КарьераАналитика· 9 минут чтения

Аналитик данных: кто это, чем занимается и сколько зарабатывает в 2026 году

Разбираем профессию аналитика данных: обязанности, навыки, инструменты и ИИ-ассистенты, уровни и зарплаты 2026 года, путь в профессию и портфолио.

Аналитик данных: кто это, чем занимается и сколько зарабатывает в 2026 году

Аналитик данных (data analyst) — специалист, который собирает и очищает данные компании, считает метрики, проверяет гипотезы и A/B-тесты и превращает цифры в понятные выводы для бизнеса: почему упали продажи, какая функция увеличила удержание, куда вложить бюджет. Основные инструменты — SQL, Python, BI-системы и статистика. В 2026 году черновики запросов, разведочный анализ и отчёты всё чаще готовят ИИ-ассистенты, поэтому ценится умение проверять результат и задавать правильные вопросы. В России Junior получает ориентировочно 80–110 тыс. ₽ в Москве, Middle — 110–250 тыс. ₽, Senior — 220–380 тыс. ₽.

Кто такой аналитик данных

Аналитик данных помогает принимать решения на основе фактов, а не интуиции. Он получает вопрос от бизнеса, находит нужные данные, считает, проверяет, насколько результат надёжен, и объясняет вывод.

В вакансиях встречается несколько близких специализаций:

Специализация Чем занимается
Аналитик данных (Data Analyst) Отчёты, метрики, исследования по запросам бизнеса, A/B-тесты
Продуктовый аналитик Поведение пользователей в приложении или на сайте, воронки, удержание, эксперименты
BI-аналитик Дашборды и системы отчётности для руководителей и отделов
Маркетинговый и веб-аналитик Эффективность рекламных каналов, атрибуция, сквозная аналитика
Финансовый и бизнес-аналитик данных Выручка, юнит-экономика, прогнозы, планирование

От соседних профессий аналитик данных отличается задачей. Data Scientist строит предсказательные модели машинного обучения, ML-инженер выводит модели в продакшен, дата-инженер строит хранилища и конвейеры данных, системный аналитик описывает требования к информационным системам.

Чем занимается аналитик данных

  • Сбор и подготовка данных. Выгрузки из хранилища через SQL, объединение источников, очистка от дублей, пропусков и выбросов.
  • Метрики. Расчёт выручки, конверсии, retention (удержания), среднего чека, LTV; поиск причин изменений.
  • A/B-тесты. Дизайн эксперимента, расчёт размера выборки, проверка статистической значимости, интерпретация результата.
  • Исследования. Ответы на вопросы бизнеса: какие клиенты уходят, какой канал окупается, как сезонность влияет на продажи.
  • Дашборды и отчёты. Регулярная отчётность в BI-системах, автоматизация рутинных выгрузок.
  • Коммуникация. Объяснение выводов менеджерам и руководству без лишних терминов, рекомендации, что делать дальше.

Пропорции зависят от компании. В продуктовых IT-компаниях больше экспериментов и исследований, в банках и ритейле — больше отчётности и работы с большими хранилищами.

Как ИИ меняет работу аналитика данных в 2026 году

ИИ-ассистенты стали рабочим инструментом аналитика, но не заменили его.

Что ускорилось:

  • черновики SQL-запросов и кода на Python — в ChatGPT, Claude, DeepSeek, GigaChat, а также в Cursor, Claude Code и встроенных ассистентах Jupyter;
  • разведочный анализ: первичный обзор датасета, поиск аномалий, построение графиков;
  • документация, описание витрин и метрик, комментарии к коду;
  • автоматизация отчётов: скрипты, которые раньше писали днями, теперь собирают за часы;
  • разбор неструктурированных данных: тексты отзывов, обращений, ответов в опросах.

Что стало важнее:

  • проверка: модели путают ARPU и ARPPU, неверно считают retention и игнорируют неравномерность групп в A/B-тесте — аналитик должен уметь найти такую ошибку;
  • постановка вопроса и интерпретация: ИИ отвечает на то, что спросили, а понять, что спросить, может только человек, знающий бизнес;
  • работа с данными в безопасном контуре: многие компании запрещают загружать внутренние данные во внешние чат-боты и разворачивают модели у себя;
  • аналитика ИИ-продуктов: метрики качества ответов чат-ботов и агентов, стоимость запросов, эксперименты с LLM-функциями.

В обзоре зарплат аналитиков ТГУ (июль 2026) навыки работы с ИИ называют преимуществом при найме на старте. На собеседованиях отношение к ИИ разное: на живых SQL-задачах его обычно запрещают, в тестовых заданиях просят указать, где использовались нейросети.

