Яких аналітиків шукають продуктові IT-компанії: гайд від тімліда аналітики

💡 Усі статті, обговорення, новини для початківців — в одному місці. Приєднуйтесь до Junior спільноти!

Усім привіт. Мене звати Влад Дар’їн, я Team Lead Analytics на проєкті AdConnect в українській продуктовій IT-компанії appflame.

Я навчався в Запорізькому інституті економіки та інформаційних технологій на економічній кібернетиці. Закінчив магістратуру у 2015 році, а шлях у продуктовому IT почав близько семи років тому з позиції Junior Data Analyst.

За цей час я пройшов шлях від джуна до тімліда, і сьогодні маю чималий досвід роботи з даними, побудови аналітичних процесів, найму фахівців і керуванні аналітичними командами. Тому в цій статті я хочу розповісти:

до чого готуватися, якщо ви шукаєте свою першу аналітичну роботу в продуктовому IT і як ви зможете рухатися карʼєрно;
яких аналітиків шукають продуктові IT-компанії;
які навички та на якому етапі карʼєри будуть вам найбільш корисними;
а також про те, чи замінить AI аналітиків (спойлер: ні, бо AI ще далеко до гнучкого продуктового мислення).

Наприкінці статті я також поділюся корисними джерелами для опанування аналітичних навичок, які будуть вам необхідні на старті.

Що відбувається з аналітичним ринком в IT і чи є в ньому місце для аналітиків без досвіду

Останні декілька років помітно зріс попит на аналітичні позиції — усе більше компаній усвідомлюють цінність data-driven підходу до прийняття рішень. З іншого боку, зростає і конкуренція серед кандидатів, особливо серед початківців.

Наприклад, кількість дата аналітиків без досвіду вперше увійшла в топ-5 відносно інших позицій в цьому році.

Аналітика djinni за Q2 2025

Разом із цим зростають і очікування роботодавців. Багато продуктових IT-компаній шукають аналітиків на Junior-позиції вже з досвідом у комерційних проєктах.

Та іноді в аналітиків є можливість почати карʼєру й без цього досвіду. Наприклад, можна брати участь у хакатонах або аналітичних заходах, де ви попрацюєте в команді з менторами з IT-компаній. Для вас це можливість зробити проєкт у портфоліо, поспілкуватися з наймаючими менеджерами й показати себе як вмотивованого новачка. Ми часто знаходимо початківців саме на таких подіях.

Альтернатива — пошук першого робочого досвіду, зокрема за межами IT. Важливими тут будуть не лише технічні знання, а й розуміння домену.

Наприклад, моя попередня роль хоч і була пов’язана із роботою з даними, але не була чисто аналітичною (власне, це і стало причиною зміни роботи). Я працював у сфері інтернет-маркетингу в дейтинговій ніші й це добре збігалося з роллю Marketing-аналітика в appflame, яку я зрештою отримав. Думаю, це дало мені додаткових балів при наймі.

Та варто розуміти, що універсальної пігулки, як потрапити в продуктове IT без досвіду — немає. Але якщо ви хочете працювати аналітиком і ще не маєте потрібного набору навичок, потрібно його поступово формувати та розвивати. Далі в статті розберемо, які саме навички наразі найбільш важливі для роботи в аналітиці в IT.

Яких аналітиків шукають продуктові IT-компанії та які в них задачі

Коли ми говоримо про аналітиків, котрі працюють в ІТ-продуктах, ми маємо на увазі кілька напрямів спеціалістів: Product-аналітики, Marketing-аналітики, Data-аналітики, BI-аналітики, Data Scientists.

Важливо зазначити, що наразі зарплати цих фахівців на початкових етапах кар’єри приблизно однакові й починають варіюватися вже з підвищенням грейду. Коротко розберемо їхні основні задачі.

