Продуктовый аналитик — навыки, зарплата, собеседование 2026
Содержание (10 разделов)
- Зарплаты продуктового аналитика по грейдам
- 5 типов аналитиков — кому конкурируем за оффер
- Что делает продуктовый аналитик
- Hard skills (что спрашивают на собесе)
- Чем отличается от Data Analyst и Data Scientist
- Зарплаты в РФ 2026 (Levels.fyi)
- Карьерный путь Junior → Middle → Senior → Lead
- День из жизни продуктового аналитика
- Топ-5 ошибок в резюме Junior-аналитика
- Как готовиться к собесу — план на 4-8 недель
Зарплаты продуктового аналитика по грейдам
Levels.fyi РФ 2026: продуктовый аналитик — одна из самых высокооплачиваемых ролей в аналитике. Junior G14 от 94K, Senior G16 уходит за 420K, Lead/Staff до 700K+. Total comp с RSU добавляет 20-40%.
5 типов аналитиков — кому конкурируем за оффер
Продуктовый аналитик пересекается с другими типами аналитиков. На собесе важно понимать на какую конкретную роль идёшь — это влияет на ожидаемый стек и зарплату.
Что делает продуктовый аналитик
Считает продуктовые метрики (DAU/MAU, Retention, LTV, CAC, Churn), строит дашборды в Tableau/DataLens/Superset, проектирует A/B-тесты, валидирует гипотезы продукта, делает когортный анализ и сегментацию (RFM), готовит данные для продактов. В отличие от data analyst, фокус на продуктовых решениях, а не только на отчётности.
- Считать и интерпретировать метрики продукта (Retention, LTV, активацию)
- Дизайнить и анализировать A/B-тесты (sample size, CUPED, peeking-checks)
- Делать когортный анализ и сегментацию пользователей
- Готовить дашборды и регулярные отчёты для продакта
- Формулировать продуктовые гипотезы и валидировать через данные
Hard skills (что спрашивают на собесе)
SQL уровня middle+ (JOIN, window functions, CTE, оконные функции), Python для анализа (pandas, numpy, scipy.stats), статистика и A/B-тесты (CUPED, sequential testing, MDE), продуктовые метрики (AARRR, North Star), BI-инструменты (Tableau/Power BI/DataLens), теория вероятностей.
| Навык | Junior | Middle | Senior |
|---|---|---|---|
| SQL | JOIN, GROUP BY, базовые window | CTE, sargability, EXPLAIN | Диалекты (PG/CH/Snowflake), оптимизация |
| Python | pandas groupby/merge | pivot, transform, A/B на scipy | numpy vectorization, sklearn |
| Статистика | базовый t-test | CUPED, multiple testing | Bayesian, mSPRT, causal inference |
| Метрики | DAU/MAU/Retention | +LTV/CAC/NRR/payback | +Rule of 40, Burn Multiple, NSM |
Чем отличается от Data Analyst и Data Scientist
Product Analyst — продуктовые решения через данные (A/B-тесты, метрики, гипотезы). Data Analyst — отчётность и BI (дашборды, регулярные отчёты, ad-hoc). Data Scientist — ML-модели и прогнозирование (классификация, рекомендации, прогнозы). Стек у всех схожий, но фокус и ответственность разные.
| Роль | Главный фокус | Стек |
|---|---|---|
| Product Analyst | A/B-тесты, метрики, продуктовые гипотезы | SQL+Python+stats+BI |
| Data Analyst | Отчётность, дашборды, ad-hoc | SQL+BI±Python |
| Data Scientist | ML-модели, прогнозы | Python(sklearn, PyTorch)+SQL |
| Data Engineer | Пайплайны, инфраструктура | Python+SQL+Spark+Airflow+dbt |
Зарплаты в РФ 2026 (Levels.fyi)
Levels.fyi RU 2026: Junior 94-149K ₽/мес, Middle 150-255K ₽/мес, Senior 300-426K ₽/мес, Lead/Staff 450-700K ₽/мес. RSU 20-40% для public-компаний. Топ-3 total comp: Wildberries 3.89M ₽/год, Avito 3.68M, Yandex 3.65M. Региональная вилка: Москва 288K avg, СПб 199K, Казань 131K.
- Junior (G14): 94-149K ₽/мес + RSU 0-15%
- Middle (G15): 150-255K ₽/мес + RSU 15-25%
- Senior (G16): 300-426K ₽/мес + RSU 20-35%
- Staff/Lead (G17-G18): 450-700K+ ₽/мес + RSU 25-40%
- Bonus: годовой 1-3 месяца зарплаты для senior+
Карьерный путь Junior → Middle → Senior → Lead
Junior (0-1.5 года): простые отчёты, поддержка дашбордов, базовые A/B. Middle (1.5-3 года): самостоятельные кейсы, дизайн A/B-тестов, владение метриками. Senior (3-5 лет): архитектура аналитики, менторство, продуктовое влияние. Lead/Staff (5+): команда аналитиков, стратегия, экспертиза. Средняя скорость роста — 1 грейд за 1.5-2 года.
