Работа продуктового аналитика состоит не только в построении дашбордов и отслеживании метрик. Она подразумевает комплексную работу с данными, продуктовое мышление и бизнес-стратегию. В разных компаниях функциональность и набор инструментов таких специалистов могут отличаться, а путь в профессию у каждого уникальный.

Мы в Lamoda Tech решили сделать срез по рынку и провели исследование среди аналитиков топовых ИТ-компаний (по версии исследования Хабр и ЭКОПСИ). В опросе приняли участие 115 специалистов из электронной коммерции, сервисных IT-компаний, банковской сферы, образовательных технологий и развлечений, продуктов, путешествий и телекоммуникаций.

Так мы получили портрет продуктового аналитика — с основными задачами, метриками, критериями успеха в профессии. А чтобы сделать картину объемнее, попросили рассказать свои истории коллег из Lamoda Tech, Лемана Тех, Сетки (hh.ru) и Яндекс Практикума.

С результатами исследования вы можете ознакомиться здесь, а развернутые ответы читайте ниже. Это может быть полезно начинающим специалистам и тем, кто планирует дальнейшее развитие в профессии.

Старт и развитие карьеры: от джуна до мидла за 2 года 

Согласно опросу, около половины респондентов работают продуктовыми аналитиками 3-5 лет (47%). Много и тех, кто работает 1-2 года (26,1%). И 94% из обеих групп уже достигли мидл-грейда. Это дает основания полагать, что в профессии есть возможность быстрого карьерного развития.

При этом больше трети респондентов исследования обучалась профессии самостоятельно (36,9%), еще 30,2% перешли из смежной области. Всего 14% начали свой путь с прохождения образовательных курсов, и столько же со стажерской программы программы после университета.

В ответах коллеги делятся, что в профессию их привел интерес к данным, гипотезам и реальному влиянию на продукт и бизнес. На старте ключевую роль играет базовая техническая подготовка и самостоятельное обучение, а далее рост связан с расширением границ ответственности, усложнением задач и переходом в управление. Но последнее выбирают не все, этот момент раскроем далее.

Влад Дюков

Старший продуктовый аналитик, Lamoda Tech

Мой путь начался в сентябре 2022 года с позиции Junior Product Analyst в Т-Банке. На тот момент у меня уже был диплом физфака МГУ, неплохой Python, несколько пройденных курсов по SQL и статистике на платформах Stepik и Coursera, а также большое желание попробовать себя в аналитике.

В разработке я себя не видел, писать много продового кода — точно не мое. При этом я всегда любил анализировать происходящее, работать с данными, выдвигать гипотезы и проверять их.

Развитие может идти по двум векторам:

  • Individual Contributor (IC) — прокачать хардовые узконаправленные компетенции до роли Principal Analyst или подобной (названия в разных компаниях варьируются). 

  • Пойти по менеджерскому треку и прокачать софт-скилы для роста в тимлида. 

Выбор вектора зависит от обстановки на рынке и внутри компании. У меня сейчас фокус на текущих проектах: в нашем стриме грядет череда довольно непростых продуктовых запусков, поэтому работаем и параллельно качаем харды.

Софья Лисичкина

Дата-аналитик, Лемана Тех

Начинала с онлайн-рекламы: была руководителем отдела по закупке трафика, но так как аналитиков в компании не было, строила базовые дашборды и ad hoc отчеты, которые напрямую влияли на результат моей работы и показывали быстрые деньги. Однако быстро поняла, что не хватает масштаба влияния. В Лемана Тех я смогла применить экспертизу комплексно — объединить онлайн и офлайн, выстроить систему от сбора данных до внедрения рекомендаций.

Сейчас у меня фокус на двух треках: 

  • Углубление экспертизы в конкретной индустрии (ритейл, ассортиментная аналитика).

  • Развитие управленческих компетенций. 

С прошлого года я стала преподавателем анализа данных в НИУ ВШЭ, что дает мне возможность систематизировать знания и прокачивать навык передачи экспертизы.

В дальнейшем интересно выстраивать data-driven культуру на уровне всей организации, масштабировать подходы, формировать стратегию через данные. Альтернативный путь — консалтинг или собственные образовательные инициативы, где можно влиять на индустрию шире.