Спеціалісти по роботі з даними в продуктовому IT

1. Product-аналітики працюють із продуктовими метриками (LTV, DAU/MAU тощо), аналізують конверсії користувача в оплату або в інші бізнес-показники, беруть участь у проведені A/B тестування та мають тісну взаємодію з продактами або із фахівцями на аналогічній ролі на проєкті. Досвідчені Product-аналітики можуть також брати участь у розробці систем трекінгу основних метрик.

2. Marketing-аналітики оцінюють ROI, прогнозують LTV, проводять аналіз альтернативної вартості (вибір, за якою воронкою краще працювати з користувачами), розробляють системи атрибуції маркетингових результатів тощо.

Наприклад, свого часу, коли я тільки приєднався до appflame, ми протягом пів року займалися зміною системи атрибуції — способу, яким ми визначаємо, який саме маркетинговий канал або точка взаємодії привели користувачів у продукт.

Тоді ми апдейтнули модель First-click attribution (коли конверсія зараховується першому каналу, з яким взаємодіяв користувач перед покупкою) на Last-click attribution (коли враховується остання взаємодія перед конверсією), додатково ускладнивши її для випадків, коли користувач повертається через email або веб-пуш. Це дало нам змогу по-новому оцінити їхню окупність та ефективність джерел трафіку, перерозподілити бюджети й подекуди навіть збільшити їх із ростом ROI. І що важливо — ці зміни відобразились у фінансових показниках, зокрема в PnL.

3. Data-аналітики займаються побудовою систем репортів для дашбордів, ad-hoc запитами, ETL-процесами, аналізом трендів і виявленням аномалій у даних тощо.

У нашому проєкті ми створюємо репорти для відділів маркетингу та монетизації, які охоплюють їхню операційну діяльність і допомагають швидко знаходити відповіді на більшість ключових питань. Ці репорти покривають різні етапи воронок, а також різні ключові метрики, відповідно до наших цілей.

Наприклад, у маркетинг-відділку є репорти для оцінки ефективності джерел трафіку, як на загальному рівні, так і на рівні окремих компонентів. Для специфічних типів трафіку ми створюємо окремі репорти з унікальною логікою. Усе доповнюємо сповіщеннями, зокрема на фрод-трафік — підозрілу або фейкову активність, наприклад, боти чи фальшиві кліки, яка може спотворювати дані. Подібні підходи ми використовуємо і в інших напрямках.

У нашому випадку продуктові та маркетингові аналітики можуть працювати на позиції Data Analyst. Насправді ця практика поширена в багатьох продуктових компаніях, адже спеціалісти широкого профілю, які можуть розв’язувати аналітичні задачі, незалежно від напрямку — дуже цінні.

4. BI-аналітики зазвичай будують складні, деталізовані дашборди, щоб дивитися на ключові бізнес-показники з різних боків і максимально ефективно використовувати зібрані дані. Основна цінність цих дашбордів у тому, щоби бізнес міг швидко знаходити в них відповіді на свої запитання.

Приклад дашборду

BI-аналітики працюють з інструментами, такими як PowerBI, Tableau або їх альтернативами; серед їх основних задач — пошук бізнес-інсайтів, розробка ETL-процесів, аналіз KPI бізнесу, автоматизація звітності тощо. На нашому продукті функції BI аналітиків також виконують Data Analyst.

5. Data Scientists я також відношу до аналітичного пула, адже їхня ключова задача — шукати відповіді на запити бізнесу та допомагати закривати його потреби. При цьому вони фокусуються на використанні ML та статистичних методів.

Напрямок Data Science, на мою думку, має найменш конкретні межі. Він може досить сильно зміщуватися, як у бік ML, так і в бік класичної аналітики даних. Відповідно те, чим займається Data Scientist у компанії, часто залежить безпосередньо від проєкту.

Наші Data Scientists працюють із комплексними бізнес-задачами, де потрібно будувати моделі для ухвалення рішень. Наприклад, займаються розрахунком ціни за показ банера в реальному часі ще до того, як користувач побачить рекламу.

