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.
Навыки
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
- Освойте SQL до уверенного уровня с оконными функциями — это главный фильтр.
- Изучите Python и pandas, научитесь чистить и объединять данные.
- Разберитесь в статистике и A/B-тестах на уровне, достаточном, чтобы объяснить p-value и рассчитать размер выборки.
- Соберите 3–5 проектов: исследование с выводами, дашборд, анализ A/B-теста.
- Используйте ИИ-ассистентов для ускорения, но проверяйте каждую цифру вручную — на собеседовании это спросят.
- Подготовьтесь к собеседованию по типовым задачам — разбор в статье про задачи на собеседовании аналитика данных.
- 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.
