Analityk / BI: rynek

Oferta

otwarta oferta, która przeszła kontrolę jakości i wymienia co najmniej dwie technologie

Obserwowany kandydat

kandydat, którego stack zawiera tę technologię; agregat — żaden pojedynczy rekord nie opuszcza perymetru

Kandydat do dopasowania

jeszcze nie liczone

Okno

oferty otwarte w chwili tworzenia snapshotu

5 najczęstszych technologii w ofertach dla analityków: sql, user stories, cloud, backlog, salesforce. Uniwersalna podstawa — SQL (PostgreSQL/ClickHouse/Snowflake/BigQuery, JOIN-y, funkcje okna, CTE, wydajność). Python do analizy (pandas, numpy, matplotlib, seaborn, scipy.stats). Excel/Google Sheets — praca ad hoc i prezentacje dla interesariuszy. BI: Tableau, Power BI, Looker, Metabase, Superset, Yandex DataLens (stack WNP). Analityka produktowa: Amplitude, Mixpanel, GA4, Heap, PostHog. Testy A/B: znajomość statystyki (p-wartości, moc, MDE, testy sekwencyjne) + platformy (Optimizely, VWO, Statsig, wewnętrzne). Dla Business Analyst — BPMN/UML, Confluence, Jira, Visio/draw.io. Dla Systems Analyst — REST/SOAP, Swagger/OpenAPI, Postman, kontrakty Kafka/RabbitMQ. Analytics Engineer — dbt + git + DWH + warstwa semantyczna.

Te trzy role często się myli, ale pracują nad różnymi problemami. Data Analyst (DA) — rola techniczna: wyciągi SQL, dashboardy, analizy ad hoc na zlecenie biznesu. Skupienie na tym, jak zdobyć dane i co one mówią. Stack: SQL + Python + BI. Business Analyst (BA) — rola zorientowana na biznes: zbieranie wymagań, diagramy procesów BPMN, specyfikacje funkcji, komunikacja z interesariuszami. Skupienie na tym, co budować i dlaczego. Mniejszy stack techniczny (choć SQL jest ceniony); ważniejsze są komunikacja, angielski i modelowanie procesów. Product Analyst (PA) — hybryda DA i zarządzania produktem: testy A/B, hipotezy produktowe, retencja/LTV/kohorty, analiza lejków. Skupienie na tym, które funkcje produktu działają i dlaczego. Najlepiej opłacany segment analityki w firmach produktowych. Średnio: PA > BA ≈ DA w firmach produktowych; BA > DA w enterprise/bankach.

Tak — analitycy to jedna z najbardziej przyjaznych pracy zdalnej specjalizacji IT: 28% ofert to praca w pełni zdalna lub hybrydowa. Praca opiera się na danych i narzędziach; fizyczna obecność jest rzadko wymagana. Role w pełni zdalne: startupy produktowe, międzynarodowe firmy SaaS, zespoły relokantów z WNP (Dubaj, Cypr, Lizbona, Tbilisi, Erywań). Tryb hybrydowy (1–3 dni w biurze): duże firmy IT, banki, telekomy, handel. Tylko biuro: najczęściej Business Analyst w tradycyjnych bankach z wymogami zgodności i Systems Analyst w dużych projektach enterprise. Angielski otwiera globalny rynek pracy zdalnej z premią 20–40% do wynagrodzenia.

SQL jest obowiązkowy dla każdego analityka (DA/PA/BA od poziomu Middle). Bez SQL nie dostaniesz pracy — to podstawowa umiejętność w 100% ofert. Python jest obowiązkowy dla Data/Product Analysta od poziomu Middle (pandas, czyszczenie danych, podstawy ML, automatyzacja rutyny). Dla Business Analysta Python to plus, ale nie wymóg. Co znać z Pythona do analityki: pandas (DataFrame, groupby, merge), numpy, matplotlib/seaborn do wizualizacji, podstawy statystyki (scipy.stats), notatniki Jupyter. Czego nie potrzebujesz: zaawansowanego OOP, frameworków webowych, DevOps. Programowanie w analityce to narzędzie badania, a nie sam produkt. Wyjątkiem jest Analytics Engineer: dbt + szablony Jinja + przepływy git oraz solidne myślenie programistyczne przybliżają tę rolę do Data Engineera.

Analytics is one of the most accessible entry points into IT. Optimal roadmap: 1) SQL to a confident level — SELECT, JOIN, GROUP BY, window functions, CTEs. Courses: Stepik «SQL для всех», SQL-Academy, Mode Analytics SQL tutorial, LeetCode Database. 2) Excel/Google Sheets — pivot tables, VLOOKUP/XLOOKUP, basic formulas. 3) One BI tool: Tableau Public (free) or Power BI Desktop. Build 3–5 dashboards on open data. 4) Python pandas — Kaggle tutorials, pandas docs, "Python for Data Analysis" by Wes McKinney. 5) Basic statistics: confidence intervals, correlation vs causation, A/B tests (p-value, power, effect size). "Statistics Done Wrong". 6) Pet project: end-to-end analysis of an open dataset (Kaggle, data.world) with a dashboard and conclusions on GitHub. 7) Training programs: Karpov.Courses, Yandex.Practicum «Аналитик данных», Skillfactory, Stepik «Python для анализа данных». Time to first Junior role — 4–8 months of full-time study.

As of the latest data refresh, the Zorky sample contains 5722 active open Analyst positions. These are postings published in the last 90 days. Geography: leaders are US, PL, GB. The sample covers all sub-specialisations: Data Analyst, Business Analyst, Product Analyst, Marketing Analyst, Financial Analyst, Systems Analyst, Analytics Engineer, BI Developer. The real market is wider than the sample: many Analyst positions are published only inside major companies' internal HRMS or through closed recruiting channels. Analytics Telegram channels («Аналитика и данные», «Data Driven») are a good additional source for Senior positions.

Senior Analyst odpowiada za pełny cykl: od wymagań do wniosku biznesowego. Technicznie: biegły SQL (funkcje okna, optymalizacja, plany zapytań), Python (pandas + scipy + automatyzacja ETL/raportów), jedno narzędzie BI dogłębnie (Tableau/Power BI/Looker — pola obliczeniowe, wyrażenia LOD, optymalizacja dashboardów). Statystyka: planowanie testów A/B (moc, MDE, wielkość próby), diagnostyka (SRM, peeking), interpretacja (sequential vs fixed-horizon), bootstrap, podejścia bayesowskie. Myślenie produktowe: rozumienie lejków, retencji/LTV/kohort, unit economics, metryk na każdej warstwie produktu. Komunikacja: data storytelling, prezentacje dla C-level, obrona wniosków przed sceptykami. Mentoring: code review SQL/Pythona dla Middle/Junior. Angielski dla Senior+ jest obowiązkowy (nawet w rolach lokalnych w dużych firmach dokumentacja i procesy są często po angielsku).