.svg)
.svg)
Python vs Excel для аналитика данных: что быстрее освоить джуну и что чаще требуют в вакансиях
В 2025 году вопрос «с чего начать — с Python или Excel?» задаёт себе каждый, кто хочет войти в аналитику данных. Оба инструмента нужны, но приоритеты расставить необходимо. На hh.ru сейчас открыто около 10 000 вакансий для аналитиков данных, и требования в них сильно различаются. Одни работодатели просят «уверенный Excel и SQL», другие — «Python, Pandas, BI-инструменты». Эта статья даст конкретный ответ: что учить первым, сколько времени это займёт и как это повлияет на вашу зарплату.
1. Рынок труда для аналитиков данных в 2025 году
Общая картина
| Показатель | Значение (2025) |
|---|---|
| Количество вакансий на hh.ru | ~10 000 |
| Рост числа вакансий с 2018 года | В 4 раза |
| Средняя зарплата | 148 000–222 000 ₽ |
| Зарплата в Москве | От 200 000 ₽ |
| Зарплата в регионах | 80 000–145 000 ₽ |
| Доля удалённых/гибридных вакансий | 60–70% |
Зарплаты по грейдам
| Грейд | Опыт | Средняя зарплата | Ключевые навыки |
|---|---|---|---|
Junior | 0–1 год | 70 000–100 000 ₽ | Excel, базовый SQL |
Middle | 2–4 года | 150 000–200 000 ₽ | SQL, Python/R, BI-инструменты |
Senior | 4–6+ лет | 250 000–350 000 ₽ | ML, управление проектами, бизнес-экспертиза |
Lead | 6+ лет | 300 000–500 000+ ₽ | Всё вышеперечисленное + управление командой |
Что изменилось за последние годы
| Тренд | Описание |
|---|---|
| Рост требований к Python | С 45% в 2020 до 61% в 2024 году |
| BI-инструменты стали обязательными | 45% вакансий требуют Power BI/Tableau |
| Excel остаётся базовым | Но уже недостаточен для middle+ позиций |
| SQL — главный навык | 83–95% вакансий требуют SQL |
| Появление требований к ML | Senior-позиции всё чаще включают базовое ML |
2. Excel для аналитика: возможности, ограничения, когда достаточно
Что умеет Excel
Excel — это не просто таблицы. Для аналитика важны следующие возможности:
Базовые функции:
Формулы и функции (СУММ, СРЗНАЧ, СЧЁТ, ЕСЛИ)
Условное форматирование
Фильтрация и сортировка
Диаграммы и графики
Продвинутые функции:
ВПР/VLOOKUP и ГПР/HLOOKUP — поиск данных по таблицам
ИНДЕКС/ПОИСКПОЗ — более гибкий аналог ВПР
СУММЕСЛИМН, СЧЁТЕСЛИМН — условные агрегации
Сводные таблицы (Pivot Tables) — мощный инструмент анализа
Power Query — ETL внутри Excel
Power Pivot — работа с моделями данных
Макросы и VBA — автоматизация
Возможности Excel для аналитика
| Возможность | Описание | Уровень сложности |
|---|---|---|
| Сводные таблицы | Агрегация данных по любым измерениям | Средний |
| ВПР/ПРОСМОТРХ | Объединение данных из разных таблиц | Средний |
| Power Query | Импорт, очистка и трансформация данных | Продвинутый |
| Power Pivot | Создание моделей данных с DAX | Продвинутый |
| Дашборды | Визуализация ключевых метрик | Средний |
| What-If анализ | Сценарное моделирование | Средний |
| Solver | Оптимизационные задачи | Продвинутый |
| VBA-макросы | Автоматизация рутинных задач | Продвинутый |
Ограничения Excel
| Ограничение | Значение | Последствие |
|---|---|---|
| Максимум строк | 1 048 576 | Невозможно работать с Big Data |
| Максимум столбцов | 16 384 | Ограничение ширины данных |
| Скорость | Замедление при >100К строк | Потеря продуктивности |
| Воспроизводимость | Сложно отследить изменения | Ошибки в отчётах |
| Масштабирование | Ручная работа не масштабируется | Предел роста |
| Версионность | Нет встроенной системы версий | Конфликты при совместной работе |
Когда Excel достаточно
Excel — правильный выбор в следующих случаях:
| Ситуация | Почему Excel подходит |
|---|---|
| Данных меньше 100 000 строк | Работает быстро и стабильно |
| Быстрый adhoc-анализ | Не нужно писать код |
| Презентация руководству | Все понимают Excel-файлы |
| Финансовое моделирование | Исторически сложившийся стандарт |
| Небольшая компания без IT | Не требует инфраструктуры |
| Прототипирование | Быстрее проверить гипотезу |
Реальный пример эффективности Excel
Финансовый директор производственной компании:
«Квартальный анализ занимал две недели работы трёх специалистов. Внедрив систему анализа в Excel с использованием ВПР и сводных таблиц, время сократилось до двух дней. Теперь ежеквартально экономим 80+ человеко-часов.»
