Из гуманитариев — в данные: история одной (не)случайности
Всем привет! Я Алина, и хочу рассказать, как маркетолог уходит в аналитику. И что из этого выйдет.
Кто я?
Гуманитарий до мозга костей, но последние годы работаю в ИТ — продвигаю курсы.
Дилемма
Сначала было страшно, но потом я увидела, как «технари» учатся нон-стоп и поняла: ИТ — это переменная, ничего стабильного. Но именно тогда я поймала себя на мысли, что хочу окунуться в это с головой. Записалась на курс по ML. NumPy, Pandas для меня уже не абстракция, а инструмент типа Excel.
Неожиданно вспомнилась школьная головоломка, которую никто не мог решить, а у меня — «щёлк!» — и готово. Может, моя перезагрузка в технари — не случайность?
Сейчас твёрдо решила уходить в аналитику. Осталось понять — в какую? Мой бэкграунд по идее должен помочь: несколько лет вела рекламу 150+ ИТ-курсов, пережила не одну ИИ-революцию, многое видела изнутри. Но именно это знание играет со мной злую шутку. Слишком хорошо представляю, как обстоят дела в индустрии.
Какая она — аналитика и какой там набор инструментов (stack)?
Системные / бизнес-аналитики (system / business analyst)
«Переводчики» между бизнесом и разработкой. Проектируют логику системы.
👩💻 Моделирование (UML, BPMN), инструменты (Draw.io), API (Postman, Swagger), SQL (чтение схем, DQL), управление требованиями (Jira, Notion, Yandex Tracker), методологии (Agile, Scrum, Kanban).
💰 В топе самых высокооплачиваемых профессий января 2026 со средней зп. 173 100 ₽ (по данным HH). Спрос сохраняется, хотя пиковые зарплаты немного скорректировались. Ключевая сила профессии — универсальность: востребованы в ИТ, финтехе, ритейле, промышленности...
Инженер данных (data engineer)
Техническая роль; он строит инфраструктуру для данных: ETL, хранилища, пайплайны. С данными напрямую не взаимодействует.
👩💻 Python (Pandas, PySpark, Airflow), продвинутый SQL, Big Data (Spark, Kafka), облака, базово Docker/Kubernetes, Git, администрирование БД.
💰 Одни из самых дефицитных специалистов в 2026 году. Спрос на них смещается от массового найма к «точечной охоте» за профессионалами. Зарплаты: 140 000 — 450 000 ₽.
Аналитик данных, BI-аналитик, продуктовый аналитик
Исследуют прошлое и настоящее. Строят отчёты, дашборды, проверяют гипотезы.
👩💻 SQL (DQL), Python (Pandas, NumPy, визуализация), BI-инструменты, статистика, основы Git.
💰 Уязвимы. Классические аналитики постепенно вытесняются автоматизацией. Но продуктовые аналитики с пониманием болей бизнеса остаются в топе. Требования смещаются в сторону умения работать с ИИ-инструментами.
Аналитик в ML
Роль только формируется как отдельная. ML-аналитик работает с «до-модельной» стадией: исследует сырые данные, ищет закономерности, создает новые признаки (feature engineering) и готовит датасеты для обучения моделей.
👩💻 Pandas, NumPy, Matplotlib/Seaborn, Scipy, Sklearn (preprocessing, metrics, простые модели), SQL; понимание качества данных (data quality) — ключевой навык в эпоху ИИ.
💰 Эта роль часто пересекается с обычным Дата Аналитиком, ИИ-тренером, поэтому вилка широкая: от 80 000 до 270 000 ₽
Data Scientist / ML-инженер
Создают ML-модели для прогнозирования будущего.
👩💻 Python (Scikit-learn, PyTorch, CatBoost), продвинутая статистика и математика, SQL, Big Data (Spark), MLflow / Kubeflow (для управления экспериментами и пайплайнами), Docker / Kubernetes (деплой в продакшн).
💰 DS — на вершине зарплатной пирамиды: 150 000 — 1 000 000+ ₽.
В эпоху ИИ роль в ML меняется. Код теперь может писать любой, а ценность специалиста определяется умением работать с качеством данных.
Вопрос о смысле жизни и вообще
Где в новом мире найдется местечко для человека с гуманитарным прошлым и аналитическим будущим? Аналитик данных? Аналитик в ML?
Опять страшно? Немного. Интересно? Очень!
Ясно одно: в старом мире мне безумно скучно. Если вам тоже тесно в вашей текущей роли, — присоединяйтесь! И как водится, в пятницу 13-го... Поехали!
