Если очень хочется стать аналитиком данных - мини гайд
Что учить и в какую сторону смотреть, если хочется перейти в аналитику данных. Базовый набор. Что именно стоит подтянуть в 2026 году, если решу вернуться на позицию Data Analyst. Справка: в 2020-м я отошла от прямого профиля. До того почти пять лет занималась аналитикой в аутсорсинговом агентстве с крупными FMCG-производителями на борту. Аналитика как расследование Идеального кандидата не существует. Есть специалист, подходящий под конкретную вакансию в определённое время. Задача - закрыть базовый минимум по всем блокам и прокачиваться в остальных в зависимости от потребности рынка.
SQL: язык, на котором говорят данные Базовый минимум: SELECT, WHERE, GROUP BY и JOIN
Python и библиотека Pandas: инструмент автоматизации, а не программирования. Pandas - навык, который поднимает вашу ценность. Самый рабочий подход для Аналитика данных. Основная работа по очистке и подготовке данных происходит здесь. База: типы данных, условия if/else, циклы for/while, обработка исключений try/except, работа с файлами CSV, JSON. Структуры данных: списки, кортежи, множества, словари - нужно знать различия и когда что выгоднее использовать. Must have на собеседовании - словари: интервьюеры любят быстрые задачи на сборку словарей из массивов или подсчёт частоты слов.
Что критически важно и что мало практикуют на курсах: реальные данные грязные. На собеседованиях иногда могут специально дать датасет с пропусками, дубликатами, неправильными типами, выбросами. Кандидат должен уметь находить и заполнять пропуски, удалять дубликаты, приводить типы через astype, работать с датами через to_datetime. Искать аномалии, анализировать распределения, строить гистограммы и диаграммы рассеяния методом plot. Учтите: в реальных задачах вы будете встречать всё это постоянно.
Теория вероятностей – фундамент («не так страшен чёрт, как его малюют») Это фундамент для A/B-тестов. и вообще для всего аналитического мышления. Без неё вы будете считать p-value, не понимая, что оно означает. А с ней - сможете объяснить директору по маркетингу, почему рост конверсии на 2% - это либо победа, либо статистический шум. База: классическое определение вероятности, правила сложения и умножения, условная вероятность, теорема Байеса. Нужно не просто знать формулу, но уметь объяснить на пальцах. На собеседованиях часто просят привести пример. Главный инсайт 2026: важно не зубрить формулы, а развивать вероятностное мышление. Уметь объяснять вероятности языком бизнеса, понимать неопределённость, интерпретировать риск.
Математическая статистика: от формул к решениям Если теория вероятностей - это фундамент, на котором всё стоит, то математическая статистика - это ящик с инструментами, который аналитик открывает каждое утро. t-тесты, p-value, доверительные интервалы. Звучит страшно, пока не поймёшь, что за каждым термином стоит простая идея: А можно ли доверять этим цифрам? Разница между генеральной совокупностью и выборкой. В идеале мы хотели бы знать всё о всех. На практике - располагаем крошечным кусочком данных. Задача статистики: по этому кусочку сделать вывод обо всём остальном. Точечные оценки: выборочное среднее, дисперсия, стандартное отклонение - это наши лучшие догадки, основанные на том, что есть под рукой. Статтесты – когда и какой брать: Z-тест и T-тест, Хи-квадрат. Мощность теста и размер выборки - как рассчитать, сколько пользователей нужно для эксперимента, чтобы увидеть эффект.
A/B-тесты: как цифры помогают бизнесу не ошибиться A/B-тесты - это тот самый момент, когда SQL, Python и статистика перестают быть абстрактными навыками и начинают приносить реальную пользу. Здесь аналитик впервые говорит с бизнесом на одном языке: Давайте проверим, работает ли эта идея, прежде чем вкладывать в неё миллионы. Без A/B-тестов компании действуют вслепую.
Интерпретация: статзначимо ≠ полезно На собеседованиях часто проверяют не знание формул, а здравый смысл. тест показал стат. значимость, стоит ли раскатывать фичу?
Полный обзор по ссылке https://vc.ru/id526195/2944576-kak-stat-analitikom-dannyh?modal=editor&action=edit&id=2944576