Research Analyst

В русском языке название профессии Research Analyst используется в двух основных вариантах: как прямой перевод и как транслитерация.

• Аналитик-исследователь или исследователь-аналитик — наиболее точный и формальный перевод, используемый в официальных документах.
• Рисёрч-аналитик (или ресёрч-аналитик) — распространённая в профессиональной среде (особенно в сферах IT, финансов и маркетинга) транслитерация, произносимая как «рисёрч-анали́тик»^[5].

В зависимости от отрасли и специализации используются различные синонимы и смежные названия^[6]:

• В сфере финансов и инвестиций — финансовый аналитик или инвестиционный аналитик^[7].
• В маркетинге — маркетолог-аналитик, аналитик маркетинговых исследований или аналитик рынка (market research analyst).
• В области работы с большими данными — аналитик данных (data analyst)^[8].
• В сфере HR — ресёчер (от researcher), специалист, занимающийся первичным поиском и отбором кандидатов^[9].

К смежным ролям также относят бизнес-аналитика, который фокусируется на анализе и оптимизации внутренних бизнес-процессов компании^[6]. В академической среде функции аналитика-исследователя могут выполнять научный сотрудник, социолог или исследователь.

В русском языке для обозначения профессии по отношению к женщине в официальных документах и деловом общении используется наименование мужского рода — аналитик или аналитик-исследователь^[10]. Эта норма распространяется на многие названия профессий, оканчивающиеся на согласный, которые используются для обозначения лиц любого пола^[11].

Для ситуаций, когда необходимо подчеркнуть пол специалиста, используется стилистически нейтральный описательный оборот женщина-аналитик^[12].

В разговорной речи и определённых социальных дискурсах встречаются феминитивы, такие как аналитикесса или аналитица. Однако на данный момент они не являются общепринятой нормой литературного языка, и их использование в официальной речи и на письме не закрепилось^[12].

В российских классификаторах профессий отсутствует прямое соответствие для должности Research Analyst. Для должностей служащих, в отличие от рабочих профессий, применяется не Единый тарифно-квалификационный справочник (ЕТКС), а Единый квалификационный справочник (ЕКС)^[13].

В ЕКС содержится обобщённая должность «Аналитик», чьи должностные обязанности наиболее близки к функциям аналитика-исследователя^[14]. Согласно справочнику, аналитик выполняет научно-исследовательскую работу по сбору, оценке и анализу информации, разрабатывает практические рекомендации и осуществляет мониторинг публикаций^[14]. Для базовой должности не предъявляются требования к стажу работы при наличии высшего профессионального образования^[14].

Хотя в ЕКС отсутствуют цифровые коды, они присваиваются в Общероссийском классификаторе профессий рабочих, должностей служащих и тарифных разрядов (ОКПДТР). Для должности «Аналитик» используется код 20143^[14]. В более поздних версиях классификаторов могут встречаться и другие коды, например, 200059 для должности «Аналитик»^[15] или 200064 для более узкой специализации «Аналитик данных»^[16]. На практике компании часто используют коммерческое название Research Analyst, юридически оформляя сотрудника по базовой должности «Аналитик»^[14].

Первые свидетельства систематического анализа данных относятся к древним цивилизациям Древнего Египта и Вавилона, где данные о сельском хозяйстве и торговле использовались для управленческих решений^[17]. Как научная дисциплина аналитика стала формироваться в XIX веке благодаря работам бельгийского статистика Адольфа Кетле и британского исследователя Фрэнсиса Гальтона, заложивших основы описательной статистики^[17]. К середине XX века термин «аналитик» применялся к специалистам, работавшим с первыми электронными вычислительными машинами; важную роль сыграли исследования Алана Тьюринга в области криптоанализа (1940-е годы)^[18]. Современное понимание профессии получило импульс после публикации Джоном Тьюки книги «Exploratory Data Analysis» (1977), где подчёркивалась необходимость системного исследования данных^[19]. В 1990-х — 2000-х годах, с ростом объёмов цифровой информации и глобализацией финансовых рынков, сформировалось чёткое разделение между buy-side и sell-side аналитиками, а применение Big Data, облачных технологий и машинного обучения расширило инструментарий профессии^[20].

