Продуктовый аналитик — это не про «посмотреть на графики и сказать, что всё плохо». Это про то, чтобы превращать хаос пользовательских действий в понятные решения, которые приносят деньги.

Я работаю с аналитикой больше восьми лет. Прошёл путь от стажёра, который боялся написать сложный SQL-запрос, до руководителя группы, который сейчас нанимает таких же ребят. За это время пересмотрел сотни резюме, провёл десятки собеседований и своими руками настраивал аналитику в продуктах, которыми пользуются миллионы.

И вот что я могу сказать точно: большинство статей о профессии продуктового аналитика врут вам. Не специально, но врут. Они рисуют идеальную картинку: «научитесь SQL, Python, и вас с руками оторвут». На деле — всё сложнее, интереснее и, если честно, местами больнее.

В этом материале не будет воды про «современные реалии». Только мой опыт, реальные кейсы, нюансы, о которых молчат на курсах, и честный разбор того, сколько на этом можно заработать и как действительно войти в профессию.

Кто такой продуктовый аналитик на самом деле

Формально: продуктовый аналитик — это человек, который помогает команде создавать успешные продукты, опираясь на данные. Неформально: это переводчик с языка цифр на язык бизнеса и обратно.

В любой компании есть три главных вопроса:
— Что происходит с продуктом?
— Почему это происходит?
— Что с этим делать?

Продуктовый аналитик даёт ответы на первые два и помогает команде сформулировать третий.

Я часто сравниваю эту роль с навигатором в машине. Команда — водитель. У неё есть цель: доехать из точки А в точку Б. Аналитик прокладывает маршрут, предупреждает о пробках (падающих метриках), предлагает объезды (гипотезы) и после поездки говорит: «ты проехал 10 километров, средняя скорость 60 км/ч, на этом участке лучше было свернуть раньше».

Но есть один момент, о котором не пишут в описаниях вакансий: водитель не всегда слушает навигатор. Особенно если у него есть своё мнение. И это нормально.

Отличие от бизнес-аналитика

Этот вопрос мне задают на каждом втором собеседовании. Бизнес-аналитик (BA) работает с процессами внутри компании: оптимизирует работу отдела продаж, настраивает документооборот, автоматизирует рутину. Его главный инструмент — понимание того, как устроена компания.

Продуктовый аналитик (PA) работает с тем, что находится снаружи: поведение пользователей, их взаимодействие с интерфейсом, реакции на изменения. Его главный инструмент — данные о том, как люди используют продукт.

Бывает, что один человек совмещает обе роли. Особенно в небольших компаниях. Но по мере роста бизнеса эти функции разделяются: BA уходит в процессы и финансы, PA — в продукт и пользователей.

Ценность для бизнеса: почему компании готовы платить

Есть четыре причины, по которым бизнес нанимает продуктовых аналитиков. И все они упираются в деньги.

1. Удержание пользователей стоит дешевле привлечения

Привлечь нового пользователя в 5–7 раз дороже, чем удержать существующего. Это аксиома. Но чтобы удержать, нужно понимать, почему люди уходят. Именно здесь аналитик показывает свою ценность.

Кейс из моей практики: в одном сервисе доставки еды мы заметили, что retention на второй месяц падает на 40%. Стандартная ситуация. Но вместо того чтобы запускать очередную акцию на скидку (что стоило бы миллионы), мы проанализировали поведение уходящих пользователей.

Оказалось, 70% из них ни разу не попробовали функцию «сохранённые адреса». Они каждый раз вбивали адрес вручную, уставали и уходили к конкурентам, у которых этот процесс был автоматизирован. Мы добавили подсказку при первом заказе: «Сохраните адрес, чтобы не вводить его снова». Всё. Retention вырос на 18% без единой скидки.

2. Product-Market Fit нельзя почувствовать — его нужно измерить

Product-Market Fit (PMF) — это момент, когда продукт настолько хорошо решает проблему пользователя, что они сами возвращаются к нему снова и снова. Марк Андреессен, который ввёл этот термин, говорил: единственный способ измерить PMF — спросить пользователей, как сильно они будут расстроены, если продукт исчезнет.

Но на практике мы используем данные. Классический пример — Facebook. Они нашли свой «Aha Moment»: пользователь становится лояльным, когда добавляет 7 друзей за первые 10 дней. С этого момента его retention взлетает. Это не интуиция. Это данные.

