Зарплаты аналитиков данных разного уровня в России: исследование Skillbox Media

Мы продолжаем исследование рынка вакансий в России по IT-направлениям. На этот раз изучаем сферу анализа данных, которая объединяет в себе сразу несколько карьерных треков с разными задачами, инструментами и зарплатными вилками.

В этом материале мы разберём, сколько зарабатывают аналитики данных разных направлений и грейдов и каких навыков сейчас ждут работодатели.

Содержание

• Что такое большие данные и зачем нужно их анализировать
• Какие специализации бывают у аналитиков данных
• Что нужно знать аналитикам данных
• Data analyst
• Data scientist
• Data engineer
• Machine learning engineer
• Business analyst
• System analyst
• Что спрашивают на собеседованиях

Что такое большие данные и зачем нужно их анализировать

Большие данные (big data) — это массивы информации значительного объёма, независимо от её типа и структуры. На практике к ним относят данные, объём накопления которых превышает 150 ГБ в сутки.

Big data может включать в себя данные из различных источников — от сообщений в мессенджерах и видео на стриминговых платформах до информации с IoT-устройств и логов серверов.

Читайте также:

Big data: что такое большие данные и как с ними работать

Главная ценность big data — не в самом объёме, а в закономерностях, которые из них можно извлечь. Анализ помогает бизнесу принимать решения на основе фактов, а не интуиции:

• ретейл прогнозирует спрос по истории покупок и не закупает лишний товар;
• банки в реальном времени вычисляют по транзакциям мошеннические операции;
• сервисы доставки строят оптимальные маршруты для курьеров по данным о заказах;
• стриминговые платформы рекомендуют контент, опираясь на историю просмотров, и удерживают подписчиков.

Чем больше данных компания умеет собирать и обрабатывать, тем точнее её прогнозы и решения. Именно поэтому специалисты, которые умеют работать с big data, одни из самых востребованных на рынке — и хорошо зарабатывают.

Какие специализации бывают у аналитиков данных

Аналитиками данных часто называют сразу несколько профессий. Требования, условия работы и зарплаты у них заметно различаются. Рассмотрим основные специализации.

• Data analyst (аналитик данных): обрабатывает данные, считает метрики и визуализирует результаты, чтобы бизнес мог принимать решения на их основе. В отличие от data scientist, обычно фокусируется на описательной аналитике и отчётности, а не на построении сложных предиктивных моделей.
• Data scientist (дата-сайентист, специалист по данным): строит математические и ML-модели, проверяет гипотезы, составляет прогнозы и ищет скрытые закономерности в больших массивах данных.
• Machine learning engineer (ML-инженер): готовит ML-модели к продакшену и следит, чтобы они работали стабильно и масштабируемо под реальной нагрузкой. Работает на пересечении ML, разработки и DevOps (MLOps).
• Data engineer (инженер данных): разрабатывает и поддерживает хранилища данных, создаёт конвейеры обработки (ETL/ELT) и обеспечивает качество данных — чтобы аналитикам и дата-сайентистам было с чем работать.
• Business analyst (бизнес-аналитик): выявляет потребности бизнеса и переводит их на язык, понятный команде разработки. Связующее звено между заказчиком и технической командой.
• System analyst (системный аналитик): детализирует требования до уровня технических спецификаций, описывает взаимодействие систем, API-контракты и бизнес-процессы. Работает на стыке бизнес-анализа и разработки.

Вместе эти роли закрывают полный цикл работы с данными — от сбора и подготовки до построения моделей и внедрения в продукт. При выборе направления ориентируйтесь не на общее «хочу работать с данными», а на то, что ближе: бизнес-задачи, быстрая аналитика, инженерная часть или машинное обучение.

Что нужно знать аналитикам данных

Работа аналитика — это не только графики и отчёты. Специалист должен разбираться в языках программирования и базах данных, понимать, что именно хочет бизнес, и уметь объяснить результат человеку, который не владеет терминологией. Разберём навыки, которые работодатели указывают в вакансиях чаще всего.