2010-е годы стали периодом фундаментальной трансформации. После финансового кризиса 2008 года усилился регуляторный надзор, что потребовало большей прозрачности в исследованиях^[21]. Ключевым фактором изменений стал взрывной рост Big Data: если в 2010 году в мире было сгенерировано 2 зеттабайта данных, то к 2019 году этот показатель достиг 41 зеттабайта^[22]. Аналитики начали работать не только со структурированной финансовой информацией, но и с массивами неструктурированных данных: текстами новостей, сообщениями в социальных сетях и спутниковыми снимками^[23]. Это потребовало освоения новых инструментов (Hadoop, Apache Spark) и языков программирования (Python, R)^[24]. Важным событием стало вступление в силу в 2018 году европейской директивы MiFID II, которая потребовала разделять плату за исследования и за торговые операции. Это привело к сокращению бюджетов на аналитику и заставило аналитиков доказывать свою ценность, создавая более качественные продукты^[25][26]. К концу десятилетия начали активно внедряться искусственный интеллект (ИИ) и машинное обучение для анализа неструктурированных данных и построения более точных прогнозов^[21], что сместило роль аналитика от обработки данных к интерпретации результатов и генерации уникальных идей^[27].

2020-е годы ознаменовались ускорением цифровой трансформации, катализатором которой выступила пандемия COVID-19^[28]. В профессии произошла более глубокая интеграция ИИ, повсеместный переход на облачные платформы (AWS, Google Cloud, Microsoft Azure)^[29] и «демократизация» аналитики за счёт инструментов с низким порогом входа (low-code и no-code)^[30]. Фокус сместился с простой обработки «больших данных» на работу с «правильными данными» (Small and Wide Data) и извлечение ценных выводов из более точных и релевантных наборов^[31]. Роль аналитика продолжила эволюционировать от поставщика информации к стратегическому партнёру бизнеса^[32]. Ключевым навыком стала способность не просто представлять данные, а рассказывать на их основе убедительную историю (data storytelling)^[33][34]. Распространённой практикой, особенно в финансовом анализе, стало использование альтернативных источников данных, таких как спутниковые снимки и сведения о транзакциях по кредитным картам^[35].

В Российской Федерации профессия финансового или инвестиционного аналитика появилась после рыночных реформ 1990-х годов, когда на бирже начали активно работать отечественные банки, брокеры и управляющие компании^[36]. Быстрая компьютеризация финансового сектора в 2000-е годы и приход глобальных инвесторов способствовали развитию отдельных аналитических подразделений внутри банков и инвестиционных фирм. К 2010-м годам на рынке устоялась градация должностей (junior, middle, senior), а требования к специалистам стали включать владение языками программирования и BI-инструментами^[37].

Период 2022—2025 годов ознаменовался для российского рынка аналитики кардинальными изменениями. В 2022 году после ухода западных поставщиков BI-систем, таких как Microsoft (Power BI), Tableau и Qlik, началось активное развитие и внедрение отечественных аналитических платформ^[38]. В 2023 году рынок столкнулся с выраженным кадровым дефицитом, особенно на специалистов уровня Middle и Senior^[39][40], что привело к росту зарплат^[41]. Парадоксально, но при общем дефиците срок поиска работы для соискателей увеличился из-за ужесточения требований со стороны работодателей и избытка кандидатов начального уровня^[42][43]. Особенностью этого периода стал также переход компаний с облачных хранилищ западных вендоров на локальные серверы (on-premise)^[44] и ориентация большинства специалистов на внутренний рынок труда^[45].

К 2024—2025 годам профессия аналитика осталась одной из самых востребованных^[46], а рост зарплат продолжился, став ключевым фактором удержания сотрудников^[47]. На фоне сохраняющегося дефицита квалифицированных кадров^[48] и активного внедрения ИИ для автоматизации рутинных задач^[49], роль аналитика окончательно сместилась от обработчика данных к стратегическому партнёру, способному влиять на принятие бизнес-решений^[48].

