8 первых проектов по аналитике для смены профессии

Аналитика данных — одна из самых быстро растущих карьерных направлений. Бюро трудовой статистики США прогнозирует рост занятости специалистов по данным на 34% к 2034 году — более чем в десять раз выше среднего по всем профессиям. Начинающие аналитики получают $63 000–$88 000 в год, а аналитики среднего уровня — около $93 000 (Glassdoor, 2026). Но работодатели нанимают не по потенциалу зарплаты. Они нанимают тех, кто может подтвердить умение работать с данными.

По данным InterviewQuery и Burtch Works, 72% менеджеров по найму считают портфолио важнее сертификаций при оценке кандидатов начального уровня. Это значит, что ваши первые проекты имеют решающее значение при приёме на работу. Персональный план смены профессии в Traecta соотносит ваши текущие навыки с подходящими проектами, чтобы вы не просто проходили обучающие программы, а создавали реальные подтверждения. Если вы начинаете с нуля, учебный план для взрослых, меняющих профессию на IT поможет выстроить график занятий с учётом вашего расписания.

Ниже — восемь проектов по аналитике, которые можно выполнить за одну–четыре недели, используя бесплатные инструменты и открытые данные.

Что отличает хороший первый проект по аналитике#

Прежде чем переходить к списку, важно понимать, что оценивают менеджеры по найму. Не все проекты одинаково полезны в портфолио. Те, что привлекают внимание, обладают четырьмя свойствами:

1. Реальные данные, не синтетические: Наборы данных с Kaggle, правительственных порталов или открытых API показывают, что вы умеете работать с неаккуратными реальными сведениями
2. Чёткий бизнес-вопрос: «Что влияет на отток клиентов?» — это проект. «Вот сводная таблица» — это упражнение
3. Письменное пояснение: Дашборд без описания — украшение. Дашборд с письменным анализом — подтверждение коммуникативных навыков
4. Полный цикл: Очистка, анализ, визуализация, интерпретация — а не один этап

Если вы уже сопоставляли сертификаты и портфолио, логика вам знакома. Проекты превращают обучение в доказательства. Для тех, кто переходит из операционной деятельности, финансов или HR, статья о лучшем карьерном пути от операционной деятельности к аналитике показывает, как использовать отраслевой опыт в каждом проекте.

Обзор проектов#

№	Проект	Инструменты	Источник данных	Срок	Акцент навыков
1	Анализ оттока клиентов	Excel / Python / Tableau Public	Kaggle: Telco Churn (7 043 записи)	1-2 недели	Очистка, статистика, визуализация
2	Дашборд продаж	Excel → Tableau Public	Kaggle: Superstore Sales (9 800 записей)	2-3 недели	Проектирование дашборда, KPI, тренды
3	Анализ опроса	Google Таблицы / Python	Pew Research Center или Kaggle	1-2 недели	Методология опросов, кросс-табуляция
4	Анализ маркетинговой кампании	Excel / Tableau Public	Google Analytics Sample Dataset	2-3 недели	Воронка конверсии, когортные метрики
5	Анализ A/B-теста	Google Таблицы / Python	Kaggle: AB Testing datasets	1-2 недели	Статистическая значимость, проверка гипотез
6	Анализ текучести сотрудников	Excel / Python / Tableau Public	Kaggle: IBM HR Analytics (1 470 записей)	1-2 недели	HR-метрики, классификационный анализ
7	Финансовый анализ	Excel / Python	Yahoo Finance или FRED	2-3 недели	Временные ряды, коэффициенты, бенчмаркинг
8	Трекер личных расходов с выводами	Google Таблицы / Python	Собственные данные	2-4 недели	Сбор данных, бюджетный анализ, визуализация

Проект 1. Анализ оттока клиентов#

Что вы построите: Анализ факторов, предсказывающих уход клиента — момент, когда клиент прекращает пользоваться услугой. Вы выявите закономерности в демографии, типе контракта и поведении, чтобы найти основные причины оттока.

Инструменты: Google Таблицы или Excel для табличного анализа; Tableau Public для визуализации; Python (pandas, matplotlib), если хотите добавить статистический анализ.

Набор данных: IBM Telco Customer Churn на Kaggle — 7 043 записи с 21 признаком: длительность обслуживания, ежемесячный платёж, тип контракта и статус оттока. Один из самых популярных начальных наборов данных в аналитике.

Срок: 1-2 недели (20-40 часов)

Что доказывает работодателю: Умение работать с реальным бизнес-набором данных, находить закономерности и формулировать выводы. Анализ оттока — стандартная задача в маркетинговой аналитике, продуктовой аналитике и отделах по работе с клиентами.

