Работа с данными: основы для бизнес-аналитика — что важно знать новичку

Работа с данными для бизнес-аналитика — это умение превращать «кажется, продажи просели» в проверяемые цифры и решения.

90% новичков начинают с «хочу в аналитику данных», покупают курс по SQL/BI, и через пару месяцев умеют строить дашборд… который отвечает на вопрос, который никто не задавал. Бизнес-аналитик не «рисует графики», а снижает стоимость ошибок: неправильной фичи, не того канала продаж, не той скидки.

И да, есть неприятная правда. Данные в компаниях часто грязные, метрики плавают, определения расходятся («покупка» — это оплата или создание заказа?), а доступов нет. Поэтому вопрос «как работать данными» для BA — это не про магию, а про дисциплину: терминология, источники, проверки, интерпретация, коммуникация.

Что такое «работа с данными» именно для бизнес-аналитика (а не для дата-сайентиста)

3 слоя одной задачи: бизнес → данные → решение

Тезис: бизнес-аналитика данных начинается не с SQL, а с формулировки решения, которое нужно принять.

Бизнес-слой: какая цель и какое решение нужно принять (например, «повышаем конверсию в оплату на 1 п.п.»).
Данные: какие события/поля это описывают, где лежат, как считаются.
Действие: какие варианты решения и чем рискуем (A/B тест, изменение процесса, фича).

Практический вывод: если вы не можете в двух предложениях объяснить, какое решение примут по итогам анализа — вы делаете «красиво», но не полезно.

Подводный камень: «давайте посмотрим данные, а там видно будет». Обычно видно становится только то, что данные случайно позволяют увидеть.

Какие навыки чаще всего требуют в вакансиях BA/аналитиков

Тезис: рынок любит гибридов: SQL + BI + понимание продукта/процессов + коммуникация.

SQL: фильтрация, JOIN, агрегаты, подзапросы, оконные функции на базовом уровне.
BI: Power BI / Tableau / DataLens — собрать дашборд, базовая модель данных.
Метрики: конверсия, retention, LTV/CAC (хотя бы смысл и ограничения), воронки.
Качество данных: проверки, расхождения, повторяемость расчёта.
Документация: словарь метрик, описания источников, требования.

Подводный камень: «я не математик, значит в аналитику данных нельзя». В BA чаще решает логика, аккуратность и умение задавать вопросы, а не высшая математика.

База новичка: минимальный стек и зачем он вам

SQL: не «выучить», а научиться добывать ответы

Тезис: SQL — это ваш способ не зависеть от «а можно выгрузочку».

SELECT / WHERE / GROUP BY — чтобы считать базовые метрики.
JOIN — чтобы соединять сущности (клиенты, заказы, платежи).
CTE (WITH) — чтобы запросы были читабельны, а не «лапша-стайл».
Оконные функции — ранжирование, кумулятивные суммы, удержание.

Практический вывод: поставьте себе цель: 20–30 задач на SQL (в духе «найти долю повторных покупок по каналам») вместо «пройти 40 часов лекций».

Подводный камень: думать, что «SQL = аналитика». SQL — это лопата. Важно, что вы ею копаете.

Excel/Google Sheets: всё ещё король быстрых проверок

Тезис: таблицы — это быстрый прототип, а не «стыдно, потому что не BI».

Сводные, VLOOKUP/XLOOKUP, FILTER, простые формулы.
Проверки данных: дубликаты, пропуски, диапазоны.
Мини-воронки и когортный анализ на базовом уровне (без героизма).

Подводный камень: «у меня всё сошлось». Сошлось в вашей табличке — не равно сошлось с источником и определениями.

BI-системы: визуализация ≠ аналитика, но без неё вас не поймут

Тезис: BI — язык общения с менеджментом. Им не нужны запросы, им нужно решение и контроль.

Базовая модель (факт/измерения), фильтры, расчётные поля.
Один дашборд — одна история: цель, метрика, разрезы, вывод.

Подводный камень: дашборд на 27 графиков «на всякий случай». Это не аналитика данных, это интерьерное искусство.

Как работать данными: пошаговый алгоритм (чтобы не утонуть)

Шаг 1. Сформулировать вопрос так, чтобы у него был «край»

Хорошо: «Упала конверсия в оплату в мобильном приложении на iOS после релиза 2.4? На каком шаге воронки и у каких сегментов?»

Плохо: «Посмотри конверсию».

Подводный камень: вопрос без сегмента/периода/события превращается в бесконечную раскопку.

Шаг 2. Зафиксировать определения: что именно считаем

Что такое «пользователь»: device_id, account_id, phone?
Что такое «покупка»: оплачено, отгружено, создан заказ?
Как считаем дату: по времени события, по времени оплаты, по часовому поясу?

Практический вывод: заведите документ «Словарь метрик». Это скучно, зато это карьерный ускоритель: меньше споров — больше доверия.

Подводный камень: «и так понятно». Обычно «и так понятно» заканчивается двумя дашбордами с разными цифрами в одном чате.

