Системный, продуктовый и data‑аналитик: чем занимаются и какой выбрать путь

Профессия аналитика в IT стала одной из самых востребованных в 2025 году. Но когда новички начинают изучать рынок, они сталкиваются с путаницей: системный аналитик, продуктовый аналитик, data-аналитик — чем они отличаются? Какие задачи решают? Сколько зарабатывают? И самое главное — какое направление выбрать для входа в профессию?

В этой статье мы детально разберём три популярных направления аналитики, сравним их по ключевым параметрам и поможем вам определиться с выбором карьерного пути.

Почему аналитиков так много типов?

Исторически профессия аналитика была универсальной — один человек мог заниматься и требованиями заказчика, и проектированием системы, и анализом данных. Но с ростом сложности IT-продуктов и объёмов данных произошла специализация. Каждый тип аналитика теперь решает свой класс задач и требует уникальных навыков.

Грубая аналогия: Это как в медицине — есть терапевт, кардиолог и хирург. Все они врачи, но работают с разными аспектами здоровья. Точно так же системный, продуктовый и data-аналитик работают с разными аспектами IT-продукта.

Понимание этих различий критически важно для:
- Выбора направления обучения
- Понимания своих сильных сторон
- Оценки перспектив карьерного роста
- Реалистичной оценки входных требований

Давайте разберём каждое направление подробно.

1. Системный аналитик: архитектор информационных систем

Кто это и чем занимается

Системный аналитик — это специалист, который работает с информационными системами и служит мостом между бизнесом и разработкой. Его главная задача — перевести требования заказчика на понятный разработчикам язык и спроектировать техническое решение.

Ключевая метафора: Системный аналитик — это архитектор здания. Заказчик говорит «хочу дом с тремя спальнями и камином», а архитектор переводит это в чертежи, расчёты нагрузок и технические спецификации для строителей.

Основные обязанности

Сбор и анализ требований

Системный аналитик проводит интервью с заказчиками, экспертами предметной области и пользователями. Он выясняет, какие задачи должна решать система, какие процессы автоматизировать, какие интеграции необходимы.

Пример: Банк хочет внедрить систему кредитования. Аналитик выясняет:
- Какие типы кредитов будут выдаваться?
- Какие проверки клиента нужны?
- С какими внешними системами интегрироваться (бюро кредитных историй, ФНС)?
- Какие документы должны формироваться автоматически?

Разработка технических заданий и документации

На основе собранных требований системный аналитик составляет техническое задание (ТЗ), которое становится основой для разработки. ТЗ содержит:
- Функциональные требования (что должна делать система)
- Нефункциональные требования (производительность, безопасность, масштабируемость)
- Архитектуру системы
- Схемы баз данных
- Описание интеграций и API
- Пользовательские сценарии (use cases)

Проектирование систем и процессов

Системный аналитик продумывает архитектуру решения:
- Какие модули и компоненты нужны?
- Как они будут взаимодействовать?
- Какие базы данных использовать?
- Какие технологии оптимальны для задачи?

Он создаёт UML-диаграммы, BPMN-модели бизнес-процессов, ER-диаграммы баз данных, схемы интеграций.

Координация разработки

Системный аналитик не исчезает после написания ТЗ. Он:
- Разъясняет разработчикам неясные моменты
- Участвует в sprint planning и daily встречах
- Проверяет, соответствует ли реализация требованиям
- Вносит изменения в требования при необходимости
- Координирует процесс тестирования и приёмки

Тестирование и внедрение

Системный аналитик участвует в тестировании системы, составляет тест-кейсы, обучает пользователей, сопровождает процесс внедрения.