Ксения Колесникова

Руководитель департамента аналитики, Яндекс Практикум

Я начинала с роли аналитика в стартапе. Но довольно быстро перешла в Яндекс и строила карьеру от младшего аналитика до руководителя уже тут.

По мере увеличения опыта перед специалистами встает выбор: углублять экспертизу, идти в управление или пускаться в свободное плавание в формате консалтинга или обучения. На этот выбор влияют разные факторы: личный интерес, контекст продукта, компании, задач бизнеса. При этом в долгосрочной перспективе аналитики ожидают расширения своего влияния — через рост команды или изменение продуктовой стратегии.

Так как сейчас я CDO/CAO, то пока дальнейшее развитие вижу в сторону расширения команды: дойти до управления более чем 100 людьми.

Виктор Жаров

Руководитель аналитики, Сетка (hh.ru)

Мое профессиональное развитие началось с позиции младшего аналитика эффективности Compliance в Т-Банке. Потом стал старшим специалистом, нанял первого стажера и постепенно собрал команду. Дальше была еще одна команда, а теперь я руковожу аналитикой в Сетке — социальной сети для нетворкинга от hh.ru.

Планирую расти вместе с ростом продукта — расширять команду и нанимать сотрудников. Продукт очень молодой, поэтому развиваться точно есть куда. Через 10 лет вижу себя руководителем аналитики чего-то невероятно большого.

Основные задачи: считать, исследовать, влиять 

Основной список задач состоит из анализа метрик и поиска инсайтов (17,9%), создания дашбордов и отчетов (16,2%) и работы с гипотезами (15,7%). Помимо этого, у сеньоров появляется фокус на сегментации и поведении пользователей, а в роли head и выше требуется отслеживать аномалии в метриках. 

Специалисты отметили, что их привлекают задачи полного цикла, где можно влиять на все этапы — от формулировки проблемы до измеримого финансового эффекта. Так аналитика становится полноценным драйвером продуктовых и стратегических решений бизнеса, помогает избегать дорогостоящих ошибок. По мере роста грейда фокус смещается от ресерчей, A/B-тестов и саппорта запусков к управлению бэклогом, формированию стратегии и развитию команд. Хотя к коду может тянуть и на руководящей роли.

Влад Дюков

Старший продуктовый аналитик, Lamoda Tech

Основные задачи можно разделить на три типа: 

1. Проведение продуктовых исследований (ресерчей)

Это большие истории с открытым вопросом, где аналитик выступает в роли детектива. Иногда ответы порождают еще больше вопросов, но это нормально. 

Пример такой задачи: понять, как и почему (не) звонит голосовой робот, и как вообще он звонит? Для этого ищем корнер-кейсы, в которых он не звонит, строим воронку, анализируем, на каких этапах и за счет каких сегментов клиентской базы происходит падение метрик.

2. Проведение A/B-тестов

Предполагает полный цикл от дизайна и гипотез до подведения результатов с подготовкой прозрачных выводов. Иногда, например, при наличии сетевого эффекта, поюзерные тесты проводить нельзя, поэтому используем квазиэксперименты (геотесты и Switchback-тесты), а также A/B без A/B (Diff in Diff или Casual Impact). 

3. Аналитический саппорт продуктовых запусков

Сюда входят подсчет эффекта от внедрения фичи X (это самый популярный запрос), ad hoc задачи, работа с Power BI над дашбордами и мониторингами, составление спек и небольшие исследования. 

Лично мне больше нравятся крупные исследования и сложные A/B-тесты. Так совпало, что обычно этим я и занимаюсь :) Наиболее критично влияют на продукт масштабные A/B-тесты (на всю аудиторию) — в случае ошибок при запуске можно серьезно уронить метрики и/или испортить клиентский опыт, а при успешном тесте — сделать пользователей и бизнес счастливыми. Быть причастным к такому влиянию и инициировать существенные изменения очень круто.

Софья Лисичкина

Дата-аналитик, Лемана Тех

Что входит в мои задачи:

1. Разработка комплексной системы оценки эффективности ассортимента — от концепции и архитектуры до полного внедрения

Это включает определение методологии расчета метрик, проектирование дата-пайплайнов, разработку аналитического слоя и интерфейсов для бизнес-пользователей.

2. Стратегическая аналитика ассортимента на уровне всей географии 

Анализ эффективности по городам России, учет специфики региональных рынков, сезонности, локальных предпочтений.

