Когда в марте я в очередной раз считала баланс по ручной табличке и думала «ну всё, пора менять профессию», я понимала только одно: хочу не цифры ради цифр, а смысл за ними. Мне было 34, ипотека, собачка и страх, что я слишком поздно — но я посчитала риски и плюсы. Оказалось, всё стало чуть проще, когда перевела эмоции в часы и планы.

Почему аналитика данных, а не что-то ещё

Бухгалтерия и аналитика пересекаются у меня в одном важном пункте: любовь к чистым данных. В бухгалтерии я годами переживала из-за неправильных проводок и «плавающих» отчетов, в аналитике же ценят не только аккуратность, но и то, чтобы из данных можно было вывести действие. Плюс — зарплаты в ИТ более предсказуемы для роста, и график часто гибче.

План обучения и реальная загрузка

Я составила простой план: 3–4 часа вечерами в рабочие дни, 6–8 часов в выходные. В среднем получилось 18–22 часа в неделю. Путь занял около девяти месяцев от нулевого уровня SQL до первых серьёзных собеседований.

  • Месяц 1–2: основы SQL — SELECT, JOIN, GROUP BY, простые агрегации.
  • Месяц 3–4: оптимизация запросов, индексы, window-функции.
  • Месяц 5–6: Python для аналитики, визуализация (Tableau/Power BI) и основы статистики.
  • Месяц 7–9: пет-проект, подготовка резюме и прохождение интервью.

Учился я методично: комбинировала курсы, книги и практику. Курсы давали основу, книги — глубину, а практика — срывный момент «а что делать, если данные не такие, как в учебнике».

Как учила SQL — по вечерам и с примерами

Я не запоминала синтаксис вслепую. Каждый вечер — реальная задача из моей работы или из интернет-датасета. Пример задания из моего плана: посчитать среднюю задолженность по клиентам в разрезе по регионам за квартал и найти топ-5 клиентов, у которых есть просрочка более 60 дней.

Фрагмент реального учебного запроса, который я писала и правИла десятки раз:

SQL
-- найти топ-5 клиентов с просрочкой более 60 дней
SELECT client_id, SUM(amount) AS total_due, MAX(due_date) AS last_due
FROM payments
WHERE due_date < CURRENT_DATE - INTERVAL '60 days'
GROUP BY client_id
ORDER BY total_due DESC
LIMIT 5;

Код выше — не про магию, а про привычку формулировать задачу и сводить её к набору операторов. Я делала много вариаций: сначала без window-функций, потом заменяла агрегации на аналитические функции, чтобы понять отличие.

Пет-проект, который открыл двери

Мой пет-проект — «Анализ продаж локального магазина» — вырос из реальной потребности: владелец магазина жаловался, что не понимает сезонность и остатки. Я взяла anonymized CSV за 2 года, написала ETL-скрипты на Python, загрузила в Postgres, написала набор отчетов в Power BI и сделала презентацию для владельца.

Что в проекте понравилось рекрутерам:

  • Реальная бизнес-цель и результат (советы по ассортименту и заказам).
  • Код в публичном репозитории и файл с инструкцией для запуска.
  • Демонстрация навыков от сбора данных до визуализации.

Прошлых работодателей это не смутило — наоборот, многие оценили умение довести задачу до результата и объяснить его простым языком.

Как я строила ETL и какие были грабли

Работа с реальными CSV — это всегда весело. В одном файле даты шли в формате DD.MM.YYYY, в другом — ISO, в третьем вместо NULL была строка "-". Мой ETL на Python выглядел примерно так: чтение файлов через pandas, приведение колонок к единому типу, простая нормализация и заливка в Postgres через SQLAlchemy. На первом этапе я делала всё в одном большом скрипте — через неделю у меня был «монстр», который ломался при любом новом файле.

После этого я переписала процесс в 3 шага, каждый с проверкой: validate → transform → load. Validation включала подсчёт пустых значений и проверку типов, трансформация — назначения категорий и расчёт новых метрик, загрузка — батчами по 1000 строк. Это сократило время на обработку в 2–3 раза и оставило меньше багов при повторной заливке.

Цифра с оговоркой: первоначальная версия ETL обрабатывала 50k строк за ~12 минут; финальная — те же 50k за ~3 минуты при тех же ресурсах локального ноутбука.

Собеседования: что спрашивали и как я отвечала

Первое собеседование пришло через семь месяцев подготовки. Типовые вопросы были про SQL (пояснить, почему JOIN медленнее), про кейсы (как вы снизите отток клиента), и про мою бухгалтерскую экспертизу — её использовали в плюс.

Ошибки на интервью

Главная ошибка — я пыталась показать всё сразу и слишком глубоко в тех местах, где требовалось простое объяснение. Второй промах — недооценка soft skills: в одном собеседовании мне задали кейс по коммуникации с бизнесом, и я растерялась, потому что подготовилась только по технике. Сейчас бы репетировала рассказы о сложных проектах в формате «проблема — действие — результат».

Как искала первые проекты и первые деньги

После пары отказов я решила не ждать HR и начала искать небольшие задания на фриланс-площадках и в локальных группах предпринимателей. Первые три проекта были по 5–15 часов каждый, оплата — от 3 до 10 тысяч рублей. Думаю, это нормальная цена за первую работу: ты показываешь результат и получаешь отзыв в портфолио.

Одно из заданий: автоматизировать отчёт по остаткам в Google Sheets с ежедневной загрузкой. Я написала маленький скрипт на Python, добавила кнопку в интерфейс владельцу и договорилась о ревью раз в месяц. Это дало мне и доход, и кейс для резюме, и — важнее — уверенность, что клиенты платят за конкретную пользу.

Финансы: сколько стоило и что получила взамен

Инвестиции в обучение — около 100–150 тыс. рублей на курсы и инструменты за 9 месяцев. Время — примерно 700–800 часов. Первый оффер оказался на 30–35% выше моей зарплаты бухгалтера, но это было не моментальный прыжок: бонусы и условия обсуждались отдельно. Для кого-то эти цифры покажутся большими, но оцените их как вложение в новую карьеру.

Что бы я сделала иначе

  1. Раньше начала проекты с реальными данными. Не откладывайте пет-проект на «после курсов».
  2. Больше внимания уделяла soft skills и объяснению результатов для неродившихся в шахматном мире аналитиков — это экономит дни на согласовании.
  3. Не зацикливалась на полном наборе технологий: достаточно хорошо знать несколько инструментов и уметь объяснить, почему ты их выбрала.

Переход в аналитику данных в 34 — не про возраст, а про готовность считать не только числа, но и время, деньги и риск. Мой конкретный совет: начните с небольшого пет-проекта на реальных данных за ближайшие две недели — даже простая диаграмма по продажам из CSV даст вам в резюме реальный кейс и ускорит процесс поиска работы.

Автор: Светлана Орлова — бывший бухгалтер, теперь аналитик данных. Считаю деньги, ипотеку и карьерные решения на реальных цифрах.