Product Analyst: рынок

Вакансия

открытая вакансия, прошедшая гейт качества и содержащая не менее двух технологий

Наблюдаемый кандидат

кандидат, чей стек содержит эту технологию; агрегат, без единой записи наружу

Подходящий кандидат

пока не считается

Окно

открытые вакансии на момент сборки снимка

Топ-5: sql, bpmn, 1с, airflow, bitrix. SQL — обязателен, экспертный уровень. Python — обязателен для Middle+: pandas, статистика, расчёт экспериментов, автоматизация. Продуктовая аналитика: Amplitude, Mixpanel, Яндекс Метрика / AppMetrica, GA4, PostHog — инструменты анализа поведения пользователей (события, воронки, ретеншн-кривые, когорты). A/B-тестирование — ядро роли: дизайн экспериментов (метрика, гипотеза, размер выборки), корректный анализ, понимание подводных камней (подглядывание, множественные сравнения, новизна). Статистика — уверенная: проверка гипотез, доверительные интервалы, выбор критерия. Хранилища данных: ClickHouse (особенно популярен в продуктовой аналитике СНГ), Snowflake, BigQuery. BI: дашборды в Tableau / Power BI / DataLens / Metabase. Продуктовые метрики: глубокое понимание retention, активации, конверсии, воронок, когорт, unit-экономики, LTV, North Star Metric, умение строить дерево метрик. Soft skills: продуктовое мышление, умение сформулировать и проверить гипотезу, донести вывод до продакта и команды, влиять на решения. Знание дизайна продукта и доменная экспертиза — большой плюс.

Data Analyst — аналитик общего профиля: отвечает на бизнес-вопросы по разным направлениям компании, метрики, дашборды, ad-hoc анализ; широкий охват, не привязан к одному продукту (см. /research/analyst/data-analyst). Product Analyst — аналитик, встроенный в конкретную продуктовую команду: глубоко знает свой продукт, владеет его метриками, проектирует и анализирует A/B-эксперименты, исследует поведение пользователей, помогает продакту решениями на данных. Грубо: Data Analyst — вширь по компании, Product Analyst — вглубь по продукту, с упором на эксперименты. Product Manager — отвечает за продукт целиком: решает, что строить, расставляет приоритеты, отвечает за результат продукта; продуктовый аналитик при этом — его ближайший партнёр по данным: PM решает, PA измеряет, проверяет гипотезы и подсказывает, опираясь на цифры (см. /research/pm). Career-flow: Data Analyst → Product Analyst — частый шаг (специализация и рост дохода); Product Analyst → Product Manager — одна из самых логичных карьерных развилок (продуктовый аналитик уже мыслит продуктом и метриками); либо Product Analyst → Analytics Lead / Head of Analytics.

Продуктовые команды постоянно меняют продукт — новые фичи, изменения интерфейса, цены, механики. Главный вопрос каждый раз: изменение реально улучшило продукт или это случайность? Ответ даёт A/B-тест (контролируемый эксперимент): часть пользователей видит новый вариант, часть — старый, и аналитик сравнивает их по выбранной метрике. Это превращает продуктовую разработку из «нам кажется, так лучше» в проверяемые решения. Поэтому дизайн и анализ экспериментов — ядро роли Product Analyst. Что входит: дизайн — выбрать правильную метрику (та, что отражает реальную ценность, а не легко-двигаемую), сформулировать гипотезу, рассчитать нужный размер выборки и длительность; проведение — корректное разбиение на группы, контроль качества данных; анализ — проверка статистической значимости, доверительные интервалы, и главное — избегание классических ошибок (подглядывание в тест до срока, множественные сравнения, эффект новизны, нерепрезентативные группы); интерпретация — что результат значит для продукта, стоит ли катить изменение. Зрелая культура экспериментов (системно тестировать гипотезы, а не катить «на глаз») — то, что отличает сильные продуктовые компании, и продуктовый аналитик — её носитель. Помимо A/B, аналитик работает с наблюдательными данными — воронки, когорты, ретеншн-кривые — там, где эксперимент невозможен.

Да, 50% вакансий Product Analyst — удалёнка или гибрид. Продуктовая аналитика хорошо делается дистанционно: работа с данными, инструментами аналитики, A/B-платформой и тесная коммуникация с продуктовой командой по созвонам. Российские продуктовые и tech-компании, финтех, e-commerce предлагают офис, гибрид и remote. Английский нужен для международного рынка; для российского можно стартовать без него. Нюанс: продуктовому аналитику важна плотная связь с командой (продакт, дизайн, разработка) — на remote это компенсируется регулярными синками, но полностью «изолированный» формат для роли менее естественен, чем гибрид.

