Roadmap аналитика данных с нуля: план подготовки

Точка отсчёта

Аналитик данных или продуктовый аналитик?

Роли пересекаются на 60–70%, и во многих компаниях названия путают. Разница — в том, где центр работы.

	Аналитик данных	Продуктовый аналитик
Главный вопрос	Что происходит и можно ли верить цифрам	Почему это происходит и что поменять в продукте
Типичный результат	Отчёт, дашборд, витрина данных	Вывод по эксперименту, гипотеза, рекомендация
Ключевые навыки	SQL, BI, Excel, качество данных	SQL, статистика, A/B-тесты, продуктовые метрики
Заказчики	Разные отделы: финансы, продажи, операции	Продуктовая команда

Если тебе ближе эксперименты и продуктовые решения — смотри roadmap продуктового аналитика. Первые блоки у этих двух планов почти совпадают, так что начать можно с любого и развернуться по дороге.

Уже что-то умеешь? Не начинай с нуля

Диагностика из 39 вопросов покажет, какие блоки у тебя уже закрыты. 20 минут, результат сразу на экране.

Пройти диагностику →

Общий план

Как распределить время

Ориентир для тех, кто учится параллельно с работой, по 8–12 часов в неделю.

Месяц 1–2

Excel / Google Sheets
SQL: выборки, агрегации, JOIN

Месяц 3–4

SQL: оконные функции, CTE
BI: первый дашборд
Качество данных

Месяц 5–6

Статистика
Бизнес-метрики
Основы хранилищ

Месяц 7–8

Python / pandas
Портфолио
Подготовка к собеседованиям

Блок 01

Excel и Google Sheets

Недооценённый фундамент. В первые месяцы работы половина запросов закончится таблицей, которую заказчик откроет в Excel.

📊

1.1

Таблицы на уровне уверенного пользователя

Быстро собрать, проверить и отдать данные

ОбязательноНедели 1–3

Excel — не соревнование с SQL, а язык, на котором с тобой говорит бизнес. Умение за 10 минут свести выгрузку в понятную сводную таблицу ценят с первого дня. А ещё Excel хорошо тренирует мышление про данные: где ключ, где дубль, что с чем связано.

Что прокачать

Сводные таблицы — группировка, фильтры, вычисляемые поля

ВПР / XLOOKUP / ИНДЕКС+ПОИСКПОЗ — склейка таблиц — это JOIN в Excel

СУММЕСЛИМН, СЧЁТЕСЛИМН — агрегация с условиями

Работа с датами — недели, месяцы, разница дат

Графики — линия для динамики, столбцы для сравнения, никаких 3D-пирогов

// На что обратить внимание

Любую формулу проверяй на нескольких строках руками. Ошибка в Excel не падает с ошибкой — она просто даёт неверное число, и его отправляют руководителю.

🎤Вопросы на собеседовании

Как склеить две таблицы в Excel, если в одной из них ключ повторяется?
Чем сводная таблица лучше формул СУММЕСЛИМН, а чем хуже?

Важно · Спрашивают в тестовых заданиях

Блок 02

SQL

Главный инструмент аналитика данных. Здесь нужен не только синтаксис, но и привычка проверять, что запрос посчитал то, что ты думаешь.

🔍

2.1

От SELECT до оконных функций

80% ежедневной работы аналитика данных

ОбязательноМесяц 1–4

Начни с одной таблицы, потом переходи к связям, потом к оконным функциям. Каждую тему закрепляй задачами сразу, а не после всей теории: SQL учится руками.

Что прокачать

SELECT, WHERE, GROUP BY, HAVING — фундамент любого отчёта

JOIN — INNER и LEFT — и что происходит с числом строк

Подзапросы и CTE — сложный запрос как цепочка понятных шагов

Оконные функции — ранги, накопительные итоги, сравнение с прошлым периодом

Даты и NULL — усечение до недели и месяца, COALESCE, пропуски

// На что обратить внимание

Порядок выполнения SQL: FROM → WHERE → GROUP BY → HAVING → SELECT → ORDER BY. WHERE фильтрует до агрегации, HAVING — после. Это знание решает половину задач на собеседовании.

🎤Вопросы на собеседовании

Найди топ-3 товара по выручке в каждой категории.
Посчитай выручку по дням, включая дни без заказов.
Чем LEFT JOIN отличается от INNER JOIN, и когда LEFT JOIN может увеличить число строк?

📚Материалы и практика на new-lvl.pro

ТренажёрSQL-тренажёр: задачи в браузере на реальной базе→Задачи100 задач по SQL с решениями→СтатьяGROUP BY и HAVING→СтатьяТипы JOIN в SQL→СтатьяОконные функции→

Критически важно · Спрашивают всегда

Блок 03

BI и дашборды

Дашборд — основной продукт аналитика данных. Хороший дашборд отвечает на вопрос заказчика за 10 секунд, плохой — просто показывает все данные сразу.