3. Данные позволяют обгонять конкурентов без огромных бюджетов

Исследование McKinsey показало: компании, которые активно используют аналитику, растут в 2–3 раза быстрее конкурентов. И дело не в том, что у них больше данных. Дело в том, что они умеют эти данные интерпретировать.

История про Airbnb — хрестоматийная. Основатели заметили: объявления с хорошими фотографиями сдаются в разы чаще. Вместо того чтобы просить арендодателей делать качественные снимки, они сами наняли профессиональных фотографов и отправили их по квартирам. Результат — выручка выросла кратно. Это не гениальная интуиция. Это аналитика, которая подсказала, куда бить.

4. Пользовательский опыт — это не про «нравится/не нравится»

Команды часто меняют продукт, ориентируясь на собственные предпочтения. «Давайте сделаем кнопку зелёной, мне кажется, так лучше». Без аналитики это игра в угадайку. С аналитикой — управляемый эксперимент.

Я помню случай, когда дизайнер предложил полностью переделать экран оформления заказа. Ему казалось, что текущая версия «устарела визуально». Мы запустили A/B-тест. Новая версия проиграла старой по конверсии в оплату на 15%. Если бы мы не проверили гипотезу, потеряли бы миллионы.

Чем реально занимается продуктовый аналитик: разбор по задачам

Теперь давайте разберём конкретные задачи, которые стоят перед аналитиком. Это не теория. Это мой опыт и опыт коллег, с которыми я работал.

Сбор и обработка данных

Звучит скучно? На самом деле это самая нервная часть работы. Потому что данные почти всегда «грязные».

За день аналитик:
— пишет SQL-запросы, чтобы вытащить данные из нескольких таблиц (и молится, чтобы разработчики не поменяли схему БД)
— проверяет, корректно ли настроена аналитика на фронтенде (спойлер: почти всегда нет)
— чистит выгрузки от дублей, нулевых значений и выбросов
— склеивает данные из разных источников: CRM, веб-аналитика, база транзакций

Когда я только начинал, уходило до 70% времени на то, чтобы просто убедиться: цифры сходятся. Сейчас, с опытом, — 40%. Остальное время — анализ и коммуникация. Но без этой рутины никакие выводы не будут стоить и копейки.

Построение метрик и дашбордов

Дашборд — это не просто красивые графики. Это инструмент, который позволяет команде видеть состояние продукта за 5 секунд.

Хороший дашборд отвечает на три вопроса:

1. Всё ли идёт по плану?
2. Если нет — что сломалось?
3. Кто должен это чинить?

Я видел сотни дашбордов, которые были бесполезны. Потому что они показывали всё и сразу. 50 графиков на одном экране. Никто в них не смотрит. Команда открывает их раз в месяц перед отчётностью, ничего не понимает и закрывает.

Правильный подход: один дашборд — одна цель. Если это дашборд для продакт-менеджера, там должны быть ключевые метрики продукта (DAU, Retention, LTV, конверсия по воронке) и ничего лишнего. Если это дашборд для маркетолога — каналы трафика, CPA, ROI. Смешивать нельзя.

Какие метрики реально важны

Нет универсального набора. Всё зависит от типа продукта и стадии его жизненного цикла.

Для приложения доставки еды ключевая метрика — «time to eat»: время от заказа до получения. Это напрямую влияет на retention. Если едет дольше 40 минут — пользователь больше не вернётся.

Для онлайн-кинотеатра — «time to first watch»: время от регистрации до первого просмотра. Чем оно меньше, тем выше вероятность, что пользователь останется.

Для B2B SaaS — «time to value»: время, за которое клиент получает первую пользу от продукта. Если за 7 дней не увидел ценности — уходит.

Я советую командам всегда начинать с вопроса: «Какое одно действие пользователя делает его лояльным?». Найти это действие — 80% успеха.

Анализ поведения пользователей и сегментация

Пользователи разные. И ведут себя по-разному. Сегментация позволяет не усреднять всех под одну гребёнку.

Базовые сегменты:
— по поведению (активные, спящие, ушедшие)
— по когортам (неделя регистрации)
— по продуктовому поведению (используют функцию А, не используют Б)
— по демографии (пол, возраст, регион)

Кейс: в мобильном приложении банка мы заметили, что retention падает. Сегментировали пользователей по возрасту. Оказалось, что пользователи старше 55 лет массово уходят после обновления приложения, в котором изменили расположение кнопки «перевод по номеру телефона». Для них это был критический функционал. Мы вернули кнопку на прежнее место в следующем обновлении. В этом сегменте отток снизился на 25%.

