Данные из 252вакансии · 12 августа 2026

Как стать аналитиком данных: путь от нуля до первого оффера

Не «стань разработчиком за 3 месяца» — реальный путь входа на основе данных по 252 вакансии.

Мурадов ЮрийАвтор·Мурадов Юрий·Аналитик SkillStat
ИАПроверено·Игорь Антонов·Технический редактор·Senior Data Analyst
Junior-вакансий сейчас
41
16% от всех 252 вакансии
Сложность входа
Низкая
16% junior-вакансий
Senior / Junior+Intern
1.4x
На каждого junior+intern — 1.4 senior
Навыков / вакансия
9
медиана по вакансиям
Всего вакансий
252
активных в Москве
Можно ли с нуля Короткий план Roadmap Junior-рынок Портфолио Резюме Собеседование Ошибки Обучение Курсы FAQ

Можно ли стать аналитиком данных с нуля

Да. По данным SkillStat, 16% вакансий аналитика данных — уровня junior или стажёр. Это 41 вакансия прямо сейчас.

«С нуля» для аналитика данных — самый честный вариант этой фразы во всём IT. К первому отклику нужны: SQL на уровне соединений, группировок и оконных функций; понимание метрик (конверсия, удержание, средний чек, маржа); привычка проверять данные до того, как делать вывод; и два-три кейса, где виден не график, а ответ на вопрос. Медиана требований — 9 навыков, один из самых коротких списков в данных.

Трудность входа не в инструментах. SQL до рабочего уровня доходит за пару месяцев, метрики читаются за неделю. Трудно другое: удержаться от вывода, который просится сам. Конверсия упала — это правда падение или в источнике сломалось событие? Сегмент вырос — он вырос или туда переложили трафик из соседнего? За эту паузу перед выводом и платят, а тренируется она только на грязных данных, не на учебных наборах, где всё чисто. Плюс конкуренция: на одного junior приходится 1.4 senior-вакансии, и дверь здесь шире, чем у соседей, поэтому желающих больше.

Как стать аналитиком данных: короткий план

Пять шагов от первого запроса до кейса, который заканчивается решением, а не картинкой.

01
Рабочий SQL
SQL — в 90.1% вакансий аналитика данных, самый частый навык. Аналитику он нужен, чтобы достать факт: соединить таблицы, выбрать период, поймать дубли и посчитать метрику. Оконные функции — там, где начинаются когорты и удержание.
02
Качество данных
Пропуски, дубли, выбросы, неполный последний период, сломанное событие, смена правил расчёта. Этот шаг стоит перед любым выводом. Пропустишь — уверенно посчитаешь неправду.
03
Метрики
Конверсия, удержание, отток, средний чек, маржа, стоимость привлечения, окупаемость канала. Важнее формулы — знать, что метрика скрывает: среднее по всем прячет разницу между сегментами.
04
Статистика и сегменты
Среднее против медианы, распределения, выборка, случайность, осторожность с причинностью. Минимум, который отделяет вывод от совпадения: понимать, когда разница между сегментами ничего не значит.
05
Python и кейсы
Python — в 65.9% вакансий, pandas — в 29.8%. Нужен, когда расчёт надо повторить или выборка не лезет в запрос. Дальше — два-три кейса с выводом и визуализацией: Power BI (21%), Tableau (16.7%), Apache Superset (21.8%).

Что учить аналитику данных первым

Не всё сразу. Вот очерёдность по частотности в вакансиях — от самого нужного к менее срочному.

Полный список навыков с частотностью, связками и зарплатной премией — навыки аналитика данных →

Roadmap аналитика данных: от нуля до junior

Порядок опирается на частотность навыков по данным вакансий. Первые 4–5 этапов — минимум для первого оффера.

  1. 01
    SQL 90.1% вакансий

    SELECT, JOIN, агрегации, оконные функции, оптимизация запросов — основа работы аналитика.

    Подробнее →
  2. 02
    BI-инструменты 21% вакансий

    Power BI или Tableau: построение дашбордов, DAX/MDX, визуализация метрик для бизнеса.

