Как найти первую работу аналитиком данных без опыта: разбор пути с ментором

В вакансиях для новичков часто просят 1–3 года опыта. Но откуда его взять, если вы только учитесь? Получается замкнутый круг: без опыта не берут на работу, а без работы опыт взять неоткуда.

Меня зовут Роман, я продуктовый и дата-аналитик. Пришел в эту сферу в 2022 году почти с нуля, с дипломом химика, а в 2024-м стал тимлидом команды аналитиков и начал менторить. С тех пор помог более чем 100 ребятам найти работу.

Роман

Роман

Ментор по аналитике данных и продуктовой аналитике

Подробнее

В статье расскажу, как сейчас устроен рынок аналитики данных для новичков, как выбрать вакансию и к чему готовиться на собеседованиях. В конце — кейс, как один из моих учеников получил целых пять офферов без коммерческого опыта.

Кто такой аналитик данных

Аналитик данных — это консультант для бизнеса, который на основе реальных данных и фактов помогает находить проблемы, точки роста и принимать решения, направленные на увеличение прибыли. Простыми словами, задача аналитика — разобраться, что происходит в бизнесе, почему это происходит и что можно сделать, чтобы улучшить ситуацию.

Работу аналитика данных можно условно разделить на три составляющих:

  1. Отчетность. Аналитик строит дашборды и отчеты, по которым бизнес отслеживает ключевые показатели, а руководство понимает, что происходит с продуктом или отдельными бизнес-процессами.

  2. Исследования. Аналитик старается разобраться в какой-то проблеме или ищет новые точки роста. Например, нужно выяснить, почему упала выручка или пользователи перестали заходить в приложение.

  3. A/B-тесты. Аналитик оценивает, как изменения в продукте влияют на ключевые бизнес-метрики.  Например, компания поменяла дизайн страницы оформления заказа, и аналитик проверяет, действительно ли выросла конверсия в покупку или разница случайна.

В своей работе аналитик разбирается, что происходит в бизнесе, почему и что можно сделать, чтобы улучшить ситуацию

Конечно, аналитики данных также прогнозируют метрики, занимаются проектированием и разметкой событий, построением витрин данных. Однако именно эти три категории из списка выше чаще остальных встречаются в работе.

Базу любого аналитика данных составляют три инструмента: 

  • SQL. С его помощью аналитик получает необходимые данные из баз данных, объединяет таблицы и рассчитывает различные показатели.

  • Python. Нужен для обработки и анализа данных, автоматизации задач, проведения статистических тестов и построения различных моделей.

  • BI-системы, например, DataLens, Power BI или Tableau. Инструменты для визуализации данных и построения дашбордов.

Помимо них аналитики данных используют Excel, Git, инструменты для работы с ETL-процессами и многое другое. Конкретный набор инструментов зависит от компании, команды и задач, которые решает специалист.

Значительную часть времени аналитик общается с продакт-менеджерами, руководителями направлений, разработчиками, дизайнерами, дата-инженерами и другими специалистами. С ними он обсуждает задачи, а затем формулирует гипотезы и презентует результаты. Поэтому кроме инструментов в профессии важны критическое и структурное мышление, понимание бизнеса, знание статистики и умение объяснять выводы простым языком.

Как стать аналитиком данных без опыта

Аналитика данных — одно из самых доступных направлений для входа в IT. Задачи аналитиков близки к реальным жизненным и бизнес-ситуациям, а порог входа ниже, чем в разработку или машинное обучение.

Профильное образование тоже не обязательно. Среди моих учеников были студенты первых курсов, люди без высшего образования, выпускники медицинских вузов, химических и биологических факультетов и даже филологи — все они нашли первую работу аналитиком.

Но важно не строить иллюзий, что достаточно пройти пару курсов, выучить SQL и сразу получить оффер на 150–200 тысяч рублей. Сейчас на российском рынке достаточно высокая конкуренция, особенно среди начинающих специалистов. На одну вакансию могут претендовать десятки и даже сотни кандидатов.

