Аналитик данных с нуля: дорожная карта навыков и как войти самому

Запрос «аналитик данных с нуля» гуглят десятки тысяч раз в месяц. И почти всех ведут в одно и то же место: курс за сто с лишним тысяч, «с гарантией трудоустройства», полгода видеолекций. Курс может быть неплохим. Но правда в том, что базу аналитика реально собрать самому, а на собеседовании никто не спросит, откуда вы её взяли. Спросят SQL, метрики и как вы думаете про данные.

Ниже честная дорожная карта: какие навыки нужны, в каком порядке их брать и как понять, что вы готовы идти на собес. Без «станьте востребованным специалистом за 3 месяца».

Кто такой аналитик данных на самом деле

Забудьте про «работу с большими данными» из описаний вакансий. В обычный день аналитик достаёт данные из базы, считает по ним метрику и объясняет результат людям, которые в SQL не умеют. Пришёл продакт с вопросом «почему упала выручка в марте», аналитик пишет запрос, находит, что просела оплата в одном регионе, и рисует график, после которого всем всё понятно.

Три навыка, из которых это складывается: достать данные (SQL), посчитать правильно (статистика и метрики), донести (визуализация и текст). Всё остальное это надстройки. Дальше по порядку.

SQL: фундамент, с которого начинают все

Если из всей карты выучить только одно, учите SQL. Это язык, которым аналитик разговаривает с базой, и на собесе его гоняют жёстче всего. Не синтаксис (он гуглится), а понимание, как база собирает результат.

Что нужно уверенно уметь:

JOIN и его ловушки. Классический вопрос: таблица users соединяется с orders через LEFT JOIN, у части юзеров заказов нет, у части несколько. Сколько строк вернётся и что будет в колонках заказа у тех, кто не покупал? Кто путается здесь, тот путается везде.
Агрегация и GROUP BY, разница между WHERE и HAVING.
Оконные функции. Отдельная боль новичков и любимая тема интервьюеров. «Выбрать последний заказ каждого юзера целиком» без оконки решается криво, с ROW_NUMBER(), в три строки.
Подзапросы и CTE, чтобы многоэтажный запрос читался сверху вниз.

Оконные функции и джоины разобраны отдельно, с задачами и решениями, в посте про SQL на собеседовании, начните с него.

Excel и таблицы: не стыдно, реально спрашивают

Об этом почему-то молчат, а зря. Умение быстро свести данные в Google Sheets или Excel, построить сводную, прикинуть цифру на коленке это рабочий навык, который проверяют на джуниорских позициях. Сводные таблицы, ВПР/XLOOKUP, базовые формулы. Не самая гламурная часть, но на старте карьеры она встречается чаще, чем модный Python.

Статистика и A/B-тесты: где отсеивают на собесе

Тут начинается то, что отличает аналитика от человека, который умеет писать SELECT. Статистику любят спрашивать, потому что на ней видно, думает человек или считает вслепую.

Минимум, который надо понимать не по формуле, а по смыслу:

Что такое p-value. Не «вероятность, что гипотеза верна» (это неправильно и вас поймают), а вероятность увидеть такой результат или сильнее, если на деле разницы нет.
Доверительные интервалы и почему «в среднем 5» без интервала мало что значит.
Ошибки множественных сравнений. Любимая ловушка: аналитик проверил 20 метрик в эксперименте и радостно репортит одну «значимую» с p = 0.03. Проблема в том, что при двадцати проверках одна такая находка почти гарантирована случайно.
A/B-тесты: зачем перед запуском считать размер выборки, что такое статистическая мощность, почему нельзя подглядывать в тест и останавливать его, как только «зашло».

Это тот раздел, где курсы дают формулы, а собес требует понимания. Разбирайте на задачах, а не на конспектах.

Продуктовые метрики: язык, на котором говорит бизнес

Аналитик, который считает, но не понимает, что считает, бесполезен для продукта. Поэтому вторая половина собеса это метрики.

Что знать:

Воронки и конверсия. Что такое конверсия шага, где в воронке течёт, как считать удержание (retention).
Юнит-экономика. Классический вопрос-подстава: у продукта LTV/CAC = 4, юнит-экономика вроде красивая, а деньги кончаются. Как так? Кто понимает разницу между «сходится на юните» и «хватает кэша на масштабирование», тот ответит.
Когорты и сегментация, чтобы «средняя по больнице» не скрывала, что один сегмент растёт, а другой умирает.
Метрики под тип бизнеса: для подписки одно (MRR, churn), для e-commerce другое (AOV, повторные покупки).

Эти вопросы разобраны на живых примерах в подборке вопросов для аналитика данных.

Визуализация и BI: донести так, чтобы поняли

Посчитать половина дела. Если график читается плохо, работа не сделана. Здесь проверяют вкус и здравый смысл:

какой график для какой задачи (и почему круговая диаграмма почти всегда плохой выбор);
как собрать дашборд, который отвечает на вопрос, а не вываливает двадцать метрик;
как рассказать историю по данным, а не просто показать числа.

Из инструментов на российском рынке спрашивают связку BI: чаще всего что-то из DataLens, Superset, Metabase, Power BI. Конкретный инструмент вторичен, важнее принцип: сначала вопрос, потом график.

Python: по желанию, не на старте

Python в аналитике полезен, но на входе не обязателен, и это нормально. Многие джуны выходят на первую работу на чистом SQL и таблицах, а pandas подтягивают уже в бою. Если время есть, базовый Python и pandas для обработки данных дадут вам фору и откроют путь в продуктовую и ML-аналитику. Если времени нет, не блокируйтесь на этом, идите с SQL и метриками.

В каком порядке и сколько это занимает

Порядок примерно такой: SQL до уверенного уровня, параллельно таблицы, потом статистика и метрики, следом визуализация, Python в конце или по ходу. По времени честно: пара месяцев плотных занятий до состояния «можно идти на джуна», если заниматься регулярно, а не раз в неделю. Быстрее обещают только продавцы курсов.

Главная ошибка новичков: бесконечно смотреть лекции и не решать задач. Аналитику ставят руки практикой: написал запрос, ошибся, понял почему, переписал. Пассивный просмотр видео создаёт ощущение прогресса, но на собесе разваливается на первом же живом вопросе.

Как понять, что пора на собес

Не по количеству пройденных курсов. По простому тесту: можете ли вы, увидев незнакомую задачу, решить её, а не вспомнить, что «где-то это было». Свободно пишете запрос с джоином и оконкой. Объясняете p-value словами, а не формулой. Знаете, почему LTV/CAC = 4 не спасает от кассового разрыва. Если да, вы готовы, дипломы не нужны.

Ровно на это заточен трек аналитика данных в Сеньорчике: вопросы по SQL, статистике, метрикам и A/B идут короткими сессиями, а движок возвращает темы, где вы плывёте, пока они не начнут отскакивать от зубов. Формат вопрос-разбор ближе к собесу, чем очередная лекция. Начать можно бесплатно, а карту навыков выше держите перед глазами, пока идёте.