Стать junior-аналитиком данных с нуля реально за 8–14 месяцев, если заниматься по 2–3 часа в день. Без высшей математики. Без машинного обучения — это вообще другая профессия. Главный инструмент аналитика — не нейросеть и не Python, а SQL и обычная таблица. Порядок такой: таблицы → SQL → визуализация → базовая статистика → Python для анализа → метрики и A/B-тесты.
Но цифра «8–14 месяцев» — это только про учёбу. «Выучить инструменты» и «получить работу» — два разных события, и между ними лежит ещё несколько месяцев поиска первой вакансии. Junior-рынок аналитики перегрет, и решает в нём не сертификат. Решает портфолио, в котором видны выводы для бизнеса, а не пять красивых графиков.
Представьте Марину, тридцать один год, маркетолог, гуманитарий до мозга костей. Она решила «войти в данные», начиталась, что будущее за Data Science, и купила курс по машинному обучению. На втором месяце уперлась в производные, градиентный спуск и нейросети. Решила, что аналитика — не для неё, раз с математикой беда. Марина бросила. И зря — потому что училась не той профессии. Аналитику данных весь этот матан не нужен.
Дальше — честный план. Кто такой аналитик данных и чем он отличается от дата-сайентиста, которого боятся зря. Что учить и в каком порядке. Сколько это занимает, сколько платят junior в 2026 году и почему первая работа — самое трудное. И что собирать в портфолио, чтобы вас взяли.
Самая дорогая ошибка новичка совершается ещё до первого урока — при выборе, чему вообще учиться. Слова «данные», «аналитика», «Data Science» сваливаются в одну кучу, и человек идёт учить не то.
Аналитик данных отвечает на вопрос «что произошло и почему». Выручка просела в марте — почему? Пользователи уходят после первой недели — на каком шаге? Какой канал рекламы приносит клиентов, а какой жжёт бюджет впустую? Аналитик берёт данные бизнеса, считает метрики, строит дашборды и приносит ответ, на основе которого принимают решение. Его рабочий стол — это SQL, таблица и инструмент визуализации.
Дата-сайентист занимается другим. Он строит модели, которые предсказывают будущее: какой клиент уйдёт в следующем месяце, сколько товара заказать, что порекомендовать пользователю. Это машинное обучение, и вот туда уже нужны высшая математика, статистика всерьёз и Python на уровне разработчика. Это отдельная, более глубокая и более долгая дорога.
Марина из открытия утонула именно здесь. Она хотела разбираться в данных — нормальная, посильная цель. А пошла учиться предсказывать будущее нейросетями, испугалась математики и ушла. Между «понять, почему упала выручка» и «обучить нейросеть» — пропасть, и большинство гуманитариев, которые «не пошли в данные из-за математики», на самом деле просто перепутали профессию.
Запомните разделение. Аналитику данных высшая математика и машинное обучение на старте не нужны. Нужны логика, внимание к цифрам и умение задать данным правильный вопрос. Если математика в школе была кошмаром — это не приговор для аналитика. Для дата-сайентиста — да. А это разные люди за разными столами.
Вот этапы, которые превращают набор курсов в профессию. Порядок тут важнее скорости — и важнее того, какой именно курс вы купите.
Сначала — таблицы. Excel или Google Sheets: сводные таблицы, ВПР, формулы, базовая чистка данных. Звучит несолидно для «аналитика данных», но половина реальной работы живёт здесь, а на собеседовании сводную таблицу попросят построить руками. Месяц, если делать, а не смотреть.
Потом — SQL. Это сердце профессии. SELECT, WHERE, JOIN, GROUP BY — язык, которым достают данные из баз. Девять из десяти собеседований junior-аналитика — это задачи на SQL. Не знаете SQL — вас не возьмут, точка. Полтора-два месяца, и потом вы пользуетесь им каждый день. Если выкинуть из этого роадмапа всё, кроме одного пункта, останется SQL.
Дальше — визуализация и BI. Power BI, Yandex DataLens, дашборды. Данные надо не просто достать, а показать так, чтобы по картинке принимали решение. Месяц на то, чтобы строить графики, которые что-то объясняют, а не украшают.
Затем — базовая статистика. Не вузовский курс, а рабочий минимум: чем среднее отличается от медианы и когда среднее врёт, что такое распределение, почему корреляция — это не причинность. Без этого аналитик делает уверенные выводы из случайного шума. Месяц.
Только теперь — Python для анализа. И не «весь Python», а узкий кусок: библиотека pandas для работы с таблицами, чуть-чуть для графиков. Питон здесь — не отдельная профессия программиста, а ускоритель того, что вы уже умеете руками. Полтора-два месяца.
