Кто такой аналитик данных и как им стать

читать
12–17 мин
опубликована
разделов
12

Конверсия интернет-магазина за месяц упала с 3,1% до 2,6%. Маркетинг винит сайт, разработка винит рекламу, а директор хочет знать правду до планёрки. Ответ даст тот, кто умеет быстро достать нужные данные, разложить их по сегментам и найти настоящую причину. Это и есть работа аналитика данных.

Компании хотят принимать решения на основе цифр, а не догадок, поэтому аналитики нужны и банкам, и ритейлу, и производству. На 15 ноября 2026 года на HireHi было открыто 887 вакансий аналитиков данных в России. Из них 198 появились за предыдущие семь дней. Разберём, кто такой аналитик данных, какие задачи он решает и какими инструментами пользуется. Покажем на примере, как выглядит анализ, и соберём план, как войти в профессию с нуля.

Коротко:

  • Аналитик данных собирает и проверяет данные, ищет в них закономерности и превращает их в выводы для бизнеса.
  • Базовый набор инструментов: SQL, Excel, BI-система и Python. SQL упоминают 68% вакансий.
  • Большинство вакансий рассчитаны на middle и senior, но для новичков есть стажировки и junior-позиции.
  • Высшее образование не главное: технический, математический или экономический диплом прямо требуют в 23% вакансий.

Кто такой аналитик данных простыми словами

Аналитик данных отвечает на вопросы бизнеса с помощью цифр. Он находит нужные данные в базах и таблицах, проверяет их на ошибки, считает показатели и объясняет, что из них следует. Результат его работы выглядит как отчёт, дашборд или короткий вывод с рекомендацией.

Главное в профессии даже не техника, а умение задать правильный вопрос. Запрос «посчитай продажи» мало что даёт. Запрос «почему продажи в регионах растут медленнее, чем в Москве» уже ведёт к решению. Хороший аналитик сначала выясняет, какое решение примут по его цифрам, и только потом пишет запрос к базе.

В английском варианте профессия называется data analyst, и в вакансиях встречаются оба названия. На HireHi слова «аналитик данных» стоят в названии 237 российских вакансий, data analyst ещё в 43.

Чем занимается аналитик данных

Аналитик данных выгружает данные из баз, очищает их от ошибок и дублей, считает метрики, проверяет гипотезы и показывает результат в отчётах и дашбордах. Регулярная часть работы связана с отчётностью, разовая с исследованиями по конкретному вопросу. Обе части видны в вакансиях: дашборды и отчётность упоминают 77% текстов.

Любая аналитическая задача проходит примерно одинаковый путь:

ШагЧто делает аналитикЧем пользуется
Постановка вопросаВыясняет, какое решение примут по результату и какие метрики нужныРазговор с заказчиком
Сбор данныхНаходит источники и выгружает нужные поляSQL, хранилище данных, API
ОчисткаУбирает дубли и пропуски, проверяет аномалииSQL, Python, Excel
АнализСчитает метрики, сравнивает сегменты, проверяет гипотезыPython, статистика, Excel
ВизуализацияСтроит графики и дашбордыPower BI, Tableau, Superset, DataLens
ВыводФормулирует ответ и рекомендацию простым языкомПрезентация, записка, встреча

Сбор и очистка данных часто занимают больше времени, чем сам анализ. В реальных базах встречаются дубли, разные форматы дат и пропущенные значения. Если пропустить проверку, красивый дашборд покажет неверные цифры. О том, как быстро находить выбросы, есть отдельный разбор аномалий в данных.

Вторая постоянная задача связана с метриками. Аналитик договаривается, как считать выручку, активных пользователей или отток, и следит, чтобы все отделы смотрели на одни и те же цифры. Метрики продукта и бизнеса упоминают 39% вакансий, статистику и проверку гипотез 34%.

