Да, и это самый массовый способ войти в профессию — большинство джунов, которых я собеседовал, пришли не после профильного вуза, а из смежной сферы. Если коротко: если вы экономист, маркетолог, бухгалтер, инженер или тестировщик, у вас уже есть половина того, что нужно аналитику — доменное знание и привычка думать про цифры. Не хватает технического слоя: SQL, немного Python, база статистики и один инструмент визуализации. Чтобы собрать этот слой до уровня «беру на джуна», уходит примерно 3-6 месяцев занятий по 8-12 часов в неделю. Дальше разберу, что из вашего прошлого опыта уже переносимо, в каком порядке учить стек и как не бросить на середине.
Какие навыки из прошлой профессии уже работают на вас?
Первое, что стоит сделать перед покупкой очередного курса, — честно выписать, что вы уже умеете. Люди из смежных сфер сильно недооценивают свой стартовый капитал.
Экономист и финансист приходят с готовым пониманием юнит-экономики, маржи, окупаемости и умением строить прогнозы. Половину продуктовых метрик вам не придётся зубрить — вы про них уже думали, просто другими словами. Бухгалтер годами сверяет данные, ловит расхождения на копейку и держит в голове, что такое источник истины. Это ровно та дисциплина, которой не хватает джунам: аналитик, который не проверяет свои же цифры, долго не живёт.
Маркетолог уже жил внутри воронки, считал конверсии, CAC и удержание, гонял A/B-тесты в рекламных кабинетах и знает, что «средний чек вырос» и «нам стало лучше» — не одно и то же. Инженер приносит системное мышление и не боится технических деталей: разобраться в схеме базы данных ему проще, чем гуманитарию. Тестировщик — вообще почти готовый аналитик: он умеет писать SQL-запросы к тестовой базе, читать логи, воспроизводить баги по шагам и мыслить граничными случаями. Из тестирования в аналитику переходят чаще всего и быстрее всех.
Общий переносимый навык у всех пятерых — умение задавать вопрос к данным. Это то, чему сложнее всего научить с нуля, и то, что у вас уже есть. Технику поверх этого накрутить реально.
Какой минимальный стек нужен джуну-аналитику?
Стек джуна короче, чем кажется по вакансиям. Порядок изучения важнее списка, поэтому запомните последовательность: SQL → Excel/pandas → статистика → BI. Именно в таком порядке, а не всё сразу.
SQL — это 70% работы аналитика и первое, что спросят на собеседовании. Начинать надо с него, а не с модного Python. Дальше идёт таблично-программный слой: Excel вы, скорее всего, уже знаете, а pandas — это тот же Excel, только кодом и без ограничения по строкам. Потом база статистики: не университетский курс, а рабочий минимум — среднее против медианы, доверительный интервал на пальцах, что такое статзначимость и почему нельзя останавливать A/B-тест, когда захотелось. И в конце — один инструмент визуализации (BI), чтобы собрать дашборд.
Вот как выглядит первый по-настоящему рабочий SQL-запрос — посчитать выручку по месяцам:
SELECT
date_trunc('month', o.created_at) AS month,
COUNT(DISTINCT o.user_id) AS buyers,
SUM(o.amount) AS revenue
FROM orders o
WHERE o.status = 'paid'
GROUP BY 1
ORDER BY 1;Здесь уже почти весь базовый SQL: агрегация, группировка, фильтр, работа с датой. Если вы понимаете этот запрос и можете написать похожий сами — вы прошли большую часть пути к джуну. Отрабатывать это лучше не по видео, а руками в SQL-тренажёре, где запрос сразу выполняется на реальной базе, а рядом лежит SQL-справочник под конкретный синтаксис. Если хочется структуры с нуля — бесплатный курс по SQL ведёт за руку от первого SELECT.
Тот же расчёт на pandas, чтобы вы видели, что это буквально перенос той же логики в код:
import pandas as pd
paid = df[df["status"] == "paid"].copy()
paid["month"] = paid["created_at"].dt.to_period("M")
report = (
paid.groupby("month")
.agg(buyers=("user_id", "nunique"),
revenue=("amount", "sum"))
.reset_index()
)Одна и та же задача, два инструмента. Когда вы почувствуете это соответствие, Python перестанет пугать. Синтаксис методов держите под рукой в Python-справочнике, а отработку — в Python-тренажёре.
С чего начать именно вам — по профессиям?
Точка входа зависит от того, откуда вы идёте, потому что переносимое ядро у всех разное.
Экономисту и финансисту я советую сразу заходить через метрики и SQL: продуктовую часть вы уже понимаете, вам нужно научиться доставать цифры из базы самостоятельно, а не ждать выгрузку от кого-то. Начните разбирать, как устроены базовые показатели — например, что такое DAU и как его считать, — и параллельно писать под них запросы.
Бухгалтеру логичнее опереться на дотошность: берите SQL и сразу задачи на сверку, дедупликацию, поиск расхождений между таблицами. Это ваша сильная сторона, на ней и стройте портфолио.
Маркетологу стоит начать с воронок, когорт и A/B-тестов — то, что вы делали в кабинетах, теперь надо уметь считать в SQL и Python. Инженеру проще всего: берите SQL, затем pandas, и быстро добавляйте статистику, потому что математический аппарат у вас уже есть. Тестировщику — прямая дорога через SQL (вы его частично знаете) плюс продуктовое мышление, которого в тестировании обычно не хватает: учитесь думать не «работает ли фича», а «влияет ли фича на метрику».
