Data-аналитик или BI-аналитик: чем отличаются задачи, инструменты и проекты

Обе профессии работают с цифрами, обе входят в топ вакансий, и обе часто называются просто «аналитик». Но задачи разные: один человек достаёт и проверяет данные, второй превращает их в дашборд, на который смотрит директор. Разберём разницу на конкретных задачах, инструментах и проектах, чтобы вы поняли, куда идти учиться.

Разница в двух строчках

• Data-аналитик отвечает на вопрос «почему так произошло». Пишет SQL, чистит данные, считает статистику, ищет причины.
• BI-аналитик отвечает на вопрос «что происходит прямо сейчас». Собирает метрики в дашборд, настраивает автообновление, объясняет бизнесу цифры.

Грубая аналогия: Data-аналитик — это следователь, BI-аналитик — это диспетчер с табло вылетов.

В маленькой компании обе роли делает один человек. В крупной — это два отдела с разными руководителями.

Кто такой Data-аналитик

Data-аналитик берёт сырые данные и доводит их до состояния, в котором на них можно опираться. Это самая недооценённая часть работы: около 60–70% времени уходит не на «анализ», а на выяснение, почему в выгрузке 12 000 строк вместо 11 500.

Типичные задачи:

• выгрузка данных из баз через SQL, соединение таблиц, проверка на дубли и пропуски;
• расчёт метрик: конверсия, retention, средний чек, LTV;
• проверка гипотез и A/B-тестов, оценка статистической значимости;
• разовые исследования по запросу продукта или маркетинга;
• автоматизация регулярных расчётов на Python.

Пример из практики. Продакт видит, что выручка просела на 8%. Data-аналитик разбивает данные по каналам, платформам и городам и находит, что падение сидит только в мобильном приложении на Android и только у новых пользователей. Дальше выясняется, что после релиза сломалась оплата картой. Весь ответ — один SQL-запрос на 40 строк и полдня работы, но именно он экономит компании деньги.

Кто такой BI-аналитик

BI-аналитик (Business Intelligence) строит систему отчётности, которая работает без него. Его продукт — не разовый ответ, а живой дашборд, куда бизнес заходит сам.

Типичные задачи:

• проектирование дашбордов в Power BI, Tableau, Qlik, Metabase, DataLens;
• согласование метрик и KPI: что считаем выручкой, что считаем активным пользователем;
• сбор витрин данных, настройка расписания обновлений;
• обучение сотрудников: показать, где фильтры и как читать график;
• сбор требований у заказчика — руководителя отдела или топ-менеджера.

Пример из практики. Отдел продаж каждое утро вручную собирал отчёт в Excel — два часа работы менеджера. BI-аналитик подключил CRM к Power BI, согласовал единое определение «сделка закрыта» и собрал дашборд с обновлением в 8:00. Два часа в день превратились в один взгляд на экран.

Частая ошибка новичков — считать BI «просто рисованием графиков». Половина сложности здесь в переговорах: три отдела могут по-разному считать одну и ту же выручку, и договориться о цифре сложнее, чем построить диаграмму.

Инструменты: SQL, Python, Power BI, Tableau

SQL — общий фундамент. Без него не берут ни туда, ни туда. Дальше стеки расходятся.

Стек Data-аналитика:

• SQL — оконные функции, CTE, оптимизация запросов;
• Python — pandas, numpy, matplotlib; на старте хватает pandas;
• Excel / Google Sheets — сводные таблицы, ВПР, быстрые прикидки;
• статистика — доверительные интервалы, p-value, корреляция против причинности;
• Git — чтобы код не жил в одном файле на рабочем столе.

Стек BI-аналитика:

• BI-система — Power BI, Tableau, Qlik, Metabase, Yandex DataLens, Apache Superset;
• DAX или LOD-выражения — язык расчётов внутри Power BI и Tableau соответственно;
• SQL — для витрин и проверки цифр;
• моделирование данных — звезда, снежинка, связи между таблицами;
• основы визуализации — почему круговая диаграмма почти всегда плохая идея.

Подборку сервисов, которые пригодятся в обеих ролях, мы собрали в отдельном материале: 10 must-have сервисов новичка в IT.

Tableau vs Power BI: что выбрать для старта

Спор «Табло против Power BI» на практике решают не вкусы аналитика, а бюджет и стек компании.

• Power BI — дешевле, тесно связан с Excel и Microsoft 365, порог входа ниже. Если компания уже сидит на продуктах Microsoft, выбора обычно нет.
• Tableau — гибче в визуализации, приятнее для исследовательского анализа, дороже в лицензиях.
• Metabase, Superset, DataLens — бесплатные или дешёвые варианты, которые часто встречаются в российских продуктовых командах.

