Продуктовый аналитик: чем занимается, какие навыки нужны и как учиться

Слово «продуктовый» здесь указывает не на отрасль, а на предмет работы. Аналитик в банке может считать кредитный портфель, а продуктовый аналитик того же банка смотрит, сколько людей дошло до конца оформления карты в приложении и на каком экране они бросили заявку. Его данные — не бухгалтерские проводки, а события: открыл экран, нажал кнопку, оплатил, вернулся через неделю. Из миллионов таких записей он собирает ответ на вопрос, который продакт-менеджер обычно формулирует слишком широко: «Новая версия стала лучше или нет?»

Чем продуктовый аналитик отличается от соседей

Ближе всего к нему аналитик данных. Навыки у них во многом общие, но аналитик данных может работать с любыми данными компании — продажами, логистикой, финансами, — а продуктовый сосредоточен на поведении пользователей внутри продукта и на экспериментах. Во многих компаниях продуктовый аналитик — это просто специализация аналитика данных, закреплённая за одной продуктовой командой.

С продакт-менеджером роли пересекаются сильнее всего. Продакт решает, что делать, и отвечает за результат. Аналитик отвечает за то, чтобы решение опиралось на верные цифры: правильно ли посчитана метрика, можно ли доверять тесту, не объясняется ли рост сезонностью. Продуктовый маркетолог смотрит на продукт снаружи — на позиционирование, цену и запуск, бизнес-аналитик — на процессы и требования к системе. Продуктовый аналитик остаётся внутри данных о поведении людей.

Метрики, которые придётся знать наизусть

Retention, или удержание, — доля пользователей, которые вернулись в продукт через заданный срок: на первый, седьмой, тридцатый день. Считают его по когортам — группам людей, пришедшим в один период. Если сложить всех пользователей вместе, приток новичков после рекламной кампании скроет то, что старые пользователи уходят быстрее, чем раньше. Когортная таблица показывает это сразу: строки — недели прихода, столбцы — недели жизни, в ячейках — доля оставшихся.

Воронка — последовательность шагов к целевому действию: установка, регистрация, первый урок, оплата. Аналитик считает конверсию между соседними шагами и ищет, где теряется больше людей, чем ожидалось. Юнит-экономика продукта связывает поведение с деньгами: сколько стоит привлечь пользователя, сколько он приносит за время жизни в продукте, через сколько месяцев окупается привлечение. На этих трёх вещах строится почти любой разговор с продактом.

Отдельный навык — договориться о метриках эксперимента заранее. У теста есть основная метрика, ради которой его запускают, и защитные: показатели, которые не должны ухудшиться, например число обращений в поддержку или время загрузки. Как эти темы укладываются в учебный план, видно в обзоре онлайн-курса «Продуктовый аналитик» от Brunoyam: за шесть месяцев там разбирают retention и отток, когортный анализ, воронки, жизненный цикл пользователя, юнит-экономику и окупаемость привлечения, а в блоке про эксперименты — расчёт размера выборки.

Учебный пример: тест, которому нельзя верить

Ситуация вымышленная, цифры учебные. Приложение для изучения английского меняет онбординг: вместо короткой анкеты новичку предлагают тест уровня на пять заданий. Продакт-менеджер ждёт, что люди, получившие уроки своего уровня, чаще будут возвращаться. Основная метрика — удержание на седьмой день, защитные — доля завершивших онбординг и число жалоб в поддержку. Трафик делят поровну: половина новых пользователей видит старый онбординг, половина — новый.

Через две недели продакт приносит результат: в новой версии удержание седьмого дня выше на 2,5 процентного пункта, можно выкатывать. Аналитик начинает не с удержания, а с количества людей в группах. В контрольной 20 480 пользователей, в тестовой — 19 720, то есть 50,9 % против 49,1 % при плане 50 на 50. Разница выглядит мелкой, но проверка критерием хи-квадрат показывает, что случайно такой перекос получается примерно в 1,5 случая из 10 000.

Такой перекос называют SRM, sample ratio mismatch, — несоответствием долей выборки. Подробно его разобрали Александр Фабиян и соавторы из Microsoft, Booking.com и Outreach в докладе на конференции KDD 2019. По их данным, SRM встречается примерно в 6 % экспериментов Microsoft, и продукт, который проводит десять тысяч тестов в год, может ожидать не меньше одного такого случая в день. Главный вывод статьи сформулирован жёстко: SRM вызывает смещение отбора, которое делает недействительными любые причинные выводы из эксперимента. Иначе говоря, результат теста с перекосом нельзя «немного поправить» — его нужно сначала объяснить.