Необходимые навыки

Hard Skills (технические навыки)

SQL — критически важный навык. Системный аналитик должен уметь:
- Писать сложные запросы для извлечения данных
- Проектировать структуру баз данных
- Оптимизировать запросы
- Понимать индексы, транзакции, нормализацию

Методологии разработки
- Waterfall (каскадная модель)
- Agile (Scrum, Kanban)
- Понимание DevOps-практик

Нотации и инструменты моделирования
- UML (Unified Modeling Language) — диаграммы классов, последовательностей, активностей
- BPMN (Business Process Model and Notation) — моделирование бизнес-процессов
- ER-диаграммы (Entity-Relationship) — проектирование баз данных
- Инструменты: Draw.io, Lucidchart, Enterprise Architect, MS Visio

Техническое понимание
- Архитектурные паттерны (MVC, микросервисы, монолит)
- Понимание работы API (REST, SOAP, GraphQL)
- Базовые знания языков программирования (не обязательно кодить, но понимать код)
- Понимание DevOps: CI/CD, контейнеризация (Docker), облака

Документирование
- Умение писать чёткие, структурированные ТЗ
- Создание user stories и acceptance criteria
- Ведение проектной документации

Soft Skills (личные качества)

Аналитическое мышление — способность разложить сложную задачу на простые компоненты, найти взаимосвязи, выявить скрытые проблемы.

Коммуникация — умение общаться с разными людьми:
- С заказчиками — понятно объяснять технические ограничения
- С разработчиками — чётко формулировать требования
- С тестировщиками — передавать критерии приёмки

Внимание к деталям — упущенное требование может обернуться переработкой на месяцы разработки.

Системное мышление — видеть не только конкретную задачу, но и всю систему целиком, понимать, как изменение одного модуля повлияет на другие.

Зарплаты в России в 2025 году

Системный аналитик — одна из высокооплачиваемых профессий в IT-аналитике.

Средние показатели:
- По России: 138 000 — 160 000 ₽/месяц
- Москва: 178 000 — 231 000 ₽/месяц
- Санкт-Петербург: 140 000 — 180 000 ₽/месяц

По уровню квалификации:

Факторы, влияющие на зарплату:
- Город (Москва платит на 30-40% больше)
- Размер компании (крупные корпорации платят больше стартапов)
- Индустрия (банки и финтех платят выше среднего)
- Навыки (знание специфичных систем, например, SAP, увеличивает стоимость)

Востребованность: На сентябрь 2024 года на hh.ru опубликовано 5237 вакансий системных аналитиков в IT. Спрос стабильно высокий.

Плюсы и минусы профессии

Плюсы:
- Высокие зарплаты на всех уровнях
- Востребованность на рынке
- Разнообразие задач — не скучно
- Широкий карьерный рост (до CTO, руководителя IT)
- Возможность работать удалённо
- Меньше рутины, чем в программировании

Минусы:
- Высокий порог входа — нужно много технических знаний
- Ответственность за ошибки (неверные требования = переделка на миллионы)
- Постоянное давление дедлайнов
- Необходимость постоянно учиться новым технологиям
- Много встреч и коммуникации (может быть минусом для интровертов)

Кому подходит

Системный аналитик — это для вас, если:
- Вам нравится техническая сторона IT
- Вы любите разбираться в том, как устроены системы
- Вам интересно проектировать и строить архитектуру
- Вы не боитесь общаться с людьми
- Вы готовы глубоко погружаться в технические детали
- Вам нравится видеть результат своей работы в виде работающей системы

2. Продуктовый аналитик: улучшатель пользовательского опыта

Кто это и чем занимается

Продуктовый аналитик — это специалист, который изучает, как пользователи взаимодействуют с продуктом, и ищет способы сделать продукт лучше. Если системный аналитик работает с «костяком» системы, то продуктовый аналитик работает с пользовательским опытом и метриками бизнеса.

Ключевая метафора: Продуктовый аналитик — это врач-терапевт для продукта. Он проводит «диагностику» (смотрит метрики), выявляет «болезни» (проблемы в воронке продаж, отток пользователей), назначает «лечение» (гипотезы и эксперименты), проверяет результат (A/B-тесты).

Основные обязанности

Анализ поведения пользователей

Продуктовый аналитик изучает, как люди пользуются продуктом:
- Какие функции используют чаще всего?
- Где пользователи «застревают» и уходят?
- Какие пути приводят к конверсии?
- Почему пользователи перестают пользоваться продуктом?

