道
менторство by @bimchine

Карта пути
в аналитику

от первого запроса до оффера

Роадмап для тех, кто идет в аналитики данных или продуктовые аналитики: пять блоков, чек-листы «что должен уметь» и отобранные бесплатные ресурсы. Тот самый скелет, по которому я веду учеников.

автор, Владислав Ковальчук, Senior ML  ·  кто это пишет →
листай вниз
道
пара слов перед стартом

Если коротко, зачем это

Привет. Ты, скорее всего, либо только решаешь, идти ли в аналитику, либо уже идешь и не очень понимаешь, туда ли.

Я собрал сюда то, что проговариваю каждому, кто приходит ко мне в первый раз: что учить, в каком порядке и до какой глубины. Без этой картинки люди годами ходят по кругу, набирают курсы и никак не могут сложить их во что-то целое.

Ссылок тут немного, и это специально. Утонуть в двухстах материалах легко, толку ноль. Отобрать за тебя и есть моя работа.

как этим пользоваться

В каждом блоке есть короткий список «что должен уметь». Отметь то, что можешь объяснить вслух, а не «вроде где-то читал». Это очень разные вещи, и на собесе проверяют первое. Отмечай прямо здесь: нажми на пункт, и он зачеркнется. Отметки сохранятся в этом браузере, можно возвращаться и продолжать.

про порядок

Блоки идут не по интересности, а по зависимостям. Прыгнуть в продуктовые задачи, не умея писать запросы и считать значимость, это надежный способ потратить полгода и застрять. Пропущенная ступень все равно всплывет, только позже и дороже.

図
оглавление

Пять блоков

Так выглядит путь от нуля до оффера. Блоки идут строго по зависимостям, и каждый следующий стоит на предыдущем.

сколько это по времени

Честно: при 10-15 часах в неделю с нуля до первых собесов это от 6 до 10 месяцев. Все, что обещает «войти в айти за 3 месяца», либо про другую профессию, либо про другой рынок. Если у тебя уже есть аналитика, разработка или сильная математика, путь короче в полтора-два раза.

忍01

Python

язык, на котором считают и автоматизируют

Python нужен не «в общих чертах», а до автоматизма: дальше он перестает быть предметом изучения и становится инструментом. Пока ты думаешь над синтаксисом, ты не думаешь над задачей.

что должен уметь на выходе
Свободно владеть списками, словарями, множествами, кортежами и понимать, чем они отличаются по скорости поиска
Писать генераторы списков и словарей вместо циклов там, где это уместно. На собесе это первый маркер, что человек пишет на Python
Понимать изменяемость: почему список, переданный в функцию, меняется снаружи, а число нет
Читать таблицу файлом: открыть csv и excel, понять типы колонок, не сломать даты и кодировку. С этого начинается почти каждая задача
ресурсы
Уроки Python для начинающих
Школа itProger · 22 видео · около 5 часов 10 минут
Ровная база от установки до ООП и декораторов. Двух вещей в курсе нет: генераторов списков и работы с окружением, добери их отдельно. Последнее видео в плейлисте, это реклама платного курса, его можно не смотреть.
открыть плейлист →
Вся сложность алгоритмов за 11 минут
Alek OS · 11 минут 26 секунд
Быстрое введение в O-нотацию. Смотреть до того, как начнешь решать задачи, иначе будешь писать решения за квадрат и не понимать, почему это плохо.
смотреть →
忍

На платформе этот блок, это тренажер с автопроверкой кода: пишешь решение, сразу видишь, где не так, и разбор почему.

数·

Математика

полезна, но старт не блокирует

Сразу скажу, чтобы ты не потерял на этом месяцы: в аналитику берут без сильной математики. Она нужна ровно затем, чтобы следующий блок, статистика, не превратился в заучивание формул. Поэтому берем по верхам и идем дальше.