• Сбор данных. Поиск и агрегирование информации из традиционных источников, таких как финансовая отчётность, макроэкономические показатели, отраслевая статистика, опросы и интервью^[50]. В современной практике всё большее значение приобретают альтернативные (часто неструктурированные) данные: спутниковые снимки, сведения о транзакциях по кредитным картам, веб-трафик, а также тексты новостей и сообщения в социальных сетях^[35].
• Анализ информации. Применение классических методов (фундаментальный и технический анализ) и статистических подходов (например, корреляционный и регрессионный анализ) для выявления тенденций и закономерностей^[51]. С развитием технологий активно используется анализ тональности (sentiment analysis) для оценки настроений на рынке на основе новостей и отзывов^[52][53].
• Построение моделей и проверка гипотез. Создание финансовых моделей и количественных прогнозов. Современные инструменты на базе ИИ позволяют автоматизировать этот процесс^[35]. Работа также включает формулирование и проверку гипотез (например, с помощью A/B-тестирования) для поиска точек роста бизнеса^[54].

• анализ бизнес-моделей, стратегии развития и ключевых рисков эмитентов;
• определение справедливой стоимости акций и облигаций;
• исследование конкурентной среды и макроэкономических тенденций;
• применение современных методов, таких как анализ тональности (sentiment analysis), для оценки настроений на рынке на основе новостных статей, отчётов и сообщений в социальных сетях.

• Подготовка отчётов и стратегических рекомендаций. Ключевая задача, в рамках которой акцент смещается от простой отчётности к «сторителлингу» (data storytelling) — способности представлять выводы в виде убедительной истории для принятия стратегических решений^[55]. Это включает как формирование комплексных исследовательских отчётов с прогнозами и инвестиционными рекомендациями («покупать», «держать», «продавать»), так и выработку уникальных идей на основе интерпретации сложных моделей.
• Визуализация и представление результатов. Создание наглядных дашбордов и презентаций с использованием BI-инструментов, таких как Tableau и Power BI, для донесения сложных выводов до лиц, принимающих решения^[56].
• Стратегическое партнёрство. Поддержка отделов продаж, портфельных менеджеров и других подразделений актуальными данными^[57]. Роль аналитика эволюционирует от поставщика информации к стратегическому партнёру, чьи выводы напрямую влияют на разработку продуктов и общие бизнес-решения^[58].

• проведение брифингов и вебинаров для клиентов и внутренних команд;
• ответ на запросы трейдеров, менеджеров и СМИ;
• участие в road-show компаний-эмитентов.

• ежедневное отслеживание рыночных новостей, нормативных изменений и корпоративных событий^[20]
• оценка финансовых, нормативных и рыночных рисков для портфеля;
• своевременное обновление рекомендаций при изменении рыночной конъюнктуры.

Набор компетенций современного аналитика-исследователя сочетает в себе технические (hard skills) и гибкие (soft skills) навыки, отражая смещение роли от обработчика данных к стратегическому партнёру бизнеса^[32].

• Фундаментальные знания: глубокая финансовая грамотность, знание бухгалтерской отчётности, методов оценки бизнеса, инвестиционного анализа и построения финансовых моделей в Excel^[59].
• Работа с данными и программирование: владение SQL для работы с базами данных, а также языками программирования Python (с библиотеками Pandas, NumPy, Scikit-learn) и R для статистического анализа и автоматизации задач^[60][61].
• Аналитические платформы и BI: навыки работы с BI-системами (например, Power BI, Tableau) для создания интерактивных дашбордов^[62], а также опыт использования финансовых терминалов, таких как Bloomberg Terminal или Refinitiv Eikon.
• Современные технологии: понимание принципов машинного обучения и ИИ для предиктивной аналитики^[61], опыт работы с облачными платформами (AWS, Google Cloud, Microsoft Azure)^[61] и знание принципов управления данными (Data Governance)^[38].
• Стратегические и коммуникативные навыки: критическое мышление, глубокое понимание бизнес-процессов^[63] и способность представлять сложные выводы в виде убедительной истории («сторителлинг»)^[64][65].

• Критическое и аналитическое мышление. Способность объективно оценивать информацию, ставить под сомнение предположения, выявлять скрытые закономерности и решать бизнес-задачи на основе данных^[66].
• Коммуникационные навыки и «сторителлинг». Умение не просто представлять данные, а рассказывать на их основе убедительную историю, понятную для нетехнических специалистов и руководства, чтобы влиять на принятие решений.
• Стратегическое мышление и понимание бизнеса. Способность видеть общую картину, понимать бизнес-контекст и использовать анализ данных для выявления возможностей роста компании, выступая в роли стратегического партнёра^[67].
• Адаптивность и непрерывное обучение. Готовность быстро приспосабливаться к меняющимся условиям и постоянно осваивать новые технологии и методологии, чтобы оставаться востребованным на рынке^[68].
• Внимание к деталям и стрессоустойчивость. Способность работать в условиях жёстких дедлайнов, сохраняя при этом высокую точность и концентрацию.
• Навыки командной работы. Умение эффективно взаимодействовать с коллегами из разных отделов (маркетинг, разработка, продажи) в рамках кросс-функциональных проектов.

