road/mapsК карте аналитика →

Основания программы «Аналитик данных»

Вывод

Самостоятельный маршрут должен начинаться с профессии, вопросов к данным и простых расчётов, затем вести через SQL, BI, Python, статистику и эксперименты к самостоятельной аналитической работе. Продвинутую часть следует строить вокруг качества решений: причинных выводов, устойчивых метрик, воспроизводимых процессов и ответственности за аналитическую систему. Количество освоенных библиотек само по себе не определяет профессиональный уровень.

Для основного пути выбраны Google Таблицы, PostgreSQL, DataLens и Python. Это редакционное решение: оно соединяет доступные русскоязычные материалы и практику без обязательной покупки курса. Power BI предусмотрен как отдельная замена BI-инструмента; R, машинное обучение и инженерные платформы не должны одновременно становиться входными требованиями.

Границы исследования

Срез официальных страниц выполнен 14 сентября 2026 года. Сопоставлены программы российских онлайн-школ, профессиональные траектории Google и Microsoft, вводные и продвинутые университетские курсы Berkeley и MIT. Это целевая выборка разных образовательных подходов, а не рейтинг популярности: независимые сопоставимые данные о количестве учащихся и результатах трудоустройства не собирались.

Лендинг школы показывает заявленное содержание. Он не доказывает качество преподавания, фактическую нагрузку или трудоустройство выпускника. Закрытые кабинеты, проверка домашних работ и платные разделы не проходились. Цены, зарплаты, скидки и обещания трудоустройства не используются как основания программы.

Университетский курс, профессиональный сертификат и программа переподготовки решают разные задачи. Их нельзя сравнивать только по длительности. Сопоставление ниже относится к темам, входным требованиям, практике и способу проверки результата.

Сравнение образовательных программ

Программа Что подтверждает официальный источник Решение для маршрута
Яндекс Практикум, «Аналитик данных» В опубликованной программе есть введение, Google Таблицы, SQL, визуализация, Python, бизнес-метрики и эксперименты; обучение сопровождается проектами. 1 Начинать с понятного бизнес-вопроса и небольшого отчёта. Завершать блоки работой с выводами.
Нетология, «Аналитик данных» Программа соединяет аналитическое мышление, таблицы, SQL, Python и практическую статистику; среди расширений указаны BI, A/B-тесты и большие данные. 2 Аналитическое мышление, качество исходных данных и обсуждение гипотез должны появляться до продвинутого инструментария.
Karpov Courses, «Аналитик данных» и открытый SQL-симулятор Профессиональная программа ориентирована на практические задачи. Отдельный бесплатный симулятор содержит PostgreSQL, объединения, подзапросы, оконные функции и продуктовые задачи. 34 Использовать симулятор для последовательной практики SQL, но проверять перенос навыка на собственные данные вне тренажёра.
Google Data Analytics Certificate Траектория для начинающих организована вокруг вопроса, подготовки, очистки, анализа, коммуникации и итогового кейса. 5 В каждом проекте сохранять весь цикл: вопрос → данные → расчёт → вывод → решение.
Google Advanced Data Analytics Углубление включает Python, статистику, регрессию, экспериментальный дизайн и ML; основной текст страницы предполагает предварительную базу. 6 Моделирование поставить после Python и статистики. Не переносить рекламный список должностей в обещание уровня выпускника.
Google Business Intelligence Отдельное продолжение по моделям данных, подготовке данных и отчётности. 7 Разделять разовое исследование и регулярный аналитический продукт; обучать модели данных и передаче отчёта.
Microsoft PL-300 Проверяются подготовка, моделирование, визуализация, управление и защита Power BI; указаны Power Query и DAX. 8 BI-блок должен проверять корректность связей, мер, обновления и доступа, а не только внешний вид дашборда.
UC Berkeley Data 8 Вводный курс соединяет вычисления, статистическое мышление и реальные данные, рассчитан на начало обучения. 9 Давать статистические понятия через наблюдения и небольшие эксперименты, не требуя предварительно пройти полный матанализ.
UC Berkeley Data 100 Продвинутый курс требует базы уровня Data 8, дополнительного программирования и линейной алгебры. 10 Явно показывать зависимости между темами; до регрессии и ML поставить подготовку по программированию и математике.
MIT 15.071, The Analytics Edge Открытая версия весны 2017 года использует прикладные кейсы, регрессию, классификацию, кластеризацию и оптимизацию. Есть задания и финальный проект; требуются статистика и оптимизация. 11 Взять принцип принятия решения на основе кейса. Архивную программу использовать для структуры углубления, а современные интерфейсы изучать по документации.

