Если вы новичок без сильной математики за плечами — вам нужен аналитик данных, а не дата-сайентист. Это разные профессии, не два названия одной. Аналитик отвечает на вопрос «что произошло в бизнесе и почему»: достаёт цифры через SQL, строит дашборды, формулирует вывод. Дата-сайентист предсказывает будущее: строит модели машинного обучения, и для этого ему нужна математика уровня, который не освоить за вечер по ютубу. Junior-аналитик в 2026-м стартует с 94 000–149 000 ₽ по медиане предлагаемых зарплат hh.ru. У дата-сайентиста потолок выше, но и вход — другая планета.
Почему же половина новичков идёт сразу в дата-сайентисты и спотыкается на первом курсе линейной алгебры? Потому что слова звучат похоже, зарплатные обзоры мешают их в кучу, а в вакансиях границу размывает мода называть аналитика «дата-сайентистом» ради красоты. Дальше — честное сравнение по тому, что реально отличает эти две роли: что они делают руками, какой порог входа, сколько платят и кому что подходит. Главный вывод я выдам сразу, чтобы вы не теряли время: новичку почти всегда стартовать через аналитика. Дата-сайентист — следующий этаж, а не первая дверь.
Костя, 31, бывший экономист. Решил «войти в данные», начитался про дата-сайенс и зарплаты под триста тысяч, купил курс. Три недели держался. На четвёртой открыл блок про градиентный спуск и производные функции потерь — и закрыл ноутбук. Бросил, решив, что данные не для него. А ведь данные были как раз для него — он просто зашёл не в ту дверь.
Разница между ролями — в направлении взгляда. Аналитик смотрит назад. Его вопрос — «что произошло и почему»: выручка просела в марте, почему, какой канал отвалился, сколько теряем в неделю. Он берёт то, что уже случилось, и переводит это в понимание, на основании которого кто-то меняет цену, рекламу или продукт. Продукт аналитика — не график, а вывод, который двигает решение.
Дата-сайентист смотрит вперёд. Его вопрос — «что произойдёт» и «что с этим делать автоматически». Он не объясняет, почему ушли клиенты в прошлом квартале, — он строит модель, которая заранее покажет, кто из нынешних клиентов уйдёт в следующем. Не считает, сколько продали, — учит систему рекомендовать товар так, чтобы продали больше. Его продукт — не отчёт, а работающий алгоритм, который принимает решения без человека.
Отсюда всё остальное. Аналитик работает с тем, что есть, и объясняет это людям. Дата-сайентист строит то, чего ещё нет, и доверяет это машине. Первый — переводчик с языка цифр на язык решений. Второй — инженер, который выращивает из данных предсказание. Разные задачи, разные инструменты, разный склад ума. И, что важнее всего для новичка, — разный порог входа.
Вот где проходит главная граница, и именно её не видно из зарплатных обзоров.
Аналитику нужны SQL, таблицы и BI-системы. SQL — это язык запросов к базам: достать нужные строки, соединить таблицы, сгруппировать. Освоить его до рабочего уровня реально за пару месяцев — это не высшая математика, это логика и практика. Excel или Google Sheets со сводными таблицами вы, скорее всего, уже видели. BI-система вроде Power BI или DataLens — это конструктор дашбордов, его осваивают по ходу. Из математики аналитику нужна школьная статистика на бытовом уровне: чем среднее отличается от медианы, почему корреляция не равно причинность, чтобы не врать цифрами случайно. Всё. Это средний порог: реально с нуля за девять-двенадцать месяцев при двух-трёх часах в день.
Дата-сайентисту нужно всё то же самое плюс этаж сверху, и этот этаж тяжёлый. Линейная алгебра — потому что модели машинного обучения внутри это умножение матриц. Математический анализ — производные, градиенты, оптимизация, без них не понять, как модель учится. Теория вероятностей и математическая статистика всерьёз, а не на бытовом уровне. Машинное обучение: как устроены алгоритмы, когда какой брать, почему модель ошибается. Python не как помощник для расчётов, а как основной рабочий язык с библиотеками для обучения моделей. Это не «SQL плюс чуть-чуть» — это отдельное высшее по объёму.
Поэтому академический расклад честный и неприятный для тех, кто хочет быстро: анализ данных — средний барьер, реально с нуля. Дата-сайенс — высокий, и не «с нуля онлайн за три месяца». Костя, бросивший на градиентном спуске, споткнулся не потому что глупый. Он споткнулся потому что полез на третий этаж, не построив первый. Математику дата-сайентиста нельзя проскочить — она несущая. Можно отложить, обойти, дорастить позже. Проскочить — нельзя.
И вот цифра, которую стоит держать в голове ещё до математики: на форумах самая частая исповедь новичка в данных звучит как «пошёл в дата-сайенс, не вывез математику». Вторая по частоте — «думал, это одно и то же». Обе боли — про одну ошибку входа.
Теперь про то, ради чего половина и приходит. Да, дата-сайентист в среднем зарабатывает больше аналитика — это правда. Но правда с подвохом, и подвох стоит денег.
Junior-аналитик данных в 2026 году — 94 000–149 000 ₽ по медиане предлагаемых зарплат hh.ru. Middle — 150 000–255 000 ₽. Senior — 300 000–426 000 ₽. Цифры твёрдые, по вакансиям, не по опросам. Дата-сайентист сидит в зоне специалистов по машинному обучению, где по рыночным обзорам вилка идёт примерно от 150 000 до 300 000 ₽ и выше, а дефицит таких людей оценивают в десяток тысяч человек. Звучит как готовый аргумент: иди в дата-сайенс, там платят в полтора раза больше на старте.
