Чем занимается аналитик данных и как освоить эту профессию

Вакансии обещают зарплату от 120 тысяч, знакомые пересылают ссылки на курсы с предложением «войти в IT за полгода». Но остаются сомнения, реально ли без освоить профессию без профильного образования, когда на рынке уже существует конкуренция, не станет ли обучение пустой тратой времени и денег.

Меня зовут Ксения Лагунова, я руковожу Центром карьерных траекторий онлайн-программ Института дистанционного образования ТГУ. Ко мне на консультации приходят люди, которые определяются, что выбрать:курсы, самообучение или магистратуру. Многие приходят с ожиданием,которое ему нарисовала реклама: «полгода, и ты аналитик». Проблема в том, что эта картина описывает вход в профессию, а не жизнь в ней.

Разберем, чем на самом деле занимается аналитик данных, какие специализации существуют, сколько платят в 2026 году таким специалистам разного уровня и какие навыки нужны, чтобы найти место на рынке труда.

Аналитик данных превращает разрозненные цифры в понятный ответ на вопрос бизнеса. Компания знает, что выручка в марте просела на 12%, но не понимает, почему. Специалист по аналитике данных берёт сырые записи о заказах, анализирует, находит причину и говорит: отток вырос в одном регионе после того, как там подняли стоимость доставки.

Профессия стоит на пересечении трёх областей:

Если убрать любую из трёх опор, специалист по анализу данных превратится либо в человека, который считает ради счёта, либо в того, кто делает красивые графики без выводов.

Рабочий процесс аналитика можно разделить на четыре шага:

Ценность аналитика еще и в том, чтобы не просто зафиксировать изменения и их причины, но и предложить варианты решения.

Представим ситуацию: e-commerce, выручка после распродажи упала сильнее ожидаемого. Аналитик выдвигает гипотезу: клиенты выкупили товар со скидкой впрок и теперь не возвращаются. Проверяет, смотрит, какая доля покупателей распродажи сделала повторный заказ в течение 30 дней, доля оказывается вдвое ниже обычной.

Вывод для бизнеса: агрессивная скидка не привела новых клиентов, а раздала маржу старым.

Рекомендация: в следующий раз ограничить глубину скидки и таргетировать её на новых пользователей. Вся ценность здесь не в графике, а в том, что решение о будущих распродажах теперь опирается на цифру, а не на интуицию.

«Аналитик данных» – зонтичный термин. За ним скрывается несколько ролей, которые отличаются задачами, окружением и потолком дохода. Разница между продуктовым аналитиком в IT-компании и BI-аналитиком в ритейле больше, чем кажется по названию вакансии.

У всех этих ролей общий старт – работа с данными, SQL и статистикой. Но после начинается развилка, о которой в рекламе курсов говорят редко.

Первое направление роста – вширь: остаться в аналитике и подниматься по грейдам, от junior к senior, углубляя доменную экспертизу. Второе – рост вверх и в сторону: перейти в Data Science или ML-инженерию, где вместо описания того, что уже произошло, строят модели, которые прогнозируют будущее. Продуктовый аналитик становится Data Scientist, BI-аналитик уходит в инженерию данных. Именно этот переход дает основной скачок в доходе. И вот здесь чаще всего всплывает неудобная деталь.

Машинное обучение – это линейная алгебра, теория вероятностей и оптимизация, а не набор кнопок в библиотеке. Поэтому специалист, который пришёл через короткий курс и освоил инструменты, но не базу, упирается в потолок ровно там, где начинается настоящий рост дохода. Он умеет применять готовую модель, но не понимает, почему она работает и как её починить, когда она сломается.

Если вы выбираете профессию всерьез, сразу планируйте не точку входа, а траекторию на 3-5 лет. Лучше задавать вопрос не «Куда я устроюсь через полгода?», а «Кем я смогу стать через три года, и что для этого нужно уже сейчас?».

Люди, которые задают себе второй вопрос на старте, реже застревают на junior-грейде, потому что с первого дня вкладываются в то, что потом станет их отличием от сотни других джунов.

Средняя зарплата по рынку, как правило,обманчивая цифра. Она смешивает джуна из региона и senior-аналитика в московском финтехе, а в итоге не описывает ни того, ни другого. Чтобы понять реальный уровень дохода, нужно смотреть на разброс по грейдам. В 2026 году этот разброс больше, чем раньше.

Важнее цифр то, что с ними происходит. Вилка джуниоров стагнирует – соискателей на входе много, и работодателю незачем поднимать ставку. А вот middle и senior с сильной базой в дефиците, и их доход растет. Разрыв между «джуном без опыта» и «специалистом, который умеет доводить задачу до бизнес-решения» в 2026 году шире, чем два-три года назад.

Поэтому обещание «зарплата от 120 тысяч» относится не к точке входа, а к специалисту, который уже прошел через junior и закрепился. Между «я окончил курс» и «мне платят 120 тысяч» лежит этап, на котором отсеивается большинство, а проходят его не те, кто быстрее вошёл, а те, у кого хватило базы расти дальше.

Список навыков в вакансиях выглядит пугающе длинным, но за ним стоит понятная логика. Аналитику нужно уметь достать данные, привести их в порядок, проверить на них гипотезу и объяснить результат человеку, который в цифрах не разбирается. Всё остальное – инструменты для этих четырех задач.

