По данным hh.ru, в 2026 году аналитики данных входят в топ-5 наиболее востребованных IT-специалистов. Зарплата Junior стартует от 81 тысячи рублей в Москве и растёт до 140–250 тысяч на уровне Middle — за счёт рынка, а не за счёт года обучения. При этом порог входа ниже, чем у разработчиков: первую работу получают без знания алгоритмов и высшей математики.
Статья отвечает на три вопроса: что именно делает аналитик, какой стек нужен для старта и сколько времени реально уходит на обучение — без рекламных обещаний.
Чем занимается аналитик данных
Аналитик данных превращает сырые числа в выводы, понятные бизнесу. Задачи зависят от специализации, но ядро одно: собрать данные, очистить, проанализировать, визуализировать и объяснить результат.
Конкретные задачи в рабочем дне:
- Выгрузить данные из БД с помощью SQL и проверить их на ошибки
- Построить дашборд в Power BI или Tableau, который обновляется автоматически
- Провести A/B-тест и оценить, статистически ли значим результат
- Подготовить еженедельный отчёт по продуктовым метрикам для команды
- Ответить на вопрос менеджера: «Почему упала конверсия в прошлую пятницу?»
Три пути в аналитике: BI, продукт, Data Science
| Специализация | Чем занимается | Ключевые инструменты | Зарплата Middle (Москва) |
|---|---|---|---|
| BI-аналитик | Дашборды, отчёты, KPI | SQL, Power BI / Tableau | 120–180 тыс. |
| Продуктовый аналитик | Метрики продукта, A/B-тесты, воронки | SQL, Python, Amplitude/Mixpanel | 150–220 тыс. |
| Data Scientist | ML-модели, прогнозирование | Python, sklearn, статистика | 200–350 тыс. |
Для старта карьеры подходят первые два — BI-аналитик и продуктовый аналитик. Data Scientist требует математики и статистики на уровне хотя бы второго курса профильного вуза. Без этой базы курс «Data Science за 4 месяца» даёт иллюзию знаний, которая разобьётся на первом техническом собеседовании.
Зарплаты аналитиков данных в 2026 году
Данные по Москве — диапазон 25–75 квартиля по hh.ru и Habr Career 2025–2026. Цифры отражают большинство реальных предложений, а не рекорды.
| Уровень | Опыт | Зарплата (тыс. руб.) | Что ожидают работодатели |
|---|---|---|---|
| Junior | 0–1 год | 81–109 | SQL, Excel, базовый Power BI, 1–2 проекта в портфолио |
| Middle | 1–3 года | 140–250 | SQL уверенно, Python/pandas, BI-инструменты, опыт A/B-тестов |
| Senior | 3+ лет | 243–289+ | Архитектура данных, менторство, сложные аналитические задачи |
Через 6 месяцев после выхода на Junior-позицию зарплата в среднем вырастает на 30–40%, если специалист активно развивается. Переход из Junior в Middle по рыночным данным занимает 1,5–2 года при нормальном темпе роста.
Зарплаты за пределами Москвы ниже на 20–40%, но разрыв сокращается: удалённые позиции в московских компаниях открыты для регионов.
Какие навыки нужны аналитику данных
Стек делится на базовый (без него не пройти даже первый этап отбора) и дополнительный (ускоряет рост).
Базовый стек Junior-аналитика
| Инструмент | Зачем нужен | Время освоения с нуля |
|---|---|---|
| SQL | Выгрузка и агрегация данных из реляционных БД | 4–8 недель до уровня SELECT + JOIN + GROUP BY |
| Excel / Google Sheets | Быстрый анализ, сводные таблицы, простые модели | 2–4 недели базовых функций |
| Power BI или Tableau | Интерактивные дашборды и отчёты | 3–5 недель до первого рабочего дашборда |
| Python + pandas | Обработка больших датасетов, автоматизация | 6–10 недель базового уровня |
Порядок освоения важен: SQL — первый шаг. Без него нельзя ни построить дашборд с живыми данными, ни написать Python-скрипт, который что-то полезное делает. Попытки начать с Python или визуализации без SQL заканчиваются пробелами, которые потом долго закрываются.
Что добавляет Middle-аналитик
- Статистика: проверка гипотез, t-тест, хи-квадрат, доверительные интервалы
- A/B-тестирование: дизайн эксперимента, расчёт размера выборки, интерпретация результатов
- Python: pandas для ETL-задач, matplotlib/seaborn для визуализации
- Продуктовые метрики: DAU/MAU, Retention, LTV, ARPU — понимание, а не просто аббревиатуры
- Коммуникация данных: умение объяснить вывод нетехническому менеджеру за 2 минуты
Сколько времени нужно для входа в профессию
Рекламные обещания «стань аналитиком за 2 месяца» технически выполнимы — если под этим понимать прохождение курса. До первого оффера от этого момента обычно ещё 2–4 месяца: поиск работы, тестовые задания, собеседования.
Реалистичная картина по сценариям:
| Сценарий | Время до первой работы | Условия |
|---|---|---|
| Смежный опыт (экономист, финансист, маркетолог) | 4–6 месяцев | SQL + BI-инструмент, 1 проект с реальными данными |
| Нет опыта, обучение 1–2 часа в день | 10–14 месяцев | Полный стек: SQL + Excel + Power BI + Python |
| Нет опыта, обучение 4+ часов в день | 6–9 месяцев | Полный стек + активный нетворкинг |
| Технический бэкграунд (программист, математик) | 3–5 месяцев | Нужен только BI-инструмент + продуктовые знания |
Главный риск — переоценить курс и недооценить портфолио. Работодатель не смотрит на сертификат — он смотрит на то, как кандидат решил реальную задачу с реальными данными. Без 1–2 собственных проектов поиск работы затягивается на месяцы даже при хорошем знании SQL.
