Вакансия Data Analyst в 2026 году в CIS и на русскоязычной удалёнке почти никогда не просит «знать всё про данные». Она просит одно: взять сырой след продукта — заказы, сессии, тикеты — и за разумное время ответить на вопрос бизнеса без folklore из дашборда, который никто не проверял.

Ниже — рабочий набор, а не программа курса. SQL, метрики, визуализация, эксперименты, Python. Что обязано быть на junior, что можно честно не указывать, как собрать доказательство за 90 дней и как не превратить резюме в свалку инструментов.

Коротко:

  • Ядро найма — SQL плюс умение назвать метрику так, как её считает продукт, а не как в учебнике.
  • Python нужен, когда без него не вытянуть выгрузку, повтор расчёта или небольшой пайплайн. Для части junior-ролей его нет в обязательных.
  • Дашборд без определения метрики и проверки на дублях — это картинка, не навык.
  • Эксперименты на junior спрашивают как грамотность: что нельзя сравнивать, что такое длительность, куда смотреть besides p-value.
  • В резюме продаёт один разбор с вопросом, запросом и выводом, а не список из пятнадцати BI-инструментов.

Кого нанимают под этим названием

Под «аналитиком» прячутся разные работы. Продуктовый аналитик считает воронки и удержание. Маркетинговый — каналы и стоимость привлечения. Операционный — очереди, SLA, срывы поставок. «Аналитик данных» без уточнения часто оказывается человеком, который пишет SQL в DWH и тащит еженедельный отчёт.

До того как собирать навыки, откройте пять объявлений одной ветки, не пяти профессий. Смотреть живые формулировки удобно в вакансиях Data Analyst. Если в трёх из пяти есть PostgreSQL, dbt и Looker, а Python «будет плюсом» — ваш список уже другой, чем у вакансии с pandas, A/B и Amplitude.

Ошибка входа — учить «аналитику вообще»: немного SQL, немного Python, немного нейросетей. На отборе это читается как отсутствие роли. Смежная ловушка — путать аналитика с инженером данных или с ML. Если в объявлении нет моделей, не добавляйте sklearn в skills «для веса».

SQL — навык, без которого остальное не смотрят

На junior в CIS SQL проверяют чаще, чем «знание продуктового мышления». Типичный контур: JOIN без размножения строк, окна для кумулятива и ранжирования, группировки с фильтрами, аккуратная работа с датами и NULL, понимание, почему «уникальные пользователи» разъехались с «сессиями».

Что должно получаться без шпаргалки:

  • схема заказа: пользователи, сессии, заказы, позиции, возвраты — и запрос, который не дублирует выручку из‑за JOIN к позициям;
  • воронка по шагам с окном и отсечением ботов / тестовых аккаунтов;
  • когорта: неделя регистрации × неделя активности, без «средней температуры по больнице»;
  • проверка качества: дубли ключей, дыры в датах, заказы без пользователя.

Диалект вторичен относительно грамотности. Postgres в продуктовых командах встречается чаще Oracle. Если в вакансии ClickHouse — это отдельный плюс, не замена базового SQL. Карта тренировки запросов — в SQL roadmap; здесь важно другое: SQL без метрики — это просто синтаксис.

Метрики: определение важнее графика

Рекрутер и нанимающий аналитик слушают, умеете ли вы спорить с цифрой. «Конверсия выросла» без окна, знаменателя и фильтра по новым/старым — не ответ. Junior, который говорит «я бы сначала зафиксировал, кого считаем покупателем», выглядит сильнее, чем тот, кто сразу рисует столбцы.

Минимальный набор, который стоит уметь объяснить вслух:

  • активность: DAU/WAU/MAU и почему отношение WAU/MAU не равно «вовлечённости» само по себе;
  • воронка: шаг, окно атрибуции, что делать с людьми, которые перескочили шаг;
  • деньги: GMV, выручка, AOV, доля возвратов — и где их нельзя складывать;
  • удержание: D1/D7/D30, N-day vs unbounded, чем когорты лучше «среднего retention»;
  • юнит-экономика на уровне здравого смысла: что входит в стоимость привлечения, чего вы не знаете без финансов.

Не зубрите двадцать аббревиатур из блога. Возьмите один продукт, который понимаете — доставку, маркетплейс, edtech, B2B SaaS — и распишите пять метрик так, будто пишете ТЗ аналитику. Это и есть навык, который потом переносится на чужой продукт.