Задачи аналитика данных в разных отраслях

Методы у аналитиков похожи, а вопросы зависят от бизнеса. В таблице типичные задачи по отраслям, которые часто встречаются в вакансиях.

ОтрасльТипичный вопросС какими данными работает аналитик
БанкКакие клиенты скоро перестанут пользоваться картойТранзакции, обращения в поддержку, продукты клиента
Розничная торговляКакие товары убрать с полки и где поднять ценуЧеки, остатки, цены конкурентов
МаркетплейсПочему продавцы уходят на другую площадкуЗаказы, комиссии, рейтинги, отзывы
ПроизводствоНа каком участке растёт бракДанные датчиков, журналы смен, контроль качества
Онлайн-сервисПомогла ли новая функция удержать пользователейСобытия в приложении, подписки, когорты
ЛогистикаКак сократить время доставки без новых машинМаршруты, заказы, загрузка складов

Поэтому при смене отрасли аналитику приходится заново изучать бизнес, даже если инструменты те же. Знание отрасли часто становится его главным преимуществом перед кандидатами с похожим набором навыков.

Пример: почему упала конверсия магазина

Вернёмся к магазину из начала статьи. Посмотрим, как аналитик разбирает падение конверсии по шагам. Цифры в примере условные.

Сначала он проверяет, не сломался ли учёт: совпадает ли число заказов в аналитике и в базе заказов. Число заказов совпадает. Теперь нужно так же проверить учёт визитов, которые стоят в знаменателе конверсии. Затем он делит трафик по устройствам и смотрит конверсию в каждом сегменте за два месяца.

СегментДоля трафика, сентябрьДоля трафика, октябрьКонверсия, сентябрьКонверсия, октябрь
Компьютеры50%30%4,2%4,2%
Смартфоны50%70%2,0%1,9%
Итого100%100%3,1%2,6%

Картина меняется. Конверсия на компьютерах не изменилась, на смартфонах почти не изменилась. Большую часть падения объясняет структура трафика: доля мобильных посетителей выросла с 50% до 70%. Небольшое снижение конверсии на смартфонах стоит проверить отдельно.

Дальше аналитик ищет, откуда пришли новые мобильные посетители. Выясняется, что маркетинг запустил рекламу в социальной сети, где почти весь трафик мобильный. Вывод для директора звучит так: из новой кампании пришло больше мобильных посетителей. Прежде чем менять сайт или отключать рекламу, нужно сравнить конверсию, расходы и выручку по каналам.

Такой эффект, когда общая цифра ведёт себя иначе, чем сегменты, встречается постоянно. Подробнее о нём рассказано в статье о парадоксе Симпсона. Ниже пример запроса к таблице, где каждая строка соответствует одному визиту. Поле order_id заполнено только для визитов с заказом.

SELECT device_type,
       date_trunc('month', visit_date) AS month,
       count(*) AS visits,
       count(order_id) AS orders,
       round(100.0 * count(order_id) / count(*), 1) AS conversion
FROM visits
GROUP BY device_type, month
ORDER BY month, device_type;

Пример: дал ли эффект A/B-тест

Вторая типичная задача связана с экспериментами. Продуктовая команда поменяла кнопку оформления заказа и показала новую версию половине посетителей. Через две недели она просит аналитика подтвердить успех. Цифры снова условные.

ГруппаПосетителейЗаказовКонверсия
A, старая кнопка10 0005005,0%
B, новая кнопка10 0005405,4%

На первый взгляд новая кнопка лучше на 0,4 процентного пункта. Аналитик проверяет, не случайна ли разница. Стандартный тест для двух долей даёт p-value около 0,2. Если кнопка не влияет на конверсию, разница такой величины или больше возникнет примерно в одном из пяти подобных экспериментов.

Вывод для команды звучит так: данных пока недостаточно. Для нового теста с эффектом 0,4 пункта при исходной конверсии 5% ориентир составляет около 48 тысяч посетителей на группу. Это расчёт для двусторонней проверки с уровнем значимости 5% и мощностью 80%. При обычном тесте аналитик заранее определяет объём выборки и момент итоговой оценки.

