Что читать продуктовому аналитику: книги, блоги и каналы по уровням

Коротко: продуктовому аналитику стоит держать четыре опоры: статистику и A/B-тесты, продуктовые метрики и мышление, SQL и работу с данными, а также Python для анализа. Ниже собраны конкретные книги, блоги и каналы под каждую опору и порядок, в котором их разумно брать на уровнях junior, middle и senior. Если не знаете, с чего начать, идите по разделу «Дорожная карта чтения» в конце.

Если совсем коротко

Минимум по одной книге на каждую опору, чтобы закрыть базу продуктового аналитика:

• Статистика и A/B-тесты: «Trustworthy Online Controlled Experiments», Рон Кохави, Дайан Танг, Я Сюй.
• Продуктовое мышление: «Lean Analytics», Алистер Кролл и Бенджамин Йоскович.
• SQL: «Изучаем SQL», Алан Бьюли.
• Python для анализа: «Python для анализа данных», Уэс Маккинни.

Как читать, чтобы это работало

Чтение без практики у аналитика почти не оседает. Работает связка «прочитал главу → применил на своих или учебных данных → объяснил вывод словами». Поэтому не гонитесь за количеством книг: одна проработанная книга с решёнными задачами полезнее пяти пролистанных.

• Берите одну книгу-основу на тему и один регулярный источник (блог или канал), а не десять сразу.
• После каждой главы делайте маленький разбор на реальных данных, хотя бы в блокноте.
• Формулируйте вывод так, будто объясняете продакту без статистики: это и есть навык аналитика.
• Заведите заметки с формулами и типовыми ошибками, к ним вы будете возвращаться перед собеседованиями.

Статистика и A/B-тесты

Это ядро профессии: без понимания статистической значимости, мощности и типичных ошибок эксперимента аналитик принимает решения вслепую.

• «Голая статистика» (Naked Statistics), Чарльз Уилан. Мягкий вход в статистику без формул ради формул. Хорошая первая книга, если математика подзабылась.
• «Statistics Done Wrong», Алекс Райнхарт. Короткая книга про то, как люди ошибаются в статистике: подглядывание, множественные сравнения, p-value. Читается за выходные.
• «Trustworthy Online Controlled Experiments», Рон Кохави, Дайан Танг, Я Сюй. Главная книга по A/B-тестированию в индустрии, мастхэв для уровня middle+.
• «Практическая статистика для специалистов Data Science», Питер и Эндрю Брюс. Справочник по методам с примерами кода, удобно держать под рукой.

Продуктовые метрики и мышление

Аналитик, который знает статистику, но не понимает продукт, считает то, что не влияет на решения. Эти книги учат смотреть на метрики через призму бизнеса и пользователя.

• «Lean Analytics», Алистер Кролл, Бенджамин Йоскович. Как выбирать одну ключевую метрику под стадию продукта и не тонуть в дашбордах.
• «Inspired», Марти Каган. Как устроена продуктовая разработка изнутри; помогает аналитику говорить на одном языке с продактами.
• «Hooked» (На крючке), Нир Эяль. Про механику привычки и удержания, полезно для понимания retention-метрик.
• «Continuous Discovery Habits», Тереса Торрес. Как продуктовые команды принимают решения на данных и интервью с пользователями; прямо про стык аналитика и продакта.
• «Storytelling with Data», Коул Нассбаумер Кнафлик. Как показывать данные так, чтобы решение принимали, а не спорили о графике.

Параллельно закрепите базовую терминологию метрик: продуктовые метрики DAU / WAU / MAU и глоссарий продуктовых метрик. А о том, как устроена ежедневная работа аналитика в команде, есть отдельный разбор: жизненный цикл продуктового аналитика и HADI-циклы.

SQL и работа с данными

SQL — рабочий инструмент №1 и почти всегда часть собеседования. Достаточно одной книги-учебника и большого объёма практики на задачах.

• «Изучаем SQL» (Learning SQL), Алан Бьюли. Понятный учебник с нуля до оконных функций.
• «SQL для анализа данных» и практикумы с оконными функциями. Именно это спрашивают на собесах: JOIN, агрегации, window functions.
• Тренажёры с задачами (например, разборы SQL-задач в нашей базе) важнее прочитанной теории. Начните с разбора популярных задач с собеседования в Т-Банк.

Python и анализ данных

Python нужен там, где SQL заканчивается: сложные расчёты, симуляции, визуализация, разовый анализ. Для аналитика достаточно pandas и базовой визуализации, глубокое ML не обязательно.

• «Python для анализа данных» (Python for Data Analysis), Уэс Маккинни, автор pandas. Фактически справочник по инструменту.
• «Причинный вывод: The Mixtape» (Causal Inference: The Mixtape), Скотт Каннингем. Для тех, кто дошёл до вопросов «а точно ли фича повлияла»; доступна бесплатно онлайн.
• «Книга почему» (The Book of Why), Джудея Перл. Научно-популярное введение в причинность, расширяет мышление за пределы корреляций.

ML продуктовому аналитику нужен не сразу и не всегда. Про это есть отдельный материал: зачем аналитику разбираться в ML.

Что читать регулярно: блоги и каналы

Книги дают фундамент, но индустрия меняется, поэтому нужен и регулярный источник. Что стоит читать постоянно:

• Инженерные блоги компаний с сильной культурой экспериментов (Netflix, Airbnb, Booking, Spotify): там пишут, как A/B и метрики устроены на масштабе.
• Тематические разборы задач и кейсов, чтобы держать руку на пульсе форматов собеседований.
• Наш Telegram-канал No Data No Growth: разборы A/B, продуктовых метрик и задач с собеседований по-человечески, без воды.

Дорожная карта чтения по уровням

Junior: собрать фундамент

Цель: не пугаться статистики, уверенно писать SQL и понимать базовые метрики. Порядок: «Голая статистика» → «Изучаем SQL» + практика задач → «Python для анализа данных» → «Lean Analytics». Параллельно закрываете глоссарий метрик и решаете SQL-задачи каждую неделю.

Middle: научиться экспериментам и продукту

Цель: самостоятельно проектировать и разбирать A/B-тесты и связывать метрики с решениями. Порядок: «Trustworthy Online Controlled Experiments» → «Statistics Done Wrong» → «Inspired» и «Hooked» → «Storytelling with Data». Здесь же подключайте регулярное чтение инженерных блогов.

Senior: причинность и влияние

Цель: отвечать на вопрос «что на самом деле повлияло» и влиять на продуктовые решения. Порядок: «Причинный вывод: The Mixtape» → «Книга почему» → углубление в конкретную доменную область (маркетплейс, финтех, EdTech) через блоги и внутренние данные.

Частые вопросы

С каких книг начать junior-аналитику?

С «Голой статистики» Чарльза Уилана и учебника «Изучаем SQL» Алана Бьюли, параллельно решая SQL-задачи. Этого достаточно, чтобы не пугаться статистики и уверенно писать запросы.

Нужен ли продуктовому аналитику ML?

Не сразу и не всегда. На junior и middle хватает статистики, SQL и Python (pandas). ML и причинный вывод пригодятся ближе к senior, когда встаёт вопрос «что на самом деле повлияло».

Сколько книг читать одновременно?

Одну книгу-основу под текущий уровень плюс один регулярный источник (блог или Telegram-канал) фоном. Одна проработанная с практикой книга полезнее пяти пролистанных.

Какая одна книга обязательна по A/B-тестам?

«Trustworthy Online Controlled Experiments» Рона Кохави, Дайан Танг и Я Сюй. Это главная книга по онлайн-экспериментам в индустрии.