Без сегментации мы бы думали, что проблема во всём продукте, и потратили бы кучу ресурсов на глобальные изменения.

Работа с гипотезами и A/B-тестирование

Гипотезы бывают трёх видов:
— Что сломано? (ищем проблему)
— Как улучшить? (ищем решение)
— Что произойдёт, если? (проверяем риски)

A/B-тест — это единственный способ проверить гипотезу. Но у него есть правила, которые нарушают почти все.

Три главные ошибки в A/B-тестах:

1. Недостаточный размер выборки. Запускают тест на 100 пользователях, видят +10% и радуются. Статистическая значимость? Нет. С вероятностью 80% это просто шум.
2. Влияние внешних факторов. Тест на конверсию запустили в пятницу вечером. В выходные конверсия всегда падает. Результат искажён.
3. Множественные сравнения. Проверили 20 гипотез, одна показала результат. Значит ли это, что гипотеза работает? Нет. С вероятностью 5% это случайность.

Сервис Appsumo провёл исследование и выяснил: только 12,5% A/B-тестов показывают статистически значимый результат. И только часть из них масштабируется.

Я всегда говорю командам: лучше провести один качественный тест за две недели, чем три халтурных за неделю.

Коммуникация с командой и стейкхолдерами

Здесь кроется главная сложность профессии. Вы можете найти самую крутую инсайт, но если не сможете его продать — он никому не нужен.

Продуктовый аналитик постоянно общается:
— с продакт-менеджером (согласует гипотезы и приоритеты)
— с разработчиками (ставит задачи на трекинг событий)
— с дизайнерами (объясняет, почему их решение не сработает)
— с маркетологами (показывает эффективность каналов)
— с руководителями (готовит отчёты)

И каждому нужно говорить на его языке. Разработчику — техническими терминами. Продакт-менеджеру — бизнес-метриками. Руководителю — цифрами в деньгах.

Я встречал блестящих аналитиков, которые увольнялись, потому что «никто не слушает». Проблема была не в их выводах, а в подаче.

Валидация проблем и решений

Команда часто приходит с готовыми решениями: «Давайте добавим чат-бота, пользователям будет удобно». Задача аналитика — проверить, действительно ли это проблема.

Способы валидации:
— количественный анализ (сколько пользователей сталкиваются с проблемой)
— качественные исследования (интервью, опросы)
— анализ обращений в поддержку (какие темы чаще всего поднимают)
— речевая аналитика (если есть записи звонков)

В одном из проектов команда хотела добавить сложный функционал сравнения товаров. Думали, это увеличит конверсию. Я проанализировал данные: только 3% пользователей использовали существующие инструменты сравнения. Стоимость разработки оценивалась в 2000 человеко-часов. Гипотезу отложили. Через год к ней так и не вернулись — приоритеты изменились.

Навыки, которые реально нужны (а не те, что пишут в вакансиях)

Давайте пройдёмся по хард-скиллам и софт-скиллам. Но не формально, а с точки зрения реальной работы.

Хард-скиллы: что учить и зачем

SQL

Это база. Без SQL вы не сможете получить данные самостоятельно и будете зависеть от разработчиков. А разработчикам всегда некогда.

Что реально нужно знать:
— SELECT, FROM, WHERE (основа)
— JOIN всех видов (LEFT, INNER, FULL) — 90% работы
— GROUP BY и агрегатные функции (COUNT, SUM, AVG)
— оконные функции (ROW_NUMBER, LAG, LEAD) — для продвинутых кейсов
— подзапросы и CTE (WITH)

В день я пишу 10–20 запросов. От простых («сколько пользователей зарегистрировалось вчера») до сложных («построй распределение пользователей по количеству сессий в первый день, отдельно для когорт по неделям»).

Python (или R)

Python нужен для задач, которые SQL не тянет:
— обработка больших массивов данных (миллионы строк)
— сложные визуализации
— построение прогнозных моделей (отток, LTV)
— кластеризация пользователей
— автоматизация отчётов

Начинать можно с pandas, matplotlib, seaborn. Дальше — numpy, scipy для статистики.