    Подробнее →
  3. 03
    Python и pandas 65.9% вакансий

    pandas, numpy, matplotlib/seaborn — анализ данных, очистка, визуализация в Jupyter.

    Подробнее →
  4. 04
    DWH и ETL 13.1% вакансий

    Концепции хранилищ данных, ETL-процессы, базовые понятия Airflow и Data Pipeline.

    Подробнее →
  5. 05
    Бизнес-коммуникация

    Переводить задачу бизнеса в аналитический вопрос, презентовать результаты нетехнической аудитории.

Junior-вакансии аналитика данных: что реально требуют работодатели

Срез построен на 252 активных вакансии.

Junior-вакансий
41
inc. стажировки
Доля junior
16%
от всего рынка
Senior / Junior+Intern
1.4x
соотношение
Навыков / вакансия
9
медиана
Распределение вакансий по грейдам
Intern — 1.2% (2)
Junior — 23.5% (39)
Middle — 37.3% (62)
Senior — 33.7% (56)
Lead — 4.2% (7)
Что значат эти цифры. 41 вакансия уровня junior и стажёра из 252 — вход доступный, и это одна из самых открытых дверей в работу с данными. У открытой двери есть цена: на стартовые вакансии аналитика данных приходит очередь, и отбирают не по знанию SQL — его показывают все. Отбирают по способности объяснить вывод: почему цифра такая, что ты проверил перед тем, как её назвать, и чего эти данные не говорят. Кейс с честным «здесь мы не знаем» сильнее пяти дашбордов.

Какие проекты сделать для портфолио

Портфолио аналитика данных — не витрина графиков. Это два-три разбора, и в каждом видно: какой вопрос стоял, откуда взялись данные, что в них было сломано, что посчитал, какой вывод сделал и чего этот вывод не доказывает. Последний пункт пропускают почти все — и именно он отличает аналитика от рисовальщика.

Кейс: почему упала конверсия
Средняя · 1–2 недели
Стек: SQL, PostgreSQL, анализ данных
GitHub: Репозиторий: запросы файлами, проверка качества данных отдельным шагом, разбор трёх версий, вывод и его ограничение
Ценность: Главный артефакт роли: видно ход мысли, а не результат. Проверенные и отброшенные версии здесь ценнее верного ответа
Когорты и удержание
Средняя · 1–2 недели
Стек: SQL, Python, pandas
GitHub: Расчёт когорт, тепловая карта удержания, объяснение, почему когорты нарезаны так, и что портит картину
Ценность: Показывает работу со временем и сегментами: самая частая тема на собеседовании после SQL
Разбор маркетингового канала
Средняя · 1 неделя
Стек: SQL, ms excel, Power BI
GitHub: Выгрузка по каналам, стоимость привлечения и окупаемость, сравнение сегментов, вывод с рекомендацией и ценой ошибки
Ценность: Кейс с деньгами читается бизнесом сразу: рекомендация должна быть такой, чтобы по ней можно было принять решение
Проверка данных перед выводом
Лёгкая–средняя · 1 неделя
Стек: SQL, Python, pandas, ClickHouse
GitHub: Один набор данных и отчёт о том, что в нём сломано: дубли, пропуски, неполный период, изменившееся правило расчёта
Ценность: Редкий и очень сильный кейс: показывает, что ты не считаешь по грязным данным — это первое, чего боится нанимающий

