Дата-аналітика з нуля: сучасні тренди, інструменти та кар’єрний старт

Учасники: Євген (ведучий, GoIT) Діана Тягнирядно (дата-аналітик, computer vision, Philip Morris, випускниця курсу) · Наталія Мужицька (авторка курсу, Head of Analytics, 12+ років досвіду, 100+ сертифікатів)

1. Що таке дата-аналітика (пояснення “на пальцях” від Наталі)

Ключова цитата-пояснення Наталі – вона пояснює суть аналітики через побутові приклади:

«Ви приходите в магазин і купуєте продукти на вечерю. За якою ознакою ви їх вибираєте? У вас є конкретна цифра, звідки вона взялася? Вона взялася на основі того, що ви аналізуєте свої щоденні, щотижневі, щомісячні покупки».

«Ви виходите на вулицю і думаєте: брати парасольку чи ні. Дивитесь на температуру, вологість, хмари, прогноз погоди. Все те саме відбувається в бізнесі».

Практичний висновок: аналітика в бізнесі = те саме прийняття рішень на основі даних, тільки замість “парасольки” – продажі, конверсії, відвідуваність. На основі цього приймають рішення: подвоїти рекламу, зупинити кампанію, змінити сегмент аудиторії, запустити/зупинити продукт.

Ключова фраза Наталі про природу професії:

«Аналітика – це не про математику. Аналітика – це про життя».

«Є усталений вираз про аналітику: аналітика – найбільш творча з усіх технічних напрямків і найбільш технічна з усіх творчих» – тому що немає готових шаблонів рішень, часто доводиться шукати нестандартні підходи.

2. Напрямки в дата-аналітиці (куди можна рости)

Ведучий та Наталя окреслили основні “піддомени” професії:

1. Класичний дата-аналітик – працює з даними компанії, аналізує показники, шукає причини змін.
2. Продуктовий аналітик – працює “всередині” продукту (сайт/додаток), відстежує поведінку користувачів: на яких екранах затримуються, як натискають кнопки → дає рекомендації для покращення продукту. Жартома названий «трошки шпигун від датааналітики».
3. Візуалізатор даних – будує дашборди, графіки; приходить, коли дані вже налаштовані, задача – зробити якісну візуалізацію.
4. Miltech / Deftech Data Analyst – новий напрямок, аналітика в оборонному секторі (наприклад, аналіз ефективності дронів, робота з телеметрією).
5. Data Scientist – вимагає глибших математичних знань, робить прогнози (наступний рівень після дата-аналітика).
6. Big Data / Data Engineer – робота з базами даних, проєктування баз даних (якщо подобається працювати саме з БД).

Практична порада Наталі, як обрати напрямок:

«Якщо у вас гарно з математикою – рухайтесь у data science / machine learning. Якщо математика не ваше – обирайте BI-аналітику (візуалізації), продуктову аналітику або Miltech/Deftech».

3. Типовий робочий день аналітика (покроково – від Євгена)

Це практичний опис реального workflow:

1. Постановка задачі – задачу ставить керівництво (не ви самі вирішуєте, що аналізувати сьогодні).
2. Збір даних і перевірка їх якості.
3. Очищення даних.
4. Тут стає в пригоді Python – щоб не робити все руками, пишеться нескладний скрипт. Або використовується AI-інструмент (якщо дозволено політикою компанії).
5. Аналіз і формулювання висновків.
6. Візуалізація – бо кінцевому користувачу (керівнику) треба щось побачити, щоб зрозуміти, звідки висновки.

Ключова фраза: «Тут насправді все досить лінійно, але коли доходить до практики, ця лінійність зникає».

4. Стек інструментів (хто, що і навіщо)

Список від Євгена, підсумовує весь набір:

Інструмент	Для чого
Excel / Google Sheets	базовий інструмент, з нього часто радять починати
SQL	мова роботи з базами даних (наголошується: «це не мова програмування», хоч і схожа)
Python	спрощення й автоматизація роботи з даними, написання скриптів
Google Analytics, Amplitude	відстеження поведінки користувачів (продуктова аналітика)
Power BI, Tableau, Looker Studio	побудова дашбордів і графіків для стейкхолдерів
AI-інструменти (умовно “шия”/AI)	«асистент з IQ 150+», знімає рутину, допомагає з кодом

Улюблений інструмент/бібліотека Діани: VS Code як редактор коду; з бібліотек – Ultralytics (для computer vision).

