Data Analyst в IT — рынок СНГ и Европы

Медиана Data Analyst — $0/мес по данным Zorky CRM (0 активных вакансий). Data Analyst — массовая профессия с широким разбросом зарплат: Junior в Russian компаниях — $700-1300/мес, Middle — $1500-2800, Senior — $3000-5000, Analytics Lead — $4500-7000. В крупных продуктовых компаниях и финтехе вилки выше. В международных компаниях на full-remote Senior Data Analyst — $4500-8000+. Зарплата сильно зависит от домена и навыков: аналитик с уверенным Python, статистикой и опытом A/B-тестов ценится заметно выше «SQL + дашборды»; product- и marketing-специализация (см. соседние под-направления) тоже поднимают вилку.

Data Analyst — одна из немногих ролей в данных с реальными Junior-вакансиями (поэтому это популярная точка входа). Junior умеет писать SQL-запросы, строить дашборды, делать простой ad-hoc анализ. Скачок к Middle — уверенный Python (pandas), статистика, самостоятельная работа с метриками и гипотезами, A/B-тесты. Senior проектирует систему метрик, ведёт сложные исследования, влияет на продуктовые решения. Career-flow: Data Analyst → Senior Data Analyst → Analytics Lead, либо специализация в Product / Marketing Analyst, переход в Analytics Engineer или в Data Science.

Москва: Junior Data Analyst — 60-110K₽, Middle — 130-220K₽, Senior — 230-400K₽ (в долларах Senior — $3000-5000/мес; в крупных продуктовых компаниях и финтехе выше). СПб — близкие вилки. Минск / Киев — на 10-25% ниже Москвы. Польша — €2500-5000 gross в зависимости от грейда. 0% — удалёнка: аналитика данных хорошо делается дистанционно. Международные компании нанимают русскоязычных Senior Data Analyst на full-remote — $4500-8000/мес. Регионы РФ — base ниже, но роль часто remote, поэтому опытный аналитик из региона может работать на московские и международные компании по их вилкам.

Топ-5: SQL, Python, Excel, Tableau, Power BI. SQL — навык номер один, обязателен на любом грейде (сложные запросы, оконные функции, оптимизация). Excel / Google Sheets — по-прежнему рабочий инструмент для быстрого анализа и сводных. BI и визуализация: Tableau, Power BI, Metabase, Apache Superset, Yandex DataLens (популярен в СНГ), Looker — построение дашбордов и грамотная визуализация данных. Python (pandas, numpy, matplotlib / seaborn) — всё чаще обязателен для Middle+ (автоматизация, сложный анализ, то, что не делается в SQL). Статистика — описательная статистика, распределения, корреляция, понимание значимости. A/B-тестирование — дизайн и корректное чтение результатов экспериментов. Продуктовые и бизнес-метрики — понимать, что такое retention, конверсия, воронка, unit-экономика, и уметь правильно их считать. Хранилища данных — ClickHouse, Snowflake, BigQuery (откуда аналитик берёт данные). Иногда — Git, основы dbt. Soft skills: умение задать правильный вопрос к данным, перевести бизнес-задачу в аналитическую и донести вывод до нетехнических людей — это отличает сильного аналитика от «исполнителя запросов».

Четыре роли вокруг данных, разные задачи. Data Analyst — отвечает на бизнес-вопросы по уже собранным данным: метрики, дашборды, ad-hoc анализ, A/B-тесты; инструменты — SQL, BI, Excel, Python. Фокус — извлечь смысл и донести до бизнеса. Data Scientist — строит прогнозные ML-модели (предсказание оттока, рекомендации, скоринг), глубже в математике и машинном обучении; см. /research/ml. Data Engineer — строит инфраструктуру и конвейеры данных (ETL/ELT, пайплайны, хранилища), чтобы данные вообще были доступны и качественны; см. /research/data. Analytics Engineer — относительно новая роль между Data Engineer и Data Analyst: превращает сырые данные в чистые, согласованные, готовые к анализу модели данных в хранилище (главный инструмент — dbt); см. /research/analyst/analytics-engineer. Career-flow: Data Analyst — самая частая точка входа; из неё растут в Senior Analyst / Analytics Lead, специализируются в product / marketing-аналитику, переходят в Analytics Engineering (если тянет к моделированию данных и инженерии) или в Data Science (если тянет к ML и математике).

