Этот roadmap — реальный план, по которому учились ребята которые сейчас работают аналитиками. Не «выучи весь Python за 30 дней» (нереально), а выучи минимум что нужно для junior-собеса и собери портфолио.
3 месяца = 12 недель. По 15-20 часов в неделю = 180-240 часов. Этого достаточно если ты дисциплинирован.
Если работаешь полный день: реалистично — 5-6 месяцев. Не загоняйся, лучше медленно но регулярно.
Месяц 1: SQL + основы Python
Неделя 1-2: SQL базовый
Цель: уметь писать SELECT, WHERE, GROUP BY, JOIN. Понимать как из базы достать ответ на вопрос.
Темы:
- SELECT, WHERE, ORDER BY, LIMIT
- Агрегации: COUNT, SUM, AVG, MIN, MAX
- GROUP BY, HAVING
- JOIN: INNER / LEFT / RIGHT
- IS NULL, COALESCE
Ресурсы:
- SQL-тренажёр — 325 задач с автопроверкой, 5 бесплатно
- Конспекты по SQL — раздел «SQL для аналитика»
- SQLZoo — бесплатно, западный
- Stepik «Введение в БД» — бесплатно
Чек-лист недели:
- [ ] Решил 30 базовых задач на SELECT/WHERE/GROUP BY
- [ ] Решил 15 задач на JOIN (LEFT/INNER)
- [ ] Понимаю чем отличается WHERE от HAVING
- [ ] Могу прочитать чужой запрос на 10-15 строк
- [ ] Знаю что такое NULL и как с ним обращаться
Неделя 3-4: Python для аналитика, основы
Цель: научиться читать CSV, фильтровать DataFrame, считать агрегаты в pandas.
Темы:
- Базовый Python: типы, условия, циклы, функции, списки/словари
- Открытие CSV через pandas
- Фильтрация (df[df['col'] > X])
- groupby + agg
- Объединение через merge
Ресурсы:
- Конспект Python с нуля — первые 6 модулей
- Python tutorial — визуализатор кода
- Конспект Pandas: основы
Чек-лист недели:
- [ ] Установил Python + Jupyter Notebook на свой ноутбук
- [ ] Прошёл Конспект Hello World → функции
- [ ] Сделал первый CSV-анализ: открыл файл, посчитал среднее по колонке, отфильтровал
- [ ] Понимаю разницу list vs dict
- [ ] Решил 10 базовых pandas-задач в Python Sandbox
Месяц 2: Углубление + проекты
Неделя 5-6: SQL продвинутый + первый проект
Цель: window functions, CTE, сложные подзапросы. Сделать первый аналитический проект.
SQL темы:
- Подзапросы (subqueries)
- CTE через WITH
- Window functions: ROW_NUMBER, RANK, LAG/LEAD
- PARTITION BY
- Self-join
Чек-лист недели:
- [ ] Решил 30 продвинутых SQL-задач (window, CTE, self-join)
- [ ] Понимаю когда CTE, когда subquery
- [ ] Решил классическую «найди топ-3 в каждой группе»
Pet-проект 1:
Найди публичный датасет (Kaggle, datasets.io). Например, продажи Walmart, цены на квартиры, статистика преступлений.
Сделай аналитический отчёт:
- Загрузка данных
- EDA (exploration): describe, info, isnull
- 5-7 продуктовых вопросов с ответами на основе данных
- Графики (matplotlib) — 3-5 штук
- Выводы
Размести на GitHub в виде Jupyter Notebook. Это твой первый артефакт портфолио.
Неделя 7-8: Pandas продвинутый + статистика
Цель: pivot, time series, основы статистики, A/B-тестирование.
Темы:
- pivot_table, transform vs apply
- Time series: resample, rolling
- merge с разными how (inner/left/outer)
- Базовая статистика: mean, median, std, percentile
- A/B-тестирование: t-test, chi-square (на уровне понимания)
Ресурсы:
Чек-лист недели:
- [ ] Прошёл все 5 модулей Pandas из конспектов
- [ ] Понимаю когда t-test, когда chi-square
- [ ] Использовал Калькулятор Sample Size для своего гипотетического теста
- [ ] Решил 20 pandas-задач в Python Sandbox
Месяц 3: BI + продуктовые метрики + собес
Неделя 9: BI-инструмент
Цель: выбрать ОДИН BI и научиться строить дашборды.
Что выбрать:
- Superset — open source, популярен в РФ, легко поставить локально
- DataLens — Яндекс, бесплатный, под ClickHouse заточен
- Power BI Desktop — Microsoft, 80% западных компаний, бесплатный
- Tableau Public — премиум-инструмент, бесплатная версия
Для российского рынка чаще всего ищут Superset или DataLens. Power BI — для международных компаний.
