Аналитик данных и Data Scientist: в чём разница и с чего начинать

В описаниях курсов и вакансий аналитик данных и Data Scientist часто стоят через косую черту, будто это одно и то же. Потом вы открываете две вакансии: в одной просят SQL и умение строить отчёты, в другой градиентный бустинг и математическую статистику. В этой статье объясняем, в чём разница между аналитиком данных и Data Scientist, как их работа выглядит на одном и том же примере и с какой из двух ролей разумнее начинать человеку без технического образования.

Короткий ответ

Аналитик данных отвечает на вопросы о том, что произошло и почему. Сколько клиентов ушло в прошлом квартале, из каких каналов они приходили, после какого изменения упали продажи. Его результат — вывод, по которому человек принимает решение: отчёт, дашборд, записка руководителю.

Data Scientist строит модели, которые предсказывают или решают автоматически. Кто из клиентов, вероятно, уйдёт в следующем месяце, какой товар показать этому покупателю, похожа ли операция на мошенническую. Его результат — работающая модель, встроенная в продукт или в процесс.

Граница размыта. В небольшой компании оба набора задач может вести один человек, а название должности выберет тот, кто писал вакансию. Но навыки и путь входа различаются заметно.

Сравнение по пунктам

Один сюжет глазами обоих

Возьмём сервис с ежемесячной подпиской, например онлайн-кинотеатр. Руководитель замечает, что подписчики стали уходить чаще, и просит разобраться.

Что делает аналитик. Сначала уточняет, что считать уходом: человек отменил подписку или просто не продлил её после неудачного списания с карты? Это разные истории. Затем пишет запрос к базе и смотрит отток по месяцам, по тарифам, по способу привлечения.

SELECT
  DATE_TRUNC('month', start_date) AS cohort,
  plan,
  COUNT(*) AS subscribers,
  ROUND(100.0 * COUNT(*) FILTER (WHERE cancelled_at IS NOT NULL
        AND cancelled_at < start_date + INTERVAL '60 days') / COUNT(*), 1)
        AS churn_60d_pct
FROM subscriptions
GROUP BY 1, 2
ORDER BY 1, 2;

Запрос показывает, какая доля подписчиков каждого месяца и тарифа ушла в первые 60 дней. Допустим, выясняется, что отток вырос только у тех, кто пришёл по акции «первый месяц за копейки»: они уходят сразу после первого полного списания. Аналитик оформляет это в три графика и одну страницу текста с выводом: проблема в качестве привлечённой аудитории, продукт тут ни при чём. Решение о том, что делать с акцией, принимает руководитель.

Что делает Data Scientist. Его зовут, когда компания хочет действовать заранее. Он собирает признаки по каждому подписчику: сколько вечеров за последние две недели человек что-то смотрел, обращался ли в поддержку, были ли сбои оплаты. Обучает модель, которая для каждого клиента оценивает вероятность ухода в ближайшие тридцать дней. Проверяет её на данных, которых она не видела, и честно отвечает на вопрос, насколько она лучше простого правила «не заходил десять дней, значит, в зоне риска». Если лучше, модель встраивают в систему рассылок: людям с высоким риском автоматически уходит предложение.

Заметьте порядок. Без работы аналитика Data Scientist не знал бы, что такое «уход» и какие данные вообще есть. А в половине случаев после аналитика модель оказывается не нужна: хватает правила из одной строки.

Соседние названия, которые путают

Продуктовый и маркетинговый аналитик — тот же аналитик данных со специализацией на одном направлении.

BI-аналитик строит и поддерживает отчётность: дашборды, которыми пользуется вся компания.

Дата-инженер отвечает за то, чтобы данные вообще доехали из разных систем в хранилище в пригодном виде. Это программирование и инфраструктура, ближе к разработке.

ML-инженер доводит модель до работающего сервиса: скорость, надёжность, обновление. Тоже ближе к разработке.

Системный и бизнес-аналитик к анализу данных отношения почти не имеют: они описывают требования к программам и процессы.

Почему начинать почти всегда стоит с аналитики

Есть три причины.

Первая — порог входа. Аналитику для начала хватает школьной математики, внимательности и здравого смысла. От Data Scientist на собеседовании ждут объяснений, как устроен алгоритм внутри и почему выбрана эта метрика качества, и на такие позиции часто берут людей с математическим или техническим образованием.

Вторая — общий фундамент. SQL, pandas, очистка данных, умение сформулировать вопрос нужны обеим ролям. По опросу Stack Overflow Developer Survey 2025 SQL использовали 58,6% участников, Python 57,9%: это два самых ходовых инструмента для работы с данными, и они не пропадут, куда бы вы ни пошли дальше.

Третья — понимание бизнеса. Модель, построенная без понимания, откуда взялись данные и какое решение по ней примут, остаётся упражнением. Год в аналитике даёт это понимание лучше любого курса по машинному обучению.

О спросе в целом. В отчёте Всемирного экономического форума Future of Jobs 2025 специалисты по большим данным и по ИИ и машинному обучению названы среди самых быстрорастущих профессий до 2030 года. Это прогноз работодателей по рынку в целом. Он ничего не говорит о том, легко ли найти первую работу новичку: на начальные позиции в данных конкуренция высокая.

