Быстрый ответ — всё главное за минуту ▼
- Кто это
- Аналитик данных - специалист, который работает с информацией и помогает бизнесу правильнее принимать решения: собирает данные, очищает их от мусора, считает метрики, ищет закономерности и понятно объясняет выводы команде.
- Где работает
- IT-сектор, банки, финтех, ритейл, маркетинг, медиа, производство. Обычно работает в продуктовой или аналитической команде.
- Как стать
- Начать с электронных таблиц и основ статистики, затем изучить SQL, Python и инструменты визуализации. Собирать проекты в портфолио. Первые базовые навыки для стажировки - за 3-6 месяцев практики.
- Экзамены
- Для вузов: профильная математика и русский язык, третий предмет - информатика или обществознание. Точный список - на сайте конкретного учебного заведения.
- Зарплата
- Начинающий - от 60 000 ₽/мес; специалист - 90 000-150 000 ₽/мес; старший уровень - 150 000+ ₽/мес. Данные по медианным вакансиям hh.ru на февраль 2026 года.
Материал поможет примерить на себя эту роль и наметить первые шаги. Учтите, это не замена профессиональной профориентации. Специальность аналитик данных - это работа с информацией. Вы помогаете бизнесу правильнее принимать решения.
Кто такой аналитик данных
Аналитик данных превращает сырые ряды цифр в понятные выводы. Он отвечает на вопросы о том, что происходит с бизнесом, почему так вышло и как это исправить.
Чаще всего такой специалист работает в связке с бизнесом или продуктовой командой. Он помогает расставить приоритеты, тестировать гипотезы и оценивать эффект от новых фич.
Результат работы может выглядеть по-разному. Вы можете сделать удобный дашборд с главными показателями, собрать отчет по воронке продаж, построить модель прогноза спроса или просто найти причину убытков.
Чем аналитик данных отличается от смежных ролей
Тут легко запутаться в смежных ролях. Давайте разграничим:
- Data Scientist больше увлечен моделями машинного обучения и алгоритмами, а не ежедневными бизнес-метриками.
- Data Engineer строит саму инфраструктуру (хранилища и пайплайны). Его задача - сделать так, чтобы данные вообще собирались, не терялись и были надежными.
- BI-аналитик сфокусирован на визуализации и корпоративной отчетности в BI-системах. Он реже занимается проверкой гипотез и экспериментами.
Не стоит думать, что аналитика - это просто написание SQL-запросов целыми днями или рисование красивых графиков. И это точно не замена менеджеру. Ваша цель - связать сухие цифры с реальным управленческим решением.
Чем занимается аналитик данных
Типичные будни состоят из вполне конкретного набора действий. Вы собираете информацию из десятка разных систем и приводите ее к единому формату.
Потом начинается чистка. Приходится удалять дубликаты, заполнять пропуски, разбираться со странными значениями и проверять единицы измерения.
Дальше идут расчеты метрик: выручки, конверсии, retention, LTV, CAC, NPS. Все зависит от текущей боли бизнеса.
Если метрики вдруг упали или выросли, нужно искать причину. Вы смотрите на разные сегменты пользователей, рекламные каналы, регионы, учитываете сезонность или банальные баги после релиза.
Проверка гипотез - тоже ваша зона. Вы проводите A/B тесты, анализируете картину «до и после», подбирая максимально корректные группы для сравнения.
Чтобы команда не просила собирать одни и те же цифры вручную каждую неделю, вы делаете дашборды.
В конце вы объясняете выводы. Вы предлагаете команде следующий шаг и рассказываете, как измерить эффект от этих действий.
Хороший результат работы: 3-7 четких выводов, прозрачная методика расчета, проверенные вводные данные и рекомендации, которые бизнес реально может внедрить. Любой другой аналитик должен мочь повторить ваши расчеты, в логике не должно быть дыр, а заказчику все должно быть понятно с первого прочтения.