📉

3.1

Дашборды, которые читают

Один инструмент хорошо, а не пять поверхностно

ОбязательноМесяц 3–4

Выбери один BI-инструмент, который популярен в вакансиях твоего города (в России часто DataLens, Superset или Power BI), и доведи до уверенного уровня. Принципы хорошего дашборда одинаковы везде: одна цель, понятная иерархия, минимум лишнего.

Что прокачать

Подключение к данным — источник, датасет, обновление

Выбор визуализации — динамика, сравнение, структура, распределение

Фильтры и срезы — чтобы заказчик сам отвечал на свои вопросы

Определения метрик — что именно считается «активным пользователем» — прямо на дашборде

Проектирование от вопроса — какие решения примут по этому экрану

// На что обратить внимание

Прежде чем строить дашборд, спроси: как часто на него будут смотреть и что сделают, если число изменится? Дашборд, по которому ничего не решают, через месяц перестают открывать.

🎤Вопросы на собеседовании

Как бы ты спроектировал дашборд для руководителя отдела продаж?
Заказчик говорит, что цифры на дашборде не сходятся с его Excel. Твои действия?

📚Материалы и практика на new-lvl.pro

СтатьяДашборды: как делать, чтобы их читали→

Критически важно · Основной артефакт роли

Блок 04

Качество данных

Самая ценная и самая незаметная часть работы. Аналитика данных, которому можно верить на слово, берегут.

🧹

4.1

Проверять данные до выводов

Дубли, пропуски, аномалии и расхождения источников

ОбязательноМесяц 3–4

В реальных данных всегда есть мусор: дубли событий, тестовые аккаунты, пропуски, смена логики логирования посреди периода. Аналитик данных находит это раньше, чем неверное число попадёт в отчёт руководству.

Что прокачать

Дубли — проверка уникальности ключей до и после JOIN

Пропуски и NULL — что они значат в этой таблице и как их считать

Аномалии — всплески и провалы: баг, праздник или реальное событие

Сверка источников — почему данные в двух системах расходятся и какой верить

Документация — что за таблица, откуда данные, какие у неё известные проблемы

// На что обратить внимание

Заведи привычку: любой новый расчёт сверяй хотя бы с одним независимым числом — прошлым отчётом, данными финансов, дашбордом соседней команды.

🎤Вопросы на собеседовании

В данных за вчера выручка в два раза выше обычной. Что проверишь в первую очередь?
Как найти дубликаты в таблице, если явного уникального ключа нет?
Как посчитать среднее время доставки, если у части заказов оно не заполнено?

📚Материалы и практика на new-lvl.pro

ЗадачиЗадача: среднее время доставки с пропусками→ЗадачиЗадача: дни без заказов→Задачиpandas: очистка данных и пропуски→

Критически важно · Без этого цифрам не верят

Блок 05

Хранилища данных и ETL

Не нужно становиться дата-инженером, но нужно понимать, откуда берутся таблицы, которые ты запрашиваешь.

🏗️

5.1

Как устроены данные в компании

Хранилище, витрины, пайплайны — на уровне пользователя

ВажноМесяц 5–6

Данные попадают в хранилище из разных систем, проходят обработку и оседают в витринах, из которых ты строишь отчёты. Понимание этой цепочки помогает быстро находить, где сломались цифры, и говорить с дата-инженерами на одном языке.

Что прокачать

DWH и витрины — сырые данные, очищенные слои, агрегаты

Факты и измерения — схема «звезда» и зачем она нужна

ETL / ELT — откуда данные приходят и когда обновляются

Инкрементальное обновление — почему вчерашние данные могут догружаться сегодня

Инструменты на слух — Airflow, dbt, ClickHouse — что это и зачем

🎤Вопросы на собеседовании

Что такое таблица фактов и таблица измерений?
Почему данные за вчерашний день могут измениться сегодня?

Важно · Спрашивают на middle-позиции

Блок 06

Статистика

Аналитику данных статистика нужна, чтобы не делать ложных выводов из средних, выбросов и корреляций.

📐

6.1

Описательная статистика и базовые выводы

Среднее, медиана, разброс — и когда им нельзя верить

ОбязательноМесяц 5–6

Большинство ошибок в отчётах статистические: среднее, испорченное выбросами, корреляция, выданная за причину, сравнение групп разного размера. Глубокая теория вероятностей на старте не нужна — нужен здравый смысл, подкреплённый несколькими понятиями.

Что прокачать

Среднее и медиана — когда что показывать

Разброс и выбросы — стандартное отклонение, квантили, IQR

Распределения — нормальное, логнормальное — почему деньги не нормальны

Корреляция и причинность — почему «связаны» не значит «влияет»

Доверительные интервалы и p-value — чтобы понимать отчёты по экспериментам

🎤Вопросы на собеседовании

Средний чек вырос, а медианный упал. Что это может значить?
Как понять, что разница между двумя группами не случайна?