Загалом, на мою думку, усі аналітики в першу чергу мають прагнути до того, щоби покривати потреби бізнесу, а не лише обробляти дані.

Якщо ви будете фокусуватися лише на цифрах без заглиблення в контекст бізнесу, ви можете втратити точність інтерпретації отриманих результатів, не зрозуміти потенційні можливості, про які кажуть дані, або ризики, які вони в собі несуть.

Які ключові hard-скіли потрібні аналітикам у продуктових компаніях

Серед наймаючих менеджерів є розповсюджена думка, що під час найму фахівця потрібно робити більший акцент на soft-скіли. Я із цією думкою погоджуюсь — софти розвивати складніше за харди. І часто розвинуті soft-скіли допомагають спеціалістам краще розуміти бізнес і ефективніше рухатися з ним в одному напрямі.

Але це не означає, що hard-скіли не мають цінності. Навпаки вони будуть дуже допомагати вам працевлаштуватися та на початку карʼєри. У той час, як гарні софти багато в чому допомагатимуть вашому промоушену далі.

Отже, нижче перелік навичок, які необхідні на аналітичній посаді в продуктових IT-компаніях.

1. Робота з даними та інструментами для їхньої обробки. Щоби проаналізувати дані, їх спочатку потрібно отримати, причому в структурованому й готовому до аналізу вигляді. І на мою думку, необхідним інструментом для цього є SQL — це найбільш поширений інструмент серед великих проєктів.

Я вивчав SQL ще в університеті, адже це було базовою навичкою для працевлаштування, та для самостійного опанування можу порадити цей туторіал.

Звісно, є команди, які працюють із csv або Excel. Я, наприклад, теж починав саме з Excel. Це корисний інструмент у своїй ніші, особливо на старті або для невеликих задач, коли йдеться про роботу з тисячами чи десятками тисяч даних.

Але коли ми переходимо до мільйонів або навіть мільярдів рядків, зростає і потреба у використанні більш оптимальних для цього інструментів — наприклад, зберігання даних у базах даних (або хоча б більш ефективних форматах даних за csv, наприклад, parquet) і використання скриптової мови для роботи з ними.

Python дуже поширений для обробки, аналізу та візуалізації даних на проєктах. Він простий у вивченні, має велику спільноту, багато бібліотек і загалом добре підходить під аналітичні задачі. Інколи на проєктах ще можна зустріти використання R, але вже набагато рідше, ніж це було кілька років тому.

Та зараз вимоги до новачків у плані знання скриптових мов не дуже високі, тож достатньо сформувати базу: розібратись з основами Python, попрактикуватись з основними бібліотеками та трохи закріпити це практикою. Наприклад, порозв’язувати кілька типових задач або погратись із датасетами на Kaggle. Цього буде достатньо, щоб впевненіше почуватися на старті.

Для самостійного вивчення Python зараз доступно багато відкритих джерел. До прикладу, можу порадити посібник з Python.

Проте, частина аналітиків може працювати без знання мов програмування і робити свою роботу добре. Однак це суттєво обмежує як вибір цікавих компаній для працевлаштування, так і шляхів розвʼязання бізнес задач.

2. Досвід роботи із ВІ-інструментами: Power BI, Tableau, Looker тощо. Ці інструменти доволі розповсюджені та їх використовують незалежно від того, чи працюєте ви з SQL, чи з Excel.

Ми на проєкті працюємо з Tableau. Він дуже user friendly й на відміну від інших рішень, зберігає гарний баланс між вбудованими рішеннями та можливістю формувати власні.

Серед гарних новин — якщо вам бракує досвіду з ВІ-інструментами, їх відносно швидко можна освоїти. Коли я приєднувався до компанії, я не розумівся у Tableau, але мені вдалося доволі швидко набути базового функціоналу, який я потім розширяв через використання документації Tableau та профільні YouTube-канали.

