Аналитик данных — это переводчик между цифрами и людьми, которые принимают решения. Он отвечает на один вопрос, заданный сотней способов: «что произошло в бизнесе и почему». Достаёт цифры из баз, считает, строит график — и формулирует вывод, после которого кто-то меняет цену, рекламу или продукт. Junior на входе получает 94 000–149 000 ₽ по медиане предлагаемых зарплат hh.ru за 2026 год. Но цифра — последнее, на что стоит смотреть, выбирая эту профессию.
Потому что главное про аналитика данных все понимают неправильно. Думают, это про код. Или про высшую математику. На деле и то и другое — не про него, а технику вроде запроса к базе сегодня всё чаще пишет даже нейросеть. Так чем же он занят целыми днями и кому это вообще подходит?
Разберём по слоям. Сначала кто это такой одним предложением. Потом что он физически делает руками за рабочий день — и почему это не похоже на картинку из головы. Потом с кем он работает, какими инструментами и как в его профессию влез искусственный интеллект. И в конце — самое важное: кому такой склад ума подходит, а кому стоит держаться от данных подальше, сколько бы ни платили.
Оля руководит отделом продаж в небольшой компании. В марте продажи просели, и начальство хочет знать почему. Оля выгружает отчёты из трёх систем, открывает Excel и начинает вручную всё сводить: тут продажи по менеджерам, тут по городам, тут по неделям. Два дня она копается в таблицах, чертыхается на кривые выгрузки, где половина дат в одном формате, половина в другом. К вечеру второго дня она находит: провалился один регион, и провалился он ровно тогда, когда там отключили рекламу. Оля выдыхает.
Она не знает, что только что два дня работала аналитиком данных. Плохо, руками, без нужных инструментов — но делала ровно его работу: взяла грязные данные, свела, нашла причину, перевела её в действие. И вот её реакция на эти два дня — лучший тест на профессию. Одних таблицы бесят, и это нормально, они закрывают Excel и идут заниматься своим делом. Других в этой возне цепляет другое: не сама таблица, а азарт погони. Почему упало? А точно из-за рекламы? А не совпадение? Если внутри щёлкнул этот вопрос — а не раздражение, — у вас склад аналитика. Оля, кстати, пока этого про себя не поняла.
Снимем два глянца сразу.
Первый: «аналитик данных — это программист». Нет. Аналитик пишет код, но код для него — отвёртка, а не цель. Программист строит продукт, который будут использовать тысячи людей; аналитик пишет запрос, чтобы ответить на один вопрос, получает ответ и запрос выбрасывает. Это разные профессии с разным смыслом работы.
Второй глянец опаснее: «туда нужна высшая математика». Сюда приходят гуманитарии, видят слово «данные», пугаются интегралов и разворачиваются. Зря. Высшая математика, нейросети, машинное обучение — это другая профессия, дата-сайентист, и о различии между ними написана отдельная статья. Аналитику данных хватает арифметики, процентов и понимания, чем среднее отличается от медианы. Это уровень школьной программы, а не университетской кафедры.
Кто же он тогда? Переводчик. С одной стороны у него — базы данных, миллионы строк, цифры без смысла. С другой — живой человек: маркетолог, продакт, директор, который хочет что-то понять про свой бизнес, но не умеет говорить на языке цифр. Аналитик стоит между ними. Его продукт — не таблица и не красивый график. Его продукт — фраза: «выручка просела в марте, потому что отвалился вот этот канал, мы теряем столько-то в неделю, и вот что я предлагаю сделать». Бизнес платит не за диаграмму. Бизнес платит за понимание.
И вот теперь, когда ясно, кто это, посмотрим, из чего складывается его обычный день. Он удивит.
Четыре действия. Каждый день, в разных пропорциях.
Первое — достать данные. Они лежат в базе, и чтобы их вытащить, аналитик пишет запрос на языке SQL. Это не программирование в полном смысле — это язык вопросов к базе: выбери мне продажи за март, сгруппируй по городам, сложи. SELECT, JOIN, GROUP BY — три слова, которые аналитик повторяет тысячу раз и которые спрашивают на каждом собеседовании. SQL — несущая стена профессии. Без него на работу не берут.