90% пользователей Excel не знают его возможности
По статистике, 90% пользователей Excel не используют сводные таблицы. Это значит, что освоив только этот инструмент, вы уже выделяетесь среди большинства.
Минимум, который должен знать аналитик в Excel:
Сводные таблицы (Pivot Tables)
ВПР/VLOOKUP и ПРОСМОТРХ/XLOOKUP
Условные функции (СУММЕСЛИМН, СЧЁТЕСЛИМН)
Power Query для ETL
Базовая визуализация
3. Python для аналитика: зачем нужен и что даёт
Почему Python стал стандартом
Python — один из самых популярных языков программирования для аналитики данных. Причины:
| Преимущество | Описание |
|---|---|
| Простой синтаксис | Читается почти как английский текст |
| Огромное сообщество | Ответ на любой вопрос есть на Stack Overflow |
| Богатая экосистема | Тысячи библиотек для любых задач |
| Универсальность | От веб-скрапинга до машинного обучения |
| Востребованность | 84% вакансий Data Scientist требуют Python |
| Масштабируемость | Работает с данными любого размера |
Ключевые библиотеки Python для аналитика
| Библиотека | Назначение | Аналог в Excel |
|---|---|---|
Pandas | Работа с таблицами | Сводные таблицы + Power Query |
NumPy | Математические вычисления | Формулы |
Matplotlib | Базовые графики | Диаграммы |
Seaborn | Статистическая визуализация | — |
Plotly | Интерактивные графики | — |
Scikit-learn | Машинное обучение | — |
Requests | Работа с API | Power Query (частично) |
BeautifulSoup | Веб-скрапинг | — |
Pandas — главный инструмент аналитика
Pandas — это «швейцарский нож» для манипуляций с данными в Python. Библиотека построена поверх NumPy, что обеспечивает высокую производительность.
Что умеет Pandas:
Загрузка данных из любых источников (CSV, Excel, SQL, JSON, API)
Фильтрация и сортировка
Группировка и агрегация (аналог сводных таблиц)
Объединение таблиц (аналог ВПР)
Очистка данных от дубликатов и пропусков
Создание новых колонок на основе расчётов
Работа с временными рядами
Экспорт в любые форматы
Пример: сводная таблица в Pandas (3 строки кода):
python import pandas as pd df = pd.read_csv('sales.csv') df.groupby('region')['revenue'].sum()
Преимущества Python над Excel
| Аспект | Python | Excel |
|---|---|---|
| Размер данных | Ограничен только RAM | До 1 млн строк |
| Скорость обработки | В 10–100 раз быстрее на больших данных | Замедляется |
| Воспроизводимость | Код можно запустить повторно | Ручные действия теряются |
| Автоматизация | Полная автоматизация пайплайнов | Ограничена VBA |
| Версионность | Git для контроля изменений | Отсутствует |
| Масштабирование | Легко перенести на сервер | Только локально |
| Machine Learning | Полная поддержка | Отсутствует |
| Работа с API | Встроенная поддержка | Очень ограничена |
Когда Python необходим
| Ситуация | Почему нужен Python |
|---|---|
| Данных больше 1 млн строк | Excel не справится |
| Ежедневные/еженедельные отчёты | Автоматизация экономит время |
| Работа с несколькими источниками | Удобное объединение данных |
| Предиктивная аналитика | ML-модели |
| A/B-тестирование | Статистические тесты |
| Работа в команде | Код можно ревьюить и версионировать |
| Карьерный рост до Middle+ | Обязательное требование |
4. Полное сравнение Excel и Python: 25 критериев
Таблица сравнения
| № | Критерий | Excel | Python | Победитель |
|---|---|---|---|---|
| 1 | Порог входа | Низкий | Средний | Excel |
| 2 | Время на базовое освоение | 2–4 недели | 2–4 месяца | Excel |
| 3 | Интуитивность | Высокая | Средняя | Excel |
| 4 | Работа с малыми данными (<10К строк) | Отлично | Хорошо | Excel |
| 5 | Работа со средними данными (10К–100К) | Хорошо | Отлично | Python |
| 6 | Работа с большими данными (>1М) | Невозможно | Отлично | Python |
| 7 | Скорость обработки больших файлов | Медленно | Быстро | Python |
| 8 | Воспроизводимость анализа | Плохо | Отлично | Python |
| 9 | Автоматизация | VBA (сложно) | Легко | Python |
| 10 | Версионность | Отсутствует | Git | Python |
| 11 | Командная работа | Конфликты | Удобно | Python |
| 12 | Машинное обучение | Нет | Полная поддержка | Python |
| 13 | Статистический анализ | Базовый | Продвинутый | Python |
| 14 | Визуализация (простая) | Хорошо | Хорошо | Ничья |
| 15 | Визуализация (сложная) | Ограничено | Отлично | Python |
| 16 | Работа с API | Очень ограничено | Отлично | Python |
| 17 | Веб-скрапинг | Нет | Отлично | Python |
| 18 | ETL-процессы | Power Query | Pandas | Ничья |
| 19 | Интеграция с BI | Ограничено | Отлично | Python |
| 20 | Презентация результатов | Отлично | Средне | Excel |
| 21 | Понятность для бизнеса | Высокая | Низкая | Excel |
| 22 | Стоимость | Платная лицензия | Бесплатно | Python |
| 23 | Кроссплатформенность | Windows-центричен | Везде | Python |
| 24 | Требования в вакансиях Junior | 70%+ | 30–40% | Excel |
| 25 | Требования в вакансиях Middle+ | 50% | 80%+ | Python |
Итог: Excel — 8, Python — 14, Ничья — 3
Что это значит
Excel выигрывает в доступности, простоте и понятности для бизнеса. Python — в мощности, масштабируемости и карьерных перспективах. Для junior-позиций достаточно Excel, для роста до middle и выше — нужен Python.