Наприклад, на каналі Art of Visualization є плейліст, присвячений роботі з Tableau — більшість ідей із кастомними графіками я брав сам із нього.

3. Розуміння ETL-процесів (процеси обробки даних — extract, transform, load) і вміння працювати з оркестратором даних.

ETL-процеси допомагають із сирих даних отримати зручні для аналізу набори даних (оброблені дані, які мають зручну гранулярність, розрізи, а також підчищені від усього зайвого). Вони важливі, коли зростає команда, збільшується кількість даних і треба швидко приймати рішення на основі якісної інформації.

Щоби налаштувати ETL, використовують оркестратори задач — інструменти, які керують виконанням скриптів та оновленням даних. На українському ринку найбільш поширеним оркестратором даних є Airflow. До речі, про перехід на Airflow на проєкті писав мій колега з іншого продукту. Але на нашому проєкті ми використовуємо Prefect — це платне рішення, але, на мою думку, простіше та зручніше до використання.

Щоб мати навичку роботи з ETL корисно також розуміти, навіщо це робити та якими методами. У цьому вам допоможе робота над реальними кейсами. Особисто я почав розбиратися в ETL уже на робочому місці. Тобто це не є ключовою навичкою на старті, але доволі швидко стає частиною щоденної роботи аналітика.

4. І, безумовно, базове розуміння статистики. Аналітикам потрібно розуміти дані та правильно їх інтерпретувати, наприклад в A/B тестах. Розуміти принципи, які лежать за нашою системою прийняття рішень, важливо для комунікацій. Вони допомагають команді розуміти та приймати data-driven підхід, а також додають більше визначеності цьому процесу.

Також сучасні інструменти, зокрема моделі машинного навчання, базуються саме на статистичних підходах.

Для опанування статистики можу порадити цю книгу, а також YouTube-канал StatQuest — він охоплює кілька важливих напрямків одразу: статистика, A/B тестування, ML, нейромережі й... локальний гумор :)

Маю додати, що зазвичай бізнес доволі гнучкий у підходах. Головне, щоб ви могли отримувати потрібний результат завдяки тим інструментам, які ви використовуєте.

Як змінюється підхід до роботи аналітиків залежно від грейду

Карʼєрний розвиток аналітиків доволі лінійний — є певний набір навичок і інструментів і ви маєте їх поступово розширювати, поглиблювати розуміння по роботі з ними, вдосконалювати якість своєї роботи тощо. Завдяки цим крокам ви переходите на наступний грейд.

Але ключовий момент не лише в кількості навичок та інструментів, а в тому, як саме ви з ними працюєте. І тут підходи до роботи спеціалістів різних грейдів значно відрізняються.

У цьому розділі я опишу ключові відмінності в підходах роботи аналітиків на різних грейдах, які можуть стати вам у пригоді як орієнтир для самоперевірки. Цей поділ добре працює для більшості продуктових IT-компаній, хоча деталі можуть трохи відрізнятись залежно від проєкту.

Junior-спеціалісти

На рівні Junior ключове — це мати технічну базу і вміти з нею працювати. Junior-спеціалісти зазвичай працюють із чітко сформульованими ТЗ та їхня зона відповідальності — це виконати завдання якісно.

Умовно кажучи, на цьому етапі важливо, щоб усе працювало добре, навіть якщо це зроблено простими методами. Наприклад, якщо говорити про роботу з SQL, то це здатність написати запит, отримати правильний результат і супер бажано при цьому не обвалити базу даних.

Middle-спеціалісти

Middle-спеціаліст за очікуванням має вищий рівень навичок і трошки ширший інструментарій для розв’язання задач. Додається більше типів запитів, вміння працювати з різними джерелами даних, досвід з BI-системами тощо.

Middle-спеціаліст має не просто вміти зробити запит до бази даних і отримати правильну відповідь, а й робити це ефективно, швидко і з мінімальним навантаженням на базу даних.