Для входа в профессию — SQL обязателен, Python желателен; для роста — Python becomes практически обязательным. На Junior-уровне многие вакансии требуют только SQL + BI-инструмент + Excel, и так реально начать карьеру. Но уже на Middle-уровне Python (в первую очередь библиотека pandas) ожидается почти везде: он нужен там, где SQL и BI не справляются — сложная обработка и очистка данных, автоматизация регулярных отчётов, статистический анализ, корректный расчёт A/B-тестов, выгрузки и интеграции через API. Аналитик, который умеет только «SQL + дашборды», упирается в потолок и по задачам, и по зарплате. Практичная стратегия 2026: входить в профессию можно с SQL + BI + Excel (и сразу искать первую работу), но параллельно учить Python и не откладывать — это разница между Junior-потолком и ростом в Senior. Глубокая математика и ML для Data Analyst не обязательны (это уже территория Data Scientist) — нужны рабочая статистика и уверенный pandas.

Да, 0% вакансий Data Analyst — удалёнка или гибрид. Аналитика данных отлично подходит для дистанционной работы: вся работа — с базами данных, BI-инструментами, кодом и коммуникацией. Российские продуктовые компании, финтех и e-commerce предлагают офис, гибрид и remote. Международные компании активно нанимают русскоязычных Senior Data Analyst на full-remote — $4500-8000/мес. Английский нужен для международного рынка и части документации; для российского рынка можно стартовать и без него. Удалённый формат особенно ценен для аналитиков из регионов — он открывает доступ к московским и международным вилкам без релокации.

Да, Data Analyst — одна из лучших точек входа и в IT в целом, и конкретно в мир данных. Причины: 1) Есть реальные Junior-вакансии — в отличие от Data Scientist, Data Engineer или ML, куда почти не берут новичков. 2) Относительно невысокий и понятный порог входа: SQL + BI-инструмент + Excel + базовая статистика — это осваивается за несколько месяцев целенаправленной учёбы, без диплома по computer science. 3) Широкий рынок — аналитики данных нужны почти в любой компании, не только в IT (банки, ритейл, телеком, промышленность, госсектор). 4) Понятная карьерная лестница и развилки — из Data Analyst можно вырасти в Senior / Lead, уйти в product- или marketing-аналитику, в Analytics Engineering, в Data Science. Честная оговорка: «низкий порог входа» означает и высокую конкуренцию на Junior-позиции — выделяются кандидаты с реальными проектами в портфолио (разобранные датасеты, дашборды, доведённый до выводов анализ), а не просто со списком пройденных курсов. Профессию также не стоит выбирать тем, кому не нравится много общаться с бизнесом и объяснять цифры — это половина работы аналитика.

В топе: Яндекс, Сбер, Авито. Data Analyst нужны почти везде, где есть данные и решения на их основе. Крупные продуктовые и tech-компании: Яндекс, VK, Авито, Ozon, Wildberries, Т-Банк, Сбер — большие аналитические команды. Финтех и банки: Сбер, Т-Банк, Альфа-Банк, ВТБ — аналитика критична для продуктов и риска. E-commerce и ритейл: маркетплейсы, X5 Group, сети — аналитика продаж, ассортимента, логистики. Телеком: МТС, билайн, МегаФон. Игровые компании, edtech, foodtech, тревел. Не-IT: промышленность, страхование, медицина, госсектор — аналитики данных нужны и там. Международные компании — нанимают русскоязычных Data Analyst на full-remote. Спрос широкий и устойчивый; Data Analyst — одна из самых распространённых вакансий в данных.