Я использую Python примерно 20% времени. Основные сценарии: когда нужно сделать что-то, что в SQL будет слишком громоздким, или когда нужно построить график, который Tableau не умеет.

Веб-аналитика: Google Analytics и Яндекс.Метрика

Эти инструменты нужны, чтобы понимать поведение пользователей на сайте или в веб-версии приложения.

Что важно уметь:
— настроить цели и события
— построить отчёты по воронкам
— анализировать источники трафика
— работать с сегментами

Но есть нюанс: в крупных компаниях используют свои системы сбора данных (например, на базе BigQuery или собственные разработки). Поэтому важно понимать принципы работы, а не заучивать интерфейс конкретного инструмента.

BI-системы: Tableau, Power BI, Looker

BI нужен для визуализации и дашбордов. Команда не будет каждый раз просить вас выгружать Excel — они хотят видеть дашборд, который обновляется сам.

Я использую Tableau. Power BI тоже хорош. Looker — если компания работает в экосистеме Google Cloud.

Что важно: BI-система — это не про «сделать красивую картинку». Это про структуру данных. Если вы не умеете строить модели данных, дашборд будет тормозить и врать.

Статистика

Без статистики вы не сможете:
— оценить значимость A/B-теста
— понять, корреляция это или причинно-следственная связь
— построить доверительные интервалы для прогнозов

Базовый уровень:
— среднее, медиана, мода
— дисперсия, стандартное отклонение
— нормальное распределение
— t-тест, хи-квадрат
— p-value, доверительные интервалы

Многие аналитики этим пренебрегают. И зря. Я видел, как целые компании принимали решения на основе статистически незначимых результатов. Потому что «цифры говорят».

Софт-скиллы: почему без них никуда

Умение объяснять сложное простым языком

Продуктовый аналитик — это не про то, как вы круто написали запрос. Это про то, как вы объяснили результат продакт-менеджеру.

Правило: если вывод нельзя сформулировать в одном предложении — вы не поняли данные до конца.

Плохо: «У нас наблюдается снижение конверсии на 5% в сегменте пользователей iOS, при этом в сегменте Android динамика положительная, возможно, это связано с обновлением приложения, но нужно проверить гипотезу».

Хорошо: «Конверсия на iOS упала после последнего обновления. Нужно проверить форму регистрации».

Продуктовое мышление

Это способность смотреть на продукт глазами пользователя. Вы должны задавать себе вопрос: «Зачем пользователь это делает? Какую проблему он решает?»

Без продуктового мышления вы будете генерировать много метрик, но мало инсайтов.

Аналитическое мышление

Это способность разбивать сложную задачу на простые. И находить причинно-следственные связи.

Например: упала конверсия в оплату. Вместо того чтобы паниковать, вы задаёте вопросы:
— Когда упала?
— В каком сегменте?
— Предшествовало ли этому какое-то изменение?
— Могло ли это быть связано с внешними факторами (праздники, технические сбои)?

Умение докапываться до сути

Продуктовые менеджеры часто приходят с просьбой: «Посмотри, что там с конверсией». Они ждут ответа: «Упала на 5%». Но хороший аналитик спросит: «А что именно мы хотим узнать? Какую проблему решаем?»

Потому что «посмотреть конверсию» — это не задача. Задача — найти причину падения или подтвердить гипотезу о её росте.

Инструменты, которые реально используют продуктовые аналитики

Я опросил коллег (спасибо Татьяне Чадаевой из Билайна, Владиславу Прищепову из AppMetrica, Всеволоду Мироновичу из СберМаркетинга) и собрал список инструментов, без которых не обойтись.

Языки и базы данных

SQL — абсолютный лидер. Без него никуда. В день аналитик пишет десятки запросов. Кто-то работает в PostgreSQL, кто-то в ClickHouse, кто-то в BigQuery. Но синтаксис везде похож.

Python — второй по важности. Особенно если нужно обработать данные, которые не влезают в Excel, или построить прогнозную модель.

Системы аналитики

Google Analytics / Яндекс.Метрика — для веб-аналитики. GA удобнее для сложных отчётов, Метрика — для анализа поведения на сайте (карты кликов, скроллинга).

Amplitude / Mixpanel — для продуктовой аналитики. Эти системы заточены под анализ поведения пользователей: строят воронки, когорты, считают retention. Я предпочитаю Amplitude — у неё гибче интерфейс.

