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
- Дни 1–25. SQL каждый день на учебной схеме с несколькими таблицами (заказы, пользователи, события). Не только тренажёр с одной таблицей.
- Дни 26–55. Один продуктовый разбор: вопрос → метрика → запросы → ограничения → рекомендация. Датасет лучше приближенный к продукту (события, заказы), не «цветочки ирисов».
- 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.
- 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.