СправочникОбновлено · 09.2026

Кто такой аналитик данных и чем он занимается

21 мая 2024 · 15 минут чтения

Проверка фактов

Юлия Найпак

Методист по автоматизации. Сверяет паспорт инструмента с документацией вендора.

Автор Р

Редакция

Коллектив авторов, редакторов и иллюстраторов статей на сайте блога онлайн-университета «Зерокодер». Пишем…

Черновик готовит редакция с помощью ИИ. За стандарт издания отвечает главный редактор — Валерий Курземнек.

Дата-аналитик — это специалист, который собирает данные компании, приводит их в порядок и превращает в ответ на конкретный вопрос бизнеса. Чем он занимается на практике: выгружает цифры из базы SQL-запросом, чистит их от дублей и пропусков, считает метрики, собирает дашборд и объясняет результат тем, кто принимает решение. Такой специалист стоит между базой данных и человеком, который отвечает за деньги.

Ниже — рабочий цикл по шагам, специализации, набор инструментов, зарплаты 2026 года и путь в профессию с нуля. Коротко главное:

• работа начинается с вопроса бизнеса и заканчивается решением: график сам по себе никому не нужен;
• минимальный набор на входе — Excel и SQL, дальше добавляются Python и BI-система; подробный разбор инструментов есть в статье какие навыки и инструменты могут пригодиться аналитику данных;
• по исследованию Хабр Карьеры за первую половину 2026 года медиана в категории «аналитики» — 220 000 ₽ в Москве, 180 000 ₽ в Санкт-Петербурге и 160 000 ₽ в остальных регионах;
• оклад на старте по калькулятору зарплат Хабр Карьеры — около 111 000 ₽ у джуниора и 191 000 ₽ у мидла в специализации «Аналитик по данным»;
• ИИ-ассистенты уже пишут запросы и собирают графики, работая поверх подготовленной модели данных — саму подготовку по-прежнему делает человек.

Кто такой дата-аналитик и чем он занимается каждый день

Рабочий день складывается из пяти повторяющихся шагов. Один цикл проходит от вопроса заказчика до готового вывода и занимает от пары часов до нескольких недель — в зависимости от того, лежат ли нужные данные в базе или их ещё предстоит собрать.

1. Сбор

Данные приходят из баз компании, CRM, рекламных кабинетов, систем веб-аналитики, выгрузок из 1С и внешних источников. Часть лежит в структурированных таблицах, часть — в текстах обращений, логах и файлах. На этом шаге аналитик выясняет, где именно живёт нужная цифра и кто отвечает за её корректность.

2. Обработка

Сырую выгрузку приводят в пригодный для расчёта вид: убирают дубли, закрывают пропуски, приводят даты и валюты к одному формату, сводят справочники. Этот шаг съедает основную часть времени, и именно здесь рождается большинство ошибок в итоговых отчётах: две системы называют один и тот же заказ по-разному, и выручка удваивается.

3. Интерпретация

Дальше идёт собственно анализ: сравнение периодов и сегментов, проверка гипотез, когортные срезы, оценка статистической значимости в A/B-тестах, поиск закономерностей. Инструменты — SQL, Python с библиотеками pandas и NumPy, статистические методы и визуализация.

4. Составление отчётов

Результат оформляется в дашборд или отчёт: графики, таблицы, ключевые выводы. Рабочий дашборд отвечает на вопрос сразу, без дополнительных расчётов, и его собирают под конкретного читателя — маркетологу нужны каналы и стоимость заявки, финансовому директору — маржинальность и денежный поток.

5. Рекомендации и итоги

Финальный шаг — сформулировать, что делать с находкой. «Конверсия в мобильном приложении упала на 20% после релиза, откатить экран оплаты» — это результат работы. «Вот график конверсии» — заготовка, которую заказчик не сможет применить.

Мини-вывод: профессия держится на двух половинах. Техническая часть — вытащить и посчитать. Смысловая — понять, какой вопрос на самом деле задал бизнес, и ответить на него так, чтобы решение приняли.

Как выглядит одна задача дата-аналитика: разбор от вопроса до решения

Абстрактное «собирает и анализирует данные» мало что объясняет, поэтому разберём условный, но типовой заход. Маркетолог приходит с формулировкой: «В июле просели заявки, разберись».

Шаг первый — превратить жалобу в измеримый вопрос. «Просели заявки» может означать падение трафика, падение конверсии сайта или изменение состава каналов. Аналитик переспрашивает и фиксирует: сравниваем июль с июнём по числу заявок, разрезаем по источникам, считаем конверсию из визита в заявку.