5. Что быстрее освоить: реальные сроки обучения
Время освоения Excel
| Уровень | Навыки | Время | Часов в неделю |
|---|---|---|---|
Базовый | Формулы, фильтры, диаграммы | 1–2 недели | 10–15 |
Средний | ВПР, сводные таблицы, СУММЕСЛИМН | 2–4 недели | 10–15 |
Продвинутый | Power Query, Power Pivot | 1–2 месяца | 8–10 |
Эксперт | VBA, сложные модели | 3–6 месяцев | 8–10 |
Для работы аналитиком достаточно среднего уровня: 3–6 недель при регулярных занятиях.
Время освоения Python для аналитики
| Уровень | Навыки | Время | Часов в неделю |
|---|---|---|---|
Синтаксис | Переменные, циклы, функции | 2–4 недели | 10–15 |
Pandas базовый | Чтение файлов, фильтрация, группировка | 1–2 месяца | 10–15 |
Pandas продвинутый | Merge, pivot, временные ряды | 1–2 месяца | 8–10 |
Визуализация | Matplotlib, Seaborn, Plotly | 2–4 недели | 8–10 |
Полный стек | + NumPy, статистика, базовый ML | 4–7 месяцев | 10–15 |
Для работы аналитиком нужен уровень «Pandas продвинутый»: 3–5 месяцев.
Сравнение сроков обучения
| Инструмент | До уровня Junior | До уровня Middle |
|---|---|---|
| Excel | 3–6 недель | 2–3 месяца |
| Python (для аналитики) | 2–4 месяца | 5–8 месяцев |
| SQL | 1–2 месяца | 3–4 месяца |
| BI (Power BI/Tableau) | 1–2 месяца | 2–3 месяца |
Факторы, влияющие на скорость обучения
| Фактор | Ускоряет | Замедляет |
|---|---|---|
| Предыдущий опыт | Любой опыт программирования | Нет технического бэкграунда |
| Английский язык | Средний+ уровень | Только русскоязычные ресурсы |
| Цель обучения | Конкретный проект | Абстрактное «выучить Python» |
| Практика | Реальные данные | Только теория |
| Регулярность | Каждый день по 1–2 часа | Раз в неделю по 8 часов |
Рекомендуемая нагрузка
| Подход | Часов в неделю | Срок до Junior | Комментарий |
|---|---|---|---|
| Интенсивный | 20–30 | 2–3 месяца | Подходит для буткемпов |
| Оптимальный | 10–15 | 4–6 месяцев | Совмещение с работой |
| Минимальный | 5–7 | 8–12 месяцев | Риск потери мотивации |
6. Статистика требований в вакансиях: цифры и факты
Частота упоминания навыков в вакансиях аналитика данных (2024)
| Навык | % вакансий | Тренд |
|---|---|---|
SQL | 83–95% | Стабильно высокий |
Python | 61–84% | Растёт |
Excel | 50–70% | Стабильный |
BI-инструменты | 45% | Растёт |
R | 15–25% | Снижается |
Power Query/Power Pivot | 20–30% | Растёт |
Машинное обучение | 25–35% | Растёт (для senior) |
Требования по грейдам
Junior Data Analyst:
| Навык | Частота требования | Уровень |
|---|---|---|
| Excel | 80–90% | Уверенный |
| SQL | 70–80% | Базовый |
| Python | 30–40% | Желательно |
| BI | 20–30% | Базовый |
Middle Data Analyst:
| Навык | Частота требования | Уровень |
|---|---|---|
| SQL | 95%+ | Продвинутый |
| Python | 70–80% | Уверенный |
| Excel | 60–70% | Продвинутый |
| BI | 50–60% | Уверенный |
| A/B-тесты | 40–50% | Понимание |
Senior Data Analyst:
| Навык | Частота требования | Уровень |
|---|---|---|
| SQL | 95%+ | Эксперт |
| Python | 85–90% | Продвинутый |
| BI | 70–80% | Продвинутый |
| ML | 40–50% | Базовый |
| Менторство | 30–40% | Опыт |
Реальные примеры из вакансий 2025 года
Пример 1: Junior-позиция (Москва, 95 000 ₽)
Компания «Доброград» ищет специалиста:
Знание Python и T-SQL
Понимание принципов ETL
Умение строить сводные таблицы в Excel
Power BI и DAX — преимущество
Пример 2: Middle-позиция (Газпромбанк, от 200 000 ₽)
SQL на уровне формирования сложных запросов
Глубокое понимание принципов построения Data Warehouse
Анализ данных с помощью Python
Опыт работы с BI-инструментами
Опыт работы от 2 лет
Пример 3: Senior-позиция (Яндекс, от 300 000 ₽)
Опыт в аналитике от 4 лет
Продвинутый SQL и Python
Опыт A/B-тестирования
Понимание статистики и ML
Навыки презентации результатов
Что чаще требуют: Excel или Python?