День из жизни продуктового аналитика
Утро: проверка дашбордов и алертов (15-30 мин), синки с продактом по гипотезам. День: глубокий ad-hoc (SQL+Python, 2-4 часа), discovery новой гипотезы или анализ закончившегося A/B-теста. Вечер: документация выводов, подготовка презентации для команды. 1-2 раза в неделю — review-сессия с PM/CTO. Реальный split: 50% анализ, 25% митинги, 15% документация, 10% обучение.
Топ-5 ошибок в резюме Junior-аналитика
Что отсеивает hr-фильтры и техлидов на этапе резюме:
- Список технологий без проектов («умею SQL, Python, ML» без подтверждения)
- Отсутствие pet-проектов на GitHub (для Junior без опыта — must have)
- Расплывчатые формулировки достижений («увеличил конверсию» без цифр)
- Слишком общие фразы из вакансий — копипаст без правки под себя
- Игнор soft skills — на собесе аналитика спросят про коммуникацию с продактами
Как готовиться к собесу — план на 4-8 недель
1) Решай SQL-задачи в тренажёре (минимум 100-150 разных). 2) Прокачивай pandas (50+ задач) и scipy.stats (20+ A/B-задач). 3) Изучай продуктовые метрики и формулы (LTV/CAC/Payback/NRR). 4) Решай продуктовые кейсы (30+ кейсов из реальных собесов). 5) Тренируйся на AI мок-интервью — получишь оценку 1-10 по 5 критериям. 6) Перед финальным собесом — 5 mock-интервью вживую.
Что изучить дальше
- SQL-тренажёр (480+ задач)
- Python/pandas-тренажёр (530+ задач)
- Продуктовые метрики (360+ формул)
- Продуктовые кейсы (440+)
- AI мок-собеседование
- Юнит-экономика: LTV/CAC/Payback
- Зарплаты аналитиков 2026
- Грейды Junior → Senior
- Как стать аналитиком с нуля
Частые вопросы
Чем продуктовый аналитик отличается от data analyst?
Product analyst фокусируется на продуктовых решениях (A/B-тесты, метрики продукта, гипотезы продакта), data analyst — на отчётности и BI. Стек схожий (SQL/Python/статистика), но product analyst глубже работает с продактами и валидирует продуктовые гипотезы.
Какой стек нужен Junior-продуктовому аналитику?
SQL (JOIN, GROUP BY, базовые window functions), Python pandas (groupby, merge, pivot), знание продуктовых метрик (DAU/Retention/LTV), базовая статистика (t-test, доверительный интервал), один BI-инструмент (Tableau/DataLens).
Сколько зарабатывает продуктовый аналитик в Яндексе?
По Levels.fyi 2026: Junior G14 ~190K ₽/мес, Middle G15 ~289K, Senior G16 ~423K, Staff G17 ~530K. RSU добавляет 20-40% к зарплате. Total comp G15 ~3.65M ₽/год. В регионах ниже на 30-40%.
Сколько готовиться к собесу с нуля?
С нуля до Junior: 6-12 месяцев активной подготовки (2-3 часа в день). С базы (например, Excel + основы Python) до Middle: 12-18 месяцев. Решай 5-10 задач в день, разбирай 1-2 кейса в неделю, проходи 5-10 mock-интервью.
Нужно ли знать ML продуктовому аналитику?
Базово — да: бутстрап, регрессии, кластеризация, classification metrics (ROC-AUC, PR-AUC). Глубокий ML (нейросети, deep learning) — это уже ML-Engineer. Для product analyst достаточно scikit-learn + понимать feature engineering.
Какой BI-инструмент лучше учить первым?
В РФ — Yandex DataLens (бесплатный, российский, спрашивают в Яндексе/Tinkoff/Сбер). Глобально — Tableau (стандарт индустрии) или Power BI (если планируешь работу в b2b). Один инструмент глубоко важнее, чем три поверхностно.
Где брать продуктовые кейсы для тренировки?
У нас в /cases — 440+ продуктовых кейсов из реальных собесов в Яндекс, Ozon, Тинькофф, Avito, Wildberries. С эталонными разборами от senior-аналитиков. Также Exponent, Interview Query, vc.ru Habr-статьи с кейсами.
Что такое North Star метрика?
Главная продуктовая метрика, отражающая ценность для пользователя и привязанная к выручке. Примеры: Spotify — Time Spent Listening, Airbnb — Nights Booked, Slack — Messages Sent. На собесе спросят: «какая NSM была у твоего предыдущего продукта?».
Можно ли стать продуктовым аналитиком без технического образования?
Да. 30% Junior-аналитиков в Яндекс/Ozon — без профильного диплома (инженеры, химики, переводчики). Главное: SQL + Python + статистика + продуктовое мышление. Резюме без диплома компенсируется портфолио из 3-5 проектов на GitHub.
Где быстрее всего вырасти Junior до Middle?
В стартапах быстрее (1-1.5 года из-за нехватки людей и широких задач), но риск дольше искать следующую работу. В bigtech (Яндекс/Ozon) стабильнее (1.5-2 года), плюс готовая инфраструктура аналитики. Для Junior лучше bigtech — учишься у senior-команды.