У Google на страницах встречаются несогласованные упоминания R и Python, а на странице advanced рядом с требованиями базы есть общий рекламный блок «без опыта». Поэтому конкретный язык и входной уровень нельзя выводить из одного баннера. В этой карте Python выбран явно; зависимость advanced от основ сохраняется. 56

Почему такой порядок

Профессия и вопрос до инструментов

Начинающий сначала должен увидеть разницу между «посчитать выручку» и «решить, что делать с её падением». Поэтому первые задания выполняются на маленькой таблице: можно проверить каждое число вручную и обсудить, какой информации не хватает. Различия между аналитиком данных, продуктовым, BI-, бизнес- и системным аналитиком объясняются через результаты работы, с оговоркой о пересечении ролей.

Таблицы перед SQL, SQL перед большими данными

На видимых строках проще понять фильтр, тип данных, идентификатор и агрегацию. Следующий шаг переносит эти операции в SQL. До оконных функций необходимо освоить объединения и детализацию: запрос может выполняться без ошибки и при этом удваивать выручку. Доказательство корректности важнее сложного синтаксиса.

PostgreSQL выбран основным диалектом благодаря открытому русскоязычному симулятору. Stepik-тренажёр полезен как альтернативная практика, но различия диалектов должны быть обозначены. DuckDB вводится позже для локального анализа файлов, а не как незаметная подмена PostgreSQL. 41213

BI после первого самостоятельного SQL-анализа

Дашборд должен отвечать на заранее определённые вопросы. Студент сначала получает проверенные агрегаты, затем создаёт графики, фильтры и пояснения. Позже он возвращается к модели данных и обновлению отчётности. Такой двухпроходный подход позволяет не перегружать начало и всё же выйти за пределы декоративной визуализации.

DataLens выбран для основного маршрута: есть русский курс и официальные руководства. Бесплатность индивидуального использования проверяется отдельно от бесплатности курса. Облачные базы данных и платные функции не требуются. Power BI Desktop подходит как вариант для Windows; бесплатное создание локального файла не следует смешивать с условиями совместной работы в облаке. 141516

Python для повторяемого анализа

Основы языка изучаются до pandas: переменные, условия, циклы, коллекции, функции, файлы и ошибки. Затем идут очистка, объединение, исследование и визуализация. Git и окружение нужны до большого портфолио, чтобы другой человек мог воспроизвести результат.

Русский хендбук Яндекса даёт теорию и задачи, включая pandas и requests. Открытое издание книги Wes McKinney служит дополнительным объяснением обработки данных. Его примеры ориентированы на более ранние версии pandas, поэтому конкретный API сверяется с текущей документацией. 171819

Статистика перед A/B-тестом

Необходима цепочка: единица наблюдения → выборка → распределение → неопределённость оценки → проверка гипотез → дизайн эксперимента. Иначе студент учится выбирать функцию по названию, не понимая, какую гипотезу она проверяет.

У курса Stepik «Основы статистики» есть прямое предупреждение автора об устаревших и неточных формулировках. Он используется как русскоязычное введение с обязательной сверкой смысла статистических выводов. IMS2 даёт открытый учебник, упражнения и ответы; заявление ASA помогает предотвратить неверные трактовки p-value. 202122

Дизайн эксперимента включает метрику, единицу рандомизации, минимально значимый эффект, мощность, длительность и правила остановки. В анализе отдельно проверяются потери данных и соотношение групп. Исследование Microsoft показывает, почему Sample Ratio Mismatch требует диагностики до интерпретации эффекта. 23

Работа и углубление

Готовность к первой работе проверяется на новом наборе данных и изменении требований, а не на повторении знакомого ноутбука. Продолжение включает причинный анализ, регрессию, прогнозирование, качество витрин и ведение аналитической задачи с заказчиком.

Курс не может гарантировать senior-грейд: в рамках этой карты senior рассматривается как способность вести неоднозначные задачи, согласовывать определения, предотвращать ошибки и отвечать за последствия решений. Это редакционная рамка развития, а не единый стандарт всех работодателей. Для оценки нужны реальные или максимально приближённые к реальным задачи, внешняя обратная связь и наблюдение результата после внедрения.

Требования к учебным материалам

Обязательный источник должен иметь понятное место в шаге: точное название раздела, что выполнить, как проверить и где остановиться. Ссылка на главную страницу многотемного курса без указания нужной части недостаточна. Альтернатива нужна для другого объяснения или недоступного сервиса, а не как второй обязательный полный курс.

«Открытый материал» здесь означает легально доступное чтение или прохождение без обязательной оплаты указанной части. Это не утверждение о свободной лицензии. Регистрация, язык, платный сертификат и ограничения лабораторий указываются отдельно. Полные программы школ служат образцами содержания и не становятся обязательными покупками.

