Как стать аналитиком данных  за 6–12 месяцев [гайд]

Обновлено: Январь 2025. Проверено практикующим руководителем аналитики.

Аналитик данных — специалист, который превращает сырые данные в понятные выводы и рекомендации для бизнеса. Он собирает и очищает данные, строит отчеты и дашборды, проверяет гипотезы и помогает принимать решения, влияющие на выручку, продукт и процессы.

«Дата-аналитик извлекает, очищает, обрабатывает и анализирует данные, предоставляя бизнесу полезную информацию для решений» — hh.ru (2024). https://career.hh.ru/article/analitik-dannyh

Кто такой аналитик данных и что такое анализ данных?

Аналитик данных — специалист по анализу данных (data analyst), который помогает компаниям принимать решения на основе фактов, а не догадок. Профессия для тех, кто умеет превращать цифры в смысл.

Что это значит на практике?

Data-аналитик взаимодействует с данными: извлекает их из разных источников, очищает от ошибок и дубликатов, обрабатывает и изучает. Цель — предоставить полезную информацию для бизнеса или науки. Аналитика данных выявляет закономерности, объясняет, что происходит и почему, показывает, что делать дальше.

Кто это в компании?

Data-аналитик строит отчеты, проверяет гипотезы, находит инсайты. Подсказывает командам, как улучшить продукт и бизнес-процессы. Стоит между бизнесом и датасайнс: применяет методы анализа данных, статистику и визуализацию, чтобы дать понятные рекомендации, а не просто таблицы.

«В 2025 году объём мировых данных достигнет 181 зеттабайта — вдвое больше, чем в 2022-м» — hh.ru (2024).

Почему профессия актуальна в 2025?

Компании буквально тонут в информации. Им нужны те, кто умеет из этого хаоса вытащить ценное. По данным HeadHunter, только за последние десять лет количество вакансий по анализу данных и машинному обучению в России увеличилось почти в 30 раз.

Впечатляет, правда?

Что делает аналитик данных: основные обязанности и задачи

В реальной работе аналитик отвечает на вопрос «что делает и чем занимается специалист по анализу данных» через конкретные бизнес-задачи. Обязанности аналитика данных — перевод бизнес-требований в метрики, сбор данных, обработка и интерпретация результатов анализа для отчётов и решений в компании.

Вот типичный рабочий процесс:

• Сбор данных. Извлечение информации из баз данных и других источников с помощью SQL-запросов или API. Аналитик документирует, откуда приходят данные, чтобы коллеги понимали, насколько им можно доверять.
• Обработка и очистка. Нормализация форматов, контроль качества, устранение дубликатов и пропусков. Самая рутинная, но критически важная часть работы. Без чистых данных любой анализ превращается в гадание на кофейной гуще.
• Интерпретация. Формулировка инсайтов и объяснение причинно-следственных связей. Не просто "продажи упали на 15%", а "продажи упали на 15% из-за сбоя в платёжной системе 12 января, об этом говорит резкий всплеск отказов на этапе оплаты".
  Чувствуете разницу?
• Визуализация и отчеты. Дашборды в BI-системах (Power BI, Tableau), презентации для команд и руководства. Хороший дашборд должен быть понятен даже тому, кто увидел его впервые.
• Проверка гипотез. A/B-тесты, статистические проверки, оценка эффектов изменений. Например, "если поменять цвет кнопки с синего на зелёный, вырастет ли конверсия?"
• Перевод бизнес-задачи в метрики. Определение KPI/OKR, дизайн экспериментов. Умение понять, что на самом деле нужно бизнесу, и выразить это через измеримые показатели.
• Коммуникация результатов анализа. Рекомендации, приоритизация, оценка рисков и потенциального влияния (impact). Результаты анализа становятся реальными решениями только когда их понимают и применяют.

Ключевые навыки и инструменты, которые нужно знать аналитику данных

Технические навыки (Hard Skills)

Статистика и методы анализа — фундамент

Распределения, t-тесты, доверительные интервалы, регрессия. Без этого вы не поймёте, случайны ли ваши выводы или действительно значимы.

Работа с базами данных и SQL-запросы — ядро профессии

JOIN, оконные функции, CTE (Common Table Expressions). Если не умеете вытащить нужные данные из базы, вы не аналитик. Просто человек с Excel.