Общее для всех: не растекайтесь. Один трек, один стек, один порядок.
Как за 3-6 месяцев собрать портфель и не завязнуть в теории?
Портфель — это не сертификаты, а 3-4 доведённых до конца проекта, на которых видно, что вы умеете доставать данные, считать метрики и делать вывод. Собеседующему интересен не объём, а способность довести анализ до рекомендации.
Работающая схема выглядит так. Проект 1 — чистый SQL: берёте набор данных с заказами и пользователями, считаете выручку, средний чек, повторные покупки, пишете короткий вывод. Проект 2 — когортный анализ удержания: как ведут себя пользователи, пришедшие в разные месяцы. Проект 3 — воронка событий от регистрации до оплаты с поиском, где отваливаются люди. Проект 4 — разбор A/B-теста: посчитать конверсии в двух группах и честно сказать, значима разница или это шум.
Каждый проект оформляйте одинаково: вопрос — данные — запрос/код — таблица или график — вывод в 3-5 предложениях. Именно вывод отличает аналитика от человека, который умеет писать SELECT. Материал для проектов не надо выдумывать — разберите готовые аналитические кейсы, они построены как реальные задачи бизнеса, и на их основе соберите свои.
Чтобы не завязнуть в бесконечной теории, держите жёсткое правило: на каждый час просмотра/чтения — минимум два часа рук на клавиатуре. Прогресс измеряйте не «прошёл модуль», а «решил N задач» — для этого удобны наборы тренировочных заданий с чёткими условиями.
Сколько на самом деле занимает переход и от чего зависит срок?
Реалистичная вилка — 3-6 месяцев до состояния «можно откликаться и доходить до финала», при 8-12 часах в неделю. Это не маркетинговые «выучи за 30 дней» и не пугающие «года три».
От чего зависит, ближе вы к трём месяцам или к шести. Быстрее идут те, у кого уже есть технический бэкграунд (инженеры, тестировщики) или сильная доменная база (экономисты, маркетологи в digital). Медленнее — если вы стартуете совсем без кода и можете уделять учёбе только по выходным. Ещё сильно влияет регулярность: три часа шесть дней в неделю дают больше, чем восемь часов раз в неделю, потому что навык SQL и pandas закрепляется повторением, а не марафоном.
Не ждите, что будете готовы на 100% перед первым откликом. Готовность к собеседованию наступает раньше, чем ощущение уверенности, — примерно тогда, когда вы решаете средние SQL-задачи без подсказок и можете объяснить вслух, что делает ваш запрос.
Какой будет ваша первая роль и что на собеседовании?
Первая роль почти всегда — джуниор или продуктовый/маркетинговый аналитик, часто в той же индустрии, из которой вы уходите. Это не случайность, а ваше преимущество: бухгалтеру проще зайти в финтех, маркетологу — в e-commerce, инженеру — в промышленность или телеком. Доменное знание закрывает разрыв в технике на старте.
На собеседовании джуна проверяют предсказуемо: живой SQL (напишите запрос прямо сейчас), базовые метрики (что такое конверсия, удержание, средний чек), немного статистики и продуктовое мышление на маленьком кейсе вроде «метрика упала на 20%, что делаешь». Реже — простой Python на обработку датафрейма. Чтобы понять, каких именно вопросов ждать, прогоните себя по разбору вопросов с собеседований аналитика — там видно и формулировки, и логику ответов.
Про зарплату честно: точную вилку называть не буду, она сильно зависит от города, индустрии и компании, но первый оффер джуна ожидаемо ниже вашей текущей зарплаты в старой профессии, если вы там были не новичком. Это нормальная просадка на входе, которая обычно отыгрывается за первый год, когда вы дорастаете до мидла.
Как не бросить на третьем месяце?
Бросают не потому, что тяжело, а потому что пропадает видимый прогресс: первые две недели всё новое и драйвит, а на середине наступает плато, где кажется, что вы топчетесь на месте. Это предсказуемая точка, и её надо просто пережить.
Что реально помогает не сойти. Учитесь публично и по чуть-чуть: короткая ежедневная сессия побеждает редкие марафоны. Считайте не время, а сделанные задачи — «решил 200 SQL-задач» мотивирует сильнее, чем «занимался три месяца». Не переключайтесь между курсами в поисках идеального: доделанный средний трек лучше трёх брошенных отличных. И не учите три инструмента параллельно — доведите SQL до автоматизма, только потом добавляйте следующий слой.
И держите в голове, зачем вы пришли: у вас уже есть профессия и опыт, вы не начинаете с абсолютного нуля, вы достраиваете технический слой к тому, что и так умеете. Это гораздо более короткий путь, чем у вчерашнего студента без опыта работы вообще.
С чего начать сегодня
Не составляйте идеальный план на полгода — откройте SQL-тренажёр и решите первые пять задач сегодня. Через неделю ежедневной практики вы поймёте про свой темп больше, чем из любого роадмапа. Дальше — тот самый порядок: SQL до уверенности, затем pandas, статистика по рабочему минимуму, один BI-инструмент, и параллельно 3-4 проекта в портфель.
Если хотите заниматься по выстроенной программе, а не собирать куски по интернету, — на платформе собрано 425 SQL-задач, 402 Python, кейсы, метрики и AI мок-собеседования с проверкой прямо в браузере. Первые задачи в каждом разделе открыты бесплатно, а Pro снимает лимиты и даёт весь банк задач с реальных собеседований — ровно то, на чём стоит тренироваться перед откликами.