3. Интеграция онлайн и офлайн

Построение единой системы метрик для офлайн-магазинов и e-commerce, обеспечение сопоставимости данных и консолидированной аналитики.

4. Исследование и валидация гипотез

Сюда входит все от генерации идей (например, оптимизация матрицы под локацию) до полноценного A/B-тестирования и анализа импакта.

5. Управление внедрением

Коммуникация со стейкхолдерами, обучение пользователей, сопровождение на всех этапах от пилота до масштабирования на сеть.

6. Менторинг и управление

Постановка задач аналитикам в команде, код-ревью, методологическая поддержка. Больше нравятся end-to-end задачи, где я веду проект от выявления бизнес-проблемы до измеримого результата, и задачи, где напрямую видно влияние на ключевые финансовые показатели компании. 

Целевая метрика моего продукта — экономия на мертвом стоке. Мне нравится работать над задачами, которые бьют именно в эту проблему: выявление товаров-кандидатов в мертвый сток на ранних стадиях по совокупности метрик и предупреждение их появления. Эта цепочка «проблема → аналитика → решение → результат» дает максимальное удовлетворение.

Виктор Жаров

Руководитель аналитики, Сетка (hh.ru)

Мои задачи стандартные для лида – развитие аналитиков, формирование и управление бэклогом, участие в запуске новых продуктовых фич со стороны аналитики, помощь в создании стратегии. 

На продукт больше всего влияет участие аналитики в формировании стратегии, так что этими задачами и нравится заниматься больше всего. К счастью, в последнее время, когда строили планы на год, их было очень много.

Ксения Колесникова

Руководитель департамента аналитики, Яндекс Практикум

Моя основная задача — сделать так, чтобы аналитика закрывала операционные задачи бизнеса и, кроме этого, могла приносить бизнесу новые точки роста. Это включает довольно разнообразный скоуп задач: от выгрузок до защиты новых идей перед CEO.

Но больше всего на бизнес влияют задачи непосредственно руководительские: наем, увольнение, создание для аналитиков развивающей рабочей атмосферы. При этом больше всего лично мне нравится писать код =)

Еще один кейс показывает, как аналитик может выступить в роли «детектива данных»: выявить скрытые закономерности и повлиять на стратегию бизнеса благодаря умению учитывать контекст:

Софья Лисичкина

Дата-аналитик, Лемана Тех

Я провела комплексное исследование формирования мертвого стока по всей географии и выявила, что основная проблема — не ошибки прогнозирования спроса, а использование матрицы, не адаптированной под регионы. Города с населением <500К имели совершенно другие предпочтения, но получали тот же ассортимент, что и миллионники. Это исследование полностью изменило понимание стратегии управления ассортиментом.

Метрики и цели: встреча гипотез и стратегии

Поскольку метрики занимают весомую часть задач, приведем список самых упоминаемых среди респондентов: воронка и конверсии (29%), активность пользователей (26%), монетизация и юнит-экономика (23%), качество и удовлетворенность пользователей (17%).

Рассматривая ответы в разрезе грейдов, заметили, что с опытом растет интерес к метрике качества и удовлетворенности. Самая большая доля такого ответа у хэдов аналитики — за качеством следят 86% опрошенных в этой роли. 

В качестве источников гипотез аналитики используют стратегические инициативы, анализ прошлых A/B-тестов, брейнштормы или наблюдения других коллег. 

Цели продукта, конкретные KPI (OKR) могут формироваться «сверху вниз», исходя из глобальной стратегии и планов компании, или «снизу вверх» в результате анализа предстоящих продуктовых инициатив и оцифровки эффектов. Это зависит от команды, направления, целей компании. В обоих случаях важно учитывать и работать с рисками, это тоже часть влияния на бизнес.

Влад Дюков

Старший продуктовый аналитик, Lamoda Tech

Гипотезы зарождаются по-разному: исходя из текущей стратегии, на брейнштормах, на основе уже прошедших A/B-тестов или исследований. Культура компании подразумевает, что не только продакт, но и аналитик/разработчик/QA/кто угодно могут принести гипотезу. Она будет услышана, проскорена, и в итоге взята или не взята на проработку. 