Python: когда обязателен, когда нет

Python на аналитика в 2026-м — не «стать разработчиком». Это скрипт, который повторяет расчёт, чистит выгрузку, клеит два источника, иногда тянет API. Если вакансия — отчёты в SQL и BI, а Python в плюсах, не имитируйте backend-стек.

Когда Python почти наверняка спросят:

  • в описании есть pandas, Jupyter, выгрузки, которые не влезают в BI;
  • нужно повторять расчёт еженедельно, а не кликать руками;
  • роль ближе к аналитику с элементами витрины: простые трансформации до dbt/инженера.

Когда можно честно не ставить в основной блок: вакансии «SQL + Tableau/Power BI + Excel», продуктовый аналитик с Amplitude/Mixpanel без скриптов. Если вы открывали pandas дважды на курсе — не пишите. На созвоне попросят прочитать свой ноутбук, и «это с модуля» закроет доверие к SQL, который мог быть нормальным.

Достаточный объём для входа: чтение CSV/Parquet, merge без сюрпризов по ключу, groupby, даты, простой график для себя, а не «ML pipeline». Ветку языка под работу, если целитесь ещё и в Python-разработку, разбирайте отдельно в Python roadmap — это другая роль.

Визуализация и отчёты

Инструмент (Tableau, Power BI, Metabase, Superset, Looker Studio) сам по себе не нанимает. Нанимает отчёт, по которому можно принять решение. Junior часто приносит дашборд с двенадцатью графиками и ни одним фильтром «зачем это смотреть утром».

Рабочий стандарт одного отчёта:

  1. вопрос наверху: «почему просела оплата на шаге 3»;
  2. определение метрики и исключений (тест, сотрудники, боты);
  3. срез, который проверяет гипотезу, а не «все измерения сразу»;
  4. подпись, где данные могут врать — лаг загрузки, дубли событий, смена трекинга.

Excel всё ещё жив в операционной аналитике CIS. Не стесняйтесь его, если вакансия про сводные и проверки. Стесняйтесь выдавать сводную без проверки ключей. BI указывайте тот, которым собирали отчёт, не «все, что слышал».

Эксперименты без культа p-value

На junior редко просят спроектировать платформу A/B. Часто просят не сделать глупость: сравнить неделю с акцией и неделю без, забыть про новичков, переехать на новую версию приложения в середине теста, принять решение по одной метрике при просевшей выручке.

Что уметь объяснить:

  • единица рандомизации: пользователь, сессия, магазин — и почему нельзя мешать;
  • длительность: мало дней — шум, много — мир изменился;
  • peeking: смотреть каждый день и «останавливать, когда зелёное»;
  • guardrail: что нельзя ухудшить, даже если целевая метрика выросла;
  • когда эксперимент нельзя ставить и нужен до/после с оговорками.

Если коммерческих A/B не было, разберите чужой кейс письменно: что было единицей, какая метрика, какой риск. Это сильнее фразы «знаком с методологией экспериментов» в skills.

Пример 1. Блок навыков до и после

Кандидат целится в продуктового аналитика, коммерческого стажа нет, есть учебный разбор интернет-магазина.

Было. SQL, Python, pandas, NumPy, Matplotlib, Seaborn, Tableau, Power BI, Excel, A/B, статистика, машинное обучение, sklearn, TensorFlow, Hadoop, Spark, английский, аналитическое мышление, продуктовка.

Стало. SQL: PostgreSQL, JOIN, окна, проверки дублей. Метрики: воронка оплаты, AOV, возвраты, D7. Визуализация: Metabase (три отчёта) и Excel для сверки. Python: pandas для склейки выгрузок, не прод-пайплайн. Эксперименты: учебный разбор дизайна, платформы A/B в проде не было. Английский B1, чтение документации.

Второй вариант короче и переживает созвон. Как группировать любой IT-список — в навыках в IT-резюме. Каркас файла аналитика — в резюме Data Analyst.

Пример 2. 90 дней до портфеля, который можно открыть

Цель: один публичный разбор плюс три SQL-файла, а не «курс завершён».