Совет для резюме: выучите один инструмент до уровня «могу собрать дашборд с нуля» вместо трёх на уровне «видел интерфейс». Переход между BI-системами занимает 2–3 недели, логика везде похожая.

Разница в проектах

Проекты Data-аналитика:

• предсказание оттока: найти признаки, по которым клиент уйдёт в следующем месяце;
• сегментация базы: RFM-анализ, поиск группы, которая приносит 80% выручки;
• оценка A/B-теста новой формы регистрации;
• разбор воронки: на каком шаге теряется больше всего пользователей и почему.

Проекты BI-аналитика:

• дашборд продаж по регионам с планом и фактом;
• отчёт по маркетингу: расходы, лиды, CPL по каналам с обновлением раз в час;
• панель для топ-менеджмента: 6–8 ключевых метрик на одном экране;
• миграция отчётности из Excel в BI-систему.

Видна разница в результате: у Data-аналитика на выходе вывод и рекомендация, у BI-аналитика — работающий продукт, которым пользуются каждый день.

Что выбрать новичку

Честный чек-лист. Отметьте, что откликается сильнее.

Вам ближе Data:

• вам нравится копаться в деталях и находить причину;
• вы спокойно относитесь к коду и не боитесь математики;
• готовы работать над задачей несколько дней без быстрого результата;
• вас раздражают неточные формулировки.

Вам ближе BI:

• вы любите порядок, структуру и наглядность;
• вам легко общаться с людьми и вытаскивать из них требования;
• нравится, когда результат виден сразу и его кто-то использует;
• вам интересны бизнес-процессы, а не алгоритмы.

Порог входа у BI ниже: первый приличный дашборд можно собрать через месяц учёбы. В Data дольше — нужно подтянуть статистику и Python. Логика выбора здесь такая же, как в развилке фронтенд, бэкенд или фулстек: решает не «где платят больше», а что вы готовы делать восемь часов в день.

Зарплаты и карьерные треки

Ориентиры по рынку РФ на 2025 год, вилки сильно зависят от города и отрасли:

• Junior — 60 000–110 000 ₽; BI-джуниоры нередко стартуют чуть выше за счёт быстрой пользы для бизнеса;
• Middle — 130 000–220 000 ₽;
• Senior / Lead — от 250 000 ₽.

Куда расти дальше:

• Data-аналитик → продуктовый аналитик → Data Scientist → ML-инженер или Analytics Engineer;
• BI-аналитик → BI-разработчик → руководитель BI-направления → Head of Analytics.

Оба трека сходятся на уровне руководителя аналитики, так что стартовый выбор не запирает вас на всю жизнь. Переход из BI в Data обычно занимает полгода-год: SQL уже есть, добавляется Python и статистика.

План на первые 8 недель

1. Недели 1–2. SQL. SELECT, JOIN, GROUP BY, оконные функции. Тренируйтесь на бесплатных тренажёрах с реальными датасетами.
2. Недели 3–4. Excel и базовая статистика. Сводные таблицы, средние против медиан, почему выбросы ломают отчёт.
3. Недели 5–6. Развилка. Для BI — Power BI или DataLens, соберите дашборд по открытым данным. Для Data — pandas и первое исследование в Jupyter.
4. Недели 7–8. Кейс в портфолио. Возьмите публичный датасет, сформулируйте вопрос бизнеса, доведите до вывода или дашборда и опишите процесс.

Один доведённый до конца кейс на собеседовании работает лучше пяти сертификатов. Где брать задачи, если опыта пока нет, разобрали здесь: портфолио без опыта.

Частые вопросы

Можно ли войти в аналитику без математического образования?
В BI — да, там важнее логика и коммуникация. В Data понадобится подтянуть статистику, но речь про школьный и первый курс университета, а не про матанализ.

Нужен ли Python BI-аналитику?
Не обязательно на старте. Полезен, когда нужно предобработать данные до загрузки в дашборд.

Что учить первым — SQL или Power BI?
SQL. Он нужен в любой роли и его спрашивают на каждом собеседовании.

Правда ли, что дашборды скоро будут строить нейросети?
Черновик графика — да, уже строят. Договориться с тремя отделами о едином определении выручки — пока нет. Ценность аналитика в этой части и растёт.

Коротко

Data-аналитик работает вглубь: сырые данные, SQL, Python, статистика, поиск причин. BI-аналитик работает вширь: витрины, дашборды, метрики, диалог с бизнесом. SQL нужен обоим, спор Tableau против Power BI решается стеком и бюджетом компании.

Если сомневаетесь — начните с SQL. Через месяц вы уже почувствуете, тянет вас копать данные или показывать их другим.