Среди причин авторы называют и ту, что подходит к нашему примеру: если тестовая версия работает медленнее, у части пользователей больше времени закрыть приложение до того, как событие успеет записаться. Аналитик сравнивает группы по платформам и видит, что недостача почти целиком приходится на старые Android-смартфоны: новый онбординг загружает задания теста и открывается на несколько секунд дольше. Пользователи, которые не дождались экрана, не попали в данные тестовой группы. В ней остались более терпеливые и мотивированные — неудивительно, что они чаще возвращаются.

Итог — не «тест провален», а понятный план. Разработчики переносят отправку события о попадании в группу на момент запуска приложения, до загрузки онбординга, и ускоряют первый экран. Тест перезапускают, размер выборки считают заранее. Продакт получает объяснение, почему прежний рост был артефактом, и конкретный риск, который стоит учесть: скорость загрузки на слабых устройствах. Среди правил, которые предлагают авторы для поиска причины, — сравнить срезы по пользователям и по времени, а также метрики производительности и вовлечённости.

SQL, события и трекинг-план

Все эти расчёты начинаются с таблицы событий. У каждой строки — идентификатор пользователя, время, название события и параметры: экран, версия приложения, группа теста. Продуктовый аналитик пишет SQL-запросы, которые из этой ленты собирают когорты, воронки и итоги эксперимента. Без оконных функций здесь почти не обойтись: они нужны, чтобы найти первое действие пользователя, посчитать интервал между сессиями или пронумеровать шаги.

Чтобы события вообще появились в базе, аналитик вместе с продактом и разработчиками составляет трекинг-план — документ, где перечислено, какие события отправлять, с какими параметрами и в какой момент. Ошибка в нём дорого стоит: если событие «оплата» отправляется при нажатии на кнопку, а не после ответа банка, конверсия будет завышена, и заметят это не сразу. Поэтому часть работы — сверять данные аналитики с платёжной системой и базой продукта.

Python нужен не везде, но облегчает жизнь: в pandas удобно разбирать выгрузки, строить когортные таблицы и проверять статистику тестов. Для примера программы с таким стеком посмотрите разбор онлайн-курса «Продуктовый аналитик» от Eduson Academy: на пять месяцев в нём заложены исследования продукта, юнит-экономика и A/B-тесты, SQL на PostgreSQL с соединениями, подзапросами и оконными функциями, а также Python с NumPy и pandas. Авторы обзора отдельно замечают, что обещание работы без программирования расходится с наличием Python в программе.

Как выглядит работа рядом с продактом

Типичная неделя складывается из трёх потоков. Первый — вопросы команды: почему упала конверсия в оплату, как повлиял новый тариф, сколько пользователей открывают раздел, который собираются убрать. Второй — эксперименты: согласовать гипотезу и метрики, рассчитать выборку, проверить разбиение в первые дни, подвести итоги. Третий — поддержка данных: дашборды, описание метрик, исправление трекинга после релизов.

С продактом аналитик встречается чаще, чем с кем-либо. Хорошая привычка — до начала расчётов записать, какое решение будет принято при каждом возможном ответе. Если продакт выкатит функцию при любом результате теста, тест не нужен. Если метрика вырастет, а жалобы тоже, кто решает, что важнее? Такие договорённости экономят недели и снимают спор «аналитик испортил мне запуск».

С разработчиками аналитик обсуждает трекинг и разбиение трафика, с дизайнерами — где пользователи бросают сценарий, с руководством — почему эффект, показанный на дашборде, не равен эффекту от конкретной функции. Письменная культура здесь обязательна: определение каждой метрики, формула, источник данных и исключения должны быть записаны так, чтобы коллега мог пересчитать результат.

Что может не подойти

Большая часть работы — не открытия, а проверки. Нужно терпение, чтобы по несколько раз сверять цифры из разных систем и отлавливать дубли событий. Многие тесты не дают значимого эффекта, и отчёт «разницы не обнаружено» — нормальный результат, а не неудача аналитика. Кроме того, приходится спорить: когда продакт уже рассказал руководству об успехе, сообщение о том, что тест недействителен, никто не встречает с радостью. Если хочется самому решать, что делать с продуктом, ближе продакт-менеджмент. Если интереснее модели и прогнозы, стоит смотреть в сторону data science.