Что делать:
- Поставь локально (есть туториалы по installation)
- Подключи свой датасет из проекта недели 5-6
- Построй дашборд с 5-7 виджетами: динамика по времени, разрезы, KPI-индикаторы
Чек-лист недели:
- [ ] Установил BI-инструмент
- [ ] Сделал первый дашборд из 5+ виджетов
- [ ] Опубликовал ссылку на дашборд (DataLens public, Tableau Public, или скриншоты на GitHub)
Неделя 10: Продуктовые метрики + кейсы
Цель: знать топ-50 метрик и уметь рассуждать как продукт-менеджер.
Темы:
- DAU / WAU / MAU и зачем они нужны
- Retention (1d, 7d, 30d) + cohort analysis
- ARPU / ARPPU / LTV
- Conversion rate, funnel analysis
- Churn rate
- NPS, CSAT
- Виды A/B-тестов и когда какой
- Sample size и power analysis
Ресурсы:
- Раздел метрик — 296 метрик с формулами и примерами
- Раздел кейсов — 228 продуктовых кейсов с разбором
- Конспект: A/B testing на Python
Чек-лист недели:
- [ ] Знаю топ-15 метрик наизусть (формулы и зачем нужны)
- [ ] Прорешал 5-10 продуктовых кейсов в формате «что бы ты сделал на месте PM-а»
- [ ] Понимаю что такое cohort retention и как его строить
Неделя 11: Подготовка резюме + первые собесы
Цель: оформить резюме, начать ходить на собесы (даже без полной готовности — это часть обучения).
Резюме:
- Структура: краткое summary → опыт (если есть) → проекты → образование → hard skills
- Pet-проект обязательно с ссылкой на GitHub
- Конкретные результаты: «увеличил retention на 8%», а не «занимался retention»
- Ключевые слова из вакансий: SQL, Python, pandas, A/B, метрики, дашборды
- Без воды — 1 страница максимум
Куда подаваться:
- hh.ru — фильтр «junior аналитик» / «стажёр»
- LinkedIn — для международных
- Telegram-каналы вакансий (например @datacareers, @analyst_jobs)
- Стажировки в Яндекс, Авито, Ozon, Сбер
Чек-лист недели:
- [ ] Резюме готово, выложено на hh.ru
- [ ] Откликнулся минимум на 30 вакансий
- [ ] Прошёл 3+ собеса (любой результат)
- [ ] Сделал список вопросов которые спрашивают (используй на следующих)
Неделя 12: Закрытие гэпов + офферы
Цель: после первых собесов ты знаешь свои слабые места. Закрой их.
Типичные гэпы:
- Window functions в SQL (доучи конспекты по SQL)
- Cohort retention в pandas (потренируйся в Python Sandbox)
- Продуктовые кейсы (прорешай больше из раздела кейсов)
- Soft skills для собеса (потренируйся в AI Hub)
Чек-лист недели:
- [ ] Прошёл 5+ собесов на этой неделе
- [ ] Получил минимум 1 оффер (если нет — продлевай ещё на 2-4 недели)
- [ ] Согласовал counter-offer через калькулятор зарплат
Чего НЕ делать в эти 3 месяца
❌ Не учи 5 BI-инструментов сразу — выбери один
❌ Не пытайся за 3 месяца стать ML-инженером — это другая дорожка (1-2 года)
❌ Не ходи на 10 курсов параллельно — выбери 1-2 и доводи до конца
❌ Не делай 10 pet-проектов — лучше 1-2 хороших чем 10 поверхностных
❌ Не сравнивай себя с теми кто уже 3 года в аналитике — у них была своя дорога
❌ Не пиши в резюме то чего не знаешь — на собесе спросят и провалишься
Что ВАЖНО делать
✅ Каждый день что-то решать — даже 30 минут лучше чем 0
✅ Объяснять решения вслух — будто рассказываешь интервьюеру
✅ Записывать что выучил — конспекты в Notion / Obsidian
✅ Ходить на собесы рано — даже не готовый, для опыта
✅ Не бояться отказов — 50 отказов до первого оффера это норма
✅ Спрашивать feedback после собеса — половина даст, половина откажет, но даже половина — золото
Что после junior
Получил оффер — поздравляю! Дальше:
- Месяцы 1-3 на работе: освойся, найди ментора, проси сложные задачи
- Месяцы 4-9: углубляйся в продукт компании, начни вести свои гипотезы
- Месяцы 10-12: junior → middle. Ассертивно проси повышение когда чувствуешь готовность
- Год 2-3: middle → senior. Учи продвинутый pandas, ML basics, участвуй в архитектурных решениях
- Год 3+: senior → lead/staff. Soft skills, mentoring, влияние на стратегию
Связанные материалы
- Как стать аналитиком данных в 2026 — обзор профессии
- Зарплата аналитика данных 2026 — детально по грейдам
- Калькулятор зарплат — посчитай свою вилку
- Калькулятор Sample Size — для A/B
- Топ-50 вопросов на собесе — что спрашивают
Roadmap не работает если читать его. Работает только если делать. Открой SQL-тренажёр и реши первую задачу прямо сейчас.