На цьому грейді ви починаєте відповідати не тільки за свою частину, а за результат усього напряму, з яким працюєте. Також росте рівень абстракції — до вас звертаються не з ТЗ на реалізацію (задачею), а з проблемою для розвʼязання.

Senior-спеціалісти

Senior-спеціаліст — це вже експерт у домені, який при виборі варіанта рішення за замовчуванням обирає оптимальне з урахуванням контексту, бізнес-цілей і довгострокових наслідків.

Senior-аналітик має швидше знаходити помилки або неточності в чужому коді, адже в нього вже є достатній досвід для такого рівня роботи й розуміння, як використовувати код для обробки та інтерпретації даних (SQL — для збору та обробки та Python — для аналізу даних).

Також змінюється і зона відповідальності. Senior-аналітик несе відповідальність на рівні досягнення цілей компанії/проєкту й не обмежується виключно доменом, з яким він працює. Він бачить картину ширше, може координувати декілька напрямів (наприклад: продукт+retention, маркетинг+монетизація), працювати з фахівцями молодших грейдів, передавати досвід та ініціювати зміни, які виходять за межі його відповідальності.

Які є можливості для розвитку аналітиків

З мого досвіду аналітики в продуктових компаніях можуть розвиватися як вертикально, так і горизонтально. Є класична вертикаль: ріст по грейдах — від Junior до Senior, далі до лідових і менеджерських позицій. Але є і варіанти переходу в інші напрямки, наприклад, у продакт-менеджмент або на ролі хедів (керівників) окремих напрямків.

Один із кейсів, який бачив особисто — моя колега з аналітики, яка прийшла на посаду Junior Data Analyst і займалася ретеншеном, за сім років перейшла в роль Chief Retention Officer. Цей напрям згодом виокремився в нас у повноцінний бізнес-напрямок, тож фактично вона стала керівником нового напряму з продуктового боку. Про свій шлях вона розповідала у статті на DOU.

Також враховуючи, що задачі й інструментарій Product-аналітиків, Marketing-аналітиків й Data-аналітиків дуже близькі по своїй суті — перехід між цими трьома напрямками простіший, бо здебільшого у вас є розуміння, чим займається інший напрямок.

Звісно, кожна з ролей має свою специфіку й вимагає окремий набір навичок, але загальний обсяг нових знань, які потрібно опанувати, суттєво менший, ніж при переході в зовсім іншу галузь.

Загалом я вважаю, що для будь-яких подальших варіантів розвитку аналітика підходить дуже класно. Аналітики часто знаходяться найближче до бізнесу, мають широке розуміння продукту, з яким працюють, можуть впливати на прийняття рішень, і, відповідно, це дає міцне підґрунтя для їхнього зростання в різних напрямках.

Що бізнес очікує від аналітиків

Перед тим як поговорити про те, що бізнес очікує від аналітиків, давайте трошки зупинимося на тому, у яку компанію, скоріш за все, ви хочете потрапити. Бо, як на мене, вимоги до спеціалістів повʼязані із принципами, за якими будуються сильні продуктові IT-компанії.

По-перше, сильні компанії однозначно об’єднує сильний найм. У найм такі компанії інвестують дуже багато й намагаються наймати собі найкращих спеціалістів. Це стосується як досвідчених спеціалістів, так і початківців. Вони шукають найбільш підготовлених спеціалістів, зацікавлених у роботі з даними й готовими навчатися і розвиватись.

Також ці компанії відкриті до змін і готові швидко адаптуватися під ефективніші бізнес-моделі. А це означає, що вони шукають аналітиків, які мають бути гнучкими та встигати за їхнім темпом — розуміти, куди рухається бізнес, і підлаштовувати під це свої підходи.

Сильні компанії зазвичай будують складні продукти, з унікальною бізнес-моделлю та внутрішніми процесами, які складно скопіювати. Тому аналітикам важливо не просто працювати із цифрами, а й розуміти, як ці цифри пов’язані з внутрішньою логікою продукту та бізнесом.