  1. Дни 1–20. Выберите домен и схему: заказы, пользователи, события. Опишите пять метрик с формулами. Напишите проверки качества: дубли, NULL, разъезд сумм шапки и позиций.
  2. Дни 21–50. Три запроса «как на работе»: воронка, когорта, срез по каналу/устройству. README: вопрос → определение → запрос → вывод → где данные врут. Это и есть портфолио аналитика.
  3. Дни 51–70. Один дашборд на три графика под утренний вопрос, не двенадцать виджетов. Рядом — выгрузка и сверка в Excel или скрипте pandas.
  4. Дни 71–90. Письменный разбор «эксперимент, который я бы не стал запускать так». Соберите резюме под одну ветку. Прогоните файл через проверку резюме. Начните отклики на роли, где SQL в обязательных, Python — по факту вашего репозитория.

Артефакт для созвона: «вот вопрос, вот определение, вот запрос, вот что я не знаю о трекинге». Рекрутеру этого достаточно, чтобы дать тестовое. Тестовые аналитика часто сами являются SQL плюс короткий вывод — как готовиться, см. тестовое задание.

Как не врать в skills и на созвоне

Не пишите «A/B» если не можете сказать, что такое peeking. Не пишите «продуктовые метрики» если путаете GMV и выручку. Не пишите Spark/Hadoop с курса без джобы. Не пишите десять BI — оставьте один-два, которыми собирали отчёт.

На созвоне вас, скорее всего, попросят разобрать запрос или интерпретировать странный график. Формула ответа: что считаем, кого включаем, какой JOIN опасен, какой вывод нельзя делать. Заготовки вопросов — в вопросах по SQL на собеседовании и в общем разборе интервью.

Если целитесь в первую роль без стажа, письмо и резюме должны указывать на один разбор, а не на «желание работать с данными». Как собирать факты без трудовой — в резюме без опыта. Вход в профессию целиком, не только skills, — в как стать Data Analyst.

Частые вопросы

Нужна ли статистика уровня вуза?

На junior — нет, если вы понимаете среднее vs медиану, дисперсию на пальцах, почему малая выборка врёт и зачем нужен знаменатель. Формулы из матана без прикладного SQL на отборе не спасают. Если вакансия research-аналитика со статистикой в обязательных — это другая ветка, не «добавить слово статистика в skills».

Excel или Python — что выбрать, если время одно?

Сначала SQL. Затем инструмент, который в ваших пяти вакансиях. Если там Excel и BI — не уходите в pandas «потому что солиднее». Если там выгрузки и скрипты — Python нужнее десятого графика в Tableau.

Стоит ли учить dbt и Airflow сразу?

Если в целевых вакансиях dbt повторяется — да, на уровне «модель, тест уникальности, README». Airflow на junior-аналитика часто лишний: это уже инженерия. Не тащите оркестрацию в резюме без джобы, которую можете разобрать.

Как быть с английским?

Метрики и схемы часто на английском даже в русскоязычных командах. B1 на чтение логов и документации — рабочий минимум для многих продуктовых ролей. Устный английский обязателен не везде; смотрите объявление, не общий совет «всем C1».

Можно ли войти только с курсом, без портфеля?

Сертификат без открытого разбора почти ничего не закрывает. Рекрутер не видит, умеете ли вы не размножить строки. Три запроса и один вывод сильнее диплома школы. Если совсем пусто — сначала 3–4 недели на артефакт, потом отклики.

Чем junior аналитик отличается от стажёра в описании навыков?

Объёмом самостоятельности: стажёр может писать запросы по готовому ТЗ, junior — уточнить определение метрики и найти дыру в данных. В skills это не отдельное слово, это видно по портфелю. Про стажировки как формат входа — в стажировке в IT.

Что сделать сейчас

Откройте пять вакансий одной ветки аналитика и выпишите пересечение требований. Вычеркните из своего списка всё, чем не готовы пользоваться на тестовом. Соберите один разбор: вопрос, формула метрики, SQL, где данные врут. Положите ссылку в резюме и в короткое письмо — черновик можно набросать в генераторе сопроводительного, но отправляйте только после вставки своего факта.

Искать роли, где этот набор совпадает с объявлением, удобнее в каталоге вакансий Data Analyst, а не «в аналитику вообще». Навык без выбранной ветки снова превращается в курс.

Откликаюсь на junior Data Analyst. Собрал разбор воронки оплаты: определение метрики, SQL без размножения строк, проверка дублей, вывод где обрыв. Python в вакансии как плюс — в проекте pandas только для сверки выгрузки. Готов к SQL-тестовому на этой неделе. Репозиторий: [ссылка].