Что учить и в каком порядке

При восьми–десяти часах в неделю путь до портфолио аналитика занимает три-четыре месяца.

1. Таблицы и метрики, 2 недели. Google Sheets или Excel: сводные таблицы, фильтры, графики. Что такое конверсия, средний чек, удержание, чем среднее отличается от медианы. Первый небольшой анализ открытых данных.
2. SQL, 3–4 недели. SELECT, WHERE, GROUP BY, затем JOIN и подзапросы, затем оконные функции. SQL спрашивают на собеседованиях на все роли в данных.
3. Python и pandas, 3–4 недели. Основы языка, загрузка таблиц, фильтры, группировки, очистка, графики. Объём по самому языку совпадает с нашим планом по Python на 8 недель.
4. Дашборд, 2 недели. Один законченный проект на открытых данных: вопрос, данные, графики, вывод. Подойдёт BI-система или Streamlit.
5. Статистика и A/B-тесты, 2 недели. Выборка, доверительный интервал, статистическая значимость: что это и как не обмануть себя.
6. Первая модель, 2 недели. Простая задача в scikit-learn с разделением на обучение и проверку. Цель скромная: понять, как это устроено, и решить, хотите ли вы идти в эту сторону дальше.

В таком порядке, от вопросов бизнеса к инструментам, идёт курс «Аналитик данных / Data Scientist» в Moment School: основная его часть посвящена аналитике, а машинное обучение даётся как введение.

Если после шестого шага модели увлекли вас всерьёз, дальше идёт отдельная дорога длиной от года: математика, классические алгоритмы, затем нейросети. Идти по ней удобнее, уже работая аналитиком.

Где обычно ломается

Старт с нейросетей. Человек проходит курс по глубокому обучению, не умея написать JOIN. Модели на готовых учебных наборах получаются, а с настоящей грязной таблицей он не справляется.

Проекты на заезженных данных. «Титаник» и ирисы видел каждый, кто нанимает. Возьмите данные по теме, в которой разбираетесь: открытую статистику своего города, цены на жильё, выгрузку личных расходов.

Графики без вывода. Дашборд из двенадцати диаграмм, ни одна из которых ни на что не отвечает. Работа аналитика заканчивается фразой «поэтому предлагаю сделать вот что», а не красивой картинкой.

Страх задавать вопросы. Половина ошибок в анализе появляется оттого, что аналитик не уточнил, как считается метрика, и посчитал другую.

Кому это не подойдёт

Тем, кого раздражает возня с данными. Значительная часть времени в обеих ролях уходит на поиск нужной таблицы, выяснение, почему цифры не сходятся, и чистку дублей. Это не подготовка к работе, это она и есть.

Тем, кто хочет однозначных ответов. Данные часто говорят «скорее да, но выборка маленькая», и это нужно уметь честно донести до человека, который ждал твёрдого «да».

Тем, кто рассчитывает работать молча. Аналитик постоянно объясняет цифры людям, далёким от цифр. Если общение с коллегами для вас в тягость, ближе окажется дата-инженерия или разработка.

Если вы пока выбираете между несколькими направлениями, посмотрите статью о том, как выбрать удалённую профессию.

Что сделать на этой неделе

Возьмите любую таблицу, которая у вас уже есть: выписку расходов за полгода, выгрузку заказов с работы, открытый набор данных с Kaggle. Сформулируйте к ней три вопроса, ответ на которые вам действительно интересен. Ответьте на них в Google Sheets с помощью сводной таблицы и запишите каждый ответ одним предложением.

Если формулировать вопросы и докапываться до ответов понравилось больше, чем наводить красоту на графиках, начинайте с SQL.

Частые вопросы

Нужна ли высшая математика?

Аналитику данных на старте достаточно школьной программы и основ статистики, которые осваиваются по ходу. Для Data Scientist математика нужна всерьёз: теория вероятностей, статистика, линейная алгебра. Её можно выучить самостоятельно, но это месяцы работы, а не пара вечеров.

Я хорошо знаю Excel. Этого достаточно, чтобы работать аналитиком?

Это хорошая база: вы уже понимаете сводные таблицы и логику расчётов. Но в большинстве вакансий аналитика обязателен SQL, а часто и Python. Excel перестаёт справляться, когда строк становятся миллионы, а расчёт нужно повторять каждую неделю.

Не заменят ли аналитиков нейросети?

Нейросети уже хорошо пишут SQL-запросы и код для графиков, и рутинной работы от этого становится меньше. Они не знают, как в вашей компании считается выручка, какая таблица устарела и какой вопрос на самом деле стоит за просьбой руководителя. Ценность смещается от техники к постановке вопроса и проверке ответа.

Можно ли перейти из аналитиков в Data Scientist позже?

Да, это один из самых распространённых маршрутов. Аналитик, который знает данные компании и постепенно берёт задачи на прогнозирование, оказывается в более сильной позиции, чем новичок с курсом по машинному обучению и без опыта.