І ще один важливий фактор сильної компанії — швидка реакція на зміни в регуляторці. Це не завжди означає, що в компанії неефективна бізнес-модель: навіть ефективні бізнеси мають регулярно підлаштовуватися під нові вимоги. Наприклад, для продуктів із мобільними застосунками це можуть бути зміни політик App Store чи Google Play, для транзакційних моделей — оновлення банківських регуляцій. У таких умовах важливо вміти швидко адаптувати процеси та аналітику до нових правил.

Якщо говорити конкретніше, що бізнес очікує від аналітиків, то в першу чергу — щоби ми закривали його болі, допомагали приймати більш зважені рішення, розуміли його слабкі місця та зони росту й цим коштом допомагали йому зростати.

Відповідно, ми з вами маємо розуміти, як наші дії допомагають досягати бізнесу фінальних результатів. В образі аналітиків ключові дії проявляються в наступному.

1. Потрібно бути ініціативними та проактивними. Погоджуюся, що не завжди легко підтримувати вогник в очах, але між тим здорова ініціативність вкрай необхідна.

Початківцям важливо мати ентузіазм, допитливість та здатність до навчання. На початку карʼєри ми ще не маємо великого досвіду, і це нормально. Але досвід зʼявляється якраз через наше бажання брати більше відповідальності та розбиратися в нових задачах.

2. Аналітики мають бути достатньо автономними й покривати весь цикл роботи з даними — від збору до формування висновків. Тобто наша робота не лише про аналіз готових репортів, а і про участь у створенні всієї аналітичної основи: збір потрібних даних, їхня обробка, забезпечення зручного доступу до них і, зрештою, формування інсайтів, які допомагають бізнесу ухвалювати рішення.

3. Ми маємо зменшувати рівень невизначеності бізнесу та надавати неупереджену оцінку гіпотезам, результатам експериментів, динаміці метрик і впливу прийнятих рішень. Це те, що відрізняє аналітиків від багатьох інших ролей у компанії.

Ідеально, якщо аналітик може відокремити особисту думку від фактів і спиратися на дані. Повністю уникнути упереджень складно, але наша задача — максимально наближатися до фактів, щоби бізнес міг приймати рішення, ґрунтуючись на точній та зрозумілій інформації.

4. Бути інноваційними в підходах до роботи з даними та прийняття рішень. Наприклад, якось ми з хедом напрямку монетизації вирішили змінити підхід до оцінки ефективності продажу нашого трафіку. Замість того щоб орієнтуватися на статичний бенчмарк, ми почали порівнювати фактичні результати з нашими прогнозами.

Це рішення допомогло переосмислити ефективність деяких партнерів, які викуповували наш трафік. Зокрема, ми поступово припинили співпрацю з тодішнім найбільшим монетизаційним партнером.

Як наслідок, завдяки цій зміні та активній роботі команди монетизації наша ключова метрика EPC (заробіток з одного кліка) за 1–1.5 року зросла приблизно на 20 %. І це при тому, що до змін вона залишалась майже стабільною, а покращити її в межах уже оптимізованої системи непросте завдання.

5. Підвищувати експертизу всієї команди. Це властиво більш сінйорним спеціалістам, але з усім тим, працюючи з певним напрямом, ми поступово стаємо частиною команди фахівців у цьому домені — хай то маркетинг, продукт, монетизація чи щось інше.

Наприклад, якщо аналітик працює з маркетологами, які спеціалізуються на закупівлі трафіку, він бачить їхню роботу не лише через призму каналів чи креативів, а через дані: цифри, тенденції, результати тощо. Завдяки цьому ми можемо помітити те, що не потрапляє у їхній фокус: як змінюється ефективність певного підходу, які закономірності повторюються, які показники варто контролювати уважніше тощо. Відповідно, ми можемо надати їм корисні рекомендації: запропонувати нові гіпотези або рішення.