Пошаговый план обучения: 6–10 месяцев
Месяцы 1–2: SQL и основы работы с данными
SQL — фундамент профессии, и его нельзя пропустить. Цель первых двух месяцев: уверенно писать SELECT с JOIN, GROUP BY, подзапросами и оконными функциями. Этого достаточно для 80% реальных аналитических задач.
- Практикуйтесь на реальных данных — Kaggle предоставляет сотни открытых датасетов бесплатно
- Решайте задачи на leetcode/sql-ex.ru ежедневно по 30–40 минут
- Параллельно изучите Excel: сводные таблицы, ВПР/XLOOKUP, базовые формулы
Месяцы 2–4: Power BI или Tableau + первый проект
Выберите один инструмент. Power BI — дешевле (есть бесплатная версия Desktop) и популярнее в российских компаниях. Tableau — дороже, но лучше для сложных визуализаций и чаще встречается в международных командах.
К концу четвёртого месяца у вас должен быть публичный дашборд на реальных данных — например, анализ продаж из открытого датасета. Это первый элемент портфолио.
Месяцы 4–7: Python + pandas
Python для аналитика — не про разработку, а про автоматизацию и работу с данными, которые не влезают в Excel. Нужны: pandas для манипуляции с таблицами, matplotlib/seaborn для графиков и базовая работа с API.
Второй проект портфолио: ETL-задача на Python — скачать данные из открытого API, очистить, агрегировать, визуализировать.
Месяцы 7–10: Поиск работы
Не ждите «пока буду готов» — начинайте откликаться после появления первого проекта в портфолио. Первые 30–50 откликов дадут реальный фидбэк: что не хватает, какие вопросы задают на техническом этапе.
- Обновите резюме: конкретные инструменты (SQL, Power BI, Python) в первых двух строках
- GitHub с кодом проектов — обязательно
- LinkedIn или hh.ru с открытым статусом «ищу работу»
- Профессиональные Telegram-каналы по аналитике — там часто постят вакансии и тестовые задания
BI-аналитик или продуктовый аналитик: что выбрать
Выбор специализации влияет на стек и на тип компаний, где вы будете работать.
BI-аналитик — это человек дашбордов и отчётов. Работает в тесной связке с бизнесом: маркетологами, финансистами, операционным отделом. Задачи — чаще плановые и предсказуемые. Технический порог ниже: SQL + Power BI закрывают большинство задач. Подходит, если хотите видеть связь между данными и бизнес-решениями, а не разбираться в коде.
Продуктовый аналитик — это человек метрик и экспериментов. Работает внутри продуктовой команды рядом с Product Manager и разработчиками. Задачи чаще нерегулярные: провести исследование, объяснить аномалию, оценить гипотезу. Требует понимания статистики и Python на уровне выше среднего. Зарплаты на 10–20% выше BI на том же грейде.
Если нет чёткого предпочтения — начните с BI. Дашборды и SQL-запросы дают понятный, измеримый результат быстро. Потом можно сдвинуться в продуктовую аналитику, добавив статистику и Python.
Как выбрать курс по аналитике данных
Рынок онлайн-образования предлагает десятки программ по аналитике от 30 до 200 тысяч рублей. Разница в цене не всегда означает разницу в качестве.
На что смотреть перед покупкой:
- Есть ли в программе реальные проекты с реальными данными — не синтетические задачи из учебника
- Конкретна ли программа: по каждому модулю прописаны темы и инструменты, а не абстрактные «навыки работы с данными»
- Кто преподаёт — практикующий аналитик или только педагог без опыта в индустрии
- Что за помощь с трудоустройством: конкретные цифры или «наши выпускники работают в топ-компаниях»
- Есть ли бесплатный вводный урок или демо-доступ
Сравнить актуальные программы по аналитике данных по цене, формату и отзывам можно в каталоге курсов по аналитике на Progbasics. В разделе курсов по SQL — программы именно для начинающих аналитиков.
Если бюджет ограничен, рабочая стратегия: SQL учить бесплатно через SQLBolt или Mode Analytics, Power BI — через официальные бесплатные видео Microsoft, Python — через бесплатный курс Stepik «Поколение Python». Деньги тратить только на то, что даёт куратора и живую обратную связь — это нельзя заменить видеозаписями.
С чего начать прямо сейчас
Три действия, которые можно сделать сегодня:
- Зайдите на sqlzoo.net или SQLBolt — решите первые 5 задач. Это займёт 30–40 минут и даст понять, насколько SQL кажется понятным лично вам.
- Скачайте Power BI Desktop (бесплатно). Подключите любой Excel-файл с данными и попробуйте построить простую гистограмму.
- Найдите 2–3 вакансии Junior Data Analyst на hh.ru и посмотрите, какие инструменты требуют. Это покажет реальные ожидания рынка в вашем городе.
Аналитика данных — профессия, где прогресс виден быстро: уже через месяц SQL-запросы, которые казались непонятными, становятся рабочим инструментом. Это снижает тревогу и помогает двигаться дальше без иллюзий о «магическом» курсе, который сделает всё за вас.
Комментарии