Данные из 165вакансий · 12 августа 2026

Как стать продуктовым аналитиком: путь от нуля до первого оффера

Не «стань разработчиком за 3 месяца» — реальный путь входа на основе данных по 165 вакансий.

Мурадов ЮрийАвтор·Мурадов Юрий·Аналитик SkillStat
НОПроверено·Новиков Олег·Технический редактор·руководитель группы аналитиков · опыт 10+ лет
Junior-вакансий сейчас
20
12% от всех 165 вакансий
Сложность входа
Средняя
12% junior-вакансий
Senior / Junior+Intern
2.7x
На каждого junior+intern — 2.7 senior
Навыков / вакансия
6
медиана по вакансиям
Всего вакансий
165
активных в Москве
Можно ли с нуля Короткий план Roadmap Junior-рынок Портфолио Резюме Собеседование Ошибки Обучение Курсы FAQ

Можно ли стать продуктовым аналитиком с нуля

Да. По данным SkillStat, 12% вакансий продуктового аналитика — уровня junior или стажёр. Это 20 вакансий прямо сейчас.

«С нуля» для продуктового аналитика — это без коммерческого опыта, но с умением довести вопрос до ответа: достать данные, проверить, что они не врут, посчитать и сказать, что из этого следует и чего не следует. Медиана требований — 6 навыков, и два из них закрывают почти весь вход: SQL (78.2% вакансий) и Python (70.3%).

Трудность не в SQL. Запрос пишется за месяц, а вот у вопроса «почему упала конверсия в оплату» пять правдоподобных ответов, и четыре из них — ошибка данных, сезонность или смена трафика. Отличать продуктовый эффект от артефакта учатся годами. Плюс структура рынка: на одного junior приходится 2.7 senior-вакансии — берут того, кто уже ошибался в интерпретации и научился на этом.

Как стать продуктовым аналитиком: короткий план

Пять шагов от первого запроса к базе до разбора, после которого команда меняет решение.

01
SQL до автоматизма
SQL — в 78.2% вакансий продуктового аналитика. Соединения, группировки, оконные функции, события, временные окна. Это язык, на котором задаётся любой вопрос.
02
Метрики продукта
Воронка, активация, удержание, когорты, сегменты. Для каждой метрики держи ответ: какое решение она помогает принять. Иначе получается витрина цифр.
03
Python для данных
Python — в 70.3% вакансий, pandas — в 17.6%. Нужен там, где отчёта уже мало: проверить выборку, посчитать нестандартное, разобрать выброс.
04
Эксперименты
A/B-тест — не кнопка. Метрика успеха до запуска, размер выборки, защитные метрики, честный вывод при незначимом результате.
05
Кейсы с выводом
2–3 разбора: вопрос, данные, проверка качества, расчёт, ограничение, вывод. Дашборд без вывода — не кейс.

Что учить продуктовому аналитику 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 продуктового аналитика →

Roadmap продуктового аналитика: от нуля до junior

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

  1. 01
    SQL 78.2% вакансий

    Запросы, агрегации, работа с продуктовыми данными напрямую из СУБД.

    Подробнее →
  2. 02
    BI и визуализация 15.2% вакансий

    Tableau, Power BI, Redash, Metabase — дашборды и отчёты для стейкхолдеров.

    Подробнее →
  3. 03
    Продуктовые метрики

    DAU/MAU, Retention, Funnel, LTV — измерение здоровья продукта.

  4. 04
    A/B-тесты и статистика

    Дизайн экспериментов, p-value, размер выборки, интерпретация результатов.

  5. 05
    Python для аналитики 70.3% вакансий

    Pandas, Matplotlib — углублённый анализ данных, автоматизация отчётов.

    Подробнее →
  6. 06
    Коммуникация с командой middle+

    Работа с product- и бизнес-командами, презентация гипотез и инсайтов.

Junior-вакансии продуктового аналитика: что реально требуют работодатели

Срез построен на 165 активных вакансий.