Инструменты: Google Analytics, Amplitude, Mixpanel, Яндекс.Метрика, hotjar (тепловые карты).

Пример: Аналитик интернет-магазина видит, что 60% пользователей бросают корзину на этапе оформления заказа. Он изучает данные и выясняет, что проблема в сложной форме — люди не хотят заполнять 15 полей.

Работа с метриками и KPI

Продуктовый аналитик отслеживает ключевые метрики продукта:
- DAU/MAU (Daily/Monthly Active Users) — активная аудитория
- Retention Rate — процент вернувшихся пользователей
- Churn Rate — процент ушедших пользователей
- ARPU (Average Revenue Per User) — средний доход с пользователя
- LTV (Lifetime Value) — пожизненная ценность клиента
- Conversion Rate — процент конверсии в целевое действие
- Time to Value — время до первой ценности для пользователя

Он не просто смотрит на цифры, а понимает, что они означают для бизнеса и как их улучшить.

Формирование и тестирование гипотез

На основе анализа данных аналитик формулирует гипотезы:
- «Если добавить кнопку быстрой покупки, конверсия вырастет на 15%»
- «Если убрать обязательную регистрацию, отток на странице оформления снизится на 30%»
- «Если отправлять push-уведомление через 3 дня неактивности, retention вырастет на 10%»

Затем он проводит A/B-тесты:
- Версия A — контрольная (как было)
- Версия B — тестовая (с изменениями)
- Сравнивает метрики и делает выводы

Приоритизация задач

У команды разработки всегда больше идей, чем ресурсов. Продуктовый аналитик помогает Product Manager'у расставить приоритеты:
- Какие фичи дадут максимальный эффект?
- Что важнее: новая функция или оптимизация существующей?
- Какие проблемы критичны, а какие могут подождать?

Инструменты приоритизации: RICE (Reach, Impact, Confidence, Effort), ICE (Impact, Confidence, Ease), Value vs Effort матрица.

Работа с воронками и когортами

Продуктовый аналитик строит воронки конверсии — последовательность шагов, которые проходит пользователь:

Пример воронки для интернет-магазина:
1. Заход на сайт → 100%
2. Просмотр товара → 60%
3. Добавление в корзину → 20%
4. Оформление заказа → 8%
5. Оплата → 5%

Анализ воронки показывает, где теряются пользователи. Также аналитик работает с когортами — группами пользователей, объединёнными общим признаком (дата регистрации, источник трафика, устройство).

Составление отчётов и рекомендаций

Продуктовый аналитик регулярно готовит отчёты для стейкхолдеров:
- Как изменились ключевые метрики за месяц?
- Какие гипотезы протестировали и что показали результаты?
- Какие проблемы выявлены?
- Что рекомендуется сделать дальше?

Необходимые навыки

Hard Skills (технические навыки)

SQL — базовый и критически важный инструмент. Продуктовый аналитик должен уметь:
- Извлекать данные из баз
- Считать метрики (DAU, retention, конверсии)
- Работать с большими таблицами (JOIN, GROUP BY, подзапросы)

Статистика и математика
- Основы теории вероятностей
- Статистическая значимость (p-value, доверительные интервалы)
- Корреляция vs каузальность
- A/B-тестирование: размер выборки, длительность теста, множественные сравнения

Аналитические инструменты
- Google Analytics, Яндекс.Метрика
- Amplitude, Mixpanel (продуктовая аналитика)
- Tableau, Power BI, Looker (визуализация данных)
- Python (pandas, numpy, matplotlib) — опционально, но желательно

Excel/Google Sheets — для быстрых расчётов, сводных таблиц, графиков.

Знание продуктовых метрик — понимание, какие метрики важны для разных типов продуктов (SaaS, e-commerce, мобильные приложения, маркетплейсы).

