Продуктовый аналитик — одна из самых востребованных IT-профессий Digital Skills Academy последних лет. И одна из самых загадочных для новичков. Кажется, что нужны и математика, и программирование, и понимание бизнеса, ещё и портфолио с реальными проектами — а откуда им взяться без работы? Разбираем по полочкам: какие навыки реально нужны, где их взять, с чего начать и как обойти типичные ловушки на пути.
Кто такой продуктовый аналитик и чем он отличается от обычного
В мире данных есть много похожих ролей: бизнес-аналитик, BI-аналитик, data analyst, продуктовый аналитик. Путаница нормальная.
- Бизнес-аналитик — собирает требования к IT-системам, пишет ТЗ, работает с заказчиком внутри компании.
- BI-аналитик — строит дашборды, визуализирует данные, отвечает на вопрос «что произошло?».
- Data analyst (дата-аналитик) — чистит данные, строит модели, пишет сложные SQL-запросы, часто работает с сырыми логами.
- Продуктовый аналитик — гибрид. Он тоже строит дашборды и пишет SQL, но главное — ищет точки роста продукта: почему падает конверсия, где теряются пользователи, стоит ли запускать фичу. Он работает в связке с продуктовым менеджером и разработчиками, а не просто отвечает на запросы.
Главное отличие продуктового аналитика — он не ждёт задачи, он сам их ставит на основе данных. И предлагает изменения в продукте, а не просто констатирует факты.
Хард-скиллы: что учить в первую очередь
Минимальный набор инструментов для входа в профессию — три кита: SQL, Excel/Google Sheets и один BI-инструмент. Всё остальное — позже.
SQL — язык, на котором говорят с базами данных
Это железобетонная необходимость. Без SQL продуктовый аналитик не сможет достать данные — а их не дадут в красивом Excel-файле, только в базе. Нужно уверенно владеть:
- SELECT, WHERE, JOIN (LEFT, INNER), GROUP BY, HAVING, ORDER BY
- Оконные функции (ROW_NUMBER, RANK, LAG, LEAD) — это отличает джуна от стажёра
- Подзапросы и CTE (Common Table Expressions)
- Базовые агрегации (SUM, COUNT, AVG, MIN, MAX)
Учиться можно на тренажёрах: SQL Academy, SQLZoo, LeetCode (easy/medium). Реальная практика — скачать датасет и начать отвечать на вопросы.
Excel / Google Sheets — недооценённое оружие
Да, серьёзные аналитики используют Excel. Сводные таблицы, ВПР (лучше XLOOKUP), INDEX-MATCH, условное форматирование, базовые формулы (ЕСЛИ, СУММЕСЛИ, СЧЁТЕСЛИ) — этого достаточно для 90% ad-hoc задач. Продуктовому аналитику не нужно строить сложные финансированные модели, но уметь быстро «протащить» данные и найти выбросы — обязательно.
BI-инструмент: Tableau, Power BI или Superset
Один инструмент выучить до уровня «строю дашборд с фильтрами и расчётами». Tableau — самый дружелюбный для новичков, но платный. Power BI — стандарт в корпорациях на Windows. Superset — бесплатный и открытый, популярен в стартапах. Выбирайте один — остальные потом освоятся за пару недель.
Мягкие навыки: то, что фильтрует на собеседованиях
Технические знания можно натаскать за полгода. А вот умение задавать правильные вопросы и отстаивать своё мнение перед продуктовым менеджером — сложнее.
- Бизнес-мышление: не просто «упала конверсия», а «упала конверсия на шаге оплаты у пользователей с мобильных устройств — возможно, баг в платёжном виджете».
- Коммуникация с разработчиками: они говорят на языке логов и событий. Нужно понимать, как устроена событийная модель (event tracking) и как объяснить разработчикам, какие события добавить в аналитику.
- Умение рассказывать истории с помощью данных: гистограмма, которая говорит «здесь проблема», и гистограмма, после которой никто ничего не понял, — разница в подаче.
- Работа с неопределённостью: данных может не хватать, они могут быть грязными, а сроки — вчера. Продуктовый аналитик не паникует, а говорит: «чтобы дать точный ответ, нужно добавить сбор события X, а сейчас — вот приблизительная оценка».
Путь в профессию: от нуля до первого оффера
Реалистичный план — 6–12 месяцев интенсивной подготовки. Без магии.
Месяцы 1–3: база
- Изучаете SQL до уверенного уровня (JOIN, оконные функции).