Для позиции Research Analyst работодатели, как правило, требуют наличие степени бакалавра^[69]. По статистике, около 70 % аналитиков-исследователей имеют степень бакалавра, и ещё 18 % — степень магистра^[70]. Для более продвинутых и руководящих должностей, особенно в области финансовых рынков, часто требуется степень магистра (например, MBA или магистр в области финансов)^[69][71], что добавляет 1-2 года к общему времени обучения^[69].

Наиболее востребованными направлениями подготовки являются:

• экономика, финансы и бухгалтерский учёт^[72];
• прикладная математика и статистика;
• бизнес-аналитика или Data Science^[73];
• маркетинг, социология и психология (для маркетинговых исследований)^[74].

Ведущие российские вузы, предлагающие профильные программы:

• МГУ (экономический факультет);
• НИУ ВШЭ;
• Российская экономическая школа;
• Финансовый университет при Правительстве Российской Федерации;
• МФТИ.

В этих и других вузах существуют целевые магистерские программы, такие как «Финансовый аналитик»^[75].

Помимо высшего образования, для развития в профессии используются онлайн-курсы, профессиональная сертификация и корпоративное обучение.

• Онлайн-курсы и программы. Существуют многочисленные курсы по анализу данных, машинному обучению и отдельным инструментам на платформах Coursera, Skillbox, Яндекс Практикум, а также специализированные сертификационные программы от ведущих университетов^[76].
• Профессиональная сертификация. Подтверждает квалификацию специалиста и часто является требованием для карьерного роста. Сертификаты различаются в зависимости от специализации:
  • Финансовый анализ:
    • Chartered Financial Analyst (CFA) — наиболее престижный международный сертификат. Для его получения необходимо сдать три уровня экзаменов и иметь подтверждённый опыт работы^[77].
    • Financial Risk Manager (FRM) — сертификация в области управления рисками.
    • Экзамены FINRA (для США) — обязательны для аналитиков, готовящих публичные отчёты в США. Включают экзамены Series 86 (анализ и оценка) и Series 87 (нормативные требования), для допуска к которым требуется сдать базовый экзамен Securities Industry Essentials (SIE)^[78].
  • Маркетинговые исследования и общая аналитика:
    • Certified Analytics Professional (CAP) — подтверждает общие компетенции в области аналитики^[79].
    • Сертификаты от Международного института закупок и маркетинговых исследований (IIPMR): Certified Research Analyst (CRA) и Certified Research Expert (CRE).
  • Анализ данных:
    • Google Data Analytics Professional Certificate^[79].
    • IBM Data Analyst Professional Certificate.
    • Microsoft Certified: Data Analyst Associate^[79].
• Корпоративные программы обучения в инвестиционных банках и управляющих компаниях.

Research Analysts востребованы в следующих секторах:^[20]

• инвестиционные и коммерческие банки (sell-side);
• управляющие компании, хедж-фонды, пенсионные фонды (buy-side);
• рейтинговые агентства;
• брокерские фирмы и финансовые консультанты;
• корпоративный сектор (финансовый и стратегический анализ).

По состоянию на 2024—2025 годы уровень заработной платы аналитика в России остаётся высоким и продолжает расти, что обусловлено высоким спросом на специалистов и кадровым дефицитом^[80]. Доход сильно варьируется в зависимости от специализации, опыта, региона и размера компании. Данные о средней зарплате по рынку могут значительно различаться: одни источники указывают на средний показатель около 105 000 руб. в месяц, что отражает широкий срез по всем типам аналитиков, другие — на средний доход в 208 000 руб., что ближе к более высокооплачиваемому IT-сегменту^[81][82].