Как оформить GitHub и резюме

Профиль GitHub
  • Репозиторий с разборами: одна папка — один вопрос бизнеса, а не один набор данных
  • README по шаблону: вопрос, источник, что проверил, что посчитал, вывод, ограничение, следующий шаг
  • SQL — отдельными файлами, не картинкой в ноутбуке: его будут читать, чтобы понять, как ты думаешь
  • Графики — в README картинкой, с подписью, что на них видно. Ссылка на интерактивный дашборд отдельно: не все её откроют
  • Учебные наборы про пассажиров и цветочки не считаются — они есть у всех и в них ничего не сломано. Бери открытые данные или выгрузку со своей работы
Резюме без коммерческого опыта
  • Раздел «Проекты» вперёд опыта: кейс с выводом описывается как рабочая задача
  • По каждому кейсу — вопрос и решение, которое из него следует. «Построил дашборд» не результат; результат это «отказались от канала»
  • Навыки — только рабочие: SQL, Python. «Знаком с Python» без кода в кейсах читается как ноль
  • Опыт из любой сферы, где ты считал и объяснял цифры (маркетинг, финансы, операции, продажи), — валюта: домен здесь важнее, чем кажется
  • Сопроводительное: назови область, где понимаешь данные без объяснений. Аналитик, знающий предметную область, догоняет по SQL быстрее, чем наоборот
Слабое резюме

«Знаю SQL и Python, работал с pandas, строил дашборды в Power BI, проходил курс по анализу данных»

Сильное резюме

«Разобрал падение конверсии в оформлении заказа: проверил три версии, отбросил две. Оказалось, что упал не спрос — сломалось событие на шаге оплаты, и часть заказов не доезжала до отчёта. Нашёл сверкой с базой платежей: SQL плюс проверка полноты периода. Отчёт с ограничением («данные до починки события считать нельзя») и пересчёт после. Кейс: [ссылка]»

Самостоятельно, курсы или вуз — какой путь выбрать

Самостоятельно
SQL, метрики и статистика закрываются по открытым источникам, тренажёров с задачами много, данные для практики лежат в открытом доступе
Никто не скажет, что твой вывод не следует из твоих данных. Это главная ошибка новичка, и сам её не увидишь
Если рядом есть настоящие цифры: маркетинг, продажи, операции — там же и вопросы бизнеса
Курсы с ментором
Ревью кейсов и защита вывода вслух — то, чего не даст ни один тренажёр. Заодно готовая структура вместо метаний
Дорого, а рынок курсов здесь самый перегретый: часть программ учит рисовать графики по чистым наборам, где вывод очевиден заранее
Если нет своих данных и не на чем тренировать разбор с грязными источниками
Вуз
Статистика и математика в программе — это то, что потом отделяет вывод от совпадения. Догнать самому сложнее всего именно её
Четыре года, а SQL и BI-инструментов в программе может не быть вовсе
Если выбираешь первое образование или целишься в исследования и продвинутую аналитику
Ловушка аналитики данных: учить инструменты вместо вопроса. Каждый новый курс добавляет строчку: SQL, потом Python, потом pandas, потом Power BI, потом Apache Spark. Список растёт, а кейсов нет. Между тем на собеседовании спросят не про синтаксис оконной функции, а про то, как ты поймёшь, что метрика упала по-настоящему, а не потому, что сломалось событие. Тренируется это только на грязных данных с настоящим вопросом. Один разбор с честным «здесь данные не позволяют ответить» стоит трёх курсов.
Курсы · подобрано по данным рынка

Курсы для аналитика данных

Сопоставили программы с реальным стеком из 252 вакансии — оценка соответствия рассчитана автоматически, это не реклама.

Все курсы →
Соответствие = доля ключевых навыков вакансий, которые закрывает программа курса. На основе 252 вакансии, обновлено автоматически.

Что спрашивают на собеседовании

SQL
Типовые вопросы
  • ·Соединения: чем внутреннее отличается от левого и когда теряются строки
  • ·Оконные функции: посчитать долю от группы и найти первое событие пользователя
  • ·Как найти дубли и что с ними делать
  • ·Группировка с фильтром по агрегату: где ошибаются чаще всего
Как показать проектом

Кейс с разбором: покажи запрос, который переписал после того, как нашёл дубли

Метрики
Типовые вопросы
  • ·Как считаешь конверсию и что берёшь в знаменатель
  • ·Удержание и отток: чем отличаются и как их нарезать по когортам
  • ·Средний чек вырос, выручка упала — как такое возможно
  • ·Какую метрику предложишь для новой функции и почему именно её
Как показать проектом

