Вход в IT с нуля
Как стать аналитиком данных с нуля: план обучения по шагам
Содержание
Чтобы стать аналитиком данных с нуля, начните с «SQL и базы данных» и «Статистика и A/B-тесты» и идите по плану из 3 этапов, от основ до подготовки к собеседованию. Теория и вопросы по этому плану занимают примерно 21 час, а больше всего времени уйдёт на практику и свои проекты: обычно путь до первых собесов занимает несколько месяцев регулярных занятий. Порог входа низкий: хватает SQL, Python и статистики, а много вакансий для начинающих.
Кто такой аналитик данных
Аналитик данных отвечает на вопросы бизнеса цифрами: почему упала конверсия, сработал ли эксперимент. Главный инструмент это SQL, к нему pandas, статистика и продуктовые метрики. Вход доступнее, чем в разработку, а на собесе почти всегда есть SQL-задача и вопросы про A/B-тесты.
| Вопрос | Ответ |
|---|---|
| Что делает | Считает метрики, ищет причины изменений и помогает принимать решения |
| Язык и инструменты | SQL, Python (pandas), статистика, BI-инструменты |
| Порог входа | Низкий. Хватает SQL, Python и статистики, а много вакансий для начинающих |
| Кому подойдёт | Тем, кому нравятся цифры и вопрос «почему так вышло» |
Перспектива через 5 лет
Что будет с профессией к 2031
Под давлением ИИТиповые отчёты и дашборды автоматизируются, ценятся выводы для продукта.
Статистика, эксперименты и продуктовое мышление. Дальше data engineering или AI-продакт.
Как стать аналитиком данных: план по этапам
Порядок тем построен по карте навыков: сначала то, на что опираются следующие темы. Название темы ведёт на бесплатный урок.
Этап 1. Основа профессии
Главный язык или дисциплина профессии. На этом держится всё остальное, торопиться не стоит.
- SELECT и фильтрация6 мин
- JOIN6 мин
- GROUP BY и агрегаты5 мин
- Подзапросы и CTE6 мин
- Оконные функции7 мин
- Индексы7 мин
- Транзакции и изоляция8 мин
- Проектирование и нормализация6 мин
- EXPLAIN и оптимизация8 мин
- NoSQL и выбор хранилища6 мин
- Описательная статистика6 мин
- Распределения7 мин
- ЦПТ и доверительные интервалы7 мин
- Проверка гипотез7 мин
- Мощность и размер выборки7 мин
- t-тест и z-тест7 мин
- Хи-квадрат и Манна-Уитни7 мин
- Бутстреп и перестановки6 мин
- Множественные проверки6 мин
- Дизайн A/B-теста7 мин
- Ловушки A/B7 мин
- CUPED и снижение дисперсии7 мин
- Байесовский подход6 мин
Этап 2. Следующий слой
Следующий слой поверх основы: фреймворки и темы, которые опираются на предыдущий этап.
- NumPy: массивы и векторизация7 мин
- Series, DataFrame и индекс7 мин
- Выборка и фильтрация7 мин
- Пропуски, дубли и типы7 мин
- groupby и агрегаты7 мин
- merge, join и concat7 мин
- pivot, melt и сводные6 мин
- Окна и сдвиги7 мин
- Даты и время7 мин
- Чтение и запись данных6 мин
- Производительность и память7 мин
- Графики и Jupyter6 мин
Этап 3. Подготовка к собеседованию
Рассказ о себе, истории по STAR, английский. Начинайте за 2-3 недели до первых откликов.
- Рассказ о себе7 мин
- Рассказ о проектах6 мин
- Истории по STAR7 мин
- Команда и конфликты6 мин
- Мотивация и уход5 мин
- Как звучать на свой грейд6 мин
- Вопросы компании5 мин
- Зарплата и оффер7 мин
- HR-скрининг5 мин
- Резюме и отклики6 мин
- Tell me about yourself7 мин
- Проекты и твоя роль7 мин
- Объяснение технических решений7 мин
- Думать вслух над задачей7 мин
- Behavioral по STAR8 мин
- Вопросы компании6 мин
- Зарплата и оффер7 мин
- Small talk и созвоны6 мин
- IT-лексика: разработка7 мин
- IT-лексика: QA, DevOps, данные, менеджмент8 мин
- Времена в рассказе об опыте8 мин
- Артикли и предлоги7 мин
- Произношение IT-слов6 мин
- Письма рекрутеру и follow-up7 мин
Сколько времени займёт
| Этап | Уроки | Вопросы junior | Теория и вопросы |
|---|---|---|---|
| Этап 1. Основа профессии | 2,5 ч | 163 | 7 часов |
| Этап 2. Следующий слой | 2,2 ч | 190 | 7 часов |
| Этап 3. Подготовка к собеседованию | 2,6 ч | 203 | 8 часов |
Проекты для портфолио
2-3 своих проекта с README и живой ссылкой дают больше, чем десяток учебных. Идеи, с которых можно начать:
- Анализ открытого датасета в Jupyter с выводами и графиками
- Дашборд продуктовых метрик: воронка, удержание, когорты
- Разбор A/B-теста с проверкой гипотезы и выводом для бизнеса
Что спросят на первом собеседовании
Частые вопросы junior по этой роли. Полный список тем и вопросов на странице «Что должен знать junior аналитик данных».
- Как работает NULL в SQLSQL и базы данных
- Как работает groupby в pandasPython для анализа данных
- Как описать распределение метрикиСтатистика и A/B-тесты
- Как считать retentionПродуктовые метрики
- Расскажите о себеО себе и поведенческое
- Начало созвона и small talkАнглийский на собеседовании
- Виды JOINSQL и базы данных
- Стандартизация столбцов матрицы (z-score)Python для анализа данных
- Первым почти всегда идёт HR-интервью: мотивация, почему IT, ожидания.
- Подготовьте рассказ о себе без коммерческого опыта: учёба, проекты, почему эта профессия.
- Junior часто дают тестовое задание, его потом разбирают на созвоне.
- Как устроен весь процесс найма, смотрите в гайде «Как проходит собеседование».
Как найти первую работу
- SQL на уровне оконных функций и подзапросов обязателен
- Объясняйте p-value и мощность теста простыми словами
- Покажите проекты, где есть вывод для бизнеса, а не только графики
Частые ошибки новичков
- Учить много инструментов, но слабо знать SQL
- Делать графики без вывода и рекомендации
- Путать корреляцию и причинность
Частые вопросы
Сколько учиться, чтобы стать аналитиком данных?
С чего начать?
Какой порог входа?
Что спросят на первом собеседовании?
Начните путь в профессию сегодня
Все уроки бесплатно, план по шагам и вопросы на закрепление. Когда дойдёте до собесов, там же мок и трекер откликов.
Куда дальше
Что должен знать junior аналитик данных
Темы и 15 частых вопросов
Тест: Аналитик данных
Проверить, что уже знаете
Как проходит собеседование
Этапы от HR до оффера
Все профессии с нуля
Сравнить 30 направлений
Как стать AI-инженером
Встраивает LLM в продукт: RAG, агенты, вызов инструментов, оценка качества
Как стать ML/LLM-инженером
Выводит модели и LLM-сервисы в прод: RAG, агенты, инференс
Как стать AI-продакт-менеджером
Ведёт продукт или фичу на нейросетях: от гипотезы до метрик качества
Как стать Data Scientist
Строит модели машинного обучения для прогнозов и рекомендаций