Сколько времени нужно, чтобы стать аналитиком данных с нуля?

Всё зависит от часов в неделю и предыдущего опыта: у кого-то на базовый уровень уходит несколько месяцев при 15–20 часах в неделю, у кого-то больше. Полезнее ориентироваться не на срок, а на контрольные точки: умеете ли вы сформулировать метрику, написать запрос и объяснить вывод.

Нужен ли Python, чтобы начать?

Нет. Первые месяцы закрываются таблицами и SQL. Python нужен, когда задачи перестают решаться таблицами и запросами: сложная обработка, автоматизация, работа с большими файлами.

Что важнее — курсы или практика?

Практика. Курсы дают порядок тем, но навык появляется только на задачах, которые вы решаете сами. Поэтому любая тема должна заканчиваться задачей, а не просмотренным уроком.

Как проверить свой уровень бесплатно?

На нашем портале вводные темы курсов открыты без подписки, после каждого ответа показывается разбор, а диагностика показывает просадку по темам. Этого достаточно, чтобы понять, где ошибки повторяются.

С чего начать, если я работаю и у меня мало времени?

С одной темы в неделю и одной задачи на реальных данных. Короткие подходы с задачей эффективнее марафона конспектов: каждый раз вы заканчиваете работающим результатом.

Аналитик данных с нуля: что учить по шагам

Сначала разберитесь, чем аналитик данных отличается от других аналитиков

Аналитик данных отвечает на вопросы «что произошло и почему» с помощью цифр: строит метрики, проверяет гипотезы, собирает отчёты и дашборды, ищет причину падения конверсии. Системный аналитик описывает, как систему построить, бизнес-аналитик — что именно нужно бизнесу и как это проверить, продуктовый — как продукт достигает целей.

Это влияет на список тем. Если ваша цель — вакансия аналитика данных, начинайте не с архитектуры систем и не с UML, а с таблиц, метрик и SQL. Навык, который отличает аналитика от «человека с дашбордом» — умение задать вопрос данным и проверить ответ, а не просто нарисовать график.

Аналитик данных: метрики, SQL, статистика, отчёты, проверка гипотез.
Системный аналитик: требования, схемы, интеграции, документация решений.
Бизнес-аналитик: потребности бизнеса, процессы, приоритеты, проверка результата.
Продуктовый аналитик: метрики продукта, эксперименты, поведение пользователей.

Минимальный набор: четыре опоры

Первая опора — таблицы и сводные. Excel или Google Таблицы: сводные таблицы, ВПР/ИНДЕКС+ПОИСКПОЗ, фильтры, простые графики. Это та среда, где вы будете проверять первую гипотезу до того, как откроете SQL.

Вторая — SQL. Не «весь SQL», а select с join, group by, подзапросы, оконные функции в базовом виде и понимание, где в данных бывают дубли и пропуски. Третья — статистика на уровне здравого смысла: среднее и медиана, разброс, проценты от чего считать, почему нельзя сравнивать несравнимое. Четвёртая — визуализация: один график, один вывод, подпись с периодом и определением метрики.

Таблицы: сводные, поиск по ключу, сортировки, графики.
SQL: select, join, group by, подзапросы, аккуратность с дублями.
Статистика: медиана против среднего, доля и база, сравнение периодов.
Визуализация: метрика, период, вывод в подписи, а не «красиво».

Порядок по неделям: ориентир, а не обещание

Реальный срок зависит от того, сколько часов в неделю вы можете вкладывать, поэтому ниже — не гарантия, а удобный порядок. Смысл в том, чтобы каждая неделя заканчивалась не конспектом, а сделанной задачей на данных.

Первые две недели — таблицы и метрики: берите открытый датасет, считайте метрики руками, отвечайте на вопрос «стало лучше или хуже». Недели три-четыре — SQL: по одному новому оператору в день и задачи на реальных таблицах. Недели пять-шесть — статистика и проверка гипотез: доля, сравнение групп, типичные ошибки интерпретации. Недели семь-восемь — дашборды и подготовка данных: где взять данные, как не соврать при агрегации. Дальше — практика на всём, что попадается под руку, и разбор своих ошибок.

