Складчина Каталог
Мои курсы
Профессия · Аналитик данных

Как превращать цифры в бизнес-решения

Аналитик данных извлекает полезные выводы из массивов информации — продажи, поведение пользователей, производственные показатели — и переводит их в решения для бизнеса. Базовый стек: SQL для запросов к базам данных, Python или R для обработки, BI-инструменты (Power BI, Tableau, Superset) для визуализации. На практике аналитик много времени тратит на очистку данных и коммуникацию с заказчиками внутри компании.

199 курсов
91 автор
от 40 ₽ цена курса
★ 4.3 44 отзыва
Смотреть курсы
Microsoft Excel 2016/2013. Уровень 1, 2, 3Power BI: анализ и визуализация данных без программированияExcel Базовый + Excel ЭкспертАнализ данных в Power BI

Курсы 199

Все199 Платные199Аналитика данных101Компьютерная грамотность97Базы данных23Языки программирования19Digital-маркетинг18
Сортировка: НовыеПо рейтингуДешевлеДороже

Направления и категории

Аналитика данных101Компьютерная грамотность97Базы данных23Языки программирования19Digital-маркетинг18Финансовое моделирование13Программирование с AI7Машинное обучение и Data Science7
Все направления и категории
Управление проектами5Другое5LLM и чат-модели4AI-автоматизация и агенты4Контент-маркетинг4Веб-дизайн и UI/UX3Презентации и визуальный контент3Финансовая грамотность3No-code и конструкторы сайтов2DevOps и инфраструктура2SEO2Реклама2Маркетплейсы2Продажи2Бухгалтерия и учёт2Репетиторство2Карьерный рост2Профессиональная переподготовка2WordPress плагины2PHP скрипты и SaaS2Генерация музыки и аудио1Веб-разработка: Backend1Информационная безопасность1SMM и соцсети1Инвестирование1Трейдинг1Копирайтинг1Писательское мастерство1Английский язык1Практическая психология1Мышление1Профессии будущего1SEO и парсеры1

Категории

Программирование и IT182Маркетинг22Нейросети и AI19Финансы и инвестиции16Программы и софт10Бизнес и предпринимательство7Дизайн6Карьера и профессии5Копирайтинг и писательство2Образование2Иностранные языки1Психология1Личностный рост1

О профессии

По данным hh.ru за 2025 год, медиана по рынку составляет около 160 тысяч рублей. Джуниоры с SQL и базовым Python начинают с 90–120 тысяч. Специалисты с 2–3 годами опыта, уверенно работающие с BI и способные самостоятельно ставить и проверять гипотезы, зарабатывают 150–250 тысяч. Сеньоры, умеющие выстраивать аналитическую культуру в команде и работать с ML-командой — 250–400 тысяч. Разброс внутри грейда доходит до 30–50% в зависимости от отрасли и формата (офис / удалёнка).

Сколько зарабатывают

Junior Data Analyst90 000 ₽ — 150 000 ₽
Middle Data Analyst150 000 ₽ — 250 000 ₽
Senior Data Analyst250 000 ₽ — 400 000 ₽
Lead Analyst / Head of Analytics350 000 ₽ — 600 000 ₽

Карьерная траектория

Junior Data Analyst

0–2 года · 90 000–150 000 ₽

Написание SQL-запросов, подготовка отчётов по шаблонам, базовая работа в Python/pandas. Задачи ставит более опытный аналитик.

Middle Data Analyst

2–4 года · 150 000–250 000 ₽

Самостоятельные исследования данных, A/B-тесты, построение дашбордов, работа с несколькими заказчиками.

Senior Data Analyst

4–8 лет · 250 000–400 000 ₽

Формирование аналитических процессов в команде, менторство джуниоров, работа с ML-командой, участие в продуктовой стратегии.

Head of Analytics / Data Lead

8+ лет · 350 000–600 000+ ₽

Управление аналитическим отделом, найм команды, выстраивание data governance, отчётность на уровне C-level.