Шаг второй — выгрузка. Запрос к базе выглядит примерно так:

SELECT source, COUNT(DISTINCT visit_id) AS visits,
       COUNT(DISTINCT lead_id)  AS leads
FROM   sessions
WHERE  dt >= '2026-06-01' AND dt < '2026-08-01'
GROUP  BY source;

Шаг третий — проверка данных до выводов. Прежде чем считать проценты, аналитик смотрит, не сломалась ли сама разметка: цела ли метка источника у всех визитов, задвоились ли заявки из-за повторной отправки формы, сходится ли итог с тем, что видит отдел продаж. В нашей редакционной практике сквозной аналитики рекламы причиной «падения» чаще всего оказывались битые UTM-метки и расхождение справочников, а поведение аудитории при этом оставалось прежним.

Шаг четвёртый — ответ. Он формулируется как утверждение с причиной и действием: «Заявок меньше на 18% из-за одного канала: там сменился формат объявления, конверсия страницы под него ниже вдвое. Вернуть прежний формат или переписать посадочную».

Мини-вывод: ценность аналитика измеряется числом решений, которые приняли по его выводам. Количество собранных дашбордов в этот счёт не входит.

Зачем бизнесу нужна аналитика данных

Она помогает бизнесу решать множество важных задач, таких как:

1. Понимание потребностей клиентов. Анализируя поведение клиентов, компании лучше понимают их нужды и вкусы, что помогает улучшать товары и сервис.
2. Прогнозирование продаж. Исторические данные используют для предсказания будущих продаж — это помогает планировать запасы и производственные мощности.
3. Оценка эффективности маркетинговых кампаний. Анализ показывает, какие маркетинговые усилия приносят наибольшую отдачу, и позволяет скорректировать стратегию.
4. Контроль качества решений. Гипотезу проверяют A/B-тестом до раскатки на всех пользователей, поэтому цена ошибки падает до размера тестовой группы.

Заинтересовались профессией аналитика данных? Рекомендуем посетить бесплатный онлайн-практикум «Профессия аналитик данных в эпоху ChatGPT»! В прямом эфире обсудим с экспертами все тонкости этой деятельности и расскажем, как ее упростить с помощью ChatGPT.

Роли аналитика данных: какие бывают специализации

Под общим термином скрываются разные специализации, каждая со своим набором задач и типов данных:

• Маркетинговый: изучает рынок, конкурентов и поведение потребителей, чтобы усилить маркетинговую стратегию компании. Считает стоимость привлечения и окупаемость каналов.
• Продуктовый: анализирует взаимодействие пользователей с продуктом, ведёт продуктовые метрики, помогает улучшить пользовательский опыт и удержание.
• Бизнес: отвечает за анализ операционной деятельности компании, автоматизацию отчётности, внедрение IT-решений.
• Гейм: оценивает поведение игроков, помогает улучшать игровые механики и монетизацию.
• Финансовый: прогнозирует финансовые результаты, строит модели окупаемости проектов, анализирует движение средств.
• Системный: соединяет требования бизнеса и разработчиков, контролирует создание IT-продуктов.
• Веб: анализирует поведение пользователей на сайте, работает с воронками и конверсиями.

Есть и более узкие роли: UX-аналитики, аналитики маркетплейсов и 1С-аналитики.

Дата-аналитик и соседние профессии: чем они различаются

Вакансии часто перемешивают эти названия, а требования в них расходятся. Таблица помогает понять, куда именно вы идёте.

Мини-вывод: дата-аналитик работает с прошлым и настоящим, объясняя факты; предсказательные модели уходят к data scientist, а трубопроводы данных — к инженеру.

Навыки и знания дата-аналитика

Чтобы успешно работать, специалисту нужен такой набор:

1. Математические знания: статистика, теория вероятностей, линейная алгебра. Эти дисциплины помогают находить закономерности и отличать сигнал от случайного колебания.
2. SQL: язык запросов к базам данных. Базовый рабочий навык — большинство задач начинается с выгрузки, которую аналитик пишет сам.
3. Программирование: Python (библиотеки pandas, NumPy, Matplotlib) или R для обработки данных и автоматизации рутины.
4. Работа с таблицами: Excel и Google Таблицы — сводные таблицы, формулы, быстрая проверка гипотезы на небольшом объёме.
5. Инструменты визуализации: Power BI, Tableau, Yandex DataLens, Apache Superset, Metabase и другие BI-системы для дашбордов.
6. Понимание бизнеса: знание того, как метрики связаны с деньгами компании и какие решения принимают по вашим цифрам.
7. Коммуникация: умение объяснить сложное простыми словами. Вывод, который не поняли на встрече, до решения не доходит.

Порядок освоения обычно такой: Excel и базовая статистика, затем SQL, затем BI-система, затем Python. Развёрнутый разбор стека с примерами задач мы собрали в отдельном материале — навыки и инструменты аналитика данных.

