Data Analyst (Аналитик данных)

Что это простыми словами

Data Analyst (дата-аналитик) — человек, который смотрит на сырые данные компании и рассказывает историю, которую они скрывают. Берёт таблицы с продажами, поведения пользователей или логов и отвечает на вопросы бизнеса: «почему упали продажи?», «кто наши лучшие клиенты?», «что произойдёт, если мы изменим цену?».

Аналогия: представьте, что вы приехали в город, но без гида. У вас есть карта, но она показывает только улицы. Data Analyst — как гид, который не просто показывает дорогу, а объясняет, почему здесь кафе, почему эта улица широкая, и подсказывает лучший маршрут. Данные — это карта, а аналитик — переводчик, который делает карту понятной.

Официальное определение

Теперь, когда суть понятна, вот как эту роль описывают в вакансиях. Такую формулировку вы будете получать от заказчика и видеть в резюме.

«Data Analyst — специалист, собирающий, обрабатывающий и визуализирующий данные для извлечения бизнес-инсайтов и поддержки принятия управленческих решений».

Разберём по словам. «Обработка данных» — это чистка и приведение таблиц в порядок, чтобы цифры были согласованы. «Визуализация» — создание графиков и отчётов, которые легко читать. «Бизнес-инсайты» — выводы, которые помогают компании принимать решения (не просто цифры, а ответы на вопросы бизнеса).

Что делает за обычный день

Чаще всего день строится вокруг трёх задач.

Первое — отвечает на запросы коллег. Маркетинг спрашивает: «какая рекламная кампания принесла больше всего клиентов?». Продажи: «какой регион продаёт хуже всего?». Аналитик берёт сырые данные и выдаёт ответ с пояснением.

Второе — делает регулярные отчёты. Например, каждый понедельник в 10:00 руководитель получает сводку за прошлую неделю: сколько продаж, сколько новых клиентов, какие товары растут. Аналитик настраивает этот процесс, чтобы отчёт собирался сам.

Третье — работает с данными напрямую: подключается к базам, фильтрует, группирует, считает, строит графики. Часто это самая объёмная часть работы.

Из чего состоит направление

У дата-аналитика есть два главных инструмента, которые встречаются в вакансиях почти всегда.

• SQL — язык запросов к базам данных. Представьте, что база данных — огромный шкаф с файлами. SQL — это инструкция, как сказать: «дай мне все папки с продажами за март». Практически любая вакансия дата-аналитика требует SQL.

• Python — универсальный язык программирования, который в руках аналитика превращается в швейцарский нож. На нём чистят данные, считают сложные метрики, делают визуализации и автоматизируют рутину. В вакансиях часто пишут «Python + SQL» — это стандартный набор.

Почти всегда к этому добавляются инструменты визуализации (такие как Tableau, Power BI, Looker), но они — вторичны. На уровне junior их часто учат уже в команде.

Инструменты простыми словами

Инструменты дата-аналитика удобно разложить по слоям — от обязательных к дополнительным.

Слой 1. Языки

• SQL — язык запросов к базам данных. Фундамент. Без него аналитик не может достать данные.

• Python — язык, который делает сложную аналитику доступной. На нём пишут скрипты для обработки данных и автоматизации.

Слой 2. Визуализация

• Tableau, Power BI, Looker — программы, которые превращают числа в красивые графики и дашборды. Аналог конструктора LEGO: ты кладёшь данные, получаешь понятную картинку.

Слой 3. Базы данных

• PostgreSQL, MySQL, ClickHouse — сами хранилища, где лежат данные. SQL — это язык, чтобы к ним обращаться. Разница такая же, как между языком и словарём.

Слой 4. Инструменты

• Jupyter Notebook, Excel, Git — рабочие привычки. Jupyter — среда, где пишут и запускают код с комментариями. Excel — знакомый многим, но всё ещё широко используется в компаниях. Git — система хранения версий кода, чтобы не потерять изменения.