В продвинутой части есть английские учебники. Автоматический перевод может помочь читать текст, но не заменяет освоение терминов и проверку формул. Нельзя одновременно обещать глубокую подготовку исключительно на русском и скрывать обязательное англоязычное чтение. Языковая нагрузка должна быть видна до начала этапа.

Практика и оценивание

В начале используются авторские маленькие таблицы с контрольными ответами. Далее — открытые транзакционные данные Online Retail, затем независимый набор TLC для проверки переноса навыков. UCI предоставляет данные, описание полей и условия атрибуции. TLC публикует словари полей и прямо оговаривает ограничения достоверности данных. 2425

Данные о продажах не содержат автоматически сведения о показах рекламы, посетителях, себестоимости или рандомизации. Поэтому нельзя вычислять на них CAC, прибыль, конверсию посетителя в покупателя или причинный эффект рекламной кампании без дополнительных данных. Для обучения экспериментам используется явно обозначенная симуляция, а не выдуманный «реальный A/B-тест» на исторических продажах.

Работа Что проверяется Что считается недостаточным
Отчёт в таблицах Формулы, типы, сводные таблицы, различие выручки и прибыли Красивый график с вручную набранным итогом
SQL-анализ JOIN, NULL, детализация, CTE, окна, проверки итогов Набор запросов без вопросов и сверки результата
BI-дашборд Определения метрик, связи, фильтры, полезность для читателя Несогласованные показатели на разных страницах
Исследование Python Очистка, EDA, воспроизводимость, ограничения Ноутбук, работающий только в случайном порядке ячеек
Эксперимент Дизайн, качество разбиения, оценка эффекта и неопределённости Решение исключительно по p < 0,05
Итоговый кейс Незнакомые данные, новая постановка, защита и доработка Повторение опубликованного решения

Для самостоятельного обучения нужна лестница помощи: собственная попытка, разбор маленького примера, точный раздел источника, альтернативное объяснение, вопрос в сообществе или наставнику. AI может помогать разбирать ошибку, но автопроверка, ручной контроль и повторное решение без подсказки остаются обязательными.

Что не включается в обязательное начало

Глубокое обучение, полноценный MLOps, администрирование кластеров, Kafka, Spark, Kubernetes и несколько BI-систем одновременно не являются обязательными этапами перед первым аналитическим проектом. Они могут понадобиться конкретной специализации, но существенно увеличивают число зависимостей. Основной маршрут сохраняет акцент на SQL, статистике, качестве данных и принятии решений.

Продвинутые учебники по причинности, прогнозированию и ML включаются после базовых проектов. Для прогнозирования доступна отдельная Python-версия FPP, поэтому нет необходимости вводить R только ради одного блока. Для причинного анализа выбран открытый учебник с примерами Python; для ML — ISLP и официальные рекомендации против утечки данных. 26272829

Источники

Проверка ссылок и упражнений

Проверены 81 уникальный адрес из карты и этой записки: HTTP-ошибок при пакетной проверке не получено, но это не означает 81 непосредственно доступный учебный материал. Три страницы Google перенаправляли запрос на региональную главную страницу, пять адресов Yandex Cloud — через служебную страницу входа; содержание соответствующих страниц дополнительно проверялось через веб-чтение. Один адрес документации dbt перенаправлялся на новую страницу той же темы. Известные переходы документации приведены к актуальным адресам.

В отдельном временном окружении выполнены встроенные Python-примеры, проверены суммы авторского CSV, этапы воронки и расчёт симуляционного эксперимента. SQL-заготовка выполнена в DuckDB для проверки данных и контрольных итогов; это не проверка установки PostgreSQL. Пример World Bank API получил десять годовых наблюдений. Архив UCI скачан и XLSX прочитан: 541 909 строк, 135 080 пропусков CustomerID, несмотря на отметку «No» о пропусках на странице набора. Это подтверждает необходимость проверки самого файла. Внешние данные и библиотеки использовались только во временной среде проверки.

Оценки длительности — редакционные, не экспериментально измеренные. Карта ещё не прошла пилот с начинающими учащимися; полноту объяснений, нагрузку и доступность учебных кабинетов следует уточнять по обратной связи. Проверка ссылок и примеров не подтверждает обещание обучения без затруднений.

Библиография

Дата обращения ко всем источникам: 2026-09-14. Даты ниже относятся к материалам, когда они установлены; отсутствие даты не означает актуализацию в день проверки.