6. Тісно комунікувати із командою та ключовими стейкхолдерами й доменними експертами. Ми не можемо знати всі нюанси бізнесу й контекст без їхнього досвіду. Саме тому потрібно не боятися ставити питання, слухати та обговорювати, щоби правильно побудувати подальші кроки.

7. Для якісного прийняття рішень, сторітелінгу та презентації результатів потрібно розуміти, як працює сама логіка аналізу. Для того, щоб це розуміти, треба мати звичку ставити під сумніви гіпотези, результати й мати критичне мислення.

Критичне мислення дозволяє швидко зрозуміти, що саме відбулося, і зекономити час, який інакше витратили б на пошук проблеми, що не існує.

8. Вміти бачити повну картину, особливо коли продукт і процеси складні. Чим складніший продукт, тим більше в ньому взаємозвʼязків, і тим більше проблем ми маємо помічати під час змін у продукті.

Це так званий helicopter view, який здебільшого приходить із досвідом, коли працюєш із різними командами, занурюєшся в процеси, вивчаєш бізнес загалом. Гарна новина — це бачення формується поступово й майже природно. Погана — без цього на рівні Senior працювати буде набагато важче.

І найголовніше, що все, що описано вище — це не вимоги у вакуумі, а ґрунт для того, щоби переводити прийняті рішення в ключові метрики, котрі допомагають бізнесу отримувати результати.

Чи замінить AI аналітиків?

Бізнесу в першу чергу потрібні люди, які добре розуміють його контекст і специфіку роботи. Тому не варто очікувати, що в компанії зʼявляться Middle чи Senior-спеціалісти без попереднього досвіду на Junior-позиції.

Наприклад, добре сформульована задача для Junior — це зовсім не те саме, що складна проблема для Middle. Junior-спеціаліст зазвичай працює з покроковими задачами, а Middle має глибше розуміти проблему і вміти працювати автономно. Перескочити цей шлях без практики — малореалістичний сценарій. До того ж саме на Junior-позиції в спеціаліста зʼявляється глибша експертиза в домені, розвиваються софти й формується ширше бачення, як працює бізнес.

Наразі я бачу AI не як заміну Junior, а як інструмент, що доповнює нашу роботу. Водночас AI розвивається дуже швидко, тому те, що актуально сьогодні, може змінитися вже за кілька років. Найгірший сценарій, на мою думку, якщо ми просто станемо операторами AI й будемо лише запускати його для аналізу даних.

Як ви можете опанувати базові аналітичні навички самостійно

Залишу кілька корисних ресурсів на різні теми, щоб вам було із чого почати свій шлях в аналітиці: трошки по статистиці, трошки про A/B тести, про ML, про візуалізацію:

SQL Tutorial, про який згадував вище в статті;
посібник Python for data analysis для самостійного опанування;
посібник Naked Statistics;
книга Trustworthy Online Controlled Experiments;
курс «Machine Learning» (Andrew Ng);
книга Storytelling with Data: A Data Visualization Guide for Business Professionals.

Також раджу звертати увагу на безплатні курси замість платних — зараз є дуже багато якісної інформації у вільному доступі. Наприклад:

курс Intro to Statistics;
курс Data Analysis with Python.

Платні курси часто орієнтовані на вузькопрофільні знання, які знадобляться пізніше. Тож на старті краще зосередитися на безплатних ресурсах і чітко пропрацьовувати свої слабкі місця.

Шукайте також статті на medium і використовуйте Kaggle, якщо треба на чомусь попрактикуватись. І підпишіться на експертів у роботі з даними у Linkedin, наприклад на Andrew Ng та Ron Kohavi, читати їх може бути корисно.

За додатковими порадами в аналітиці можете звертатися до мене у LinkedIn — буду радий допомогти. А якщо у вас будуть питання по статті — буду радий поспілкуватися в коментарях під нею.