Аналитик данных помогает командам принимать решения по фактам: собирает данные, проверяет гипотезы, строит отчёты и объясняет выводы. SkillStat показывает зарплату, спрос и навыки.
Как ещё называют аналитика данных
Это названия одной роли или близкой формулировки. Соседние профессии вроде BI-аналитика, бизнес-аналитика и Data Scientist вынесены в отдельную таблицу: это не синонимы.
Свежие данные рынка: 313 активных вакансий, медиана 139 000 ₽, спрос 86/100. Срез по Москве и МО от 23.06.2026. Спрос очень высокий: аналитик данных занимает #7 из 71 профессий SkillStat. Но текущий скачок вакансий нужно читать вместе со сглаженным рядом: активная точка выше значений за 7 и 30 дней, а средний тренд показывает более спокойное изменение.
Аналитик данных, или Data Analyst, помогает команде принять решение не по ощущению, а по проверяемому выводу. Он уточняет вопрос, находит источник, проверяет качество данных, считает метрики, строит визуализацию и объясняет, где выводу можно доверять, а где есть ограничение. Ценность роли не в графиках сами по себе, а в цепочке: вопрос, расчёт, проверка гипотезы, ограничение и следующий шаг. По данным SkillStat на 23.06.26, в Москве и МО открыто 313 вакансий аналитика данных, медианная зарплата по вакансиям с указанной оплатой — 139 000 ₽. База профессии — SQL, статистика, метрики, визуализация, качество данных, Excel или Google Sheets, а затем Python и BI-инструменты.
Числовые метрики показывают вакансии Москвы и Московской области. Описание роли, задач и навыков относится к профессии в целом.
Актуальный срез по вакансиям, зарплате, спросу и динамике найма для аналитика данных в Москве и МО.
Аналитик данных — специалист, который отвечает на вопросы бизнеса, продукта или операционной команды через данные. Он не просто «собирает и анализирует данные». Работа начинается с уточнения вопроса: какая метрика изменилась, для какого сегмента, за какой период и какое решение команда хочет принять.
После этого аналитик ищет источник. Это может быть таблица в хранилище, событие в продуктовой аналитике, выгрузка из CRM, отчёт продаж или данные из внутренней системы. Затем он проверяет качество: пропуски, дубли, выбросы, сломанные события, смену правил расчёта и неполные периоды.
Только после проверки можно считать метрику, сравнивать сегменты и проверять гипотезу. Хороший Data Analyst не заканчивает работу графиком. Он объясняет, какому выводу можно доверять, какое ограничение есть у расчёта и какой следующий шаг разумен для команды.
Проверяемый вывод: что произошло, почему это могло случиться и насколько уверенно можно действовать.
SQL, качество данных, метрики, статистика, визуализация, объяснение результата и аккуратная методика.
Красивый отчёт без проверки источника может привести команду к неверному продуктному или бизнес-решению.
Рабочая задача обычно идёт по цепочке: вопрос, источник, качество данных, расчёт, проверка гипотезы, ограничение, вывод и следующий шаг. Если пропустить один элемент, результат становится слабым.
Например, нельзя честно сказать «конверсия упала», пока не ясно, какая именно конверсия считается, не сломались ли события, не поменялся ли канал трафика и достаточно ли данных для сравнения.
График помогает увидеть форму данных, но сам не принимает решение. Аналитик должен объяснить, что показывает визуализация, где она может обманывать и какую альтернативную версию нужно проверить.
Сильный вывод звучит не как «на графике стало меньше», а как аккуратная интерпретация: что изменилось, где это видно, какие причины вероятны и что проверить дальше.
Data Analyst работает рядом с BI, продуктовой аналитикой, бизнес-анализом, Data Science и инженерией данных. Но его основной фокус — прикладной вопрос и проверяемый вывод для команды.
Он может строить дашборды, писать SQL, использовать Python и считать эксперименты, но инструменты не заменяют главный результат: понятное решение на основе данных.