| Уровень позиции | Excel | Python | Что важнее |
|---|---|---|---|
| Intern/Trainee | 90% | 20% | Excel |
| Junior | 80% | 35% | Excel |
| Middle | 65% | 75% | Python |
| Senior | 50% | 90% | Python |
| Lead | 40% | 85% | Python |
Вывод: Для входа в профессию важнее Excel, для роста — Python.
7. Как навыки влияют на зарплату: конкретные числа
Разница в зарплатах в зависимости от навыков
| Набор навыков | Типичная позиция | Зарплата (Москва) |
|---|---|---|
| Только Excel | Junior analyst | 60 000–80 000 ₽ |
| Excel + SQL | Junior+ analyst | 80 000–120 000 ₽ |
| Excel + SQL + базовый Python | Middle analyst | 120 000–180 000 ₽ |
| Excel + SQL + Python + BI | Middle+ analyst | 180 000–250 000 ₽ |
| Всё выше + ML | Senior analyst | 250 000–350 000 ₽ |
Во сколько раз вырастет зарплата
| Переход | Примерный рост | Требуемое время |
|---|---|---|
| Только Excel → Excel + SQL | +30–50% | 2–3 месяца |
| Excel + SQL → + Python | +40–60% | 4–6 месяцев |
| Middle → Senior (+ ML, лидерство) | +50–80% | 2–3 года |
Реальные примеры карьерного роста
Кейс 1:
«Джуниоры в 2020 году получали 70–85 тысяч. Сейчас двое из них получают 220 и 240 тысяч соответственно. Один сфокусировался на машинном обучении и Python, второй — на бизнес-аналитике и визуализации данных.» — Руководитель отдела аналитики
Кейс 2:
«Аналитик, который владеет только Excel, имеет меньше шансов на высокий доход, чем тот, кто уверенно работает с языками программирования, системами визуализации и языками анализа данных.» — HR-директор IT-компании
Зарплатные надбавки за отдельные навыки
| Навык | Надбавка к базовой зарплате |
|---|---|
| Python (Pandas, NumPy) | +25–40% |
| SQL (продвинутый) | +15–25% |
| Power BI / Tableau | +15–20% |
| A/B-тестирование | +10–15% |
| Машинное обучение | +30–50% |
| Знание домена (финтех, фарма) | +15–30% |
Сколько можно зарабатывать в 2025 году
| Профиль | Зарплата в Москве | Зарплата в регионах |
|---|---|---|
| Excel-аналитик (Junior) | 60 000–90 000 ₽ | 40 000–70 000 ₽ |
| Data Analyst (Middle) | 150 000–220 000 ₽ | 100 000–150 000 ₽ |
| Data Analyst (Senior) | 250 000–350 000 ₽ | 150 000–250 000 ₽ |
| Analytics Lead | 350 000–500 000+ ₽ | 200 000–350 000 ₽ |
8. SQL — третий обязательный элемент
Почему SQL важнее Excel и Python
SQL упоминается в 83–95% вакансий аналитика данных. Это больше, чем Python (61%) и Excel (50–70%). Причина: все данные компании хранятся в базах данных, и без SQL вы просто не сможете их получить.
Что нужно знать в SQL
| Уровень | Навыки | Для какой позиции |
|---|---|---|
Базовый | SELECT, WHERE, ORDER BY, JOIN | Junior |
Средний | GROUP BY, HAVING, подзапросы, оконные функции | Middle |
Продвинутый | CTE, оптимизация запросов, процедуры | Senior |
Связка SQL + Python vs SQL + Excel
| Задача | SQL + Excel | SQL + Python |
|---|---|---|
| Выгрузка данных | SQL → экспорт в Excel | SQL → Pandas DataFrame |
| Анализ | Сводные таблицы | Pandas groupby |
| Визуализация | Диаграммы Excel | Matplotlib/Seaborn |
| Автоматизация | Ручная работа | Скрипт по расписанию |
| Масштабирование | Ограничено | Легко |
Сколько времени учить SQL
| Уровень | Время | Что сможете делать |
|---|---|---|
| Базовый | 2–4 недели | Простые выборки и фильтрация |
| Средний | 1–2 месяца | Сложные запросы с JOIN и агрегацией |
| Продвинутый | 3–4 месяца | Оптимизация, оконные функции, CTE |
Приоритет изучения
По данным опросов работодателей и анализа вакансий, оптимальный порядок изучения:
| Приоритет | Инструмент | Причина |
|---|---|---|
| 1 | SQL | Упоминается в 83–95% вакансий |
| 2 | Excel | Базовый навык, быстро учится |
| 3 | Python + Pandas | Для роста до Middle |
| 4 | BI-инструменты | Дополнение к основному стеку |
9. Pandas: швейцарский нож аналитика
Почему Pandas — must have
Pandas — высокоуровневая Python-библиотека для анализа данных. Она построена поверх NumPy, что обеспечивает высокую производительность. По сути, Pandas — это «Excel на стероидах».