Шаг 3. Проверить качество данных (минимальные тесты)

Проверка	Что ищем	Зачем бизнес-аналитику
Пропуски (NULL)	пустые даты/суммы/каналы	иначе уедут метрики, особенно по сегментам
Дубликаты	повторные события/заказы	можно «нарисовать рост» просто за счёт дублей
Диапазоны	отрицательные суммы, странные даты	ловит баги трекинга и интеграций
Сверка totals	сравнить с отчётом финансов/CRM	понимаете, можно ли доверять источнику

Подводный камень: сразу делать выводы «потому что график вниз». Иногда вниз — потому что логирование сломали в релизе.

Шаг 4. Анализ: ищем причинность аккуратно, корреляции — подозреваем

Тезис: аналитика данных в продукте почти всегда начинается с гипотез, а не с «истины».

Сегментация: новые/старые, каналы, регионы, устройства.
Сравнение «до/после» с учётом сезонности и промо.
Проверка альтернатив: изменился трафик? цены? логистика? интерфейс?

Подводный камень: «нашли причину» за 10 минут. Обычно нашли совпадение.

Шаг 5. Упаковать вывод в решение и следующий шаг

Что произошло (факт).
Где произошло (сегмент/шаг воронки).
Почему вероятно произошло (гипотеза + аргументы).
Что делаем (варианты + риск).

Подводный камень: приносить 15 слайдов и не сказать, что делать завтра утром.

Сколько времени нужно новичку и где деньги (без розовых единорогов)

Если вы меняете профессию, реалистичная траектория в BA/аналитику данных выглядит так: 6–9 месяцев на базовый стек + портфолио из 2–3 проектов (пусть учебных, но с нормальной постановкой задачи и проверками данных). По зарплатам: в крупных городах РФ Junior часто попадает в вилку 150–220 тыс. ₽, в регионах — ниже; Middle (после 1–3 лет) нередко уходит в 220–350 тыс. ₽, но там уже ждут самостоятельность, а не «я сделал дашборд».

Скрытая цена входа: время на доступы/данные/домашние проекты, плюс английский хотя бы на чтение документации. И ещё один расход — психологический: не сойти с ума от того, что «данные не бьются». Это нормально. Ненормально — делать вид, что всё идеально.

Экспертный вердикт и инструмент: чек-лист «готов ли я к работе с данными как бизнес-аналитик»

Я умею формулировать вопрос к данным так, чтобы было понятно решение, период, сегмент и метрика.
Я фиксирую определения (что такое пользователь/заказ/конверсия) и могу объяснить их другому человеку.
Я делаю минимум 4 проверки качества данных (NULL, дубли, диапазоны, сверка totals) перед выводами.
Я могу собрать ответ в SQL без паники при JOIN и агрегациях, и объяснить запрос словами.
Я упаковываю вывод в действие: что делаем, какой риск, как измерим результат.

Если по пунктам 1–3 вы пока «ну… примерно», не спасёт ни Power BI, ни курс по «аналитике данных за 2 месяца». Сначала дисциплина мышления, потом инструменты. И наоборот тоже работает плохо.

Частые вопросы

Нужно ли бизнес-аналитику учить Python для работы с данными?

На старте — не обязательно. Для Junior BA чаще критичны SQL, таблицы и BI, плюс умение договориться о метриках. Python полезен, когда вы упираетесь в автоматизацию, сложные выгрузки или статистику, но это уже «плюс», а не входной билет.

Что важнее: SQL или Power BI/Tableau?

SQL важнее. BI без понимания источников и расчётов быстро превращается в витрину с сомнительными цифрами. Идеально: SQL добывает и проверяет, BI объясняет и контролирует.

Как собрать портфолио, если нет доступа к данным компании?

Берите открытые датасеты и делайте «боевую» подачу: цель, метрики, проверки качества, вывод, решение. Портфолио ценят не за «красивый график», а за то, как вы думаете и как выстроили работу с данными.

Я гуманитарий. Реально ли войти в аналитику данных через BA?

Реально, если вы готовы к дисциплине: логика, аккуратность, базовая математика, много текстовой коммуникации. В BA часто выигрывают те, кто умеет формулировать требования и договариваться о смыслах, а не те, кто решает интегралы.

Какая самая частая ошибка новичка в работе с данными?

Начать с инструмента, а не с вопроса и определений. «Сделал дашборд» — не результат. Результат — когда бизнес принял решение и вы можете объяснить, почему цифрам можно доверять.

Сколько времени в неделю нужно, чтобы выйти на Junior?

Если целиться в 6–9 месяцев, то обычно это 8–12 часов в неделю на практику (SQL-задачи, мини-проекты, разбор кейсов) и ещё 2–3 часа на чтение/конспекты. Главный ускоритель — регулярность, а не марафон на выходных раз в месяц.

Как понять, что данные «достаточно хорошие», чтобы делать выводы?

Когда вы знаете ограничения: что именно покрывает источник, какие есть пропуски/дубли, как метрика считается, и вы сверили ключевые totals с «эталоном» (финансы/CRM). «Идеально» не будет — будет «достаточно надёжно для решения».