Мини-кейс 1: упал доход в приложении
Вы строите воронку и находите шаг, на котором пользователи стали массово отваливаться. Проверяете данные по версиям ОС, связываете проблему с недавним обновлением. Предлагаете откатить релиз или быстро выпустить патч, заодно оцениваете, сколько денег компания потеряет за день простоя.
Мини-кейс 2: найти канал с самой качественной аудиторией
Маркетинг просит найти канал с самой качественной аудиторией. Вы считаете стоимость привлечения клиента и его удержание по каждому источнику. В итоге показываете: вот тут привлекать людей дешево, но они сразу уходят. А вот там клики дорогие, зато пользователи окупаются (высокий LTV).
Обязанности и ответственность аналитика данных
В начале любой задачи стоит этап договоренностей. Вы решаете с заказчиком, какую именно проблему нужно закрыть и по какому показателю будете мерить успех.
- Проверять сами данные и честно описывать все свои допущения при расчетах.
- Аккуратно обращаться с персональными данными пользователей, следить за коммерческой тайной и правами доступа.
- Делать расчеты прозрачно - если вы вернетесь к своему коду через месяц, он должен выдать тот же результат.
- Не выдавать догадки за подтвержденный факт - обязательно отделять то, что вы просто увидели на графике, от личных интерпретаций.
Типичные ошибки новичков
- Начать считать показатель, не договорившись о его определении. Спасает простая привычка: фиксируйте формулу и единицы измерения в начале работы текстом.
- Слепая вера в выгрузку из базы. Всегда делайте быстрый чек качества. Поищите дыры, пропуски и выбросы, прежде чем строить сложные теории.
- Отчет ради самого факта отчета. Чтобы этого избежать, пишите в конце документа 1-3 решения. Команда скажет спасибо.
Отдельно следите за внимательностью при отправке файлов, обезличивании таблиц и переключении между тестовыми и боевыми базами данных. Тут цена клика бывает высока.
Где работают аналитики данных
Компании из самых разных сфер постоянно ищут людей на данные.
- IT-сектор и продуктовые истории: разработчики мобильных приложений, сервисы по подписке, крупные маркетплейсы.
- Банковская сфера и финтех: здесь много задач по оценке рисков, выявлению мошенничества (антифрод) и анализу банковских продуктов.
- Ритейл и e-commerce: вы можете анализировать ассортимент, ценообразование, скорость логистики или эффективность скидок.
- Маркетинг и медиа: фокус на эффективности рекламы, поведении аудитории и популярности контента.
- Заводы и промышленность: анализ показателей качества, планирование ремонтов оборудования и контроль цепочек снабжения.
Форматы работы бывают любые: офис, гибрид или удаленка. Можно сидеть в штате, работать на проектах или уйти на фриланс (обычно это разовый консалтинг и сборка дашбордов).
Иерархия стандартная: стажер, младший аналитик, специалист, старший, лид и руководитель отдела.
Как выглядит рабочий день
Спокойный день: утром вы открываете графики метрик, берете один-два запроса от менеджеров, обновляете витрину данных и проводите короткий созвон с итогами.
Насыщенный день: сломанный график мониторинга утром, срочный поиск ошибки в базе, пара жестких встреч с заказчиками и подготовка экстренной презентации с решением.
Хороший темп помогают держать заготовленные шаблоны скриптов, чек-листы для проверок качества и привычка фиксировать все договоренности текстом.
Разные среды работы
- В продуктовой команде темп очень высокий. Приходится много общаться, принимать быстрые решения и работать очень самостоятельно.
- В исследовательских подразделениях все спокойнее. Вы глубоко копаетесь в сложных базах, созвонов мало, но ответственность за методику высокая.
- В поддержке продаж или маркетинге много запросов решаются по типовым шаблонам. Общения хватает, а вот свободы в выборе инструментов меньше.
- В отделе мониторинга самая жесткая регламентация. Там проверяют инциденты и следят за качеством данных на высоких скоростях.
Специализации аналитика данных
Профессия делится на несколько направлений.
- Продуктовое направление: строите воронки, смотрите на возвращаемость пользователей, проводите эксперименты с интерфейсом.
