Источник: Ориентировочно по открытым данным 2026: Levels.fyi (Skyeng, медиана data analyst ~$27.5K/год total comp), Dream Job (вилка продуктового аналитика в РФ 145–275 тыс ₽, медиана ~210 тыс), getgrade.ru. Skyeng-специфичных грейдов в открытом доступе мало — вилки отражают рыночный профиль роли, а не официальную сетку компании.
Grade ladder: Грейды у аналитиков Skyeng идут по стандартной EdTech/продуктовой лестнице. Junior закрывает SQL-выгрузки и дашборды в Metabase под контролем ментора. Middle самостоятельно ведёт метрики продукта (retention, LTV, конверсии воронки), дизайнит и читает A/B-тесты, коммуницирует с продактами. Senior отвечает за аналитику направления целиком, ставит фреймворки метрик, валидирует статистику экспериментов и влияет на продуктовые решения. Lead/Head строит команду аналитиков, DWH/BI-процессы и связывает аналитику с бизнес-целями. Формальной публичной сетки грейдов Skyeng не раскрывает.
SQL: JOIN всех типов, GROUP BY/HAVING, оконные функции (ROW_NUMBER, RANK, LAG/LEAD), работа с датами и когортами, обработка NULL, дебаг запроса Продуктовые метрики EdTech: retention (по когортам недель/месяцев), LTV ученика, конверсия воронки регистрация→первый урок→оплата, ARPU, churn, DAU/MAU A/B-тесты и статистика: дизайн эксперимента, выбор метрики и MDE, размер выборки, стат-значимость, типичные ошибки (peeking, множественные сравнения) Когортный анализ и воронки: расчёт retention по когортам на SQL, анализ где отваливаются ученики Python для аналитики: pandas/numpy для выгрузок, автоматизации и разведочного анализа (по стеку Skyeng) BI-визуализация: Metabase (реальный инструмент аналитиков Skyeng), построение и чтение дашбордов Продуктовое мышление и коммуникация: как расследовать просадку метрики и довести анализ до рекомендации бизнесу
Каждый вопрос задокументирован в публичной статье (Habr, vc.ru). Источник проверен.
Плюс 3000+ обучающих вопросов, 520+ SQL-задач, 530+ Python — бесплатно первые 5 каждого типа.
Открыть тренажёр →Публично точный текст тестового Skyeng для аналитика не выложен, поэтому пример приближён к формату EdTech-продуктового задания. Типичный вид: дают выгрузку/доступ к таблицам (users, lessons, payments) и просят на SQL посчитать недельный retention учеников по когортам регистрации, построить воронку регистрация→первый урок→оплата и найти, на каком шаге и в какой когорте максимальный отвал, а затем письменно предложить гипотезы и что бы вы протестировали A/B-тестом. Разбор подхода: (1) сначала уточните определение метрики — что считаем «активным» учеником и окно retention; (2) на SQL постройте когорты через date_trunc по дате регистрации и JOIN с активностью, retention = уникальные вернувшиеся / размер когорты; (3) воронку считайте как последовательные COUNT(DISTINCT) с условиями; (4) выводы — не просто числа, а гипотеза + предложение эксперимента с метрикой успеха. Оценивают чистоту SQL, корректность метрик и бизнес-выводы, а не объём.
Ядро — SQL вживую и продуктовые кейсы. Пример SQL: «Посчитай retention по недельным когортам» — подход: date_trunc('week', reg_date) для когорты, LEFT JOIN активности, считаем долю вернувшихся на неделе N. Пример оконки: «Найди для каждого ученика второй по счёту оплаченный урок» — ROW_NUMBER() OVER(PARTITION BY user_id ORDER BY paid_at), фильтр rn=2. Пример продуктового кейса: «Retention учеников упал на 5% за месяц — как расследуешь?» — разбейте по сегментам (канал, тариф, платформа, когорта), проверьте сезонность и релизы, изолируйте где именно просадка, сформулируйте гипотезу. Пример A/B: «Как проверишь, что новая онбординг-фича повышает конверсию в оплату?» — метрика конверсии, расчёт размера выборки под MDE, рандомизация, стат-значимость, контроль за подглядыванием в результаты.
Обычно 4–5 этапов: скрининг рекрутёра, техническое интервью (SQL + метрики), продуктовый кейс, тестовое/практическое задание и финал с руководителем направления. По отзывам о найме в Skyeng сам процесс в среднем занимает около недели, но с тестовым заданием может растянуться. Skyeng официально практикует тестовые как отдельный этап.
Уверенный уровень: все типы JOIN, GROUP BY/HAVING, подзапросы и CTE, оконные функции (ROW_NUMBER, RANK, LAG/LEAD, running-агрегаты), работа с датами для когорт и retention, обработка NULL и умение отладить чужой запрос. Аналитики Skyeng работают в Metabase, так что SQL — основной рабочий инструмент; продуктовый аналитик Skyeng даже преподаёт SQL-курс в Skypro, что подтверждает высокую планку по SQL.
По открытым данным: SQL как основной язык, Python (pandas/numpy) для аналитики и автоматизации, BI на Metabase для дашбордов, а также ETL/DWH-инфраструктура. Команда фокусируется на продуктовой аналитике — тестирует гипотезы и измеряет влияние фич на LTV ученика.
Нужны оба, но продуктовое мышление часто решает. SQL и статистика — это входной билет (без них дальше не пройти), но Skyeng ищет аналитиков, которые доводят цифры до продуктовых решений: понимают экономику ученика (retention, LTV, churn), умеют расследовать движение метрики и предложить эксперимент. На кейс-раунде оценивают именно способность превратить данные в рекомендацию.
Прокачайте SQL до автоматизма (оконки, когорты, retention-запросы), разберите продуктовые метрики EdTech/подписочных сервисов (retention по когортам, LTV, воронка конверсии, ARPU, churn) и основы A/B-тестов (дизайн, размер выборки, стат-значимость, типичные ошибки). Потренируйте кейсы формата «метрика просела — что делать» и подготовьте примеры своих проектов с бизнес-эффектом. Полезно освоить Metabase, раз это рабочий инструмент команды.
Яндекс · Ozon · Т-Банк (Tinkoff) · Авито · Wildberries · VK · X5 Group · Сбер · Lamoda · МегаФон · Tutu.ru · Альфа-Банк · МТС · Самокат · Райффайзенбанк · Циан · 2ГИС · ВТБ · Билайн (ВымпелКом) · Точка · Магнит · Додо Пицца (Dodo Brands) · Лаборатория Касперского · HeadHunter (hh.ru) · Aviasales · Ростелеком · Совкомбанк · Газпромбанк · Домклик