Что это простыми словами

Продуктовый аналитик — это человек, который помогает компании понять, как пользователи взаимодействуют с её продуктом. Он смотрит на данные — какие кнопки нажимают, на каких экранах застревают, сколько раз возвращаются — и говорит: "Вот здесь люди уходят, давайте улучшим".

Аналогия: представьте, что вы открыли магазин и хотите знать, куда идут покупатели, что берут с полок и на чём останавливаются взгляд. Продуктовый аналитик — это тот, кто ставит камеры наблюдения, считывает статистику и рассказывает владельцу магазина, что работает, а что нет.

Официальное определение

Теперь, когда суть понятна, вот как эту роль описывают в вакансиях и документации. Такую формулировку вы будете встречать у заказчика и в резюме.

«Продуктовый аналитик — специалист, анализирующий поведение пользователей продукта с помощью статистических методов, для принятия решений об изменении функциональности и улучшения пользовательского опыта».

Разберём по словам. «Поведение пользователей» — как люди двигаются по приложению или сайту: куда кликают, сколько времени проводят, какие функции используют. «Статистические методы» — математические способы проверить, действительно ли что-то изменилось, а не просто повезло. «Пользовательский опыт» — насколько легко и приятно человеку пользоваться продуктом.

Что делает за обычный день

Берёт задачу от менеджера продукта — например, "почему пользователи не доходят до оплаты" — и разбирает, что происходит на каждом шаге. Строит графики и дашборды — это таблицы с данными, которые обновляются в реальном времени, как спидометр в машине. Проводит эксперименты — сравнивает две версии страницы, чтобы увидеть, какая лучше работает. Говорит команде: "Вот проблема, вот решение".

Из чего состоит направление

У продуктового аналитика есть три основных инструмента, которые используются постоянно:

  • SQL — язык для работы с базами данных. Аналитик пишет запросы, чтобы вытащить нужные данные, как если бы просил кладовщика принести товары из определённого отдела.

  • Python — язык программирования для более сложного анализа. Когда данные нужно обработать глубже, чем позволяет SQL.

  • Инструменты аналитики — платформы, которые собирают данные о том, как пользователи ведут себя в приложении: Amplitude, Mixpanel, Яндекс Метрика.

Инструменты простыми словами

Инструменты продуктового аналитика удобно разложить по слоям — от самого важного при отборе к дополнительным.

Слой 1. Языки — основа, без них аналитик не работает.

  • SQL — главный язык аналитика. Знают все, кто работает с данными.

  • Python — для глубокой аналитики. На уровне middle и выше ждут почти всегда.

Слой 2. Библиотеки Python — дополнения, которые помогают считать статистику.

  • statsmodels — помогает проверять гипотезы и строить модели.

  • SciPy — набор математических инструментов для научных расчётов.

Слой 3. Инструменты аналитики — платформы для сбора данных о пользователях.

  • Amplitude, Mixpanel — зарубежные инструменты, показывают путь пользователя по продукту, как следящая камера.

  • Яндекс Метрика — российский инструмент для сайтов, показывает, откуда пришли посетители и что делали.

  • DataLens — инструмент для визуализации данных, создаёт красивые отчёты и дашборды.

Что взаимозаменяемо, а что путать нельзя

Amplitude, Mixpanel и Яндекс Метрика решают одну задачу — показывают, как пользователи ведут себя в продукте. Это взаимозаменяемые инструменты: кто работал с одним, второй освоит за считаные дни. Отбраковывать по конкретной платформе не нужно.

А вот путать продуктового аналитика с другим аналитиком — нельзя. Product Analyst и Data Analyst — разные роли с разным фокусом, и это не одно и то же.

Уровни: junior / middle / senior

Уровень (его ещё называют грейд, от англ. grade) — это не столько годы, сколько самостоятельность.

  • Junior (джуниор, «джун») — делает простые запросы, строит стандартные отчёты, нужен контроль.

  • Middle (мидл) — берёт задачу целиком: понимает, какие данные нужны, проводит анализ и предлагает решения. Основная рабочая сила команды.

  • Senior (сеньор) — определяет стратегию аналитики, строит сложные модели, менторит младших.

Это общий ориентир. В разных компаниях требования отличаются, поэтому всегда сверяйтесь с текстом конкретной вакансии.

Как узнать роль в резюме

В разделе «стек» или «навыки» ищите SQL — это основа, без него продуктовым аналитиком не быть. Python — признак более опытного специалиста. Если видите Amplitude, Mixpanel или Яндекс Метрику — кандидат работал именно с поведенческими данными. Хороший признак — упоминание A/B-тестов или продуктовых метрик (удержание, конверсия, LTV). Если в резюме только Excel и Tableau — это скорее бизнес-аналитик, а не продуктовый.

Что спросить на первичном скрининге

  • Какие инструменты аналитики использовали в работе?

    Нормальный ответ: «Amplitude полгода, потом перешли на Mixpanel» или «Работали в основном с Яндекс Метрикой». Насторожить должно, если человек не может назвать ни один конкретный инструмент.

  • Использовали SQL и Python, или только один из них?

    Нормальный ответ: «Основной инструмент — SQL, Python — для сложных задач» или «Пользовался обоими». Для джуна «только SQL» — нормально, на middle и выше — реже.

  • Проводили A/B-тесты?

    Нормальный ответ: «Да, запускали тесты на чек-ауте» с примером результата. Если человек не знает, что такое A/B-тест — для продуктового аналитика это серьёзный пробел.

  • Расскажите про последний проект, который вы закрыли.

    Нормальный ответ: человек чётко говорит, какую проблему нашёл, что предложил и каков был результат — «улучшили конверсию на 15%».

Это общий ориентир. В разных компаниях требования отличаются, поэтому всегда сверяйтесь с текстом конкретной вакансии.

Частые путаницы и красные флаги

  • Product Analyst ≠ Data Analyst. Продуктовый аналитик работает с поведением пользователей в продукте, а Data Analyst — с данными в целом, часто по более широким бизнес-задачам.

  • Product Analyst ≠ Data Engineer. Инженер данных строит инфраструктуру и pipelines — это техническая роль, не аналитическая.

  • Product Analyst ≠ Data Scientist. Дата-сайентисты строят прогнозные модели и ML-системы — это более глубокая математическая работа, а не анализ поведения.

  • SQL ≠ BI-инструменты. SQL — язык для запросов к данным, а BI-инструменты вроде DataLens — для визуализации. Одно без другого не работает.

  • Красный флаг: «Продуктовый аналитик, но ни разу не использовал SQL» — так не бывает.