Подготовка к собеседованию аналитика за месяц: план по неделям
За месяц реально подготовиться к собеседованию аналитика данных, если есть базовое знакомство с данными и 2–3 часа в день. Рабочая схема — четыре недельных блока: SQL-фундамент, Python и статистика, продуктовые кейсы с метриками, мок-собесы и добивание слабых мест. Главный принцип — решать задачи руками и проговаривать решения вслух, а не перечитывать теорию. Ниже — план по дням и чек-лист готовности.
Дни 1–2: диагностика и расписание
Реши 3–5 SQL-задач среднего уровня на время. Если JOIN и GROUP BY идут со скрипом — первая неделя уйдёт на базу, и это нормально: лучше узнать сейчас, чем на собесе.
Перечитай вакансию и выпиши конкретный стек и требования. Готовиться к «аналитику вообще» — трата времени, готовься к конкретной роли.
Зафиксируй расписание: 2–3 часа в будни, 4–5 в выходные. Меньше — четыре блока за месяц не влезут.
Дни 1–3: JOIN всех типов, GROUP BY с HAVING, подзапросы. Решай по 5–7 задач в день в SQL-тренажёре — с настоящим PostgreSQL в браузере, как на реальной кодинг-секции.
Дни 4–5: оконные функции — ROW_NUMBER, RANK, LAG/LEAD, скользящие агрегаты. Их спрашивают почти на каждом собесе уровня middle.
Дни 6–7: CTE, когорты и воронки — типовые «боевые» задачи продуктовой аналитики.
Каждый вечер разбирай ошибки: задача, решённая с подсказкой, — не решённая задача. Возвращайся к ней через день и решай с чистого листа.
Неделя 2: Python и статистика
Дни 1–3: pandas — groupby, merge, pivot, работа с датами. Решай задачи руками в Python-тренажёре, а не читай про методы: на собесе проверяют навык, не эрудицию.
Дни 4–5: статистика для A/B-тестов — p-value, доверительные интервалы, мощность, размер выборки. Тренируйся объяснять словами, без формул: интервьюер проверяет понимание.
Дни 6–7: типовые ловушки — множественные сравнения, подглядывание в тест до конца, ratio-метрики. Про них любят спрашивать, чтобы отличить практика от зубрилы.
Параллельно решай 1–2 SQL-задачи в день, чтобы неделя 1 не выветрилась.
Неделя 3: продуктовые кейсы и метрики
Дни 1–2: собери дерево метрик — DAU/MAU, retention, конверсия, ARPU, LTV, юнит-экономика. Не зубри определения, а понимай, что двигает каждую метрику и как они связаны.
Дни 3–5: разбирай продуктовые кейсы — «метрика упала», «оценить фичу», «спроектировать эксперимент». Проговаривай решение вслух по структуре: уточнить → декомпозировать → гипотезы → проверка данными.
Дни 6–7: возьми продукт компании из вакансии и продумай его ключевые метрики и то, как бы ты считал их в SQL. Такой вопрос на собесе почти гарантирован.
SQL и Python — по 20–30 минут в день на поддержание формы.
Неделя 4: мок-собесы и слабые места
Дни 1–2: пройди 2–3 полных AI мок-собеседования — с таймером, вслух, без пауз на гугление. Выписывай каждое место, где поплыл.
Дни 3–5: точечно закрывай провалы: западают оконные функции — 10 задач только на окна; сыпется статистика — переразбери блок про A/B заново.
День 6: подготовь рассказ о себе на 2 минуты и 3–4 истории про проекты в формате «задача → что сделал → результат в цифрах». Продумай вопросы работодателю.
День 7: отдых или лёгкое повторение конспектов. Прийти на собес выжатым хуже, чем прийти чуть недоученным.
Пишу JOIN, GROUP BY и оконные функции без подсказок и гугления
Объясняю p-value и доверительный интервал своими словами
Могу спроектировать A/B-тест: метрика, размер выборки, длительность, критерий
Разбираю кейс «метрика упала» по структуре, а не перебором догадок
Знаю продукт компании и могу назвать его вероятные ключевые метрики
Рассказ о себе укладывается в 2 минуты и заканчивается результатом в цифрах
Есть 3 истории про проекты в формате «задача → действия → результат»
Прошёл хотя бы один мок-собес целиком, вслух и на время
Подготовлены 3–4 вопроса работодателю про команду и задачи
Частые вопросы
Реально ли подготовиться к собеседованию аналитика за месяц?
Да, если вы уже работали с данными хотя бы на базовом уровне: писали простые SQL-запросы, открывали pandas, понимаете, что такое конверсия. Месяц структурированной подготовки закрывает типовую программу собеса: SQL, статистику, кейсы. С полного нуля за месяц выйти на уверенного джуна почти невозможно — честный срок для старта с нуля ближе к 3–6 месяцам.
С чего начать подготовку?
Не с теории, а с диагностики: решите 3–5 SQL-задач среднего уровня на время и посмотрите, где споткнулись. Затем перечитайте вакансию и выпишите конкретные требования — готовиться нужно к конкретной роли, а не к «аналитику вообще». Уже после этого распределяйте усилия по неделям.
Сколько часов в день нужно заниматься?
Рабочая норма — 2–3 часа в будни и 4–5 в выходные, то есть порядка 20–25 часов в неделю. Меньше — и четыре блока (SQL, Python и статистика, кейсы, моки) в месяц не влезут. Если есть только час в день, честнее растянуть тот же план на два месяца, чем пробежать его галопом без закрепления.
Что важнее — SQL или Python?
Для аналитика данных — SQL: живая секция с написанием запросов есть почти на каждом собесе, и заваливают чаще всего именно её. Python спрашивают не везде и обычно мягче — на уровне pandas и базовой статистики. Поэтому SQL стоит первой неделей и поддерживается ежедневно до самого собеса.
Что делать, если до собеседования не месяц, а неделя?
Сжимать план, а не пытаться выучить всё: 3 дня на SQL (JOIN, агрегации, оконные функции), 2 дня на метрики и разбор пары кейсов вслух, 1 день на мок-собес, последний день — отдых и рассказ о себе. За неделю реально освежить знакомое, но не выучить новое — если статистику вы не знали, за 7 дней она не появится.
Как понять, что я готов?
Пройдите полный мок-собес вслух, на время и без подсказок: если SQL-задачи среднего уровня решаются без гугления, кейс разбирается по структуре, а объяснение A/B-теста не разваливается на уточняющих вопросах — вы готовы. Идеальной готовности не бывает: если чек-лист выше закрыт на 80%, идти на собес уже можно.