Обычно я в силу специфики стрима не часто считаю размены метрик. Когда-то мы пробовали переводить выгоду от сокращения возвратного потока в прибыль за вычетом костов. Там на самом деле там довольно простой расчет, базирующийся на понимании юнит-экономики и анализе исторических данных.

Риски подсвечиваем в прямом диалоге с бизнесом и стейкхолдерами на встречах. Как правило, data-driven культура подразумевает, что без A/B ничего не катится, поэтому основной риск — потратить ресурс команды на фичи и проекты, которые «не выстрелят» (в целом, это будет видно в целях команды). Если что-то пытаются катить в прод без A/B на вере  ̶н̶а̶д̶е̶ж̶д̶е̶ ̶и̶ ̶л̶ю̶б̶в̶и̶  продакта, то говорим, что так делать не нужно. 

Софья Лисичкина

Дата-аналитик, Лемана Тех

Гипотезы формируются на стыке глубокого анализа данных и понимания физики бизнес-процессов. Основные источники:

1. Анализ структуры ассортимента

Мы разделили весь физический ассортимент на несколько баз на основе данных о продажах за скользящие полгода. Пересчет происходит ежемесячно. Наблюдая миграцию товаров между этими базами, генерирую гипотезы о причинах деградации (напрмиер, если товар из ключевой базы скатывается в мертвый сток) и точках роста.

2. Сезонный анализ

Использую детектирование сезонности рядами Фурье с гранулярностью по отделам категорийной иерархи. Это позволяет формировать гипотезы о закупках и ротации ассортимента под сезонные волны.

3. Поиск точки насыщения ассортимента

С помощью полинома второй степени и производной к нему определяем оптимальное количество SKU в конкретном магазине-отделе-подотделе для максимизации GMV. Если фактическое количество отклоняется от оптимума — гипотеза о пере- или недонасыщении категории.

Цели каскадируются от стратегии компании. Топ-уровень: снижение доли мертвого стока до Y% товарооборота, рост GMV на X%. Моя задача — декомпозировать это на управляемые метрики системы эффективности ассортимента:

  • Снижение доли мертвых хвостов в общем ассортименте на Y%.

  • Рост доли товаров с стабильными продажами до Z%.

  • Увеличение доли успешных рекомендаций системы: % рекомендованных SKU, фактически завезенных в магазины.

  • Приближение фактического количества SKU в категориях к расчетной точке насыщения в N% магазинов.

Ксения Колесникова

Руководитель департамента аналитики, Яндекс Практикум

Мы собираем цели поквартально. Часть целей приходит сверху из-за технической необходимости, часть рождается благодаря внешним исследованиям, часть — как результат совместной работы аналитика и менеджера от бизнеса.

Долю рисков мы можем оценить через моделирование. Показываем модель представителям бизнеса в виде презентации или документа и обсуждаем. Стараемся все сводить к деньгам или к стратегическим метрикам бизнеса, которые отражены в пятилетнем плане.

A/B-платформы: свои, чужие, неидеальные

76,4% аналитиков используют собственные A/B-платформы, 7,4% — сторонние решения от вендоров. 16,3% не проводят эксперименты.

Несмотря на то, что собственные платформы преобладают, полностью идеальных решений нет. Ограничения касаются полноты данных, сегментации аудитории и скорости обновления.

Влад Дюков

Старший продуктовый аналитик, Lamoda Tech

В целом я доволен нашей A/B-платформой как базовым инструментом для проведения тестов и визуализации результатов в дашборде.

Из недостатков — не всегда все данные собираются в дашборде день в день. Поэтому для мониторинга крупных A/B, где видим больш��е риски в случае ошибок запуска/резко негативной реакции юзеров на изменения, A/B-платформа пока скорее не подходит. Также под капотом есть не все нужные сегменты аудитории, поэтому иногда что-то все равно приходится считать руками. Но коллеги уже работают над изменениями.

О том, чем полезна A/B-платформа и какие изменения ее ждут в Lamoda, рассказал еще один наш коллега:

Ваагн Минасян

Руководитель группы анализа данных и машинного обучения

Мы работаем с собственной платформой — как технологичной компании в сфере фешен-ритейла нам хочется оставлять внутри ключевые инструменты в принятии решений и полноценно управлять ими. 