Hard skills:

  • SQL — главный фильтр при найме: SELECT, JOIN, GROUP BY, подзапросы, оконные функции;
  • Python с pandas и NumPy, библиотеки визуализации; для продуктовой аналитики — SciPy или statsmodels;
  • статистика: распределения, доверительные интервалы, проверка гипотез, p-value, размер выборки;
  • BI-системы: Yandex DataLens, Power BI, Tableau, Superset;
  • Excel или Google Таблицы — сводные таблицы, формулы, быстрые расчёты;
  • продуктовые и бизнес-метрики: воронка, retention, LTV, юнит-экономика;
  • ИИ-ассистенты для кода и анализа с обязательной проверкой результата;
  • для Senior — понимание хранилищ данных, ETL, иногда Spark и основ машинного обучения.

Soft skills: любопытство и умение задавать вопросы, внимательность к деталям, способность рассказать вывод на языке бизнеса.

Инструменты аналитика данных

Инструмент Для чего используют
PostgreSQL, ClickHouse, Greenplum, MS SQL Хранилища и базы данных, где аналитик пишет запросы
Python: pandas, NumPy, SciPy, statsmodels Обработка данных, статистика, A/B-тесты
Jupyter, DataSphere, Google Colab Интерактивный анализ
Yandex DataLens, Power BI, Tableau, Superset Дашборды и отчётность
Airflow Расписание и автоматизация расчётов
AppMetrica, Яндекс Метрика Данные о поведении пользователей
ChatGPT, Claude, DeepSeek, GigaChat Черновики SQL и Python, объяснение ошибок, разбор текстов
Cursor, Claude Code Скрипты и проекты анализа с ИИ-агентом

Другие сервисы — в каталоге ИИ-инструментов.

Уровни

Ориентир собран по обзору зарплат аналитиков ТГУ (июль 2026, данные hh.ru, Skillbox Media, «Работа.ру» за 2025–2026 годы) и вакансиям 2026 года. Вилки сильно зависят от города и типа компании: продуктовые IT-компании и банки платят больше, чем региональный бизнес.

Уровень Срок выхода на уровень Зарплата в РФ, ₽/мес Что ждут
Junior 6–12 месяцев учёбы и практики 50–110 тыс. Пишет SQL-запросы, готовит выгрузки и отчёты, считает метрики по готовой методике
Middle 1–3 года 110–250 тыс. Самостоятельно ведёт исследования и A/B-тесты, строит дашборды, формулирует выводы для бизнеса
Senior 3–5 лет 220–380 тыс. Отвечает за аналитику направления, методологию экспериментов, менторит младших
Lead 5+ лет от 350 тыс. (ориентировочно, вакансий с открытой вилкой мало) Руководит командой аналитиков, выстраивает культуру данных и метрики компании

На что опираются цифры: по данным hh.ru, которые приводит обзор ТГУ, Junior-аналитик в Москве получает 81–109 тыс. ₽, в регионах — 50–70 тыс. ₽; в стартапах и продуктовых компаниях начальные вилки доходят ориентировочно до 140 тыс. ₽; Senior в Москве — 243–289 тыс. ₽ по hh.ru и 220–350 тыс. ₽ по данным Skillbox Media. Общий диапазон по России, по данным «Работа.ру», — от 30 до 380 тыс. ₽. Отдельных открытых данных по Lead нет, поэтому уровень указан ориентировочно — по аналогии с руководителями в смежных направлениях данных.

Где учиться

  • Курсы. Программы «Аналитик данных» есть у Яндекс Практикума, Skillbox, Нетологии, Karpov.Courses и других школ — подборка в разделе курсы. Выбирайте программы с проектами на реальных датасетах и разбором кода.
  • Тренажёры SQL. Ежедневная практика на задачах — самый быстрый способ пройти первый фильтр при найме.
  • Статистика. Открытые университетские курсы и учебники по теории вероятностей и проверке гипотез.
  • Свои проекты. Открытые датасеты на Kaggle, данные госстатистики, выгрузки собственных расходов или пет-проекта — материал для портфолио.