Junior-вакансий
20
inc. стажировки
Доля junior
12%
от всего рынка
Senior / Junior+Intern
2.7x
соотношение
Навыков / вакансия
6
медиана
Распределение вакансий по грейдам
Intern — 1.7% (2)
Junior — 15% (18)
Middle — 25% (30)
Senior — 44.2% (53)
Lead — 14.2% (17)
Что значат эти цифры. 20 вакансий уровня junior из 165 — вход умеренный. Особенность продуктовой аналитики: junior-позиции почти всегда внутри продуктовых команд, а не в отдельном аналитическом отделе. Поэтому смотри ещё «аналитик данных» и просто «аналитик» в продуктовых компаниях: обязанности часто те же, а заголовок вакансии решает больше, чем кажется.

Какие проекты сделать для портфолио

Портфолио продуктового аналитика — не набор графиков. Это разборы: какой вопрос стоял, откуда данные, что с ними было не так, что посчитал, чего вывод не показывает и какое решение из него следует.

Разбор воронки на открытых данных
Средняя · 1–2 недели
Стек: SQL, Python, pandas
GitHub: Запросы файлами, расчёт, README с вопросом, ограничением и выводом
Ценность: Закрывает базу профессии: SQL — 78.2% вакансий, Python — 70.3%
Когортный анализ удержания
Средняя · 1 неделя
Стек: SQL, ClickHouse или PostgreSQL
GitHub: Запрос с оконными функциями, таблица когорт, интерпретация текстом
Ценность: Показывает, что видишь поведение во времени, а не одну среднюю цифру
Дашборд под одно решение
Лёгкая–средняя · 1 неделя
Стек: Apache Superset, Metabase, Power BI или Tableau
GitHub: Скриншоты и ссылка, если публичный; в README — кому дашборд и какое решение по нему принимают
Ценность: Superset — 21.2% вакансий, Tableau — 15.2%, Power BI — 15.8%: инструмент вторичен, ценится дашборд под решение
Разбор эксперимента
Высокая · 2 недели
Стек: Python, pandas, NumPy
GitHub: Расчёт, проверка размера выборки, вывод при незначимом результате
Ценность: A/B-тесты — частое требование и самый частый провал на собеседовании
Проверка качества событий
Средняя · 1 неделя
Стек: SQL, Python
GitHub: Скрипт поиска дублей, пропусков и разрывов во временных окнах плюс описание найденного
Ценность: Редкий кейс в портфолио новичков и сильный сигнал: ты не веришь данным на слово

Как оформить GitHub и резюме

Профиль GitHub
  • Репозиторий с разборами: одна папка — один вопрос и один вывод
  • В README первым абзацем — вывод, а не описание данных. Дальше могут не дочитать
  • Запросы SQL — файлами в репозитории, а не скриншотом из редактора
  • Расчёты на Python и pandas — с зафиксированными данными, чтобы кейс воспроизводился
  • Git — в 9.1% вакансий продуктового аналитика: осмысленные сообщения коммитов вместо «правки» тоже читаются
  • Дашборд — скриншотом и ссылкой: Superset, Metabase и Tableau наружу отдают не всегда
Резюме без коммерческого опыта
  • Раздел «Проекты» вместо «Опыт работы»: разбор описывается как рабочая задача
  • По каждому кейсу: вопрос, источник данных, что посчитал, какой вывод и какое решение он поддерживает
  • Инструменты — только рабочие: SQL, Python. «Знаком с A/B-тестами» без разобранного эксперимента читается как ноль
  • Не пиши «строил дашборды». Пиши, какое решение по ним приняли
  • Прошлый опыт с цифрами — валюта: отчётность, маркетинг, финансы, поддержка. Ты уже спорил с данными, напиши об этом
Слабое резюме

«Знаю SQL и Python, строил дашборды в Tableau, изучил A/B-тесты»

