Analista de Produto: mercado

Vaga

uma vaga aberta que passou pelo filtro de qualidade e lista pelo menos duas tecnologias

Candidato observado

um candidato cujo stack contém esta tecnologia; um agregado — nenhum registro individual sai do perímetro

Candidato compatível

ainda não contado

Janela

vagas abertas no momento em que o snapshot foi gerado

Não há muitas vagas de Product Analyst puramente Junior — as pessoas mais frequentemente entram no papel depois de trabalhar como Data Analyst ou como estagiário de product analytics. Salto para Middle — design e análise independentes de testes A/B, Python e estatística com confiança, posse das métricas de produto. O Senior projeta o sistema de métricas de produto, lidera pesquisas comportamentais complexas, influencia diretamente a estratégia de produto. Fluxo de carreira: Data Analyst → Product Analyst → Senior Product Analyst → Analytics Lead / Head of Analytics, ou transição para Product Manager (uma bifurcação comum e lógica).

Top 5: sql, bpmn, 1с, airflow, bitrix. SQL — obrigatório, nível expert. Python — obrigatório para Middle+: pandas, estatística, cálculo de experimentos, automação. Product analytics: Amplitude, Mixpanel, Yandex Metrika / AppMetrica, GA4, PostHog — ferramentas para analisar o comportamento do usuário (eventos, funis, curvas de retenção, coortes). Testes A/B — núcleo do cargo: desenho de experimentos (métrica, hipótese, tamanho de amostra), análise correta, entendimento das armadilhas (peeking, comparações múltiplas, novelty). Estatística — confiante: teste de hipóteses, intervalos de confiança, escolha do teste. Data warehouses: ClickHouse (especialmente popular no product analytics da CEI), Snowflake, BigQuery. BI: dashboards em Tableau / Power BI / DataLens / Metabase. Métricas de produto: entendimento profundo de retention, activation, conversion, funis, coortes, unit economics, LTV, North Star Metric, capacidade de construir uma árvore de métricas. Soft skills: pensamento de produto, capacidade de formular e testar hipóteses, transmitir conclusões ao PM e ao time, influenciar decisões. Conhecimento de product design e expertise de domínio — um grande diferencial.

Analista de Dados — analista de perfil geral: responde a perguntas de negócio de diferentes áreas da empresa, métricas, dashboards, análises ad-hoc; escopo amplo, não vinculado a um produto (veja /research/analyst/data-analyst). Analista de Produto — analista inserido em uma equipe de produto específica: conhece o produto a fundo, é dono das suas métricas, desenha e analisa experimentos A/B, pesquisa o comportamento dos usuários, ajuda o PM a tomar decisões baseadas em dados. Grosso modo: o Analista de Dados atua de forma ampla na empresa, o Analista de Produto atua a fundo no produto, com ênfase em experimentos. Product Manager — responsável pelo produto como um todo: decide o que construir, define prioridades, responde pelo resultado do produto; o analista de produto é o parceiro de dados mais próximo do PM: o PM decide, o PA mede, testa hipóteses e embasa com números (veja /research/pm). Trajetória de carreira: Analista de Dados → Analista de Produto — um passo comum (especialização e aumento de renda); Analista de Produto → Product Manager — uma das bifurcações de carreira mais lógicas (o analista de produto já pensa em termos de produto e métricas); ou Analista de Produto → Analytics Lead / Head of Analytics.

Os times de produto mudam o produto constantemente — novas features, mudanças de UI, preços, mecânicas. A pergunta principal, toda vez: a mudança de fato melhorou o produto ou foi acaso? A resposta é dada por um teste A/B (experimento controlado): alguns usuários veem o novo variante, outros — o antigo, e o analista os compara por uma métrica escolhida. Isso transforma o desenvolvimento de produto de «parece melhor para nós» em decisões testáveis. Por isso o design e a análise de experimentos são o cerne do cargo de Product Analyst. O que está incluído: design — escolher a métrica certa (uma que reflita valor real, não uma facilmente manipulável), formular a hipótese, calcular o tamanho de amostra e a duração necessários; execução — divisão correta em grupos, controle de qualidade dos dados; análise — verificar significância estatística, intervalos de confiança e, o mais importante — evitar os erros clássicos (espiar antes do prazo, comparações múltiplas, efeito de novidade, grupos não representativos); interpretação — o que o resultado significa para o produto, se deve-se implantar a mudança. Uma cultura de experimentos madura (testar hipóteses de forma sistemática, não implantar «a olho») — o que distingue as empresas de produto fortes, e o Product Analyst é o seu portador. Além do A/B, o analista trabalha com dados observacionais — funis, cohorts, curvas de retention — onde um experimento é impossível.

Sim, 50% das vagas de Product Analyst são remotas ou híbridas. O product analytics é feito bem à distância: trabalho com dados, ferramentas de analytics, plataforma de A/B e comunicação estreita com o time de produto via chamadas. Empresas de produto e tecnologia russas, fintech, e-commerce oferecem presencial, híbrido e remoto. Inglês é necessário para o mercado internacional; para o russo dá para começar sem ele. Nuance: um product analyst precisa de contato estreito com o time (PM, design, dev) — no remoto isso é compensado por syncs regulares, mas um formato completamente "isolado" é menos natural para o cargo que o híbrido.

