Data Analyst

Кто это и зачем нужен

Data Analyst отвечает на вопросы бизнеса данными. Его миссия — превратить сырые цифры в выводы, на которых принимают решения: какая фича сработала, где утекают пользователи, окупается ли канал. Он не строит ML-системы (это ML Engineer) и не пишет продукт — он даёт командам ясную картину реальности вместо догадок.

Боль, которую он закрывает: решения принимаются «по ощущениям», метрики считают по-разному в разных отчётах, A/B-тест провели, но не поняли результат. Аналитик наводит порядок в цифрах и даёт однозначные ответы.

Что ломается без него: команда летит вслепую, метрики противоречат друг другу (нет единых определений), деньги тратятся на то, что не работает, A/B-тесты интерпретируются неверно («вроде вырос — катим»).

День из жизни

Утро. Проверяет дашборды: ключевые метрики, нет ли аномалий после вчерашнего релиза. Разбирает входящий вопрос от продукта («почему просела активация?»). День. Пишет SQL, чистит данные, копает причину просадки (сегментирует: где именно упало). Считает результат A/B-теста — статзначимость, а не «глазом». Строит/обновляет дашборд. Вечер. Формулирует вывод человеческим языком («активация упала из-за бага на шаге 2 у Android, −12%»), фиксирует определения метрик, чтобы все считали одинаково.

Ключевые навыки

Hard: SQL (продвинутый: оконные функции, CTE), визуализация и дашборды (Metabase/Tableau/Power BI), продуктовая аналитика (AARRR/HEART, воронки, retention), статистика A/B-тестов (значимость, мощность), очистка данных, базовый Python (pandas). Soft: критическое мышление (корреляция ≠ причинность), сторителлинг данными, формулировка вывода под решение, скепсис к «красивым» цифрам, коммуникация с бизнесом.

Артефакты, которые пишет

• Дашборд — живая картина метрик.
• SQL-запросы — переиспользуемые, документированные.
• Отчёт по A/B — результат, значимость, рекомендация.
• Описание метрик (metric definitions) — единый словарь. Опирается на методологии Продуктовые метрики (North Star · AARRR · HEART) и Юнит-экономика из базы; результаты A/B питают гипотезы продукта.

Как ИИ/вайб-кодинг усиливает роль

1. Генерация и объяснение SQL. Промт: «По схеме таблиц <…> напиши SQL: недельный retention по когортам регистрации за последние 8 недель. Поясни логику и подсветь возможные подвохи (дубли, таймзоны).»
2. Поиск аномалий. Промт: «Вот динамика метрики за 30 дней <данные>. Найди аномалии, оцени, выброс это или тренд, и предложи гипотезы причин.»
3. Интерпретация A/B. Промт: «Контроль: 5000 юзеров, 320 конверсий; вариант: 5000, 360. Посчитай конверсии, аплифт, статзначимость (p-value) и дай рекомендацию катить/нет с оговорками.»
4. Описание метрики. Промт: «Сформулируй точное определение метрики «активация» для нашего продукта <контекст>: событие, окно, знаменатель, исключения. Чтобы все считали одинаково.»
5. Разбор воронки. Промт: «По данным воронки visit→signup→activation→paid <…> найди шаг с наибольшей утечкой и предложи, что проверить.»

Путь развития: Junior → Middle → Senior → Lead

• Junior: пишет SQL по задаче, строит дашборды по шаблону, считает базовые метрики под присмотром.
• Middle: самостоятельно ведёт аналитику области, проектирует метрики, анализирует A/B и формулирует выводы.
• Senior: ведёт сложные исследования данных, влияет на продуктовые решения, строит систему метрик, наставляет.
• Lead / Head of Analytics: отвечает за аналитическую функцию, data-культуру, единый слой метрик, рост команды.

Частые ошибки и как избежать

• Корреляция = причинность. → Не путай; для причин — эксперимент (A/B), а не совпадение графиков.
• Метрики без единых определений. → Заведи metric definitions; «активация» должна значить одно для всех.
• A/B «на глаз». → Считай статзначимость и мощность; «вроде вырос» — не вывод.
• График без вывода. → Заверши анализ рекомендацией к действию, а не «вот данные».
• Грязные данные → красивый отчёт. → Сначала качество данных (дубли, NULL, таймзоны), потом выводы.

Что освоить (мини-программа)

• Концепции: продуктовая аналитика (AARRR/HEART), когорты и retention, статистика A/B (значимость, мощность, ошибки I/II рода), корреляция vs причинность, воронки.
• Инструменты: SQL, Metabase/Tableau/Power BI, Python (pandas), Amplitude/Mixpanel, dbt (моделирование данных).
• Почитать: «Storytelling with Data» К. Нафлик; «Trustworthy Online Controlled Experiments» (про A/B); курсы по SQL/статистике.

Зарплатные ориентиры (RU)

• Junior Data Analyst: ~80–140 тыс ₽/мес.
• Middle Data Analyst: ~140–230 тыс ₽/мес.
• Senior Data Analyst: ~230–350 тыс ₽/мес.

  Зависит от грейда, индустрии, города и года — проверяй актуальное.

Маппинг на агента Laskoff

Отдельного mapsTo нет: аналитический контур данных/метрик ближе всего к агенту analyst (на стороне данных). В доме под продуктовую аналитику есть скилл product-tracking (дизайн плана трекинга, аудит текущего трекинга). Юнит-экономику можно посчитать во встроенном калькуляторе сервиса.

🤖 Промт-персона

Ты — опытный Data Analyst. Помогаешь мне отвечать на вопросы бизнеса данными, а не ощущениями. Всегда сначала уточняй, какое решение зависит от ответа. Пиши чистый, документированный SQL и поясняй логику; предупреждай о подвохах данных (дубли, NULL, таймзоны). A/B оценивай статистически (значимость, мощность), не «на глаз». Чётко разделяй корреляцию и причинность. Любой анализ завершай человеческим выводом и рекомендацией к действию, а не «вот график». Предлагай заводить единые определения метрик, чтобы все считали одинаково.