Как стартовать в аналитике данных без опыта

Чтобы стартовать в аналитике данных, нужно много практиковаться, решать задачи, готовиться к собеседованиям и постоянно проводить работу над ошибками. При правильном подходе войти в аналитику данных без опыта в IT вполне реально.

Отбор новичков мало отличается от отбора опытных кандидатов. У стажеров и джунов работодатели оценивают мотивацию и проактивность, но хард-скиллы проверяют строго: на техническом собеседовании джуну могут дать задачи уровня сеньора, хотя в работе он с такими, скорее всего, не столкнется.

Еще одна тенденция последнего года — компании все чаще смотрят на строчку опыта в трудовой книжке. Из-за этого даже сильные кандидаты иногда не доходят до технического собеседования.

При это мои ученики часто с нуля устраиваются на позиции от джун+ до сеньора. Конечно, сеньорские позиции удается получить далеко не всем новичкам. Обычно это ребята, которые очень хорошо подготовились по хард-скиллам, уже имели достаточно сильные софт-скиллы и, конечно, которым немного повезло.

Другой возможный вариант — стажировка. Но у нее, на мой взгляд, есть существенные минусы: огромная конкуренция, низкие зарплаты и плохая организация. А на выходе — никаких гарантий трудоустройства.

Сколько можно получать в аналитике данных без опыта

Нижняя граница зарплаты, по сути, равна нулю, если говорить о неоплачиваемых стажировках. А вот верхняя граница у новичков в моих кейсах доходит до 320–350 тысяч рублей гросс. Такие суммы удается получать ребятам, которые проходят отбор на позиции мидл+ и сеньоров.

Но самый частый результат новичков: 230–250 тысяч рублей гросс.

Готовы ли вы искать работу

Как и в других сферах, никогда не наступит момент, когда вы будете на 100% уверены, что полностью готовы. Но если вы уже изучили SQL, Python, основы статистики, A/B-тесты и продуктовую аналитику, а также качественно подготовили резюме и проработали самопрезентацию, пора выходить в найм.

Как выбирать вакансии

Большая часть вакансий по-прежнему сосредоточена на hh.ru, поэтому игнорировать площадку точно не стоит. Хотя не нужно забывать, что у hh.ru сейчас есть серьезные проблемы с отбором кандидатов из-за специфики работы ATS-фильтров.

Помимо hh.ru, есть специализированные Telegram-каналы, боты и чаты, посвященные поиску работы в аналитике данных. Я бы рекомендовал использовать сразу несколько источников, чтобы охватить как можно больше вакансий.

Не стесняйтесь откликаться на вакансии, где просят опыт хотя бы от 1-го года. Я бы рекомендовал откликаться даже туда, где ищут супер-дупер-мега-хард сеньора продуктового аналитика с 10+ годами опыта. Максимум, что вы потеряете, — несколько секунд на отклик. Я бы рекомендовал откликаться практически на все вакансии аналитика данных, продуктового аналитика и смежных направлений.

Особое внимание я бы обращал только на одно — есть ли в описании SQL. Важно, чтобы на первой работе у вас была возможность получить реальный коммерческий опыт с этим инструментом. Если же вся работа сводится исключительно к Excel, без SQL и других аналитических инструментов, я бы такую вакансию, скорее всего, пропустил.

Нужно ли портфолио

По моим наблюдениям, пет-проекты и портфолио практически никогда не интересуют работодателей. В первую очередь им важны коммерческий опыт кандидата, понимание бизнеса и способность решать реальные аналитические задачи.

При этом пет-проекты не бесполезны. Они могут быть отличным инструментом обучения, особенно когда вы только начинаете изучать SQL, Python и другие аналитические инструменты.

Важно понимать разницу. Делать проекты ради практических навыков — полезно. А рассчитывать, что несколько проектов в портфолио сами по себе помогут получить работу, — довольно наивно. Поэтому, я скептически отношусь к советам HR, которые говорят, что новичкам обязательно нужно собрать портфолио.

Резюме и отклики

По моей статистике, чтобы получить одно приглашение на HR-скрининг с hh.ru, нужно отправить минимум 20–25 откликов. В выигрыше грамотно составленные резюме.