Виды аналитиков данных

Аналитики данных различаются по тому, с какими данными и для какого отдела работают. Набор инструментов у всех похожий, а метрики и заказчики разные. По названиям вакансий на HireHi в России чаще всего ищут BI-аналитиков и маркетинговых аналитиков.

НаправлениеВакансий по названиюКакие вопросы решает
BI-аналитик и аналитик отчётности89Строит регулярную отчётность и дашборды для руководства
Маркетинговый аналитик66Оценивает рекламные каналы, кампании и клиентскую базу
Финансовый и риск-аналитик33Анализирует доходы, расходы, кредитные риски
Операционный аналитик33Логистика, склады, закупки, загрузка мощностей
Аналитик ценообразования32Подбирает цены и скидки, считает эластичность спроса
Продуктовый аналитик27Изучает поведение пользователей и эффект новых функций
HR-аналитик22Текучесть, найм, вовлечённость сотрудников

Отдельно стоит аналитик больших данных. Он работает с объёмами, которые не помещаются в обычную базу, и пользуется распределёнными системами вроде Spark и Hadoop. Такие навыки упоминают 16% вакансий, чаще в банках, телекоме и крупных маркетплейсах.

Аналитик данных, data scientist и data engineer

Эти три профессии работают с данными, но отвечают за разное. Аналитик объясняет, что произошло и почему. Data scientist строит модели, которые предсказывают будущее. Data engineer строит инфраструктуру, по которой данные приходят к первым двум.

РольГлавный вопросОсновные инструментыРезультат
Аналитик данныхЧто произошло и почемуSQL, Excel, BI, PythonОтчёты, дашборды, выводы
Data scientistЧто произойдёт и как на это повлиятьPython, машинное обучение, статистикаМодели прогнозов и рекомендаций
Data engineerКак надёжно доставить и хранить данныеSQL, Python, Airflow, Spark, хранилищаПайплайны и витрины данных

Границы размыты. В 10% вакансий аналитиков данных упоминают машинное обучение, а в 32% подготовку данных и ETL. Многие аналитики со временем уходят в data science или в инженерию данных, и опыт аналитики там помогает.

Ещё одна похожая профессия называется бизнес-аналитик. Он чаще работает с процессами и требованиями, чем с базами данных. Разница подробно разобрана в статьях о бизнес-аналитике и системном аналитике.

Инструменты аналитика данных

Основные инструменты аналитика данных: SQL для выгрузки, Excel или Google Таблицы для быстрых расчётов, BI-система для дашбордов и Python для сложной обработки. Мы посчитали, как часто их называют в 887 вакансиях на HireHi на 15 ноября 2026 года. Одна вакансия может попасть в несколько строк.

ИнструментВакансийДоля
SQL и базы данных60368%
Excel и Google Таблицы47954%
BI-системы (любые)46953%
Python42948%
Power BI24428%
Tableau11313%
ClickHouse11213%
Superset8910%
Git627%
DataLens556%

SQL остаётся обязательным минимумом: без него не получить данные из базы. Excel никуда не делся, на нём держатся быстрые сверки и расчёты для руководителей. Среди BI-систем лидирует Power BI, хотя российские компании всё чаще переходят на Superset и DataLens.

Python нужен не во всех вакансиях, но открывает доступ к более сложным задачам. С ним проще автоматизировать отчёты, обработать большой файл или проверить статистическую гипотезу. Для старта хватит библиотеки pandas и умения работать в Jupyter.

Какие навыки нужны аналитику данных

Кроме инструментов, аналитику нужны знания статистики и понимание бизнеса. Без статистики легко принять случайное колебание за тренд. Без понимания бизнеса легко посчитать то, что никому не нужно.