Python для анализа данных (pandas, numpy)

Для тех, кто хочет автоматизировать рутину и работать с большими объёмами. Jupyter-ноутбуки позволяют документировать анализ так, чтобы его мог повторить кто угодно.

Excel/Google Sheets

Для быстрых расчётов и прототипов. Сводные таблицы, ВПР, условное форматирование. Не стоит недооценивать таблицы — иногда это самый быстрый путь к ответу.

BI-инструменты (Power BI, Tableau)

Для визуализации и дашбордов. Здесь важен навык работы с данными так, чтобы отчёты были наглядными и информативными, а не превращались в хаос графиков.

Основы А/В-тестирования

Методы анализа экспериментов, статистическая значимость, понимание размера выборки и ошибок I и II рода.

«Владение SQL, Python или R, BI-системами, электронными таблицами и хорошая статистика — основа профессии аналитика данных» — skgroups.ru (2024). https://blog.skgroups.ru/kto-takoj-analitik-dannyh-i-chem-on-zanimaetsja/

Гибкие навыки (Soft Skills)

Коммуникация и сторителлинг

Умение объяснить выводы без жаргона. Бизнесу не нужны формулы — им нужны решения и понятные истории.

Критическое мышление

Проверка предположений и источников данных. "А точно ли эти цифры верны? Может, тут артефакт?"

Бизнес-ориентированность

Понимание ценности метрик для продукта и прибыли. Хороший аналитик не просто считает, а понимает, зачем он это делает.

Тайм-менеджмент и приоритизация задач

В работе аналитика всегда больше вопросов, чем времени на ответы.

Внимание к деталям

Качественные данные и корректные выводы. Одна ошибка в SQL-запросе — и весь анализ летит в мусорку.

Работа в кросс-командах

Продукт, маркетинг, разработка. Аналитик — связующее звено между разными отделами.

Основные инструменты аналитика

Виды аналитиков данных: специализации в работе с данными

Здесь мы говорим о специализациях внутри аналитики данных. Бизнес-аналитик и системный аналитик — смежные, но отдельные профессии, о которых речь пойдёт позже.

«Специализации: продуктовая, маркетинговая, бизнес-аналитика и BI-аналитика; задачи и инструменты различаются» — practicum.yandex.ru (2024). https://practicum.yandex.ru/blog/napravleniya-analitiki-kakuyu-specializaciyu-vybrat/

Продуктовый аналитик

Продуктовый аналитик исследует поведение пользователей и влияние изменений на метрики продукта: активация, ретеншн, LTV (lifetime value). Формулирует и проверяет гипотезы, ставит трекинг событий, проектирует A/B-тесты, интерпретирует результаты. Помогает приоритизировать бэклог.

Это data-аналитик с сильной бизнес-ориентацией, влияющий на roadmap и рост продукта. В его зоне ответственности — понимание, что заставляет пользователей возвращаться и платить.

Маркетинговый аналитик

Маркетинговый аналитик помогает бизнесу привлекать клиентов: анализирует данные по кликам и поведению пользователей, даёт рекомендации относительно продвижения и рекламы. Советует, как скорректировать маркетинговую стратегию и оптимально распределить бюджет.

Веб-аналитик

Веб-аналитик (часто digital analyst) измеряет воронку трафика и конверсии. Источники трафика, поведение на сайте/приложении, эффекты SEO/SEA/CRM. Работает с системами веб-аналитики (Google Analytics 4, AppMetrica), UTM-разметкой, атрибуцией и сквозной аналитикой.

Задача — повысить эффективность маркетинга и конверсии, выявляя точки роста и проблемные места пути пользователя. "Почему люди уходят на этапе оформления заказа?" — типичный вопрос веб-аналитика.

BI-аналитик

BI-аналитик (Business Intelligence аналитик) проектирует системы для анализа и хранения данных, тестирует гипотезы, автоматизирует отчётность. Помогает бизнесу моделировать различные ситуации, делать правильные выводы и распределять ресурсы между отделами.

Финансовый аналитик

Финансовый аналитик оценивает доходы/расходы, прогнозирует денежные потоки, строит модели P&L (profit and loss), юнит-экономику, сценарный анализ. Применяет статистику и Excel/BI, визуализирует KPI для управленческой отчетности.

Помогает принимать решения о ценообразовании, инвестициях и оптимизации затрат. Сильная математика и аккуратность критичны — ошибка в финансовой модели может стоить компании миллионов.