Soft Skills (личные качества)

Аналитическое мышление — способность видеть закономерности в данных, выдвигать гипотезы, искать причинно-следственные связи.

Любопытство — постоянно задавать вопрос «почему?»:
- Почему метрика упала?
- Почему пользователи ведут себя именно так?
- Почему конверсия в этом сегменте выше?

Коммуникация — умение объяснить сложные аналитические выводы простым языком для Product Manager, дизайнеров, маркетологов, руководства.

Критическое мышление — не доверять данным слепо, проверять гипотезы, учитывать альтернативные объяснения.

Ориентация на результат — понимание, что главное не сам анализ, а действия на его основе.

Зарплаты в России в 2025 году

Продуктовый аналитик — относительно новая профессия в России, поэтому данных по зарплатам меньше, и они более размыты.

Средние показатели:
- Junior: 80 000 — 120 000 ₽/месяц
- Middle: 130 000 — 200 000 ₽/месяц
- Senior: 200 000 — 350 000 ₽/месяц

Особенности рынка:
- Продуктовые аналитики чаще всего нужны в продуктовых IT-компаниях (e-commerce, SaaS, финтех, маркетплейсы)
- В корпоративном секторе позиция встречается реже
- Спрос на продуктовых аналитиков активно растёт — по данным исследований, это одно из самых быстрорастущих направлений аналитики

Путь в профессию: По статистике, в продуктовую аналитику чаще всего приходят из data-аналитики. Легче сначала стать data-аналитиком, а затем перейти в продуктовую аналитику.

Плюсы и минусы профессии

Плюсы:
- Ниже порог входа, чем у системного аналитика (меньше нужно технических знаний)
- Прямое влияние на продукт — видно, как твоя работа улучшает метрики
- Работа с людьми и командой, а не только с кодом и системами
- Креативная составляющая — придумывание гипотез, экспериментирование
- Быстрая обратная связь — результаты A/B-тестов видны через недели, а не месяцы
- Востребованность растёт быстрее рынка

Минусы:
- Зависимость от команды разработки (твои рекомендации могут не реализовать из-за приоритетов)
- Не всегда есть чёткий результат — не все гипотезы срабатывают
- Необходимость постоянно следить за изменениями в продукте и рынке
- Иногда рутинный анализ одних и тех же метрик
- Сложно доказать свою ценность, если метрики не растут (хотя твоя работа может предотвращать падение)

Кому подходит

Продуктовый аналитик — это для вас, если:
- Вам интересно, как люди используют продукты
- Вы любите работать с данными, но не хотите зарываться в технические детали
- Вам нравится экспериментировать и проверять гипотезы
- Вы хотите видеть прямой результат своей работы
- Вам интересны метрики бизнеса и рост продукта
- Вы готовы работать в связке с продуктовой командой

3. Data-аналитик: мастер больших данных

Кто это и чем занимается

Data-аналитик (аналитик данных) — это специалист, который работает с большими массивами данных, извлекает из них полезную информацию и помогает бизнесу принимать обоснованные решения.

Ключевая метафора: Data-аналитик — это детектив. Ему дают кучу разрозненных улик (данных), и он должен собрать их вместе, найти закономерности, выявить инсайты и рассказать историю, которая поможет бизнесу.

Основные обязанности

Сбор и очистка данных

Данные редко приходят в идеальном виде. Data-аналитик должен:
- Собрать данные из разных источников (базы данных, API, файлы, веб-скрейпинг)
- Очистить данные от ошибок, дубликатов, пропусков
- Привести данные к единому формату
- Проверить качество данных

Пример: В базе данных магазина есть поле «город». Но оно заполнено хаотично: «Москва», «москва», «Moscow», «Мск», «г. Москва». Аналитик должен нормализовать эти данные, чтобы анализ был корректным.

Анализ и визуализация данных

Data-аналитик изучает данные, ищет закономерности и тренды:
- Описательная статистика (средние значения, медианы, распределения)
- Корреляционный анализ (какие показатели связаны друг с другом)
- Сегментация (разбивка данных на группы)
- Временные ряды (анализ изменений во времени)

Результаты анализа визуализируются в виде графиков, дашбордов, отчётов для удобного восприятия.