Важлива дискусія “Excel чи Python?” (Наталя):

«Я думаю, що це неважливо, з чого ти почнеш – з Екселя чи з Python. Зовсім не важливо. Починати треба з того, щоб знайти людину, компанію, команду, яка готова тебе навчати. Справа не в інструменті. Навчити аналітики можна взагалі на будь-чому».

«На курсах ми беремо одну й ту саму задачу і розбираємо: ось ми розв’язали її в Python, ось в SQL, ось в Excel, ось візуалізували. Це не має значення».

Особиста практика Наталі: «Якби я зараз починала – почала б з Python, бо він може більше, ніж Excel і Google Sheets. Але якщо ти джун – з Excel і Google Sheets, можливо, простіше».

Про SQL і “коли не йде”:

Діана: «SQL треба знати. Мені він теж туго йшов. Треба час – коли почнете працювати з реальними проєктами, стане набагато легше».

Про мову програмування взагалі:

«Не обов’язково спочатку добре знати програмування, але до цього ви дійдете» (Діана) – бо навіть CRM-автоматизації та AI-запити зрештою впираються в SQL/Python.

5. Ключові навички (soft + hard)

Наталя на пряме запитання «яка одна навичка, без якої нікуди в дата-аналітиці:

«Мабуть – зібрати себе в кулак, сісти і розбиратися, навіть коли дуже важко. Тому що аналітика – це не про якісь конкретні інструменти чи знання. Це – зрозуміти, що у людини не працює, не виходить, або що їй треба обчислити. Сісти, розібратись і зробити. Це не про інструменти, це про вашу наполегливість».

Від Євгена (додаткові практичні навички дата-аналітика):

• Аналітичне мислення – вміння знайти, “де саме щось не так”.
• Уважність до деталей – «ми в якомусь сенсі такі тестувальники, тільки знаходимо проблему вже після того, як бізнес запущений».
• Пояснення складних речей простими словами – доводиться комунікувати з людьми, які не розуміються на технічній частині.
• Готовність до великих обсягів інформації: «Якщо вас лякає таблиця Excel на 100 рядків – дата-аналітика не ваша» (жартома, але суть серйозна).
• Постійне навчання – стосується всього ІТ, не лише аналітики.

Про три критерії, за якими беруть на роботу (озвучено ведучим, підтверджено Наталею):

1. Технічна складова
2. Софт-скіли
3. Мотивація – «замотивованість» і відкритість вчитися нового.

6. Головна помилка новачків (Наталя)

«Вони надзвичайно сильно вдаються в те, щоб запам’ятати, вивчити напам’ять кожну команду, кожен рядочок коду. Ми живемо в світі штучного інтелекту – можна завжди запитати послідовність, синтаксис, команду. Головне зрозуміти задачу».

Пов’язана думка Євгена про вищу освіту (не аналітика конкретно, але важливий меседж):

«Вища освіта дає навичку думати і досягати результатів – знання там другорядні, принцип мислення міняється сильніше».

7. Кар’єрний шлях Діани – конкретний кейс з таймлайнами

Практичний приклад “з нуля до офера”:

• До аналітики Діана працювала рекрутером (боялась спілкуватися з людьми; в аналітиці – боялась відповідальності й того, що “нічого не знає” – за її словами, цей страх «нікуди не зник», навіть коли все вже вдалося).
• Через 3 місяці навчання на курсі – перший офер, неоплачуваний: працювала оунером дата-аналітики в стартапі (вела всю аналітику компанії сама, в команді більше нікого не було).
• Умова співпраці: 4 години на день на проєкт. Реально працювала 8+ годин, включно з Новим роком – «сиділа, налаштовувала аналітику, бо в Google Analytics результати відображаються не одразу, треба було завчасно все налаштувати».
• Через ще 3 місяці (сумарно 6 місяців від старту навчання) – перший оплачуваний офер, майже $1000, отриманий ще до випускного з курсу.

