Аналитик данных — кто это и чем занимается
Данные → понятный ответ на вопрос бизнеса
Аналитик данных — специалист, который отвечает на вопросы «что происходит и почему» и доводит ответ до решения: считает метрики, ищет причины изменений, проектирует и разбирает эксперименты. Модели для него инструмент, а не цель.
Также встречается как аналитик данных, дата-аналитик, Data Analyst, продуктовый аналитик · 10 ключевых компетенций · оси знаний: Статистика
Чем занимается Аналитик данных
Отвечает на вопросы «что происходит и почему»: считает метрики, ищет причины, ставит и разбирает эксперименты. Модели использует как инструмент, а не как цель.
- Достаёт данные запросом: агрегаты, оконные функции, соединение больших таблиц.
- Строит и поддерживает систему метрик продукта, чтобы по ним можно было принимать решения.
- Проверяет гипотезы: значимость, доверительные интервалы, бутстрап.
- Проектирует A/B-тест — размер выборки, длительность, критерий — и честно разбирает результат.
- Строит визуализацию, на которой проблема видна до всякой модели.
- Разбирает расхождения в цифрах между отчётами и находит их причину в данных.
Что нужно знать
Ядро профессии: без этих компетенций роль не складывается. У каждой — темы атласа, с которых её разбирают.
- Аналитический SQLядроось: MLOps и инженерия
Оконные функции, агрегаты, чтение больших таблиц без боли.
- Подготовка данныхядроось: Классический ML
Пропуски, выбросы, приведение типов и масштабов.
- Визуализация данныхядроось: Статистика и вероятность
Графики, на которых видно проблему до всякой модели.
- Теория вероятностейядроось: Статистика и вероятность
Случайные величины, распределения, теорема Байеса.
- Проверка гипотезядроось: Статистика и вероятность
Значимость, доверительные интервалы, ошибки первого и второго рода.
- A/B-тестыядроось: Статистика и вероятность
Дизайн эксперимента и честный вывод об эффекте.
- Линейные моделиядроось: Классический ML
Регрессия, логистическая регрессия, регуляризация.
- Метрики качестваядроось: Классический ML
Выбрать метрику под задачу и объяснить, почему не accuracy.
- Постановка задачиядроось: Классический ML
Превратить пожелание бизнеса в задачу с метрикой и бейзлайном.
- Анализ ошибок и отладкаядроось: Классический ML
Понять, где именно модель ошибается, вместо подкрутки метрики.
Уровни: junior, middle, senior
За что отвечает Аналитик данных на каждом уровне — этим и отличается грейд.
Оси знаний и плановые метки
Насколько направление профильно для роли и какой результат теста ожидается на каждом уровне. Проценты — плановые метки карьерного атласа, а не порог найма.
| Ось знаний | Значимость | Junior | Middle | Senior |
|---|---|---|---|---|
| Статистика и вероятность | профильная | 55% | 75% | 88% |
| Классический ML | рабочая | 40% | 60% | 73% |
| Глубокое обучение | обзорно | 25% | 45% | 58% |
| NLP | обзорно | 25% | 45% | 58% |
| Генеративный ИИ и LLM | обзорно | 25% | 45% | 58% |
| Computer Vision | обзорно | 25% | 45% | 58% |
| Временные ряды | рабочая | 40% | 60% | 73% |
| Рекомендательные системы | обзорно | 25% | 45% | 58% |
| Речь: ASR и TTS | обзорно | 25% | 45% | 58% |
| MLOps и инженерия | обзорно | 25% | 45% | 58% |
Как войти в профессию
Самая частая точка входа в работу с данными вообще. Минимальный набор — аналитический SQL, статистика и визуализация; дальше добавляются линейные модели, метрики качества и постановка задачи. Отсюда же короче всего дорога в Data Science.
Смежные роли и с чем путают
Куда легче всего перейти и от кого эту профессию чаще всего не отличают.
Вопросы о профессии
Аналитик данных — это ML-специальность?
Частично. Машинное обучение здесь вспомогательное: линейная и логистическая регрессия, иногда бустинг для объяснения причин. Профильная ось — статистика, а не модели.
Чем аналитик отличается от дата-инженера?
Аналитик потребляет данные и отвечает за выводы, дата-инженер их доставляет и отвечает за качество и своевременность потока. Пересечение — SQL и понимание схемы хранилища.
Обязателен ли Python?
SQL обязателен всегда, Python — почти всегда: без него не сделать бутстрап, симуляцию мощности теста и нестандартную визуализацию. Но глубина нужна меньшая, чем у дата-сайентиста.
Что важнее всего в A/B-тестах?
Дизайн до запуска: метрика, размер выборки, длительность и правило остановки. Ошибки на этом шаге не чинятся никакой обработкой результатов.
Куда расти дальше?
В Data Science — через валидацию, признаки и модели; или вглубь продукта — в систему метрик и методологию экспериментов. Оба пути есть в карьерном атласе.