Кейс с когортами: объясни, почему нарезал именно так

Качество данных
Типовые вопросы
  • ·Метрика упала вдвое за день — первые действия
  • ·Как поймёшь, что событие сломано, а не поведение изменилось
  • ·Последний период неполный: как это влияет на вывод
  • ·Правило расчёта поменяли полгода назад — что делать со сравнением
Как показать проектом

Отчёт о качестве данных: что нашёл и как это меняло вывод

Статистика и выводы
Типовые вопросы
  • ·Среднее или медиана: что берёшь и почему
  • ·Один сегмент лучше другого — как поймёшь, что это не случайность
  • ·Корреляция и причинность: пример, где их перепутали
  • ·Данных не хватает для ответа — что скажешь заказчику
Как показать проектом

Кейс с ограничением: покажи, где сказал «эти данные так не работают»

Визуализация и коммуникация
Типовые вопросы
  • ·Как выбираешь график под вопрос
  • ·Что покажешь руководителю: дашборд или один слайд с выводом
  • ·Заказчик просит цифру, которая подтвердит его решение — твои действия
  • ·Как объяснишь метрику человеку без аналитического опыта
Как показать проектом

Разбор канала: покажи, как одна картинка отвечает на вопрос

Сколько времени нужно, чтобы стать аналитиком данных

Минимум
5–8 мес
Из смежной роли с цифрами: маркетинг, финансы, операции. Вопросы бизнеса и предметная область уже знакомы, добирается SQL
Медиана
9–14 мес
Самостоятельно, с нуля, по 2–3 часа в день, с кейсами вместо конспектов
Реалистично
12–18 мес
При совмещении с работой и без данных рядом, на которых можно тренироваться

Почему «SQL за два месяца» не равно «работа через два месяца». SQL действительно закрывается за пару месяцев. Дальше идёт то, что не учится по видео: два-три кейса на грязных данных, тестовые задания и защита вывода на собеседовании. Спрашивают там не синтаксис, а «почему ты решил, что метрика упала по-настоящему».

Скорость решают три вещи: есть ли рядом настоящие данные с настоящим вопросом, доводишь ли кейсы до вывода (а не до графика) и умеешь ли объяснить результат человеку без аналитического опыта. Последнее проверяют почти на каждом собеседовании.

Ошибки новичков

Строят график до вопроса

Почему мешает: Дашборд без вопроса — украшение. Аналитика начинается с решения, которое надо принять, а не с данных, которые есть

Как исправить: Перед первым запросом сформулируй: какое решение изменится в зависимости от ответа. Нет ответа на это — нет задачи

Считают по непроверенным данным

Почему мешает: Пропуски, дубли, сломанное событие и неполный последний период дают уверенно посчитанную неправду. Найдут её потом, и потом будет дороже

Как исправить: Проверка качества — отдельный шаг перед расчётом: дубли по ключу, полнота периода, резкие смены состава данных

Учат Python раньше SQL

Почему мешает: SQL — в 90.1% вакансий аналитика данных, Python — в 65.9%. Почти любой рабочий вопрос начинается с источника, фильтра и соединения таблиц. pandas этого не заменяет, а повторяет поверх выгрузки

Как исправить: Сначала SQL до рабочего уровня: соединения, группировки, оконные функции. Python — когда расчёт надо повторять

Один вывод без альтернатив

Почему мешает: Первое объяснение почти всегда самое очевидное и часто неверное. Конверсия упала — сломался ли счётчик? изменился ли состав трафика? был ли праздник?