что стоит понимать
Вероятность: условная вероятность и формула Байеса на уровне смысла. Это фундамент всей статистики дальше
Логарифм: зачем логарифмируют выручку и другие перекошенные величины, чтобы среднее перестало врать
Доля, разность, отношение: чем отличается рост на 5 процентных пунктов от роста на 5 процентов. На этом ошибаются в отчетах чаще, чем на матанализе
ресурсы
Смысл производной, интеграла и вектора
SciencePub · три ролика по 3-4 минуты
Быстрое «зачем это вообще нужно» за 11 минут суммарно. Это не обучение математике, это снятие страха перед ней.
производная → интеграл → вектор →
Зачем нужны логарифмы
QWERTY · 11 минут
Смотреть с начала. Логарифм всплывает в функциях потерь и в преобразовании перекошенных признаков, так что тема рабочая, а не академическая.
смотреть →
главная ловушка этого блока

Сесть за математику «как следует» и застрять там на полгода. В аналитике она вспомогательная, а решает статистика и SQL. Взял смысл на пальцах, иди дальше и возвращайся точечно, когда конкретная формула понадобится по работе.

数

На платформе математика идет интерактивом на пальцах: крутишь параметры руками и видишь, как меняется результат. Без вывода формул.

統02

Статистика

без нее в аналитику не берут

Если математику можно пройти по верхам, то статистику нет. Это ядро профессии аналитика: именно тут ты отвечаешь на вопрос «нам показалось или правда выросло». Спрашивают на каждом собеседовании и всегда на понимание, а не на определения.

что должен уметь на выходе
Распределения и зачем нужно нормальное, центральная предельная теорема на пальцах
Проверка гипотез и p-value. Уметь объяснить, что p-value НЕ есть вероятность того, что гипотеза верна
A/B-тесты: как считать размер выборки, когда останавливать тест, что такое подглядывание в результаты
Множественная проверка гипотез и почему двадцать метрик сразу дают ложные открытия
ресурсы
Вероятность и статистика
Глеб Михайлов · 9 занятий · около 16 часов · с кодом на Python
Главный ресурс темы. Закрывает ровно то, что спрашивают: проверка гипотез, p-value, A/B-тесты на долях и на непрерывных величинах, поправки на множественные сравнения. С практикой, а не только с теорией.
открыть плейлист →
частая ошибка

Выучить определения и решить, что тема закрыта. Статистику спрашивают кейсами, а не определениями: дают ситуацию и смотрят, поймаешь ли подвох. Поэтому смотреть курс надо с ноутбуком и считать руками, иначе на первом же кейсе поплывешь.

統

На платформе статистика идет симуляциями и A/B-кейсами, которые считаешь сам, а не смотришь, как считает лектор.

守03

Аналитика и SQL

главный инструмент аналитика

Твой основной рабочий инструмент. SQL спрашивают на каждом собеседовании в аналитику, и заваливаются на нем чаще всего. Причина простая: теорию можно рассказать словами, а запрос надо написать вживую, при интервьюере, и он сразу видит, как ты думаешь.

что должен уметь на выходе
Свободно писать SELECT с WHERE, GROUP BY, HAVING и понимать, в каком порядке база это выполняет
Все виды JOIN и понимание, почему после LEFT JOIN строк стало больше, чем было
Оконные функции: ROW_NUMBER, RANK, LAG и LEAD, суммы нарастающим итогом. Водораздел между «знаю SQL» и «знаю SQL»
Посчитать продуктовые метрики руками: конверсию, удержание, когорты
ресурсы
SQL Academy
около 190 задач · решать бесплатно, подсказки и эталоны платные
Набрать объем и довести синтаксис до автоматизма. Держи в голове: застрял, и разбор решения будет за деньги, так что рассчитывай докапываться сам.
открыть тренажер →
Оконные функции SQL простым языком с примерами
статья на Habr · 15 минут чтения
Самая частая дыра. Разобраны три группы функций на одном сквозном примере. Прочитать до того, как полезешь в задачи на окна.
читать →
守

На платформе, это тренажер со сквозным сюжетом компании. Задачи приходят языком бизнеса, «почему просела выручка в регионе», а не «выведи вторую колонку». Учишься переводить вопрос заказчика в запрос, это и есть настоящая работа.

守·

Pandas и разведка

чем ты будешь заниматься каждый день

Если честно посчитать рабочий день аналитика, сам расчет займет меньшую часть. Большая, это притащить данные, понять их, почистить и не обмануться. Это и есть pandas, и там же живет разведочный анализ.

