Product Analyst: 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

Reine Junior-Stellen für Product Analyst gibt es nicht viele — häufiger kommt man in die Rolle nach der Arbeit als Data Analyst oder als Praktikant in der Produktanalytik. Sprung zum Middle — eigenständiges Design und Auswertung von A/B-Tests, sicheres Python und Statistik, Verantwortung für Produktkennzahlen. Ein Senior entwirft das System der Produktkennzahlen, leitet komplexe Verhaltensforschung und beeinflusst die Produktstrategie direkt. Karriereweg: Data Analyst → Product Analyst → Senior Product Analyst → Analytics Lead / Head of Analytics oder Wechsel zum Product Manager (eine häufige und logische Weggabelung).

Top 5: sql, bpmn, 1с, airflow, bitrix. SQL — mandatory, expert level. Python — mandatory for Middle+: pandas, statistics, experiment computation, automation. Product analytics: Amplitude, Mixpanel, Yandex Metrika / AppMetrica, GA4, PostHog — tools for analysing user behaviour (events, funnels, retention curves, cohorts). A/B testing — core of the role: experiment design (metric, hypothesis, sample size), correct analysis, understanding of pitfalls (peeking, multiple comparisons, novelty). Statistics — confident: hypothesis testing, confidence intervals, test choice. Data warehouses: ClickHouse (especially popular in CIS product analytics), Snowflake, BigQuery. BI: dashboards in Tableau / Power BI / DataLens / Metabase. Product metrics: deep understanding of retention, activation, conversion, funnels, cohorts, unit economics, LTV, North Star Metric, ability to build a metric tree. Soft skills: product thinking, ability to formulate and test hypotheses, convey conclusions to PM and the team, influence decisions. Knowledge of product design and domain expertise — a big plus.

Data Analyst — Analyst mit allgemeinem Profil: beantwortet Geschäftsfragen in verschiedenen Unternehmensbereichen, Kennzahlen, Dashboards, Ad-hoc-Analysen; breiter Umfang, nicht an ein Produkt gebunden (siehe /research/analyst/data-analyst). Product Analyst — Analyst, der in ein bestimmtes Produktteam eingebettet ist: kennt das Produkt genau, verantwortet seine Kennzahlen, plant und analysiert A/B-Experimente, untersucht das Nutzerverhalten, hilft dem PM bei datenbasierten Entscheidungen. Grob gesagt: Data Analyst — breit über das ganze Unternehmen, Product Analyst — tief im Produkt, mit Schwerpunkt auf Experimenten. Product Manager — verantwortet das Produkt als Ganzes: entscheidet, was gebaut wird, setzt Prioritäten und ist für das Produktergebnis verantwortlich; der Product Analyst ist der engste Datenpartner des PM: Der PM entscheidet, der PA misst, prüft Hypothesen und liefert Zahlen (siehe /research/pm). Karriereweg: Data Analyst → Product Analyst — ein häufiger Schritt (Spezialisierung und Einkommenszuwachs); Product Analyst → Product Manager — eine der logischsten Karriereweichen (ein Product Analyst denkt bereits in Produkt- und Kennzahlenbegriffen); oder Product Analyst → Analytics Lead / Head of Analytics.

Produktteams verändern das Produkt ständig — neue Features, UI-Änderungen, Preise, Mechaniken. Die Hauptfrage jedes Mal: Hat die Änderung das Produkt wirklich verbessert oder war es Zufall? Die Antwort liefert ein A/B-Test (kontrolliertes Experiment): Ein Teil der Nutzer sieht die neue Variante, ein Teil — die alte, und der Analyst vergleicht sie anhand einer gewählten Kennzahl. So wird Produktentwicklung von „uns scheint es besser“ zu überprüfbaren Entscheidungen. Deshalb sind Design und Analyse von Experimenten der Kern der Rolle des Product Analyst. Was dazugehört: Design — die richtige Kennzahl wählen (eine, die echten Wert widerspiegelt, keine leicht zu bewegende), die Hypothese formulieren, die nötige Stichprobengröße und Dauer berechnen; Durchführung — korrekte Aufteilung in Gruppen, Kontrolle der Datenqualität; Analyse — Prüfung der statistischen Signifikanz, Konfidenzintervalle und vor allem — Vermeidung klassischer Fehler (vorzeitiges Hineinschauen vor Ablauf der Frist, Mehrfachvergleiche, Neuheitseffekt, nicht repräsentative Gruppen); Interpretation — was das Ergebnis für das Produkt bedeutet, ob die Änderung ausgerollt wird. Eine reife Experimentierkultur (Hypothesen systematisch prüfen statt „nach Augenmaß“ ausrollen) — das unterscheidet starke Produktunternehmen, und der Product Analyst ist ihr Träger. Neben A/B arbeitet der Analyst mit Beobachtungsdaten — Funnels, Kohorten, Retention-Kurven — wo ein Experiment unmöglich ist.

Ja, 50% der Stellen als Product Analyst sind remote oder hybrid. Produktanalytik lässt sich gut aus der Ferne erledigen: Arbeit mit Daten, Analysetools, A/B-Plattform und enge Kommunikation mit dem Produktteam über Calls. Russische Produkt- und Tech-Unternehmen, Fintech, E-Commerce bieten Büro, Hybrid und Remote. Englisch wird für den internationalen Markt gebraucht; für den russischen kann man ohne es anfangen. Besonderheit: Ein Product Analyst braucht engen Kontakt zum Team (PM, Design, Entwicklung) — remote wird das durch regelmäßige Syncs ausgeglichen, aber ein völlig „isoliertes“ Format ist für die Rolle weniger natürlich als Hybrid.