Сколько зарабатывает продуктовый аналитик

Узкие данные по профессии есть в калькуляторе зарплат Хабр Карьеры. В сентябре 2026 года по специализации «Продуктовый аналитик» по всей России, без фильтра по городу, он показывает медиану 262 522 рубля в месяц по 296 анкетам. По уровням: junior — 142 166 рублей (45 анкет), middle — 239 333 рубля (181 анкета), senior — 369 166 рублей (54 анкеты).

Читать эти цифры нужно с оговорками. По описанию сервиса, в расчёт берутся зарплаты и премии, которые пользователи сами указали за скользящие шесть месяцев, а итог — медиана, а не среднее. Это фактические доходы специалистов, а не предложения в вакансиях. Выборка небольшая, особенно для junior и senior, и почти целиком состоит из IT-компаний. До вычета налога или после — методика не уточняет.

Чтобы оценить рынок в своём городе, откройте вакансии на hh.ru с фильтрами по региону и опыту. Смотрите на медиану вилок, а не на максимальные суммы, и проверяйте, указана ли зарплата до вычета налога или на руки. Отдельно посмотрите, сколько вакансий открыто для кандидатов без опыта: по этому числу видно, реально ли войти в профессию напрямую или сначала стоит поработать в соседней роли.

Можно ли начать с нуля

Формально базового образования эта профессия не требует, но на практике новичку предстоит освоить сразу три вещи: SQL, основы статистики и продуктовое мышление. Удобнее всего прийти из смежной роли — аналитика отчётности, маркетинга, поддержки, разработки или продакт-менеджмента, — где уже есть доступ к данным продукта. Человеку совсем без опыта путь обычно длиннее: сначала задачи по отчётности, потом эксперименты.

Попробовать можно бесплатно. Возьмите открытый набор данных о событиях интернет-магазина или мобильной игры, загрузите его в PostgreSQL и посчитайте три вещи: воронку до покупки, удержание по недельным когортам и выручку на пользователя. Если к концу недели хочется докопаться, почему одна когорта ведёт себя иначе, профессия, скорее всего, подойдёт.

Как показать первые результаты

Портфолио продуктового аналитика — несколько законченных исследований, а не набор графиков. В каждом должны быть вопрос продакта, описание данных и их проблем, SQL-запросы, расчёт и вывод с рекомендацией. Хорошо смотрится разбор A/B-теста, где кандидат проверил соотношение групп, посчитал доверительный интервал и честно написал, чего по этим данным сказать нельзя.

Короткая программа может дать основу для такого портфолио, если в ней много практики. Например, в обзоре онлайн-курса «Продуктовая аналитика» от Skillbox описаны два месяца обучения, 14 практических заданий и итоговый дашборд с проверкой гипотез и рекомендациями, а в программе есть метрики и их иерархия, A/B-тесты и когортный анализ. При этом в самом обзоре предупреждают, что для первого трудоустройства без аналитической базы двух месяцев мало: такой курс лучше подходит продактам, маркетологам и тем, кто уже работает с данными.

Первые шаги в профессии бывают разными: junior-аналитик в продуктовой команде, аналитик отчётности с постепенным переходом к экспериментам, внутренний перевод из маркетинга или поддержки. Если в вашей компании уже есть продукт и данные, самый короткий путь — предложить продакту разобрать одну его задачу.

Как выбрать обучение

При выборе онлайн-курса проверьте, есть ли в программе реальные таблицы событий, а не только учебные выборки на сто строк. Будут ли задания на когорты и воронки с проверкой наставником? Учат ли рассчитывать размер выборки и проверять корректность теста, включая соотношение групп? Разбирают ли, как ставить задачу вместе с продактом? Если в опубликованном плане темы нет, спросите о ней школу напрямую: краткое описание не всегда совпадает с полным.

Посмотрите также на формат обратной связи и документ: удостоверение о повышении квалификации и сертификат школы — разные вещи, но работодателю всё равно важнее портфолио. Чтобы сравнить не отдельные программы, а сами онлайн-школы, пригодится рейтинг онлайн-школ с обучением продуктовой аналитике. Ни один онлайн-курс не гарантирует трудоустройство или конкретную зарплату, поэтому оценивайте его по тому, какие работы у вас останутся после обучения.