Как стать аналитиком данных: навыки, портфолио, первая работа

Что нужно уметь для первой работы

За восемь уроков вы прошли полный круг работы аналитика: от расплывчатого «продажи упали» до рекомендации с расчётом. Для первой работы нужно уверенно повторять этот круг на чужих данных. В вакансиях для начинающих чаще всего просят:

Навык	Что это значит на практике	Где начать
Таблицы	Чистка данных, формулы, сводные, простые графики	Курс «Excel и Google Таблицы»
SQL	SELECT, WHERE, GROUP BY, JOIN — без подсказок	Курс «SQL с нуля»
Метрики	Конверсия, средний чек, удержание, стоимость клиента	Уроки 2 и 6 этого курса
Визуализация	Выбрать график, собрать простой дашборд	Урок 7 и Yandex DataLens
Коммуникация	Уточнить вопрос, объяснить вывод без терминов	Каждый ваш разбор

Следом, чтобы открылось больше вакансий:

• Python с библиотекой pandas — для больших данных и отчётов, которые обновляются сами. Начните с курса «Основы Python».
• Основы статистики — медиана и разброс, случайность, A/B-тесты: как понять, что новая кнопка действительно лучше, а не повезло.
• Веб-аналитика — откуда берутся данные о посещениях. Пригодится курс «Яндекс Метрика с нуля».

Учить всё сразу не нужно. Удобный порядок: таблицы → SQL → метрики и графики → Python → статистика. Первые три шага уже дают право откликаться на вакансии.

Портфолио без опыта работы

Опыта пока нет, но его заменяют учебные разборы. Возьмите открытые данные и пройдите на них тот же круг, что с «Чайной лавкой». Где брать данные:

• портал открытых данных Москвы data.mos.ru и порталы других городов;
• открытые данные госорганов и Росстата;
• свои собственные данные: расходы, тренировки, прочитанные книги, история заказов в любимом магазине.

Каждый разбор оформляйте одинаково — это и есть ваш стиль работы:

1. Вопрос — что хотели узнать и зачем.
2. Данные — откуда, сколько строк, что означают столбцы.
3. Чистка — что нашли и что сделали: дубли, пропуски, выбросы.
4. Расчёт — запросы и таблицы с пояснениями.
5. Вывод — 2–3 предложения и один график с заголовком-выводом.
6. Рекомендация — что сделать по результатам.

Двух-трёх таких разборов достаточно. Выложите их на GitHub или в общедоступную папку, а ссылку поставьте в резюме. Как работать с GitHub — в курсе «Git и GitHub».

Откуда приходят в аналитику

Многие аналитики данных начинали в другой профессии: маркетинге, продажах, финансах, логистике, поддержке. Это не недостаток, а преимущество: вы уже понимаете, какие вопросы важны бизнесу, и знаете, откуда берутся цифры.

Часто самый короткий путь — внутри своей компании. Начните решать аналитические задачи на текущей работе: разберите продажи своего отдела, найдите, почему растут возвраты. Покажите результат руководителю. Такой разбор — и пункт в портфолио, и аргумент, чтобы попроситься в отдел аналитики.

Тестовое задание и собеседование

На многие вакансии аналитика сначала дают тестовое задание: файл с данными и вопрос, очень похожий на наш с «Чайной лавкой». Проверяют не только правильность цифр, но и то, как вы думаете:

• уточнили ли вопрос и записали, как его поняли;
• проверили ли данные перед расчётом;
• понятен ли вывод человеку без технических знаний;
• есть ли рекомендация.

На собеседовании обычно спрашивают:

• задачи на SQL — чаще всего на GROUP BY и JOIN;
• как посчитать метрику: конверсию, удержание, средний чек;
• «выручка упала — с чего начнёте?» — ответ у вас уже есть, это уроки 2–6;
• рассказ о вашем разборе: какой вопрос, что нашли, что бы сделали иначе.

Проверить себя по всему курсу можно в итоговом тесте. Зарплаты сильно зависят от города, компании и навыков — смотрите актуальные вакансии без опыта на hh.ru, ссылка есть на странице курса.

Куда расти дальше

Обычный путь — от начинающего аналитика (джуна) к опытному (мидлу), затем к ведущему (сеньору) и руководителю отдела аналитики. По пути можно выбрать направление:

• продуктовая аналитика — как люди пользуются приложением, A/B-тесты новых функций;
• маркетинговая аналитика — окупаемость рекламы, стоимость клиента, каналы привлечения;
• BI-аналитика — дашборды и отчёты для всей компании;
• Data Science — модели и прогнозы, здесь понадобятся Python, статистика и математика посерьёзнее.