И финал — продуктовые метрики и A/B-тесты. Что такое retention, конверсия, churn, как правильно сравнить две версии продукта и не обмануться. Это поднимает вас над уровнем «человек, который строит графики» до «человек, который понимает бизнес».
Главная ошибка — начать с Python и машинного обучения, проскочив SQL. Так делают почти все, кого впечатлили статьи про нейросети. Результат предсказуем: красивый ноутбук с моделью, который никто не просил, и провал на первом же собеседовании, где попросили написать JOIN. Сначала SQL. Всё остальное — потом.
Цифру «3–4 месяца» придумал отдел продаж. Реальная формула из двух слагаемых, и реклама старательно склеивает их в одно.
Первое слагаемое — учёба. Пройти путь от сводных таблиц до собственного дашборда с выводами — 8–14 месяцев при честных 2–3 часах в день. Меньше времени в день — больше месяцев. Гуманитарию без технического бэкграунда обычно ближе к верхней границе, и это нормально.
Второе слагаемое реклама прячет. Срок обучения — это не срок трудоустройства. Закончить учиться и получить оффер — два разных события, и между ними поиск первой работы, который на junior-рынке тянется месяцами. Именно здесь ломается большинство. После полугода откликов без ответа человек сдаётся и идёт писать под рекламой курсов, что «аналитика — обман, работу не найти».
Сложите оба слагаемых — получится год и больше от нуля до первой зарплаты. Это и есть честный горизонт.
Кто обещает «профессию за 3 месяца» — либо продаёт курс, либо сам не искал работу junior.
Деньги в аналитике есть, но их видно не на старте. Цифры по России на 2026 год разводят грейды далеко друг от друга.
Junior получает 94 000–149 000 ₽. Middle — уже 150 000–255 000 ₽. Senior — от 300 000 до 426 000 ₽. По городам разброс ожидаемый: Москва около 155 000 ₽, Новосибирск неожиданно высоко — около 145 000 ₽, Петербург скромнее — порядка 113 000 ₽.
А теперь про цифру, на которую легко купиться. В интернете гуляет «средняя зарплата аналитика данных — около 140 тысяч», а кое-где и 231 тысяча. Это среднее по всем грейдам сразу, и его задирают вверх middle с senior. К зарплате новичка эти числа отношения не имеют. Полезно понимать, откуда они берутся: hh.ru считает медиану по вакансиям — то есть по тому, что предлагают работодатели. Сервисы вроде Dream Job или GeekLink дают среднее по опросам, и оно выше, потому что его тянут вверх редкие большие офферы. Увидели красивую цифру — спросите: это медиана или среднее и по какому грейду? Иначе будете ждать 140 тысяч там, где junior платят 100.
Если хочется разложить заработки по полочкам — как растёт доход от junior к senior, где платят больше и за какие навыки доплачивают — это тема отдельного разбора про то, сколько зарабатывает аналитик данных. Здесь важно одно: цифры реальные, но они награда за пройденный путь, а не аванс за желание.
А теперь самое неприятное — то, чего нет в рекламе. Спрос на аналитиков данных вырос на 16,4% за год, на смежных ETL-специалистов — на 18,2%. Данных всё больше, людей, умеющих их читать, не хватает. Это правда. Только дефицит — на опытных.
Свежий срез вакансий по ИТ в целом: 51% работодателей ищут специалиста с опытом 1–3 года, 25% — с опытом 3–6 лет. На всё, что ниже года, остаётся меньше четверти рынка. И за эту четверть конкурирует армия выпускников курсов, которые в этом году тоже «вошли в аналитику».
Отсюда парадокс, который ломает голову новичку: вакансий полно, а на сотый отклик опять тишина. Спрос растёт, а тебя не берут. Противоречия нет. Рынок 2026 описывается одной фразой — дефицит навыков, а не людей. Не хватает тех, кто уже умеет находить в данных смысл. Джун, которого надо полгода обучать и который половину срока будет тормозить команду, обходится дороже, чем кажется по его зарплате.
Поэтому форумы полны отчаяния. «Год откликаюсь — ни одного приглашения». «Курсы — развод, обещали трудоустройство». «Рынок переполнен выпускниками». Доля правды тут есть: курс действительно не выдаёт работу. Но вывод неверный. Не «аналитика не нужна», а «одного курса мало». Разница между этими двумя выводами — это и есть разница между тем, кто бросил, и тем, кто вышел на работу.
Так что же отличает джуна, которого берут, от джуна, которого год игнорируют? Не курс. Курс прошли все в очереди на ту же вакансию — поэтому он давно ничего не доказывает.