O Analista de Produto é valioso porque transforma as decisões do time de produto de palpites em hipóteses testáveis: responde a perguntas como "a funcionalidade funciona", "onde os usuários desistem", "o que move a retenção", "vale a pena liberar a mudança" — e assim economiza recursos da empresa com retrabalho inútil e ajuda a encontrar crescimento. É uma escolha de carreira forte por vários motivos: 1) Um dos cargos analíticos mais bem pagos — empresas de produto disputam essas pessoas. 2) Demanda crescente — a cultura de desenvolvimento de produto e de experimentos está se difundindo. 3) Ótimas bifurcações de carreira — Analytics Lead / Head of Analytics ou transição para Product Manager (o analista de produto já pensa em métricas e hipóteses). 4) Trabalho interessante e substantivo — na interseção de dados, produto e psicologia do usuário. Para quem é: quem se interessa não só por números, mas por produto e pelo comportamento das pessoas, gosta de formular e testar hipóteses e está pronto para se comunicar muito com o time. Ressalva honesta: não é o melhor primeiro cargo — as pessoas geralmente chegam a Analista de Produto depois de dominar a base de Data Analyst (SQL, Python, estatística); é mais sensato começar a carreira como Data Analyst e crescer conscientemente para analytics de produto.

Product Analyst — geralmente não é o primeiro cargo; o caminho razoável é via Data Analyst ou um estágio de product analytics. Roadmap: 1) Base de Data Analyst — SQL (confiante), Python (pandas), uma ferramenta de BI, noções de estatística; sem essa base você não entra em product analytics. 2) Estatística e experimentos — aprofunde: teste de hipóteses, testes A/B, erros típicos de experimentos; este é o cerne do cargo e o que as entrevistas enfatizam. 3) Métricas de produto — aprenda e calcule corretamente retention, ativação, conversão, funis, cohorts, unit economics, LTV, North Star Metric; entenda como montar uma árvore de métricas. 4) Ferramentas de product analytics — domine ao menos uma (Amplitude, Mixpanel, Yandex Metrika / AppMetrica), aprenda a montar funis e análise de cohorts. 5) Pensamento de produto — leia sobre product management, entenda como um time de produto trabalha, o que é uma hipótese e como ela é testada. 6) Portfólio — analise um produto (pode ser público) por métricas, descreva hipóteses e como você as testaria; pet project com funil e cohorts. Recursos: cursos de product analytics (Karpov.Courses — conhecida por um forte programa de analytics e A/B, Yandex Practicum, ProductStar etc.), livros e materiais sobre testes A/B e métricas de produto, comunidades de product analyst. Caminho: domine a base de Data Analyst → encontre um cargo de Data / Product Analyst numa empresa de produto → cresça para a especialização de produto.

2 vagas ativas abertas de Product Analyst na amostra da Zorky. O mercado real é mais amplo: o cargo é chamado de "product analyst", parte das vagas vai como "data analyst" com viés de produto ou "growth analyst" — a busca por termo exato não captura tudo. Geografia: os EUA, a Rússia, a Polônia. Fontes: hh.ru, Habr Career, getmatch, LinkedIn, Telegram (comunidades de product analyst e canais de vagas). A demanda por product analysts cresce mais rápido que por analistas de perfil geral — junto com a difusão da cultura de desenvolvimento de produto e experimentos. NB: a direção Analyst / BI historicamente teve dificuldades com a classificação automática de vagas — o número visível pode subestimar o mercado real.

Um Product Analyst Sênior é um analista que influencia a estratégia de produto. Experimentos: design e análise de testes A/B em nível de especialista, escolha das métricas certas, cálculo de poder, tópicos avançados (estratificação, CUPED para redução de variância, testes sequenciais, trabalho com comparações múltiplas) e uma compreensão realista de quando se pode confiar no resultado. Estatística: segurança em nível de praticante — testes de hipóteses, intervalos de confiança, análise causal onde o experimento é impossível. SQL e Python: SQL de especialista, Python com segurança (pandas, bibliotecas estatísticas), automação. Design do sistema de métricas: projetar a árvore de métricas do produto, escolher a North Star, evitar métricas distorcidas ou facilmente manipuláveis. Analytics comportamental: análise profunda de funis, retenção, coortes, segmentos — entender por que os usuários se comportam assim, não só o que acontece. Pensamento de produto: entender produto, mercado e usuários tão bem quanto o PM; conseguir gerar hipóteses de crescimento por conta própria, não só testar as dos outros. Influência: transmitir conclusões de forma que mudem decisões; trabalhar com PM, design e dev como parceiro; defender a posição com dados. Qualidade de dados: atitude crítica em relação aos dados e ao rastreamento de eventos, compreensão de como os dados são coletados. Mentoria: desenvolvimento de analistas Júnior, padrões de experimentos no time. Inglês — para o mercado internacional. O principal valor de um Sênior — não "rodar o teste", mas mover o produto adiante de forma sistemática por meio de dados e experimentos.