РОССИЙСКИЕ НЕЙРОСЕТИ ДЛЯ ЖИЗНИ И КАРЬЕРЫ В 2025

Присоединяйся к онлайн-вебинару. В прямом эфире разберем и потестируем лучшие на сегодняшний день отечественные ИИ!

Вебинар включает:

• Выполним базовые задачи на российских нейросетях и посмотрим на результаты!
• Файл-инструкцию «Как сделать нейро-фотосессию из своего фото бесплатно, без иностранных карт и прочих сложностей»
• 10 способов заработать на нейросетях: Посмотрим рынок вакансий и поймем, где навыки ИИ дадут наибольший профит

Участвовать бесплатно

Что нейросети уже делают за дата-аналитика в 2026 году

Главный вопрос новичка звучит так: останется ли работа, если ИИ пишет SQL и строит графики. Разберём по границе.

Что ИИ забирает. Черновик SQL-запроса по описанию задачи, объяснение чужого кода, первичная сводка по таблице, подбор типа графика, шаблон текста для отчёта, регулярные выражения для парсинга. Это ускоряет рутину, и джуниору сегодня незачем тратить неделю на синтаксис вместо смысла. Языковые модели заметно подтянулись в работе с кодом — сравнение актуальных мы разбирали в материале о том, чем новый Claude Opus 4.5 лучше ChatGPT 5.1 и Gemini 3 Pro.

Где проходит граница. ИИ-ассистенты в BI-системах отвечают поверх подготовленной модели данных. В документации Microsoft о Copilot для Power BI это сказано прямо: «Владельцы моделей должны инвестировать в подготовку своих данных для ИИ, чтобы Copilot понимал уникальный бизнес-контекст», а без этой подготовки, предупреждает та же страница, ассистент выдаёт «общие, неточные или даже вводящие в заблуждение результаты». Там же перечислены условия работы: платная ёмкость Fabric F2 и выше либо Power BI Premium P1 и выше, включённый администратором параметр и поддерживаемый регион; для суверенных облаков Copilot не поддерживается.

Разложим по-простому. Модель данных — это описание таблиц, связей и метрик: что считать выручкой, какие заказы отменённые, как связаны клиент и подписка. Составляет её человек. Пока такого описания нет, ассистент честно отвечает общими знаниями языковой модели, и цифра в отчёте выглядит убедительной без всякой связи с реальностью компании.

Что остаётся человеку. Поставить задачу и переформулировать вопрос бизнеса. Проверить качество исходных данных. Отвечать за корректность метрики и за решение, принятое по отчёту. Именно на этом слое профессия и держится: неверно выстроенный процесс внедрения ИИ бьёт по компании, и мы уже разбирали, почему неправильное внедрение ИИ может стать причиной сокращений сотрудников.

Мини-вывод: нейросеть ускоряет руки аналитика и оставляет ему голову. Ценность специалиста переезжает в понимание предметной области и умение проверить чужой ответ, включая ответ машины.

Сколько зарабатывает дата-аналитик и что пишут в вакансиях

Свежие ориентиры дают зарплатные исследования. В отчёте Хабр Карьеры за первую половину 2026 года (изучены 45 226 зарплат, опубликован 21 июля 2026-го) медиана по IT составила 191 000 ₽, а категория «аналитики» вошла в топ-5 по доходу с медианой 220 000 ₽ в Москве, 180 000 ₽ в Санкт-Петербурге и 160 000 ₽ в остальных регионах. За полугодие зарплаты аналитиков выросли на 5%. Для сравнения, средняя зарплата по России в первом полугодии 2026-го по данным Росстата, которые приводит тот же отчёт, — 106 979 ₽.

По узкой специализации «Аналитик по данным» цифры калькулятора зарплат Хабр Карьеры, приведённые в мартовском материале сервиса, такие:

Почему в вакансиях суммы ниже

Зарплатные исследования и объявления о найме считают разное. Хабр Карьера прямо оговаривает методику: «зарплаты в исследовании — НЕ из вакансий или резюме специалистов. Это реальные оклады, которые IT-специалисты получают прямо сейчас и которые они анонимно указали в калькуляторе зарплат». В вакансии обычно стоит нижняя граница вилки для кандидата с минимальным опытом, поэтому разрыв между «от 60 000 ₽» в объявлении и медианой в отчёте закономерен. Ещё одна деталь: расчёт по специализации «Аналитик по данным» на 25 августа 2026 года опирается на 1 095 анкет — выборка небольшая, поэтому цифры стоит читать как ориентир по порядку величины.

Примеры вакансий для начинающих аналитиков данных (junior data analyst)

Скриншоты ниже сняты в 2024 году и показывают структуру требований: что именно спрашивают у кандидата без опыта.

Типовой набор для входа: знание Python или 1С, уверенный Excel и Power Query, готовность работать удалённо.