- Маркетинговое направление: анализируете каналы трафика, считаете окупаемость рекламы, строите когортные отчеты.
- Финансы и риски: тут сплошная маржинальность, поиск подозрительных транзакций, скоринг клиентов и оценка вероятности дефолта.
- BI: ваша вотчина - дашборды, подготовка красивых витрин данных и генерация регулярной управленческой отчетности.
- Операционное направление: вы анализируете работу складов, маршруты курьеров, выполнение соглашений об уровне сервиса (SLA).
Мини-тест для выбора специализации
Возьмите один датасет. Сделайте из него продуктовую воронку, потом отчет по эффективности промо-акции, а затем соберите из этих же цифр интерфейс дашборда для директора. Посмотрите, какой этап вызвал больше интереса, а какой захотелось скорее бросить.
Инструменты и артефакты аналитика данных
Набор рабочих программ давно устоялся.
Основные инструменты
- Excel или Google Таблицы. Идеальны для быстрых прикидок и сборки прототипов отчета.
- SQL - это база. Вам придется писать скрипты к базам данных, собирать агрегации, использовать оконные функции и делать хитрые джойны (соединения таблиц).
- Python: библиотека Pandas для обработки информации, Matplotlib или Plotly для отрисовки графиков. Сам код обычно пишут в Jupyter Notebook.
- BI-инструменты: Power BI, Tableau, Яндекс DataLens или их аналоги для красивой визуализации.
- Текстовые редакторы и программы для презентаций. Выводы нужно упаковывать красиво.
Итоговые артефакты работы
- Очищенная таблица или готовый SQL-скрипт.
- Ноутбук с кодом (Jupyter Notebook).
- Интерактивный дашборд в BI-системе.
- Текстовый документ с выводами и словарем метрик.
Законы и правила (минимум для работы)
- 152-ФЗ «О персональных данных» - защита персональных данных пользователей.
- Внутренние политики компании о правах доступа к таблицам и базам данных.
Чек-лист перед сдачей задачи:
- Формула метрики записана четко и не менялась по ходу дела?
- Фильтры в скрипте точно те же, о которых просил заказчик?
- Вы проверили датасет на пустые строки и выбросы?
- Ваши личные гипотезы отделены от железобетонных фактов?
- В конце написан следующий шаг для команды?
Мини-словарик
- Метрика - конкретный численный показатель.
- Когорта - группа людей, совершивших одно и то же действие в одно время.
- Воронка - путь пользователя по шагам.
- A/B тест - сравнение старого и нового варианта.
- Витрина - таблица, специально подготовленная для быстрого анализа.
- LTV (Lifetime Value) - пожизненная ценность клиента для компании.
- CAC (Customer Acquisition Cost) - стоимость привлечения одного клиента.
- Retention - показатель возвращаемости пользователей.
Навыки аналитика данных: что нужно уметь
Уровень аналитика виден сразу - по тому, как он формулирует задачу, считает и объясняет результат.
Hard skills (что проверяют на тестовых заданиях)
- Базовый SQL: SELECT, JOIN, GROUP BY, оконные функции и уверенная работа с форматами дат.
- Электронные таблицы: сводные, фильтры, сортировки и многоуровневые формулы.
- Статистика: разница между средним и медианой, расчет процентов, основы проверки статистических гипотез и понимание того, когда результатам теста можно доверять.
- Визуализация: умение выбирать правильный график, который не обманет зрителя ложным масштабом.
- Бизнес-логика: умение связать изменения метрики с реальными деньгами и процессами компании.
Soft skills (без них отчеты вовремя не сдаются)
- Умение прояснять задачу и не стесняться задавать вопросы на старте.
- Писать выводы простым человеческим языком.
- Управлять ожиданиями менеджеров: всегда говорить, когда будет готов отчет и насколько полными будут данные.
- Спокойно воспринимать правки - ошибки в расчетах бывают у всех.