Решает портфолио. Но не любое. Вот как выглядит слабое: «я взял учебный датасет про пассажиров Титаника и построил пять графиков». Красиво, аккуратно, мертво. Такое портфолио у каждого второго выпускника. Оно говорит ровно одно — человек умеет рисовать диаграммы по инструкции.
А вот как выглядит сильное. Берёте реальный открытый датасет — продажи магазина, отток клиентов сервиса, маркетинговые расходы. Задаёте бизнес-вопрос: почему в марте просела выручка? Достаёте данные через SQL, считаете, строите дашборд — и приходите к выводу: выручка упала на 18%, потому что отвалился один канал привлечения, и вот сколько это стоило компании, и вот что я предлагаю сделать. Графики тут — не цель, а доказательство мысли.
Разница в одном слове: вывод. Работодатель не покупает умение строить диаграммы — это сегодня делает любой школьник с нейросетью. Он покупает уверенность, что вы найдёте в данных смысл и переведёте его в деньги и решения. Слабое портфолио показывает технику. Сильное показывает мышление.
На собеседовании junior разберут именно кейс: почему задал такой вопрос, как считал, что значит эта цифра для бизнеса. Кто строил проект сам и думал головой — отвечает спокойно. Кто собрал по видеоуроку — плывёт на втором вопросе, потому что графики чужие, а мыслей своих нет.
Поэтому портфолио заводят не в конце пути, а как только освоен SQL. Один кейс с настоящим бизнес-выводом перевешивает десять учебных графиков. И собирать его лучше на разных датасетах: продажи, поведение пользователей, маркетинг — чтобы было видно, что вы умеете думать про разный бизнес, а не повторили одну инструкцию трижды.
«Зачем учить SQL, если нейросеть напишет запрос за меня?» — резонный вопрос 2026 года. Ответ неприятный для тех, кто надеялся срезать угол: ИИ не убрал необходимость понимать данные. Он сделал её жёстче.
Нейросети правда пишут SQL-запросы и код для графиков быстро. Но запрос надо прочитать, проверить и понять, что он вернул именно то, что нужно. Аналитик, который не знает SQL, не отличит правильный результат от тихой ошибки, где JOIN задвоил строки и выручка выросла вдвое на бумаге. Он принесёт начальству красивую неправду. И не заметит.
ИИ закрыл механическую часть профессии — написать запрос, построить график. Осталось то, что машина не делает: какой вопрос задать данным, что означает полученная цифра, какой из неё следует вывод для бизнеса. То есть ровно то, чему и стоит учиться. Нейросеть — отличный помощник тому, кто понимает данные, и ловушка для того, кто понадеялся ею эти знания заменить. На собеседовании вторых видно за минуту.
Так что ИИ — не повод не учить аналитику. Это повод учить её как следует: понимать цифры, а не копировать чужие запросы.
Самая дорогая ошибка — начать с покупки курса. Сначала план, потом курс. В обратном порядке вы оплачиваете чужой маркетинг.
Порядок такой. Сначала разберитесь, что вы хотите — анализировать данные или строить модели; если первое, забудьте про машинное обучение и не пугайтесь математики, она вам не нужна. Дальше идите по этапам: таблицы, SQL, визуализация, базовая статистика, Python с pandas, метрики и A/B — и не перепрыгивайте на Python, пока не закрыли SQL. Как только освоите SQL, начинайте собирать портфолио на реальных открытых датасетах — и в каждом кейсе доводите дело до вывода в деньгах и действиях, а не до набора графиков. Заложите горизонт год с лишним и не верьте обещаниям про три месяца.
Остаётся выбор курса — но уже осознанный, под ваш уровень и бюджет, а не первый из рекламы. Если ещё сомневаетесь, аналитика ли это вообще или вам ближе другое направление в данных, какие навыки нужны именно junior-аналитику, чем он отличается от дата-сайентиста, — честнее разобраться до оплаты, чем после. Профтест на нашем портале для этого и сделан: он не продаёт профессию и не обещает 200 тысяч из дома, а помогает сопоставить ваш склад, бюджет и реальный срок с подходящим направлением и подобрать курс аналитики под него.
Вернёмся к Марине, которая бросила «данные» на втором месяце, решив, что без математики ей туда нельзя. Она ошиблась не в способностях — в выборе профессии. Аналитику данных не нужен матан, который её напугал; нужны SQL, таблицы и умение задать вопрос. Дайте ей правильный порядок и один кейс с настоящим выводом по датасету оттока — и тот же человек, тот же гуманитарный склад, те же два часа по вечерам приведут не в тупик, а на собеседование. Разница в одном: теперь она учится той профессии, которую на самом деле хотела.