  • Статистика: среднее и медиана, распределения, доверительные интервалы, корреляция.
  • A/B-тесты: как спланировать эксперимент и понять, значим ли результат. Их упоминают 15% вакансий.
  • Метрики: выручка, конверсия, удержание, средний чек, LTV, юнит-экономика.
  • Коммуникация: объяснить вывод человеку без технического образования за пять минут.
  • Скепсис к данным: проверять источник, прежде чем строить выводы.

Как аналитик формулирует вывод

Самый недооценённый навык аналитика связан с подачей результата. Руководитель читает вывод за минуту между встречами. Если в нём нет ответа и следующего шага, исследование пропадает зря.

Слабо: «Конверсия в октябре составила 2,6%, в сентябре 3,1%. Доля мобильного трафика 70%. Конверсия на смартфонах 1,9%».

Сильнее: «Сайт работает как раньше. Конверсия упала из-за новой рекламы в соцсети, она приводит мобильных посетителей, которые покупают в два с лишним раза реже. Предлагаю сравнить стоимость этой рекламы с выручкой от неё и решить, оставлять ли канал».

Во втором варианте сначала ответ, потом причина и действие. Цифры остаются в приложении для тех, кто захочет проверить расчёт.

Отдельный растущий навык связан с ИИ. Языковые модели и нейросети упоминают 17% вакансий аналитиков данных. Работодатели ждут, что аналитик умеет ускорять с их помощью написание запросов и обработку текстов, но сам проверяет результат.

Что требуют в вакансиях аналитика данных

Рынок ищет в основном специалистов с опытом. Из 887 вакансий в России 388 рассчитаны на middle и 305 на senior. Для новичков есть 53 вакансии уровня junior и 32 стажировки.

Минимальный стаж назван в 325 вакансиях. Чаще всего просят два года, почти так же часто три, на третьем месте один год. Офисных вакансий 355, гибридных 314, удалённых 218. Больше всего предложений в Москве: 572 из 887.

Задачи и требования в вакансии аналитика данных на HireHi
Задачи и требования в вакансии аналитика данных производственной компании

На скриншоте вакансия производственной компании. В задачах обработка данных подразделения, статистические и прогнозные модели и автоматизация отчётности. В требованиях Power Query и построение моделей данных. Так выглядит типичная middle-позиция, где от аналитика ждут и регулярных отчётов, и самостоятельных исследований.

Лента вакансий аналитиков данных в России на HireHi
Лента вакансий аналитиков данных в России с фильтрами по грейду и формату

Все открытые предложения собраны в ленте вакансий аналитиков данных, их можно отфильтровать по грейду, формату и городу. Несколько свежих вакансий:

Как стать аналитиком данных с нуля

Ниже пример учебного плана на год. Если вы уже работаете с таблицами, часть первого этапа можно пройти быстрее. Переходите дальше, когда можете выполнить задачу из последней колонки самостоятельно.

ЭтапЧто изучатьРезультат
Месяцы 1–2Excel: формулы, сводные таблицы, графики. Основы статистикиМожете посчитать и показать базовые метрики
Месяцы 3–4SQL: выборки, соединения, группировки, оконные функцииСамостоятельно достаёте данные из учебной базы
Месяцы 5–6Одна BI-система и основы визуализацииСобираете дашборд по открытому набору данных
Месяцы 7–9Python и pandas, A/B-тесты, метрики продуктаПроводите небольшое исследование от вопроса до вывода
Месяцы 10–12Портфолио, резюме, тестовые заданияОтклики на стажировки и junior-вакансии

Портфолио для аналитика важнее сертификата. Хватит двух-трёх проектов, где виден весь путь: вопрос, данные, анализ, вывод. Возьмите открытые данные о ценах на жильё, поездках такси или продажах и ответьте на конкретный вопрос. Выложите код и короткое описание результата.