Хард-скиллы:

• Языки программирования: Python, Java или R. Основные библиотеки для анализа и визуализации данных: NumPy, Pandas, Plotly, Scikit-learn, XGBoost/CatBoost/LightGBM, Statsmodels и другие.
• BI-системы: Tableau, Power BI, Qlik Sense, Oracle BI, Apache Superset, Visiology.
• Знание любого диалекта SQL.
• СУБД: Redis, PostgreSQL.
• Механизмы обработки данных в памяти: Spark, Presto.
• ETL-фреймворки: Hadoop, Airflow.
• Инструменты интеграции данных: Snowplow, Stitch Data, Fivetran.
• Фреймворки для тестирования.
• Понимание жизненного цикла разработки ПО, CI/CD.

Софт-скиллы:

• бизнес-мышление,
• коммуникативность,
• умение отстаивать свою позицию,
• организованность,
• ответственность.

Хороший аналитик данных — это тот, кто не только найдёт проблему и расскажет, что не так, но и предложит способы решения этой проблемы. Посмотрим, каких аналитиков ищут работодатели и какие требования к ним предъявляют.

Data analyst (аналитик данных)

Вакансий аналитиков данных, по условиям которых не требуется опыт работы, достаточно много. Так что устроиться после института или курсов сразу джуном, а не стажёром, реально. Главное — «не быть душнилой».

У джунов-аналитиков с опытом от нескольких месяцев зарплата в среднем на 40% выше, чем у тех, кто только закончил обучение. С опытом от полугода можно претендовать на верхнюю границу вилки.

Некоторые работодатели сразу указывают названия вузов, выпускников которых рады видеть в своей компании.

А некоторых устроит просто диплом по естественно-научным специальностям.

«Плюшки» в вакансиях аналитиков данных встречаются не так часто, как у разработчиков, — например, кальян, как бэкендерам, никто не предлагает. Зато могут помочь переехать в Москву — оплатят стоимость дороги и жилья за первый месяц. Есть даже схема, чтобы никто не заблудился по дороге на собеседование.

Читайте также:

Аналитик данных: чем он занимается и почему ему готовы платить 300 тысяч рублей в месяц

Data scientist

Есть вакансии для начинающих аналитиков, в которых даже не требуют знания конкретного языка программирования, — достаточно любого.

На позицию мидл-специалиста можно устроиться уже после года работы. Пример хард-скиллов.

На должность сеньора можно претендовать после трёх лет работы. Есть суровые вакансии, но, если вы хотите получать зарплату в 500 тысяч рублей, придётся забыть об удобном офисе, кофе и играх. Серьёзные заказчики не любят ждать. Работать придётся в команде, но «в одиночку», умничать нельзя.

Читайте также:

Что такое data science и кто такой data scientist

Data engineer (инженер данных)

Чтобы попасть на стажировку, достаточно разобраться в теории. Прокатиться на беспилотном автомобиле — пожалуйста! Но надо учитывать, что зарплата стажёров может быть на 50% меньше зарплаты джуна.

Чтобы стать мидл-специалистом, нужен опыт от одного года и уверенная работа с данными — понимание, как искать инсайты и как вывести продукты на новый уровень. Пример требований.

Читайте также:

Data engineer: кто это такой, чем занимается, как им стать

Machine learning engineer
(ML-разработчик)

На позицию junior ML engineer берут с уверенным Python и базовым опытом работы хотя бы с одним из фреймворков — Scikit-learn, TensorFlow или PyTorch. Рассчитывать на верхнюю границу вилки для джунов можно, если есть пет-проекты или участие в соревнованиях на Kaggle.

От ML-инженера уровня middle компании ожидают опыт работы с MLOps-инструментами, такими как Docker, Kubernetes, MLflow, Airflow. Важно уметь внедрять модели в продакшен и строить пайплайны разработки.

На позицию senior ML engineer ждут специалиста, который сам выстраивает архитектуру ML-сервисов, отвечает за их масштабирование и мониторинг. Работать придётся в команде инженеров и дата-сайентистов, но роль больше инженерная.