Як знайшла неоплачуваний проєкт: подавалась не на вакансію дата-аналітика (на project-менеджера), але на співбесіді сказала CEO стартапу, що хоче бути саме дата-аналітиком – той дав можливість спробувати.

Про портфоліо (ключовий лайфхак від Діани)

«Той офер, який я отримала останнім – саме завдяки портфоліо. Технічний спеціаліст на співбесіді побачив мої роботи в портфоліо і почав ставити питання про них… Це були не зовсім ті проєкти, які ми мали на курсі – я писала свої пет-проєкти окремо, щоб портфоліо відрізнялось від інших студентів».

Лайфхак Діани для всіх, хто проходить курс:

«Пробуйте робити свої якісь пет-проєкти, можливо, щось змінюйте, шукайте натхнення в інших ресурсах для створення саме портфоліо. І дуже важливо показувати свою зацікавленість, жагу до навчання – бо ти ніколи не будеш знати все досконально».

Про попередній досвід (не з IT)

«Мій попередній досвід так чи інакше може бути використаний і в дата-аналітиці. Мені допомогло те, що я вже вміла розмовляти з людьми, і те, що я вже мала обізнаність про digital-маркетинг (з рекрутингу в маркетинг), бо часто була присутня на технічних співбесідах».

Загальний висновок Наталі на цю ж тему (озвучено пізніше):

«Найкраще накласти знання аналітики на свій бекграунд, той, що у вас зараз є. У мене є будівельники, які стали аналізувати продажі й будівництво, є фармацевти, фінансисти, медики».

8. “Чи можна вивчитись самому?” – практична відповідь

Діана:

«Можна. Дата-аналітика – дуже широка галузь, і ви не знаєте наперед, з якими інструментами будете працювати».

Ведучий (Євген), метафора:

«Самостійне навчання – це такий шлях, як метання пінбольного м’ячика по автомату: з одного місця в інше, не знаєш, куди реально йти, що вчити».

Наталя, особистий досвід самонавчання (2012 рік, вчилась за кордоном, коли в Україні ще нічого подібного не було):

«Мене кидало від одного інструменту в інше. Заходжу на фріланс-біржу, читаю “Python” – я не знаю Python, починаю вчити. Потім читаю “Power BI” – Боже, Боже… Врешті-решт я взяла один навчальний трек в одному університеті, і там усе склалось в одну купу».

Її пряма порада: структурований шлях (курс/наставник) швидший і надійніший за самонавчання, бо дає послідовність і розуміння необхідності – що вчити і в якому порядку. Самостійний шлях цікавий, але довший.

Про математику (“вишмат” не обов’язковий):

Наталя: «Дата-scientist свого часу “розклали” на складові саме тому, що вимоги до математики були занадто високі для більшості. Дата-аналітика не передбачає спеціальних знань чи шкільної програми на рівні 11–12 класу. Руками ви в курсі майже нічого не рахуєте – треба знати, що є певні коди, інструкції, оператори для тієї чи іншої задачі».

9. Зарплати та кар’єрна вертикаль (конкретні цифри)

• Junior (старт, Україна): $700–1100 – вилка широка, залежить від додаткових навичок (англійська, вміння працювати з AI).
  • Без англійської і без AI-скілів – реалістично не більше $700.
  • З англійською + AI – ближче до верхньої межі вилки.
• Вертикаль: Junior → Middle → Senior → Team Lead.
• Senior (4–5 років досвіду), український ринок: $3500–4000/міс.
• Закордонний ринок: у 2–3 рази вище за вказані цифри, залежно від країни.
• Англійська: для роботи в межах України можна стартувати без неї; для росту “по фінансах” (закордонні компанії) – знадобиться.

Про вік (“чи не пізно в 35+/40+/50+”):

Наталя: «Все, що ви досягнете в аналітиці – знадобиться вам. Аналітика сама по собі нікому не потрібна – ви завжди аналітик у чомусь (аграрний сектор, фінанси, продажі). Головне не зупинитись».

Статистика від Євгена: серед працевлаштованих студентів GoIT за минулий рік – 26% людей віком 35+. Приклад: бухгалтер з 10-річним стажем має гарні шанси стати фінансовим аналітиком навіть у 40–50.

