Как я пришёл в аналитику, устроился в бигтех и понял, что рабочих задач недостаточно для роста
Карьерный путь начался на втором курсе РУТ МИИТ: после знакомства с базами данных автор быстро освоил SQL и в 2023 году с первого отклика устроился стажёром по BI-отчётности и базам данных в МГТС. Там он совмещал очное обучение с 40-часовой рабочей неделей, занимался BI-отчётами, витринами данных и ETL-пайплайнами. В 2024 году он перешёл в MWS: на поиск ушло около 20 откликов и 3 собеседования, а гибридный график помог совмещать работу с учёбой.
Магистратуру автор выбрал как способ закрыть разрыв между рутинными задачами аналитика и более глубоким пониманием данных. Онлайн-программа МИФИ и Яндекс Практикума устроена через прозрачные дедлайны, баллы, записи лекций, Яндекс Календарь, Яндекс Диск и чаты по предметам. Практика включает Kaggle-задачи по ML, Python, AB-тестирование, статистику, классические ML-алгоритмы и проект с LLM-консультациями через OpenRouter и телеграм-бота.
В начале 2025 года автор перешёл в Озон после примерно 50 откликов и 7 собеседований. По его наблюдению, в tier-1 IT-компаниях растут требования к аналитикам: одного SQL или Python уже недостаточно, всё чаще нужны предметная область, ML-алгоритмы, статистика и умение поддерживать аналитическую инфраструктуру. ИИ-агенты помогают писать Python-обработки и анализировать логи, но базовые SQL-запросы, которые могут занимать до 90% работы аналитика, автор всё ещё пишет вручную.
Коротко
- Автор начал карьеру в аналитике с BI-стажировки в МГТС в 2023 году, совмещая очное обучение с 40-часовой рабочей неделей.
- Переход в MWS в 2024 году занял около 20 откликов и 3 собеседования; там он занимался capacity-отчётностью и BI-дашбордами.
- Онлайн-магистратура МИФИ и Яндекс Практикума включает статистику, Python, AB-тестирование, ML-задачи на Kaggle и LLM-проект.
- Для перехода в Озон в начале 2025 года автор сделал около 50 откликов, прошёл примерно 7 собеседований и получил несколько оферов.
- По оценке автора, ИИ-агенты полезны для Python и логов, но не заменяют базовое написание SQL-запросов в работе аналитика.
FAQ
Зачем аналитику данных идти в профильную магистратуру, если он уже работает в IT и получает опыт на реальных задачах?
По позиции автора, рабочих задач и вузовской корочки недостаточно для дальнейшего роста. Магистратура даёт структурированное погружение в статистику, ML, Python и практики анализа данных.
Как автор описывает изменение требований к аналитикам данных в крупных IT-компаниях после перехода в Озон?
Он считает, что в tier-1 компаниях требования растут из-за конкуренции за вакансии. Помимо SQL и программирования всё чаще нужны предметная область, ML-алгоритмы и статистические методы.
Какую роль ИИ-агенты уже играют в работе аналитика данных и где, по мнению автора, остаются ограничения?
ИИ помогает писать обработку данных на Python и анализировать логи, особенно через внутренние корпоративные решения. Но базовые SQL-запросы автор продолжает писать вручную.
Читайте также
- Профиль роста аналитика данных: от SQL и BI к статистике, ML и инженерным навыкам: Для развития аналитика недостаточно выполнять только рабочие выгрузки и рутинные BI-задачи. Рост в крупных IT-компаниях требует более глубокой базы: статистики, машинного обучения, понимания предметной области, работы с хранилищами данных и поддержки аналитической инфраструктуры.
[Карьера и компетенции аналитиков]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
Аналитик данных Сергей Тимакин описывает путь от стажировки по BI до работы в Озоне и объясняет, зачем пошёл в онлайн-магистратуру МИФИ и Яндекс Практикума. Главный практический тезис: для роста в аналитике уже мало рабочих задач, нужны статистика, ML, инженерная база и понимание предметной области.