Пример: просела конверсия в оплату. Сильный аналитик не начинает с графика. Он сначала уточняет, что именно изменилось и можно ли доверять данным.
Понять, какая именно конверсия просела: из корзины в оплату, из оплаты в успешный платёж или из визита в покупку.
Посмотреть, не сломались ли события, не изменились ли правила расчёта и полный ли период попал в выборку.
Разделить данные по устройствам, каналам, регионам, новым и старым пользователям, версиям приложения или сайта.
Убедиться, что падение не объясняется разовой акцией, праздником, техническим окном или изменением трафика.
Сопоставить изменение метрики с релизом, каналом, сегментом, ошибкой платежа или изменением пользовательского пути.
Показать, что можно утверждать уверенно, а где данных не хватает или нужна дополнительная проверка.
Например: проверить платежный провайдер, откатить релиз для сегмента, запустить A/B-тест или уточнить сбор событий.
сценарии, критерии и постановка задачи
данные, api, статусы и интеграции
согласование и работа с разработкой
Работа аналитика данных не начинается с графика. Сначала нужно превратить неясный вопрос в проверяемую задачу и понять, можно ли доверять источнику.
Понимает, какая метрика изменилась, для какого сегмента, за какой период и какое решение команда хочет принять.
Находит таблицы, события или отчёты, смотрит полноту данных, дубли, пропуски и изменения правил расчёта.
Пишет SQL, собирает выборку, сравнивает периоды, каналы, устройства, когорты или другие сегменты.
Ищет альтернативные объяснения: сезонность, выброс, смену трафика, технический сбой или изменение состава пользователей.
Показывает, что можно считать надёжным, где есть ограничение и какой следующий шаг лучше проверить.
Аналитик данных часто работает рядом с BI, продуктом, бизнесом, Data Science и инженерией данных. Эти роли пересекаются, но не являются синонимами.
| Роль | Главный фокус | Что делает | Чем отличается от Data Analyst |
|---|---|---|---|
| BI-аналитик | Регулярная отчётность и единые показатели. | Строит дашборды, витрины, отчёты, модели показателей и правила визуализации. | Data Analyst чаще разбирает конкретный вопрос и ищет причину изменения, а BI сильнее отвечает за стабильный слой отчётности. |
| Продуктовый аналитик | Поведение пользователей и продуктовые решения. | Считает воронки, retention, когорты, A/B-тесты, сегменты и влияние фич на продукт. | Data Analyst шире по доменам: продукт, маркетинг, продажи, финансы и операции, а Product Analyst глубже в продуктовых метриках. |
| Бизнес-аналитик | Процессы, требования и изменения в работе компании. | Описывает бизнес-процессы, собирает требования, согласует изменения и помогает проектировать систему. | Бизнес-аналитик — соседняя профессия, а не синоним. Data Analyst отвечает на вопрос через данные и метрики. |
| Data Scientist | Модели, прогнозы и машинное обучение. | Строит ML-модели, прогнозы, скоринги, рекомендации и алгоритмические решения. | Data Analyst чаще доводит данные до прикладного вывода, а Data Scientist глубже работает с моделированием. |
| Data Engineer | Пайплайны, хранилища и надёжность данных. | Строит загрузки, витрины, DWH, ETL/ELT-процессы и инфраструктуру данных. | Data Analyst использует слой данных для ответа на вопрос, а Data Engineer строит и поддерживает этот слой. |
| Системный аналитик | Требования к IT-системе и взаимодействие между бизнесом и разработкой. | Описывает интеграции, API, сценарии, ограничения системы и требования для команды разработки. | Data Analyst проверяет гипотезы и метрики через данные, а системный аналитик формализует поведение системы. |
Работодатели ждут от аналитика данных не набор инструментов, а способность довести вопрос до проверяемого вывода. База начинается с SQL: нужно достать данные, соединить таблицы, выбрать период, найти дубли и посчитать метрику.