Гейм-аналитик

Гейм-аналитик — специалист, рекомендации которого позволяют постоянно развивать игровой продукт, увеличивать заинтересованность пользователей, а следовательно — и прибыльность компании. Многопрофильный специалист — должен разбираться в программировании, звуке, графике и других нюансах разработки игр.

Аналитик баз данных (Database Analyst)

Аналитик баз данных проектирует и оптимизирует БД для качественного анализа. Моделирование данных, нормализация, индексы, производительность запросов. Обеспечивает доступность, целостность и корректность данных, документирует схемы.

Помогает аналитикам и инженерам, чтобы анализ данных был быстрым и надежным, без искажений и узких мест. Тот человек, который следит, чтобы "база не легла" и запросы не выполнялись по три часа.

Смежные роли: бизнес-аналитик и системный аналитик

Бизнес-аналитик и системный аналитик — отдельные профессии, которые часто путают с аналитиком данных.

Бизнес-аналитик: переводит цели компании в требования и формирует метрики успеха. Описывает бизнес-процессы, согласовывает изменения со стейкхолдерами и считает экономический эффект. Работает на стыке аналитики данных и управленческого консалтинга: собирает требования, моделирует сценарии "как есть/как будет", помогает принимать решения, оформляет спецификации для команд разработки.

Системный аналитик фокусируется на структурировании требований к IT-системам. Описывает сущности и связи, интеграции, потоки данных и ограничения. Обеспечивает непротиворечивость и полноту требований, участвует в проектировании API и схем БД, готовит спецификации, юз-кейсы и диаграммы.

Если бизнес-аналитик отвечает на вопрос "что нужно?", то системный — "как это технически реализовать?".

Аналитик данных vs Data Scientist vs BI-аналитик: в чем разница?

«Data Analyst ориентирован на оперативную аналитику и визуализацию; Data Scientist создаёт и внедряет модели машинного обучения» — dtf.ru (2024).

Главное различие: Data Analyst анализирует прошлое и настоящее, чтобы объяснить причины. Data Scientist строит модели для предсказания будущего. BI-аналитик создаёт инфраструктуру отчётности.

На старте карьеры лучше начинать с аналитика данных — вы освоите фундаментальные навыки работы с данными, научитесь формулировать вопросы и искать ответы. А потом, если захотите, сможете специализироваться в Data Science или BI-разработке.

Карьера и зарплата аналитика данных: от начинающего до ведущего специалиста

Карьерный путь обычно проходит ступени junior → middle → senior → lead/head of analytics.

Начинающий аналитик

Быстро набирает опыт работы на поддержке отчетности и простых анализах. Выполняет типовые SQL-запросы, помогает готовить дашборды, учится формулировать гипотезы.

Middle

Ведет полноценные задачи аналитика и проекты самостоятельно — от формулировки вопроса до презентации результатов. Умеет проектировать A/B-тесты, выбирать методы анализа, объяснять выводы бизнесу.

Старший аналитик

Управляет приоритетами, влияет на архитектуру данных, менторит команду. Принимает стратегические решения о том, какие метрики важнее, как строить систему аналитики в компании.

Ведущий аналитик (Head of Analytics)

Влияет на стратегические решения компании, формирует культуру работы с данными, управляет командой аналитиков.

Средняя зарплата аналитика данных в России в 2025 году

Зарплата аналитика данных растет вместе с компетенциями: навык работы с SQL/Python, владение BI-системами, статистикой и продуктовыми метриками, умение объяснять "что делать дальше" — ключ к росту.

На доход также влияют регион (Москва платит больше Воронежа), отрасль (финтех и e-commerce щедрее госсектора), масштаб компании и зона ответственности.

«Зарплаты: Junior 60–100 тыс., Middle 100–180 тыс., Senior от 180 тыс.; уровень зависит от региона и специализации» — hh.ru (2024).

Источник: hh Карьера, данные на январь 2025. Методика: медианные значения по активным вакансиям с указанием зарплатной вилки.

Средняя зарплата по России: 112 000 ₽ в месяц. Чаще всего зарплаты находятся в диапазоне от 68 000 до 155 000 ₽. Минимальная зафиксированная зарплата — 50 000 ₽, максимальная — 450 000 ₽.

Спрос на аналитиков данных: рынок труда в России

По данным HeadHunter (январь 2025):

• Более 14 тысяч активных вакансий с запросом «аналитик данных»
• Более 40 тысяч вакансий по ключевому слову «аналитик»
• 15% вакансий предлагают полностью удалённый формат работы
• За последние 10 лет количество вакансий по анализу данных и ML в России увеличилось почти в 30 раз

«На HeadHunter более 14 тысяч вакансий для аналитиков данных» — Skillbox Media (2024).

