Data Analyst нанимают не за красивый дашборд «для портфолио» с открытыми датасетами ради цвета. Нанимают за умение задать вопрос про продукт или процесс, достать ответ SQL-ем и не перепутать корреляцию с решением. В 2026 junior-слоты есть, но они ждут SQL и смысл метрики, а не пять инструментов визуализации в шапке.

Ниже — какие задачи реально ставят на входе, какой SQL уже достаточен, какой учебный разбор считать портфолио и как искать первую роль. Медиан зарплат нет: вилку смотрите фильтрами на вакансиях Data Analyst.

Коротко:

  • Ядро: SQL + продуктовая или бизнес-метрика + аккуратная интерпретация. Python и BI — по вакансиям, не «всё сразу».
  • Портфолио — 1–2 разбора с вопросом, ограничениями данных и выводом «что делать», не галерея графиков.
  • Аналитик данных ≠ Data Engineer и ≠ ML. Соседние пути: Data Engineer, ML Engineer.
  • Смежный вход: отчёты в Excel, поддержка, операционка, маркетинг с цифрами — если перевести на SQL и метрику.
  • В резюме пишите запросы и решения, не «работал в Tableau» без задачи.

Чем аналитик занят в первый месяц

Типичные задачи: выгрузить воронку, проверить, не сломался ли отчёт после релиза, посчитать retention так, как принято в команде, найти, почему «цифры в двух таблицах не бьются», собрать короткую справку к встрече. Первый месяц почти никогда не про «построить ML-модель». Если вы этого хотите — другая роль.

В продукте аналитик ближе к гипотезам и метрикам роста. В ритейле и операционке — к регулярным отчётам и качеству данных. В консалтинге — к чужим таблицам и слайдам. На входе важнее показать, что вы не рисуете график до вопроса.

Не путайте с системным аналитиком: тот ставит поведение системы и интеграции, вы — измерение и вывод. Путь СА: как стать системным аналитиком. Бизнес-аналитик — ещё одна дверь: как стать бизнес-аналитиком.

Кому этот вход подходит

Подходит, если вам не скучно сидеть в таблице, пока ответ не сходится, и вы готовы признать, что данных не хватает. Смежный опыт сильный, когда были регулярные отчёты, сверки, KPI, даже без слова SQL. Слабый, когда единственный план — курс «аналитик за 3 месяца» и дашборд Titanic.

Английский помогает на международных продуктах. Статистика на уровне «что такое среднее, медианы, почему маленький сэмпл врёт» — плюс. Высшая математика как диплом — не билет. Без SQL как ежедневной практики вход почти закрыт.

Какой SQL уже достаточно — и когда нужен Python

Откройте junior-вакансии и выпишите, что повторяется. Частый минимум:

  • JOIN, GROUP BY, HAVING, подзапросы;
  • оконные функции хотя бы ROW_NUMBER / LAG — часто спрашивают;
  • аккуратность к дублям, NULL, таймзонам;
  • объяснить, почему запрос мог соврать.

Этого хватает на много входных ролей. Индексы и план запроса — плюс, особенно если светится backend-смежный контур. Карта: SQL roadmap, собеседование: SQL на интервью.

Python нужен, когда в вакансии pandas/скрипты или когда SQL уже не вытягивает подготовку данных. Не нужен как обязательный «знак аналитика», если слоты про SQL + BI. Excel/Google Sheets — до сих пор входной навык в части команд, не стыдно. Tableau/Power BI/Metabase — один инструмент по вакансиям, не три в skills без файла отчёта. Шире по навыкам: что должен знать Data Analyst.

90 дней: разбор, который можно защитить

  1. Дни 1–25. SQL каждый день на учебной схеме с несколькими таблицами (заказы, пользователи, события). Не только тренажёр с одной таблицей.
  2. Дни 26–55. Один продуктовый разбор: вопрос → метрика → запросы → ограничения → рекомендация. Датасет лучше приближенный к продукту (события, заказы), не «цветочки ирисов».
  3. Дни 56–75. Второй разбор другого типа: сверка двух источников или «почему отчёт разъехался». Короткий README. Дашборд — только если он служит выводу, не вместо вывода.
  4. Дни 76–90. Резюме, 15 точечных откликов, SQL-практика под типичные задачи интервью.