Навыки и инструменты

Профессиональные навыки

  • SQLСложные запросы, оконные функции, оптимизация, работа с PostgreSQL / ClickHouse / BigQuery
  • Python / pandasОбработка и трансформация данных, numpy, matplotlib, statsmodels
  • BI-инструментыPower BI, Tableau, Metabase, Superset — построение отчётов и дашбордов
  • СтатистикаA/B-тестирование, проверка гипотез, доверительные интервалы, регрессия
  • Работа с DWHПонимание архитектуры хранилищ данных, ETL-процессов, dbt

Навыки общения и работы

  • Умение задавать правильные вопросы
  • Коммуникация с нетехническими стейкхолдерами
  • Критическое мышление
  • Структурированное изложение выводов
  • Управление приоритетами

Обязанности

Сбор требований от бизнес-заказчиков и перевод их в аналитические задачи

Написание SQL-запросов и подготовка датасетов

Проведение A/B-тестов и интерпретация результатов

Построение и поддержка отчётов и дашбордов

Поиск аномалий в данных и объяснение метрик

Документирование методологии и метрик

Что важно знать

Преимущества

  • Высокие зарплаты с ранних грейдовДаже джуниоры зарабатывают 90–120 тысяч — выше среднего по рынку
  • УдалёнкаБольшинство позиций предполагают полностью удалённый формат
  • Востребованность во всех отрасляхБанки, ритейл, IT-компании, медиа, логистика — везде нужны аналитики
  • Карьерный рост в ML и Data ScienceАналитик данных — удобная точка входа для последующего перехода в ML-инженерию или DS

Сложности

  • Много времени на очистку данныхДо 60–70% рабочего времени уходит на «грязную» работу с данными, а не на интересный анализ
  • Неопределённость задачБизнес часто не знает, что хочет; аналитик должен сам формулировать гипотезы
  • Зависимость от качества данныхПлохие данные на входе = неверные выводы. Часть времени уходит на борьбу с инфраструктурными проблемами
  • Высокая конкуренцияРынок наполнился выпускниками онлайн-курсов; без реального проекта в портфолио устроиться трудно

Востребованность

Аналитики данных входят в топ самых востребованных IT-смежных профессий в России. Спрос превышает предложение по квалифицированным специалистам уровня мидл и выше. Крупнейшие работодатели — банки, e-commerce, телеком и технологические компании.

Банки и финтех

E-commerce и ритейл

Телеком

IT и SaaS-компании

Логистика

Медиа и рекламные технологии

Как освоить профессию

Освоить SQL

SQL — фундамент профессии. Пройти курс по PostgreSQL, научиться писать оконные функции и оптимизировать запросы.

Выучить Python для анализа данных

pandas, numpy, matplotlib — базовый минимум. Дополнительно statsmodels для статистики.

Разобраться с BI-инструментом

Power BI или Tableau. Построить несколько учебных дашбордов на реальных открытых датасетах (Kaggle).

Сделать проект в портфолио

Анализ реальных данных с гипотезами, выводами и визуализацией. Опубликовать на GitHub и Kaggle.

Идти в стажировки

Crème de la crème — стажировка в IT-компании или банке. Без стажировки — тестовые задания на ресурсах hh.ru и Habr Career.

Авторы 22

АС Андрей Сухов 3 курсаОК Ольга Кулешова 3 курсаРШ Ренат Шагабутдинов 3 курсаДС Дмитрий Саков 2 курсаАК Алексей Козлов 2 курсаАБ Алексей Белозерский 2 курсаСК Светлана Казакова 2 курсаDK David Kunela 2 курсаНП Наталья Песоцкая 2 курсаАШ Анна Шестопалова 2 курса

Отзывы 44

larionovro2 июля 2018 г. ★★★★★

Плюсы: отличная работа плагина, соответствие видеоинструкции, функциональная работа с таблицами, удобный фильтр, высокая скорость поиска

Огромное спасибо организатору! Все замечательно получили. Плагин отлично работает, точь-в-точь как в видеоинструкции. Работа с таблицами выходит мегафункциональной, фильтр удобнее, чем в Excel. Даже загнал в нее реестр складчин — моментально находится нужный материал.