Де ще затребувані аналітики (не тільки IT): аграрний сектор, металургія, медицина, e-commerce, фінсектор, виробництво – «дата-аналітик, на відміну від розробника, не обмежений тільки IT-компаніями».

10. AI в роботі аналітика (актуальний тренд 2026)

Наталя: «Зараз немає нічого без стику зі штучним інтелектом. У своїх курсах я весь час розказую, де та межа, коли ви можете використовувати AI безпечно, не порушуючи правила й умови компанії».

Факт від Євгена: +70% зросла частка вакансій, де прямо прописані навички роботи з AI.

Важливе уточнення про курс GoIT (щоб не було непорозуміння):

«Це не курс по типу “навчи мене chatGPT борщ варити”. Навпаки – це створення AI-агентів і AI-асистентів, які допомагають у роботі, перенесення на них рутинних задач, а іноді й заміна написання коду AI, де це можливо».

11. Класичні приклади задач дата-аналітика (від Наталі, з практики)

1. Роздрібна торгівля (магазин мотоспорядження): щомісячний прогноз продажів, визначення яким клієнтам розсилати повторні пропозиції/сертифікати, які товари виводити на акцію, а які продавати за високою ціною без знижок.
2. Соціальний сектор: прогноз погоди – теж задача з області Data Science / machine learning.
3. Продукт (метрики успіху): оцінка успіху нового продукту завжди йде через когорти – acquisition, activity тощо. Головна метрика – North Star Metric (“Північна зірка”): та, що показує, яку цінність продукт реально дає клієнту (кількість реєстрацій, встановлень, конверсій). Її треба закладати ще на етапі створення продукту, а не намагатись “витягнути” метриками пізніше.
4. Дрони / Miltech: аналіз журналу польотів і статистики з підрозділів – оцінка ефективності в реальних (а не лабораторних) умовах експлуатації.

12. Про викладання і практику на курсах GoIT (методологія)

Наталя пояснює формат навчання GoIT (на противагу класичній вищій освіті):

«У нас в GoIT немає лекції як такої. Ми вітаємось, говоримо про сьогоднішню тему, відкриваємо ноутбук і всі разом розв’язуємо задачу. Я пояснюю логіку, принципи, чому я так дію, як називається той чи інший метод».

«Неможливо бути гарним викладачем без практики. Неможливо навчити студента, якщо ти сам не працюєш аналітиком – навчання на 70%+ це практика».

Факти про сам курс (для довідки):

• Тривалість: 5 місяців (базовий трек), +1.5 місяці для напрямку Miltech.
• 3 проєкти в портфоліо (студент пробує себе як аналітик маленького магазину, ігрової компанії, стартапу з мобільним додатком і мегакорпорації з великими дашбордами) + 1 додатковий проєкт з Miltech.
• Три варіанти: базовий, стандарт, стандарт+Miltech.
• Викладачі – тільки практики з реальним профільним досвідом (принцип GoIT).
• Формат: запис занять доступний в особистому кабінеті + мобільний застосунок.
• Кар’єрна підтримка після завершення – до 6 місяців.
• Гарантія працевлаштування (повернення коштів, якщо протягом визначеного терміну не знайдено проєкт).
• 13% випускників працевлаштовуються ще до отримання сертифіката.

13. Підсумкові практичні поради (зведений список)

• Не намагайтесь запам’ятати кожну команду напам’ять – головне зрозуміти задачу, синтаксис підкаже AI.
• Не важливо, з чого почати (Excel чи Python) – важливіше знайти структуроване навчання з правильною послідовністю.
• Робіть власні пет-проєкти окремо від програми курсу – це виділяє портфоліо серед інших кандидатів.
• SQL – це не “мова програмування” у класичному сенсі, але знати її обов’язково.
• Попередній досвід (з будь-якої сфери) – це актив, а не баласт: накладайте аналітичні навички на нього.
• Вік – не перешкода; головне – розуміти, навіщо ви йдете в аналітику.
• Англійська не обов’язкова для старту в Україні, але критична для росту на міжнародному рівні.
• Готуйтесь до великих обсягів даних і рутини очищення/перевірки – це нормальна частина роботи.
• Дружіть з AI-інструментами – це вже не “бонус”, а вимога ринку.