Как исправить: Три версии минимум, и покажи, чем отбросил две. Именно этого ждут на тестовом

Не называют ограничение

Почему мешает: Вывод без границ применения выглядит сильнее, а стоит дешевле: по нему примут решение там, где данные не работают

Как исправить: К каждому кейсу — строчка «чего эти данные не говорят». Самая недооценённая фраза в профессии

Портфолио из учебных наборов

Почему мешает: Разбор пассажиров и цветочков есть у всех, кто прошёл тот же курс. В них ничего не сломано, вывод известен заранее, и ход мысли не виден

Как исправить: Бери открытые данные или выгрузку со своей работы: там есть дубли, пропуски и настоящий вопрос без известного ответа

Гонятся за BI-инструментом

Почему мешает: Power BI — в 21% вакансий аналитика данных, Tableau — в 16.7%, Apache Superset — в 21.8%. Инструмент выбирает работодатель, и переучиваются на другой за неделю. Учить все три — потеря месяца

Как исправить: Один инструмент до рабочего уровня, и то после SQL и метрик. Дашборд без понимания метрики — красивая ошибка

Игнорируют предметную область

Почему мешает: Аналитик без понимания бизнеса считает то, о чём попросили, и не замечает, что просят не то. Домен здесь догоняет SQL по важности

Как исправить: Выбери область (маркетинг, продажи, логистика, продукт) и разбери её метрики до уровня, где можешь спорить с постановкой

Ждут готовой постановки

Почему мешает: «Посмотри, что с продажами» — нормальная задача, а не плохая. Перевод размытого вопроса в проверяемый и есть работа аналитика

Как исправить: Тренируйся уточнять: что изменилось, у кого, за какой период, какое решение принимается. Четыре вопроса закрывают почти любую постановку

Как SkillStat считает данные

Источник: 252 вакансии в московском сегменте. Навыки и грейды извлекаются автоматически из текста каждой вакансии.

Грейды: определяются по требованиям вакансии — уровню опыта, упоминанию «junior», «intern», «стажёр». Это рыночная оценка объявления.

Сложность входа: рассчитывается по доле junior-вакансий и медиане навыков на junior-уровне. Это индикатор, а не гарантия.

Обновление: данные пересчитываются регулярно. Текущий срез — 12 августа 2026.