Product Analyst ценен тем, что превращает решения продуктовой команды из догадок в проверяемые гипотезы: он отвечает на вопросы «работает ли фича», «где пользователи отваливаются», «что двигает retention», «стоит ли катить изменение» — и тем самым экономит компании ресурсы на бесполезных доработках и помогает находить рост. Это сильный карьерный выбор по нескольким причинам: 1) Одна из самых высокооплачиваемых аналитических ролей — продуктовые компании конкурируют за таких людей. 2) Растущий спрос — культура продуктовой разработки и экспериментов распространяется. 3) Отличные карьерные развилки — Analytics Lead / Head of Analytics или переход в Product Manager (продуктовый аналитик уже мыслит метриками и гипотезами). 4) Интересная содержательная работа — на стыке данных, продукта и психологии пользователей. Кому подходит: тем, кому интересны не просто цифры, а продукт и поведение людей, кто любит формулировать и проверять гипотезы и готов много общаться с командой. Честная оговорка: это не лучшая первая роль — в Product Analyst обычно приходят, освоив базу Data Analyst (SQL, Python, статистика); начинать карьеру разумнее с Data Analyst, а в продуктовую аналитику расти осознанно.

Product Analyst — обычно не первая роль; разумный путь — через Data Analyst или стажировку в продуктовой аналитике. Roadmap: 1) База Data Analyst — SQL (уверенно), Python (pandas), BI-инструмент, основы статистики; без этой базы в продуктовую аналитику не входят. 2) Статистика и эксперименты — углубиться: проверка гипотез, A/B-тестирование, типичные ошибки экспериментов; это ядро роли, на нём делают акцент на собеседованиях. 3) Продуктовые метрики — выучить и научиться правильно считать retention, активацию, конверсию, воронки, когорты, unit-экономику, LTV, North Star Metric; понимать, как строить дерево метрик. 4) Инструменты продуктовой аналитики — освоить хотя бы один (Amplitude, Mixpanel, Яндекс Метрика / AppMetrica), научиться строить воронки и когортный анализ. 5) Продуктовое мышление — читать о продакт-менеджменте, понимать, как устроена работа продуктовой команды, что такое гипотеза и как её проверяют. 6) Портфолио — разобрать продукт (можно публичный) через метрики, описать гипотезы и как бы вы их проверяли; пет-проект с воронкой и когортами. Ресурсы: курсы по продуктовой аналитике (Karpov.Courses — известны сильной программой по аналитике и A/B, Yandex Practicum, ProductStar и др.), книги и материалы по A/B-тестированию и продуктовым метрикам, сообщества продуктовых аналитиков. Путь: освоить Data Analyst-базу → найти роль Data / Product Analyst в продуктовой компании → расти в продуктовую специализацию.

2 активных открытых вакансий Product Analyst в выборке Zorky CRM. Реальный рынок шире: роль называется «продуктовый аналитик», «product analyst», часть позиций проходит как «аналитик данных» с продуктовым уклоном или «growth analyst» — поиск по точному термину ловит не всё. География: 🇷🇺 Россия / remote / 🇧🇾 Беларусь. Источники: hh.ru, Habr Career, getmatch, LinkedIn, Telegram (сообщества продуктовых аналитиков и каналы вакансий). Спрос на продуктовых аналитиков растёт быстрее, чем на аналитиков общего профиля — вместе с распространением культуры продуктовой разработки и экспериментов. NB: у направления Analyst / BI исторически были сложности с автоклассификацией вакансий — видимое число может занижать реальный рынок.

Senior Product Analyst — это аналитик, который влияет на стратегию продукта. Эксперименты: экспертный дизайн и анализ A/B-тестов, выбор правильных метрик, расчёт мощности, продвинутые темы (стратификация, CUPED для снижения дисперсии, последовательное тестирование, работа с множественными сравнениями), и трезвое понимание, когда результату можно верить. Статистика: уверенная на уровне практика — проверка гипотез, доверительные интервалы, причинно-следственный анализ там, где эксперимент невозможен. SQL и Python: экспертный SQL, уверенный Python (pandas, статистические библиотеки), автоматизация. Дизайн системы метрик: спроектировать дерево метрик продукта, выбрать North Star, не допустить искажающих или легко-геймящихся метрик. Поведенческая аналитика: глубокий анализ воронок, retention, когорт, сегментов — понимать почему пользователи ведут себя так, а не только что происходит. Продуктовое мышление: понимать продукт, рынок, пользователей не хуже продакта; уметь самому генерировать гипотезы роста, а не только проверять чужие. Влияние: доносить выводы так, чтобы они меняли решения; работать с продактом, дизайном, разработкой как партнёр; защищать позицию данными. Качество данных: критичное отношение к данным и трекингу событий, понимание, как данные собираются. Менторинг: развитие младших аналитиков, стандарты экспериментов в команде. Английский — для международного рынка. Главная ценность Senior — не «посчитать тест», а системно двигать продукт вперёд через данные и эксперименты.