Мой путь в data science в 2026: от Excel до Python за 8 месяцев

В марте 2025 года я открыл Excel-таблицу с финансовым отчётом и понял — это тупик. Ручные сводки, ошибки в формулах, невозможность увидеть картину целиком. Мой менеджер спросил: «А можем ли мы спрогнозировать выручку на квартал вперёд, учитывая сезонность?» Ответа у меня не было. Тогда я решил, что хватит. За следующие 8 месяцев я прошёл путь от базового Excel до написания скриптов на Python для прогнозного моделирования. В декабре 2025 получил оффер как junior data scientist. Делиться «сухой» теорией не буду — только то, что сработало на практике, и что я бы сделал иначе, зная итог.

Почему 2026-2026 — идеальное время для входа в data science

Рынок стабилизировался после бума 2025-х. Сейчас компании ищут не «волшебников данных», а прагматичных специалистов, которые решают бизнес-задачи. Спрос сместился с чисто технических ролей (Data Engineer) к гибридным: продуктовый аналитик, BI-разработчик, бизнес-аналитик с Python. Зарплата junior-специалиста стартует от 80 тысяч рублей, middle — от 180 тысяч. Главный тренд 2026 года — интеграция AI-инструментов в повседневную аналитику, но фундамент остаётся неизменным: SQL, статистика, понимание бизнеса.

Рекомендуем курс Data Scientist + ИИ Skillbox

143 329 ₽ 409 512 ₽ -65%

Подробнее На сайт →

Мой roadmap: 8 месяцев от нуля до оффера

Я разбил путь на четыре ключевых этапа. Ошибка многих — пытаться учить всё и сразу.

Этап 1: Фундамент (2 месяца)
Цель — перестать бояться данных. Я не пошёл на длинный курс, а взял два коротких интенсивна.

• Аналитическое мышление: Прошёл «Основы аналитики и аналитическое мышление» за 12 000 ₽. Это дало структуру: как формулировать гипотезы, что такое воронка, какие метрики куда смотреть.
• SQL: Без этого никуда. Выбрал «SQL и получение данных» (12 000 ₽). Главное — не просто синтаксис, а умение писать оптимизированные запросы.

Пример первого рабочего запроса, который я использовал для анализа retention:

SELECT 
 user_id,
 MIN(event_date) as first_date,
 COUNT(DISTINCT event_date) as active_days
FROM user_events
WHERE event_date BETWEEN '2026-01-01' AND '2026-01-31'
GROUP BY user_id
HAVING COUNT(DISTINCT event_date) >= 7;

Этап 2: Инструменты и визуализация (2 месяца)
Цель — научиться рассказывать историю данными.

Рекомендуем курс Data Scientist с нуля до PRO Skillfactory

203 688 ₽ 407 412 ₽ -50%

Подробнее На сайт →

• BI-системы: Изучил Power BI на курсе «Бизнес-аналитика с Power BI» (12 000 ₽). Tableau дороже для компании, а Power BI часто уже есть в стэке.
• Углублённый Excel/Google Sheets: PivotTables, функции XLOOKUP, LAMBDA, написание макросов. Это до сих пор требуется в 70% вакансий.

Этап 3: Программирование и статистика (3 месяца)
Самый сложный и важный этап. Здесь я совершил ошибку, выбрав слишком академичный курс. В итоге переключился на «Python для анализа данных» (12 000 ₽). Идеальный баланс теории и практики.

Ключевые библиотеки, которые использует аналитик каждый день:

1. pandas для манипуляций с данными.
2. numpy для вычислений.
3. matplotlib/seaborn для визуализации.
4. scipy/statsmodels для базовой статистики.

Вот код, который автоматизировал мою еженедельную отчётность:

import pandas as pd
import matplotlib.pyplot as plt

# Загрузка данных
sales_df = pd.read_csv('weekly_sales.csv')
# Агрегация
report = sales_df.groupby('product_category')['revenue'].sum().sort_values(ascending=False)
# Визуализация
report.plot(kind='bar', title='Выручка по категориям')
plt.tight_layout()
plt.savefig('weekly_report.png')

Этап 4: Портфолио и поиск работы (1 месяц)
Цель — показать, что умею решать задачи. Я сделал три проекта:

Рекомендуем курс Data Scientist Eduson Academy

109 900 ₽ 405 355 ₽ -73%

Подробнее На сайт →

1. Анализ оттока клиентов для условного банка (SQL + Python + Power BI).
2. Дашборд по A/B-тесту нового функционала.
3. Прогноз продаж на основе временного ряда (простая модель из statsmodels).

Обзор курсов data science 2026: что выбрать?

Платформ много. Я смотрел отзывы на SravniKurs и общался с выпускниками. Вот моя субъективная оценка.

Для полного погружения с нуля:

Главные ошибки новичков (и как их избежать)

1. Гнаться за сложными алгоритмами ML, не зная SQL. На собеседовании для junior-позиции в 9 из 10 случаев дадут задание на SQL, а не на нейросеть. Начните с базы.
2. Игнорировать бизнес-контекст. Красивая модель, которая не отвечает на вопрос бизнеса, бесполезна. Всегда спрашивайте: «Какую проблему мы решаем?»
3. Учиться без практики. Просмотр видео = 0% усвоения. Нужно сразу применять: установить PostgreSQL, скачать датасет с Kaggle, построить первый дашборд.
4. Выбирать курс только по бренду. Изучите программу. Если в курсе по data science 80% времени — это высшая математика, а вы хотите работать продуктовым аналитиком, это не ваш вариант.

Что будет с data science в 2026-2027?

Ожидается, что порог входа немного повысится. Базовый Python и SQL станут таким же must-have, как сегодня Excel. Основной рост спроса будет в нишах:

• Аналитика в связке с ИИ: Умение работать с LLM-агентами для обработки текстовых данных, генерации SQL-запросов.
• Data Engineering для аналитиков: Понимание ETL-процессов, Airflow, облачных хранилищ (Yandex Cloud, S3).
• Поведенческая аналитика: Работа с большими объёмами событийной аналитики (ClickHouse, Snowplow).

Курсы уже реагируют на тренды. Например, в программу «Бизнес-аналитик + ИИ» () добавили блок по автоматизации отчётов с помощью GPT.

Мой вердикт и рекомендация

Мой путь был не самым прямым и не самым дешёвым. Но он сработал. Если бы я начинал сегодня, в феврале 2026, я бы поступил так:

Если вы хотите сменить профессию с нуля и готовы инвестировать время и деньги:
Выбирайте длинную программу с трудоустройством. Например, Data Scientist: расширенный курс (12 000 ₽) или Data Scientist + ИИ (). Это даст структуру, поддержку и диплом.

Если вы уже работаете с данными (маркетолог, финансист, product-менеджер) и хотите усилить скиллы:
Не покупайте годовой курс. Возьмите несколько коротких интенсивов по конкретным инструментам: SQL, Python, Power BI. Идеально подойдут курсы от Stepik или короткие программы Нетологии.

Если бюджет ограничен, а мотивация зашкаливает:
Собирайте обучение самостоятельно. Бесплатные вводные части от Яндекс Практикум, задачи на Kaggle, документация к библиотекам Python и активность в Telegram-чатах аналитиков дадут больше, чем пассивное прослушивание лекций.

Главное — начать и не бросать после первой ошибки в коде. В 2026 у меня не скомпилировался первый скрипт на Python. В феврале 2026 я автоматизирую с его помощью отчёты для целого департамента. Разница — 8 месяцев целенаправленного движения.