Главный навык аналитика данных — SQL, и его спрашивают почти на каждом собеседовании джуна. На втором месте — таблицы (Excel, сводные), на третьем — визуализация в BI. Python и машинное обучение, ради которых новички сжигают первые полгода, на старте почти не нужны: junior с зарплатой 94 000–149 000 ₽ (медиана hh.ru, 2026) большую часть дня пишет запросы и сводит таблицы, а не обучает нейросети.
Звучит обидно для тех, кто уже месяц мучает pandas. Но порядок важности тут перевёрнут относительно того, что обещают яркие статьи про data science. И дело не в том, что учить — список навыков гуглится за минуту. Дело в том, в каком порядке и с каким весом. Можно знать всё из списка и провалить собеседование, потому что учил по убыванию хайпа, а не по убыванию пользы.
Разберём стек как набор с приоритетами. Сначала — что внутри и сколько каждый навык весит в реальном дне. Потом — что новички переоценивают и почему. Потом — навыки, которых нет в вакансиях, но без которых аналитик бесполезен. И в конце — с чего начать завтра утром, чтобы не повторить чужую ошибку на полгода.
Антон, 31 год, бывший логист, решил уйти в данные. Открыл дорожную карту из интернета, увидел слово «Python» и пошёл прямо туда: переменные, циклы, функции, потом pandas, потом — раз уж пошло — пара уроков по машинному обучению. Полгода вечеров. Собрал ноутбук с предсказанием цен на квартиры, гордился.
На первом собеседовании джуна его попросили написать запрос: достать из таблицы заказов выручку по городам за последний месяц и отсортировать. SQL. Который Антон проскочил, потому что он скучный и его не было в красивых видео. Он завис. Питон знал, а данные достать не мог — как если бы выучил высшую кулинарию, но не умел включить плиту.
Это не редкий случай. Это самая частая история на форумах: «учил Python, а на работе только SQL и Excel». Люди приходят в профессию через её самую необязательную часть, потому что именно она громче всего звучит.
А несущую стену обходят стороной. Она не фотогеничная.
Если выкинуть из стека всё, кроме одного, останется SQL. Это язык, которым достают данные из баз: SELECT — что показать, WHERE — по какому условию, JOIN — как склеить две таблицы, GROUP BY — как сгруппировать и посчитать. Четыре конструкции, на которых держится девять из десяти рабочих задач.
Почему он первый по важности — простая арифметика времени. Данные не лежат в готовом файле. Они в базе, часто в десятке связанных таблиц, и прежде чем что-то посчитать, их надо оттуда достать в нужном виде. Это первое действие любой задачи. Не достал — нечего считать, нечего показывать, не о чем делать вывод. SQL стоит в начале каждой цепочки, поэтому аналитик трогает его буквально каждый день, годами.
На собеседовании джуна это понимают и проверяют в лоб. Вам дадут две-три таблицы и попросят написать запрос: посчитать что-то с группировкой, склеить заказы с клиентами, найти топ по какому-то признаку. Руками, на бумаге или в редакторе, без подсказок. Провалили JOIN — разговор окончен, и никакой питон-проект не спасёт.
На SQL уходит полтора-два месяца честной практики. Это лучшая инвестиция времени во всём стеке.
Таблицы — Excel или Google Sheets — второй по весу навык, и тут новички впадают в обратную крайность: считают его несолидным для «аналитика данных». Зря. Сводные таблицы, ВПР, формулы, базовая чистка — это инструмент для задач, где разворачивать SQL-запрос и базу попросту дорого. Кто-то прислал выгрузку на тысячу строк, надо к завтрашнему созвону понять, что в ней. Никто не будет грузить это в базу — откроют в таблице и посчитают сводную за пять минут.
И собеседование это тоже проверяет. Сводную таблицу нередко просят построить руками — прямо там, на экране. Аналитик, который морщится от Excel, выглядит как повар, считающий ниже своего достоинства мыть нож.
Связка получается такая: SQL — когда данных много и они в базе, таблицы — когда данных мало и их прислали файлом. В реальном дне это примерно пополам. Питон во второй сценарий не лезет вообще — он тяжелее задачи.
Достать данные — половина дела. Дальше их надо показать так, чтобы по картинке приняли решение, и не наврать при этом самому себе. Тут два навыка, оба обязательные, оба переоценены по сложности.
Первый — визуализация в BI-системе. Дашборды в Power BI, DataLens и подобных. Навык не в том, чтобы нарисовать график — это кнопки, их осваивают за месяц. Навык в том, чтобы график что-то объяснял, а не украшал. Десять разноцветных диаграмм, по которым ничего не решишь, — это провал, даже если красиво. Руководитель смотрит на дашборд три секунды и должен понять, что делать. Не понял — вы зря рисовали.
Второй — базовая статистика. Не вузовский курс с интегралами, а рабочий минимум, который умещается в неделю-другую. Чем среднее отличается от медианы и когда среднее нагло врёт (одна зарплата директора задирает «среднее по компании»). Почему корреляция — это не причинность: продажи мороженого и количество утопленников растут вместе, но мороженое никого не топит, их связывает лето. Без этого минимума аналитик делает уверенные выводы из случайного шума — и это опаснее, чем не делать выводов вообще. Цифра с авторитетным графиком убеждает сильнее, чем «мне кажется», и если она врёт, бизнес поедет не туда с полной уверенностью в своей правоте.