что должен уметь на выходе
Отбор строк и столбцов через loc и iloc, фильтрация по нескольким условиям без превращения кода в кашу
groupby с агрегациями, включая несколько метрик разом и переименование результата
merge и его виды, понимание, чем он отличается от concat и как ловить дубли после склейки
Работа с пропусками: увидеть, понять природу, осознанно решить, чем заполнять и заполнять ли вообще
ресурсы
Анализ данных на Python и Pandas
Глеб Михайлов · 4 часа 46 минут одним видео
Плотный практический разбор от того же автора, что и курс по статистике. Смотреть не подряд, а с ноутбуком: остановил, повторил на своих данных, поехал дальше.
смотреть →
Любой открытый датасет, который тебе интересен
лучший ресурс блока
Возьми данные про то, что тебе правда любопытно, и задай им десять вопросов. Один такой заход дает больше, чем три курса по pandas: настоящие данные всегда грязнее учебных.
открыть каталог →
частая ошибка

Идти в сложные инструменты, не научившись смотреть на данные. Человек получает подозрительно высокое качество и несет это на собес. А там выясняется, что в признаках была утечка целевой переменной, и модель просто подглядывала в ответ. Умение это заметить и есть навык.

守

На платформе, это данные внутри живого бизнес-кейса. Не «почисти датасет», а ответь на вопрос заказчика и по дороге сам наткнись на пропуски, дубли и утечки, как это и происходит в работе.

師
кто это пишет

Я сижу по обе стороны собеседования

Владислав Ковальчук
Сенсей · Владислав Ковальчук
Senior ML

Уже больше 5 лет я работаю в ML, сейчас Senior ML в Альфа-Банке, и собеседую ребят на такие же позиции в бигтех. Вижу найм с обеих сторон стола и одно и то же: приходят люди, которые честно все выучили, и сыплются на вещах, о которых им никто не сказал.

Эта карта собрана с той стороны стола. Не «что модно учить», а что реально спрашивают и где обычно рвется.

на чем сыплются чаще всего

Человек знает алгоритмы, но не может объяснить выбор метрики под задачу. Пишет модель, но не замечает утечку. Помнит определение p-value, но плывет на кейсе. Разваливается не на сложном, а на том, что казалось понятным.

100+пройденных собеседований
810 000 ₽максимальный оффер
850 млн ₽в год, общий эффект моих моделей
АльфаSenior ML в проде
ИТМОпреподаю DL-трек
ВШЭ · МФТИспикер, а еще YouLead и Альфа Будущее
壱
2016
Ученик
ЕГЭ 146 баллов, математика на 45. Ненавидел программирование, чуть не отчислился из-за долга по Visual Basic.
拾
2020
Подмастерье
Проектировал мосты. Хакатоны, BIM, Python, ведущий инженер. Разработал первый в РФ стандарт цифровых информационных моделей ИССО.
弐拾
2021
Боец
Ушел с головой в автоматизацию. Пришел к ML органическим путем, задолго до хайпа вокруг больших языковых моделей.
肆拾
2024
Мастер
Senior ML в Альфа-Банке. Собеседую специалистов и вижу найм с обеих сторон стола. Больше 10 моделей от идеи до прода, 6 из них работают каждый день, общий эффект больше 850 млн ₽ в год. Собрал свой AutoML-пайплайн, им пользуются коллеги и ведущие эксперты.
師
2026
Сенсей
Преподаватель DL-трека в ИТМО, спикер ВШЭ и МФТИ. Запустил BIMCHINE, площадку с тренажерами и мок-собесами.
Альфа Будущее YouLead Выступление в ВШЭ Purple Conf, МФТИ

Эту карту я собрал из того, что проговариваю каждому ученику на первой встрече. Она бесплатная и останется бесплатной.

鍛04

Classic ML

только база, без глубины

Здесь намеренно мало. Аналитику не нужно уметь строить модели, ему нужно понимать, что это такое, когда задача решается моделью, а когда обычным правилом, и как читать чужой результат, чтобы не кивать на цифру, которой нельзя верить.