📚Материалы и практика на new-lvl.pro

Статьяp-value простыми словами→СтатьяДоверительный интервал конверсии→КарточкаКакой статистический тест выбрать→

Важно · Спрашивают в каждой второй компании

Блок 07

Бизнес-метрики

Чтобы отчёт был полезен, надо понимать, что показывают его цифры для бизнеса.

💼

7.1

Метрики, которые чаще всего попросят посчитать

Retention, когорты, воронки, юнит-экономика

ОбязательноМесяц 5–6

Большинство запросов к аналитику данных — вариации нескольких типовых расчётов. Если ты уверенно считаешь их в SQL и понимаешь, что они значат, ты закрываешь основную часть работы.

Что прокачать

Retention и когорты — возвращаются ли пользователи

Воронка — где теряются пользователи на пути к покупке

DAU / MAU и активность — и почему важно определение «активного»

Выручка, ARPU, средний чек — и как их разложить

Юнит-экономика — окупается ли клиент

🎤Вопросы на собеседовании

Как посчитать retention 7-го дня по когортам регистрации?
Конверсия воронки упала. Как найти шаг, на котором проблема?

📚Материалы и практика на new-lvl.pro

СтатьяRetention: какие бывают и как считать→СтатьяКогортный анализ→СтатьяВоронка конверсии→ЗадачиЗадача: когортный retention в SQL→

Критически важно · Без этого нельзя говорить на языке бизнеса

Блок 08

Python и портфолио

Python — второй инструмент после SQL: для того, что неудобно делать в запросе. Портфолио — способ показать навыки без опыта.

🐍

8.1

pandas и первый проект

Показать, что ты умеешь пройти путь от данных до вывода

ВажноМесяц 7–8

Для аналитика данных достаточно pandas: загрузить, почистить, сгруппировать, построить график. Портфолио — 1–2 проекта на открытых данных, где видно весь путь: вопрос, очистка, расчёт, дашборд или отчёт, вывод. Один доведённый до конца проект лучше пяти ноутбуков без выводов.

Что прокачать

pandas — read_csv, groupby, merge, pivot_table, даты

Визуализация — matplotlib или seaborn на базовом уровне

Проект — открытый датасет, чёткий вопрос, дашборд и вывод

Резюме — навыки через результаты проектов, а не список курсов

🎤Вопросы на собеседовании

Расскажи о своём проекте: какой был вопрос и какой вывод ты сделал?
Чем merge в pandas отличается от JOIN в SQL?

📚Материалы и практика на new-lvl.pro

ТренажёрPandas-тренажёр в браузере→Задачи50 задач по pandas с решениями→Статьяpandas для аналитика→СтатьяРезюме аналитика→

Важно · Без проекта резюме выглядит пустым

FAQ

Частые вопросы: аналитик данных с нуля

С чего начать учиться на аналитика данных с нуля?

С SQL и Excel. Это два инструмента, которые понадобятся с первого дня работы. Сразу решай задачи — например, в бесплатных задачах по SQL: навык закрепляется только практикой.

Сколько времени нужно, чтобы стать аналитиком данных?

Обычно 6–8 месяцев при 8–12 часах в неделю. SQL, BI и качество данных — минимум для первой работы; статистику и Python можно доучивать уже в процессе.

Нужен ли аналитику данных Python?

Желателен, но не на старте. Во многих командах аналитик данных работает в SQL и BI, а pandas нужен для задач, которые неудобно решать запросом. Начни с SQL, Python добавь после первого дашборда.

Чем аналитик данных отличается от продуктового аналитика?

Аналитик данных отвечает за то, чтобы цифры были верными и понятными: отчёты, дашборды, качество данных. Продуктовый аналитик — за решения о продукте: эксперименты, гипотезы, метрики фич. Подробнее — в разборе видов аналитиков и в roadmap продуктового аналитика.

Какой BI-инструмент учить?

Тот, что чаще встречается в вакансиях, которые тебе интересны. Принципы у всех одинаковые, поэтому лучше один инструмент глубоко, чем три поверхностно.

Этот roadmap бесплатный?

Да. План, статьи и 20 задач SQL-тренажёра бесплатны. Платный только расширенный банк задач для интенсивной практики.

Главное правило этого плана

Аналитик данных ценен не количеством инструментов, а тем, что его цифрам верят. Поэтому с первого дня учись не только считать, но и проверять: сверять с независимым источником, искать дубли, спрашивать, откуда взялась таблица.

Не учи всё последовательно. SQL и Excel → первый дашборд → качество данных → метрики → проект. Практика с первой недели, а не после «окончания теории».

Дочитал план — что делать в понедельник?

Начни с SQL и сразу решай задачи, не откладывая практику «на потом». Диагностика подскажет, какой блок закрывать первым. Если хочешь разобрать свой путь — с резюме, опытом и сроками — приходи на консультацию.

Пройти диагностику → Консультация

Другие роадмапы