Ein Product Analyst ist wertvoll, weil er Entscheidungen des Produktteams von Vermutungen in überprüfbare Hypothesen verwandelt: Er beantwortet Fragen wie „funktioniert das Feature“, „wo springen Nutzer ab“, „was bewegt die Retention“, „lohnt es sich, die Änderung auszurollen“ — und spart dem Unternehmen so Ressourcen für nutzlose Nacharbeit und hilft, Wachstum zu finden. Das ist aus mehreren Gründen eine starke Karrierewahl: 1) Eine der bestbezahlten analytischen Rollen — Produktunternehmen konkurrieren um solche Leute. 2) Wachsende Nachfrage — die Kultur der Produktentwicklung und der Experimente breitet sich aus. 3) Hervorragende Karriereabzweigungen — Analytics Lead / Head of Analytics oder der Wechsel zum Product Manager (ein Produktanalyst denkt bereits in Kennzahlen und Hypothesen). 4) Interessante inhaltliche Arbeit — an der Schnittstelle von Daten, Produkt und Nutzerpsychologie. Für wen es passt: für alle, die sich nicht nur für Zahlen, sondern für Produkt und menschliches Verhalten interessieren, gern Hypothesen formulieren und prüfen und bereit sind, viel mit dem Team zu kommunizieren. Ehrlicher Vorbehalt: Das ist nicht die beste erste Rolle — zum Product Analyst kommt man meist, nachdem man die Grundlagen des Data Analyst (SQL, Python, Statistik) beherrscht; klüger ist es, die Karriere als Data Analyst zu beginnen und bewusst in die Produktanalytik hineinzuwachsen.

Product Analyst — meist nicht die erste Rolle; der vernünftige Weg führt über Data Analyst oder ein Praktikum in der Produktanalytik. Roadmap: 1) Basis als Data Analyst — SQL (sicher), Python (pandas), ein BI-Tool, Grundlagen der Statistik; ohne diese Basis kommt man nicht in die Produktanalytik. 2) Statistik und Experimente — vertiefen: Hypothesentests, A/B-Tests, typische Fehler bei Experimenten; das ist der Kern der Rolle und das, worauf Interviews den Schwerpunkt legen. 3) Produktkennzahlen — Retention, Aktivierung, Conversion, Funnels, Kohorten, Unit Economics, LTV, North Star Metric lernen und korrekt berechnen; verstehen, wie man einen Kennzahlenbaum aufbaut. 4) Tools der Produktanalytik — mindestens eines beherrschen (Amplitude, Mixpanel, Yandex Metrika / AppMetrica), lernen, Funnels und Kohortenanalysen aufzubauen. 5) Produktdenken — über Produktmanagement lesen, verstehen, wie ein Produktteam arbeitet, was eine Hypothese ist und wie sie geprüft wird. 6) Portfolio — ein Produkt (kann öffentlich sein) anhand von Kennzahlen analysieren, Hypothesen beschreiben und wie Sie sie prüfen würden; ein Pet-Projekt mit Funnel und Kohorten. Ressourcen: Kurse zur Produktanalytik (Karpov.Courses — bekannt für ein starkes Analytik- und A/B-Programm, Yandex Practicum, ProductStar u. a.), Bücher und Materialien zu A/B-Tests und Produktkennzahlen, Communities von Produktanalysten. Weg: die Basis als Data Analyst beherrschen → eine Rolle als Data / Product Analyst in einem Produktunternehmen finden → in die Produktspezialisierung hineinwachsen.

2 active open Product Analyst positions in the Zorky sample. The real market is wider: the role is named "product analyst", part of positions go as "data analyst" with a product lean or "growth analyst" — exact-term search doesn't catch everything. Geography: the US, Russia, Poland. Sources: hh.ru, Habr Career, getmatch, LinkedIn, Telegram (product analyst communities and job channels). Demand for product analysts grows faster than for general-profile analysts — together with the spreading culture of product development and experiments. NB: the Analyst / BI direction historically had difficulties with automatic job classification — the visible number may understate the real market.

Ein Senior Product Analyst ist ein Analyst, der die Produktstrategie beeinflusst. Experimente: Design und Analyse von A/B-Tests auf Expertenniveau, Wahl der richtigen Kennzahlen, Power-Berechnung, fortgeschrittene Themen (Stratifizierung, CUPED zur Varianzreduktion, sequenzielles Testen, Umgang mit multiplen Vergleichen) und ein nüchternes Verständnis dafür, wann man dem Ergebnis trauen kann. Statistik: sicher auf Praktikerniveau — Hypothesentests, Konfidenzintervalle, kausale Analyse, wo ein Experiment unmöglich ist. SQL und Python: SQL auf Expertenniveau, sicheres Python (pandas, Statistikbibliotheken), Automatisierung. Entwurf des Kennzahlensystems: den Kennzahlenbaum des Produkts entwerfen, den North Star wählen, verzerrende oder leicht manipulierbare Kennzahlen vermeiden. Verhaltensanalytik: tiefe Analyse von Funnels, Retention, Kohorten, Segmenten — verstehen, warum sich Nutzer so verhalten, nicht nur, was passiert. Produktdenken: Produkt, Markt und Nutzer nicht schlechter verstehen als der PM; selbst Wachstumshypothesen entwickeln können, nicht nur die anderer prüfen. Einfluss: Schlussfolgerungen so vermitteln, dass sie Entscheidungen verändern; mit PM, Design und Entwicklung als Partner arbeiten; die Position mit Daten verteidigen. Datenqualität: kritische Haltung gegenüber Daten und Event-Tracking, Verständnis dafür, wie Daten erhoben werden. Mentoring: Entwicklung von Junior-Analysten, Standards für Experimente im Team. Englisch — für den internationalen Markt. Der Hauptwert eines Senior — nicht „den Test auswerten“, sondern das Produkt systematisch durch Daten und Experimente voranbringen.