Python и pandas усиливают специалиста, когда расчёт нужно повторять без ручной работы или обработать большую выборку. Но Python не должен идти раньше SQL. Если аналитик не понимает источник и правила расчёта, код только быстрее приведёт к неверному выводу.
BI-инструменты нужны там, где команда регулярно смотрит на показатели. Power BI, Tableau, Superset или DataLens помогают поддерживать отчёты. Сильный аналитик сначала формулирует вопрос и проверяет данные, а уже потом выбирает график.
1С, Active Directory, CRM и ERP стоит читать как корпоративный контекст. Такие инструменты полезны в банках, ритейле, продажах и внутренних системах. Они не заменяют ядро профессии: SQL, качество данных, статистику, метрики и объяснение вывода.
Вход в профессию для начинающих выглядит достаточно реалистично.
Столько требований работодатели обычно собирают в одной позиции по этой роли.
Соответствие рассчитано по стеку из 313 вакансий — это не реклама, а совпадение со спросом работодателей.
Новичку легко начать с Python или красивых дашбордов, но рабочая аналитика держится на источнике и методике. Поэтому порядок лучше строить от данных к выводу.
Первым делом нужно научиться доставать данные, соединять таблицы, фильтровать периоды, группировать и проверять результат.
Таблицы помогают быстро проверять расчёты, показывать промежуточный результат и общаться с бизнес-командой.
Нужны среднее, медиана, распределения, выборки, случайность, доверие к сравнению и осторожность с причинностью.
Важно понимать конверсию, retention, churn, средний чек, маржу, CAC, ROMI и другие показатели конкретного домена.
График выбирают под вопрос: динамика, сравнение сегментов, распределение, структура или связь между показателями.
Python стоит подключать после SQL: он ускоряет обработку, автоматизацию и воспроизводимость, но не заменяет понимание источника.
Разберите гипотезу, группы, метрику, длительность, случайность, статистическую значимость и практический эффект.
Финальный шаг - 3 кейса с вопросом, источником, SQL, проверкой качества, выводом и ограничением.
У аналитика данных легко перепутать инструмент с профессией. На старте важнее научиться задавать вопрос к данным, проверять источник и объяснять вывод, чем собрать длинный список модных технологий.
Большинство рабочих вопросов начинается с таблиц, фильтров, join, группировок и проверки выгрузки. Python полезен после того, как понятен источник.
Power BI или Tableau не спасут отчёт, если непонятно, что такое конверсия, retention, выручка, маржа, LTV, CAC или ROMI.
Сначала нужны распределения, среднее и медиана, выборки, выбросы, сегменты, гипотезы и качество данных.
В кейсе должны быть вопрос, источник, проверка качества, расчёт, вывод, ограничение и следующий шаг.
BI-инструмент помогает показывать показатели, но не решает за аналитика, какой вопрос задан и можно ли доверять данным.
Среднее легко ломается выбросами и смешанными сегментами. Проверяйте распределение, медиану, группы пользователей и правила расчёта.
До вывода нужно проверить дубли, пропуски, типы данных, границы периода, полноту событий и правила расчёта метрик.
Если не понятны гипотеза, группы, целевая метрика, длительность, статистическая значимость и ограничение эксперимента, лучше сначала добрать базу.
Ближайшие роли отличаются фокусом: отчётность, продукт, процессы, модели или инженерный слой данных.
Вакансий с зарплатой меньше, чем всего активных вакансий, потому что работодатели часто скрывают оплату, пишут «по договорённости» или публикуют вилку в неструктурированном виде. Поэтому медиану нужно читать как ориентир по видимой части рынка, а не как точную оплату каждого Data Analyst.
Спрос высокий, но медианная зарплата не в топе IT-профессий. Причина в составе рынка: много регулярной аналитики, отчётности, junior и middle-ролей, где ценится база, но зона влияния ограничена. Выше оплачивается не сам факт знания Python, а самостоятельность: выбрать методику, проверить источник, объяснить ограничение и повлиять на решение.