Частые вопросы

Можно ли стать аналитиком данных с нуля?
Да, и это одна из самых открытых дверей в работу с данными: junior и стажёров среди вакансий аналитика данных — 41 из 252. Технического образования обычно не требуют. Но у открытой двери есть очередь: SQL показывают все, поэтому отбирают по кейсам, где виден ход мысли, а не набор графиков.
Чем аналитик данных отличается от BI-аналитика?
Продуктом работы. Аналитик данных отвечает на вопрос и отдаёт вывод: почему упала конверсия, что делать с каналом. BI-аналитик строит систему отчётности, чтобы бизнес отвечал на типовые вопросы сам, без аналитика. Первый работает разово и вглубь, второй — постоянно и вширь. Стек пересекается (SQL, Power BI — в 21% вакансий), но у BI на первом месте модель данных и словарь метрик, а у аналитика — версии и статистика.
Чем аналитик данных отличается от продуктового аналитика?
Областью. Продуктовый аналитик всегда про поведение пользователей продукта: воронки, удержание, эксперименты. Аналитик данных шире: те же методы применяются к продажам, логистике, финансам, операциям. В крупной продуктовой компании это разные роли, в остальных — одна и та же работа с разными названиями в вакансии.
Чем аналитик данных отличается от инженера данных?
Вопросом, на который отвечаешь. Аналитик отвечает бизнесу: что произошло и что делать. Инженер данных делает так, чтобы было на чём считать: маршрут от источника до витрины, расписание, проверки. Разница видна по стеку: у инженера Apache Airflow, ETL и Apache Spark в ядре, у аналитика они на периферии (21%, 19.4%, 13.1%) и появляются, когда инженера в команде нет.
Нужен ли SQL аналитику данных?
Это самый частый навык профессии: 90.1% вакансий (227 из 252). Почти любой рабочий вопрос начинается с источника: найти таблицу, соединить, выбрать период, отсечь дубли, посчитать. Уровень нужен рабочий, а не олимпиадный: соединения, группировки, подзапросы, оконные функции. Всё остальное в профессии стоит после.
Нужен ли Python и когда?
Python — в 65.9% вакансий аналитика данных, pandas — в 29.8%, NumPy — в 17.5%. Но не первым. Python нужен там, где расчёт надо повторять без ручной работы, или выборка не помещается в запрос, или требуется статистика сложнее среднего. Аналитик, который тянется к pandas раньше, чем к SQL, обычно просто хуже знает SQL.
Какой BI-инструмент учить?
Один, и после SQL. Power BI — в 21% вакансий аналитика данных, Tableau — в 16.7%, Apache Superset — в 21.8%. Выбирает работодатель, а переучиваются за неделю: принципы визуализации общие. Учить все три до первой работы — потерянный месяц.
Нужна ли статистика и в каком объёме?
Нужна, но не академическая. Рабочий минимум: среднее против медианы, распределения, выборка и случайность, осторожность с причинностью, понимание, когда разница между сегментами ничего не значит. Этого хватает, чтобы не выдать совпадение за вывод — а именно на этом и валят на собеседовании. Углубляться в проверку гипотез стоит, если целишься в эксперименты.
Нужна ли высшая математика?
Нет. Матанализ и линейная алгебра нужны в машинном обучении, а не в анализе данных. Здесь работают четыре арифметических действия, доли, понимание распределений и способность объяснить результат человеку без аналитического опыта. Последнее сложнее математики и проверяется чаще.
Какое образование нужно?
Любое: технического диплома большинство вакансий аналитика данных не требует. Помогает то, где учили считать и сомневаться — экономика, социология, физика, математика. Смотрят на кейсы: вопрос, проверка данных, расчёт, вывод, ограничение. Диплом здесь заменяется папкой разборов.
Можно ли перейти в аналитику из другой профессии?
Это основной путь. Маркетинг, продажи, финансы, операции, логистика — везде ты уже отвечаешь на вопросы бизнеса цифрами, просто в таблицах. Не хватает обычно только SQL и привычки проверять данные до вывода. Переход внутри своей компании короче отклика снаружи: домен ты уже знаешь, а домен здесь ценится выше, чем кажется.
Нужны ли ETL, DWH и Apache Airflow?
Как контекст, а не как ядро. ETL — в 19.4% вакансий аналитика данных, DWH — в 13.1%, Apache Airflow — в 21%. Появляются они там, где инженера данных в команде нет и аналитик сам ведёт загрузки. Понимать, откуда приезжают данные, полезно всегда; строить пайплайны до первой работы — нет.
Зачем аналитику 1С, Excel и Active Directory?
1С — в части вакансий аналитика данных, ms excel — в 18.7%, Active Directory — в 22.2%. Это корпоративный контекст: часть аналитиков работает не с продуктовыми событиями, а с учётной системой, выгрузками и внутренними доступами. Не «ненастоящая аналитика» — просто другой домен, и вход в него часто проще.
Какие проекты сделать для портфолио?
Два-три разбора с выводом, а не пять дашбордов. Например: почему упала конверсия, когорты и удержание, разбор маркетингового канала. Ключевые навыки профессии для них: SQL, Python, pandas. В каждом README — вопрос, источник, проверка данных, расчёт, вывод, ограничение. Учебные наборы не считаются: в них ничего не сломано.
Когда начинать откликаться?
Когда есть два кейса с выводом и по каждому можешь объяснить, что проверил и чего вывод не доказывает. Junior-позиций 41 вакансия, и они закрываются быстро — откликайся параллельно с учёбой, а не после неё.
Что спрашивают на собеседовании?
SQL (соединения, группировки, оконные функции), метрики и их знаменатели, качество данных, статистика на уровне «случайность или нет» и разбор кейса вслух. Самый частый сценарий — «метрика упала вдвое за день, твои действия». Подробнее — в разделе «Собеседование» на этой странице.
Сколько зарабатывает начинающий Аналитик данных?
Ориентир для junior — 72 450–104 650 ₽ при медиане по профессии 161 000 ₽. Разбивка по грейдам и динамика — на странице зарплат аналитика данных.
Где посмотреть навыки аналитика данных?
На странице навыков аналитика данных — частотность по 252 вакансии, разбивка по грейдам и связки инструментов.