↗ Powerful Filters for wpDataTables
epoga11 июня 2018 г. ★★★★☆

Плюсы: Курс полезен для того, чтобы освежить знания в Excel, например, после перерыва в работе. Видео удобно смотреть на скорости 1,5. Материал будет достойным для начинающих пользователей (но не с нулевым уровнем).

Минусы: В материалах нет обещанных крутых формул, большинство тем — общеизвестные. В уроках встречаются пропуски: задачи из файлов решаются выборочно, иногда пропускаются самые интересные моменты. Некоторые темы поданы без должных объяснений, как будто они не важны.

↗ Создание крутых формул в Excel 2016
Radin722 мая 2018 г. ★★★★★

Плюсы: Курс состоит из 10 разделов с видео и практическими файлами для закрепления материала. Может быть полезен начинающим пользователям.

Минусы: Для опытных пользователей Excel курс малополезен, практическая польза составила около 5%.

↗ Создание крутых формул в Excel 2016
ivanp321 мая 2018 г. ★★☆☆☆

Минусы: плохое качество звука, бессмысленный монолог лектора, много воды

Если бы я платил полную цену за этот курс, то потребовал бы возврата денег. Пусть у записи не самое лучшее качество звука, это ладно, но настолько бессмысленный монолог лектора, который не может презентацию от Microsoft сжато пересказать — это караул. Одна вода, растянутая на долгие часы.

↗ Анализ данных в Power BI
ks_tsk27 августа 2017 г. ★★☆☆☆

Минусы: непонятный звук, посторонние голоса, низкое разрешение видео, отвлечённые примеры, отчуждённость лектора, плохая подача материала

Это просто ужасно: непонятный звук, посторонние голоса, очень маленькое разрешение, отвлечённые примеры, максимальная отчуждённость от аудитории. Необходимо начинать показывать работу программы с примитива — какого-нибудь лёгкого Excel-файла, а ведущий начинает с SQL-базы, которую вообще не понять. Полнейшая бездарность.

↗ Анализ данных в Power BI
Dimytr14 августа 2017 г. ★★☆☆☆

Минусы: бесполезность курса, замена лектора, отсутствие доступа к книге без ключа, плохая организация

Не тратьте свое время! За то время, которое вы потратите на просмотр этого курса, вы сможете прочитать официальную справку и узнать в 100 раз больше информации (что в свое время я и сделал). Также много видео на YouTube-канале. По организации: все ждали Самородова, о чем говорилось изначально, но нас поставили перед фактом и дали то, что есть. Последний момент: думал, ладно, бог с видео, пройду-ка на сайт, где представлена книга (основная ценность всего курса), и еще один облом — без ключа ничего не получить. Я считаю, что организатор как минимум должен был сохранить веб-книгу в PDF. Мы заплатили не по 40 рублей.

↗ Анализ данных в Power BI
ZibukaZavr26 апреля 2017 г. ★★★☆☆

Минусы: Материал поверхностный, информация аналогичного уровня доступна бесплатно на YouTube. Преподаватель не умеет качественно доносить информацию. Объём материала скуден и не соответствует заявленному в описании. Курс не стоит своих денег.

↗ Excel: Эффективная обработка массивов данных

Частые вопросы

Чем аналитик данных отличается от Data Scientist?

Аналитик фокусируется на описательной аналитике и отчётах; DS строит предсказательные модели. Граница размытая: сильный аналитик часто умеет базовое ML, а DS делает много аналитики.

Нужно ли математическое образование?

Желательно, но не обязательно. Важнее понимание статистики — нормальное распределение, t-тест, p-value. Этому можно научиться самостоятельно за 2–3 месяца.

Сколько времени нужно, чтобы стать аналитиком с нуля?

При интенсивном обучении 6–12 месяцев достаточно для джуниорской позиции. Ключевое — реальный проект в портфолио, а не количество пройденных курсов.