Всем привет! Я Алина, и хочу рассказать, как маркетолог уходит в аналитику. И что из этого выйдет.
Кто я?
Гуманитарий до мозга костей, но последние годы работаю в ИТ — продвигаю курсы.
Дилемма
Сначала было страшно, но потом я увидела, как «технари» учатся нон-стоп и поняла: ИТ — это переменная, ничего стабильного. Но именно тогда я поймала себя на мысли, что хочу окунуться в это с головой. Записалась на курс по ML. NumPy, Pandas для меня уже не абстракция, а инструмент типа Excel.
Неожиданно вспомнилась школьная головоломка, которую никто не мог решить, а у меня — «щёлк!» — и готово. Может, моя перезагрузка в технари — не случайность?
Сейчас твёрдо решила уходить в аналитику. Осталось понять — в какую? Мой бэкграунд по идее должен помочь: несколько лет вела рекламу 150+ ИТ-курсов, пережила не одну ИИ-революцию, многое видела изнутри. Но именно это знание играет со мной злую шутку. Слишком хорошо представляю, как обстоят дела в индустрии.
Какая она — аналитика и какой там набор инструментов (stack)?
Системные / бизнес-аналитики (system / business analyst)
«Переводчики» между бизнесом и разработкой. Проектируют логику системы.
👩💻 Моделирование (UML, BPMN), инструменты (Draw.io), API (Postman, Swagger), SQL (чтение схем, DQL), управление требованиями (Jira, Notion, Yandex Tracker), методологии (Agile, Scrum, Kanban).
💰 В топе самых высокооплачиваемых профессий января 2026 со средней зп. 173 100 ₽ (по данным HH). Спрос сохраняется, хотя пиковые зарплаты немного скорректировались. Ключевая сила профессии — универсальность: востребованы в ИТ, финтехе, ритейле, промышленности...
Инженер данных (data engineer)
Техническая роль; он строит инфраструктуру для данных: ETL, хранилища, пайплайны. С данными напрямую не взаимодействует.
👩💻 Python (Pandas, PySpark, Airflow), продвинутый SQL, Big Data (Spark, Kafka), облака, базово Docker/Kubernetes, Git, администрирование БД.
💰 Одни из самых дефицитных специалистов в 2026 году. Спрос на них смещается от массового найма к «точечной охоте» за профессионалами. Зарплаты: 140 000 — 450 000 ₽.
Аналитик данных, BI-аналитик, продуктовый аналитик
Исследуют прошлое и настоящее. Строят отчёты, дашборды, проверяют гипотезы.
👩💻 SQL (DQL), Python (Pandas, NumPy, визуализация), BI-инструменты, статистика, основы Git.
💰 Уязвимы. Классические аналитики постепенно вытесняются автоматизацией. Но продуктовые аналитики с пониманием болей бизнеса остаются в топе. Требования смещаются в сторону умения работать с ИИ-инструментами.
Аналитик в ML
Роль только формируется как отдельная. ML-аналитик работает с «до-модельной» стадией: исследует сырые данные, ищет закономерности, создает новые признаки (feature engineering) и готовит датасеты для обучения моделей.
👩💻 Pandas, NumPy, Matplotlib/Seaborn, Scipy, Sklearn (preprocessing, metrics, простые модели), SQL; понимание качества данных (data quality) — ключевой навык в эпоху ИИ.
💰 Эта роль часто пересекается с обычным Дата Аналитиком, ИИ-тренером, поэтому вилка широкая: от 80 000 до 270 000 ₽
Data Scientist / ML-инженер
Создают ML-модели для прогнозирования будущего.
👩💻 Python (Scikit-learn, PyTorch, CatBoost), продвинутая статистика и математика, SQL, Big Data (Spark), MLflow / Kubeflow (для управления экспериментами и пайплайнами), Docker / Kubernetes (деплой в продакшн).
💰 DS — на вершине зарплатной пирамиды: 150 000 — 1 000 000+ ₽.
В эпоху ИИ роль в ML меняется. Код теперь может писать любой, а ценность специалиста определяется умением работать с качеством данных.
Вопрос о смысле жизни и вообще
Где в новом мире найдется местечко для человека с гуманитарным прошлым и аналитическим будущим? Аналитик данных? Аналитик в ML?
Опять страшно? Немного. Интересно? Очень!
Ясно одно: в старом мире мне безумно скучно. Если вам тоже тесно в вашей текущей роли, — присоединяйтесь! И как водится, в пятницу 13-го... Поехали!
Просмотры: 40