Аналитик данных data-driven — это специалист, который превращает «кажется, продажи просели» в проверяемые метрики, понятные отчёты и решения, за которые не стыдно перед руководителем: за 90 дней реально перейти от интуиции к data-driven мышлению, если учить SQL, базовую статистику и BI-инструменты и параллельно собирать портфолио на задачах из реального бизнеса.

Главная боль новичка — не «где выучить Python», а как перестать угадывать. В компаниях интуиция до сих пор живёт как таракан: выживает даже после ремонтов. Но рынок вакансий на аналитика данных всё чаще просит конкретику: SQL, визуализация, понимание продуктовых метрик, умение формулировать гипотезы и считать эффект. И вот здесь честная новость: стать data-driven — это не про вдохновение и «мышление аналитика», а про привычку работать с цифрами так же регулярно, как вы проверяете банковское приложение.

Вторая боль — страх «я не из IT». Ок, не из IT. Аналитик данных — одна из немногих IT-профессий, где прошлый опыт часто помогает: финансы, продажи, логистика, HR, маркетинг. Если вы умеете задавать правильные вопросы и любите разбирать «почему так вышло», вам проще, чем человеку, который просто выучил синтаксис.

План на 90 дней: от “кажется” к “по данным”

Декомпозиция цели: что значит “data-driven” на практике

Тезис: data-driven аналитик — это не «человек с дашбордом», а тот, кто может связать данные, метрики и решение в одну цепочку.

Обоснование: в реальной работе ценится не количество графиков, а способность ответить на вопрос бизнеса: «что делать дальше и сколько это даст/сэкономит». Минимальный набор: SQL для извлечения данных, статистика для проверки гипотез, BI (например, Yandex DataLens) для визуализации, базовый Python — как ускоритель, а не религия.

Практический вывод: учитесь не «инструментам», а связке: вопрос → данные → метрика → вывод → действие.

Подводный камень: люди месяцами “учат аналитика”, но не могут сформулировать KPI и путают выручку с прибылью. Это лечится только практикой на задачах.

Сопоставление с рынком: что требуют вакансии в РФ

Тезис: требования к аналитику данных в России довольно стабильны: SQL почти везде, BI — часто, статистика — у половины, Python — как приятный бонус или обязательный плюс.

Обоснование: если пробежаться по вакансиям крупных российских компаний и агрегаторов, повторяется одно и то же: SQL (JOIN, GROUP BY, оконные функции), построение отчётности, продуктовые/маркетинговые метрики (конверсия, Retention, LTV), A/B-тесты и коммуникация с заказчиком (то есть «перевод с менеджерского на человеческий»).

Практический вывод: не распыляйтесь. В первые 90 дней ваша цель — закрыть “скелет”: SQL + метрики + BI + один проект в портфолио.

Подводный камень: пытаться стать “и аналитиком, и дата-сайентистом” за один сезон. Это как учить одновременно вождение, автосервис и проектирование двигателя — вроде круто, но на работу не берут.

90 дней по неделям: конкретный маршрут

Тезис: лучший способ как стать data-driven — заставить себя каждую неделю закрывать маленький кусок, который можно показать.

Обоснование: рынок верит не дипломам, а демонстрации навыков: GitHub/папка с проектами, дашборды, понятные выводы. Даже для не-IT новичка это достижимо, если учиться 8–12 часов в неделю. Больше — хорошо, но вы же не робот из отдела “энтузиазм”.

1. Недели 1–2: SQL база + мышление в таблицах. Практика: написать 30–50 запросов, собрать мини-отчёт (например, продажи по категориям, топ-товары).
2. Недели 3–4: SQL продвинутый (оконные функции, CTE) + понимание источников данных (CRM, веб-аналитика). Практика: когортный анализ Retention в SQL (пусть на учебных данных).
3. Недели 5–6: Метрики и unit-экономика. Практика: посчитать CAC, ARPU, валовую маржу (хотя бы модельно) и сделать вывод “что давит прибыль”.
4. Недели 7–8: BI (Yandex DataLens): собрать дашборд “воронка + динамика + сегменты”.
5. Недели 9–10: Статистика: A/B основы. Практика: сформулировать гипотезу, метрики успеха, риски и критерии остановки теста.
6. Недели 11–12: Итоговый проект: “проблема бизнеса → данные → анализ → рекомендация”. Оформить как кейс на 2–4 страницы + дашборд.

Практический вывод: ваш KPI на 90 дней — не «пройти курс», а иметь 1–2 артефакта: дашборд и кейс, которые не стыдно показать на собеседовании.

Подводный камень: “копить знания” без публикации результатов. Это как качать пресс под свитером: вроде усилия есть, но доказательства — только вашим фантазиям.

Скрытая цена обучения: деньги, время, нервы

Тезис: обучение аналитике данных почти всегда дороже, чем написано на лендинге — даже если курс «со скидкой до полуночи».

Обоснование: расходы бывают прямые (курс, подписки) и косвенные (время, упущенный доход). В России платные программы по аналитике обычно лежат в диапазоне 60–180 тыс. ₽ за 3–9 месяцев (по рынку онлайн-школ и корпоративных программ). Плюс: иногда отдельно продают “карьерный трек”, проверку проектов, доступ к менторам.

• Скрытые траты: доп. менторство (5–20 тыс. ₽/мес), платные датасеты/доступы, время на портфолио (самый дорогой ресурс).
• Риск №1: программа без практики SQL на реальных схемах (а не “таблица из 5 строк”).
• Риск №2: портфолио из учебных “игрушек”, где вывод — «продажи растут летом».

Практический вывод: прежде чем платить, проверьте: есть ли проекты, ревью, требования к оформлению выводов, работа с метриками. На itokno.ru полезно держать в закладках похожие разборы — чтобы сравнивать обещания с реальными критериями рынка, а не с эмоциями маркетинга.

Два кейса из практики: почему одни становятся аналитиками, а другие “проходили курс”

Кейс успеха: Ирина, 29, из продаж B2B. Училась 10 часов в неделю. Вместо бесконечного Python сделала проект: воронка лидов из CRM, причины просадки конверсии по менеджерам и сегментам, рекомендации по обработке лидов. На собеседовании её взяли джуном-аналитиком, потому что она говорила на языке бизнеса и показывала цифры, а не «я изучала библиотеки».

Кейс провала: Сергей, 32, разработчик junior, решил “апгрейднуться”. Купил курс, но делал задания формально: графики без выводов, метрики без контекста. На интервью путался в определениях, не мог объяснить, зачем A/B-тест и как выбрать метрику. Итог: знания вроде есть, а доверия нет — потому что нет цепочки “данные → решение”.

Экспертный вердикт и инструмент: чек-лист data-driven на 90 дней

Если цель — аналитика данных и переход к data-driven, не ищите «идеальную программу». Ищите траекторию, где каждую неделю появляется измеримый результат. Ниже — чек-лист, который режет иллюзии лучше, чем финансовый директор режет бюджеты.

• У меня есть 8–12 часов в неделю 3 месяца? Если нет — планируйте 120–180 дней, иначе будет “занимался по выходным” и ноль результата.
• Я умею написать 20 запросов SQL без подсказок? Если нет — любые разговоры про “аналитику” преждевременны.
• Я могу назвать 10 метрик и объяснить, когда они вредны? Например, конверсия может расти при падении объёма.
• У меня есть 1 дашборд и 1 кейс с рекомендацией? Не учебный отчёт, а история с выводом “что делать”.
• Я могу защитить выводы словами? Data-driven аналитик — это не “человек-эксель”, а переводчик между данными и решениями.

Частые вопросы