Второе — почистить. И вот тут новички жестоко недооценивают реальность. Данные всегда грязные. Дубли, пропуски, даты в трёх разных форматах, опечатки в названиях городов, строки, которые кто-то заполнил руками в три часа ночи. Прежде чем что-то посчитать, аналитик долго приводит этот хаос в порядок. На чистку уходит больше времени, чем на сам анализ. Об этом не пишут в рекламе курсов, потому что звучит неромантично.
Третье — посчитать и показать. Метрики, сводные таблицы в Excel, дашборд в BI-системе вроде Power BI или DataLens — наглядная панель, где руководитель сам видит, как идут дела, без аналитика над душой. Когда данных становится слишком много для таблицы, в дело идёт Python с библиотекой pandas. Не весь Python, не сразу и не всегда — конкретный инструмент под конкретную тяжесть задачи.
Четвёртое — объяснить. Самое недооценённое. Аналитик пишет письмо, собирает слайд, выходит на созвон и переводит цифру в действие на языке, понятном не-технарю. График, который никто не понял, — выброшенная работа.
Сложите четыре действия — и получите не то, что рисует новичок. Он представляет, как сидит и восемь часов глубокомысленно анализирует. На деле «чистого анализа» в дне хорошо если треть. Остальное — раскопки, проверки, объяснения.
Утро — короткий созвон команды. Дальше не одна большая красивая задача, а поток мелких вопросов от разных людей. «Почему вчера упали продажи?» «Сколько новых пользователей пришло из этого города?» «Тот тест с новой кнопкой сработал или нет?» Аналитик — это справочное бюро по цифрам, и очередь к окошку не кончается.
И почти каждый вопрос начинается не с анализа, а с археологии. Где вообще лежат нужные данные? Почему вот эта таблица не сходится с той? Кто их заполняет и почему тут пропуск за вторник? Прежде чем ответить на простой с виду вопрос, аналитик полдня раскапывает, откуда брать цифры и можно ли им верить. Найти данные и убедиться, что они не врут, — это половина работы, о которой молчат.
Сравните с картинкой из головы. Новичок шёл «работать с данными», представляя тишину, наушники и поток инсайтов. Получил справочное бюро, грязные выгрузки и вечный вопрос «а откуда эта цифра». Кого это разочаровывает — уходит за полгода. Кто относится к поиску данных как к расследованию — остаётся. Потому что профессия не про цифры. Она про людей вокруг цифр.
Это ломает главный стереотип интроверта, мечтающего спрятаться за монитором. Аналитик данных — одна из самых разговорных профессий в ИТ.
Он сидит на пересечении. С одной стороны заказчик — маркетолог, продакт, руководитель. Он приходит с вопросом, и вопрос почти всегда расплывчатый: «у нас всё плохо с продажами, разберись». Первая и главная работа аналитика — даже не считать, а перевести это «всё плохо» в точную, считаемую формулировку. Плохо — это где? Падение выручки или числа заказов? За какой период? По сравнению с чем? Аналитик, который молча идёт считать что попросили, бесполезен — он посчитает не то. Настоящий навык на стыке — это вытащить из заказчика, что он на самом деле хочет узнать. А заказчик и сам толком не знает.
С другой стороны — инженеры данных, которые строят и обслуживают базы и дают аналитику доступ к ним. С третьей — дата-сайентисты, которые берут подготовленные аналитиком данные для своих моделей. Аналитик — узел, через который проходит разговор бизнеса с его собственными цифрами.
Поэтому человек, который идёт в профессию со словами «хочу просто сидеть с данными и ни с кем не общаться», выбрал не ту дверь. Тут общаются весь день. И вот тут возникает законный вопрос: если половина работы — это разговоры и раскопки, а запросы к базе скоро будет писать машина, не съест ли искусственный интеллект всю профессию целиком?
Короткий ответ: нет. Длинный — интереснее.
Нейросеть сегодня пишет SQL-запрос по описанию словами за пару секунд. Строит код для графика. Чистит простые таблицы. Всё, что мы выше назвали механической частью, ИИ делает быстрее человека. Звучит как приговор профессии. На деле — наоборот.