Пошаговый план:

1. Скачайте набор данных и изучите структуру — проверьте пропущенные значения, типы данных и несогласованные форматы
2. Рассчитайте общий процент оттока и разбейте по типу контракта, длительности обслуживания и способу оплаты
3. Постройте таблицу сравнения оттока по сегментам с наибольшим и наименьшим уходом клиентов
4. Создайте 3-5 визуализаций: отток по длительности обслуживания, отток по диапазону ежемесячного платежа, отток по типу контракта
5. Напишите краткое резюме на одну страницу с тремя конкретными рекомендациями по снижению оттока

Типичные ошибки:

• Пропуск этапа очистки данных — в наборе есть пропущенные значения в TotalCharges и несогласованные форматы. Работа с ними — часть проекта
• Построение модели машинного обучения вместо описательного анализа. Работодатели, нанимающие начинающих аналитиков, хотят видеть ясные пояснения, а не «чёрный ящик»
• Представление графиков без письменной интерпретации. Каждая визуализация должна отвечать на конкретный вопрос

Проект 2. Дашборд продаж#

Что вы построите: Интерактивный дашборд, отслеживающий продажи по категориям товаров, регионам и периодам. Дашборд должен содержать KPI (общая выручка, средний чек, лучшие товары) и позволять фильтровать данные по времени или региону.

Инструменты: Excel для первоначального анализа, затем переработка в Tableau Public (бесплатно, до 15 млн строк на рабочую книгу). Tableau Public — стандарт для аналитических портфолио: менеджеры по найму могут просмотреть ваш дашборд онлайн без скачивания файлов.

Набор данных: Superstore Sales на Kaggle или любой набор данных розничных продаж с датой, категорией, регионом и выручкой. Главное — достаточно строк (от 1 000) и несколько измерений для содержательной сегментации.

Срок: 2-3 недели (30-50 часов)

Что доказывает работодателю: Проектирование дашбордов — один из самых востребованных навыков в вакансиях аналитиков. По данным Stack Overflow Developer Survey, SQL и инструменты визуализации стабильно входят в число самых востребованных технических навыков. Этот проект показывает, что вы способны пройти путь от сырых данных до polished интерактивной презентации.

Пошаговый план:

1. Очистите набор данных — обработайте возвраты, пропущенные значения и форматирование дат
2. Рассчитайте KPI: общая выручка, маржинальность, средний чек, рост к предыдущему году
3. Сначала постройте простой дашборд в Excel для проверки расчётов
4. Переработайте в Tableau Public с интерактивными фильтрами и возможностью детализации
5. Опубликуйте на Tableau Public и добавьте ссылку в портфолио

Типичные ошибки:

• Использование слишком многих цветов или типов графиков. Хороший дашборд использует не более 3-4 типов
• Отсутствие письменного резюме. Включите краткое описание выбранных решений и ключевых выводов
• Пропуск этапа валидации в Excel. Сначала построив в Excel, вы обнаружите ошибки расчётов до того, как они закрепятся в дашборде

Проект 3. Анализ данных опроса#

Что вы построите: Анализ данных общественного опроса, проверяющий гипотезы об установках, поведении или тенденциях. Вы продемонстрируете навык работы с методологией опросов — взвешиванием, кросс-табуляцией и учётом смещения выборки.

Инструменты: Google Таблицы для базового анализа; Python (pandas, scipy) для статистических проверок; Tableau Public для визуализации.

Набор данных: Pew Research Center публикует скачиваемые наборы данных по технологиям, тенденциям на рынке труда и социальным установкам. Kaggle также содержит наборы данных опросов по темам от ментального здоровья до предпочтений в удалённой работе. Выберите опрос, относящийся к вашей целевой отрасли.

Срок: 1-2 недели (15-30 часов)

Что доказывает работодателю: Анализ опросов — постоянный навык в маркетинговых исследованиях, UX-исследованиях, HR-аналитике и государственном управлении. Проект показывает, что вы умеете работать с категориальными данными, рассчитывать осмысленные доли и избегать типичных ловушек — наводящих вопросов или смещения выборки.