Сильное резюме

«Разобрал падение оплат на открытых данных: выборка событий в SQL, проверка на дубли и пропуски, когортный расчёт в pandas. Нашёл, что просадка — смена структуры трафика, а не продукт. Отдельно показал ограничение: по одному сегменту данных не хватает для вывода. Разбор: [ссылка]»

Самостоятельно, курсы или вуз — какой путь выбрать

Самостоятельно
SQL, Python и метрики закрываются открытыми данными и бесплатными тренажёрами; практиковаться можно бесконечно
Свою ошибку в интерпретации не увидишь: расчёт-то сойдётся
Если приходишь с цифрами в прошлом: отчётность, маркетинг, финансы, наука
Курсы с ментором
Разбор твоих выводов — единственное, что учит отличать эффект от совпадения
Дорого; часть программ учит писать запросы и не трогает продуктовые решения и эксперименты
Если считать умеешь, а связать метрику с продуктовым решением пока не получается
Вуз / колледж
Статистика и теория вероятностей — та часть, где самоучки чаще всего плывут
Четыре года; продуктовой аналитике как таковой почти нигде не учат
Если выбираешь первое образование или планируешь уходить в исследования и эксперименты
Ловушка продуктовой аналитики: тренажёр вместо продукта. Задачи на SQL решаются приятно и заканчиваются правильным ответом — в работе правильного ответа нет, есть вопрос «почему просела оплата» и данные, которым нельзя верить. Программа, где не разбирают качество событий, дубли, смену логики сбора после релиза и сезонность, готовит к тренажёру, а не к работе.
Курсы · подобрано по данным рынка

Курсы для продуктового аналитика

Сопоставили программы с реальным стеком из 165 вакансий — оценка соответствия рассчитана автоматически, это не реклама.

Все курсы →
Соответствие = доля ключевых навыков вакансий, которые закрывает программа курса. На основе 165 вакансий, обновлено автоматически.

Что спрашивают на собеседовании

SQL и данные
Типовые вопросы
  • ·Оконные функции: зачем и где применял
  • ·Соединение таблиц: где потеряются строки
  • ·Как найти дубли событий и что с ними делать
  • ·Как посчитать удержание по когортам одним запросом
Как показать проектом

Когортный разбор из портфолио: покажи запрос

Продуктовые метрики
Типовые вопросы
  • ·Конверсия упала на шаге оплаты — твои первые три действия
  • ·Чем активация отличается от удержания
  • ·Средняя метрика выросла, а половине пользователей стало хуже — как это увидеть
  • ·Какое решение принимают по этой метрике
Как показать проектом

Разбор воронки: покажи, где нашёл провал и что предложил

Эксперименты
Типовые вопросы
  • ·Как выбираешь метрику успеха до запуска
  • ·Тест идёт три дня и уже красивый — останавливать
  • ·Что такое защитные метрики и зачем они
  • ·Результат незначимый: что говоришь команде
Как показать проектом

Разбор эксперимента: покажи расчёт и вывод

Качество данных и интерпретация
Типовые вопросы
  • ·Метрика скакнула ночью — что проверяешь первым
  • ·Как отличишь эффект релиза от сезонности
  • ·Логика сбора события изменилась месяц назад: что делать со старыми цифрами
  • ·Чего твой вывод не показывает
Как показать проектом

Кейс с проверкой событий: расскажи, что нашёл в данных

Инструменты и подача
Типовые вопросы
  • ·Python и pandas: когда быстрее, чем SQL
  • ·Как устроен твой дашборд и кто принимает по нему решение
  • ·ClickHouse и PostgreSQL: в чём разница для аналитика
  • ·Как объяснишь вывод продакт-менеджеру, который не читает графики
Как показать проектом

Дашборд из портфолио: покажи и объясни, зачем он команде

Сколько времени нужно, чтобы стать продуктовым аналитиком

Минимум
6–9 мес
С опытом в цифрах: отчётность, маркетинг, финансы. SQL идёт быстро, остаётся продукт
Медиана
10–16 мес
Самостоятельно, с нуля, по 2–3 часа в день, с разборами вместо тренажёров
Реалистично
16–22 мес
При совмещении с работой, если статистика и Python с чистого листа

Почему «SQL за месяц» не равно «работа через месяц». Запросы правда учатся быстро. Дальше идёт то, что учится долго: продуктовые метрики, эксперименты, качество событий и умение не выдать совпадение за эффект. Собеседование проверяет вторую часть.