Сравнение Pandas и Excel по задачам
| Задача | Excel | Pandas |
|---|---|---|
| Загрузить CSV 100К строк | 10–30 секунд | 1–2 секунды |
| Загрузить CSV 1М строк | Невозможно | 5–10 секунд |
| Сводная таблица | Несколько кликов | 1 строка кода |
| Объединить 2 таблицы (ВПР) | Формула ВПР |
|
| Очистить дубликаты | Удаление дубликатов |
|
| Добавить расчётную колонку | Формула в столбце |
|
| Фильтрация | Автофильтр |
|
| Группировка | Сводная таблица |
|
Основные команды Pandas
| Команда | Аналог в Excel | Что делает |
|---|---|---|
| Открыть файл | Загрузка CSV |
| Открыть файл | Загрузка Excel |
| — | Показать первые 5 строк |
| — | Информация о типах данных |
| — | Статистика по числовым колонкам |
| Сводная таблица | Группировка |
| ВПР | Объединение таблиц |
| Сводная таблица | Создание сводной |
| Сохранить как | Экспорт в CSV |
| Сохранить как | Экспорт в Excel |
Пример: анализ продаж
В Excel:
Открыть файл
Создать сводную таблицу
Перетащить «Регион» в строки
Перетащить «Выручка» в значения
Выбрать «Сумма»
Скопировать результат
В Pandas:
```python import pandas as pd
df = pd.read_csv('sales.csv') result = df.groupby('region')['revenue'].sum() result.to_excel('report.xlsx') ```
Три строки кода вместо 6 ручных операций. И это можно запустить автоматически каждый день.
Когда Pandas быстрее Excel
| Объём данных | Excel | Pandas | Разница |
|---|---|---|---|
| 10 000 строк | 2 сек | 0.1 сек | 20x |
| 100 000 строк | 30 сек | 0.5 сек | 60x |
| 500 000 строк | 5 мин+ | 2 сек | 150x |
| 1 000 000 строк | Невозможно | 5 сек | ∞ |
Что ещё умеет Pandas, чего не может Excel
| Возможность | Описание |
|---|---|
| Работа с JSON | Загрузка и парсинг JSON-файлов |
| Работа с API | Получение данных из интернета |
| Временные ряды | Ресемплинг, скользящие средние |
| Текстовые данные | Регулярные выражения, NLP-подготовка |
| Работа с датами | Парсинг любых форматов дат |
| Цепочки операций | Method chaining для читаемости кода |
10. Практические сценарии: когда что использовать
Сценарий 1: Быстрый adhoc-анализ
| Параметр | Рекомендация |
|---|---|
| Инструмент | Excel |
| Почему | Быстрее открыть файл и посмотреть |
| Когда | Нужен ответ за 5 минут |
| Пример | «Сколько заказов было вчера?» |
Сценарий 2: Еженедельный отчёт
| Параметр | Рекомендация |
|---|---|
| Инструмент | Python |
| Почему | Автоматизация экономит время |
| Когда | Один и тот же отчёт каждую неделю |
| Пример | Отчёт по продажам для руководства |
Сценарий 3: Презентация для CEO
| Параметр | Рекомендация |
|---|---|
| Инструмент | Excel или BI |
| Почему | Бизнес понимает Excel |
| Когда | Нужна наглядность и доверие |
| Пример | Квартальный обзор метрик |
Сценарий 4: Анализ миллиона транзакций
| Параметр | Рекомендация |
|---|---|
| Инструмент | Python |
| Почему | Excel не откроет такой файл |
| Когда | Данных больше 1 млн строк |
| Пример | Анализ всех транзакций за год |
Сценарий 5: A/B-тест
| Параметр | Рекомендация |
|---|---|
| Инструмент | Python |
| Почему | Статистические тесты |
| Когда | Нужна статистическая значимость |
| Пример | Сравнение конверсии двух версий сайта |
Сценарий 6: Финансовая модель
| Параметр | Рекомендация |
|---|---|
| Инструмент | Excel |
| Почему | Стандарт отрасли |
| Когда | Инвесторы/банки ожидают Excel |
| Пример | Финансовая модель для привлечения инвестиций |
Сценарий 7: Data Pipeline
| Параметр | Рекомендация |
|---|---|
| Инструмент | Python |
| Почему | Автоматизация ETL |
| Когда | Ежедневная загрузка и обработка данных |
| Пример | Сбор данных из CRM в хранилище |
Сценарий 8: Построение ML-модели
| Параметр | Рекомендация |
|---|---|
| Инструмент | Python |
| Почему | Единственный вариант |