Рост дохода начинается там, где аналитик перестаёт быть человеком для выгрузок. Он спорит с постановкой, защищает расчёт, видит смещение в данных и помогает команде выбрать действие, а не просто приносит таблицу.
Спрос на аналитика данных лучше читать как сочетание объёма найма, ранга профессии в общей выборке и устойчивости вакансий во времени. Виджеты выше дают быстрый срез рынка, а график ниже помогает понять, насколько этот спрос поддерживается от месяца к месяцу.
В актуальном срезе SkillStat по Москве и МО у аналитика данных 313 активных вакансий, спрос 86/100, ранг #7 из 71 и статус «очень высокий». 7 дней назад было 542, 30 дней назад - 282. Это сильная текущая точка, но её нельзя читать отдельно от сглаженного ряда.
Спрос объясним: компаниям постоянно нужны люди, которые связывают данные с решениями в продажах, продукте, маркетинге, финансах, логистике и операционных процессах. При этом часть дневного скачка может быть связана с активностью крупных работодателей, обновлением пачки вакансий или расширением формулировок роли. Для вывода о долгом росте важны график, средние значения и состав выборки.
Ценность аналитика данных зависит не от количества графиков. Сильный кандидат умеет проверить источник, найти дубли и пропуски, объяснить методику, отделить сигнал от шума и показать, какое решение действительно следует из расчёта.
Этот срез показывает, в каком формате работодатели чаще всего открывают вакансии по профессии: удалённо, гибридно или с полной привязкой к офису.
Грейдовые медианы показываются только для уровней с достаточной зарплатной выборкой. Если данных хватает не по всем уровням, SkillStat не выводит отдельную salary-колонку в карьерных карточках, чтобы не повторять пустые значения.
Intern помогает с простыми выгрузками, проверкой данных, подготовкой таблиц и повторением готовых расчётов. Для перехода дальше нужно уверенно писать базовый SQL, понимать метрику и объяснять, какие ограничения есть у выборки.
Junior решает понятные задачи под ревью: пишет SQL, проверяет источник, строит простой график и описывает вывод. Следующий шаг — перестать ждать полностью готовую постановку и научиться уточнять вопрос самостоятельно.
Middle ведёт прикладной разбор целиком: уточняет вопрос, выбирает источник, проверяет качество, считает метрики, сравнивает сегменты и объясняет ограничение. Для роста нужно сильнее влиять на решение и защищать методику.
Senior работает с неоднозначными задачами, несколькими источниками и высокой ценой ошибки. Он видит смещение данных, спорит с неверной постановкой и помогает команде не принять ложный вывод за факт.
Lead отвечает за качество аналитики шире одной задачи: правила метрик, подход к экспериментам, развитие команды, приоритизацию исследований и доверие бизнеса к аналитическим выводам.
Воронки, retention, когорты, A/B-тесты, причины падения конверсии и оценка влияния фич.
CAC, ROMI, качество заявок, конверсия по каналам, средний чек, маржа и эффективность менеджеров.
План-факт, прибыльность, риски, сегменты клиентов, продуктовые метрики и строгие правила расчёта.
Ассортимент, спрос, склад, доставка, возвраты, SLA, операционные потери и сезонность.
Внутренние отчёты, CRM/ERP, 1С, права доступа, качество источников и согласование методики.
Регулярная отчётность, ad hoc-исследования, поддержка руководителей и единые правила метрик.
Практический путь входа в профессию: что освоить сначала, как собрать рабочую базу и на чём быстрее всего набирается прикладная уверенность.
SELECT, WHERE, JOIN, GROUP BY, оконные функции, подзапросы и проверка результата на небольших срезах.
Пропуски, дубли, выбросы, неполные периоды, сломанные события и изменения правил расчёта.
Среднее, медиана, распределения, выборки, случайность, доверие к сравнению и осторожность с причинностью.
Конверсия, retention, churn, средний чек, маржа, CAC, ROMI, LTV и продуктовые воронки.
Выбирать график под вопрос, не перегружать дашборд и подписывать ограничение методики.