Скорость решают три вещи: была ли в прошлом работа с цифрами, тренируешься ли на живых данных вместо учебных задачек и доводишь ли каждый разбор до вывода, а не до графика.

Ошибки новичков

Учат SQL по тренажёрам

Почему мешает: Тренажёр даёт чистые данные и правильный ответ. В работе данные грязные, а правильного ответа нет

Как исправить: Бери открытый набор данных, сам ставь вопрос и сам решай, можно ли на него ответить

Считают, не проверив данные

Почему мешает: Дубли, пропуски, смена логики сбора после релиза — и аккуратный расчёт становится ложью с точностью до знака

Как исправить: Первый шаг любого разбора: сколько строк, есть ли дубли, какие временные окна, менялось ли событие

Дашборд вместо вывода

Почему мешает: Витрина графиков перекладывает работу на команду. Аналитика зовут за решением, а не за картинкой

Как исправить: К каждому дашборду — фраза: кто и какое решение по нему принимает

Путают совпадение с эффектом релиза

Почему мешает: Метрика выросла после релиза — обычное совпадение с сезоном, трафиком или акцией. Самая дорогая ошибка профессии

Как исправить: Прежде чем связать изменение с релизом, объясни, почему это не сезонность и не трафик

Смотрят на среднее

Почему мешает: Средняя метрика прячет сегменты: половине стало лучше, половине хуже, в сумме ноль

Как исправить: Раскладывай по когортам и сегментам до того, как делать вывод

Игнорируют Python

Почему мешает: Python — в 70.3% вакансий продуктового аналитика, pandas — в 17.6%. Там, где SQL уже неудобен, аналитик без Python останавливается

Как исправить: Минимум — pandas для выборок и расчётов. Уровня «написал скрипт, который считает когорты» хватает для входа

Останавливают тест, когда цифра нравится

Почему мешает: Подглядывание в эксперимент даёт значимый результат почти всегда — и он неверный

Как исправить: Метрика успеха и размер выборки — до запуска. Смотреть — по расписанию, а не когда захотелось

Портфолио из графиков без вопроса

Почему мешает: Красивая визуализация учебного набора данных показывает владение инструментом, а не аналитическое мышление