Пошаговый план:

1. Изучите методологию опроса — объём выборки, демографию и применяемые веса
2. Выберите 2-3 гипотезы для проверки: например, «Удалённые работники отмечают более высокую удовлетворённость работой, чем офисные»
3. Рассчитайте кросс-табуляции и условные доли
4. Выполните критерий хи-квадрат или t-тест (при использовании Python) для проверки статистической значимости
5. Напишите отчёт на две страницы с методологией, выводами и ограничениями

Типичные ошибки:

• Игнорирование документации по методологии. Данные опросов требуют понимания того, кого опрашивали и как формулировались вопросы
• Трактовка корреляции как причинности в выводах
• Пропуск раздела с ограничениями. Указание на то, что данные не могут подтвердить, демонстрирует аналитическую зрелость

Проект 4. Анализ маркетинговой кампании#

Что вы построите: Анализ эффективности сайта или маркетинговой кампании на основе поведенческих данных. Вы рассчитаете воронки конверсии, источники трафика и показатели вовлечённости — ту же работу, которую маркетинговые аналитики выполняют ежедневно.

Инструменты: Google Таблицы или Excel для обработки данных; Tableau Public для визуализации; Google BigQuery (бесплатный тариф) при прямом использовании набора данных Google Analytics.

Набор данных: Google Analytics Sample Dataset — обезличенные данные магазина Google Merchandise Store, доступные через публичные наборы данных Google BigQuery и Kaggle. Содержат данные сессий, источники трафика, просмотры товаров и транзакции.

Срок: 2-3 недели (25-45 часов)

Что доказывает работодателю: Маркетинговая аналитика — востребованная специализация. Понимание воронки конверсии, когортных метрик и атрибуции показывает, что вы связываете данные с бизнес-результатами. Этот проект особенно полезен для тех, кто переходит из маркетинга, продаж или операционной деятельности.

Пошаговый план:

1. Изучите структуру набора данных — сессии, пользователи, просмотры страниц, транзакции
2. Постройте воронку конверсии: посадочная страница → просмотр товара → добавление в корзину → покупка
3. Проанализируйте источники трафика: органический поиск, платная реклама, прямой заход, реферальный — какой обеспечивает наивысшую конверсию?
4. Рассчитайте когортные метрики: новые vs. вернувшиеся пользователи, среднее число сессий на пользователя
5. Создайте дашборд с ключевыми выводами и тремя рекомендациями по оптимизации

Типичные ошибки:

• Отчёт по «метрикам тщеславия» (просмотры страниц, сессии) без связи с бизнес-результатами (конверсии, выручка)
• Неучёт сезонности при временном анализе
• Неоправданное усложнение анализа, когда чёткая воронка и разбивка по источникам дают полноценную картину

Проект 5. Анализ A/B-теста#

Что вы построите: Статистический анализ A/B-теста, сравнивающего две версии продукта, страницы или кампании. Вы сформулируете гипотезу, проверите статистическую значимость и напишете рекомендацию — тот же процесс, которому следуют продуктовые аналитики и команды роста.

Инструменты: Google Таблицы для базовых расчётов; Python (scipy.stats, statsmodels) для строгих проверок; калькулятор A/B-тестов для быстрой валидации.

Набор данных: AB Testing Practice Dataset на Kaggle или любой набор данных с контрольной и экспериментальной группами и бинарным результатом.

Срок: 1-2 недели (15-25 часов)

Что доказывает работодателю: A/B-тестирование — ключевой навык в продуктовой аналитике, маркетинговой аналитике и ростовых командах. Проект демонстрирует понимание экспериментального дизайна, статистической значимости и принятия решений на основе доказательств.

Пошаговый план:

1. Сформулируйте гипотезу: «Вариант B повышает конверсию по сравнению с вариантом A»
2. Рассчитайте конверсию для контрольной и экспериментальной групп
3. Выполните двухвыборочный z-тест для проверки статистической значимости различия
4. Оцените практическую значимость: достаточно ли велик прирост для бизнеса?
5. Напишите рекомендацию на одну страницу с указанием уровня достоверности и возможных следующих шагов

Типичные ошибки:

• Остановка анализа на «p-value < 0.05» без обсуждения практической значимости
• Проверка без предварительной оценки достаточности объёма выборки
• Путаница статистической значимости с бизнес-влиянием. Прирост 0.5% может быть статистически значим, но коммерчески несуществен

Проект 6. Анализ текучести сотрудников#

Что вы построите: Анализ причин ухода сотрудников по данным HR. Вы выявите группы риска, рассчитаете текучесть по отделам и должностям, предложите стратегии удержания — работу, которую HR-аналитики и команды people analytics выполняют регулярно.

Инструменты: Excel для базового анализа; Python (pandas, seaborn) для глубокого исследования; Tableau Public для дашборда с паттернами текучести.

Набор данных: IBM HR Analytics Employee Attrition & Performance на Kaggle — 1 470 записей сотрудников с 35 признаками: возраст, отдел, удовлетворённость работой, переработки, статус увольнения. Структурированный набор данных, подходящий для начинающих.

Срок: 1-2 недели (20-35 часов)

Что доказывает работодателю: Проект особенно полезен для тех, кто переходит из HR, операционной деятельности или управления. Он показывает, что вы умеете сочетать отраслевой опыт с аналитическими методами. Для операционных специалистов, переходящих в аналитику, проект напрямую связан с имеющимся опытом управления персоналом.

Пошаговый план:

1. Рассчитайте общий процент текучести и сравните по отделам, должностям и группам стажа
2. Проанализируйте связь текучести с переработками, удовлетворённостью, удалённостью от дома и доходом
3. Постройте профиль риска: какие группы сотрудников имеют наивысшую вероятность увольнения?
4. Создайте визуализации: текучесть по отделам, распределение доходов уволенных vs. оставшихся
5. Напишите три конкретные рекомендации по удержанию, основанные на данных

Типичные ошибки:

• Отношение к 1 470 записям как к большому набору. Он небольшой — используйте это преимущество для тщательного анализа
• Игнорирование влияющих факторов. Доход и уровень должности коррелируют и со стажем, и с текучестью — укажите эти взаимосвязи
• Общие рекомендации («повысить удовлетворённость») вместо привязанных к данным («сотрудники с переработками в исследовательском отделе увольняются в 2.3 раза чаще — именно их workload стоит пересмотреть»)

Проект 7. Финансовый анализ#

Что вы построите: Анализ временных рядов цен акций, финансовой отчётности или макроэкономических показателей. Вы рассчитаете доходность, волатильность и сравнительную эффективность — работу, которую финансовые аналитики и FP&A-команды выполняют регулярно.

Инструменты: Excel для анализа коэффициентов; Python (pandas, yfinance) для временных рядов; Google Таблицы для бюджетного анализа при использовании личных или примерных бюджетных данных.

Набор данных: Данные Yahoo Finance через библиотеку yfinance (бесплатно, реальные рыночные данные); Federal Reserve Economic Data (FRED) для макроэкономических показателей; или любой набор финансовых данных с Kaggle.

Срок: 2-3 недели (30-50 часов)

Что доказывает работодателю: Финансовый анализ востребован во всех отраслях — не только в финансах. Каждой компании нужны аналитики, умеющие читать финансовую отчётность, отслеживать бюджетные показатели и сравнивать метрики. Проект особенно релевантен для перехода из бухгалтерии, финансов или бизнес-операций.

Пошаговый план:

1. Выберите 3-5 компаний или активов и скачайте исторические данные цен (2-5 лет)
2. Рассчитайте ключевые показатели: дневную доходность, совокупную доходность, волатильность, скользящие средние
3. Постройте таблицу сравнительной эффективности и сравните с рыночным индексом
4. Создайте визуализацию временных рядов с тенденциями цен и волатильностью
5. Напишите аналитическую записку с чёткими выводами

Типичные ошибки:

• Инвестиционные рекомендации без оговорок. Это портфельный проект, а не финансовый совет
• Использование только линейных графиков. Финансовый анализ выигрывает от распределения доходности, корреляционных матриц и разных типов визуализации
• Игнорирование дивидендов и совокупной доходности. Рост цен сам по себе даёт неполную картину

Проект 8. Трекер личных расходов с выводами#

Что вы построите: Проект сбора и анализа данных на основе ваших собственных расходов. Вы разработаете систему учёта, очистите транзакционные данные, категоризируете траты и сформулируете конкретные выводы о ваших расходных паттернах.

Инструменты: Google Таблицы (наиболее удобны для ввода); Python (pandas) для анализа; Tableau Public или диаграммы Google Таблиц для визуализации. Транзакционные данные можно экспортировать как CSV из большинства банковских приложений.

Набор данных: Ваши собственные транзакционные данные (экспорт из банка, кредитной карты или приложения для учёта расходов). Если вы не хотите использовать личные данные, возьмите наборы данных потребительских расходов с Kaggle как замену.

Срок: 2-4 недели (20-60 часов, в зависимости от срока наблюдения)

Что доказывает работодателю: Проект демонстрирует полный цикл аналитической работы — от проектирования сбора данных до очистки, анализа и коммуникации результатов. Он показывает инициативность и самостоятельность, которые работодатели особенно ценят у тех, кто меняет профессию. Как собрать портфолио, подтверждающее готовность к работе описывает структуру описания, которую стоит использовать при презентации этого проекта.

Пошаговый план:

1. Определите категории: жильё, питание, транспорт, подписки, развлечения, сбережения
2. Ведите учёт минимум 30 дней — вносите транзакции по мере появления или экспортируйте из банковских приложений еженедельно
3. Очистите данные: удалите дубликаты, стандартизируйте названия платёжей, назначьте категории
4. Проанализируйте: ежемесячные итоги, разбивка по категориям, недельные тренды, средний дневной расход
5. Постройте дашборд и напишите «аудит расходов» с тремя конкретными корректировками, которые вы планируете внести

Типичные ошибки:

• Наблюдение менее 30 дней. Одна–две недели данных дают ненадёжные паттерны
• Избыточное усложнение системы учёта. Простая Google Таблица с датой, суммой, категорией и примечанием — достаточно
• Отсутствие этапа выводов. Анализ — это проект, а не сама таблица

Как оформить аналитическое портфолио#

Проекты важны, но не менее важна подача. Менеджеры по найму просматривают десятки портфолио. Упростите им навигацию.

Структура описания проекта#

Используйте эту структуру для каждой страницы проекта в портфолио:

Раздел	Что включить
Задача	Какой бизнес-вопрос вы решали?
Данные	Источник, объём, этапы очистки
Метод	Использованные инструменты и подход к анализу
Результаты	Ключевые метрики и визуализации
Рекомендации	Конкретные следующие шаги на основе данных
Рефлексия	Что бы вы улучшили при наличии больше времени или данных

Такая структура отражает то, как аналитики представляют работу в реальных организациях. Если вы ещё не определились с целевой ролью, дорожная карта аналитика данных для опытных специалистов поможет привязать проекты к конкретным требованиям вакансий.

Где разместить портфолио#

Платформа	Стоимость	Для чего подходит
GitHub Pages	Бесплатно	Проекты с кодом (Python, SQL, Jupyter-ноутбуки)
Tableau Public	Бесплатно	Дашборды и визуальные анализы
Google Sites	Бесплатно	Простые страницы проектов с встроенными изображениями
Notion	Бесплатный тариф	Письменные описания с визуализациями

Используйте комбинацию: код на GitHub, дашборды на Tableau Public, письменные анализы на простом сайте, объединяющем всё.

Как выбрать проекты под свой опыт#

Не все восемь проектов одинаково релевантны. Ваш текущий профессиональный опыт должен направлять выбор.

Ваш опыт	Лучшие стартовые проекты	Почему
Маркетинг, коммуникации	Проекты 2, 4, 5	Навыки работы с дашбордами, воронками и A/B-тестами напрямую относятся к маркетинговой аналитике
HR, управление персоналом	Проекты 6, 3	Анализ данных сотрудников и методология опросов соответствуют people analytics и HR-отчётности
Финансы, бухгалтерия	Проекты 7, 2	Финансовый анализ и дашборды продаж подходят для FP&A и бизнес-аналитики
Операционная деятельность, логистика	Проекты 1, 6, 8	Анализ оттока и операционного отслеживания сопоставимы с аналитикой цепочки поставок
Преподавание, образование	Проекты 3, 5	Анализ опросов и статистические проверки используют ваше понимание методологии оценки
Служба поддержки, клиентский сервис	Проекты 1, 4	Анализ оттока и маркетинговых кампаний опирается на ваш опыт клиентского поведения

Самые сильные портфолио сочетают один проект, близкий к вашей отрасли, и один, расширяющий горизонты. Это демонстрирует глубину в своей области и универсальность. Учебный план на основе смежных навыков поможет определить, какие навыки из вашей текущей роли напрямую переносятся в аналитическую работу.

Итог по инструментам: всё бесплатное#

Инструмент	Стоимость	Назначение
Google Таблицы	Бесплатно	Ввод данных, базовый анализ, простые визуализации
Microsoft Excel	Часто доступен через работу или учебу	Сводные таблицы, формулы, базовые дашборды
Tableau Public	Бесплатно (до 15 млн строк)	Интерактивные дашборды, публикация онлайн
Python (Google Colab)	Бесплатно	Очистка данных, статистический анализ, автоматизация
SQL (DB Browser for SQLite)	Бесплатно	Практика запросов к базам данных
Google BigQuery	Бесплатный тариф (1 ТБ/мес.)	SQL-запросы к большим наборам данных

Начните с инструментов, которые уже знаете. Добавляйте новые по мере необходимости. Нет смысла изучать пять инструментов одновременно, если первым двум проектам нужно только два.

Ваш первый аналитический проект не обязан впечатлять. Он должен быть завершённым — с вопросом, методом, выводами и письменным заключением. Один законченный проект, демонстрирующий реальное аналитическое мышление, стоит больше трёх незаконченных учебных упражнений. Если вам нужен структурированный маршрут от текущего положения до первой роли в аналитике, Персональный план смены профессии в Traecta определит недостающие навыки и составит план проектов на основе вашего опыта.