Analyst / BI: Markt

Stelle

eine offene Stelle, die das Qualitäts-Gate passiert hat und mindestens zwei Technologien nennt

Beobachteter Kandidat

ein Kandidat, dessen Stack diese Technologie enthält; ein Aggregat — kein einziger Datensatz verlässt den Perimeter

Matchbarer Kandidat

noch nicht gezählt

Fenster

Stellen, die zum Zeitpunkt der Erstellung des Snapshots offen waren

Top-5-Technologien in Analyst-Stellenanzeigen: sql, user stories, cloud, backlog, salesforce. Universelles Pflichtwissen — SQL (PostgreSQL/ClickHouse/Snowflake/BigQuery, JOINs, Fensterfunktionen, CTEs, Performance). Python für Analysen (pandas, numpy, matplotlib, seaborn, scipy.stats). Excel/Google Sheets — Ad-hoc-Arbeit und Präsentationen für Stakeholder. BI: Tableau, Power BI, Looker, Metabase, Superset, Yandex DataLens (GUS-Stack). Produktanalytik: Amplitude, Mixpanel, GA4, Heap, PostHog. A/B-Tests: Statistikkenntnisse (p-Werte, Power, MDE, sequenzielles Testen) + Plattformen (Optimizely, VWO, Statsig, Eigenentwicklungen). Für Business Analysts — BPMN/UML, Confluence, Jira, Visio/draw.io. Für Systems Analysts — REST/SOAP, Swagger/OpenAPI, Postman, Verträge für Kafka/RabbitMQ. Analytics Engineer — dbt + git + DWH + semantische Schicht.

Diese drei Rollen werden oft verwechselt, arbeiten aber an unterschiedlichen Problemen. Data Analyst (DA) — eine technische Rolle: SQL-Abfragen, Dashboards, Ad-hoc-Untersuchungen auf geschäftliche Anfragen. Fokus darauf, wie man an die Daten kommt und was sie aussagen. Stack: SQL + Python + BI. Business Analyst (BA) — eine geschäftsorientierte Rolle: Erhebung von Anforderungen, BPMN-Prozessdiagramme, Feature-Spezifikationen, Kommunikation mit Stakeholdern. Fokus darauf, was gebaut wird und warum. Kleinerer technischer Stack (obwohl SQL geschätzt wird); Kommunikation, Englisch und Prozessmodellierung sind wichtiger. Product Analyst (PA) — eine Mischung aus DA und Produktmanagement: A/B-Tests, Produkthypothesen, Retention/LTV/Kohorten, Funnel-Analyse. Fokus darauf, welche Produktfeatures funktionieren und warum. Das am besten bezahlte Analytiksegment in Produktunternehmen. Im Durchschnitt: PA > BA ≈ DA in Produktunternehmen; BA > DA im Enterprise/bei Banken.

Ja — Analysten gehören zu den remote-freundlichsten IT-Spezialisierungen: 29% der Stellen sind vollständig remote oder hybrid. Die Arbeit ist von Daten und Tools getrieben; physische Anwesenheit wird selten verlangt. Vollständig remote Rollen: Produkt-Startups, internationale SaaS-Unternehmen, Teams von Relokanten aus der GUS (Dubai, Zypern, Lissabon, Tiflis, Jerewan). Hybrid (1–3 Tage im Büro): große IT-Unternehmen, Banken, Telekom, Handel. Nur Büro: am häufigsten Business Analysts in traditionellen Banken mit Compliance-Anforderungen und Systems Analysts in großen Enterprise-Projekten. Englisch öffnet den globalen Remote-Markt mit einem Gehaltsaufschlag von 20–40%.

SQL ist Pflicht für jeden Analysten (DA/PA/BA ab Middle). Ohne SQL bekommen Sie keine Stelle — es ist die Grundkompetenz in 100% der Anzeigen. Python ist für Data/Product Analysts ab Middle ein Muss (pandas, Datenbereinigung, grundlegendes ML, Automatisierung von Routinen). Für Business Analysts ist Python ein Plus, aber keine Voraussetzung. Was Sie in Python für Analytics können sollten: pandas (DataFrame, groupby, merge), numpy, matplotlib/seaborn für die Visualisierung, grundlegende Statistik (scipy.stats), Jupyter Notebooks. Was Sie nicht brauchen: fortgeschrittene OOP, Webentwicklungs-Frameworks, DevOps. Programmieren in der Analytics ist ein Werkzeug der Untersuchung, nicht das Produkt selbst. Die Ausnahme ist der Analytics Engineer: dbt + Jinja-Templating + Git-Workflows plus solides programmatisches Denken rücken die Rolle näher an den Data Engineer.

Analytics is one of the most accessible entry points into IT. Optimal roadmap: 1) SQL to a confident level — SELECT, JOIN, GROUP BY, window functions, CTEs. Courses: Stepik «SQL для всех», SQL-Academy, Mode Analytics SQL tutorial, LeetCode Database. 2) Excel/Google Sheets — pivot tables, VLOOKUP/XLOOKUP, basic formulas. 3) One BI tool: Tableau Public (free) or Power BI Desktop. Build 3–5 dashboards on open data. 4) Python pandas — Kaggle tutorials, pandas docs, "Python for Data Analysis" by Wes McKinney. 5) Basic statistics: confidence intervals, correlation vs causation, A/B tests (p-value, power, effect size). "Statistics Done Wrong". 6) Pet project: end-to-end analysis of an open dataset (Kaggle, data.world) with a dashboard and conclusions on GitHub. 7) Training programs: Karpov.Courses, Yandex.Practicum «Аналитик данных», Skillfactory, Stepik «Python для анализа данных». Time to first Junior role — 4–8 months of full-time study.

As of the latest data refresh, the Zorky sample contains 5327 active open Analyst positions. These are postings published in the last 90 days. Geography: leaders are US, PL, GB. The sample covers all sub-specialisations: Data Analyst, Business Analyst, Product Analyst, Marketing Analyst, Financial Analyst, Systems Analyst, Analytics Engineer, BI Developer. The real market is wider than the sample: many Analyst positions are published only inside major companies' internal HRMS or through closed recruiting channels. Analytics Telegram channels («Аналитика и данные», «Data Driven») are a good additional source for Senior positions.

Ein Senior Analyst verantwortet den gesamten Zyklus: von den Anforderungen bis zur geschäftlichen Schlussfolgerung. Technisch: SQL auf Meisterniveau (Window Functions, Optimierung, Abfragepläne), Python (pandas + scipy + Automatisierung von ETL/Berichten), ein BI-Tool in der Tiefe (Tableau/Power BI/Looker — berechnete Felder, LOD-Ausdrücke, Dashboard-Optimierung). Statistik: Planung von A/B-Tests (Power, MDE, Stichprobengröße), Diagnostik (SRM, Peeking), Interpretation (sequenziell vs. fester Horizont), Bootstrap, bayessche Ansätze. Produktdenken: Verständnis von Funnels, Retention/LTV/Kohorten, Unit Economics, Kennzahlen auf jeder Ebene des Produkts. Kommunikation: Data Storytelling, Präsentationen vor dem C-Level, Verteidigung von Schlussfolgerungen vor Skeptikern. Mentoring: Code Review von SQL/Python für Middle/Junior. Englisch ab Senior+ ist Pflicht (selbst in lokalen Rollen großer Unternehmen sind Dokumentation und Prozesse oft auf Englisch).