Критерий: вы объясняете разбор за 8 минут без «ну тут график красивый». Если не можете назвать ограничение данных — работа не готова.

Пример 1. Учебный разбор воронки заказов

Вакансия: junior Data Analyst, SQL, продуктовые метрики, BI как плюс.

Вопрос: где теряются пользователи между просмотром каталога, корзиной и оплатой. Данные: учебные события и заказы, 90 дней. Считал по уникальным пользователям на шаг, отдельно проверил дубли событий и отрезал ботов по простому правилу (1000 событий в час — в README, грубо). Вывод: основной обрыв на промокоде с ошибкой валидации, не на каталоге. Рекомендация: починить валидацию и только потом крутить баннер.

В репозитории: SQL, описание схемы, список ограничений, один график воронки. Нет «предсказания оттока нейросетью». Нет пяти дашбордов «для красоты».

Это портфолио, которое можно защитить. Галерея из чужих Kaggle-ноутбуков — нет. Как упаковать несколько таких кейсов: портфолио аналитика.

Пример 2. Формулировка в резюме: было / стало

До:

Data Analyst. SQL, Python, Tableau, Power BI, Excel, A/B, Machine Learning. Прошёл курс. Ищу работу аналитиком / data scientist.

После:

Junior Data Analyst. Учебный разбор воронки заказов: SQL, проверка дублей, вывод про обрыв на промокоде, репозиторий [ссылка]. Второй кейс: сверка двух выгрузок, нашёл расхождение из-за таймзоны. Python и ML в работе не использую — не указываю. Tableau: один учебный дашборд к воронке, не «владею BI».

Подробнее: резюме Data Analyst. Не пишите data scientist, если не закрываете эту роль проектами.

Где искать первую роль и как не кормить воронку курсом

Ищите junior analyst, intern, «аналитик данных», иногда «аналитик Excel» с SQL в описании, product analyst trainee. Читайте задачи. Если ждут сразу causal inference и хранилище как инженер — это не вход. Каталог: вакансии аналитика, junior.

Письмо: вопрос, который вы уже считали, ссылка, готовность к SQL-тесту. Шаблон без извинений: письмо без опыта. Тестовое часто — запросы + короткий вывод. Не бесплатный квартал отчётности клиента. Тестовое.

Вилка — фильтры каталога, валюта и формат в объявлении. На скрининге коридор: ожидания по зарплате. Тишина: почему не отвечают.

Собеседование: SQL, метрика, осторожность в выводах

Готовьте: живой SQL, «как бы вы считали retention», что такое воронка, как проверить, что отчёт соврал, как общаться с заказчиком, который хочет «просто красивую цифру». Не зубрите учебник p-value, если вакансия про еженедельный отчёт магазина. Если A/B в описании — знайте, чего вы ещё не умеете, и не врите.

Рассказ о проекте: вопрос, данные, грабля, вывод, что не стали утверждать. Как рассказать о проекте. Подготовка блоков: interview-prep.

Как считать учебную метрику, чтобы её не стыдно защищать

Возьмите воронку. Зафиксируйте определение шага до запроса: «просмотр каталога» — это событие view_catalog или открытие URL? «Оплата» — статус paid или редирект с платёжки? Напишите определение в README. Потом напишите SQL. Потом сломайте его сознательно: уберите фильтр ботов, смешайте таймзоны, посчитайте события вместо пользователей. Запишите, как изменилась цифра. Именно это спрашивают фразой «почему вашему отчёту можно не верить».

