Roadmap Data Analyst 2026
Roadmap data analyst — путь от нуля до первой позиции аналитика данных. В 2026 году спрос на аналитиков остаётся высоким: компании накапливают больше данных, чем успевают анализировать. Хорошая новость — порог входа ниже, чем в разработке. Плохая — стек шире, и нет одного «главного языка».
Сколько времени нужно
При 2–3 часах в день:
- Месяцы 1–2 — SQL и Excel
- Месяцы 3–5 — Python для анализа данных
- Месяцы 6–8 — статистика, BI-инструменты, первые проекты
- Месяцы 9–12 — углубление, портфолио, поиск стажировки
Итого: 8–12 месяцев до первой стажировки или junior-позиции.
Этап 1: SQL — база всего (1.5–2 месяца)
SQL — самый важный навык аналитика данных. Без него на отбор не попасть даже в небольшую компанию.
Что освоить:
- SELECT, FROM, WHERE, ORDER BY, LIMIT
- GROUP BY, HAVING, агрегатные функции (COUNT, SUM, AVG, MAX, MIN)
- JOIN: INNER, LEFT, RIGHT — понимать, какой когда применять
- Подзапросы и CTE (WITH)
- Оконные функции: ROW_NUMBER, RANK, LAG, LEAD, SUM OVER — обязательно
- Индексы — концептуально, зачем нужны
Практика: SQLZoo (бесплатно), pgexercises.com, задачи на Leetcode Database (бесплатно), реальная база данных — PostgreSQL локально или через онлайн-сервисы.
Результат: уверенно писать запросы с несколькими JOIN, оконными функциями и подзапросами без подсказок.
Этап 2: Excel / Google Sheets (2–4 недели)
Может казаться банальным, но Excel всё ещё используется повсеместно — особенно в финансовых компаниях и банках.
Что нужно знать:
- ВПР / XLOOKUP (или ГПР)
- Сводные таблицы (pivot tables)
- Условное форматирование
- Простые формулы: ЕСЛИ, СЧЁТЕСЛИ, СУММЕСЛИ
- Базовые графики
Это не сложно — 2–3 недели достаточно для уверенного уровня.
Этап 3: Python для анализа данных (2–3 месяца)
Python не заменяет SQL — дополняет его. Особенно полезен для обработки данных, автоматизации отчётов и создания визуализаций.
Базовый Python:
- Типы данных, функции, условия, циклы
- Работа со списками, словарями, файлами
- Установка и использование библиотек через pip
Аналитические библиотеки:
- Pandas — основной инструмент: загрузка данных, фильтрация, группировка, merge, pivot_table. Освоить уверенно.
- NumPy — базово, для работы с числами и массивами
- Matplotlib / Seaborn — визуализация: гистограммы, scatter-plot, heatmap
- Plotly — интерактивные графики, всё чаще встречается
Практика: Kaggle (датасеты + ноутбуки), собственные мини-проекты на открытых данных (data.gov.ru, Росстат).
Этап 4: Статистика (1–2 месяца)
Аналитик без статистики — как бухгалтер без арифметики.
Что нужно знать:
- Описательная статистика: среднее, медиана, мода, дисперсия, стандартное отклонение
- Нормальное распределение и центральная предельная теорема
- Корреляция и причинно-следственная связь
- A/B-тестирование: гипотезы, p-value, статистическая значимость
- Доверительные интервалы
Зачем это важно: без статистики нельзя правильно интерпретировать результаты A/B-тестов — а тесты это 60–70% работы продуктового аналитика.
Ресурсы: «Голая статистика» Чарльза Уилана (популярно), StatQuest на YouTube (по-английски, но понятно), Khan Academy Statistics.
Этап 5: BI-инструменты (3–6 недель)
Большинство аналитиков работают с дашбордами — инструментами визуализации для нетехнических коллег.
Tableau — самый популярный BI-инструмент. Есть бесплатная версия Tableau Public.
Power BI — от Microsoft, широко используется в корпорациях и банках. Бесплатная Desktop-версия.
Superset / Redash — open-source альтернативы, часто используются в IT-компаниях.
Достаточно уверенно освоить один из первых двух. На собеседовании спросят про опыт с BI — лучше показать конкретный дашборд.
Этап 6: Дополнительно (по желанию)
Git — полезно знать базово: сохранять ноутбуки и скрипты в репозитории.
Airflow — оркестрация пайплайнов данных. Нужен для более старших позиций.
dbt — трансформация данных в хранилищах. Растущий спрос в 2025–2026 годах.
Spark / PySpark — для работы с большими данными. Нужен на Middle и выше.
Не учите это до первой работы — потратите время впустую.
Портфолио аналитика данных
Без портфолио — никуда. 2–3 проекта достаточно:
Проект 1: Анализ открытого датасета (продажи, финансы, спорт). Цель: найти интересные закономерности, сделать выводы, оформить в Jupyter Notebook с графиками.
Проект 2: SQL-аналитика на реальной БД (например, через PostgreSQL). Написать 5–10 запросов разной сложности с интерпретацией результатов.
Проект 3: Дашборд в Tableau Public или Power BI на публичных данных. Разместить ссылку в резюме.
Все проекты — на GitHub с README и ссылками на данные.
Как искать первую стажировку
Аналитические стажировки есть во всех крупных компаниях: IT, банки, ретейл, консалтинг. Ориентируйтесь на базу стажировок CareerLab, hh.ru (фильтр «аналитик», «стажёр»), Habr Career.
На отборе проверяют SQL (обязательно), кейс на интерпретацию данных, логику и структуру мышления. Подробнее — в статье как устроен отбор на стажировку.
FAQ
Нужна ли математика для аналитика данных?
Базовая статистика — обязательна. Высшая математика (линейная алгебра, матанализ) — нужна только для перехода в DS/ML. Обычный аналитик без матфака вполне справляется.
Чем отличается data analyst от data scientist?
Аналитик описывает, что происходит с данными и почему. Data Scientist строит предсказательные модели. Аналитик ближе к бизнесу, DS — к ML и математике. Порог входа в аналитику ниже.
Нужен ли Python, если хорошо знаю SQL?
SQL — основа, но Python открывает гораздо больше возможностей: автоматизация, сложная обработка данных, ML-смежные задачи. На junior-уровне SQL важнее, но Python нужен для роста.
Какой BI-инструмент учить: Tableau или Power BI?
Смотрите на вакансии в интересующих вас компаниях. IT-компании чаще используют Tableau или Superset. Банки и корпорации — Power BI. Если не знаете, с чего начать — Tableau: он интуитивнее.
Что такое A/B-тест и зачем это знать аналитику?
A/B-тест — эксперимент, в котором сравниваются две версии продукта (контрольная и тестовая). Аналитик помогает правильно спланировать тест, рассчитать размер выборки и интерпретировать результаты. Это центральный инструмент продуктовой аналитики.
Как переключиться в аналитику из другой сферы?
Схема та же: SQL → Python → портфолио → поиск стажировки. Люди приходят в аналитику из финансов, маркетинга, социологии — это нормально и даже ценится: понимание бизнеса есть с первого дня. Смотрите также Junior → Middle: когда переходить.