Примеры вакансий для опытных аналитиков данных (middle data analyst)

Для среднего уровня требования смещаются к SQL-запросам и визуализации в Power BI, а в вакансиях CRM-аналитика добавляются аналитика программ лояльности, сегментация клиентов и A/B-тесты.

Мини-вывод: ориентируйтесь на две цифры сразу — вилку в вакансиях своего города и медиану по грейду из зарплатного отчёта. Первая покажет, на что рассчитывать на входе, вторая — куда расти.

Как стать аналитиком данных с нуля

Профильный диплом для входа необязателен: работодатель смотрит на решённые задачи. Путь из смежной профессии — маркетолога, экономиста, менеджера — короче, потому что предметная область уже знакома, и остаётся добрать техническую часть. Истории такого перехода мы собирали в материале про карьерный поворот с помощью нейросетей.

1. База. Excel или Google Таблицы плюс школьная статистика: среднее, медиана, доли, динамика.
2. SQL. Выборки, фильтры, группировки, соединения таблиц. Тренируйтесь на открытых учебных базах.
3. Визуализация. Соберите первый дашборд в любой доступной BI-системе и покажите его человеку, который не видел ваших данных.
4. Python. pandas для обработки, Matplotlib или Seaborn для графиков, Jupyter для оформления работы.
5. Портфолио. Два-три проекта на открытых данных с описанием: какой вопрос стоял, как считали, что получилось.
6. Первая работа. Стажировка, вакансии без опыта, задачи по аналитике внутри текущей компании.

Освоить это можно самостоятельно или на курсах — например, на нашем онлайн-практикуме «Профессия аналитик данных в эпоху ChatGPT». Главное на выходе — собранное портфолио, которое подтверждает компетенции.

Преимущества работы в топ-компаниях

Попасть в крупную технологическую компанию — реальная цель для аналитика данных. Помимо высокой зарплаты, такие работодатели предлагают:

1. Льготная ипотека: специальные условия кредитования для сотрудников аккредитованных IT-компаний.
2. Отсрочка от армии: доступна сотрудникам аккредитованных IT-компаний при соблюдении условий, установленных государством.
3. Сильная команда: рядом опытные коллеги, код-ревью и разбор задач ускоряют рост.
4. Социальный пакет и медстраховка: полный спектр социальных льгот, включая медицинское обслуживание.
5. Индексация зарплаты: регулярный пересмотр дохода вслед за рынком.

Частые вопросы о профессии дата-аналитика

Кто такой дата-аналитик простыми словами?

Дата-аналитик — это специалист, который собирает данные компании, приводит их в порядок и превращает в ответ на конкретный вопрос бизнеса. Он выгружает цифры из базы, проверяет их корректность, считает метрики, собирает отчёт и объясняет результат тем, кто принимает решение.

Чем дата-аналитик отличается от data scientist?

Дата-аналитик отвечает на вопросы о прошлом и настоящем: что произошло, почему изменились показатели, какой сегмент даёт результат. Data scientist строит предсказательные модели машинного обучения и отвечает на вопрос, что произойдёт дальше. У аналитика итог работы — отчёт и рекомендация, у data scientist — обученная модель.

Какие инструменты нужны дата-аналитику на старте?

Минимальный набор — Excel или Google Таблицы, SQL для выгрузок из базы и любая BI-система для дашбордов: Power BI, Tableau, Yandex DataLens, Apache Superset, Metabase. Следующий шаг — Python с библиотеками pandas и NumPy для обработки данных и автоматизации рутины.

Сколько зарабатывает дата-аналитик в 2026 году?

По исследованию Хабр Карьеры за первую половину 2026 года медиана в категории «аналитики» составила 220 000 ₽ в Москве, 180 000 ₽ в Санкт-Петербурге и 160 000 ₽ в остальных регионах. По калькулятору зарплат сервиса в специализации «Аналитик по данным» джуниору предлагают около 111 000 ₽, мидлу — около 191 000 ₽, сеньору — около 283 000 ₽.

Можно ли стать аналитиком данных без высшего образования?

Да, профильный диплом для входа необязателен: работодатель смотрит на решённые задачи. Нужны база по статистике, SQL, навык визуализации и портфолио из двух-трёх проектов с описанием задачи, метода расчёта и полученного вывода. Переход из смежной профессии проходит быстрее, потому что предметная область уже знакома.

Заменит ли ИИ дата-аналитика?

ИИ-ассистенты берут на себя черновик запроса, сводку по таблице и подбор графика, но работают поверх модели данных, которую готовит человек. Документация Microsoft по Copilot для Power BI предупреждает, что без такой подготовки ассистент выдаёт общие, неточные или даже вводящие в заблуждение результаты. Постановка вопроса, проверка качества данных и ответственность за решение остаются за аналитиком.