Только этого старта для новичка почти не существует. Вакансий «junior data scientist без опыта» на рынке исчезающе мало — компании берут на машинное обучение людей с математическим бэкграундом, часто с профильным высшим или опытом в смежной технической роли. Высокая зарплата дата-сайентиста — это зарплата человека, который уже прошёл тот самый тяжёлый этаж. Сравнивать её со стартом аналитика — всё равно что сравнивать оклад хирурга с зарплатой человека, который только думает поступать в мед. Цифры реальные, дистанция между вами и ими — нет.
Аналитик в этом смысле честнее как первая профессия. Вход в полтора-два раза быстрее, junior-вакансии реально существуют, а 94–149 тысяч на старте — это не потолок, а нижняя ступень лестницы, которая ведёт в те же двести-триста тысяч на middle и senior. Деньги в данных есть на обоих путях. Разница в том, что к деньгам аналитика дойдёт обычный мотивированный человек, а к деньгам дата-сайентиста — тот, кто не закроет ноутбук на производных.
Вот что меняет всю рамку выбора и снимает страх «выберу не то».
Это не развилка, где одна дорога отрезает другую. Аналитик данных — естественная первая ступень к дата-сайенсу. Человек, который год отработал аналитиком, уже знает SQL наизусть, привык к грязным данным, понимает, как устроен бизнес и какие вопросы вообще имеет смысл задавать. На этом фундаменте дорастить математику и машинное обучение в разы реальнее, чем штурмовать дата-сайенс с улицы. Половина практикующих дата-сайентистов пришли именно так — через аналитику, а не сразу в модели.
Поэтому правильный вопрос для новичка не «аналитик или дата-сайентист», а «аналитик сейчас или аналитик с прицелом на дата-сайенс потом». Сразу в дата-сайенс имеет смысл идти ровно в одном случае: у вас уже есть сильная математика. Профильное техническое высшее, физика, инженерия, серьёзная вузовская статистика — то, что не нужно строить с нуля, потому что оно уже стоит. Если линейная алгебра и матанализ для вас не страшные слова из чужого мира, а пройденный материал — да, можно целиться в дата-сайенс напрямую. Это меньшинство новичков, и честно признать себя в этом меньшинстве важнее, чем хотеть туда попасть.
Всем остальным — аналитик. Не как утешительный приз, а как правильный первый этаж, без которого второй не построить. Дверь аналитика ведёт в дверь дата-сайентиста. Обратного хода нет: нельзя перепрыгнуть на второй этаж, минуя первый, как бы громко ни звала зарплата сверху.
Решение принимается одним честным вопросом к себе, и звучит он не про деньги.
Спросите: как у меня с математикой — не со школьной, а с вузовской? Производные, матрицы, вероятности — это пройденный материал или пугающая абстракция? Если пройденный и вам это даже нравилось — можете целиться в дата-сайенс, у вас есть несущая стена, на которой строят. Если математика всегда была чужой территорией и вы выдохнули, узнав, что аналитику она почти не нужна, — ваш путь аналитик, и в этом нет ничего второсортного. Большинство в данных работает именно аналитиками.
Дальше — примерьте саму работу за вечер, не вкладывая девять месяцев вслепую. Возьмите любой бытовой массив цифр: свои расходы за полгода, статистику любимой команды, выгрузку из игры. Попробуйте ответить на вопрос «почему вот эта цифра такая» — посчитать, сравнить, найти причину. Поймайте свою реакцию. Цепляет загадка «почему упало» — это склад аналитика. Хочется не объяснить прошлое, а заставить систему предсказывать — присматривайтесь к дата-сайенсу, но сначала постройте первый этаж.
И учтите фон, который не зависит от выбора роли. Рынок 2026-го жёсткий к новичкам: больше половины вакансий ждут опыта от года до трёх, от джуна требуют доказательств, а не диплома курсов. Доказательство в данных — это учебные проекты на реальных датасетах, разобранные до вывода, а не сертификат. Это правда и для аналитика, и для дата-сайентиста; просто аналитику до первого такого проекта идти ближе.
Но прежде чем покупать любой курс — проверьте, что данные вообще ваше направление, а не первое, что попалось в обзорах зарплат. Профтест на этом сайте за пять минут сопоставит ваш склад ума, бэкграунд и отношение к математике с подходящими направлениями — и подскажет, аналитик это, дата-сайенс или вообще другая ветка ИТ. Пять минут теста дешевле трёх недель курса, закрытого на градиентном спуске.
Костя, тот бывший экономист, через полгода вернулся в данные — но через дверь аналитика. SQL дался за два месяца, первый дашборд он собрал по выгрузке собственного бизнеса и впервые понял, почему у него проседали продажи зимой. Математика дата-сайентиста никуда не делась и по-прежнему его пугает. Только теперь это не стена, в которую он влетел с разбега, а следующий этаж, на который он, может быть, поднимется. А может, и нет — на первом ему хорошо, и платят там не из жалости. Проигрывает не тот, кто выбрал аналитика вместо дата-сайентиста. Проигрывает тот, кто полез на второй этаж по приставной лестнице и решил, что данные не для него.