Топ-5 отраслей с наибольшим спросом:

1. IT и разработка ПО (35% вакансий)
2. Финансы и банки (22%)
3. E-commerce и ритейл (18%)
4. Телеком (12%)
5. Маркетинг и реклама (8%)

Доля удалённых вакансий: 15% — полная удалёнка, 42% — гибридный формат (данные hh.ru, январь 2025).

Топ-3 навыка в вакансиях:

1. SQL — упоминается в 87% вакансий
2. Python — 62% вакансий
3. Power BI/Tableau — 54% вакансий

Как анализ данных помогает принимать эффективные бизнес-решения

Анализ данных снижает неопределенность и ускоряет принятие решений в компании. На основе анализа бизнес видит, какие каналы трафика реально окупаются, какие фичи продукта улучшают метрики, где теряются деньги в воронке продаж.

Результаты анализа превращаются в бизнес-решения:

• Корректировка цен на основе эластичности спроса
• Перераспределение маркетингового бюджета в пользу эффективных каналов
• Приоритизация бэклога разработки: какие функции принесут максимальный рост конверсии
• Оптимизация логистических процессов для снижения издержек

Для бизнеса это — повышение эффективности, рост прибыли и управляемость рисков. Когда метрики связаны с целями (KPI/OKR), аналитика помогает выбрать действия с максимальным эффектом при минимальных затратах.

Пример: Интернет-магазин видит в дашборде, что 40% пользователей бросают корзину на этапе ввода адреса доставки. Аналитик копает глубже — оказывается, форма требует слишком много данных и долго грузится на мобильных устройствах. После упрощения формы конверсия выросла на 12% за месяц.

Как стать аналитиком данных: обучение и курсы

Чтобы стать аналитиком данных с нуля, нужно выбрать формат обучения, отвечающий вашим целям и стилю жизни. Есть несколько путей:

1. Ускоренные интенсивы — 3-6 месяцев погружения в профессию с менторами, проектами и поддержкой в трудоустройстве. Подходят тем, кто хочет быстро сменить сферу деятельности.
2. Модульные курсы с проектами — более гибкий формат, где можно учиться в своем темпе. Обычно длятся 6-12 месяцев.
3. Самостоятельное обучение по дорожной карте — для самых дисциплинированных и мотивированных. Бесплатно, но требует железной воли и умения находить качественные материалы.

Что должна покрывать хорошая программа обучения

Хорошая программа обучения аналитике данных покрывает:

• Основы статистики (распределения, гипотезы, доверительные интервалы)
• SQL (от базовых SELECT до оконных функций)
• Python для анализа данных (pandas, numpy, matplotlib)
• Excel/Google Sheets (сводные таблицы, формулы)
• Power BI/Tableau (дашборды и визуализация)
• A/B-тестирование (методология, интерпретация результатов)
• Работу с базами данных и понимание структуры данных
• Портфолио-проекты на реальных датасетах

Сравнение форматов обучения

Данные: агрегированная информация по основным образовательным платформам России на январь 2025

Выбирайте курсы аналитика данных, где много практики, код-ревью, менторство и поддержка трудоустройства — так вы быстрее получите профессию аналитика данных и сможете уверенно войти на рынок.

Например, курс аналитика данных от Sky.pro включает все эти элементы: от базовой статистики до построения дашбордов, с наставниками-практиками и помощью в трудоустройстве после завершения. Программа рассчитана на 12 месяцев и покрывает весь необходимый стек — SQL, Python, BI-инструменты, статистику и A/B-тестирование. В процессе обучения вы соберёте портфолио из реальных проектов, которое потом покажете работодателям.

Как стать аналитиком данных с нуля: пошаговый план

Шаг 1: Изучите основы (математика и статистика)

Без них никуда. Фокус на описательной статистике (среднее, медиана, стандартное отклонение), вероятностях, проверке гипотез, интерпретации p-value и доверительных интервалов.

Не нужно погружаться в матан с головой — достаточно понять базовые принципы. Ресурсы: Khan Academy, Coursera (курсы по статистике), учебник "Practical Statistics for Data Scientists".