Несколько идей для учебных проектов:

  • Анализ цен на жильё: от чего зависит стоимость квадратного метра в разных районах.
  • Когортный анализ подписочного сервиса на открытых данных: через сколько месяцев уходит половина пользователей.
  • Дашборд продаж для условного магазина с фильтрами по категориям, регионам и месяцам.
  • Разбор учебного A/B-теста с выводом, можно ли доверять результату.

Работодатель смотрит не на сложность модели, а на ход мысли. Короткое описание в начале проекта должно отвечать на три вопроса: что спрашивали, что сделали и какое решение из этого следует.

Многие приходят в аналитику изнутри компании. Специалист по продажам, маркетингу или финансам уже знает бизнес и данные своего отдела. Если он освоит SQL и BI, его часто переводят на позицию аналитика без внешнего поиска.

Перед собеседованием полезно пройтись по типовым вопросам и задачам на SQL. Они собраны в разборе вопросов на собеседовании аналитика данных. А где искать первые вакансии и стажировки, рассказано в статье где искать работу аналитику данных.

Покажите проекты и инструменты в резюме

HireHi проверит резюме аналитика и подскажет, каких навыков из вакансий не хватает в описании опыта и проектов.

Проверить резюме

Как растёт аналитик данных

Junior выполняет готовые задачи по образцу: выгрузки, обновление отчётов, простые расчёты. Middle сам ведёт исследование от вопроса до вывода и отвечает за свой участок метрик. Senior выбирает, какие вопросы важнее для бизнеса, проектирует метрики и наставляет коллег.

УровеньПример задачиЗа что отвечает
JuniorОбновить еженедельный отчёт по продажам и проверить расхожденияТочность своих расчётов
MiddleВыяснить, почему падает повторная покупка, и предложить решениеИсследование целиком и свой набор метрик
SeniorВыстроить систему метрик нового направления и план экспериментовКакие вопросы важны для бизнеса и качество работы команды

Дальше путь разветвляется. Можно стать руководителем группы аналитики, уйти в продуктовую аналитику, в data science или в инженерию данных. Вакансий уровня lead и head среди аналитиков данных в России на HireHi 109. Сравнить уровень дохода на разных этапах можно на странице зарплат аналитиков данных.

Итог

  • Аналитик данных отвечает на вопросы бизнеса цифрами: собирает, очищает и анализирует данные, а затем объясняет вывод.
  • Больше всего времени уходит на подготовку данных, а самое ценное в работе это правильно поставленный вопрос.
  • Минимальный набор инструментов: SQL, Excel и BI-система, вторым шагом Python.
  • Рынок ищет в основном middle и senior, но для старта есть стажировки и junior-вакансии.
  • Чтобы подготовиться к первым откликам, соберите портфолио проектов с понятным вопросом, проверкой исходных данных и выводом.

часто задаваемые вопросы

На старте достаточно SQL и Excel: с ними работают в большинстве вакансий. Python упоминают в 48% вакансий, поэтому его стоит изучить вторым шагом. Сложное программирование и разработка сервисов для аналитика не обязательны.

Нужна база статистики, а не высшая математика. Важно понимать, чем медиана отличается от среднего, что такое выборка и когда разница между группами случайна. Глубокая математика больше нужна в data science.

Да, но удалённых вакансий меньше, чем кажется: 218 из 887. Ещё 314 вакансий предлагают гибрид. Новичкам удалёнку найти сложнее, потому что на старте важны наставник и быстрые ответы команды.

Пока ИИ скорее меняет работу, чем заменяет её. Он ускоряет написание запросов и черновую обработку, но не знает контекста бизнеса и может ошибаться в цифрах. Работодатели ищут аналитиков, которые умеют пользоваться ИИ и проверять его результат.

Аналитик данных работает с цифрами: базами, метриками, отчётами. Бизнес-аналитик изучает процессы компании и формулирует требования к изменениям и системам. Навыки пересекаются, но в работе аналитика данных больше SQL, а у бизнес-аналитика больше схем процессов и общения с заказчиками.

ещё полезные статьи