  1. Яндекс Практикум. Аналитик данных — программа, текущая страница.
  2. Нетология. Аналитик данных — программа, текущая страница.
  3. Karpov Courses. Аналитик данных, индексированное содержание; полное чтение страницы инструментом ограничено размером ответа.
  4. Karpov Courses. Симулятор SQL, программа и условия доступа.
  5. Google. Data Analytics Certificate, текущая страница.
  6. Google. Advanced Data Analytics Certificate, текущая страница.
  7. Google. Business Intelligence Certificate, текущая страница.
  8. Microsoft. Study guide for Exam PL-300, цели экзамена с 2026-04-20.
  9. UC Berkeley. Data 8, описание курса.
  10. UC Berkeley. Data 100, описание входных требований.
  11. MIT OpenCourseWare. The Analytics Edge — Syllabus, весна 2017.
  12. Г. П. Озерова, Stepik. Интерактивный тренажер по SQL.
  13. PostgreSQL Global Development Group. Tutorial.
  14. Yandex Cloud. DataLens: анализ и визуализация данных, обновление курса — апрель 2026.
  15. Yandex Cloud. Правила тарификации DataLens.
  16. Microsoft. Скачивание Power BI Desktop.
  17. Яндекс Образование. Основы Python.
  18. Wes McKinney. Python for Data Analysis, 3E — Open Edition, 2022; обновление под pandas 2.0 — 2023.
  19. pandas. Getting started tutorials, текущая документация.
  20. Анатолий Карпов, Институт биоинформатики, Stepik. Основы статистики, с предупреждением автора о неточностях.
  21. Mine Çetinkaya-Rundel, Johanna Hardin. Introduction to Modern Statistics, 2e, 2024, версия 2026-03-31.
  22. American Statistical Association. Statement on Statistical Significance and P-Values, 2016.
  23. Microsoft Research. Diagnosing Sample Ratio Mismatch in Online Controlled Experiments, KDD 2019.
  24. Daqing Chen, UCI. Online Retail, 2015; наблюдения 2010–2011.
  25. NYC TLC. Trip Record Data, данные и словари.
  26. Matheus Facure. Causal Inference for the Brave and True, открытый учебник.
  27. OTexts. Forecasting: Principles and Practice, the Pythonic Way, открытый учебник.
  28. Gareth James и соавторы. An Introduction to Statistical Learning, Python-издание 2023.
  29. scikit-learn. Common pitfalls and recommended practices, текущая документация.

  1. Яндекс Практикум. Аналитик данных — программа, текущая страница. ↩

  2. Нетология. Аналитик данных — программа, текущая страница. ↩

  3. Karpov Courses. Аналитик данных, индексированное содержание; полное чтение страницы инструментом ограничено размером ответа. ↩

  4. Karpov Courses. Симулятор SQL, программа и условия доступа. ↩↩

  5. Google. Data Analytics Certificate, текущая страница. ↩↩

  6. Google. Advanced Data Analytics Certificate, текущая страница. ↩↩

  7. Google. Business Intelligence Certificate, текущая страница. ↩

  8. Microsoft. Study guide for Exam PL-300, цели экзамена с 2026-04-20. ↩

  9. UC Berkeley. Data 8, описание курса. ↩

  10. UC Berkeley. Data 100, описание входных требований. ↩

  11. MIT OpenCourseWare. The Analytics Edge — Syllabus, весна 2017. ↩

  12. Г. П. Озерова, Stepik. Интерактивный тренажер по SQL. ↩

  13. PostgreSQL Global Development Group. Tutorial. ↩

  14. Yandex Cloud. DataLens: анализ и визуализация данных, обновление курса — апрель 2026. ↩

  15. Yandex Cloud. Правила тарификации DataLens. ↩

  16. Microsoft. Скачивание Power BI Desktop. ↩

  17. Яндекс Образование. Основы Python. ↩

  18. Wes McKinney. Python for Data Analysis, 3E — Open Edition, 2022; обновление под pandas 2.0 — 2023. ↩

  19. pandas. Getting started tutorials, текущая документация. ↩

  20. Анатолий Карпов, Институт биоинформатики, Stepik. Основы статистики, с предупреждением автора о неточностях. ↩

  21. Mine Çetinkaya-Rundel, Johanna Hardin. Introduction to Modern Statistics, 2e, 2024, версия 2026-03-31. ↩

  22. American Statistical Association. Statement on Statistical Significance and P-Values, 2016. ↩

  23. Microsoft Research. Diagnosing Sample Ratio Mismatch in Online Controlled Experiments, KDD 2019. ↩

  24. Daqing Chen, UCI. Online Retail, 2015; наблюдения 2010–2011. ↩

  25. NYC TLC. Trip Record Data, данные и словари. ↩

  26. Matheus Facure. Causal Inference for the Brave and True, открытый учебник. ↩

  27. OTexts. Forecasting: Principles and Practice, the Pythonic Way, открытый учебник. ↩

  28. Gareth James и соавторы. An Introduction to Statistical Learning, Python-издание 2023. ↩

  29. scikit-learn. Common pitfalls and recommended practices, текущая документация. ↩