Посмотрите, что ИИ съел: добывание, чистку, построение. Скучную механику. А что осталось? Решить, какой вопрос вообще задать данным. Понять, правильный ли результат выдала машина — или она уверенно сгенерировала чушь, что нейросети умеют. Сообразить, что цифра значит для бизнеса и что теперь делать. Это ровно то, что было сутью профессии всегда, просто раньше оно тонуло в рутине.
И вот ловушка для тех, кто решит, что теперь можно не учить SQL — «всё же напишет ИИ». Аналитик, который не понимает, что сгенерировала машина, не отличит правду от галлюцинации. Он не сможет проверить запрос, потому что не читает его. Он принесёт начальству красивый ошибочный график и не заметит ошибки. ИИ не отменил знание основ — он сделал так, что отсутствие этого знания теперь видно сразу. Машина подняла цену понимания и обнулила цену зубрёжки. Для того, кто хочет понимать, это хорошая новость. Для того, кто хотел «нажимать кнопки и получать зарплату», — плохая.
Соберём портрет.
Аналитик — это въедливый скептик. Человек, который не верит цифре на слово и первым делом лезет проверить, откуда она взялась. Которому приносит физическое удовольствие момент, когда он докопался до причины: вот оно, упало из-за рекламы, не из-за сезона, я проверил. Который умеет объяснить сложное простыми словами — без этого навыка аналитик превращается в генератора графиков, которые уходят в стол, потому что их никто не понял. Любопытство к «почему» плюс терпение к раскопкам плюс умение говорить с людьми. Вот три кита.
А теперь честно — кому бежать. Тому, кто мечтает творить и ненавидит рутину: половина работы аналитика — это нудная чистка грязных таблиц, и от неё никуда не деться. Тому, кто хочет спрятаться от людей за монитором: профессия разговорная, расспросы заказчика не кончаются. И тому, кто пришёл на запах «профессии будущего» и больших денег, не примерив склад ума, — это самый дорогой способ потерять год.
Потому что вот вам контраргумент, который не любят на лендингах. Рынок junior-аналитиков перегрет. На форумах полно людей, которые год не могут найти первую работу и пишут «рынок переполнен выпускниками курсов». И это правда: вакансий для совсем новичков меньше четверти, работодателю нужен опыт. Въедливость и любопытство — необходимое условие входа, но не достаточное. Без выносливости к рутине и без умения объяснять даже самый любопытный новичок застрянет. Профессия живая и востребованная — спрос на аналитиков вырос на 16,4% за 2025 год, — но она не лёгкий вход, что бы ни обещала реклама. Подробный разбор зарплат по грейдам и пошаговый план, как стать аналитиком с нуля, — это отдельные разговоры; здесь важно одно: сначала примерьте склад ума, потом считайте деньги.
Не покупая курс и не записываясь никуда, профессию можно примерить сегодня вечером. Возьмите любой массив цифр из своей жизни — расходы за месяц по категориям, статистику любимой команды за сезон, историю шагов из телефона. И задайте им один вопрос: почему вот эта цифра такая? Почему в марте потратил больше? Из-за чего команда проседает на выезде? Покопайтесь полчаса. И поймайте свою реакцию.
Если копание в цифрах ради ответа вас вымотало и разозлило — это честный сигнал, аналитика не ваше, и хорошо, что вы узнали это за полчаса, а не за год учёбы. Если же в момент, когда вы нашли причину, внутри что-то довольно щёлкнуло — «ага, вот оно!» — вот это и есть склад аналитика данных. Не любовь к таблицам. Азарт погони за «почему».
И последнее. Если щёлкнуло, но всё ещё неясно — аналитика ли это вообще, и пойдут ли ваш характер и бэкграунд под эту работу, — пройдите Профтест на этом сайте. За пять минут он сопоставит ваш склад ума и опыт с подходящими ИТ-направлениями и честно покажет, стоит ли вам в данные или лучше посмотреть в сторону.
А Оля, которая два дня сводила таблицы, чтобы понять про мартовский провал, — теперь вы знаете, чью работу она делала. И, может быть, узнаёте в ней себя. Если, читая про её азарт от найденной причины, вы поймали то же самое чувство — поздравляю, вы только что подумали как аналитик данных.