Технические навыки, без которых на собеседование идти рано:

Технические навыки видно в резюме, а вот что отличает сильного аналитика от исполнителя – это умение задать правильный вопрос бизнесу, донести неудобный вывод и не утонуть в данных, которые к задаче отношения не имеют. Специалист, который приносит руководителю двадцать графиков вместо одной рекомендации, свою работу не сделал.

Отдельный вопрос, который мне задают почти на каждой консультации: нужна ли аналитику высшая математика? Отвечу честно, потому что от ответа зависит выбор пути обучения. Для входа в аналитику высшая математика не нужна. Хватает школьной базы, понимания процентов, средних и основ теории вероятностей. Человек с гуманитарным дипломом может освоить SQL, Python и BI и устроиться junior-аналитиком – это правда, и её не стоит бояться.

Но как только речь заходит о росте в Data Science и машинном обучении, ситуация изменяется. Модель машинного обучения – линейная алгебра, теория вероятностей, матанализ и оптимизация. Без них специалист умеет нажимать кнопки в готовой библиотеке, но не понимает, что происходит внутри, и не может починить модель, когда она даёт сбой. Именно на этом рубеже расходятся те, кто зашёл через короткий курс, и те, у кого есть фундамент.

Поэтому ответ зависит от амбиций. Хотите войти и работать аналитиком – глубокая математика не обязательна. Планируете дорасти до Data Scientist и senior-дохода – без неё вы упрется в потолок, и вопрос лишь в том, доберёте базу заранее или потеряете год, осознав нехватку уже в работе.

Не учите инструменты списком «всё подряд». Возьмите одну реальную задачу, например, разберите публичный датасет по продажам и найдите, из-за чего проседает конкретный месяц. За эту задачу вы естественно подтянете и SQL, и Python, и статистику, а на выходе получите первый элемент портфолио. Работодателя убеждает не перечень пройденных курсов, а показанная задача с внятным выводом.

Дальше начинается вопрос, ради которого чаще всего и читают такие статьи: где учиться, чтобы освоить профессию.

Дешевый и гибкий вариант:

Подходит дисциплинированным людям с техническим бэкграундом, которым нужно добрать конкретный навык.

Минусы:

Быстрый вход и прикладной навык за несколько месяцев. Курс хорошо решает узкую задачу – освоить инструмент или стек. Проблема не в самих курсах, а в том, куда они выводят: на перенасыщенный junior-рынок, где тысячи выпускников с похожим портфолио конкурируют за одни и те же стартовые вилки.

Курс даёт вход, но редко даёт математико-алгоритмическую глубину, без которой не получится расти дальше джуна. Диплома государственного образца он тоже не даёт.

Самый долгий путь (два года) и самый требовательный по нагрузке. Взамен дает то, чего нет у первых двух:

Подходит тем, кто рассматривает профессию всерьёз и надолго, а не как быстрый способ сменить работу к следующему кварталу

Про деньги отдельно, потому что «дорого» – главное возражение против магистратуры.

Стоимость программы ТГУ – 300 000 ₽ в год. На первый взгляд это заметно дороже курсов, но сравнивать корректнее не цену обучения, а результат, к которому оно приводит. Если после курса человек застревает джуном на стагнирующей вилке, экономия оборачивается упущенным доходом за годы.

Если фундамент позволяет за пару лет дойти до middle и дальше в Data Science, разница в грейде перекрывает стоимость обучения. Плюс образовательный кредит под 3% растягивает платеж (от 150 ₽/мес на старте), а налоговый вычет возвращает 13% стоимости.

Если ваша цель – быстро добрать один инструмент к текущей работе, магистратура избыточна, и курс решит задачу дешевле. Фундаментальное образование оправдано тогда, когда вы строите новую профессию всерьез.

Разница между курсом и магистратурой – не в длительности и не в цене, а в том, как построен курс обучения. Обучение в магистратуре ТГУ идёт четыре семестра от базы к практике:

Программа магистратуры реализуется совместно с RWB (объединённая компания Wildberries и Russ), то есть задачи приходят из работающего бизнеса, а не придуманы для учебника. Во время обучения можно получить первые реальные кейсы для портфолио.

Формат рассчитан на работающих людей: лекции в записи, онлайн-занятия в вечернее время или в субботу утром, нагрузка 25-30 часов в неделю. Совмещать с работой можно, но «между делом» пройти не получится.Теперь поговорим о том, кому программа подходит, честная сегментация экономи ваши деньги и нервы.

Магистратура не универсальный ответ, а инструмент под конкретный запрос: построить профессию с фундаментом и запасом на рост.

Понять, ваш это формат или нет, проще не по описанию, а в разговоре. На бесплатной консультации по магистратуре «Науки о данных и искусственный интеллект» ТГУ мы помогаем оценить уровень подготовки и честно сказать, подходит ли вам программа.

Если вы склоняетесь к фундаментальному обучению, поступление устроено проще, чем кажется. Путь абитуриента складывается из нескольких шагов:

Первый шаг не обязывает поступать, он нужен, чтобы честно оценить свою стартовую точку и понять, стоит ли вам тратить два года или в вашем случае разумнее начать обучение с курсов.