Путь в Data Analytics не обязательно растягивать на годы. Если учиться последовательно, за 9 месяцев реально собрать сильную базу для первой работы или стажировки. Ниже — практичный роадмап, который закрывает частые запросы: как стать Data Analyst с нуля, что учить аналитику данных, в каком порядке изучать Excel, SQL, Python и BI.
1–2 месяц: Excel — база аналитического мышления
Excel — не “устаревший инструмент”, а быстрый способ понять логику данных.
Что изучить:
- формулы: `IF`, `VLOOKUP/XLOOKUP`, `SUMIFS`, `COUNTIFS`
- сводные таблицы
- очистка данных, фильтры, сортировка
- базовые графики и дашборды
- работа с большими таблицами и логикой расчётов
Что важно на выходе: уметь взять сырую таблицу, почистить её и собрать понятный отчёт.
3–4 месяц: SQL — главный язык аналитика
SQL нужен почти в каждой вакансии Data Analyst.
Фокус:
- `SELECT`, `WHERE`, `ORDER BY`, `GROUP BY`
- `JOIN` — один из ключевых навыков
- агрегатные функции: `COUNT`, `SUM`, `AVG`, `MAX`, `MIN`
- подзапросы и `CASE WHEN`
- оконные функции: `ROW_NUMBER`, `RANK`, `LAG/LEAD`
- работа с датами
Что важно на выходе: уметь писать запросы к базе, считать метрики и собирать аналитические выборки без помощи разработчиков.
5–6 месяц: Python — автоматизация и анализ
Python не всегда обязателен на старте, но сильно повышает ценность специалиста. 🐍
Что изучить:
- основы синтаксиса
- `pandas` для таблиц
- `numpy` для вычислений
- очистка и трансформация данных
- визуализация: `matplotlib`, `seaborn`
- чтение CSV/Excel/JSON
Что важно на выходе: автоматизировать рутинные задачи, анализировать датасеты и быстро проверять гипотезы.
7–8 месяц: BI — упаковка аналитики в результат
BI-инструменты нужны, чтобы превращать расчёты в понятные бизнесу дашборды.
На выбор:
- Power BI
- Tableau
- Looker Studio
Что изучить:
- подключение источников данных
- моделирование связей
- создание KPI и интерактивных дашбордов
- правила хорошей визуализации
- сторителлинг через данные 📈
Что важно на выходе: сделать дашборд, по которому менеджер сможет принять решение.
9 месяц: портфолио и подготовка к работе
Именно здесь многие “застревают”, хотя знания уже есть.
Нужно сделать:
- 2–3 проекта в портфолио
- один проект в Excel
- один в SQL + Python
- один BI-дашборд
- оформить кейсы: задача → данные → анализ → выводы
- подготовить резюме под вакансии Junior Data Analyst
Что должно быть в портфолио
- анализ продаж
- когортный анализ или retention
- A/B-test разбор
- дашборд по маркетингу, продукту или финансам
Главная ошибка новичков
Изучать инструменты “по отдельности”, без реальных задач. Работодатель ищет не человека, который знает 100 функций, а того, кто умеет находить инсайты и объяснять их бизнесу. 🎯
Итог
За 9 месяцев можно выйти на крепкий junior-уровень, если идти по цепочке:
Excel → SQL → Python → BI → портфолио.
Такой порядок даёт и техническую базу, и понимание, как работать с данными в реальных проектах. ✅
Подборку полезных каналов про IT и аналитику можно посмотреть ниже 👇