Как исправить: Каждый кейс начинай с вопроса и заканчивай выводом и ограничением

Как SkillStat считает данные

Источник: 165 вакансий 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 продуктовым аналитиком с нуля?
Да. По данным SkillStat, junior и стажёров среди вакансий продуктового аналитика — 20 из 165. Технического образования обычно не требуют, но требуют умения довести вопрос до вывода: достать данные, проверить их, посчитать и честно сказать, чего вывод не показывает. Это проверяется тестовым заданием, а не дипломом.
Чем продуктовый аналитик отличается от продакт-менеджера?
Правом решения. Аналитик отвечает на вопрос «что происходит и почему», продакт — «что мы с этим делаем и от чего отказываемся». Аналитик приносит вывод и ограничение, продакт берёт риск и отвечает за результат. Видно и по стеку: у аналитика SQL (78.2%), Python (70.3%) и хранилища, у продакта — приоритизация, исследования и работа с бэклогом.
Чем продуктовый аналитик отличается от бизнес-аналитика?
Предметом работы. Продуктовый смотрит на поведение пользователей продукта: воронки, удержание, когорты, эксперименты. Бизнес-аналитик — на внутренние процессы компании: согласования, документооборот, требования к доработкам. Первый считает, второй описывает и согласует. Общий у них только SQL.
Нужен ли SQL продуктовому аналитику?
Это главный навык: 78.2% вакансий (129 из 165). Причём не базовый: оконные функции, работа с событиями, временные окна, когортные расчёты. Рядом идут хранилища — ClickHouse (23%), Greenplum (7.9%), PostgreSQL (10.3%). Без SQL в профессию не входят.
Нужен ли Python?
Да, и здесь он не «плюс»: Python — в 70.3% вакансий продуктового аналитика (116 из 165), pandas — в 17.6%, NumPy — в 12.1%. Разработчиком быть не нужно. Нужен уровень «достал выборку, посчитал когорты, проверил гипотезу» — это pandas и немного статистики.
Нужна ли математика и статистика?
Статистика — да, и это место, где самоучки чаще всего плывут. Нужны доверительный интервал, значимость, размер выборки, множественные сравнения. Высшая математика не нужна. Проверка простая: если можешь объяснить, почему нельзя останавливать A/B-тест на третий день, базы хватает.
Какой инструмент визуализации учить?
Любой один, дальше переносится за неделю. По вакансиям продуктового аналитика: Apache Superset — 21.2%, Power BI — 15.8%, Tableau — 15.2%, Metabase — 9.1%. Инструмент решает мало: ценится дашборд, по которому принимают решение, а не витрина графиков.
Нужны ли A/B-тесты для входа?
Для junior — на уровне понимания, а не проектирования. Ждут, что объяснишь, зачем контрольная группа, почему метрику успеха выбирают до запуска и что делать с незначимым результатом. Один разобранный эксперимент в портфолио закрывает этот пункт лучше любого сертификата.
Какое образование нужно?
Диплом требуют редко. Помогает всё, где была статистика и работа с цифрами: экономика, социология, физика, математика. Гуманитарное не мешает, но статистику придётся закрывать отдельно — на собеседовании её спросят.
Можно ли перейти из другой профессии?
Это обычный путь: отчётность, маркетинг, финансы, поддержка, тестирование. Ты уже работал с цифрами и знаешь предметную область. Не хватает обычно двух вещей: SQL на уровне событий и привычки задавать продуктовый вопрос вместо «сделай выгрузку».
Какие проекты сделать для портфолио?
2–3 разбора, каждый с вопросом в начале и выводом в конце: воронка, когортное удержание, эксперимент. Используй ключевые навыки профессии: SQL, Python, ClickHouse. Дашборд считается кейсом, только если написано, кто и какое решение по нему принимает.
Сколько времени нужно, чтобы стать продуктовым аналитиком?
Медиана — 10–16 месяцев самостоятельно по 2–3 часа в день. С опытом работы с цифрами — 6–9 месяцев. SQL закрывается за пару месяцев; остальное время уходит на метрики, эксперименты и умение не выдать совпадение за эффект.
Когда начинать откликаться?
Когда есть 2 разбора с выводом и ты готов к тестовому: дадут данные и вопрос. Junior-позиций 20 вакансий — параллельно смотри «аналитик данных» и «аналитик» в продуктовых компаниях, работа часто та же.
Что писать в резюме без коммерческого опыта?
Разборы как опыт: вопрос, данные, что проверил, что посчитал, какой вывод и какое решение он поддерживает. Инструменты — только рабочие: SQL, Python. Формулировка «строил дашборды» слабее, чем «нашёл, что просадка — смена трафика, а не продукт».
Сколько зарабатывает начинающий Продуктовый аналитик?
Ориентир для junior — 96 750–139 750 ₽ при медиане по профессии 215 000 ₽. Разбивка по грейдам и динамика — на странице зарплат продуктового аналитика.
Где посмотреть навыки продуктового аналитика?
На странице навыков продуктового аналитика — частотность по 165 вакансий, разбивка по грейдам и связки инструментов.