Недели 1–2: таблицы, метрики, первые выводы по данным.
Недели 3–4: SQL от select до join и подзапросов.
Недели 5–6: статистика, доли, сравнение периодов и групп.
Недели 7–8: визуализация, дашборд с одной метрикой и фильтром.
Дальше — цикл: задача, разбор, исправление, новая задача.

Как понять, что вы действительно учитесь

Критерий успеха — не количество просмотренных уроков, а количество задач, которые вы решили без подсказки. Если вы смотрите разбор и соглашаетесь — вы узнаёте. Если решаете сами и потом сверяетесь — вы учитесь. Разница в первые месяцы огромная.

Проверяйте себя на вопросах с объяснением ответа: так видно не «знаю или нет», а в каких темах ошибка повторяется. У нас для этого есть вводные темы по курсам — они бесплатны, и после каждого ответа показывается разбор. Пройдите одну тему, выпишите, где ошиблись, и вернитесь к этим местам через неделю.

После каждой темы — задача, а не конспект.
Ошибки записывайте в один список и возвращайтесь к ним через неделю.
Прогоняйте тесты без подсказок: так видно реальный уровень.
Раз в две недели пересматривайте список ошибок: что закрылось.

Что не нужно учить в первые недели

Ошибка новичка — начать с инструментов, которые понадобятся через год: сложный Python, дата-инженерия, облачные платформы, нейросети. Они интересны, но не двигают к первой работе, пока вы не умеете ответить на вопрос по данным.

Правило простое: берите инструмент тогда, когда задача уже не решается тем, что вы знаете. Сводная таблица не справилась — идёте в SQL. SQL не справился — идёте в Python. Так вы учите инструмент под задачу, а не задачу под инструмент.

Продвинутый Python — после уверенного SQL.
Дата-инженерия и облака — только если это ваша цель.
Нейросети — не заменяют понимание метрик и данных.
Инструмент берут под задачу, которая уже не решается проще.

Практика важнее курсов: где брать задачи

Идеальная задача — та, где есть настоящий вопрос и настоящие данные. Подойдут открытые датасеты, выгрузки из вашего рабочего процесса, таблицы расходов, статистика своего проекта. Плохая практика — задачи «в вакууме», где ответ известен заранее.

Начинайте с вопросов, которые можно проверить: «в какие дни больше заказов», «отличается ли средний чек новых клиентов от старых», «что изменилось после рассылки». Каждый такой вопрос — упражнение на метрику, SQL и вывод; именно такую цепочку спрашивают на собеседовании.

Берите один датасет и задавайте ему вопросы каждую неделю.
Формулируйте вывод одной фразой: что выяснили и на каком основании.
Считайте метрики из двух источников — так видно расхождения.
Ведите короткий журнал: вопрос, данные, вывод, ошибка.

Когда вы готовы к собеседованию

Готовность — не «прошёл курс», а способность за 40 минут разобрать задачу вслух: уточнить условие, предложить метрику, написать запрос, объяснить результат и назвать ограничения. Если хотя бы один шаг рассыпается, значит, его и надо тренировать.

Перед собеседованием полезно пройти диагностику уровня: она показывает, где просадка по темам, и помогает не тратить недели на то, что вы и так знаете. А типичные вопросы и порядок ответа разобраны в отдельном гайде.

Уточните условие задачи прежде, чем писать запрос.
Назовите метрику и то, как её посчитаете.
Объясните вывод и его ограничения.
Тренируйтесь вслух: на собеседовании важно уметь рассказывать.

Что сделать: короткий чеклист

Составьте список из 5–8 вакансий и выпишите повторяющиеся требования.
Сделайте одну задачу на таблицах: метрика, период, вывод.
Напишите 3 запроса с join и 1 с подзапросом на реальных данных.
Пройдите вводную тему в тренажёре и выпишите ошибки.
Прогоните диагностику и запишите темы, где просадка.
Сформулируйте 5 вопросов, которые сами задали бы данным.

Где тренировать

Темы из гайда разобраны в тестах портала — каждый вопрос с объяснением ответа:

Аналитик данных с нуля — это не про количество выученных инструментов, а про цепочку «вопрос — данные — вывод». Начните с таблиц и SQL, добавьте статистику на уровне здравого смысла, и каждую неделю заканчивайте задачей, которую можно показать. Проверить, где ошибки повторяются, можно на вводных темах и диагностике — они бесплатны.