Теперь о слоне в комнате. Python в стеке аналитика есть, но место у него пятое, а не первое, и объём — узкий. Не «весь питон» с алгоритмами и ООП, а одна библиотека pandas для работы с таблицами и чуть-чуть для графиков. Питон здесь не профессия программиста, а ускоритель того, что вы уже умеете руками: когда данных столько, что Excel захлёбывается, а SQL-запрос становится монстром, pandas делает то же самое чище и быстрее.
Ключевое слово — «когда». Многие junior-аналитики первый год пишут питон редко. Задачи решаются SQL и таблицами, а до сценариев, где питон реально нужен, доходит не каждый и не сразу. Учить его раньше SQL — всё равно что покупать снегоуборщик до того, как въехал в дом.
Машинное обучение в этот список не входит вовсе. Прогнозные модели, нейросети, обучение алгоритмов — это другая профессия, дата-сайентист, с другой математикой и другой зарплатой. Аналитик отвечает на вопрос «что произошло и почему», дата-сайентист — «что произойдёт». Их постоянно путают, и путаница стоит новичку месяцев, потраченных на ML, который на собеседовании джуна-аналитика не спросят ни разу. Если тянет именно в модели — это сигнал смотреть в сторону другой роли, а не доказательство, что вы продвинутый аналитик.
Почему все так упорно начинают не с того конца? Потому что Python и ИИ — это то, что хайпуют, а SQL и сводные таблицы — нет. Учат по убыванию громкости, а надо — по убыванию пользы для первого трудоустройства. Это ровно противоположные порядки.
Всё перечисленное — hard skills, технические, измеримые, проверяемые на собеседовании. Но есть второй слой, который не пишут в требованиях, а решает он часто больше. Это soft skills, и для аналитика они не «приятное дополнение», а часть профессии.
Первый — умение вытащить из заказчика, что он на самом деле хочет узнать. Бизнес приходит с вопросом «у нас всё плохо с продажами, разберись». Это не задача — это эмоция. Аналитик первым делом переводит её в считаемое: какие продажи, в каком канале, за какой период, по сравнению с чем. Тот, кто молча идёт считать «всё плохо», приносит мусор, потраченный впустую. Этот навык на собеседовании проверяют кейсом: дают расплывчатый вопрос и смотрят, начнёте вы уточнять или сразу кинетесь в таблицу.
Второй — объяснить вывод так, чтобы не-аналитик понял и начал действовать. Самый красивый дашборд бесполезен, если по нему не приняли решение. Аналитик, который умеет добыть данные, но не умеет рассказать, что они значат, — генератор графиков в стол. Его работу не видят, его не повышают, он недоумевает почему.
Третий, самый недооценённый, — терпение к рутине. Половина дня аналитика — не озарения, а раскопки: где лежат нужные данные, почему две таблицы не сходятся, кто их вообще заполняет и почему криво. Данные всегда грязные. Кто пришёл «творить» и ненавидит чистить дубли и пропуски, выгорит за квартал, как бы хорошо ни знал SQL. Въедливость без выносливости к рутине не спасает — это и есть честная оговорка, о которой молчат рекламные ролики.
Учите не по списку, а по приоритету отдачи. Порядок такой: сначала таблицы (месяц — сводные, формулы, чистка), потом SQL (полтора-два месяца, и это сердце всего), потом визуализация в BI (месяц на графики, которые объясняют), потом базовая статистика (пара недель рабочего минимума), и только потом — Python с pandas, если до него вообще дойдёт нужда. Машинное обучение пропустите: если потянет туда, это разговор про другую профессию.
Логика порядка простая: каждый следующий навык опирается на предыдущий и без него бессмыслен. Нельзя визуализировать то, что не умеешь достать. Нельзя делать выводы по графику, не понимая, врёт цифра или нет. SQL раньше Python, потому что Python без SQL — снегоуборщик без дома. Перепрыгивать нельзя, и главная ошибка — стартовать с пятого пункта, потому что он громче звучит.
Параллельно с hard прокачивайте soft, их не учат отдельным курсом: на каждом учебном датасете заставляйте себя сначала сформулировать точный вопрос, а в конце — объяснить вывод одним предложением, будто пишете руководителю. Без этого вы знаете инструменты, но не профессию.
И ещё одно — насчёт ИИ и no-code, раз уж все спрашивают. Сегодня нейросеть пишет SQL-запрос и строит график за секунды, а в BI-системах многое делается мышкой без единой строки кода. Звучит так, будто учить ничего не надо. Ловушка в обратном: машина генерирует запрос, но не знает, верный ли он для вашей задачи, и не отличит правду от собственной галлюцинации. Это можете только вы — если понимаете SQL. ИИ убрал из профессии скучную механику и поднял цену понимания. Тот, кто не знает, что сгенерировано, не аналитик, а человек, доверяющий цифре на слово, — а это противоположность профессии. Так что SQL учить всё равно придётся. Просто теперь — чтобы проверять машину, а не заменять её.
Антон в итоге закрыл SQL за два месяца и вышел на работу. Питон, который он учил полгода, пригодился ему месяца через четыре после трудоустройства — пару раз. Не зря, но и не туда, с чего стоило начинать. Если сомневаетесь, ваш ли это склад ума и стоит ли вообще вкладывать эти месяцы, — пройдите Профтест: он сопоставит ваш характер и сильные стороны с подходящими ИТ-направлениями за десять минут. Это дешевле, чем выяснять полгода спустя на чужом примере.