Как прокачивать навыки без дорогих курсов
- Соберите в таблицу все расходы семьи или класса за месяц. Посчитайте популярные категории и их долю в бюджете.
- Скачайте открытый датасет, постройте по нему пять графиков и напишите к каждому короткий вывод.
- Учитесь формулировать правильные вопросы перед тем, как открыть таблицу.
- Тренируйтесь на реальных задачах: анализируйте статистику своей любимой игры, фильмов или спорта.
«Самым полезным оказался Python, очень много рутинных задачек автоматизировал.» «Учиться нужно всегда, каждый день.» Автоматизируй рутину - это быстро окупается и в учебе, и в работе. Ставить себе «разовый» план - главная ошибка. Закладывай регулярное обучение как часть профессии.
История успеха на НетологииОбучение на аналитика данных
Пробовать силы в аналитике можно еще учась в школе, если вас хотя бы немного тянет разбираться в цифрах. Путей входа много. Главное - собрать фундамент и сделать парочку первых проектов руками.
После 9 класса
- Хороший старт дает колледж по направлению IT. Параллельно можно пробовать делать свои проекты на бесплатных данных.
В 10-11 классе
- Потратьте время на олимпиадную математику, информатику и побольше практикуйтесь в сложных таблицах. Обозначьте этот период как пробный год.
После 11 класса
- Выбирайте направления вузов, где есть связка математики, программирования и работы с данными. Начиная со второго курса ищите стажировки.
Взрослым при смене профессии
- Особенно повезло маркетологам, экономистам и инженерам - можно начать применять анализ данных прямо на текущей работе.
- Самостоятельно изучать языки запросов и скрипты, собирать приличное портфолио на GitHub и подавать заявки на профильные стажировки.
План входа по срокам
- Первые 2 недели: осваиваете продвинутые формулы в таблицах. Собираете первый отчет на их базе (хватит трех графиков и пяти выводов).
- 30-90 дней: учите SQL до уверенных соединений таблиц и оконных функций. Кладете два проекта в публичное портфолио. Знакомитесь со статистикой и визуализацией.
- 1 год: начинаете уверенно считать продуктовые показатели на реальных сырых базах, участвуете в первых настоящих экспериментах и помогаете распутывать сложные инциденты на проектах.
Мини-проект для проверки интереса
Возьмите приложение магазина, музыкальный плеер или доставку еды. Распишите пять действий пользователя (поиск, клик по товару, добавление в корзину). Соберите небольшую табличку на пару сотен строк со случайными, но логичными датами и действиями. Постройте воронку из трех шагов. Напишите по ней выводы и предложите команде вымышленного приложения три улучшения. Займет это часов шесть. Если после этого вам захочется повторить опыт - это хороший знак.
Экскурсия в профессию
Найдите знакомого специалиста в IT. Попросите его уделить вам полчаса времени на звонок. Спросите про типовые задачи, попросите показать скриншот рабочего дашборда (без секретных цифр). Узнайте, кому он сдает отчеты. Сделайте короткий конспект и подумайте, нравится ли вам такая корпоративная среда.
Волонтерская практика
Найдите школьный кружок, спортивную секцию или студенческое мероприятие. Попросите у них обезличенные списки посетителей, сметы или результаты опросов. Соберите им сводные таблицы, нарисуйте понятные диаграммы и отдайте PDF-файл с рекомендациями. Если заказчик поймет вас без дополнительных разъяснений - вы справились.
Хороший аналитик должен понимать, как его отчеты и модели влияют на деньги компании. Если специалист просто строит красивые графики, но не понимает бизнес-процесс, его работа имеет нулевую ценность для руководства. Больше общайтесь с заказчиками (менеджерами, маркетологами), чтобы понимать, какую именно проблему они хотят решить с помощью ваших цифр.
Личный канал в TelegramЧто сдавать на аналитика данных
Набор экзаменов всегда зависит от конкретного учебного заведения. Заходите на сайт приемной комиссии и сверяйте информацию для каждого вуза отдельно.
При поступлении в колледж (после 9 класса)
- Смотрят на средний балл аттестата.