В хорошем резюме аналитика должны быть три основные составляющие:

  • Технический стек — аналитические инструменты, которыми вы владеете: SQL, Python, BI-системы и так далее.

  • Достижения — конкретные результаты вашей работы, желательно с цифрами, которые показывают пользу для бизнеса.

  • Зона ответственности — какие задачи вы решали, за какие процессы и направления отвечали.

Работодатели хотят видеть кандидатов с опытом даже на начальных позициях. Если просто написать в резюме, что опыта нет, вам даже не дадут возможности показать свои знания на собеседовании. Поэтому строчка опыта в резюме должна быть.

Для этого нужно научиться правильно адаптировать и продавать свой текущий опыт и навыки. Учебные проекты, стажировки и работу в других сферах стоит адаптировать под требования аналитических вакансий.

Вместе с резюме составляйте сопроводительное письмо. Это может повысить вероятность того, что работодатель обратит внимание на отклик. Но писать отдельное письмо под каждую компанию нерационально. Гораздо эффективнее подготовить один универсальный шаблон и при необходимости немного адаптировать его под конкретную вакансию. В шаблоне стоит:

  • кратко рассказать о своей заинтересованности в вакансии;

  • показать, почему ваш опыт и навыки соответствуют требованиям работодателя;

  • предложить подробнее обсудить свою кандидатуру на созвоне.

Собеседования и технические интервью

В большинстве компаний процесс отбора практически не отличается для джунов, мидлов и сеньоров.

Обычно он включает несколько этапов:

  • скрининг резюме;

  • HR-скрининг;

  • техническое собеседование;

  • продуктовое собеседование;

  • финальное интервью и знакомство с командой или руководителем.

При этом от компании к компании процесс может отличаться. Например, техническую и продуктовую секции могут объединить в одно собеседование, а вместо одного из этапов или дополнительно к ним дать тестовое задание. Бывают и компании, где весь процесс состоит буквально из одного-двух собеседований: на них одновременно проверяют технические знания, продуктовое мышление и знакомятся с кандидатом.

Если говорить именно про проверку хард-скиллов, то чаще всего встречаются вопросы и задачи по следующим направлениям:

  • SQL;

  • Python: базовый синтаксис и библиотеки для работы с данными;

  • теория вероятностей и комбинаторика;

  • математическая статистика;

  • A/B-тестирование;

  • продуктовые, аналитические и бизнес-кейсы.

Новички иногда спрашивают, нужно ли аналитику отдельно готовиться к алгоритмическим задачам. Но они встречаются крайне редко. Например, алго-секция есть в Яндексе на некоторых позициях аналитиков-разработчиков. Поэтому я бы не рекомендовал новичкам тратить время на отдельное изучение алгоритмов ради собеседований. Гораздо полезнее сосредоточиться на SQL, Python, статистике, A/B-тестах и продуктовых кейсах.

Что делать, если везде отказывают

Запрашивайте обратную связь после каждого этапа собеседования. Если HR не возвращается с ответом, не стесняйтесь напоминать о себе и повторно просить фидбэк. Вы потратили свое время на собеседование и вполне можете рассчитывать на обратную связь.

В этом нет ничего плохого или неудобного. Качественная обратная связь полезна обеим сторонам: вам она помогает найти слабые места и проработать их, а рынок в итоге получает более подготовленного специалиста.

Важно: обратная связь должна быть содержательной. Простой отказ в духе «К сожалению, мы решили продолжить общение с другими кандидатами» не несет никакой пользы. Поэтому старайтесь выяснить, что именно не устроило работодателя:

  • были ли проблемы с рассказом о своем опыте;

  • возникли ли сложности при решении технических задач, если да, то каких именно;

  • не хватило ли продуктового или бизнес-мышления;

  • были ли замечания к коммуникации и другим софт-скиллам.

Чем подробнее будет обратная связь, тем проще тебе будет понять, над чем нужно работать, чтобы повысить шансы на следующих собеседованиях.