Roadmap: 1) SQL — самый важный навык, начинать с него: SELECT, JOIN, GROUP BY, подзапросы, оконные функции; практиковаться на тренажёрах (sql-ex.ru, SQL-задачи на учебных датасетах). 2) Excel / Google Sheets — сводные таблицы, формулы, базовая визуализация. 3) BI-инструмент — освоить один (Power BI, Tableau или Yandex DataLens — у всех есть бесплатные версии), научиться строить понятные дашборды. 4) Статистика — описательная статистика, распределения, корреляция, основы проверки гипотез и A/B-тестов. 5) Python — pandas для работы с данными, базовая визуализация; не откладывать. 6) Метрики — научиться понимать продуктовые и бизнес-метрики (конверсия, retention, воронка, unit-экономика). 7) Портфолио — 2-3 проекта на реальных открытых датасетах, доведённых до выводов и оформленных (дашборд + разбор + рекомендации); портфолио важнее списка курсов. 8) Резюме и стажировки — целиться в Junior-позиции и стажировки, не бояться смежного опыта (аналитик из не-IT-сферы — нормальный путь). Ресурсы: курсы Yandex Practicum, Karpov.Courses, Skillfactory и др.; бесплатно — документация инструментов, открытые датасеты (Kaggle), SQL-тренажёры. Главное — практика на реальных данных, а не только теория.

0 активных открытых вакансий Data Analyst в выборке Zorky CRM. Реальный рынок шире: аналитические роли часто называются по-разному — «аналитик данных», «дата-аналитик», «аналитик», «продуктовый аналитик», «BI-аналитик» — поиск по точному термину ловит не всё. География: 🇷🇺 Россия / remote / 🇧🇾 Беларусь. Источники: hh.ru, Habr Career, getmatch, Хабр Карьера, LinkedIn, Telegram (аналитические сообщества и каналы вакансий — например, профильные data-каналы). Data Analyst — одна из самых массовых профессий в данных, спрос широкий и устойчивый по всем отраслям. NB: на стороне данных у направления Analyst / BI исторически были сложности с автоматической классификацией вакансий, поэтому видимое число может занижать реальный объём рынка.

Senior Data Analyst — это не «тот, кто быстрее пишет SQL», а аналитик, который влияет на решения. SQL — экспертный уровень: сложные запросы, оконные функции, оптимизация, понимание устройства хранилища. Python: уверенный pandas, автоматизация, статистический анализ, при необходимости — выгрузки через API и простые скрипты. Статистика и эксперименты: корректный дизайн и анализ A/B-тестов (выбор метрики, размер выборки, значимость, типичные ошибки), понимание, когда результату можно верить. Дизайн метрик: умение спроектировать систему метрик продукта или направления, а не только посчитать заданные — что измерять, как определить, как не получить искажений. Визуализация и сторителлинг: дашборды, которыми реально пользуются, и умение рассказать историю по данным так, чтобы бизнес принял решение. Бизнес-понимание: глубокое знание домена и продукта — понимать, какой вопрос стоит за задачей, и задавать правильные вопросы самому. Качество данных: критичное отношение к данным, проверка на достоверность, понимание, откуда они берутся (плюс к этому полезны основы dbt и моделирования данных). Коммуникация и влияние: работа со стейкхолдерами, перевод бизнес-задач в аналитические и обратно, аргументация решений цифрами. Менторинг: развитие младших аналитиков, ревью их работы. Английский — для международного рынка. Главная ценность Senior — превращать неоднозначные бизнес-вопросы в чёткий анализ и в реальные решения.

Данные собраны автоматически из 1000+ источников — Telegram-каналов вакансий и сайтов работы СНГ и Восточной Европы (HH, Habr Career, Djinni, DOU, NoFluffJobs, JustJoin.it, Pracuj.pl и других). Парсинг работает круглосуточно, дубликаты фильтруются по описанию и URL, аномальные значения зарплат отсекаются. Подробная методология — на странице «Как работает».