- Иногда просят пройти внутреннее вступительное испытание по информатике или математике.
При поступлении в вуз (после 11 класса)
- Профильная математика - обязательно.
- Русский язык - обязательно.
- Третий предмет: информатика (технический факультет) или обществознание (экономический факультет).
Как быстро проверить требования: на сайте вуза найдите раздел для абитуриентов, откройте страницу нужного направления и перейдите в блок вступительных экзаменов. Обязательно проверьте, чтобы данные были указаны именно для текущего года поступления.
Куда поступать и где учиться на аналитика данных
Искать программы можно в крупных городах: Москве, Казани, Новосибирске, Самаре, Перми. Названия специальностей на сайтах вузов часто звучат очень абстрактно. Смотрите не на заголовок, а на учебный план. Ищите в расписании математику, методы оптимизации, базы данных, языки запросов и инструменты вроде Python.
Направления в вузах
- 09.03.03 Прикладная информатика - один из самых подходящих вариантов.
- 01.03.02 Прикладная математика и информатика - хорошая математическая база плюс программирование.
- 38.03.05 Бизнес-информатика - если больше тянет в бизнес-задачи.
Специальности в колледжах
- 09.02.07 Информационные системы и программирование
- 09.02.05 Прикладная информатика (по отраслям)
Как искать самостоятельно: откройте официальный сайт учебного заведения, идите в список направлений, откройте перечень дисциплин. Если там есть слова «анализ данных», «статистика», «базы данных», «SQL», «машинное обучение» - вам туда.
Смотрите на учебный план, а не на название специальности. Важны профильные часы, практика с корпоративными партнерами и наличие реальных проектов в программе.
Сколько учиться на аналитика данных
Сроки зависят от вашего старта и количества практики.
- Колледж (после 9 класса): 3-4 года. Быстрее дают работать руками, есть практика на предприятиях.
- Вуз (после 11 класса): 4 года (бакалавриат). Первые годы будет много чистой математики и сложной теории, которую лучше сразу разбавлять стажировками.
- Онлайн-курсы (для смены профессии): базовые навыки для первой стажировки - за 3-6 месяцев интенсивной практики.
- Самостоятельно: первый коммерческий проект реально получить через 6-12 месяцев при системном подходе.
В колледже быстрее дают работать руками. В вузе первые годы будет много чистой математики и сложной теории, которую лучше сразу разбавлять стажировками начиная со второго курса.
Доход аналитика данных: сколько платят
Рынок платит по-разному. Цифра зависит от региона, вашей ответственности и набора навыков. Здесь приведена медианная зарплата по реальным вакансиям на hh.ru за февраль 2026 года.
| Уровень | Формат | Ориентир по доходу |
|---|---|---|
| Начинающий / стажер | Штат | 60 000–80 000 ₽/мес |
| Специалист | Штат / гибрид | 90 000–150 000 ₽/мес |
| Старший аналитик | Штат / удаленка | 150 000–250 000 ₽/мес |
| Руководитель / лид | Штат | 250 000+ ₽/мес |
За что платят больше
- Скорость написания кода SQL и умение переводить язык менеджера на язык цифр.
- Глубокое понимание предметной области (ритейл, финтех, производство).
- Навыки общения и умение аргументировать выводы.
- Знание продвинутых инструментов: Python, системы A/B тестирования.
- Удаленка: часто встречается там, где хорошо настроен безопасный корпоративный VPN. На фрилансе обычно платят за разовые выгрузки или настройку дашбордов.
Аналитика данных - это творческая профессия, очень похожая на работу детектива. Вы смотрите на огромную таблицу с сырыми цифрами и должны найти в ней историю или скрытый факт, который поможет проекту вырасти. Возьмите любой открытый набор данных на тему, которая вам лично интересна (например, статистику по видеоиграм или фильмам), и попытайтесь найти в нем три неочевидных факта.
Личный канал в TelegramРеальность: плюсы, минусы и мифы профессии
Все плюсы и минусы очень субъективны. В маленьком стартапе и огромной корпорации одна и та же должность ощущается как две разные профессии.