Как менторство помогает найти работу аналитиком данных

Главная задача ментора — провести новичка по наиболее короткому и эффективному пути от начала обучения до первого оффера. Хороший ментор не просто поможет составить резюме, но и даст необходимую теоретическую и практическую базу, которая пригодится как на собеседованиях, так и в реальной работе.

Обучение. Ментор дает понятную дорожную карту с актуальными материалами, помогает разобраться в инструментах и отвечает на вопросы. Это позволяет не тратить месяцы на изучение того, что на практике может вообще не пригодиться.

Выход на рынок. Ментор помогает составить хорошее резюме, подготовить самопрезентацию и научиться правильно рассказывать о своих навыках и опыте на собеседованиях.

Поиск работы. Ментор разбирает вместе с менти прошедшие собеседования, дает обратную связь, помогает выявлять слабые места и проводить работу над ошибками.

Подготовка к новой работе. Ментор помогает точечно подготовиться к задачам и инструментам, с которыми предстоит столкнуться на новом месте.

Испытательный срок. Ментор продолжает поддерживать, помогает справляться с синдромом самозванца, разбираться со сложными задачами и проектами.

Важно понимать одну вещь: ментор может показать наиболее короткий путь к офферу и помочь избежать многих ошибок, но пройти этот путь за вас он не сможет. Поэтому даже с хорошим ментором придется много учиться, практиковаться и прикладывать усилия.

Кейс: как ученик прошел с нуля до первой работы

Расскажу про одного из моих первых учеников. Это был студент третьего курса университета, который хотел устроиться на свою первую работу аналитиком. Коммерческого опыта у него не было, но была база по SQL, Python и статистике с первых курсов университета.

Главная сложность

Самой сложной частью оказался график. По личным обстоятельствам ученик не мог работать один день в неделю. Поэтому нам нужно было найти компанию, готовую взять студента без опыта, и договориться с ней о дополнительном выходном среди рабочей недели. А это довольно специфичный запрос, особенно для кандидата, который устраивается на свою первую работу.

Как готовились

Работу мы разделили на четыре основных этапа:

  1. Хард-скиллы. Изучали необходимую теорию и много практиковались на задачах, приближенных к реальной работе аналитика и техническим собеседованиям.

  2. Резюме и самопрезентация. Совместно составили резюме и подготовили рассказ о себе, чтобы ученик мог уверенно презентовать свои знания и навыки работодателям.

  3. Поиск работы. Активно откликались на вакансии и проходили собеседования. На протяжении всего поиска я сопровождал ученика, помогал разбирать сложные вопросы и готовиться к следующим этапам отбора.

  4. Испытательный срок. После получения оффера моя работа не закончилась. Я продолжил помогать ученику уже на реальной работе, чтобы он успешно прошел испытательный срок и адаптировался к новым задачам.

Результат

С момента начала нашей совместной работы до получения первого оффера прошло примерно два с половиной месяца. Всего за время поиска ученик получил 5 офферов. Но четыре компании не согласились предоставить ему дополнительный выходной среди рабочей недели.

Еще через две недели после первого оффера мы получили предложение от компании, с которой в конечном итоге удалось договориться об особых условиях работы. В итоге ученик устроился на позицию продуктового аналитика с зарплатой 270 000 рублей в месяц. Этот кейс до сих пор остается одним из моих любимых и одновременно самых сложных.

Уже изучили статьи? Теперь можно автоматизировать отклики на вакансии

Автоматизируйте отклики на вакансии, чтобы сосредоточиться на подготовке к собеседованиям, а не на рутине. Поддерживает несколько аккаунтов.

Начать использовать
Автокликер для откликов на вакансии

Новое на сайте

Сервисы для быстрого входа в IT: что использовать на каждом этапе

Сервисы для быстрого входа в IT: что использовать на каждом этапе

Как составить дерево метрик продукта и понять, на чем сфокусироваться команде

Как составить дерево метрик продукта и понять, на чем сфокусироваться команде

Как готовиться к IT-собеседованиям по записям реальных интервью

Как готовиться к IT-собеседованиям по записям реальных интервью