- Осваиваете Excel на уровне продвинутого пользователя.
- Смотрите открытые вебинары и читаете блоги (Habr, VC, Data Racing, telegram-каналы «Аналитика данных», «Product Data»).
Месяцы 4–6: первый проект в портфолио
- Находите открытый датасет (например, данные о посещаемости интернет-магазина, ленты событий мобильного приложения).
- Пишете SQL-запросы и строите дашборд в Tableau/Power BI.
- Делаете презентацию (PDF или видео) с выводами: «вот что не так с воронкой, вот что предлагаю изменить».
- Кладёте на GitHub и в Notion.
Месяцы 7–9: стажировка или проекты на заказ
- Ищете оплачиваемую стажировку в компаниях (Ozon, Wildberries, Avito, Сбер, Тинькофф, Яндекс — у всех есть программы для начинающих аналитиков).
- Или берёте мини-проект на фрилансе: например, проанализировать продажи небольшого интернет-магазина знакомого.
- Выходите на митапы (Data-митапы есть в каждом городе-миллионнике) — заводите знакомства.
Месяцы 10–12: подготовка к собеседованию
- Прокачиваете алгоритмические задачи на SQL (LeetCode, HackerRank).
- Готовитесь к кейсам: типовые вопросы — «как посчитать retention», «как проверить, влияет ли новая фича на поведение пользователей», «выбери метрику успеха для A/B-теста».
- Активно откликаетесь на вакансии Junior Product Analyst / Junior Data Analyst.
Главные ошибки новичков на пути
- Изучение всего подряд. Выучили Python, потом R, потом Tableau, потом Power BI, потом Hadoop. А в итоге — ничего внятного. Лучше один стек довести до ума: SQL + Excel + один BI.
- Отсутствие портфолио. Резюме со словами «знаю SQL» не подтверждено. Нужны ссылки на проекты с реальными данными и выводами.
- Игнорирование продуктового мышления. Собеседование проваливают не те, кто не написал оконную функцию, а те, кто на вопрос «как поднять конверсию в корзину» отвечает «надо сделать сводную таблицу».
- Слишком долгое обучение. Бесконечные курсы и «я пока не готов» — форма прокрастинации. Выходите на рынок через 6–8 месяцев, даже если чувствуете пробелы. На первой работе доучитесь.
- Игнорирование английского. Документация к инструментам, статьи, англоязычные форумы — всё на английском. Нужен уровень чтения технических текстов (Pre-Intermediate достаточно).
Где искать курсы и стажировки
Платные курсы — не обязательны, но ускоряют вход. Бесплатно можно освоить всё, но сложнее держать дисциплину.
- Бесплатные ресурсы: YouTube-каналы «Анализ данных простыми словами», «Семён Коровин», «Product Data Club», книги «SQL для начинающих» (Г. Дейт), «Аналитик данных. Путь от новичка до эксперта» (А. Кузнецов).
- Платформы с курсами (платные, но с рассрочкой): Яндекс Практикум (курс «Аналитик данных»), Karpov.Courses (начинают с SQL и интервью), Skillbox, OTUS. Плюс — помощь с портфолио и стажировкой.
- Стажировки с оплатой (рынок 2025-2026): ВК, Т-Банк, Яндекс, Ozon, Wildberries, Samokat, Delivery Club, Avito, МТС, Билайн. Следите за карьерными разделами и телеграм-каналами типа «Джуниор и стажёр в IT».
Короткий чек-лист для старта
- ☐ Выучил SQL (JOIN, оконные функции — уверенно)
- ☐ Освоил Excel: сводные, ВПР, логические формулы
- ☐ Сделал один дашборд в Tableau/Power BI (можно на бесплатных данных)
- ☐ Знаю 5–7 основных продуктовых метрик наизусть
- ☐ Написал пост на Habr или в телеграм-канал с разбором кейса (портфолио)
- ☐ Прошёл 3–4 интервью на позицию стажёра (даже если отказы) — опыт бесценен
- ☐ Завёл профиль в LinkedIn и на hh.ru, настроил уведомления по слову «продуктовый аналитик»
Продуктовая аналитика — профессия, в которую реально войти без профильного IT-образования. Историки, экономисты, психологи, инженеры — в аналитике полно людей из смежных областей. Главное — не пытаться выучить «всю математику сразу», а делать упор на практику: взяли данные, задали вопрос, ответили с помощью SQL и BI, показали другому человеку. Повторили 10 раз — и уже джун. А дальше — только опыт и метрики вашего роста.
