Продуктовый аналитик — это специалист, который отвечает на вопрос, почему пользователи ведут себя так, а не иначе, и что изменить в продукте, чтобы метрики выросли.
Он разбирает воронки и находит шаг, где отваливается больше всего людей, считает удержание по когортам, проверяет гипотезы A/B-тестами и помогает команде отличить реальный эффект от случайного колебания и от собственных когнитивных искажений. Отдельная часть работы — событийная аналитика: договориться с разработчиками, какие события логировать, чтобы завтра на них можно было опереться. Продуктовые аналитики работают в IT-компаниях, e-commerce, EdTech, финтехе и медиа — везде, где продукт развивается итерациями, а решения принимаются по данным.
Профессия держится на трёх опорах: SQL, статистика и понимание продукта.
По данным «Хабр Карьеры» за первое полугодие 2026 года медиана в IT составила 191 000 ₽. По грейдам в целом по IT медианы такие: 93 000 ₽ у Junior, 167 000 ₽ у Middle и 293 000 ₽ у Senior. Аналитики прибавили за полугодие 5%: это один из самых быстрых темпов на рынке, у разработчиков рост составил 1%. По городам: 235 000 ₽ в Москве, 200 000 ₽ в Петербурге и 160 000 ₽ в остальных регионах.
Источники: отчёт «Зарплаты IT-специалистов в первой половине 2026 года» и калькулятор зарплат «Хабр Карьеры». Данные за первое полугодие 2026 года, проверены в августе 2026 года.
Ниже тот же маршрут в подробностях: этапы обучения и курсы к каждому из них.
Этап закладывает фундамент понимания продукта как системы решений и роли аналитики в его развитии. Вы разберётесь с продуктовым мышлением, data-driven подходом, ключевыми метриками и задачами junior-аналитика. Дополнительно рассматриваются когнитивные искажения, влияющие на принятие решений: умение замечать предвзятость в данных и выводах — важный навык для аналитика с первых дней работы.
Продуктовый аналитик версионирует SQL-скрипты, Python-ноутбуки и аналитические проекты. Git изучается здесь, чтобы с первых дней написания кода (начиная со следующего этапа) коммитить работу и формировать портфолио. Это базовая гигиена и требование командной работы.
Этап формирует математическую базу для анализа данных. Вы освоите теорию вероятностей, корреляцию, регрессию и научитесь интерпретировать статистику. Эти знания напрямую применяются при работе с метриками и A/B-тестами.
SQL — основной инструмент извлечения данных. Вы освоите базовые запросы, JOIN, агрегации и оконные функции. Особый фокус этапа — работа с сырыми логами трекинга (событийная аналитика). Вы научитесь распаковывать JSON-события и строить базовые продуктовые метрики. Отдельно выделяется когортный анализ и расчет Retention — это хлеб продуктового аналитика, который требует четкого понимания datediff и работы с датами событий. Особый фокус этапа — работа логами в ClickHouse: распаковка массивов, специфика datediff и понимание логики MergeTree-таблиц для корректного расчёта метрик без дублирования
Этап даёт технический инструментарий для работы с данными в Python. Вы освоите синтаксис языка, а затем перейдёте к Pandas для обработки таблиц и визуализации. Навыки этапа применяются ежедневно: фильтрация данных, группировки, поиск аномалий и подготовка данных для отчётов.
Вы учитесь превращать данные в понятные дашборды. Избыточное изучение 5 разных BI-систем удалено. Фокус делается на два инструмента: Excel (для быстрых ad-hoc расчетов) и Yandex DataLens (как наиболее востребованную SQL-ориентированную BI-платформу на рынке). Вы научитесь визуализировать сложные продуктовые метрики, включая динамические когортные кривые.
Этап фокусируется на проверке гипотез — ключевой задаче продуктового аналитика. Вы освоите планирование экспериментов, расчёт статистической значимости, p-value и методы Монте-Карло. Правильно поставленный и интерпретированный A/B-тест — это обоснование продуктовых решений на основе данных, а не интуиции.
Формирует понимание процессов в продуктовой команде. Вы изучите принципы Agile, Scrum и Kanban, роли участников и артефакты спринтов. Продуктовый аналитик работает в кросс-функциональных командах и должен понимать, как устроены процессы вокруг него.
Завершающий этап — упаковка компетенций и выход на рынок труда. Вы научитесь формировать резюме и описывать проекты.
Нужна статистика, и это ключевой навык профессии: без неё нельзя понять, значим результат теста или это шум. Понадобятся распределения, проверка гипотез, доверительные интервалы и мощность критерия. Высшая математика за пределами этого почти не используется.
Продуктовый аналитик работает с данными о поведении пользователей и отвечает на вопрос «что изменить в продукте». Системный аналитик работает с требованиями к системе и отвечает на вопрос «как именно её построить». Общего у них только слово «аналитик».
Около 8–12 месяцев при 10–15 часах в неделю. SQL и метрики осваиваются за 3–4 месяца, статистика и A/B-тесты — ещё за 3–4, оставшееся время уходит на Python, визуализацию и портфолио.
Да. На собеседовании дают задачу на SQL, кейс по метрикам и разбор A/B-теста — диплом при этом почти не обсуждается. Экономическое или техническое образование помогает быстрее освоить статистику, но его не требуют.
Для старта хватает SQL и BI-инструмента, но Python быстро становится нужен: на нём считают сложные когорты, автоматизируют отчёты и проводят статистические тесты, которые неудобно делать запросами.