что должен уметь на выходе
Понимать, когда задача вообще требует модели, а когда хватит правила и трех условий. Это ценят выше, чем знание алгоритмов
Train и test: почему нельзя измерять качество на тех же данных, на которых учили. И что такое переобучение на пальцах
Читать метрики качества: почему точность на редком событии обманывает и что смотреть вместо нее
Заметить утечку будущего в признаки. Классика: в модель попало то, что становится известно только после события
ресурсы
Учебник по машинному обучению · глава 3
Яндекс Образование · бесплатно, без регистрации
Берем только эту главу, про оценку качества моделей. Остальной учебник аналитику на входе не нужен, вернешься к нему, если решишь двигаться в Data Science.
читать главу →
частая ошибка

Уйти в ML с головой, потому что там интереснее, и прийти на собеседование аналитика с бустингами вместо когорт и A/B. Спрашивать будут про статистику, SQL и метрики продукта, а модели останутся приятным дополнением. Держи этот блок маленьким.

鍛

На платформе, это база на реальном кейсе: смотришь, где модель уместна, а где ее навязали, и учишься спорить с чужим результатом по делу.

測05

Продуктовый дизайн

метрики, гипотезы, эксперименты

Блок, который отделяет аналитика от человека, выгружающего цифры. SQL и статистику выучить можно, а вот задать правильный вопрос к данным учатся дольше. Именно это и проверяют на финальных секциях.

что должен уметь на выходе
Превратить размытое «стало хуже» в измеримую метрику: что именно считаем, у какого среза пользователей, за какой период
Построить дерево метрик: как выручка раскладывается на трафик, конверсию и средний чек, и куда именно провалился показатель
Спроектировать эксперимент целиком: гипотеза, метрика решения, размер выборки, срок, и что будем делать при каждом исходе
Собрать когорты и удержание и объяснить продукту, где именно уходят пользователи
Показать результат так, чтобы по нему приняли решение: один экран, один вывод, а не двадцать графиков
частая ошибка

Ответить ровно на заданный вопрос и остановиться. У продукта спрашивают «сколько», а нужно ему «почему и что делать». Аналитик, который приносит вывод и рекомендацию, а не выгрузку, растет в грейде быстрее всех остальных.

測

На платформе, это продуктовые кейсы целиком: приходит размытый запрос от бизнеса, а ты доводишь его до метрики, считаешь и защищаешь вывод. Как на реальной работе и на финальной секции собеса.

証
каждый отзыв, это часть чьего-то пути

Что говорят ученики

2 оффера на 350к и 365к за 2,5 месяца подготовки голос с пути · аналитика
Путь воина голосовой отзыв · machine learning
Путь самурая голосовой отзыв · machine learning

Все забываю сказать, как четко ты описал мой опыт и проекты!) как будто сидел рядом и все знаешь)) Очень правильно описаны все процессы и метрики. И задачки реально хорошие, особенно тем что объединяют сразу несколько тем, это очень помогает в полировке навыков

ученик уровня MLпройдено

Я обычно долго принимаю решения, всегда взвешиваю за и против, с тобой я очень быстро решила, что попробовать точно нужно. Чекаю роадмап и прям чувствую, что ты прожил за время как проходил этот путь... очень откликается, и очень важно, что ты преподносишь информацию пропущенную через себя, это очень круто и я с таким форматом еще не сталкивалась.. с тобой очень комфортно

путь аналитикапройдено

Спасибо большое Владу за консультацию, чувствовалось, что человек заинтересован в проблеме и в моем развитии, как специалиста. Получил полезные советы по дальнейшим действиям, соориентировался, куда стоит двигаться) Особенно были полезны кейсы с инсайтами по работе HR-ов, точно поможет.

диагностикапройдено
極

Дальше начинается работа

«Карту можно выучить наизусть и все равно заблудиться. Дорогу знает тот, кто по ней прошел.»

Ты держишь маршрут целиком. Этого достаточно, чтобы не тратить месяцы не на то и не собирать двадцатый курс вместо первого законченного проекта.

Чего карта не даст: сказать, что твое решение неудачное, что так в проде не делают и что на собесе за это спросят. Это делает человек, а не текст на странице.

Скажу прямо: этой карты достаточно, чтобы дойти самому. Она бесплатная, останется бесплатной, и ничего не спрятано за регистрацией. Люди доходили и без меня, просто дольше и с большим числом тупиков.

Разница только в скорости и в том, есть ли кому сказать «вот тут ты ошибся». Если такой человек рядом есть, отлично. Если нет, эту роль закрывает платформа: тренажеры с проверкой, мок-собес после каждого блока и разбор твоего кода лично.

карта пути в аналитику · @bimchine · bimchine.ru