Не тащите в кейс машинное обучение, если вопрос закрывается группировкой. Не тащите пять визуализаций, если хватает одной воронки и таблицы. Не используйте датасет, где вы не понимаете, откуда колонки. Лучше узкая учебная схема заказов, которую вы сами описали, чем красивый чужой ноутбук. Если берёте открытые данные, напишите, чем они не похожи на прод: нет дублей, нет опоздавших событий, нет ретро-правок.

На тестовом часто дают схему и вопрос «сколько уникальных покупателей за неделю». Уточните, что считать покупателем и где граница недели. Напишите запрос и одно предложение ограничения. Молчаливый идеальный SQL без оговорки про NULL выглядит слабее аккуратного. Если не знаете диалект — скажите и пишите стандартно. После теста одним письмом: запрос, допущение, что проверили бы на проде.

В резюме один разбор сверху, SQL в тексте кейса, не «владею оконными функциями» без примера. Перед рассылкой разбор CV. Если тишина — усилите вывод «что делать», а не добавляйте Power BI к Tableau. Как описывать опыт цифрами без выдуманных процентов: как описать опыт в резюме.

Частые вопросы

Нужен ли Python с первого дня?

Нет, если целевые вакансии про SQL и таблицы. Да, если они явно в описании или вы упираетесь в подготовку данных. Не учите его вместо SQL.

Сколько дашбордов нужно?

Ноль, если разбор сильный текстом и SQL. Один — если он показывает вывод. Пять ради портфолио обычно вредят: видно, что не было вопроса.

Можно ли войти из маркетинга / финансов / Excel?

Да, если перенесёте одну реальную задачу в SQL и покажете сверку. Нет, если просто переименуете должность.

Берут ли на удалёнку без опыта?

Иногда на intern и поддержку отчётов. Чаще гибрид. Junior remote.

Чем отличается от Data Engineer на старте?

Инженер строит пайплайны и свежесть данных. Аналитик отвечает на вопрос бизнеса. Если вам интереснее Airflow, чем метрика — другой путь: Data Engineer.

Стоит ли курс с трудоустройством?

Платите за разбор ваших запросов и кейса, не за обещание оффера. Резюме можно проверить в разборе CV отдельно.

Чек-лист разбора перед откликом

  • В README есть вопрос, определение метрики и ограничение данных.
  • SQL можно открыть и прогнать на описанной схеме, не «код в ноутбуке без схемы».
  • Есть вывод «что делать», а не только график.
  • Вы сознательно ломали запрос (дубли, таймзона) и записали, как врала цифра.
  • В skills нет ML и пяти BI, которых нет в кейсе.
  • Заголовок — Data Analyst / junior analyst, не Data Scientist.
  • Письмо ссылается на вопрос, который вы уже считали.
  • Вы готовы за 8 минут защитить разбор без «ну тут красиво».

Если чек-лист не закрыт, не увеличивайте число дашбордов. Закройте определение метрики. Если закрыт — откликайтесь на junior/intern аналитику и соседние «аналитик Excel + SQL». Тестовое пишите с допущениями. Вилку по-прежнему берите из фильтров каталога, не из чужих скринов. Подготовка SQL: вопросы SQL на собеседовании.

Что сделать сейчас

Сегодня сформулируйте один вопрос про воронку или сверку и напишите к нему SQL на учебной схеме. Не новый курс BI. Зафиксируйте определение шага до запроса: что считается просмотром, что считается оплатой, какая граница недели. Без этого метрика на собеседовании развалится первым уточняющим вопросом.

За месяц упакуйте разбор в README с ограничениями и с тем, как цифра врёт, если убрать фильтр дублей. Соберите резюме вокруг него, прогоните CV-review, откликнитесь на junior-аналитику. Второй инструмент визуализации не начинайте, пока этот кейс не защищается вслух за восемь минут.

Если через две недели тишина, вернитесь к определению метрики и к письму со ссылкой на вопрос, а не к пятому дашборду. Вилку на скрининге собирайте по фильтрам того же каталога: грейд, формат, страна. Не ставьте в резюме цифру «как у middle в чатах».