Зарплатные диапазоны по специализациям и уровням квалификации:

• Финансовый и инвестиционный аналитик^[83]:
  • Начинающий специалист (Junior, до 2 лет): 70 000–120 000 руб^[84].
  • Специалист среднего уровня (Middle, 2–5 лет): 120 000–200 000 руб.
  • Опытный специалист (Senior, более 5 лет): 200 000–350 000 руб.
  • Руководитель отдела: от 350 000 до 700 000 руб. и выше.

• Аналитик данных (Data Analyst)^[85]:
  • Junior: 70 000–170 000 руб.
  • Middle: 120 000–250 000 руб.
  • Senior: 180 000–330 000 руб. (для Data Scientist доход может достигать 500 000 руб.).

• Бизнес-аналитик (Business Analyst)^[86]:
  • Junior: 50 000–100 000 руб^[87].
  • Middle: 90 000–250 000 руб.
  • Senior: 140 000–300 000 руб. (в Москве до 400 000 руб.).

Существует заметная разница в уровне зарплат между Москвой, где средний доход аналитика составляет около 142 000 руб., и другими регионами^[88]. Помимо специализации и опыта, на доход влияют владение востребованными техническими навыками (Python, SQL, BI-инструменты), глубокая отраслевая экспертиза (например, в финтехе или фармацевтике), а также наличие годовых бонусов, которые в инвестиционной сфере могут достигать 100 % от годовой зарплаты^[83].

Типичная карьерная лестница включает следующие ступени:^[89]

• младший аналитик / research associate (0–2 года);
• аналитик (2–5 лет);
• старший аналитик / senior research analyst (5–8 лет);
• руководитель отдела исследований / director of research (8+ лет).

В горизонтальном направлении специалист может перейти в смежные роли, такие как BI-аналитик, Data Scientist или инвестиционный банкир.

• Bloomberg Terminal
• Refinitiv Eikon
• FactSet
• S&P Capital IQ^[37]

• Microsoft Excel
• R^[90]
• SPSS
• SAS^[90]
• Stata
• MATLAB
• Statistica

• Tableau^[91][92]
• Microsoft Power BI^[91]
• Qlik Sense^[93]
• Looker^[94]
• SAP Analytics Cloud^[94]
• Zoho Analytics^[93]
• Sisense^[93]
• IBM Cognos Analytics^[93]

• Python, R, SQL, VBA;
• PostgreSQL, MySQL, Oracle Database, DBeaver^[95].

• Jupyter Notebook
• Google Looker Studio
• Talend
• Miro, PowerPoint.

Искусственный интеллект (ИИ) становится неотъемлемой частью аналитики, автоматизируя сложные задачи и предлагая новые возможности для анализа.

• Платформы предиктивной аналитики. Такие инструменты, как SAS, Alteryx, Dataiku и IBM Watson Studio, используют машинное обучение для прогнозирования тенденций и построения моделей^[96]. Они позволяют автоматизировать подготовку данных и создание моделей, делая продвинутую аналитику доступной даже для пользователей без глубоких навыков программирования^[96].
• AI-ассистенты и чат-боты. Инструменты вроде ChatDOC, ChatPDF и более универсальные модели, как ChatGPT и Gemini, используются для быстрой обработки и анализа текстовых документов, позволяя «общаться» с файлами и получать краткие выжимки^[97].
• AI-платформы для анализа данных. Появляются новые комплексные решения, такие как Julius AI, которые позиционируются как «AI-аналитики данных», способные выполнять широкий спектр задач по анализу и визуализации.

Для анализа неструктурированных данных, таких как тексты интервью, опросов и открытых ответов, используются специализированные программы. Стандартом для качественных исследований считаются такие инструменты, как NVivo и MAXQDA^[98]. Они помогают кодировать, категоризировать и выявлять закономерности в текстовых данных^[98].

Эффективная организация рабочего процесса и совместная работа играют ключевую роль в исследовательских проектах. Для этого используются:

• Менеджеры библиографии: Zotero, Mendeley и EndNote являются незаменимыми инструментами для управления источниками и автоматического форматирования списков литературы.
• Платформы для совместной работы и документации: Jupyter Notebook позволяет объединять код, визуализации и текст в одном документе, что делает его идеальным для исследования данных. Облачные редакторы, такие как Overleaf (для LaTeX), используются для совместного написания научных статей, особенно в технических и естественных науках^[99].