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

RK Robert Kirakosyan 8 курсов · ★ 3.0ОБ Ольга Базалева 5 курсов · ★ 5.0ДЯ Дмитрий Якушев 5 курсов · ★ 4.3АЛ Алексей Леонтьев 6 курсовОМ Олеся Маркович 5 курсов · ★ 1.0ПК Павел Коган 2 курса · ★ 5.0СО Сергей Ожиганов 2 курса · ★ 5.0АК Алексей Колоколов 5 курсовNS Nikita Sergeev 5 курсовМС Максим Смирнов 4 курсаНП Николай Павлов 4 курсаАГ Артем Груздев 3 курса

Отзывы 44

ASemen17 октября 2019 г. ★★★★★

Плюсы: Материал отличный и объемный, качество приемлемое, всё необходимое видно. Подача автора профессиональная.

↗ Excel. Базовый, продвинутый курс
dulcis30 сентября 2019 г. ★★☆☆☆

Плюсы: Содержание уроков в целом информативное.

Минусы: Ужасное качество видео: невозможно разобрать названия кнопок в интерфейсе программы. Такое встречается только в этом курсе, в других работах автора подобных проблем нет.

↗ Excel. Базовый, продвинутый курс
mastah13 июля 2019 г. ★★★★★

Плюсы: мощный скрипт, красивый интерфейс, простая установка, минимальные требования к серверу, низкая нагрузка, качественная организация

Минусы: не мониторит личные страницы Facebook, ограничение по количеству подписчиков в Facebook

Мощный скрипт с красивым интерфейсом. Не использовал для продажи доступа к статистике, завел для своего проекта, выдал менеджерам доступы. Докупил тут же на складчике модули — анализирую YouTube, Facebook и Instagram. Установка очень простая, требования к серверу минимальные, нагрузки почти нет. Минус: Facebook личные страницы не мониторит, только публичные и от 1000 подписчиков. Орг очень круто все провел. Скрипт использую ежедневно.

↗ phpStatistics - Social Tracking Tool for Instagram, YouTube и др
shadowproper10 июля 2019 г. ★★★★★

Плюсы: оперативные обновления, качественный продукт

Организатор молодец, постоянно обновляет по запросу. Продукт крутой! Мастхэв для SMM-щиков, аналитиков брендов и маркетологов. Рекомендую.

↗ phpStatistics - Social Tracking Tool for Instagram, YouTube и др
antyandizov27 апреля 2019 г. ★★★☆☆

Плюсы: Короткие уроки, минимум воды. Удалось выделить для себя пару формул, которые облегчили выполнение задач. Подойдет тем, кто не силен в Excel.

Минусы: Информация не соответствует уровню «Мастера», заявленному в заголовке; скорее, это уровень «чуть выше начального». Ожидал от курса большего.

↗ Excel 2016: Мастер формул
orlando-sky12 апреля 2019 г. ★★★★★

Плюсы: отлично подходит для новичков, удобная визуализация, практическая польза

Минусы: академичный и оторванный от жизни план доклада, отсутствие регулярного повторения пройденного материала

Для новичка материал на 10 из 10! Я новичок в Power BI. Еще до конца не досмотрел, а уже смог импортировать свои Excel-таблицы с заказами и наглядно увидел, с каких сайтов что покупалось и по каким кампаниям, ключам и объявлениям сколько. Удобно визуально все показывается. Круто! Минусом считаю план доклада: типичный академичный, оторванный от жизни пример и его единоразовое решение, после чего переход к другой задаче. Я бы лучше из задачи в задачу пересекал ранее изученные темы с новыми заданиями, чтобы это превратилось в мышечную память на автомате. А то без регулярных повторений все забудется.

↗ Power BI: анализ и визуализация данных без программирования
kedovnet17 октября 2018 г. ★★★★★

Плюсы: интуитивно понятные настройки, быстрая работа, удобство использования

Отличный макрос: интуитивно понятные настройки, быстрая работа. В общем, очень доволен, рекомендую всем! После того как все настроил, достаточно нажать всего одну кнопку на любом документе для подстановки.

↗ Lookup макрос для подстановки данных из одного файла в другой

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.