BI-системы

Tableau — мой фаворит. Дорогой, но мощный. Позволяет строить сложные дашборды с минимальными усилиями.

Power BI — хорошая альтернатива. Особенно если компания сидит на Microsoft.

Looker — если данные в BigQuery. Позволяет строить модели данных на SQL, что удобно для аналитиков.

Инструменты для A/B-тестирования

Optimizely — лидер рынка. Дорогой, но надёжный.

VWO — хорошая альтернатива с более демократичными ценами.

Google Optimize — бесплатный, но с ограничениями. Для небольших проектов подойдёт.

В крупных компаниях часто пишут свои системы A/B-тестирования. Потому что стандартные инструменты не всегда справляются с нагрузкой и нужной гибкостью.

Инструменты для анализа взаимодействия с интерфейсом

Hotjar / FullStory — показывают, как пользователи двигают мышкой, где кликают, как скроллят. Полезно для качественного анализа.

Я использую Hotjar, когда нужно понять, почему на определённой странице низкая конверсия. Часто оказывается, что люди просто не видят кнопку.

А что насчёт Excel?

Да, Excel используют. Но если вы пишете «для работы с данными использую Excel» в резюме на мидл-позицию — это красный флаг. Excel хорош для быстрых подсчётов и маленьких объёмов. Но для серьёзной аналитики нужны SQL и BI.

Преимущества и недостатки профессии: честно

Плюсы

Высокая востребованность

Рынок аналитиков растёт. По данным MarketsandMarkets, к 2024 году объём рынка продуктовой аналитики вырастет в два раза. Компании осознали: без аналитики они летят в пропасть с закрытыми глазами.

Зарплата

Да, платят хорошо. Джуниоры получают от 100–150 тысяч, мидлы — 200–300 тысяч, сеньоры — 350–500 тысяч и выше. В топовых компаниях и стартапах с опционами потолок ещё выше.

Влияние на продукт

Вы не просто считаете цифры. Вы влияете на то, каким будет продукт. Ваши выводы могут привести к запуску новых функций, изменению интерфейса или смене стратегии.

Разнообразие задач

Редко бывает скучно. Сегодня вы пишете SQL-запросы, завтра — настраиваете дашборд, послезавтра — презентуете результаты CEO. Каждый день новый вызов.

Удалённая работа

Продуктовая аналитика хорошо подходит для удалёнки. Вам нужен ноутбук и доступ к базам данных. Многие компании нанимают аналитиков из любых регионов.

Минусы

Высокая концентрация внимания

Ошибка в SQL-запросе может стоить компании миллионов. Я видел, как аналитик перепутал JOIN и INNER JOIN и показал завышенные метрики retention. Команда неделю работала над неправильными гипотезами.

Постоянное обучение

Технологии меняются быстро. То, что вы учили год назад, может устареть. Появляются новые инструменты, новые подходы. Нужно постоянно быть в тонусе.

Ответственность без полномочий

Вы можете найти гениальный инсайт. Но решение принимает продакт-менеджер. Если он его проигнорирует — вы ничего не сделаете. Это может бесить. Особенно когда вы знаете, что правы.

Сложная коммуникация

Вам придётся общаться с людьми, которые не понимают данные. Которые спрашивают: «А можно посмотреть среднюю температуру по больнице?» И вы должны объяснить, почему это не имеет смысла. Терпение — ваш главный софт-скилл.

Сколько зарабатывает продуктовый аналитик: цифры и нюансы

Я проанализировал данные с hh.ru, Хабр Карьеры и собственные наблюдения. Цифры актуальны на начало 2026 года.

По уровням

Junior (0–2 года)
Москва: 120 000 – 200 000 ₽
Санкт-Петербург: 100 000 – 170 000 ₽
Регионы: 80 000 – 150 000 ₽

На junior’а берут с базовыми знаниями SQL и Python, часто без опыта коммерческой разработки. Главное — показать потенциал и желание учиться.

Middle (2–4 года)
Москва: 200 000 – 350 000 ₽
Санкт-Петербург: 180 000 – 300 000 ₽
Регионы: 150 000 – 250 000 ₽

На этом уровне от вас ждут самостоятельности. Вы умеете ставить задачи на трекинг, проводить A/B-тесты, строить дашборды. Часто работаете с продакт-менеджером напрямую.