Построение моделей и прогнозирование

Data-аналитик может строить математические модели для прогнозирования:
- Прогноз продаж на следующий месяц
- Вероятность оттока клиента
- Оптимальная цена для максимизации прибыли
- Сегментация клиентов для персонализации

Инструменты: Python (scikit-learn, statsmodels), R, Excel (для простых моделей).

Работа с базами данных

Data-аналитик пишет SQL-запросы для извлечения данных:
- Сложные JOIN-ы для объединения таблиц
- Агрегация и группировка данных (GROUP BY, HAVING)
- Оконные функции для расчёта метрик
- Оптимизация запросов для ускорения

A/B-тестирование

Data-аналитик разрабатывает методологию экспериментов:
- Рассчитывает необходимый размер выборки
- Определяет длительность теста
- Проверяет статистическую значимость результатов
- Анализирует эффект по сегментам

Создание дашбордов и автоматизация отчётности

Data-аналитик настраивает автоматические дашборды, чтобы стейкхолдеры могли в любой момент видеть актуальные данные:
- Tableau, Power BI, Looker для визуализации
- Python скрипты для автоматизации сбора данных
- Регулярные email-отчёты

Необходимые навыки

Hard Skills (технические навыки)

SQL — главный инструмент data-аналитика. Требования высокие:
- Сложные запросы с множественными JOIN
- Оконные функции (ROW_NUMBER, LAG, LEAD, PARTITION BY)
- Подзапросы и CTE (Common Table Expressions)
- Оптимизация запросов

Excel/Google Sheets — для быстрого анализа и прототипирования:
- Сводные таблицы
- Формулы (ВПР, ИНДЕКС+ПОИСКПОЗ, массивы)
- Макросы и VBA (опционально)

Python — основной язык для анализа данных:
- pandas — работа с таблицами
- numpy — математические операции
- matplotlib, seaborn, plotly — визуализация
- scikit-learn — машинное обучение (базовый уровень)
- requests, BeautifulSoup — сбор данных

R — альтернатива Python, популярна в некоторых компаниях:
- dplyr, tidyr — обработка данных
- ggplot2 — визуализация
- caret — машинное обучение

BI-инструменты
- Tableau, Power BI, Looker — визуализация и дашборды
- Google Data Studio (бесплатный вариант)

Статистика
- Описательная статистика
- Проверка гипотез (t-тесты, хи-квадрат)
- Регрессионный анализ
- Основы машинного обучения (классификация, кластеризация, регрессия)

Big Data инструменты (для продвинутого уровня)
- Hadoop, Spark — обработка больших данных
- Apache Airflow — оркестрация пайплайнов

Soft Skills (личные качества)

Любознательность — постоянное желание копать глубже, искать ответы на вопросы.

Критическое мышление — не принимать данные как истину, проверять качество, искать артефакты и ошибки.

Терпение — работа с данными часто рутинная, требует внимательности и усидчивости.

Коммуникация — умение объяснить технические результаты нетехнической аудитории.

Бизнес-мышление — понимание, какие вопросы важны для бизнеса, как анализ влияет на решения.

Зарплаты в России в 2025 году

Data-аналитик — востребованная профессия с конкурентными зарплатами.

Средние показатели:
- Средняя зарплата в России: 112 000 ₽/месяц
- Чаще всего: 68 000 — 155 000 ₽/месяц

По уровню квалификации:

Особенности рынка:
- Data-аналитики нужны во всех индустриях: финтех, e-commerce, телеком, логистика, медиа, производство
- Зарплаты растут вместе с опытом и расширением навыков (ML, Big Data)
- Удалённая работа распространена — можно работать из регионов на московские зарплаты

