Я пришла в аналитику в 2020 году, шесть лет в профессии, и среди прочего проверяю работы тех, кто учится на аналитика сейчас. Так что у меня перед глазами оба конца отрезка: и с чего начинала я, и с чем приходит новый поток, который я вижу каждую неделю десятками.
И вот что не сходится: если открыть вакансии аналитика в 2026 и почитать требования, кажется, что профессия сменилась целиком: везде ML, LLM, дата-инженерия, облака, а SQL с Excel идут как что-то само собой разумеющееся, будто это уже даже не навык, а воздух. Человек, который вкатывается сейчас, читает это и решает, что опоздал на пять лет и учить надо всё и сразу.
А если посмотреть не на вакансию, а на то, чем аналитик реально занят в течение дня, окажется, что поменялось сильно меньше. Что-то изменилось по-настоящему. Что-то раздулось только в описаниях. А что-то не сдвинулось вообще, и именно оно определяет, хороший ты аналитик или нет. Разберём по порядку, это полезно тем, кто сейчас выбирает, на что тратить силы. Часть сдвигов реальные, и делать вид, что ничего не произошло, глупо, но их меньше, чем кажется, и по сути их два.
Аналитик перестал быть человеком, который приносит выгрузки. Это главный сдвиг, и он не про технологии, а про роль. В 2020 во многих командах аналитик был сервисом: пришёл запрос, выгрузил, отдал табличку, свободен. Сейчас от аналитика ждут, что он владеет метрикой: понимает, как она устроена, отвечает за то, что цифра правильная, замечает, когда она сломалась, и сам идёт разбираться почему. Из поставщика данных получился человек, отвечающий за смысл этих данных, и это другая ответственность.
Планка на входе поднялась. В 2020 связки SQL плюс Excel во многих местах хватало, чтобы взяли джуном. Сейчас в продуктовых командах без базового понимания статистики и экспериментов вас развернут на второй секции собеседования, потому что вопрос про A/B-тест это быстро вскроет. Оговорюсь: это про продуктовые компании и крупный бизнес. В агентствах, небольших командах и на несложной отчётности до сих пор берут на SQL плюс Excel, так что если вы именно там, не пугайтесь, порог у всех разный. Но если целитесь в продукт, знать, что такое доверительный интервал и зачем нужна контрольная группа, теперь не «плюс в резюме», а порог, ниже которого не разговаривают.
Остальное, про что любят писать, это детали того же самого: да, стек стал тяжелее и запрос на сотни миллионов строк теперь рядовой вторник; да, дашборд аналитик чаще собирает сам, а не ждёт отдел BI. Но это следствия, а не новая профессия, к этому имеет смысл готовиться.
Что поменялось только в вакансиях, а не в работе
Требования в описаниях за эти годы раздулись гораздо сильнее, чем сама работа. И если этого не понимать, можно всерьёз испугаться и решить, что ты ни на что не годишься, хотя годишься.
«Обязательно знание ML». Написано почти везде, а по факту у большинства продуктовых и обычных аналитиков полноценная работа с моделями это несколько раз в квартал, а где-то и реже. Основное время уходит на метрики, срезы, эксперименты и объяснение бизнесу, что происходит с цифрами. Знать, что такое модель и когда она уместна, надо. А вот собирать production-пайплайн с нуля на первой работе аналитиком чаще всего не придётся: где-то это отдельная роль, где-то этим и правда занимается аналитик, но точно не в первый месяц и не как условие найма. На входе это требование можно читать как «желательно», а не «иначе не возьмём».
Список инструментов на пол-экрана. В вакансии перечислено пятнадцать технологий, а в команде из них живут три, остальные либо «было бы неплохо», либо остались от прошлого рекрутера, который копировал описание. Инструмент осваивается за неделю, когда он реально нужен, и учить их все заранее бессмысленно, половину вы никогда не откроете.
Модные слова, за которыми часто ничего не стоит. Data Mesh, Lakehouse, Data Fabric и прочий красивый набор. Я как-то разбирала эти концепции отдельно и вынесла простую вещь: заметная часть людей, которые вставляют их в требования, сами не до конца понимают разницу, термины просто на слуху. Не знаете этих слов на входе, и не надо, это архитектурный уровень, до которого доходят сильно позже.
Забирайте из этого раздела одну вещь: вакансия это список пожеланий, а не контрольная, которую надо сдать на сто процентов. Читайте не заголовки требований, а блок «чем предстоит заниматься», вот там правда про работу. Совпадает половина и задачи интересны, откликайтесь, а не решайте за работодателя, что вы не подходите.