Что взаимозаменяемо, а что путать нельзя

Data Analyst и Data Scientist — похожие названия, но это разные специалисты. Аналитик отвечает на вопросы «что произошло?» и «почему?». Дата-сайентист — на вопрос «что будет?», строя прогнозы и модели.

Библиотеки внутри Python (pandas, matplotlib, seaborn) взаимозаменяемы: кто работал с одной, быстро освоит другую. Отбраковывать по конкретной библиотеке не нужно.

SQL и Python дополняют друг друга, а не заменяют. В идеале — оба. Но если кандидат знает отлично SQL и чуть-чуть Python — это рабочий вариант. Обратное (только Python без SQL) — редкость и повод уточнить.

Уровни: junior / middle / senior

Уровень (грейд) — это не столько годы, сколько самостоятельность.

• Junior (джуниор) — пишет запросы под присмотром, нуждается в проверке. Берёт уже сформулированные задачи.

• Middle (мидл) — получает вопрос от бизнеса (иногда размытый) и сам разбирается: какие данные нужны, какие запросы написать, как показать результат.

• Senior (сеньор) — не только отвечает, но и задаёт правильные вопросы. Строит архитектуру отчётов, менторит младших, влияет на то, какие метрики вообще считать.

Это общий ориентир. В разных компаниях требования отличаются, поэтому всегда сверяйтесь с текстом конкретной вакансии.

Как узнать роль в резюме

Ищите заголовок «Data Analyst», «Аналитик данных» или «BI-аналитик» (ближайшая роль, часто пересекающаяся). В стеке ожидайте: SQL, Python, инструменты визуализации (Tableau, Power BI, Looker). Хороший признак — описание бизнес-задач в опыте: «анализ продаж», «отчёты для руководства», «понимание метрик».

Если в резюме только SQL без Python и без описания бизнес-задач — это, скорее, junior или специалист, заточенный под один инструмент. Если, напротив, много машинного обучения и статистики — возможно, это дата-сайентист, а не аналитик.

Что спросить на первичном скрининге

• Какой уровень SQL вы знаете — можете показать пример запроса?

  Нормальный ответ: «Пишу JOIN, GROUP BY, оконные функции» с примером. Если человек не слышал оконных функций на middle — повод уточнить глубину.

• Какие задачи вы решали на прошлом месте?

  Нормальный ответ: конкретные бизнес-задачи — «анализил отток клиентов», «сделал дашборд для отдела продаж». Размыто «работал с данными» без контекста — мало информации.

• Работали ли с визуализацией — какие инструменты?

  Нормальный ответ: «Power BI, иногда Tableau». Если не использовал вообще — уточните, готов ли быстро освоить.

• Как вы понимаете, что задача решена?

  Нормальный ответ: «Когда заказчик подтвердил, что вывод понятен и может использоваться». Аналитик работает на результат для человека, а не на красивую картинку.

Это общий ориентир. В разных компаниях требования отличаются, поэтому всегда сверяйтесь с текстом конкретной вакансии.

Частые путаницы и красные флаги

• Data Analyst ≠ Data Scientist. Аналитик — про бизнес-задачи и описательный анализ. Дата-сайентист — про прогнозы, ML и статистику.

• Data Analyst ≈ BI-аналитик, но не то же самое. BI-аналитик чаще строит дашборды и отчёты, а data-аналитик глубже ковыряется в данных и отвечает на сложные вопросы.

• SQL ≠ база данных. SQL — это язык, чтобы запрашивать данные. База данных (PostgreSQL, MySQL) — само хранилище. Путать нельзя.

• Красный флаг: «data scientist и data analyst и data engineer за два года» — маловероятно, каждая роль требует серьёзного погружения.

• Красный флаг: «Excel и SQL» без Python и без примеров бизнес-задач — вероятно, это junior или человек без опыта реальной аналитики.