| Когда | Предиктивная аналитика |
| Пример | Прогноз оттока клиентов |
Матрица выбора инструмента
| Критерий | Excel | Python |
|---|---|---|
| Данных <100К строк | ✓ | ✓ |
| Данных >1М строк | ✗ | ✓ |
| Разовый анализ | ✓ | △ |
| Регулярный отчёт | △ | ✓ |
| Презентация бизнесу | ✓ | △ |
| Статистические тесты | △ | ✓ |
| Машинное обучение | ✗ | ✓ |
| Работа с API | ✗ | ✓ |
| Командная работа | △ | ✓ |
✓ — отлично подходит, △ — подходит с ограничениями, ✗ — не подходит
11. Roadmap изучения: оптимальный путь для джуна
Месяц 1–2: Основы (Excel + SQL)
| Неделя | Тема | Часов | Результат |
|---|---|---|---|
| 1 | Excel: формулы, фильтры | 10–15 | Базовая работа с данными |
| 2 | Excel: ВПР, сводные таблицы | 10–15 | Умение объединять и агрегировать |
| 3 | SQL: SELECT, WHERE, JOIN | 10–15 | Простые запросы к БД |
| 4 | SQL: GROUP BY, подзапросы | 10–15 | Аналитические запросы |
| 5–8 | Практика на реальных данных | 10–15 | Портфолио из 2–3 проектов |
К концу 2 месяца: Готовность к Junior-позициям (Excel + SQL)
Месяц 3–4: Python для аналитики
| Неделя | Тема | Часов | Результат |
|---|---|---|---|
| 9 | Python: синтаксис, типы данных | 10–15 | Базовое программирование |
| 10 | Python: циклы, функции | 10–15 | Написание простых скриптов |
| 11 | Pandas: загрузка, фильтрация | 10–15 | Работа с CSV/Excel в Python |
| 12 | Pandas: groupby, merge | 10–15 | Аналог сводных таблиц и ВПР |
| 13–16 | Практика: автоматизация отчётов | 10–15 | Портфолио из 2–3 Python-проектов |
К концу 4 месяца: Конкурентоспособность на Junior+ позициях
Месяц 5–6: BI и визуализация
| Неделя | Тема | Часов | Результат |
|---|---|---|---|
| 17–18 | Power BI или Tableau: основы | 10–15 | Создание дашбордов |
| 19–20 | Matplotlib, Seaborn | 10–15 | Визуализация в Python |
| 21–24 | Итоговый проект | 10–15 | Полноценный аналитический проект |
К концу 6 месяца: Готовность к Middle-позициям
Рекомендуемые ресурсы
| Тема | Бесплатные ресурсы | Платные курсы |
|---|---|---|
| Excel | YouTube, Microsoft Learn | Нетология, Skillbox |
| SQL | SQLBolt, Mode Analytics | Karpov.Courses, Яндекс.Практикум |
| Python | Codecademy, Kaggle Learn | Яндекс.Практикум, Skillfactory |
| Pandas | Pandas Documentation | DataCamp |
| BI | Power BI Desktop (бесплатно) | Нетология |
Практика — главное
| Источник данных | Что делать |
|---|---|
| Kaggle Datasets | Анализировать публичные датасеты |
| Data.gov.ru | Работать с открытыми данными России |
| Собственные данные | Анализировать свои траты, время |
| Pet-проекты | Создавать реальные отчёты и дашборды |
12. Типичные ошибки при выборе инструмента
Ошибка 1: «Начну сразу с Python, Excel устарел»
| Проблема | Последствие |
|---|---|
| Пропуск Excel | Не сможете пройти интервью на Junior |
| Слишком сложно сразу | Потеря мотивации |
| Нет базы | Непонимание логики работы с данными |
Правильно: Начать с Excel, затем перейти к Python.
Ошибка 2: «Выучу только Excel, этого достаточно»
| Проблема | Последствие |
|---|---|
| Потолок зарплаты | Максимум 100–120К без Python |
| Ограниченный рост | Не пройдёте на Middle+ |
| Ручная работа | Выгорание от рутины |
Правильно: Excel — старт, Python — рост.
Ошибка 3: «Учить всё одновременно»
| Проблема | Последствие |
|---|---|
| Распыление | Ничего не выучите глубоко |
| Путаница | Синтаксис смешивается |
| Долгий срок | Год вместо 4 месяцев |
Правильно: Последовательное изучение по roadmap.
Ошибка 4: «Только теория, практика потом»
| Проблема | Последствие |
|---|---|
| Нет навыков | Знания без умений |
| Нет портфолио | Нечего показать работодателю |
| Забывание | Теория без практики забывается |
Правильно: 70% практики, 30% теории.