Автоматизировать расчёты, чистить данные, повторять анализ и вести ноутбук с понятной логикой.
Воронка, когорты или удержание, маркетинговый канал или продажи. Каждый проект должен отвечать на бизнес-вопрос.
README, источник, SQL, проверка качества, визуализация, вывод, ограничение и следующий шаг.
SQL, метрики, статистика, качество данных, кейсы и объяснение вывода простым языком.
Junior, intern и смежные аналитические позиции подходят, если можно показать кейсы и уверенную SQL-базу.
Сопоставили программы с реальным стеком из 313 вакансий — оценка соответствия рассчитана автоматически, это не реклама.
Соответствие — доля ключевых навыков из вакансий, которые охватывает программа курса
Портфолио аналитика должно показывать ход мысли, а не только графики. Работодатель смотрит, как вы формулируете вопрос, проверяете данные и защищаете вывод.
Покажите вопрос, схему таблиц, запросы, проверки, агрегации, сегменты и итоговый вывод.
Разберите конверсию, retention, средний чек, LTV, CAC или ROMI и объясните, что изменилось.
Сделайте отчёт с понятными фильтрами, определениями метрик, источниками и ограничениями.
Покажите очистку данных, обработку пропусков, повторяемый расчёт и аккуратный notebook.
Опишите гипотезу, группы, метрику, длительность, результат, ограничение и практический вывод.
Покажите дубли, пропуски, аномалии, правила проверки и то, как качество данных влияет на вывод.
Собеседование редко ограничивается вопросом «знаете ли вы SQL». Обычно проверяют, как кандидат думает: какой вопрос задаёт к данным, как проверяет качество и как объясняет ограничение результата.
Join, group by, window functions, subqueries, dates, duplicates, NULL, performance basics and validation of result.
Conversion, retention, churn, LTV, CAC, ROMI, average check, revenue, margin and metric definitions.
Mean, median, distribution, outliers, sample, confidence, correlation, causality and experiment limits.
Cleaning data, grouping, merging, missing values, reproducible notebook and simple automation.
Power BI, Tableau, Superset, dashboard logic, chart choice, filters, metric definitions and data freshness.
Например: просела конверсия, вырос CAC, упал retention, сломался отчёт или две команды считают одну метрику по-разному.
Дубли, пропуски, выбросы, неверные типы, неполные события, смена правил расчёта и проверка источника.
Кандидата просят объяснить, что можно утверждать, что нельзя, какой риск ошибки и какой следующий шаг нужен бизнесу.
Большинство слабых портфолио выглядит одинаково: красивый график, непонятный вопрос и нет проверки данных. Это легко исправить, если строить каждый кейс вокруг решения.
Если непонятно, на какой бизнес-вопрос отвечает анализ, график превращается в украшение.
Нужно показать, откуда данные, полный ли период, есть ли дубли, пропуски и смена правил расчёта.
Нельзя утверждать причинность, если вы видите только корреляцию или не контролируете сегменты.
SQL, Python, Power BI и ML в одном учебном проекте хуже, чем один чистый кейс с понятным выводом.
Сильный аналитик всегда пишет, что может быть ошибкой: выборка, сезонность, неполные события или смещённый сегмент.
После анализа должно быть понятно, что делать: проверить гипотезу, изменить сегмент, уточнить сбор данных или запустить эксперимент.
Аналитик данных остаётся нужным там, где компании хотят принимать решения по метрикам, а не по ощущениям. Формальные выгрузки будут дешеветь, но специалисты, которые отвечают за методику и вывод, сохраняют сильную позицию.
Будущее профессии связано не с ручным построением отчётов, а с качеством интерпретации. AI уже помогает писать черновой SQL, предлагать графики, искать аномалии, документировать расчёты и быстрее разбирать незнакомый датасет.
Но AI не заменяет постановку вопроса, проверку источника, выбор методики и ответственность за интерпретацию. Если событие сломалось, выборка смещена или команда задаёт неправильный вопрос, быстрый инструмент только быстрее приведёт к неверному выводу.