Плюсы и минусы профессии

Плюсы:
- Низкий порог входа — можно начать с базовых знаний SQL и Excel
- Востребованность во всех индустриях
- Широкий карьерный путь (до Data Scientist, ML Engineer, руководителя аналитики)
- Постоянное обучение новым технологиям и инструментам
- Возможность работать удалённо
- Прямое влияние на решения бизнеса

Минусы:
- Много рутинной работы (очистка данных может занимать 80% времени)
- Качество работы зависит от качества данных (мусор на входе = мусор на выходе)
- Иногда результаты анализа игнорируются или не используются
- Необходимость постоянно учиться новым инструментам
- Работа часто «за кулисами» — видимых продуктов нет

Кому подходит

Data-аналитик — это для вас, если:
- Вам нравится работать с числами и данными
- Вы любите искать закономерности и инсайты
- Вы терпеливы и внимательны к деталям
- Вам интересно программирование (Python, SQL)
- Вы хотите влиять на бизнес-решения через данные
- Вы готовы учиться статистике и математике

Сравнение трёх типов аналитиков: таблица различий

Для удобства сравним три типа аналитиков по ключевым параметрам:

Как выбрать своё направление: практический гид

Выбор между тремя типами аналитиков зависит от ваших интересов, навыков и карьерных целей. Вот практический алгоритм выбора.

Шаг 1: Оцените свои интересы

Ответьте честно на вопросы:

Вас больше привлекает:
- Техническая сторона IT, системы, архитектура? → Системный аналитик
- Продукты, пользователи, UX, рост метрик? → Продуктовый аналитик
- Данные, числа, статистика, поиск закономерностей? → Data-аналитик

Что вам нравится делать:
- Проектировать сложные системы и писать документацию? → Системный аналитик
- Придумывать гипотезы и проводить эксперименты? → Продуктовый аналитик
- Копаться в данных, писать SQL-запросы, строить графики? → Data-аналитик

С кем вам комфортнее работать:
- С разработчиками и техническими специалистами? → Системный аналитик
- С Product Manager'ами, дизайнерами, маркетологами? → Продуктовый аналитик
- С данными и бизнес-командами? → Data-аналитик

Шаг 2: Оцените свои текущие навыки

У вас уже есть:
- Технический бэкграунд (программирование, системное администрирование, DevOps)? → Системный аналитик (легче войти)
- Опыт работы с продуктами, UX, маркетингом? → Продуктовый аналитик
- Навыки работы с Excel, SQL, базовое понимание статистики? → Data-аналитик

Вы готовы учить:
- UML, BPMN, методологии разработки, архитектуру? → Системный аналитик
- Продуктовые метрики, A/B-тестирование, аналитические инструменты? → Продуктовый аналитик
- Python, статистику, машинное обучение? → Data-аналитик

Шаг 3: Определите карьерные цели

Куда вы хотите прийти через 5-10 лет:
- CTO, Chief Architect, руководитель IT-департамента? → Системный аналитик
- Product Manager, CPO (Chief Product Officer), Head of Product? → Продуктовый аналитик
- Data Scientist, ML Engineer, Chief Data Officer? → Data-аналитик

Шаг 4: Учтите порог входа и рынок

Если вы новичок без технического бэкграунда:
1. Data-аналитик — самый простой старт (SQL + Excel + базовая статистика)
2. Продуктовый аналитик — чуть сложнее (нужно понимание продуктов и метрик)
3. Системный аналитик — самый сложный вход (много технических знаний)

Совет: Многие начинают с data-аналитики, а затем переходят в продуктовую или системную аналитику. Это оптимальный путь.