Ошибка 5: «Игнорирование SQL»
| Проблема | Последствие |
|---|---|
| Нет доступа к данным | Зависимость от других |
| Провал интервью | SQL спрашивают везде |
| Неполный стек | Python без SQL бесполезен |
Правильно: SQL — первый или второй приоритет.
Ошибка 6: «Изучать Python по книгам для разработчиков»
| Проблема | Последствие |
|---|---|
| Лишние знания | ООП и паттерны аналитику не нужны |
| Потеря времени | Месяцы на ненужное |
| Демотивация | Сложно и непонятно зачем |
Правильно: Изучать Python именно для аналитики (Pandas, визуализация).
Матрица ошибок
| Ошибка | Потеря времени | Потеря денег | Исправимость |
|---|---|---|---|
| Пропуск Excel | 1–2 месяца | Низкая | Легко |
| Остановка на Excel | — | 50–100К/мес | Средне |
| Учить всё сразу | 3–6 месяцев | Средняя | Легко |
| Только теория | 2–4 месяца | Средняя | Средне |
| Игнорирование SQL | 1–2 месяца | Высокая | Легко |
| Неправильные курсы | 2–4 месяца | Высокая | Средне |
13. Что говорят работодатели: реальные требования из вакансий
Типичные требования Junior Data Analyst
Компания: Средний e-commerce (Москва, 90 000 ₽)
Уверенное владение Excel (сводные таблицы, ВПР)
Базовые знания SQL (SELECT, JOIN, GROUP BY)
Понимание основ статистики
Желательно: Python/R
Компания: Банк топ-10 (Москва, 120 000 ₽)
Excel на продвинутом уровне (Power Query)
SQL для выгрузки данных
Опыт работы с BI-инструментами
Python — преимущество
Компания: IT-стартап (удалённо, 80 000–100 000 ₽)
SQL — обязательно
Python/Pandas — обязательно
Excel — базовый уровень
Git — желательно
Типичные требования Middle Data Analyst
Компания: Газпромбанк (Москва, от 200 000 ₽)
SQL на уровне формирования сложных запросов
Глубокое понимание принципов построения DWH
Анализ данных с помощью Python
Опыт работы с BI-инструментами
Опыт от 2 лет
Компания: Яндекс (Москва, 250 000–350 000 ₽)
Опыт в аналитике от 3 лет
Продвинутый SQL (оконные функции, оптимизация)
Python (Pandas, NumPy, Scipy)
Опыт A/B-тестирования
Навыки визуализации (Tableau/Power BI)
Компания: Ozon (Москва, 200 000–280 000 ₽)
SQL — эксперт
Python — уверенный
Clickhouse — опыт работы
Статистика — глубокое понимание
Опыт от 2 лет в e-commerce — плюс
Что реально спрашивают на собеседованиях
| Этап | Что проверяют | Инструмент |
|---|---|---|
| Скрининг HR | Базовые знания, мотивация | — |
| Техническое интервью | SQL-задачи, логика | SQL |
| Практическое задание | Анализ данных | Excel и/или Python |
| Финальное интервью | Soft skills, культурный fit | — |
Топ-10 вопросов на собеседованиях
| № | Вопрос | Инструмент |
|---|---|---|
| 1 | Напишите запрос с JOIN и GROUP BY | SQL |
| 2 | Как работает ВПР? | Excel |
| 3 | Что такое оконные функции? | SQL |
| 4 | Как загрузить CSV в Pandas? | Python |
| 5 | Объясните разницу между LEFT и INNER JOIN | SQL |
| 6 | Как найти дубликаты в данных? | SQL/Python/Excel |
| 7 | Что такое p-value? | Статистика |
| 8 | Как построить сводную таблицу? | Excel/Pandas |
| 9 | Как бы вы проанализировали падение метрики? | Логика |
| 10 | Расскажите про ваш аналитический проект | Портфолио |
14. Карьерные траектории: куда ведёт каждый путь
Путь 1: Excel-аналитик
| Этап | Позиция | Зарплата | Типичные задачи |
|---|---|---|---|
| 1 | Junior Excel-аналитик | 60–80К | Отчёты, сводные таблицы |
| 2 | Middle Excel-аналитик | 100–140К | Финансовые модели, Power Query |
| 3 | Senior Excel-аналитик | 150–180К | Сложные модели, VBA |
| Потолок | — | ~180К | Ограниченный рост |
Куда можно развиваться:
Финансовый аналитик
Бизнес-аналитик
Менеджер проектов
Путь 2: Data Analyst (Python + SQL)
| Этап | Позиция | Зарплата | Типичные задачи |
|---|---|---|---|
| 1 | Junior Data Analyst | 80–120К | Выгрузки, простые отчёты |
| 2 | Middle Data Analyst | 150–220К | A/B-тесты, автоматизация |
| 3 | Senior Data Analyst | 250–350К | Сложные исследования, менторство |
| 4 | Lead Analyst | 350–500К | Управление командой |