Senior (4+ лет)
Москва: 350 000 – 550 000 ₽
Санкт-Петербург: 300 000 – 450 000 ₽
Регионы: 250 000 – 400 000 ₽

Senior’ы не просто считают, а строят аналитическую культуру в команде. Могут управлять джуниорами, выбирать инструменты, консультировать руководителей. Часто требуются навыки прогнозирования и машинного обучения.

Team Lead / Head of Analytics
Москва: 450 000 – 800 000 ₽ и выше

Тимлиды отвечают за команду, процессы, стратегию. Платят хорошо, но ответственность выше. Технических задач становится меньше, управленческих — больше.

По регионам

Москва и Питер — лидеры по зарплатам. В регионах доходы ниже, но и стоимость жизни меньше. Многие компании работают удалённо, так что можно жить в Твери или Краснодаре, а получать московскую зарплату.

Дополнительные факторы

— Размер компании. В крупных корпорациях (Яндекс, Тинькофф, Ozon) платят стабильно, но меньше, чем в стартапах с опционами.
— Сектор. Финтех и e-commerce платят выше среднего. EdTech и госсектор — ниже.
— Стек технологий. Если вы работаете с Big Data (Spark, Kafka), зарплата выше.
— Английский язык. Если вы попадаете в международную компанию или стартап с западными инвесторами, доход может быть в валюте. Это 5000–8000 USD и выше.

Как стать продуктовым аналитиком: реальный план

Я прошёл этот путь. И нанял десятки аналитиков. Вот что реально работает.

Шаг 1. Освойте SQL

Это не обсуждается. Без SQL вы не сможете получить данные. Начните с бесплатных ресурсов:
— SQL Academy — интерактивные тренажёры
— Stepik — курс «SQL для анализа данных»
— LeetCode — задачи на SQL

Задача-минимум: написать запрос с JOIN, GROUP BY и оконной функцией за 10 минут.

Шаг 2. Научитесь работать с таблицами

Excel или Google Sheets — ваша первая линия обороны. Умейте:
— строить сводные таблицы
— использовать VLOOKUP / XLOOKUP
— делать простые графики

Это не заменит SQL, но на первых этапах поможет решать простые задачи.

Шаг 3. Изучите Python для анализа данных

Не нужно учить весь Python. Достаточно:
— pandas — для работы с данными
— matplotlib / seaborn — для визуализации
— numpy — для вычислений

Курсы: «Python для анализа данных» на Stepik, DataCamp.

Шаг 4. Разберитесь в статистике

Возьмите книгу «Статистика для всех» Сары Бослаф или курс на Coursera «Statistics with R / Python». Вам нужно понимать:
— что такое p-value
— как работает t-test
— как рассчитать размер выборки для A/B-теста

Шаг 5. Погрузитесь в веб-аналитику

Настройте Google Analytics на свой блог или проект. Понимайте, как работают цели, события, сегменты. Это бесплатно и доступно.

Шаг 6. Сделайте портфолио

Портфолио важнее резюме. Работодатель хочет видеть, что вы умеете.

Что включить:
— Проект 1: анализ поведения пользователей (используйте открытые данные, например, Google Analytics Demo Account)
— Проект 2: A/B-тест (опишите гипотезу, как проверяли, какой результат)
— Проект 3: дашборд в Tableau или Power BI (скриншоты + описание)

Формат: GitHub или личный сайт. Прикладывайте ссылку в резюме.

Шаг 7. Начните искать стажировку

Лучший способ войти в профессию — стажировка. Крупные компании (Яндекс, Тинькофф, Ozon, Wildberries, Сбер) регулярно набирают стажёров.

Плюсы стажировки:
— реальные задачи
— наставник
— возможность получить оффер

Минусы: платят меньше, чем на полноценной позиции. Но это инвестиция в карьеру.

Шаг 8. Рассмотрите курсы

Курсы дают структуру и обратную связь. Но выбирайте с умом.

Хорошие программы (проверено на практике):
— «Продуктовый аналитик» в Яндекс Практикуме — сильная программа с реальными кейсами
— «Продуктовая аналитика» в Skillfactory — хороший баланс теории и практики
— Курсы от Нетологии и Бруноям — для базового уровня

Но курсы — не панацея. Без самостоятельной практики они не работают.

А что, если я без опыта в IT?