Шаг 5: Попробуйте на практике

Прежде чем окончательно выбрать, попробуйте себя в каждом направлении:

Системный аналитик:
- Возьмите реальный проект (например, систему бронирования) и попробуйте написать ТЗ
- Изучите UML — постройте диаграмму классов для простой системы
- Почитайте реальные ТЗ и требования (можно найти примеры в интернете)

Продуктовый аналитик:
- Установите Google Analytics на свой сайт (или используйте демо-аккаунт)
- Проанализируйте метрики любимого приложения: где воронка падает? Какие гипотезы можно проверить?
- Пройдите бесплатный курс по продуктовой аналитике (например, на Stepik)

Data-аналитик:
- Возьмите открытый датасет (Kaggle, открытые данные правительства) и проанализируйте его
- Решите несколько задач на SQL (LeetCode, HackerRank, Stepik)
- Постройте простой дашборд в Power BI или Tableau Public

Комбинированный путь

Важно понимать: границы между этими профессиями размыты. Во многих компаниях, особенно небольших, один человек может выполнять функции всех трёх типов аналитиков.

Типичные переходы:
- Data-аналитик → Продуктовый аналитик (самый частый)
- Data-аналитик → Data Scientist / ML Engineer (технический рост)
- Продуктовый аналитик → Product Manager (управленческий рост)
- Системный аналитик → Solution Architect / CTO (технический лидерство)

Обучение и входные курсы

Для системного аналитика

Курсы:
- Яндекс Практикум: «Системный аналитик»
- Skillfactory: «Системный аналитик с нуля»
- OTUS: «Системный аналитик»

Книги:
- «Системный анализ и проектирование систем» — Деннис, Уиксом, Рот
- «Разработка требований к программному обеспечению» — Карл Вигерс
- «UML и Паттерны проектирования» — Крейг Ларман

Сертификации:
- IIBA (International Institute of Business Analysis) — CBAP
- PMI-PBA (Professional in Business Analysis)

Для продуктового аналитика

Курсы:
- Яндекс Практикум: «Аналитик данных» с продуктовым уклоном
- Karpov.courses: «Продуктовый аналитик»
- GoPractice: «Симулятор продуктового аналитика»

Книги:
- «Lean Analytics» — Alistair Croll, Benjamin Yoskovitz
- «Inspired» — Marty Cagan (про продуктовое мышление)
- «Cracking the PM Interview» — Gayle McDowell (секция по аналитике)

Бесплатные ресурсы:
- Курс «Основы продуктовой аналитики» на Stepik
- Блог ProductSense.io
- Канал «Продуктовая аналитика» на YouTube

Для data-аналитика

Курсы:
- Яндекс Практикум: «Аналитик данных»
- Skillfactory: «Data Analyst»
- Karpov.courses: «Аналитик данных»

Книги:
- «SQL для простых смертных» — Мартин Грабер
- «Python для анализа данных» — Уэс Маккинни
- «Storytelling with Data» — Cole Nussbaumer Knaflic (визуализация)

Бесплатные ресурсы:
- Stepik: курсы по SQL и Python
- Kaggle: датасеты и соревнования
- Mode Analytics SQL Tutorial
- LeetCode / HackerRank: задачи по SQL

Заключение

Системный, продуктовый и data-аналитик — это три разных профессии, хотя они и объединены словом «аналитик». Каждая требует своих навыков, решает свои задачи и предлагает свой карьерный путь.

Ключевые выводы:

1. Системный аналитик — для тех, кто любит техническую сторону IT, хочет проектировать системы и готов погружаться в сложные технические детали. Высокий порог входа, но и высокие зарплаты.

2. Продуктовый аналитик — для тех, кто хочет улучшать продукты, работать с пользовательским опытом и видеть прямой результат своей работы в метриках. Средний порог входа, быстрорастущая профессия.

3. Data-аналитик — для тех, кто любит работать с данными, искать закономерности и влиять на бизнес-решения через инсайты. Низкий порог входа, востребованность во всех индустриях.

Совет новичкам: Если вы не уверены, начните с data-аналитики. Это самый доступный путь в аналитику, и потом легче перейти в другие направления. Научитесь SQL, освойте Excel и Python, попрактикуйтесь на реальных данных — и двери откроются.

Какое бы направление вы ни выбрали, помните: профессия аналитика востребована, интересна и хорошо оплачивается. Главное — начать учиться и пробовать. Удачи на вашем пути!

А лучшие вакансии для аналитиков вы можете найти на Hirehi.ru