Шаг 2: Освойте ключевые инструменты (SQL, Excel, Python)

• SQL — начните с базовых SELECT, WHERE, JOIN. Потом переходите к GROUP BY, подзапросам, оконным функциям. Практика на SQL Zoo, LeetCode, HackerRank.
• Excel/Google Sheets — сводные таблицы, ВПР, условное форматирование. Попробуйте решить несколько кейсов на обработку данных.
• Python — начните с библиотек pandas (работа с таблицами) и numpy (математика). Jupyter-ноутбуки для документирования анализа.
• Ежедневная практика — ключ. Даже 30 минут в день дадут результат через несколько месяцев.

Шаг 3: Пройдите курс или учитесь самостоятельно

Если выбираете курсы — смотрите на программу (покрывает ли все необходимое), отзывы выпускников, наличие менторства и практических проектов.

Если учитесь сами — составьте дорожную карту, найдите публичные датасеты (Kaggle, data.gov), решайте задачи, изучайте чужие решения.

Важны код-ревью и обратная связь. Если учитесь сами — ищите комьюнити (Reddit, Telegram-чаты аналитиков), делитесь своими решениями, просите фидбэк.

Шаг 4: Соберите портфолио

Проекты на реальных датасетах — ваша визитная карточка. Kaggle, публичные API (Twitter, OpenWeatherMap), открытые данные правительств.

Примеры проектов для портфолио:

• Анализ розничных продаж с прогнозом на следующий квартал
• Исследование факторов, влияющих на отток клиентов
• Дашборд с метриками сайта (трафик, конверсия, источники)
• A/B-тест изменения на сайте с расчётом статистической значимости

Структура портфолио-проекта на GitHub:

project-name/

├── README.md (описание, цели, выводы)

├── data/ (сырые данные или ссылки)

├── sql/ (SQL-скрипты для выгрузки)

├── notebooks/ (Jupyter-ноутбуки с анализом)

├── dashboards/ (скриншоты или файлы BI)

└── docs/ (дополнительная документация)

Для каждого проекта — описание задачи, ход решения, выводы и рекомендации. Оформите на GitHub или в Jupyter-ноутбуке.

Шаг 5: Подготовьтесь к собеседованию и начните поиск

Алгоритм:

1. База SQL/статистики — решайте задачи на LeetCode/HackerRank
2. Разбор кейсов — подготовьте истории из портфолио в формате STAR (Situation, Task, Action, Result)
3. Мок-интервью — потренируйтесь с друзьями или менторами
4. Вакансиймейкинг — откликайтесь на позиции junior/стажёр, не бойтесь отказов

Типичные вопросы на собеседовании:

• Как посчитать median через SQL без функции MEDIAN?
• Объясните разницу между LEFT JOIN и INNER JOIN
• Как проверить, значимо ли отличие конверсий в A/B-тесте?
• Расскажите про ваш проект из портфолио

15 типовых вопросов для подготовки

SQL

1. Как вывести топ-3 товара по продажам за последний месяц?

2. В чём разница между HAVING и WHERE?

3. Что такое оконные функции и когда они нужны?

Статистика

4. Что такое p-value и как его интерпретировать?

5. В чём разница между корреляцией и причинно-следственной связью?

6. Как рассчитать размер выборки для A/B-теста?

Продукт и метрики

7. Как посчитать retention 7-го дня?

8. Что такое когортный анализ?

9. Чем отличается MAU от DAU?

Практические кейсы

10. Конверсия в оформление заказа упала на 20%. С чего начнёте?

11. Как проверить, что новая фича увеличила время в приложении?

12. Как определить, какой канал трафика самый выгодный?

Визуализация

13. Когда использовать столбчатую диаграмму, а когда — линейный график?

14. Как построить дашборд для CEO?

15. Что такое dashboard fatigue и как его избежать?

Плюсы и минусы профессии аналитика данных

Типичный рабочий день аналитика данных

Утро (9:00–11:00): Синхронизация с командой (стендап/созвон), проверка алертов по метрикам. Если что-то упало или выросло аномально — копаем причины.

До обеда (11:00–14:00): SQL/Python, подготовка данных, краткий исследовательский анализ (EDA). Проверка гипотезы из вчерашнего дня: ""А правда ли новая версия приложения повлияла на конверсию?""

После обеда (14:00–17:00): Визуализация в BI-системе, подготовка отчета или презентации для команды продукта. Иногда — созвон с маркетингом, где объясняешь, почему их последняя кампания не окупилась.

