«Аналитик» и «Data Scientist» — два самых популярных запроса в Yandex и Habr Career. Но 80% соискателей не понимают разницу. И зря — это разные карьерные траектории с разной зарплатой, нагрузкой и сложностью.
Я работал в обеих ролях. В этом посте — практика без мифологии.
TL;DR
| Аналитик | Data Scientist | |
|---|---|---|
| Основные tools | SQL, Python (pandas), BI | Python (sklearn/XGBoost/PyTorch), SQL |
| Метрики работы | dashboards, ad-hoc, A/B | модели в production |
| Заработок Junior (Мск, 2026) | 100-170K | 120-180K |
| Заработок Middle | 200-300K | 250-380K |
| Заработок Senior | 350-500K | 400-650K |
| Вход (порог) | средний | высокий (ML+стат+матан) |
| Спрос | очень высокий | высокий |
Шаг 1: Кто такой Product/Data Analyst
Ежедневные задачи:
- Ad-hoc запросы — «почему упал MAU?», «какой канал лучше конвертит?»
- Dashboards — Tableau, Power BI, DataLens, Superset, Metabase.
- A/B-тесты — design, monitoring, interpretation.
- Метрики продукта — North Star, KPIs, retention, churn, LTV.
- Стейкхолдер-комм — презентации, объяснения «почему».
Stack:
- SQL — 60% времени.
- Python (pandas + scipy) — 25%.
- BI tool — 15%.
Кому подходит:
- Любишь общаться с бизнесом.
- Хочешь видеть impact решений быстро.
- Готов разбираться в продукте, не только в коде.
Шаг 2: Кто такой Data Scientist
Ежедневные задачи:
- ML-модели — построение, тюнинг, deploy.
- Feature engineering — что подать в модель.
- Эксперименты — что улучшает recall/precision/AUC.
- A/B-тесты ML-моделей — newest model vs production.
- Research — читать papers, пробовать новые подходы.
Stack:
- Python ML (sklearn, XGBoost, PyTorch, TensorFlow) — 50%.
- SQL — 20%.
- MLOps (MLflow, Kubeflow) — 15%.
- Statistics + математика — 15%.
Кому подходит:
- Любишь алгоритмы и математику.
- Готов погружаться в теорию долго.
- Не возражаешь против неопределённости (model может не зайти).
Шаг 3: Реальные зарплаты 2026 (Levels.fyi + Habr Career + HH.ru)
Москва (актуальные вилки)
Аналитик:
- Junior: 100-170K
- Middle: 200-300K
- Senior: 350-500K
- Lead/Staff: 500-700K+ (Yandex G16+, T-Bank tech-lead, WB H6)
Data Scientist:
- Junior: 120-180K
- Middle: 250-380K
- Senior: 400-650K
- Lead/Staff: 600-900K+ (Yandex ML, Tinkoff AI-team)
Санкт-Петербург
~80% от Москвы.
Регионы (Казань, Новосибирск, Екатеринбург)
~60-70% от Москвы или remote из Мск-уровня.
За границей (для контекста)
- US Junior DS: $90-130K
- US Senior DS: $180-280K + stock options
Топ-компании РФ (от Levels.fyi / Glassdoor):
- Wildberries — Senior DA до 316K, Senior DS до 580K
- Avito — Senior DA до 300K, Senior DS до 450K
- Yandex — Senior DA G15-G16 300-450K, Senior DS до 633K (G18)
- T-Bank — Senior DA 350K, Tech Lead до 592K
- Ozon — Senior DA 280K, Senior ML 330-450K
Глубокий разбор зарплат и грейдов →
Шаг 4: Можно ли переходить между ролями?
Аналитик → Data Scientist
Можно, но нужно:
- Стат — на уровне «дискретная вероятность + ЦПТ + регрессия».
- ML — sklearn основы, понимать bias-variance.
- Python — глубже, чем «применить pandas».
- 6-12 месяцев самообучения + side-projects.
Data Scientist → Аналитик
Можно проще — у DS уже все скиллы. Часто переходят за лучшим work-life balance или больше impact.
Hybrid роли (становятся всё популярнее)
- Analytics Engineer (dbt-focused).
- ML Engineer (deploy моделей, MLOps).
- Product Analyst с ML-фокусом.
Шаг 5: Что учить для входа
Аналитик (1-3 месяца самообучения)
- SQL глубоко — JOIN, window functions, CTE, EXPLAIN. SQL-тренажёр.
- Python: pandas + scipy — agg, merge, t-test. Python-тренажёр.
- Статистика — основы и A/B. Конспекты.
- BI-tool — Tableau или Power BI (выбери один).
- Продуктовое мышление — North Star, метрики продукта.
Data Scientist (6-12 месяцев)
Всё что аналитик +
- Линейная алгебра + матан + теорвер глубоко.
- Классические ML — sklearn от A до Z.
- Deep Learning — PyTorch или TensorFlow, основы.
- MLOps — MLflow, Docker, CI/CD моделей.
FAQ
Что прибыльнее в 2026?
DS зарабатывает на 15-30% больше при равном грейде. Но компетенция нужна шире — это компенсирует.
Какая роль безопаснее в кризис?
Аналитик — бизнес всегда нужны цифры. DS — первый под cut если ML-проект не приносит revenue.
Если люблю код больше чем людей?
DS или Analytics Engineer (dbt). Аналитик 30% времени общается с бизнесом — для интровертов тяжело.
Если хочу удалёнку?
Аналитик — 60% компаний позволяют remote. DS — 75% (меньше митингов с бизнесом).
С нуля в 30+ можно войти?
Да. Аналитик легче — 3-6 месяцев. DS требует более глубокого матан-фундамента — 12+ месяцев.
Что дальше
- 🧠 3000+ вопросов с собесов — карточки и квизы для обеих ролей
- 🧪 SQL-тренажёр — общая база для обеих
- 🐍 Python-тренажёр — pandas и ML
- 💰 Зарплаты аналитиков 2026
- 📚 Roadmap junior-аналитика
- 🎯 Как стать аналитиком в 2026
- 📝 Резюме аналитика
Источники
- Levels.fyi РФ компании — реальные офферы
- Habr Career зарплатный обзор 2026
- HH.ru аналитика рынка труда
Выбор между аналитиком и DS — это вопрос «что тебе интереснее: разговаривать с бизнесом или копаться в моделях?». Денег хватит в обеих. Открой тренажёр и начни с практики — формальное обучение можно докрутить уже работая.