Чтобы убедиться в надежности выводов, мы смотрим, нет ли расхождений в метриках до периода эксперимента, то есть проводим АА-тесты и добавляем метрики, которые говорят о том, что выводы не надежны. Также мы смотрим на метрики, которые говорят о балансе групп внутри теста. И в планах сделать код прозрачным для аналитиков, чтобы повышать надежность.

Платформа в Lamoda существует в текущем виде достаточно давно, поэтому сейчас мы ее активно переписываем, применяя новые архитектуры и лучшие практики с рынка. Хотим значительно ускорить расчет всех метрик в экспериментах и дать возможность аналитикам самим работать с инструментарием A/B-платформы. Для этого переписываем большую часть логики по агрегации данных в SQL-подобный формат. Дополнительно имплементируем и ре��ерчим разные другие фичи вроде последовательного тестирования. 

Виктор Жаров

Руководитель аналитики, Сетка (hh.ru)

Для некоторых интеграционных тестов мы используем собственную A/B-платформу hh. В Сетке cвоей платформы нет, поэтому для сплитования во внутренних тестах используем Unleash, сами тесты считаем руками. Пока что для текущих экспериментов возможностей хватает, но в планах есть реализация собственной платформы.

Ксения Колесникова

Руководитель департамента аналитики, Яндекс Практикум

Платформа закрывает базовые потребности, но к ней довольно много вопросов и пожеланий. При этом мне кажется, что идеальный инструмент в вакууме для всех довольно тяжело разработать. Например, в нашем бизнесе есть сильные сетевые эффекты на малых выборках.

ИИ-инструменты: применяй и валидируй

В период бума ИИ-ботов интересно увидеть, как реально их используют аналитики и для каких целей, и как валидируют результаты. Исследование подтвердило, что ИИ-инструменты стали частью индустрии, но цели и подходы к применению зависят от типа задач. Например, в офлайне такой помощник не обязателен.

Примерно половина респондентов используют GPT-4 и GPT-5 (47,5%), четверть отдает предпочтение DeepSeek (26%), 9,9% — YandexGPT. Также встретились упоминания Google Gemini, Anthropic Claude, GigaChat, Mistral, Meta LLaMA и Grok. 

Чаще всего нейросети применяются для работы с данными и генерации кода (29,5%), мозгового штурма и ресерча (22,4%), обучения новым инструментам и практикам (15,3%).

В ответах специалисты добавляют, что ИИ может быть полезен для быстрого поиска забытой информации, создания графиков и в помощи в написании кода. А вот для генерации идей с нуля, выводов по тестам и исследованиям он скорее бесполезен. Таким образом, ИИ ускоряет часть процессов, но не заменяет экспертизу аналитика полностью.

Влад Дюков

Старший продуктовый аналитик, Lamoda Tech

Если забыл какую-то специфическую функцию, могу спросить у ChatGPT — зачастую получается быстрее, чем искать в документации. ChatGPT очень помогает при отрисовке графиков — можно простыми промптами добиться нужного цвета/размера/толщины линий. Иногда помогает при отладке кода и оптимизации SQL-запросов (быстрее выполняется запрос на проде). Иногда использую для корректировки текстов презентаций. 

Не использую для генерации продуктовых идей с нуля — обычно получается местами бред и галлюцинации. Не пишу базовый код — руками быстрее и читабельнее. И, конечно, не использую при формулировке выводов по A/B и/или исследованиям — тут ответственность на аналитике, а не на нейросети.

Если вижу, что график отрисовался, текст на презентации стал понятнее, а оптимизированный код отработал за адекватное время — значит, нейросеть справилась. Если нет, отправляем на доработку. Мне кажется, для задач с долгой/сложной валидацией нейросети лучше не использовать — себе дороже выходит.

Виктор Жаров

Руководитель аналитики, Сетка (hh.ru)

Используем большое количество ИИ-инструментов, в hh есть внутренние сервисы. Из нейросетей мой фаворит, пожалуй, DeepSeek, далее GPT-5, к которым обращаюсь по разным вопросам. Также подключен Cursor, помогает в написании кода. 

Ксения Колесникова

Руководитель департамента аналитики, Яндекс Практикум

У нас есть внутренний сервис для использования LLM. А также удобный интерфейс, который позволяет использовать сразу несколько LLM для решения одной задачи и выбрать лучшую.

