выбросы, несовпадение форматов — всё это искажает результаты. Совет: валидируйте источники, проверяйте данные на null и outliers перед анализом (Hexlet.io, 2023; TheCode.media, 2023).
Переусложнять. Новички пытаются построить сложные модели там, где достаточно простых. Совет: простые модели и понятные визуализации работают лучше (Netology.ru, 2023).
Плохое оформление. Ноутбуки без комментариев, запросы без структуры, дашборды без подписей. Совет: воспроизводимые ноутбуки, комментарии, README — это не роскошь, а must-have.
Нет обратной связи. Новички боятся показывать работу и просить ревью. Совет: регулярно просите ревью кода и дашбордов, учитесь на ошибках (Hexlet.io, 2023).
Непонимание SQL JOIN. Потеря данных из-за неправильного типа JOIN. Совет: изучайте типы JOIN (INNER/LEFT/RIGHT/FULL) и проверяйте результаты на тестовых данных (Hexlet.io, 2023).
Принятие корреляции за причинность. Если два показателя растут вместе, это не значит, что один вызывает другой. Совет: тестируйте гипотезы статистическими методами (Hexlet.io, 2023).
Портфолио аналитика данных: что показать работодателю
3–5 проектов.
- SQL-задачи: анализ воронки приобретений с конверсией и CAC по каналам.
- A/B-кейс: оценка A/B-теста с uplift и доверительными интервалами.
- BI-дашборд: дашборд продаж с метриками выручки, конверсии, динамики.
- Продуктовый кейс: исследование когорт с драйверами оттока.
GitHub. Структурированные папки, README с постановкой задачи и результатом. Пример: «Проект: Анализ оттока клиентов. Цель: выявить факторы оттока. Метод: когортный анализ, логистическая регрессия. Результат: топ-3 драйвера, рекомендации по удержанию» (Jobright.ai, LinkedIn/Indeed/Levels.fyi, 2025–2026).
Публичные ссылки. Tableau Public/Power BI Service — демонстрации. Убедитесь, что дашборды интерактивные и понятные без пояснений.
Краткие бизнес-выводы и влияние на метрики. Не «построил график», а «выявил, что канал X даёт на 20% больше LTV, рекомендовал перераспределить бюджет — внедрили, конверсия выросла на 15%».
FAQ: Часто задаваемые вопросы
Можно ли стать аналитиком без высшего тех./мат. образования?
Да. По данным SkillFactory (2025), VC.ru (2026), Sales-Generator (2026), без технического образования можно стать junior-аналитиком за 5–7 месяцев при условии владения SQL + Python/Excel + портфолио из 3 проектов. Главное — настойчивость и системный подход.
Что важнее сначала: SQL или Python?
Стартуйте с SQL. По данным DataCamp (2024), Certstaff Training (2025), SQL проще для новичков: базовый синтаксис, ориентирован на реляционные БД, вводит концепции программирования. Python сложнее из-за синтаксиса и областей (анализ, ML), но читаемый с библиотеками. Для data engineering: SQL внутри Python (PySpark SQL) после базовых структур данных.
Сколько времени учиться до первой работы?
При 10–15 ч/нед — 3–6 месяцев до стажировки/Junior (VC.ru, 2026: 250 часов = 6 месяцев). При 3–5 ч/нед — 4–9 месяцев (Skillbox). При интенсиве 8 ч/день — 5–6 недель (Яндекс, 2026). Реалистично — от 4 до 9 месяцев в зависимости от интенсивности и наличия технического бэкграунда.
Реально ли войти в профессию после 30/40?
Да. Возраст не барьер; важнее проекты и мотивация. По данным SkillFactory (2025), без технического образования можно стать хорошим специалистом, если освоить базовую статистику и навыки.
Нужен ли английский?
Для документации/инструментов — от A2/B1, для роста — B2+. По данным tproger.ru (2025), B1 обязателен для чтения документации и работы с инструментами в IT (включая data analytics) на старте карьеры в 2026 году; B2 и выше нужен для международных команд.
Где искать вакансии?
hh.ru, Хабр Карьера, LinkedIn, телеграм-каналы, стажировки компаний. По данным dtf.ru (2025), английский желателен, но не обязателен для русскоязычных вакансий в российских компаниях в 2026 году.
Какие проекты добавить?
A/B-тест, когортный анализ, юнит-экономика, воронки, BI-дашборд. По данным Jobright.ai (2025–2026), портфолио включает анализ воронки приобретений, исследование когорт с драйверами оттока, оценку A/B-теста, BI-дашборд по продажам.
Рекламодатель: ООО «СКАЕНГ» (ИНН 9710043982), ОГРН 5177746253284
Erid: