Аналитик данных или Data Scientist: в чём разница и что выбрать

Обе профессии работают с данными, обе продаются школами как «вход в IT через цифры», и названия курсов у них пересекаются до полной неразличимости. Разница при этом принципиальная — в задачах, в пороге входа и в том, сколько лет уйдёт на старт.

Разбираем по нашей базе: 18 курсов аналитики данных и 13 курсов Data Science от Skillbox, Яндекс Практикума, Нетологии, GeekBrains, SkillFactory и karpov.courses на 28 июля 2026 года.

Короткий ответ

Аналитик данных отвечает на вопрос «что произошло и почему». Собирает данные из баз, считает метрики, строит дашборды, проверяет гипотезы и приносит бизнесу вывод: конверсия просела вот в этом сегменте, вот из-за чего.

Data Scientist отвечает на вопрос «что произойдёт». Строит модели, которые предсказывают отток, спрос или мошенничество, и доводит их до продакшена. Это инженерная работа с машинным обучением, а не отчётность.

Отсюда всё остальное: аналитик — это профессия, в которую реально войти с нуля за полгода. Data Scientist — почти всегда вторая профессия, к которой приходят из аналитики, разработки или математической специальности.

Чем отличается стек

Разница видна прямо по спискам навыков в программах — мы посчитали, что школы обещают в каждой категории.

SQL — самый частый навык в программах аналитики и далеко не самый частый в Data Science: там его подразумевают как уже имеющийся. Обратная асимметрия с математикой: у аналитика хватает статистики уровня «понимать, значим ли результат A/B-теста», у DS без линейной алгебры и матана программа не читается.

Порог входа: где школы говорят прямо

Самое честное место в описании курса — раздел про требования. Вот что школы пишут о своих же программах в нашей базе:

• курсы Data Science: «Не с нуля: нужны уверенный Python и база математики», «С базой Python, SQL и статистики», «Нужен базовый Python»;
• курсы аналитики: «С нуля», «С нуля, Python плюсом», «Для начинающих аналитиков с базой Python и SQL».

То есть даже в аналитике «с нуля» не абсолютное: у karpov.courses «Симулятор аналитика» прямо предупреждает, что нужны Python, SQL и понимание базовой статистики. А обещание «Data Scientist с нуля» в заголовке почти всегда означает, что первые месяцы программы уйдут на Python и математику — то есть на то, что аналитику дают в сокращённом виде.

Сроки и деньги

Здесь разница измеримая, и она объясняет всё остальное.

Программа Data Scientist в среднем на четыре месяца длиннее и на ~27 000 ₽ дороже. Верхняя граница — 25 месяцев: это больше двух лет обучения, и такие программы имеет смысл сравнивать уже не с курсами, а с магистратурой.

Отдельно предупредим про «цену в месяц», по которой курсы сравнивать нельзя. Школы публикуют в каталогах платёж по рассрочке, а срок у неё разный — от 6 до 36 месяцев. У Яндекс Практикума это вообще не рассрочка школы, а кредит банка на 36 месяцев: у «Математики для анализа данных» платёж 2 020 ₽/мес за 6-месячный курс даёт 72 720 ₽ вместо 49 500 ₽ при оплате сразу — переплата 47%. У «Симулятора аналитика» karpov.courses рассрочка на 24 месяца добавляет около 40%. Мы поэтому считаем и показываем полную стоимость — как именно, описано в методологии.

Названию курса верить нельзя

Заголовок программы и реальная профессия расходятся регулярно, и проверять приходится по содержанию.

Самый показательный случай в нашей базе — курс SkillFactory, который называется «Аналитик данных», но 14 месяцев учит SQL, Python, BI-инструментам и продуктовой аналитике; школа в собственном описании пишет, что порог входа тут ниже, чем в Data Science. Мы держали его в категории Data Science — при подготовке этой статьи ошибку нашли и перенесли курс к аналитике.

Обратный случай — «Математика для анализа данных» Практикума: по названию похоже на аналитику, по содержанию это 241 час математики для Data Science. Полезная программа, но не старт профессии: помощи с трудоустройством там нет, а свидетельство выдают только тем, кто уложится в 6 месяцев и сдаст все контрольные — иначе доступ к материалам остаётся, а документ и чат с преподавателем нет.

Проверять стоит три вещи: список модулей (есть ли машинное обучение или всё кончается дашбордами), требования на входе и то, какой документ выдают.

Что выбрать

Берите аналитику, если входите в IT с нуля или из смежной роли — маркетинга, финансов, продаж. Полгода — реальный срок до первых собеседований, стек осваивается последовательно (SQL → Python → BI), а результат работы понятен бизнесу без перевода. Это же самый короткий путь к тому, чтобы позже перейти в Data Science уже с рабочим опытом.

Берите Data Science, если у вас есть техническая или математическая база и вы готовы к году учёбы. Без Python и математики программа превратится в пересказ, а деньги за 11 месяцев уйдут заметные.

Не берите ни то, ни другое ради зарплаты из рекламы. Мы намеренно не публикуем зарплатные вилки: называемого источника, который можно проверить, у нас нет, а цифры школ — маркетинговые. Ориентируйтесь на вакансии в своём городе и на реальные требования в них.

Дальше — каталоги с фильтрами по цене, сроку и школе: курсы аналитики данных и курсы Data Science. Если хочется сначала посмотреть шире, есть хаб всех курсов аналитики, а если тянет именно к моделям — курсы машинного обучения.