Вечер (17:00–18:00): Обсуждение рекомендаций с владельцами задач (product manager, маркетологи), планирование экспериментов на следующую неделю. Запись выводов и следующих шагов в Notion/Confluence.

Конечно, каждый день — разный. Иногда весь день уходит на расследование одной аномалии в данных. Иногда — на подготовку презентации для топ-менеджмента. А иногда просто сидишь и ждёшь, пока выполнится тяжёлый SQL-запрос.

Часто задаваемые вопросы (FAQ)

Нужен ли диплом программиста или математика, чтобы стать аналитиком данных?

Нет, не обязательно. Но базовая математика и статистика — обязательны. Диплом можно компенсировать портфолио проектов, курсами и реальным опытом работы. Работодатели смотрят на навыки, а не на корочки.

Можно ли войти в профессию после 30 или 40 лет?

Да, абсолютно. Рынок ценит опыт в предметной области (финансы, логистика, маркетинг), системное мышление и результаты. Возраст — не барьер, если есть мотивация и готовность учиться.

Многие успешные аналитики пришли в профессию после 35, имея опыт в совершенно других сферах — и это стало их преимуществом, потому что они лучше понимают бизнес-контекст.

Сколько времени занимает обучение на аналитика данных?

3–6 месяцев интенсивно с менторством (если учитесь на курсах с поддержкой) или 6–12 месяцев при самостоятельном обучении. Всё зависит от стартового уровня и времени, которое вы готовы вкладывать ежедневно (рекомендуется 8–10 часов в неделю).

Если у вас есть техническое образование или опыт работы с Excel/SQL — будет быстрее. Если начинаете с нуля — запаситесь терпением и дисциплиной.

Где аналитику-новичку искать первую работу?

Стажировки, junior-вакансии (на hh.ru, LinkedIn), проектная работа, фриланс-проекты на Upwork/Kwork. Упор на портфолио и пет-проекты — покажите, что вы умеете делать.

Не бойтесь отказов. Первые 10-20 откликов могут остаться без ответа — это нормально. Продолжайте учиться, дорабатывайте портфолио, пробуйте снова.

Также полезно:

• Участвовать в хакатонах и data-челленджах
• Публиковать анализы на GitHub/Kaggle
• Писать статьи на Habr/Medium о своих проектах
• Нетворкинг в профессиональных комьюнити (митапы, Telegram-чаты)

Нужен ли английский язык?

Для чтения технической документации желателен уровень Pre-Intermediate (A2-B1). Многие библиотеки, фреймворки и best practices описаны на английском. Для работы в международных компаниях потребуется уровень Intermediate (B1-B2) и выше.

Заключение

Аналитик данных — профессия для тех, кто любит копаться в цифрах, задавать вопросы и искать ответы. Не просто ""человек с Excel"", а специалист, который помогает бизнесу принимать обоснованные решения и расти.

В 2025 году спрос на аналитиков продолжает расти вместе с объёмами данных. Зарплаты достойные, перспективы — широкие (можно расти вертикально до Head of Analytics или горизонтально в Data Science/Product Management).

Чтобы стать аналитиком данных с нуля, нужно освоить SQL, Python, статистику, BI-инструменты, собрать портфолио и научиться объяснять выводы простым языком. Это реально за 6-12 месяцев при должной мотивации.

Да, будут сложности: рутина с очисткой данных, ответственность за правильность выводов, необходимость постоянно учиться. Но если вам нравится разбираться в сложном и влиять на решения — эта профессия для вас.

Что делать в ближайшие 30 дней:

1. Пройдите бесплатный вводный модуль курса по аналитике данных
2. Решите 5-10 задач по SQL на LeetCode/HackerRank
3. Выберите публичный датасет на Kaggle и попробуйте сделать простой анализ
4. Создайте репозиторий на GitHub для своих проектов
5. Вступите в 2-3 Telegram-чата для аналитиков
6. Прочитайте "Статистика и котики" или "Naked Statistics"

Начните с малого: пройдите бесплатный курс по SQL, попробуйте проанализировать открытый датасет, соберите первый дашборд. Через несколько месяцев вы удивитесь, как далеко продвинулись.

Удачи! И помните: каждый эксперт когда-то был новичком, который не знал разницы между LEFT JOIN и INNER JOIN.

Ерид: 2SDnjcnJk3q РД: ОАНО ДПО «СКАЕНГ» ИНН 9709022748