Многие приходят в аналитику из смежных сфер. Я видел успешные переходы:
— из маркетинга (уже умеют работать с GA, понимают метрики)
— из разработки (хорошо знают SQL и логику)
— из продакт-менеджмента (понимают продукт и бизнес)
— из бухгалтерии и финансов (умеют работать с цифрами)

Если вы совсем с нуля — путь будет дольше. Но он реальный. Главное — не пытаться выучить всё сразу. Двигайтесь маленькими шагами.

Реальные истории перехода в профессию

Я попросил коллег рассказать, как они пришли в аналитику.

Татьяна Чадаева, старший эксперт по аналитике в Билайне:

«По образованию я экономист-международник с хорошим знанием математики и статистики. В университете увлеклась общественной деятельностью и пошла в HR. Но в итоге нашла себя в маркетинге и продуктовой аналитике и очень рада этому».

Владислав Прищепов, экс-аналитик в Яндексе, продакт-менеджер в AppMetrica:

«До первой работы аналитиком успел поработать техническим писателем и разработчиком (JS). Опыт и взгляд разработчика часто мне помогали в работе аналитиком».

Всеволод Миронович, руководитель группы аналитики в СберМаркетинге:

«Когда-то я работал проджектом, вёл проекты по разработке и рекламе. Когда перешёл на клиентскую сторону в финансовую организацию, заставили ещё и отчитываться по эффективности запущенных проектов: считать деньги, планировать ресурсы, защищать кейсы. Тогда-то нужда и заставила вникнуть в аналитику».

Обратите внимание: никто не пришёл «с улицы». У всех был бэкграунд в смежных областях. Это важно.

Ресурсы, которые реально помогают

Я пользуюсь этими ресурсами сам и рекомендую команде.

Каналы и блоги:
— «Всё об A/B-тестах» — подборки материалов, без воды
— Product Science (Антон Мартсен) — глубокие разборы метрик и стратегий
— Интернет-аналитика (Алексей Никушин) — новости и исследования
— Burger Data (Всеволод Миронович) — советы по веб-аналитике
— Datalytics (Алексей Макаров) — анализ данных на Python

Книги:
— «Data Science для бизнеса» (Провост, Фосетт) — как применять анализ данных в реальных проектах
— «Lean Analytics» (Альстон, Кролл) — какие метрики важны на разных стадиях стартапа
— «Статистика для всех» (Сара Бослаф) — без занудства

Подкасты:
— Make Sense podcast — о продуктах, данных, людях
— Close2Sense — о продуктовой аналитике и анализе данных

Главные выводы: что нужно запомнить

1. Продуктовый аналитик — это не про «посмотреть на графики». Это про то, чтобы превращать данные в решения, которые приносят деньги. Вы будете много общаться, убеждать, спорить. И это нормально.
2. База — SQL и Python. Без этого вы не сможете получить и обработать данные. Excel — для быстрых подсчётов, но не для серьёзной аналитики.
3. Статистика — ваш друг. Без неё вы не отличите значимый результат от случайности. А это деньги компании.
4. Портфолио важнее резюме. Работодатель хочет видеть, что вы умеете, а не то, какие курсы вы прошли. Сделайте 2–3 проекта, выложите на GitHub.
5. Путь в профессию лежит через стажировку или смежную роль. Редко кто становится продуктовым аналитиком сразу. Чаще приходят из маркетинга, разработки, продакт-менеджмента.
6. Зарплаты высокие, но и требования растут. Джуниор получает от 100 тысяч, мидл — 200–300 тысяч, сеньор — 350–500 тысяч. Но конкуренция усиливается.
7. Учиться придётся всегда. Технологии меняются. Появляются новые инструменты. Если остановитесь — отстанете.
8. Главный софт-скилл — умение объяснять сложное простым языком. Самый крутой инсайт никому не нужен, если вы не можете его продать команде и руководству.
9. Не пытайтесь выучить всё сразу. Начните с SQL и базовой статистики. Потом добавьте Python и BI. Потом — A/B-тестирование. Идите постепенно.
10. Профессия подойдёт тем, кто любит копать. Если вам нравится находить закономерности, задавать вопросы, докапываться до сути — вам будет интересно. Если хотите просто считать цифры по инструкции — это не ваше.

Продуктовая аналитика — это сложно. Местами утомительно. Но когда вы находите инсайт, который приносит компании миллионы, или видите, как ваш A/B-тест улучшил продукт, которым пользуются сотни тысяч людей — это того стоит.

Удачи. И помните: данные не врут. Ошибаются те, кто их интерпретирует.