Что не изменилось вообще
Стек поменялся, движки стали тяжелее, слов прибавилось, а суть работы осталась ровно та же. И это, по-моему, важнее всех перемен из предыдущих разделов.
Заказчик по-прежнему приходит с «посмотри, что там с метрикой». Без определения, какая метрика, без критерия, что считать нормой, без контекста, зачем это нужно. И тогда, и сейчас половина ценности аналитика в том, чтобы превратить туманный запрос в конкретный вопрос, на который вообще можно ответить данными.
Данные по-прежнему грязные. Дубли, пропуски, поехавшие типы, две таблицы, которые называются похоже, а означают разное, логика, которую знал один человек, а он уволился. Никакой современный стек это не отменил, просто грязь теперь большего объёма.
Половина работы это понять, какой вопрос на самом деле задан. Не «посчитать», а «понять, что именно надо посчитать и почему». Это главный навык и в 2020, и сейчас, и он не про инструменты вообще. Хороший аналитик отличается от среднего не тем, что знает больше технологий, а тем, что задаёт правильные уточняющие вопросы до того, как открыть редактор запросов.
И вот здесь я скажу то, за что можно и в комментариях получить. За пять лет индустрия навертела инструментов, движков и абстракций, а средний уровень аналитики от этого не вырос. Местами просел. Потому что порог входа в инструменты упал: дашборд собирается заметно быстрее, чем раньше, запрос дописывает автодополнение, и стало слишком легко гонять данные, не понимая, что ты считаешь. Раньше кривой запрос падал или считал вечность, и это заставляло разбираться. Сейчас он быстро возвращает красивую неправильную цифру, и её несут в отчёт. Инструменты стали умнее, а спрос с головы меньше, и это плохой размен.
По студенческим работам это видно лучше всего. Типичная ошибка не в том, что человек не умеет посчитать, посчитать умеют почти все. Ошибка в том, что посчитали не то, самый частый пример: считают конверсию и делят на не тот знаменатель, берут всех пользователей вместо тех, кто реально дошёл до нужного шага, и получают красивое число, которое ничего не значит. Следом идёт сравнение групп, которые сравнивать нельзя: один сегмент за один месяц, другой за другой, с разным трафиком и разным составом, а вывод делается так, будто разница между ними что-то доказывает, хотя она объясняется тем, что группы изначально разные. И классика поверх всего: вывод, который из цифр просто не следует, посчитали одно, а написали заключение про другое. Технически чисто, по смыслу мимо. И это ровно тот навык, который не даёт ни один инструмент и который отличал сильного аналитика в 2020 и отличает сейчас.
Что из этого следует, если вы вкатываетесь
Что со всем этим делать на практике. Не гонитесь за длиной списка технологий в резюме, это соревнование, в котором нельзя победить, всегда найдётся вакансия с ещё одним словом, которого у вас нет. Добивайте фундамент: SQL на уровне уверенной работы, а не «проходил курс», база по статистике и экспериментам, и продуктовое мышление, то есть умение связать цифру с решением, которое на её основе принимают. Это не устаревает и переносится между любыми компаниями и любым стеком.
Модное осваивайте по мере надобности, а не впрок, когда на работе понадобится конкретный инструмент, вы выучите его за неделю в реальном контексте, и это в сто раз полезнее месяца теории заранее, которая забудется до того, как пригодится.
Про искусственный интеллект, раз уж без него никуда, он снял часть рутины: черновик запроса, разбор незнакомого кода, быстрый прототип теперь делаются быстрее, но ровно поэтому ценность сместилась туда, где ИИ пока слаб: в постановку задачи, в проверку результата, в понимание, не врёт ли красиво выглядящая цифра. То есть в то самое, что не менялось все эти годы. Вкладываться с прицелом на будущее стоит не в очередной инструмент, а в умение думать про данные, оно дорожает, а не дешевеет.
Если вы сейчас смотрите на вакансию-простыню и думаете, что профессия ушла вперёд и не догнать, выдохните. Вперёд ушёл список требований в описаниях. Сама работа как была про понимание данных и правильные вопросы, так и осталась, а этому можно научиться, и это ни один ИИ и ни один новый движок у вас не отнимут.
✔️ Больше про будни и задачи аналитика данных в моём тг канале 🌸 Таня и Данные 📊
📈 Если интересна техническая сторона, вот разбор про математику, которая аналитику реально нужна
Автор: TanyaVSdannye