Плюсы - то, ради чего люди остаются
- Быстрая обратная связь, если находитесь близко к руководству.
- Быстрый рост в зарплате в первые годы при хорошем наставнике.
- Прочная база, которая легко переносится в финансы, системный анализ или управление продуктом.
Минусы - лучше знать заранее
- Иногда вас заваливают бессмысленными бизнес-запросами.
- Если в компании технический долг, вы будете утопать в ручной сборке отчетов.
- Часто приходится работать в условиях полной неопределенности, когда заказчик сам не знает, что ищет.
Мифы вокруг профессии
- Миф 1: «Аналитик все время сидит в наушниках и пишет код». На деле огромная часть дня уходит на созвоны, постановку вопросов и объяснение графиков менеджерам.
- Миф 2: «Базы данных красивые и ровные». В реальности вы будете тратить часы на вычистку дубликатов и битых символов.
- Миф 3: «Главное сделать красивый график». Бизнесу не нужны красивые столбики, ему нужно действие. Сделайте график и попытайтесь написать к нему одно конкретное управленческое решение.
- Миф 4: «Без высшей математики никуда». В первый год вам за глаза хватит знания процентов, понимания медианы, умения сегментировать аудиторию и искать причинно-следственные связи.
Главные ошибки на старте
- Браться за машинное обучение, не зная базы. Начните с SQL и таблиц.
- Лентяйничать при описании метрик. Команда потом будет спорить из-за разных цифр на экранах. Спасение - глоссарий и единые формулы.
- Верить выгрузке без проверки. Создайте чек-лист проверки таблицы на мусор и прогоняйте по нему каждую задачу.
- Пихать в презентацию тридцать графиков. Заказчик потеряет фокус. Оставляйте пять главных диаграмм.
- Молчать и избегать общения. Заведите привычку назначать 15 минут созвона до начала работы, чтобы прояснить ожидания.
Кому подходит профессия аналитика данных
Примерять роль лучше всегда через практику. Комфорт в профессии зависит от вашего характера.
Вам будет легко, если вы: любите детективные загадки в духе «есть улики, давайте найдем мотив»; не боитесь монотонной чистки таблиц и переделывания работы после правок; умеете объяснять сложные расчеты на пальцах.
Тяжело придется тем, кого утомляют длинные встречи, переписки в мессенджерах и споры. Если вас раздражает беспорядок в документах и отсутствие четкого техзадания на старте, работа покажется пыткой.
Оцените себя по шкале от 1 до 5 по каждому пункту:
- Вы любите искать причину в ворохе цифр.
- Вас не бесит монотонная проверка и чистка данных.
- Вы не боитесь переспрашивать и уточнять задачи.
- Умеете объяснять технические вещи бабушке.
- Вам интересно, как метрика в телефоне превращается в прибыль.
- Легко переносите ситуации без четкого плана действий.
- Нравится собирать графики и делать выводы.
- Не боитесь расстроить начальника плохими цифрами отчета.
- С интересом смотрите в сторону кода и языков программирования.
- Готовы подолгу ковыряться в мелких деталях.
40-50 баллов: шанс стать крутым специалистом очень высокий, особенно с толковым наставником.
30-39 баллов: вам подойдет эта работа, если вы найдете компанию со спокойным темпом и понятными регулярными задачами.
20-29 баллов: попробуйте начать с около-аналитических ролей, например, займитесь BI-дашбордами или табличными расчетами.
Ниже 20 баллов: возможно, вам ближе роли, где фокус только на коде (разработка) или только на людях (управление, продажи).
Главный сигнал того, что вы на правильном пути - это ваша реакция на первый собранный руками простенький дашборд. Если вы показали его знакомому из IT, получили критику, исправили и вам понравилось - можно продолжать учиться.
Видео о профессии аналитика данных
«Кто такой аналитик данных? | Профессия Data Analyst» - видео от практика рынка Анатолия Карпова. Простым языком объясняет разницу между аналитиком, дата-саентистом и инженером. Отлично заходит новичкам и подросткам.