Валидировать результаты помогает здравый смысл, то самое аналитическое мышление. Ну и кросс-чек по открытым источникам. Если это код, то его можно протестировать и отревьюить (вычитать).

Я использую ИИ редко, так как у меня больше задач, связанных с офлайн-коммуникацией, что он не очень покрывает. А остальные задачи достаточно простые для моего уровня владения инструментами, так что я их самостоятельно решаю значимо быстрее, чем с ИИ на его текущем этапе. Но верю, что развитие ИИ-агентов может ускорить лично мою работу.

Как оценивать свои результаты 

На вопрос о том, как оценивать свою работу, продуктовые аналитики отмечают фидбэк от команды и стейкхолдеров (20,7%), уровень своей самостоятельности и экспертизы (18%), количество и сроки выполненных задач (16,4%). При этом среди ролей head+ на первый план выходит влияние на выручку и бизнес-результаты (86%) и ключевые метрики продукта (86%).

Основной критерий успеха — создание ценности для бизнеса, а не только удовлетворение внутренних участников команды. Аналитики поделились, что для этого запрашивают фидбэк с помощью формальных механизмов в компании и проводят регулярные 1-to-1 встречи. Оценка от стейкхолдеров работы позволяет понимать реальное влияние на бизнес, а командный фидбэк полезнее для улучшения процессов, качества кода и методологи.

Мы спросили, какие инструменты используют специалисты, от кого фидбэк имеет больше значения, и как оценивать свою работу, если прямых отзывов нет.

Софья Лисичкина

Дата-аналитик, Лемана Тех

Я использую инструменты компании по сбору фидбэка один раз в полгода и провожу 1-to-1 встречи с ключевыми стейкхолдерами.

Фидбэк от команды важен для процессов, качества кода, методологии, но он не показывает главное — создаю ли я ценность для бизнеса. Если команда довольна, но стейкхолдеры не пользуются продуктом — работа провалена.

Как оценить успех без прямого фидбэка:

  • Метрики внедрения: частота использования дашбордов, количество активных пользователей, глубина взаимодействия (просто смотрят или действительно работают с фильтрами и делают выгрузки).

  • Decision tracking: веду базу решений, принятых на основе системы. 

  • Динамика целевой метрики: главный индикатор — движется ли доля мертвого стока вниз. Если да (с учетом сезонности и внешних факторов) — система работает. 

  • Повторные запросы и рост влияния: если стейкхолдеры возвращаются с запросами на новые метрики, хотят распространить систему на другие категории/регионы — это сигнал, что продукт полезен.

Ключевой принцип оценки: моя работа успешна, когда компания теряет меньше денег на мертвом стоке и принимает ассортиментные решения на основе данных, а не интуиции. Все остальные метрики — промежуточные индикаторы на пути к этой цели.

Виктор Жаров

Руководитель аналитики, Сетка (hh.ru)

Для оценки работы аналитиков есть процесс ревью, где все заказчики оставляют оценку и фидбэк. Для оценки качества аналитики делаю форму с интересующими вопросами и отправляю стейкхолдерам. Самые волнующие меня вопросы могу задать лично. 

Не могу сказать, какой фидбэк ценнее, так как у них разные цели, я стараюсь использовать и применять в работе как можно больше способов получения обратной связи.

Ксения Колесникова

Руководитель департамента аналитики, Яндекс Практикум

У нас есть отдельный внутренний сервис для сбора 360-фидбэка. Фидбэк ценен от всех одинаково. Более критично, чтобы он был снабжен конкретикой, а не просто «сотрудник — отличный парень / отличная девчонка!». Успех оцениваю по достигнутым результатам, влияющим на бизнес.

Выводы 

Исследование и разговоры со специалистами подтвердили: продуктовая аналитика достаточно зрелая профессия. У нее понятный набор задач даже с учетом разброса контекстов в разных компаниях. Набираясь опыта, аналитик способен стать партнером бизнеса, влиять на стратегию и управлять рисками, развивать data-driven подход. Поэтому помимо технических навыков, нужно хорошо знать продукт, уметь задавать правильные вопросы и смотреть на задачи комплексно. 

Профессия может дать быстрый рост при хорошей базе, выбор из нескольких карьерных треков и возможность приносить пользу бизнесу.

Спасибо за внимание! Поделитесь в комментариях, какие результаты исследования или ответы удивили вас?