Как войти в профессию

  1. Освойте SQL до уверенного уровня с оконными функциями — это главный фильтр.
  2. Изучите Python и pandas, научитесь чистить и объединять данные.
  3. Разберитесь в статистике и A/B-тестах на уровне, достаточном, чтобы объяснить p-value и рассчитать размер выборки.
  4. Соберите 3–5 проектов: исследование с выводами, дашборд, анализ A/B-теста.
  5. Используйте ИИ-ассистентов для ускорения, но проверяйте каждую цифру вручную — на собеседовании это спросят.
  6. Подготовьтесь к собеседованию по типовым задачам — разбор в статье про задачи на собеседовании аналитика данных.
  7. Откликайтесь на стажировки и Junior-позиции; для старта подойдут и смежные роли: BI-аналитик, аналитик в маркетинге, операционный аналитик.

Быстрее всего в аналитику переходят те, кто уже работает с цифрами — в маркетинге, финансах, продажах, логистике. Начните автоматизировать отчёты на текущей работе — это готовый кейс для резюме.

Где искать вакансии

На hh.ru, Хабр Карьере и Getmatch ищите по запросам «аналитик данных», «data analyst», «продуктовый аналитик», «BI-аналитик». Вакансии в ИИ-направлении — в разделах ML-инженер и все вакансии. Для стажировок полезны карьерные программы крупных технологических компаний и банков — подробнее в статье где искать стажировку программисту.

Как составить портфолио и резюме

Работодатель хочет увидеть, что вы доводите анализ до вывода. Для каждого проекта укажите:

  • вопрос бизнеса или гипотезу;
  • данные и как их готовили;
  • методы: SQL, Python, статистический тест, визуализация;
  • вывод и рекомендацию, которую можно применить;
  • ссылку на репозиторий на GitHub, ноутбук или дашборд (подробнее — в статье про GitHub для поиска работы).

В резюме формулируйте опыт через результат: «Нашёл причину падения конверсии на 12%, после исправления воронки конверсия восстановилась за две недели». Собрать документ по шаблону можно в конструкторе резюме.

Скачать образец резюме

Образец резюме аналитика данных в PDF можно получить за подписку на Telegram-канал VibeJobs: [ссылка на Telegram-канал]. В нём:

  • структура резюме под вакансии «аналитик данных», «продуктовый аналитик» и «BI-аналитик»;
  • примеры формулировок достижений с метриками и результатами A/B-тестов;
  • блок навыков: SQL, Python, статистика, BI, ИИ-ассистенты;
  • шаблон описания аналитического проекта для портфолио;
  • пример сопроводительного письма;
  • список ошибок, из-за которых резюме отклоняют.

Карьерный рост

  • Вглубь аналитики: Senior, Lead, руководитель отдела аналитики, Head of Data.
  • В Data Science и ML: освоив машинное обучение, аналитик переходит в Data Scientist или ML-инженера.
  • В дата-инженерию: хранилища, ETL, инфраструктура данных.
  • В продукт: продакт-менеджер — частый путь для продуктовых аналитиков.
  • В аналитику ИИ-продуктов: метрики и эксперименты для LLM-функций и агентов.

Плюсы и минусы профессии

Плюсы Минусы
Спрос во всех отраслях: IT, банки, ритейл, маркетинг, госсектор Высокая конкуренция среди Junior-кандидатов после курсов
Много удалённых и гибридных вакансий Много рутинной отчётности на старте
Понятный рост зарплаты с опытом Ошибка в расчётах может привести к неверному решению бизнеса
ИИ ускоряет код и рутину, оставляя время на исследования Нужно постоянно подтверждать навыки на тестовых и live-coding
Хорошая база для перехода в Data Science, ML и продукт Доступ к данным и качество данных часто зависят от других команд

Частые вопросы

Можно ли стать аналитиком данных без технического образования?

Да. Работодатели в IT смотрят на SQL, Python, статистику и проекты больше, чем на диплом. Но математическое мышление и готовность разбираться в статистике обязательны.

Сколько времени нужно, чтобы стать аналитиком данных с нуля?

Обычно 6–12 месяцев регулярной учёбы до уровня Junior. Быстрее получается у тех, кто уже работает с цифрами в Excel и может применить новые навыки на текущей работе.

Нужно ли аналитику данных машинное обучение?

Для большинства вакансий аналитика — нет: хватает SQL, Python и статистики. Основы ML полезны для роста и перехода в Data Science.

Заменит ли ИИ аналитика данных?

ИИ пишет запросы и строит графики, но ошибается в метриках и не знает контекста бизнеса. Работодатели платят за правильные вопросы, проверку результата и ответственность за вывод.

Можно ли работать аналитиком данных удалённо?

Да, многие компании допускают удалёнку или гибрид. Junior-позиции чаще предполагают офис или гибрид, чтобы новичок быстрее учился у команды.

Инструменты в материале