YouTube · Karpov.Courses · более 150 000 просмотров · 2022 год
Задание после просмотра:
- Выпишите три рабочие задачи, озвученные в видео.
- Найдите один момент, который вас лично зацепил (например, влияние на решения корпораций).
- Отметьте то, что осталось совершенно непонятным.
- Выберите одно простое практическое действие на вечер - например, откройте Excel и попытайтесь отфильтровать столбец с данными.
Что еще изучать
- Разборы кейсов на Хабре - реальные истории из практики аналитиков.
- Официальную документацию по SQL, Python (Pandas, Matplotlib) и выбранному BI-инструменту.
- Профильные Telegram-каналы аналитиков данных - там часто ищут стажеров и делятся практическими советами.
- Открытые датасеты на Kaggle для тренировки навыков.
- Любой трекер задач (Notion, Trello, Excel) для ведения версий, правок и контактов по проектам.
FAQ: частые вопросы о профессии аналитика данных
Что делает новичок-стажер первые полгода работы?
Собирает базы, вычищает мусор из таблиц, считает три-пять стандартных метрик и собирает простые дашборды для команды.
Что такое «хорошо сделанная задача» и кто судья?
Это понятные выводы, прочитав которые бизнес знает, что делать дальше. Оценивает работу тот менеджер, который будет принимать решение.
Без каких навыков не возьмут на работу?
Без уверенного знания таблиц, SQL и базовой статистики. Набивайте руку на открытых датасетах.
Как понять «мое или нет» за выходные?
Откройте датасет. Посчитайте три метрики, постройте три разных графика, напишите текст с пятью выводами и накидайте пару советов по улучшению продукта. Оцените, не тошнило ли вас в процессе.
Чем отличаются продуктовые и маркетинговые роли?
Продукт копается внутри самого сервиса (корзины, кнопки, подписки). Маркетинг сидит во внешних рекламных кабинетах и распределяет бюджеты на привлечение. Для первой пробы сделайте воронку клиента, а потом посчитайте канал окупаемости рекламы - почувствуете разницу.
Что вызывает самый сильный шок на старте карьеры?
То, что почти все задачи ставятся криво и непонятно. И еще тот факт, что придется очень много спорить и разговаривать.
Что делать после 9 класса?
Идти в колледж на IT-специальность, либо тратить два года школы на математику и попытки собрать реальные проекты дома.
Как выбрать нормальный колледж?
Смотрите учебный план. Если там есть языки программирования, базы данных и много практики с корпоративными партнерами - можно пробовать. Половина заведения - это дисциплины для галочки, смотрите на профильные часы.
Куда устроиться без корочки и опыта?
Ищите роли стажеров, помощников аналитиков в отделы маркетинга или просто помогайте общественным проектам собирать статистику ради строчки в резюме.
Куда нести документы после 11 класса?
На «Прикладную математику и информатику», «Бизнес-информатику» или классическую «Прикладную информатику». Главное условие - много математической статистики в расписании.
Как не ошибиться с выбором вуза?
Пройдите базовый интенсив по SQL перед подачей документов. Если почувствуете интерес к логике кода - подавайте. Обязательно смотрите на учебный план, а не только на название специальности.
Совет родителям: как помочь подростку с выбором?
Не давите результатами. Помогите найти ментора на полчаса или просто подкиньте интересную таблицу (например, статистику его любимой игры) и попросите помочь разобраться. Откройте гугл-таблицу вместе и попытайтесь нарисовать график - обсудите, что он значит.
Где проверять правила приема в учебные заведения?
Только на сайтах самих учебных заведений в разделах «Абитуриенту» и «Приемная комиссия». Забудьте про агрегаторы, они часто врут.
Какой первый шаг покажет, что я двигаюсь правильно?
Вы смогли собрать портфолио из двух коротких отчетов и одного дашборда, а опытный аналитик сказал, что логика в ваших расчетах не поломана.