Куда можно развиваться:
Data Scientist
Product Analyst
Analytics Engineer
Head of Analytics
Путь 3: BI-аналитик
| Этап | Позиция | Зарплата | Типичные задачи |
|---|---|---|---|
| 1 | Junior BI-аналитик | 80–110К | Дашборды, отчёты |
| 2 | Middle BI-аналитик | 140–200К | Сложные визуализации, ETL |
| 3 | Senior BI-аналитик | 200–280К | Архитектура BI, стандарты |
| 4 | BI Lead | 280–400К | Стратегия, управление |
Сравнение траекторий
| Критерий | Excel-путь | Data Analyst | BI-аналитик |
|---|---|---|---|
| Потолок зарплаты | 150–180К | 350–500К | 280–400К |
| Скорость роста | Медленная | Быстрая | Средняя |
| Сложность входа | Низкая | Средняя | Средняя |
| Востребованность | Снижается | Растёт | Растёт |
| Возможность удалёнки | Низкая | Высокая | Высокая |
| Переход в DS/ML | Сложно | Легко | Средне |
Рекомендации по выбору траектории
| Если вы хотите... | Выбирайте |
|---|---|
| Быстро войти в профессию | Excel → Data Analyst |
| Максимальную зарплату | Data Analyst → DS |
| Работать с визуализацией | BI-аналитик |
| Остаться в финансах | Excel-аналитик → FP&A |
| Удалённую работу | Data Analyst / BI |
| Минимум программирования | BI-аналитик (low-code) |
15. Заключение: конкретные рекомендации
Главный вывод
И Excel, и Python нужны. Вопрос в приоритетах и последовательности изучения.
Кому что учить первым
| Ваша ситуация | Первый приоритет | Второй приоритет |
|---|---|---|
| Полный ноль в аналитике | Excel | SQL |
| Уверенный Excel | SQL | Python |
| Есть опыт программирования | Python + Pandas | SQL |
| Хотите быстро трудоустроиться | Excel + SQL | Python (параллельно) |
| Хотите максимальную зарплату | Python + SQL | BI-инструменты |
Минимальный стек для Junior
| Навык | Уровень | Время на освоение |
|---|---|---|
| Excel | Уверенный (сводные, ВПР) | 3–4 недели |
| SQL | Базовый (SELECT, JOIN, GROUP BY) | 4–6 недель |
| Python | Базовый Pandas | 6–8 недель (желательно) |
Итого: 3–4 месяца до готовности к Junior-позициям.
Оптимальный стек для Middle
| Навык | Уровень | Время на освоение |
|---|---|---|
| Excel | Продвинутый (Power Query) | — |
| SQL | Продвинутый (оконные функции, CTE) | +2–3 месяца |
| Python | Уверенный (Pandas, визуализация) | +3–4 месяца |
| BI | Базовый (Power BI или Tableau) | +1–2 месяца |
| Статистика | A/B-тесты, гипотезы | +1–2 месяца |
Итого: 6–12 месяцев от Junior до Middle.
Финальные рекомендации
| Рекомендация | Почему важно |
|---|---|
| Начните с Excel и SQL | Это откроет двери на Junior-позиции |
| Не останавливайтесь на Excel | Потолок зарплаты и карьеры |
| Учите Python для аналитики, не для разработки | Фокус на Pandas, не на Django |
| 70% практики, 30% теории | Без практики знания бесполезны |
| Создайте портфолио | GitHub с 3–5 проектами |
| Не игнорируйте SQL | Главный навык по востребованности |
Ответ на главный вопрос
Что быстрее освоить?
Excel — быстрее (3–6 недель vs 3–4 месяца для Python).
Что чаще требуют в вакансиях?
SQL (83–95%) > Python (61%) > Excel (50–70%).
Что учить первым?
SQL и Excel параллельно → Python → BI.
Что даст больше денег?
Python + SQL увеличивают зарплату в 1.5–2.5 раза по сравнению с «только Excel».
Ваш план на ближайшие 6 месяцев
| Месяц | Фокус | Результат |
|---|---|---|
| 1 | Excel: сводные таблицы, ВПР | Базовая аналитика |
| 2 | SQL: SELECT, JOIN, GROUP BY | Работа с базами данных |
| 3 | Python: синтаксис, Pandas основы | Первые скрипты |
| 4 | Python: Pandas продвинутый | Автоматизация отчётов |
| 5 | BI: Power BI или Tableau | Дашборды |
| 6 | Проект + поиск работы | Портфолио + оффер |
Источники
Данные hh.ru и Хабр.Карьера о рынке труда аналитиков данных (2024–2025)
Опросы работодателей о требованиях к навыкам
Статистика Яндекс.Практикум, Skillfactory, Karpov.Courses о сроках обучения
Анализ вакансий SuperJob, HeadHunter, Хабр.Карьера
А лучше вакансии для аналитиков ищите на hirehi.ru