Как стать Data Analyst с нуля
Вакансий Data Analyst становится больше, а порог входа в профессию ниже, чем кажется со стороны: для позиции junior обычно не требуют диплома по математике — требуют уверенное владение SQL, базовый Excel или Python и умение объяснить, что цифры значат для бизнеса. Сложность не в объёме знаний, а в правильном порядке изучения: многие начинают с Python и алгоритмов, хотя большинство реальных задач junior-аналитика решаются связкой Excel и SQL. Ниже — маршрут, который учитывает, что именно спрашивают на собеседованиях и чем аналитик занимается в первый рабочий месяц.
Чем на самом деле занимается data analyst
Data analyst — это не data scientist: в задачи входит не построение моделей машинного обучения, а работа с уже собранными данными ради конкретного бизнес-решения. Типичный день: выгрузить данные SQL-запросом, проверить их на ошибки и пропуски, посчитать метрики (конверсию, средний чек, отток), собрать из них дашборд или таблицу и объяснить руководителю, что стоит за цифрами. Поэтому на входе в профессию ценится не глубина статистики, а связка «быстро достать нужные данные — правильно их посчитать — понятно показать».
Изучайте навыки в правильном порядке
Порядок имеет значение больше, чем кажется, потому что каждый следующий навык опирается на предыдущий.
- Excel или Google Sheets — 2-3 недели. Сводные таблицы, ВПР/XLOOKUP, базовые формулы для расчёта метрик. Большинство вакансий junior всё ещё держится на Excel — пропускать этот этап ради Python не стоит.
- SQL — 4-6 недель сфокусированной практики. Это главный навык, который спрашивают почти на любом собеседовании: JOIN, GROUP BY, оконные функции, подзапросы. Тренироваться удобно на бесплатных тренажёрах вроде SQLZoo или на открытых базах данных.
- Python (pandas) или R — около 2 месяцев. Нужен там, где Excel не справляется с объёмом данных или задачу приходится повторять регулярно. Если параллельно хочется писать код глубже, чем требует аналитика, посмотрите смежный маршрут как научиться программированию с нуля — база (Python, логика работы с данными) пересекается напрямую.
- Визуализация — 3-4 недели, можно параллельно с Python. Освойте один инструмент — Power BI, Tableau или бесплатный Looker Studio — и научитесь собирать дашборд, а не просто график.
При 1-1.5 часах занятий в день такой план занимает 5-6 месяцев до уровня, достаточного для отклика на первые вакансии.
Частая ошибка новичков — застрять на Python на два-три месяца раньше SQL, потому что про него больше слышно и он выглядит «серьёзнее». На практике на собеседованиях junior почти всегда сначала проверяют SQL, а не код на Python, поэтому менять порядок из списка выше не стоит, даже если Python кажется интереснее.
Практикуйтесь на реальных данных, а не только в курсах
Курсы дают синтаксис, но не дают того, ради чего аналитика существует, — умения задать правильный вопрос к сырым, неидеальным данным. С третьей недели SQL начинайте параллельно разбирать открытые датасеты: наборы на Kaggle, данные Росстата, открытые данные по продажам или транспорту конкретного города. Возьмите одну и ту же задачу и решите её на трёх уровнях — просто посчитать метрику, найти в ней аномалию и объяснить её причину, предложить бизнесу решение на основе цифр. Именно третий уровень отличает портфолио, которое замечают, от учебного упражнения.
Соберите портфолио из 3-4 проектов с выводами, а не только с кодом
Для входа в профессию достаточно 3-4 завершённых кейсов, оформленных как мини-исследования: короткое описание вопроса, SQL-запросы или код на GitHub, дашборд (можно опубликовать бесплатно на Tableau Public) и, главное, абзац с выводом. Например: «анализ оттока показал, что 60% ушедших клиентов отваливаются в первые две недели — значит, стоит усилить онбординг» ценится выше, чем идеально оформленный, но бессмысленный график. Хорошо работают темы на стыке с другими областями: если раньше вы занимались маркетингом, возьмите проект по анализу рекламных кампаний — это же пересечение пригодится, если параллельно изучать диджитал-маркетинг, где метрики и аналитика идут рука об руку.
Первые шаги к стажировке
Ищите позиции с формулировкой Junior Data Analyst, Data Analyst Intern или Analytics Trainee — на них не требуют опыта, но проверяют SQL на практическом задании прямо на собеседовании. Готовясь, тренируйтесь решать тестовые SQL-задачи на время: типичное собеседование даёт 20-30 минут на 3-4 запроса разной сложности. Не менее важно уметь в двух предложениях объяснить нанимающему менеджеру, зачем нужен каждый проект в портфолио — интервьюеры отсеивают кандидатов не по красоте кода, а по способности связать данные с решением.
Параллельно с откликами на hh.ru и LinkedIn стоит писать напрямую аналитикам в компаниях, куда хочется попасть, — короткое сообщение с ссылкой на портфолио часто работает лучше, чем отклик в общей очереди на вакансию.
Полгода обучения без расписания легко растягиваются на полтора года — Excel откладывается на «потом», SQL изучается урывками. Чтобы этого избежать, распишите путь по неделям заранее; общие принципы такого планирования разобраны в статье про план обучения новому навыку.
Учите SQL и аналитику по структурированному плану
LearnMe собирает персональный курс под конкретную цель — например, «освоить SQL для аналитики за 6 недель» — и выдаёт по уроку в день на 10-15 минут вместо разрозненных видео из разных источников. Зарегистрируйтесь на LearnMe бесплатно и получите план обучения на первую неделю уже сегодня.
Профессия data analyst открыта для входа без профильного диплома, но не без системы: освойте Excel и SQL в первую очередь, стройте портфолио на реальных, а не учебных данных — и через 5-6 месяцев у вас будет всё нужное для первого собеседования.