Самыми уязвимыми будут слабые «выгрузчики», которые не отвечают за смысл расчёта. Сильные аналитики станут быстрее: они будут использовать AI для рутины, а сами держать вопрос, источник, методику, ограничение и решение.
Профессия подходит тем, кто любит докапываться до причины и спокойно живёт с неоднозначностью. Здесь важно не влюбляться в первый красивый график, не бояться пересчитать заново и уметь сказать команде, что данных пока недостаточно для уверенного решения.
Аналитик данных — специалист, который помогает команде принять решение по данным. Он проверяет источник, считает метрики, ищет причину изменений и объясняет, какому выводу можно доверять.
Он уточняет вопрос, ищет данные, пишет SQL, проверяет качество, считает метрики, сравнивает сегменты, строит графики и объясняет вывод с ограничениями методики.
Можно. Работодателю важнее практические навыки: SQL, метрики, проверка данных, понятный вывод и портфолио. Техническое образование помогает, но не заменяет реальные аналитические кейсы.
Да, если идти через практику: SQL, таблицы, метрики, статистика, визуализация, проверка данных и несколько портфолио-кейсов. Важно показывать не инструмент, а ход анализа и вывод.
По SkillStat в Москве и МО медианная зарплата аналитика данных — 139 000 ₽ по срезу от 23.06.2026. Диапазон по активным вакансиям: 115 000 ₽–196 000 ₽, выборка зарплат — n=44.
Junior не всегда проводит A/B-тесты сам, но должен понимать базу: гипотеза, группы, целевая метрика, период, статистическая значимость, практический эффект и ограничения эксперимента.
Бизнес-аналитик собирает требования, описывает процессы и помогает сформулировать, что нужно изменить в системе или бизнесе. Аналитик данных отвечает на вопросы через данные, метрики, расчёты и проверяемые выводы.
Data Analyst шире работает с вопросом, метриками, проверкой данных, сегментами и выводом. BI-аналитик чаще глубже отвечает за отчётность, модели данных, дашборды и регулярный доступ команды к показателям.
SQL-аналитик сильнее фокусируется на запросах, базах и выборках. Аналитик данных шире отвечает за вопрос, методику, метрики, визуализацию, интерпретацию и решение на основе результата.
Data Analyst чаще работает с SQL, метриками, отчётами, BI, статистикой и выводами для решений. Data Scientist чаще строит ML-модели, прогнозы, алгоритмы и экспериментирует с моделированием.
Выбросы — значения, резко отличающиеся от основной массы данных. Дубли — повторяющиеся записи. И то и другое может исказить среднее, количество пользователей, заказов, событий или выручку, поэтому аналитик проверяет правила расчёта и дедупликации.
Когортный анализ сравнивает группы пользователей, объединённых общим событием или периодом, например датой регистрации. Он помогает понять retention, повторные покупки и поведение разных волн пользователей.
A/B-тест — эксперимент, где аудиторию делят на группы и сравнивают, как изменение влияет на заранее выбранную метрику. Важно заранее определить гипотезу, группы, период, целевую метрику и ограничения.
CAC — стоимость привлечения клиента. Обычно её считают как расходы на привлечение, делённые на число привлечённых клиентов, но методика зависит от канала, периода и правил атрибуции.
Data quality — качество данных: полнота, точность, актуальность, отсутствие дублей, корректные типы, понятные правила расчёта и стабильный сбор событий. Без этого вывод может быть красивым, но неверным.
LTV — оценка того, сколько ценности или выручки приносит пользователь за время жизни в продукте. Её нельзя считать без понимания периода, маржи, удержания и ограничений данных.
Retention показывает, какая доля пользователей возвращается или продолжает пользоваться продуктом спустя время. Метрика важна для подписок, приложений, сервисов и продуктов с повторным использованием.
ROMI показывает отдачу от маркетинговых вложений. Для корректного расчёта нужно понимать доход, расходы, период, атрибуцию, маржинальность и то, какие каналы попали в расчёт.