Читайте также:

Специалист по машинному обучению: кто такой, чем занимается и сколько получает

Business analyst (бизнес-аналитик)

На начальные позиции бизнес-аналитиков рассматривают кандидатов, которые умеют работать с SQL и Excel, собирать и документировать требования от бизнеса, создавать простые дашборды в BI-системах и писать понятные описания задач для разработки.

Бизнес-аналитики среднего уровня должны уметь вести коммуникацию с заказчиками, согласовывать требования менеджеров и технической команды и выстраивать бизнес-процессы.

Сеньоры должны владеть методами управления проектами и продуктами, например Agile и Scrum. Также компании от них ждут глубокого понимания бизнес-домена и умения предлагать продуктовые решения, а не просто фиксировать требования. Требований много, но и зарплата на таких позициях переваливает за 200 000 рублей в месяц.

Читайте также:

Как стать бизнес-аналитиком: 11 главных вопросов о карьере

System analyst (системный аналитик)

Начинающим системным аналитикам для трудоустройства достаточно уметь писать простые SQL-запросы, составлять UML/ER-диаграммы, документировать требования и разбираться в типовых бизнес-процессах.

У системного аналитика уровня middle должен быть опыт работы с внешними и внутренними сервисами. Кроме того, надо уметь проектировать API, составлять спецификации и описывать бизнес-логику. Компании ожидают, что специалисты такого уровня будут согласовывать решения с архитекторами ПО и разработчиками.

Сеньоры должны уметь проектировать сложные архитектурные решения, понимать бизнес-цели компании и переводить их в технические требования, синхронизировать интересы разных команд и устранять коммуникационные проблемы.

Читайте также:

Кто такой системный аналитик, как он помогает бизнесу и как им стать

Что спрашивают на собеседованиях

Data analyst

Помимо технических вопросов, часто соискателей на должность аналитика данных просят рассказать о процессе анализа, а потом спрашивают, с какими проблемами они сталкивались и как их решали. Ещё один любимый вопрос: критерии оценки эффективности того или иного алгоритма.

Data scientist

Задают вопросы по организации работы, машинному обучению, классификации данных, методам их очистки и алгоритмам. Например: как удалить сезонность из нестационарного ряда? в каких случаях лучше использовать алгоритм SVM, а в каких — случайный лес? зачем нужны ансамбли?

Data engineer

Работодатели могут задавать не только конкретные вопросы, но и общие, чтобы увидеть, как человек рассуждает, и понять, как он будет действовать в нестандартной ситуации. Например, просят назвать возможные причины некорректной работы алгоритма на всём датасете с учётом конкретного типа данных.

Иногда, чтобы проверить софт-скиллы, задают вопросы с неполным условием. Поэтому, если что-то непонятно, не стоит молчать, лучше спросить и заодно продемонстрировать свои коммуникативные навыки.

Machine learning engineer

Работодателей интересуют в первую очередь продакшен-аспекты: как выстраивать ML-пайплайны, автоматизировать переобучение моделей, очищать данные, выбирать метрики для мониторинга и справляться с деградацией качества со временем. Часто задают вопросы об опыте работы с инструментами вроде Docker, Kubernetes и MLflow.

Business analyst

Часто просят описать бизнес-процесс «как есть» и предложить варианты его оптимизации. Распространённая практика — кейс-интервью. Например, кандидату предлагают сократить время обработки заказа в интернет-магазине или выявить узкие места в клиентском пути. Также могут попросить собрать требования у воображаемого заказчика в режиме живого диалога. Дополнительно оценивают навыки работы с SQL и BI-инструментами.

System analyst

На собеседованиях часто проверяют логическое и структурное мышление. Кандидата могут попросить описать интеграцию двух систем: какие артефакты он подготовит, какие диаграммы построит и как зафиксирует требования. Иногда дают кейс на проектирование API или предлагают продумать схему базы данных для новой функциональности. Важно показать системный подход и умение документировать решения понятным языком для всех участников процесса.